BANQUES ET PME QUEL CREDIT?

Transcription

1 BANQUES ET PME QUEL CREDIT? Séminaire d expertise comptable 2000 HEC - OVEC Les cahiers de documentation et de recherche en comptabilité et contrôle Cahier n 21 UNIVERSITE DE LAUSANNE

2 CAHIERS DE DOCUMENTATION ET DE RECHERCHE EN COMPTABILITE ET CONTROLE Publié sous le contrôle des professeurs de comptabilité de l école des hautes études commerciales de l Université de Lausanne, les cahiers présentent des études et des documents commentés relatifs aux champs d investigation du domaine comptable. Ces cahiers s adressent à toutes les personnes intéressées par la réflexion et la recherche en matière de présentation et d utilisation de l information comptable sur le plan suisse et international. Par ce truchement, les auteurs soumettent leurs travaux à la critique dont ils seront par conséquent très heureux de prendre connaissance. Une liste complète des cahiers disponibles se trouve dans cette publication. Ce cahier porte le numéro 21. SEMINAIRE D'EXPERTISE COMPTABLE Le séminaire d'expertise comptable est organisé depuis 1981 par l'ecole des HEC (Unité d'enseignement et de Recherche en Comptabilité et Contrôle) et la Chambre fiduciaire Ordre vaudois. Il est destiné aux étudiants du deuxième cycle d'études et aux participants des différents programmes postgrades qui ont ainsi l'occasion de mener des études de cas avec des professionnels de l'expertise comptable. Le séminaire se termine par une séance publique durant laquelle est débattu un grand problème de l'actualité comptable. La publication de ce cahier a été permise grâce à l'appuis financier de l'ordre vaudois de la Chambre fiduciaire suisse, à qui les responsables de l'uercc expriment leur très vive reconnaissance. Il est interdit de reproduire ce document ou d'en tirer des extraits sans la permission écrite de l'auteur

3 LES CAHIERS DE DOCUMENTATION ET DE RECHERCHE EN COMPTABILITE ET CONTROLE n 1-Proposition pour un cadre théorique comptable de base par Bernard Apothéloz et Alfred Stettler (janvier 1987). n 2-Les réserves latentes, une arme à maîtriser pour l'entreprise par Bernard Apothéloz et Alfred Stettler (mars 1988). n 3-Aspects économiques de la nouvelle loi sur les réserves de crise par Bernard Apothéloz et Jean-Jacques Schwartz (avril 1988). n 4-Les premières recommandations suisses relatives à la présentation des comptes. Actes de la séance de clôture du séminaire d'expertise comptable 1988, présidée par les prof. B. Apothéloz et A. Stettler, avec la participation du Professeur André Zünd, de Madame Yvette Jaggi, et al. (avril 1988). n 5-Information financière et offres publiques d'achat. Actes de la séance de clôture du séminaire d'expertise comptable 1989, présidée par les prof. B. Apothéloz et A. Stettler, avec la participation des professeurs Gérard Hertig, et al. (décembre 1989). n 6-Divulgation des informations comptables au sein de la Communauté Européenne et en Suisse : Nécessité, contrainte, restriction. Actes de la séance de clôture du séminaire d'expertise comptable 1990, présidée par les prof. B. Apothéloz et A. Stettler, avec la participation du Professeur Karel Van Hulle, de la direction générale XV de la Commission des Communautés européennes, et al. (décembre 1990). n 7-La transparence dans les états financiers des banques: un défi ou une nécessité? Actes de la séance de clôture du séminaire d'expertise-comptable 1991, présidée par les prof. B. Apothéloz et A. Stettler, avec la participation de Monsieur Marcel Sottas et al. (octobre 1991). n 8-La comparabilité des états financiers ou la reconnaissance mutuelle des états financiers: efforts actuels et tendance d'avenir. Actes de la séance de clôture du séminaire d'expertise comptable 1992, présidée par les prof. B. Apothéloz et A. Stettler, avec la participation de Monsieur Bertrand D'Illiers, et al. (novembre 1992). n 9-L'importance des informations sociales pour l'entreprise et ses partenaires par Olivier Toublan (juillet 1993). n 10-La consolidation des comptes des PME: une nécessité ou un luxe? Actes de la séance de clôture du séminaire d'expertisecomptable 1993, présidée par les prof. B. Apothéloz et A. Stettler, avec la participation de Monsieur Marcel Sottas et al. (février 1994). n 11-Pertinence des informations comptables: le cas de sociétés suisses en difficulté par Ian-Radu Regly (juillet 1994). n 12-Une étude des informations sociales publiées dans les rapports annuels de 15 entreprises suisses par Olivier Toublan (novembre 1994). n 13-Les normes RPC pour l'établissement des comptes annuels: contrainte ou nécess-ité? Actes de la séance de clôture du séminaire d'expertise-comptable 1994, présidée par les prof. B. Apothéloz et A. Stettler, avec la participation du prof. Giorgio Behr et al. (février 1995). n 14-La société holding comme moyen de transmission des entreprises familiales par Claude Bailly-Masson (juin 1995). n 15-Relation entre investissement informa-tique et performance économique des entreprises par Salem Sam (octobre 1995).

4 n 16-La nouvelle loi sur les fonds de placement : adaptation ou révolution? Actes de la séance de clôture du séminaire d expertise comptable 1995, présidée par les prof. B. Apothéloz et A. Stettler, avec la participation du Dr Peter Spinnler et al. (février 1995). n 17-Un an de TVA, expériences et perspectives. Actes de la séance de clôture du séminaire d expertise comptable 1996, présidée par les prof. B. Apothéloz et A. Stettler, avec la participation de M. Grégoire Pauchard et al. (février 1996). n 18-Les tableaux de flux de trésorerie et leur apport en informations nouvelles par Claude Bailly-Masson (mai 1997) n 19-Revitalisation de la Suisse par la fiscalité? Séminaire d'expertise comptable 1997, présidé par les prof. B. Apothéloz et A. Stettler, avec la participation de Monsieur Dieter Metzger et al., HEC OVEC (août 1998) n 20-Comparaison de la mission du commissaire aux comptes français avec celle du contrôleur des comptes suisse par Claude Bailly-Masson (janvier 2000) n 21-Banques et PME Quel crédit? Sémin-aire d'expertise comptable 2000, présidé par les prof. B. Apothéloz et A. Stettler, avec la participation du Professeur Pascal Dumontier et al., HEC OVEC (mars 2000) Les cahiers de documentation et de recherche en comptabilité et contrôle n 19, 20 et 21 sont gratuitement disponible sur le site de l'ecole des HEC de Lausanne sous l'url suivant : voir publications Les personnes intéressées qui désirent recevoir les cahiers de documentation et de recherche en comptabilité et contrôle sont priées d'en faire la demande à l'adresse suivante : Unité d'enseignement et de recherche en comptabilité Ecole des HEC de l'université de Lausanne BFSH Lausanne-Dorigny

5 Banques et PME - Quel crédit? Séminaire d'expertise comptable 2000 HEC - OVEC Les cahiers de documentation et de recherche en comptabilité et contrôle Cahier n 21 HEC Lausanne, mars 2000 Banques et PME - Quel crédit? Compte-rendu Page 5 sur 43

6 Banques et PME - Quel Crédit? Compte-rendu du séminaire "Banques et PME - Quel crédit?" organisé par l'unité d'enseignement et de recherche en comptabilité et contrôle de l'ecole des Hautes Etudes Commerciales de Lausanne et l'ordre vaudois de la Chambre fiduciaire le mercredi, 22 mars Le compte-rendu du séminaire a été préparé à partir de l enregistrement des débats et de notes par Thierry Kenel assistant doctorant de l Unité d enseignement et de recherche en comptabilité et contrôle. Ce texte est disponible gratuitement sur le site de l Ecole des HEC de Lausanne à l adresse suivante : Il peut aussi être commandé auprès de l UERCC de l Ecole des HEC, Université, BFSH 1, 1015 Lausanne, tél Table des matières 1 Table des matières Introduction L'analyse financière et la prévision de défaillance Les modèles de prévision de défaillance: généralités Définition Objectifs Méthodologie Les problèmes relatifs à l'élaboration des modèles Le choix des indicateurs La technique de discrimination La validation du modèle Que nous apprend la recherche sur la prévision de défaillance? Les indicateurs de défaillance Sensibilité des modèles La prévision de défaillance: une illustration Le cadre utilisé pour l'établissement d'un modèle Les indicateurs du modèle La technique de discrimination utilisée La régression logistique Le réseau de neurones La capacité prédictive des modèles En guise de conclusion Un crédit est un crédit!? Principes de la politique d'octroi de crédit Le système de rating au Credit Suisse Banques et PME - Quel crédit? Compte-rendu Page 6 sur 43

7 4.3 La détermination du rating du client L'évaluation quantitative L'évaluation qualitative Le rating de la branche L'alarme avancée L'analyse par réseau de neurones du bilan L'analyse des comptes Un crédit n'est pas un crédit ou les conséquences du rating Conclusion Question de Monsieur Bernard Rufi sur la communication client La politique de crédit à la BCV La spécificité de la BCV en matière de crédits Le traitement de crédits à la BCV La démarche de crédit Les difficultés techniques quant au traitement des dossiers Question de Monsieur Alfred Stettler sur la présentation des comptes La gestion des crédits à l'ubs L'organisation du secteur clientèle Entreprises et commerciale L'approche utilisée pour la détermination de l'octroi d'un crédit Le système de rating de l'ubs Le prix du crédit Un exemple de calcul du prix en guise de conclusion Discussion plénière Question de Monsieur Bernard Apothéloz sur le risque du banquier interlocuteur Question d un participant au séminaire sur le changement fréquent du banquier interlocuteur Question d un participant au séminaire sur le rating, une base pour les provisions ou les actions? Question d un participant au séminaire sur le suivi du système d'alarme avancée Question d un participant au séminaire sur la situation financière versus une progression des activités Question d un participant sur l évaluation objective de la direction de l'entreprise Question de Monsieur Bernard Rufi sur l'élément prix des crédits Banques et PME - Quel crédit? Compte-rendu Page 7 sur 43

8 2 Introduction par Monsieur Michel Nicolet, Président de l'ordre vaudois de la Chambre fiduciaire. Chaque année, l'unité d'enseignement et de Recherche en Comptabilité et Contrôle de HEC Lausanne et l'ordre vaudois de la Chambre fiduciaire, qui représente la profession des experts-comptables, fiduciaires et fiscaux organisent une conférencedébat sur un thème d'actualité. Ce soir sous le titre : "Banques et PME - Quel crédit?", nous nous interrogerons sur l'intérêt que portent les banques aux PME. Ces dernières sont le ferment du développement économique. Elles souffrent cependant aussi de faiblesses endémiques, comme par exemple la sous-capitalisation, particulièrement pour les entreprises nouvellement créées. Lors de notre table ronde, il y a deux ans, nous avions pu constater que les marchés des capitaux restaient difficilement accessibles aux petites entreprises. Par conséquent, ces dernières, lorsque le financement propre fera défaut, seront contraintes de faire appel à la voie du financement bancaire. Avec la crise, ces dernières années, les grandes banques se sont montrées très circonspectes dans l'octroi de crédits aux PME. Le redémarrage économique que nous connaissons aujourd hui va certainement entraîner à très court terme des besoins de liquidités pour beaucoup de sociétés. Cela nous amène tout naturellement à demander au principal partenaire, les banques, comment elles appréhendent et analysent les dossiers que nous leur soumettons, que ce soit sous forme de comptes annuels ou encore dans le cadre de demandes de crédit ou de financements spécifiques. Les membres-entreprises de notre Ordre ont déjà eu l'occasion l'année passée, lors d'une rencontre avec les représentants du Credit Suisse, de se familiariser avec la méthode d'analyse des crédits pratiquée par cette banque. Nous verrons aujourd'hui que la démarche opérée par nos partenaires bancaires résulte d'une approche beaucoup plus scientifique et systématique que par le passé dans le but, vraisemblablement, de laisser de moins en moins de place à l'appréciation subjective. Nous allons donc comprendre un peu mieux comment se forme la décision de l'octroi d'un crédit et sur quelle base se déterminent le prix et la capacité d'emprunter des clients de la banque. Après une première partie théorique présentée par le Professeur Dumontier, les représentants des trois principales banques apporteront un éclaircissement sur leur Banques et PME - Quel crédit? Compte-rendu Page 8 sur 43

9 méthode propre d'analyser les crédits. Ensuite, nous aurons l'occasion d'entendre dans le cadre d'un débat animé par les Professeurs Alfred Stettler et Bernard Apothéloz, ce que pense la profession par la voie de Monsieur Bernard Rufi qui porte la lourde responsabilité de représenter les PME. Présentation des conférenciers Monsieur Pascal Dumontier est Professeur à l'ecole supérieure des affaires de l'université Pierre Mendès-France de Grenoble. Mme Anne Claude Rouiller est Docteur en sciences économiques de l'université de Fribourg. Sa thèse de doctorat était intitulée: "crédit, risque: à la recherche d'une gestion optimale". Mme Rouiller est responsable de la division credit controlling de l'unité d'affaires Credit Suisse, après avoir mis en place la stratégie "credit and risk management" dans cette banque. Monsieur Daniel Crausaz est ingénieur physicien diplômé de l'epfl. Il est titulaire d'un MBA HEC Lausanne. Monsieur Crausaz est directeur général de la BCV et à ce titre responsable de la division commerciale de la Banque Cantonale Vaudoise. Monsieur Manuel Leuthold est licencié en droit et en sciences économiques de l'université de Genève. Monsieur Leuthold est chef du secteur clientèle entreprise et commerciale pour la région suisse romande au sein de la nouvelle UBS SA dont il est directeur adjoint. Monsieur Bernard Rufi est expert-comptable diplômé et responsable du département révision de la société KPMG à Lausanne. Il est partenaire de cette société et membre du conseil d'administration de KPMG Suisse. Banques et PME - Quel crédit? Compte-rendu Page 9 sur 43

10 3 L'analyse financière et la prévision de défaillance Exposé introductif du Professeur Pascal Dumontier sur l'état de l'art en matière d'analyse financière crédit. L'objectif du Professeur Dumontier est de présenter en matière d'analyse financière et de prévision de défaillance, les différentes démarches qui existent en matière de prévision de ce risque de défaillance et en particulier les différentes logiques qui président à l'élaboration des modèles visant à mesurer le degré de risque que peuvent présenter les agents économiques ou entreprises. La première partie de l'exposé traite d'un certain nombre des généralités sur ces modèles de la prévision de défaillance. La deuxième partie relève différents problèmes que l'on rencontre lors de l'élaboration ou de l'utilisation de tels modèles. La troisième partie essaie de résumer ce que nous a appris la recherche en matière de la prévision de défaillance. Pour conclure un exemple de modèle de prévision de défaillance d'une grande entreprise française est proposé. Cette entreprise avait besoin de définir le risque de défaillance des clients avec lesquels elle était amenée à négocier. 3.1 Les modèles de prévision de défaillance: généralités Définition Les modèles de prévision de défaillance sont des outils permettant de déterminer la probabilité qu'une entreprise soit défaillante dans un horizon plus ou moins lointain. Ces outils fonctionnent à partir des informations financières des entreprises sous analyse. Dans la plupart des cas, les informations financières sont extraites de la comptabilité de ces entreprises Objectifs Sans prétendre établir une liste exhaustive des objectifs, il y a au moins quatre points à citer. Tout d'abord, un modèle de prévision de défaillance permet à un institut ou à un analyste financier de traiter un grand volume de dossiers en un temps limité. Cette automatisation diminue considérablement les coûts du traitement par dossier, ce qui Banques et PME - Quel crédit? Compte-rendu Page 10 sur 43

11 peut être un facteur important, notamment si les marges du crédit ne sont pas à même de couvrir les coûts d'une analyse par un spécialiste. Deuxièmement, un modèle d'analyse permet de traiter les dossiers d'une manière plus homogène et troisièmement de manière plus objective. En effet, le degré de liberté quant à l'interprétation du dossier par l'analyste spécialiste est éliminé. Mais il n'est pas dit que cette objectivité soit nécessairement souhaitable. Quatrièmement, un modèle de prévision de défaillance devrait apporter une meilleure connaissance et une meilleure compréhension des déterminants de la défaillance. En revanche, un modèle de prévision de défaillance n'a pas pour objectif d'être un substitut à l'analyse faite par un analyste financier ou encore de procéder automatiquement à une décision de crédit. Cette dernière sera du ressort du responsable crédit Méthodologie Pour la construction d'un modèle de prévision de défaillance on procède selon une méthode standardisée, qui se résume en quatre étapes: la constitution d'un échantillon, la sélection d'une batterie d'indicateurs, le choix d'une technique discriminante et la validation du modèle. Tout d'abord, l'analyse se base sur l'historique; on constitue un échantillon représentatif d'entreprises saines et un autre échantillon représentatif d'entreprises défaillantes comme dans le montre la figure 1 ci-après: 2 échantillons défaillantes/saines Indicateurs V1, V2,... Vn Technique discriminante Modèle de prévision proba = a1v1 + a2v ai Vi Echantillons contrôle Validation du modèle Figure 1 Banques et PME - Quel crédit? Compte-rendu Page 11 sur 43

12 En vue d'appliquer une technique discriminante aux deux échantillons définis, il s'agit encore de sélectionner une batterie d'indicateurs pertinents, particulièrement adaptés pour distinguer les entreprises saines et les entreprises défaillantes en deux groupes. Le modèle de prévision de défaillance, représenté sous forme linéaire dans la figure 1 ci-dessus, calcule une probabilité de défaillance à partir de la combinaison d'indicateurs définis à l'étape précédente. Il s'agira de ne retenir que les indicateurs qui discriminent réellement les entreprises observées selon les deux groupes, entreprises saines et entreprises défaillantes. Ensuite, il s'agira de choisir une technique discriminante adaptée au problème posé. Finalement, la capacité prédictive du modèle est mesurée à l'aide d'un échantillon de contrôle différent de l'échantillon de construction, ce qui permet de valider le modèle si la performance prédictive est jugée suffisante. Le modèle sera construit de telle manière qu'il résumera la probabilité de défaillance en un seul indice, probabilité de défaillance égale à 1 si la situation financière de l'entreprise est catastrophique et probabilité de défaillance égale à 0 si l'entreprise est considérée comme parfaitement saine Les problèmes relatifs à l'élaboration des modèles Les problèmes liés à l'élaboration et à l'utilisation des modèles de prévision de défaillance sont multiples et dépendent au moins de la population de référence, du choix des indicateurs, de la technique de discrimination et de la validation du modèle La constitution des échantillons La première étape réside dans la constitution de l'échantillon de référence, reflet de la population d'entreprises à étudier. Comme le montre la figure 1, il faudra choisir un échantillon d'entreprises saines et un échantillon d'entreprises défaillantes. Dans la définition de ces échantillons de référence, on est confronté à un dilemme de taille versus l'homogénéité de l'échantillon. Les entreprises défaillantes ne sont pas aussi nombreuses que l'on pourrait le croire a priori pour une économie donnée. S'il s'agit alors de déterminer un modèle de prévision de défaillance pour une population homogène d'entreprises, donc pour un secteur industriel bien défini et restreint, l'échantillon d'entreprises défaillantes aura probablement une taille très réduite, ce qui peut porter atteinte à la signification statistique du modèle. S'il s'agit de construire un modèle statistiquement significatif, alors on sera amené à augmenter la taille de Banques et PME - Quel crédit? Compte-rendu Page 12 sur 43

13 l'échantillon des entreprises défaillantes, ce qui porte préjudice à l'homogénéité de la population. Cette hétérogénéité de l'échantillon apportera un certain biais dans le modèle de prévision et rendra du même coup des résultats moins pertinents Le critère de défaillance Un problème qui se pose, un problème non négligeable, est lié au critère même de la défaillance. Rien n'est plus ambigu que le terme de défaillance. On peut considérer qu'il y a défaillance s'il y a faillite. Mais la faillite est le stade ultime de la défaillance. D'autres études considèrent des critères moins restrictifs comme le redressement judiciaire par exemple. La faillite ou le redressement judiciaire sont des mesures juridiques qui sont prononcées par un juge. Ces termes sont donc loin d'une mesure économique objective. Il est problématique de définir comme entreprises saines, celles qui n'ont pas fait faillite, ou qui n'ont pas été engagées dans un redressement judiciaire, puisqu'on peut y trouver un bon nombre d'entreprises financièrement peu solides. Ces entreprises, qui peuvent être dans une situation financière désastreuse, viennent alors polluer l'échantillon des entreprises saines, ce qui introduit un biais dans notre modèle de prévision de défaillance. Dans beaucoup de modèles on préconise alors un critère arbitraire pour apprécier la défaillance, défini par des difficultés significatives. Si une banque est amenée à construire un modèle de prévision de défaillance, il est possible de s'appuyer sur un historique conséquent de dossiers. Ces dossiers, ayant déjà fait l'objet d'une analyse approfondie par un spécialiste d'analyse financière et ayant déjà obtenu une appréciation (rating), peuvent être une source plus adéquate pour l'établissement de l'échantillon d'entreprises ayant des difficultés significatives La disponibilité des données avant la défaillance Lors de la construction d'un tel modèle de prévision, il faut se mettre dans la situation de l'utilisateur. Il faut donc s'assurer que les indicateurs financiers et comptables à utiliser étaient bien disponibles dans les périodes qui précédaient les difficultés des entreprises. Il n'est d'aucune utilité de construire le modèle sur les données qui ne sont disponibles qu'après la phase de défaillance. Banques et PME - Quel crédit? Compte-rendu Page 13 sur 43

14 3.1.5 Le choix des indicateurs La deuxième étape quant à l'élaboration et à l'utilisation de modèles de prévision de défaillance est celle du choix des indicateurs. Quelles sont donc les variables financières et comptables à retenir pour la construction d'un tel modèle? Comme en matière de défaillance des entreprises, il n'existe aucune théorie, il n'y a a priori aucune indication quant aux variables qui pourraient être retenues pour la construction d'un modèle; on est donc amené à utiliser des approches parfaitement exploratoires. Les deux grandes philosophies généralement suivies sont l'approche par le plus grand nombre d'indicateurs possibles et l'approche basée sur l'expérience. Les deux approches ont pour objectif de ne retenir que les indicateurs essentiels qui rendent la meilleure performance de discrimination dans le modèle de prévision de défaillance L'approche par le plus grand nombre d'indicateurs possibles La première approche consiste à oublier toute expérience en matière de prévision de défaillance qui pourrait biaiser le choix des indicateurs. L'approche se base sur la détermination du plus grand nombre d'indicateurs possibles. Ensuite, un premier tri des indicateurs non pertinents est effectué pour éliminer successivement ces indicateurs non pertinents du modèle pour s'approcher du modèle optimal L'approche basée sur l'expérience Dans cette deuxième approche, le choix des indicateurs se base sur l'expérience des analystes financiers et sur les résultats des recherches ou des modèles antérieurs. Il existe une multitude de modèles dont certains ont été publiés La technique de discrimination La troisième étape à l'élaboration et à l'utilisation de modèles de prévision de défaillance est le choix de la technique de discrimination à utiliser. Il existe plusieurs techniques qui peuvent être classées en deux grandes familles. Les approches paramétriques et les approches non paramétriques. Banques et PME - Quel crédit? Compte-rendu Page 14 sur 43

15 Les approches paramétriques Les approches paramétriques supposent que les indicateurs choisis respectent certaines lois statistiques qui malheureusement ne sont pratiquement jamais respectées. Les premières études en la matière utilisaient l'analyse factorielle discriminante. Aujourd'hui, l'utilisation de l'analyse logistique est plus répandue Les approches non paramétriques Les approches non paramétriques sont en général beaucoup plus gourmandes en temps de calcul mais ne nécessitent aucune hypothèse a priori sur la distribution statistique des variables utilisées. En ce sens, elles présentent un certain intérêt. Les techniques utilisées dans les années 80 ont été les méthodes de partitionnement récursif. Mais ces techniques ne se sont pas diffusées comme elles auraient pu l'être à cause de l'apparition des réseaux de neurones La validation du modèle La dernière étape dans l'élaboration et l'utilisation d'un modèle de prévision de défaillance est celle de la validation du modèle. Il s'agit simplement de déterminer la performance de discrimination du modèle finalement retenu pour définir si ce dernier peut être utilisé Validation sur un échantillon témoin Pour évaluer la performance discriminante du modèle, il faut tout d'abord prendre la précaution de tester le modèle sur un échantillon témoin qui n'a pas été utilisé pour la construction du modèle. Dans cette phase, on constate malheureusement assez souvent cette erreur: le modèle n'est pas testé avec un échantillon témoin mais avec l'échantillon initial qui servait de base pour la construction du modèle. Bien évidemment, dans ce deuxième cas, la performance discriminante est largement surévaluée. Il faut donc se méfier des modèles avec une performance discriminante trop élevée et bien analyser les conditions de validation. Banques et PME - Quel crédit? Compte-rendu Page 15 sur 43

16 Les erreurs de classement Le deuxième élément de validation est plus important. Il s'agit d'appréhender la qualité du modèle en tenant compte du coût d'erreurs qu'il peut engendrer. Les problèmes liés à ces erreurs de classement peuvent être illustrés par l'exemple ciaprès. Un test de validation d'un modèle est basé sur un échantillon témoin de 100 entreprises, dont 22 entreprises réellement défaillantes et 78 entreprises réellement saines. Ces entreprises sont alors analysées par le modèle de prévision de défaillance à valider qui classe de la manière suivante. Le modèle classe 17 entreprises des 22 réellement défaillantes correctement dans le groupe des entreprises défaillantes et 5 incorrectement dans le groupe des sociétés saines. Des 78 entreprises réellement saines, le modèle classe 28 entreprises incorrectement dans le groupe des sociétés défaillantes et 50 entreprises correctement dans le groupe des sociétés saines. Classement Entreprises Entreprises Total réellement défaillantes réellement saines Entreprises classées défaillantes par le modèle 17 Erreur Entreprises classées saines par le modèle Erreur Total Figure 2 L'erreur totale (erreur 1 et erreur 2) de classement en pour-cent se calcule à partir des entreprises incorrectement classées, dans l'exemple = 33, et du total des entreprises 100. Dans ce cas l'erreur totale est de 33%. L'erreur de la première espèce, l'erreur 1, résume les entreprises incorrectement classées par le modèle sur l'ensemble de l'échantillon des entreprises réellement défaillantes, ici l'erreur 1 est de 5 / 22 = 23%. Banques et PME - Quel crédit? Compte-rendu Page 16 sur 43

17 L'erreur de la deuxième espèce, l'erreur 2, défini les entreprises incorrectement classées par le modèle sur l'ensemble de l'échantillon des entreprises réellement saines, dans l'exemple l'erreur 2 est de 28 / 78 = 36%. La référence à utiliser pour la comparaison de l'erreur engendrée par le modèle serait un modèle complètement aléatoire, donc le pari sur pile ou face qui aurait une distribution théorique de 50%. Pour le constructeur et l'utilisateur d'un modèle de prévision de défaillance, il est donc important de savoir sur quel critère le modèle sera évalué et quel type d'erreur il s'agira de minimiser. Pour un prêteur de fonds, il est bien évident qu'il faut minimiser l'erreur du type 1, donc minimiser le risque d'accorder un crédit à une entreprise réellement défaillante, ce qui engendre la perte totale des fonds engagés si ces derniers n'ont pas été garantis. Il est vrai que de minimiser l'erreur 2 est moins importante. Ce sont des crédits que la banque aurait pu accorder alors qu'elle a refusé le crédit. Le type d'erreur 2 ne représente donc qu'un manque à gagner. Chaque erreur de classement engendre un coût par rapport à la mauvaise décision que l'on aurait prise. Il s'agit alors de minimiser ce coût causé par le classement incorrect des éléments. 3.2 Que nous apprend la recherche sur la prévision de défaillance? Tout d'abord la recherche devrait être apte à signaler les indicateurs pertinents à prendre en considération pour la construction d'un modèle de prévision de défaillance Les indicateurs de défaillance La recherche ne nous donne que des résultats très triviaux. Parmi ces résultats triviaux, on peut quand même retenir les grandes lignes suivantes. Il apparaît dans la plupart des modèles étudiés que les ratios de flux sont des indicateurs bien plus dominants que les ratios de stock. Les ratios de stock sont ceux directement obtenus à partir du bilan (dettes / actif total par exemple). Comme indicateurs de flux on pourrait citer les ratios qui déterminent la capacité de Banques et PME - Quel crédit? Compte-rendu Page 17 sur 43

18 l'entreprise à faire face à ses engagements, par exemple la capacité d'autofinancement sur l'endettement (CAF / endettement) ou l'excédent brut d'exploitation sur les charges d'intérêts (EBE / intérêts). L'autre type d'indicateurs comprend les ratios destinés à appréhender la rentabilité et la solvabilité d'une entreprise. La solvabilité est bien évidemment différente de la rentabilité propre ou économique de l'entreprise en question Sensibilité des modèles La recherche a bien montré que les modèles sont très sensibles aux secteurs d'activité. La détermination de l'homogénéité du secteur devient donc très importante; il est même souhaitable de construire un modèle de prévision de défaillance spécifique à chaque secteur d'activité. Les modèles sont aussi très sensibles à la conjoncture économique. Evidemment, pour une entreprise, être très endettée en phase de récession est bien plus dangereux que si elle se trouve dans un cycle de forte croissance et encore sur un marché porteur. La mortalité de ces modèles de prévision de défaillance est très élevée et on devrait les adapter quasiment en continu suivant les cycles économiques. La Banque de France a fait des recherches sur une modélisation du cycle conjoncturel. Suivant cette prévision du cycle conjoncturel, on choisirait donc un modèle de prévision de défaillance adapté. Mais ces recherches n'ont pas encore abouti à un résultat. Les modèles sont aussi très sensibles à la technique discriminante utilisée, ce qui peut engendrer des différences significatives dans les résultats. 3.3 La prévision de défaillance: une illustration Elf Aquitaine, qui fait appel à de nombreux transporteurs, voulait s'assurer de la fiabilité de ces derniers. De ce fait, Elf Aquitaine souhaitait établir un outil pour apprécier le degré de défaillance de ces transporteurs. Banques et PME - Quel crédit? Compte-rendu Page 18 sur 43

19 3.3.1 Le cadre utilisé pour l'établissement d'un modèle Cette étude porte sur un seul pays, la France, et sur un seul secteur d'activité, le secteur du transport. De plus l'étude est faite sur une période de trois ans, ce qui est une période extrêmement limitée en raison de la mortalité élevée d'un tel modèle. Le critère de défaillance qui a été retenu dans l'étude était aussi très limitatif. Une entreprise est jugée défaillante, si elle a effectivement été liquidée ou si elle a été victime d'un redressement judiciaire. Sur une population de 2'338 entreprises dans ce secteur, il n'y avait que 76 entreprises qui correspondaient aux critères de défaillance Les indicateurs du modèle Les indicateurs ont été fournis directement par les analystes de la société Elf Aquitaine. Les douze indicateurs se présentent de la manière suivante: R1 = CA / actif total R2 = dettes totales / actif total R3 = CAF / CA R4 = VRD / DCT R5 = BA II / intérêts R6 = EBE / actif économique R7 = BA II / actif total R8 = CA / immobilisations R9 = liquidités / actif total R10 = stocks / CA R11 = créances / CA R12 = log (actif total) Le log de l'actif total représente la taille de l'entreprise. Dans le secteur du transport, la taille est un indicateur jugé déterminant. La sélection des indicateurs a priori a été effectuée par rapport à l'expérience des spécialistes du crédit chez Elf Aquitaine. Banques et PME - Quel crédit? Compte-rendu Page 19 sur 43

20 3.3.3 La technique de discrimination utilisée Les deux techniques discriminantes, la régression logistique et le réseau de neurones qui dominent le marché, ont été retenues pour l'évaluation du modèle discriminant. Ceci pour pouvoir comparer les résultats des deux approches La régression logistique La régression logistique est une méthode qui consiste à calculer pour chaque entreprise un score Z qui est égale à une somme d'indicateurs comptables X i pondérés par les facteurs b i. Equation 1 Z = a + S b i X i La constante a et les coefficients de pondération b i sont déterminés en minimisant les carrés des erreurs du modèle. La probabilité de défaillance d'une société est calculée par la fonction logistique suivante: Equation 2 P = (1+e -Z ) -1 où le résultat P = 0 représente une société saine, donc une probabilité de défaillance de 0 et où P = 1 représente une probabilité de défaillance quasiment certaine. Ce type d'approche suppose que les douze indicateurs retenus aient certaines caractéristiques statistiques qu'elles n'ont pas Le réseau de neurones Un réseau de neurones est un ensemble de nœuds reliés par des interconnections qui portent des informations bien précises d'une couche de neurones à une autre. La saisie des informations de base, donc l'introduction des valeurs des indicateurs pertinents, est effectuée par la première couche. Chaque nœud reçoit une information, la traite par ses fonctions nodales et retransmet le résultat à la couche suivante. La dernière couche fournit le résultat final. Banques et PME - Quel crédit? Compte-rendu Page 20 sur 43

21 Réseau de neurones 1 ère couche de neurones N1 2 ème couche de neurones N4 3 ème couche de neurones N2 N5 N8 Inputs des indicateurs N3 N6 Output du résultat N7 Chaque nœud reçoit une information, la traite par ses fonctions nodales et retransmet le résultat à la couche suivante. Figure 3 Au départ, les pondérations des fonctions nodales sont définies arbitrairement. Le réseau de neurones est alors soumis à des itérations, dites des phases d'apprentissage, avec l'échantillon de construction connu. A chaque itération, une nouvelle pondération des fonctions nodales est calculée et retenue dans le système jusqu'à ce que la classification soit optimisée. Les itérations demandent un temps de calcul assez considérable. La méthode du réseau de neurones est une approche non paramétrique, de ce fait les variables utilisées n'ont pas besoin de suivre une distribution statistique particulière. Il n'existe pas une méthode spécifique pour la construction d'un réseau de neurones et on pourrait imaginer n'importe quelle architecture. Mais il faut être conscient que plus il y a de couches et de nœuds dans une couche, plus le temps de calcul est long. Dans l'exemple de Elf Aquitaine, les chercheurs ont testé plusieurs constructions de réseaux La capacité prédictive des modèles Pour l'élaboration des modèles logistiques et de réseaux de neurones, les constructeurs ont procédé à une sélection aléatoire de 45 entreprises défaillantes parmi 76 et de 135 entreprises saines parmi 2'338. Cette réduction de l'échantillon était nécessaire pour réduire le processus d'itération, donc le temps et le coût de calcul, des réseaux de neurones. Banques et PME - Quel crédit? Compte-rendu Page 21 sur 43

22 Ensuite, la capacité prédictive des modèles a pu être testée en utilisant les 31 entreprises défaillantes restantes et les 93 entreprises saines choisies au hasard parmi les 2'203 entreprises non encore utilisées pour l'élaboration du modèle. La performance de la capacité prédictive des modèles dépend du seuil discriminant (cut off point) à partir duquel une entreprise est considérée comme saine plutôt que défaillante. Si les modèles indiquent une probabilité de défaillance entre 0 et 1, alors le premier seuil à vérifier serait celui de 0,5. Dans ce premier cas, le modèle logistique ne reconnaît que 35% des entreprises défaillantes, mais reconnaît 93% des entreprises saines. Le modèle du réseau de neurones reconnaît 51% des entreprises défaillantes, donc a dans ce cas une performance supérieure au modèle logistique. En revanche, le modèle du réseau de neurones ne reconnaît que 82% des entreprises saines. Dans ce cas, la performance est inférieure au modèle comparé. Pour éviter un mauvais classement des entreprises défaillantes, le seuil discriminant a été diminué à 0,3. Le modèle logit reconnaît alors 68% des sociétés défaillantes mais ne reconnaît plus que 78% des sociétés saines. Si le seuil discriminant est diminué à 0,1, alors le modèle juge une entreprise saine comme exceptionnelle et a tendance à classer toutes les entreprises parmi les entreprises défaillantes. Dans ce cas, 94% des entreprises défaillantes ont été classées correctement alors que le système ne reconnaît plus que 32% des entreprises saines. La performance de la capacité prédictive des modèles en fonction du seuil discriminant: Cut off 0,5 Cut off 0,3 Cut off 0,1 Défaillantes Saines Défaillantes Saines Défaillantes Saines Logit 35% 93% 68% 78% 94% 32% Réseau de neurones 51% 82% 56% 78% 61% 72% Figure 4 En pratique, le risque d'une fausse décision est évitée par une classification des entreprises selon trois zones de résultat du modèle. La première zone ne définit que les entreprises saines et la deuxième zone ne reconnaît que les entreprises défaillantes. Le risque de se tromper sera alors limité par la zone intermédiaire aux Banques et PME - Quel crédit? Compte-rendu Page 22 sur 43

23 deux premières, donc la zone grise, dans laquelle on décidera de soumettre l'entreprise à une analyse financière par un spécialiste et on ne s'appuiera pas sur le résultat du modèle. Ces modèles sont des outils d'aide à la décision et n'ont pas pour objectif de prendre automatiquement la décision. Cette dernière devrait rester dans la compétence des analystes financiers. 3.4 En guise de conclusion Un utilisateur doit être prudent quant à l'utilisation de ces outils d'aide à la décision et il doit s'assurer d'un certain nombre de précautions à la construction de tels modèles. Il doit aussi se rendre compte de la sensibilité de ces modèles et être averti que la prévision peut s'écarter sensiblement de la réalité, surtout lors de changements conjoncturels. Souvent on retrouve sur le marché des modèles avec une performance de prévision très élevée. Il faut alors vérifier si ce taux a été atteint avec l'échantillon de construction ou avec un échantillon témoin. Les modèles de prévision de défaillance ne peuvent évidemment pas recenser la totalité des facteurs essentiels touchant directement ou indirectement l'entreprise. Par exemple, les modèles font abstraction complète du degré de spécificité des actifs alors qu'un créancier va en tenir compte. Il est bien clair que les actifs polyvalents se trouveraient sur un marché secondaire alors que des actifs très spécifiques ne pourraient être vendus que très difficilement. Un modèle ne tient pas compte non plus des opportunités de croissance d'une entreprise, ce qui peut être essentiel dans un secteur donné. Considérons par exemple le secteur du e-business qui se développe très rapidement. Il n'est pas possible d'évaluer une telle entreprise sur des facteurs observés aujourd'hui alors que sa situation se modifie profondément dans l'avenir. Banques et PME - Quel crédit? Compte-rendu Page 23 sur 43

24 4 Un crédit est un crédit!? par Madame Anne-Claude Rouiller sur la politique et la méthode d'évaluation des crédits au sein de la banque Credit Suisse. 4.1 Principes de la politique d'octroi de crédit La politique d'octroi de crédit est la base qui définit le comportement global de la banque en matière de crédit. Ainsi, la politique de crédit a pour objectif de créer une unité de doctrine assurant une évaluation correcte et uniforme des affaires de crédit. La méthode d'analyse et d'évaluation sera donc la même pour tous les clients en Suisse. Cette politique de crédit comprend l'identification, la mesure et la gestion des risques encourus. Chaque octroi de crédit est subordonné à un examen approfondi de l'honorabilité et de la solvabilité du débiteur, des capacités de management, du marché et des prévisions. L'analyse des couvertures ne se fait qu'en deuxième phase. L'unité de doctrine sert également à comprendre les risques et à anticiper tout changement possible du niveau de risque du client. Cette surveillance en permanence est donc nécessaire si la banque veut prendre des mesures correctives suffisamment tôt lors d'un changement du niveau de risque constaté chez le client. 4.2 Le système de rating au Credit Suisse Jusqu'en 1995 les crédits étaient classifiés selon quatre groupes de risques ce qui déterminait le mode de surveillance. Alors que le rating est connu depuis plusieurs décennies par les évaluations de Moody's ou Standard & Poor's pour le marché des capitaux, le principe d'évaluation par le rating a été instauré en 1996 au Credit Suisse pour le marché des crédits. Cette procédure a pour objectif d'évaluer chaque client de crédit et de le classer dans le niveau de risque respectif. Le Credit Suisse connaît huit classes de risques, de R1 à R8. Le niveau R1 représente un risque de défaillance du débiteur très faible alors que la classe R8 représente une défaillance du client quasiment certaine à court terme. Banques et PME - Quel crédit? Compte-rendu Page 24 sur 43

25 Système de rating au Credit Suisse Principe: un rating est attribué à chaque débiteur en fonction de sa solvabilité et de son honorabilité Rating du Credit Suisse Rating de Moody s Risque restreint Risque moyen Risque élevé R1 R2 R3 R4 R5 R6 / R7 R8 Aaa Aa1, Aa2, Aa3 A1, A2, A3 Baa1, Baa2, Baa3 Ba1, Ba2, Ba3 B1, B2, B3 Caa, Ca, C investment grade subinvestment grade Figure La détermination du rating du client Dans la détermination du rating, il y trois analyses essentielles à faire. Premièrement l'évaluation quantitative, ensuite l'évaluation qualitative et finalement le rating de la branche. Ces évaluations forment ensemble le rating global de l'entreprise sous analyse L'évaluation quantitative L'évaluation de ces "hard factors" se base essentiellement sur des indices financiers historiques, bien que l'on essaie d'apporter aussi des indices prévisionnels. La banque prend donc simplement des indicateurs financiers pertinents extraits des états financiers des sociétés et les soumet à une analyse horizontale (temporelle) et verticale (comparaison à des indices normatifs de la branche et par rapports aux prévisions). Les indicateurs sont choisis de telle manière qu'ils apportent des informations pertinentes sur la situation des recettes, de la solidité du bilan, de la force de financement, du degré de couverture des intérêts et de la capacité de remboursement de la société. Banques et PME - Quel crédit? Compte-rendu Page 25 sur 43

26 Dans l'évaluation quantitative de la société, il y a aussi des éléments qualitatifs à évaluer, par exemple la marche des affaires, les prévisions ainsi que la plausibilité du budget. Les sources pour une évaluation quantitative ne sont pas seulement les états financiers cités auparavant, mais aussi les budgets, les plans d'investissements, le budget de trésorerie et les entretiens avec la direction de l'entreprise ou sa fiduciaire L'évaluation qualitative La détermination des "soft factors" se base d'abord sur l'analyse de la direction de la société. La transparence dans la politique d'information de la société, notamment envers la banque, est jugée primordiale. Mais la direction est aussi jugée sur sa capacité de management, de stratégie d'entreprise et de la gestion comptable. Ces informations sont principalement recueillies lors des entretiens entre le représentant de la banque et le client, mais aussi par le biais du registre du commerce, des organigrammes et d'autres documents internes de l'entreprise. Un autre aspect important dans l'évaluation qualitative est celui de l'analyse de la société elle-même. Dans cette analyse, le banquier cherche à qualifier les compétences de base, les avantages stratégiques et les risques de l'entreprise. Ainsi on passe sous revue les facteurs tels que produits et prestations, positionnement sur le marché, organisation, risques écologiques et technologiques, structure des coûts, emplacement, dépendances, organe de révision et d'autres aspects particuliers relatifs au client par exemple. Banques et PME - Quel crédit? Compte-rendu Page 26 sur 43

27 4.3.3 Le rating de la branche L'évaluation de la branche est faite par des spécialistes de la banque. Ces spécialistes se basent sur les données économiques de l'office fédéral de la statistique, des associations ou offices du secteur industriel et aussi sur les données du portefeuille interne de la banque. Les données économiques prises en considération pour le rating de la branche sont par exemple: le potentiel de croissance la volatilité de croissance la valeur ajoutée par habitant la rentabilité la productivité les coûts la compétitivité les informations sur les balances commerciales Le rating de la branche n'entre dans la pondération du rating global du client que pour 16%. 4.4 L'alarme avancée Pour la phase de la surveillance du crédit, le Credit Suisse est en train de développer un système d'alarme avancée ou de détection précoce. Cette procédure saisit systématiquement des indicateurs pertinents du client par l'intermédiaire d'un outil informatique et met en évidence ou anticipe tout changement dans le rating, donc du niveau de risque, du client. La mise en place de mesures correctives est bien sûr l'objectif de cette détection avancée des risques. Les outils mis à disposition pour cette détection précoce sont l'analyse par réseau de neurones du bilan et l'analyse des comptes. Banques et PME - Quel crédit? Compte-rendu Page 27 sur 43

28 4.4.1 L'analyse par réseau de neurones du bilan Le système d'analyse par réseau de neurones du bilan utilisé au Credit Suisse est une méthode permettant d'estimer de manière informatisée la solvabilité future d'une entreprise avec une fiabilité d'environ 90% jusqu'à trois années à l'avance. Le développement de ce système a demandé deux ans de travail et l'échantillon de base n'a été constitué que d'entreprises suisses du portefeuille du Credit Suisse. Réseau de neurones utilisé au CS Inputs des indicateurs Revenu Etat de la fortune Situation financière 1 ère couche de neurones N1 N2 N3 N4 N5 N6 N7 N8 N9 N10 N11 N12 N13 N14 N15 N16 2 ème couche de neurones Output du résultat N17 3 ème couche de neurones Figure 6 Les indicateurs de base servant le système sont au nombre de douze, regroupés par indicateurs de revenu, de l'état de la fortune et de la situation financière. Le réseau de neurones présente une architecture par trois niveaux de couches. Les informations des douze indicateurs sont traitées de telle manière à ce que le système puisse dégager une seule valeur représentative du niveau risque de l'entreprise. Cette méthode est transparente aux responsables de crédit et client, c'est-à-dire que ces derniers connaissent et comprennent les douze indicateurs de base nécessaires au calcul. Banques et PME - Quel crédit? Compte-rendu Page 28 sur 43

29 4.4.2 L'analyse des comptes Le deuxième système de détection précoce du risque qui vient d'être installé au Credit Suisse se repose aussi sur les informations historiques. Ce système compare les mouvements et les situations de compte en fonction du temps et toute situation anormale est signalée sans retard. Les données de base servant ce système sont par exemple le trafic des paiements, le nombre et la durée des dépassements et les comparaisons des mouvements créanciers sur le compte. Ces données sont disponibles instantanément. Finalement ces anomalies détectées sont pondérées en fonction du risque qu'elles représentent et concentrées en un seul indice. Par exemple les informations des comparaisons des mouvements des comptes donnent une information plus importante que la durée d'un dépassement d'une limite de crédit. 4.5 Un crédit n'est pas un crédit ou les conséquences du rating Le rating du client est la base de la gestion des crédits et règle les compétences pour le traitement de ce dernier. Le niveau de risque du crédit va donc déterminer le niveau hiérarchique compétent et responsable du dossier. Evidemment, le niveau du rating est aussi déterminant du montant maximum, de la durée maximum et du prix d'un crédit. Au niveau de la gestion interne, un crédit évalué risqué sera surveillé de manière plus fréquente. La politique de portefeuille de crédit ainsi que la détermination des provisions nécessaires par rapport à ce portefeuille est aussi directement lié au rating. 4.6 Conclusion Les modèles déterminant le rating du client ne sont que des outils d'aide à la décision. En aucun cas ces outils ne remplacent les responsables de crédits ou de clients et ne prennent des décisions à leur place. Banques et PME - Quel crédit? Compte-rendu Page 29 sur 43