La prévision de la faillite fondée sur l?analyse financière de l?entreprise : un état des lieux

La prévision de la faillite fondée sur l’analyse financière de l’entreprise . un état des lieux Catherine La prédiction de la faillite des entreprises fait l’objet de nombreux travaux empiriques, depu•s une trentaine d’années. Elle se fonde sur l’analyse économique et financière d’entreprises défaillantes et d’entreprises non déf principalement comp distinguent au mieux proposons un état d compte de l’efficacité 6 S. v. p next page iner les variables, Irmes. Nous méthode de classification utilisées.

Dans ce but, nous exposons la démarche commune tout en mettant en évidence les différentes modalités d’application mpirique. Nous présentons le principe des techniques disponibles et une comparaison de leur performance, en mettant l’accent, de manière non exhaustive, à la fois sur les études fondatrices et sur les études les plus récentes. (*) Université paris IX Dauphine — CERPEM CREFED. E-mail : catherine. refait@dauphine. fr Je tiens à remercier Mme. Bardos pour ses précieuses remarques.

Merci également au rapporteur anonyme qui m’a permis d’améliorer la qualité de mon travail. Je demeure seule responsable du contenu de cet article. u sceptiblederencontrer. Actuellement le problème se pose aux banques avec ne acuité particulière. Dans le cadre du Comité de Bâle et du ratio Mac Donough, les banques se devront en effet de proposer une évaluation systématique des risques qu’elles encourent. Ceci implique notamment une estimation précise de la probabilité de défaut de leurs clients entreprises, donc un éventuel remaniement de leurs méthodes d’évaluation (Altman, 2002).

Si l’analyse des causes de la faillite est plus ancienne, sa prédiction, c’est-à-dire l’évaluation quantitative du risque de défaillance, s’est principalement développée à partir de la fin des années soixante(l). L’approche la plus fréquente consiste à recourir ? l’analyse financière afin de déterminer les variables, principalement comptables, qui différencient au mieux les entreprises défaillantes et les entreprises non défaillantes.

L’objectif est d’établir une relation statistique stable entre les variables explicatives retenues et l’appartenance des entreprises à l’un des deux groupes. Différents outils sont à la disposition des auteurs, dont le plus fréquemment utilisé est l’analyse discriminante linéaire, mais les méthodes alternatives sont nombreuses. L’objet de cet article est de présenter de manière ynthétique les évolutions et la situation actuelle de la recherche, tant exploratoire qu’opérationnelle, en ce domaine.

En proposant une explication succincte des différentes techniques utilisées et une comparaison des résultats obtenus, il souhaite offrir une vue d’ensemble des problèmes soulevés par la prédiction de la faillite. Il ne constitue cependant pas un recensement exhaustif des études réalisées. Non seulement un tel recensement eut été très difficile ? réaliser 2 OF SE exhaustif des études réalisées. Non réaliser compte tenu du nombre élevé de ces études, ais en plus il nous a semblé plus intéressant de mettre l’accent sur certains travaux représentatifs.

Cet article s’inscrit donc dans la lignée de travaux tels que ceux de Malécot (1986), Dumontier (1991), voire Altman et Narayan (1997). Le développement récent de nouvelles méthodologies fondées sur l’intelligence artificielle et l’importance de leurs applications justifient qu’un nouvel état des lieux soit réalisé. Nous proposons à la fin de l’article un tableau récapitulatif des principales études citées, en privilégiant celles qui permettent une comparaison rigoureuse des différentes techniques disponibles.

La première partie expose la méthodologie commune à l’ensemble des travaux considérés mais aussi les différentes modalités d’application empirique, dans la construction de l’échantillon, le choix des variables explicatives et la méthode de 130 validation des résultats. La deuxième partie met ensuite l’accent sur la variété des techniques de classification utilisées : les méthodes statistiques paramétriques et non-paramétriques ainsi que les méthodes d’intelligence artificielle.

Nous concluons en proposant une synthèse de l’efficacité de chacune des techniques présentées. Démarche commune et différentes odalités d’application empirique Depuis les travaux de Tamari (1 964), de nombreux auteurs ont tenté avec succès d’évaluer le risque de défaut des entreprises en r leur analyse 3 OF SS diverses études est similaire : exploiter la connaissance ex post de l’avenir des entreprises. Les auteurs disposent des données comptables d’entreprises dont ils savent si elles ont été ou non défaillantes à la fin de la période d’observation.

Ils paNiennent ainsi à sélectionner les variables comptables les plus discriminantes puis à établir une relation statistique entre ces variables et l’état dichotomique d’être ou e ne pas être défaillant. Une probabilité de faillite est parfois également estimée. La qualité de l’indicateur de risque ainsi élaboré est jugée au regard des erreurs de classement : quel est le pourcentage d’entreprises défaillantes considérées comme saines — erreur de type I – et, inversement, quel est le pourcentage d’entreprises non défaillantes considérées comme risquées – erreur de type Il ?

Quatre étapes successives sont ainsi nécessaires à la prévision de la faillite : la construction d’un échantillon, c’est-à-dire la sélection d’entreprises, la sélection a priori des ariables explicatives de la faillite, le choix du mode de classification des entreprises entre le groupe des défaillantes et celui des non-défaillantes que nous traiterons de façon détaillée dans la deuxième partie, enfin l’estimation de la qualité de la prévision effectuée.

Nous explicitons ces étapes afin de mettre en évidence les distinctions entre les différentes études. La construction de l’échantillon L’élaboration de l’échantillon joue un rôle important dans la qualité de la prévision proposée. En premier lieu, la définition de la défaillance et le choix de ‘horizon de prévision par les auteurs sont cruciaux, car ils déterminent l’objectif de l’indicateur construit ainsi que la sélec prises qui 4 OF SE l’objectif de l’indicateur construit ainsi que la sélection des entreprises qui constituent l’échantillon utilisé.

Le choix des caractéristiques des entreprises sélectionnées est également primordial, puisqu’il conditionne l’homogénéité et la représentativité de Péchantillon et influence donc la qualité de la prévision. Définition de la défaillance et choix de l’ horizon de prevlslon La définition de la défaillance est primordiale dans la onstruction de l’échantillon, puisqu’elle caractérise les deux populations qui fondent l’indicateur de risque.

En effet, à partir d’un échantillon global d’entreprises, deux sous-échantillons doivent être construits : l’échantillon des entreprises dites « défaillantes » et l’échantillon des entreprises dites « nondéfaillantes ». La détermination de ce qu’est une entreprise défaillante est un problème délicat, susceptible de nuire à la robustesse de l’indicateur. La majorité des auteurs considère la défaillance comme l’ouverture d’une procédure judiciaire(2).

Cependant, certains auteurs considèrent comme défaillante » toute entreprise qui a connu un défaut de paiement, arguant que cet événement en lui-même préoccupe les créanciers. Le comité de Bâle met en effet l’accent sur l’estimation du risque de défaut et non sur celle du risque de faillite. La définition du défaut de paiement peut prendre plusieurs formes. Généralement, le risque de défaut réside en le non-respect par le débiteur de ses obligations financières : non-remboursement du capital ou non-versement des intérêts, violation d’un covenant(3).

Mais la définition eut être plus large et consister en une dégradat- té de s OF SE l’entreprise : restructuration de la dette, diminution des dividendes versés, voire avis défavorable d’un audit ou encore détérioration du rating du débiteur. Plusieurs possibilités sont alors envisageables. La plus traditionnelle consiste à opposer les entreprises qui ont fait l’objet d’une procédure collective aux autres entreprises. Il est également possible d’opposer les entreprises qui ont connu un défaut de paiement, y compris celles qui ont fait faillite, aux autres (Beaver, 1966).

Au contraire, d’autres auteurs limitent l’échantillon des entreprises « défaillantes » ? celles qui ont fait faillite. Ils excluent alors de la population des entreprises « non défaillantes » celles qui présentent une santé financière fragile — les entreprises répondant à un critère plus large que le simple défaut de paiement – afin d’obtenir une discrimination plus marquée (Altman et Loris, 1976 ; Altman, 1977 ; Taffier 1982). La qualité de la prévision n’est cependant pas accrue de manière significative.

Une dernière approche a été envisagée : prévoir l’ouverture d’une procédure judiciaire, mais en sélectionnant exclusivement pour les deux sous-échantillons des entreprises qui ont onnu des défauts de paiement (Flagg et alii, 1991) ou plus généralement des entreprises vulnérables. La qualité de la prévision peut se trouver affaiblie(4) ? cause de la plus grande similitude des deux sous-échantillons(5). Parallèlement à la définition de la défaillance, le choix de l’horizon de prévision est important.

Il conditionne la date de la défaillance des entreprises et la date des données qui vont fonder la discrimination, l’écart de tem s entre les deux étant l’horizon de prévision. Un faire entre 6 OF SE les deux étant l’horizon de prévision. Un arbitrage est à faire entre ne échéance trop proche, dont l’intérêt est limité car elle n’autorise pas les décisions à même de limiter les pertes, voire d’éviter la faillite, et une échéance trop lointaine, qui interdit une prévision précise.

Les études différent légèrement sur ce point, mais très généralement, deux horizons sont choisis : un an et trois ans avant la défaillance. Les caractéristiques des entreprises : représentativité et homogénéité de l’échantillon La construction des deux sous-échantillons pose le double problème de la représentativité et de l’homogénéité des deux sous-échantillons.

Afin que l’indicateur de risque puisse être appliqué à une entreprise quelconque, l’échantillon à partir duquel il est établi doit être représentatif de l’économie : du point de vue des secteurs d’activité, de la taille des entreprises mais également du rapport entre le nombre d’entreprises défaillantes et d’entreprises non-défaillantes. Cependant, cette représentativité crée une hétérogénéité qui est susceptible de créer un biais statistique : des facteurs explicatifs peuvent être masqués par des effets sectoriels ou des effets de taille.

Afin de concilier ces deux exigences et ‘améliorer la prédiction de la défaillance, plusieurs solutions ont été préconisées. Soulignons en premier lieu que le problème ne se pose pas de manière identique selon la taille de l’échantillon. Si les premières études, de nature plus exploratoire, recouraient à un nombre restreint d’entreprises (66 pour Altman, 1968, par exemple), les études actuelles se fondent sur de larges échantillons (presque 1 000 entreprises pour Lennox, 1999, et plus de 40 000 our le score de la Banque de France, cf.

Bar OF SS pour Lennox, 1999, et plus de 40 000 pour le score de la Banque de France, cf. Bardos, 1 998, par exemple). Lorsque le nombre d’entreprises exploitées est élevé, une bonne représentativité est possible. Elle doit cependant être vérifiée par la comparaison entre les caractéristiques de l’échantillon et celles de la population globale. Une autre manière d’obtenir un échantillon représentatif est de limiter la portée de l’indicateur à une population cible, définie par un secteur économique limité ou un intervalle restreint de taille des entreprises.

Les entreprises de l’échantillon se situent alors dans ce secteur économique ou dans cet intervalle de taille (Trieschmann et Pinches, 1973 ; Altman, 1977 ; Altman et Lons, 1976 ; calia et Ganuci, 1997). Cinconvénient d’une telle méthode est qu’elle exige que soit élaboré un indicateur par secteur et par taille. Se pose alors le problème du choix d’agrégation des secteurs économiques et de l’ampleur des intervalles de taille. Comment estimer le degré optimal d’homogénéité de Péchantillon ? Cependant, cette méthode présente l’avantage certain de concilier représentativité et homogénéité.

Si un échantillon hétérogène est utilisé, comment éviter le biais statistique qui en découle ? Une première possibilité est futilisation de « ratios relatifs ». Rapporter la valeur prise par un ratio dans une entreprise donnée à sa valeur moyenne au sein du secteur considéré permet en effet d’atténuer la spécificité sectorielle (Lev, 1969 ; Izan, 1984, ou encore Platt et Platt, 1990). Platt et Platt (1991) élaborent deux indicateu mêmes 8 OF SS l’autre les ratios absolus. Le premier est plus performant (cf. tableau récapitulatif).

Néanmoins, peut-être à cause de sa lourdeur, comme le supposent les auteurs, cette solution est peu utilisée. La méthode la plus usitée consiste à procéder par appariement, en faisant correspondre à toute entreprise défaillante une ntreprise non-défaillante de même taille et appartenant au même secteur économique (Mossman et alii, 1998). Lorsqu’une contrainte relative à la disponibilité des données existe, cette méthode est celle qui réduit au mieux le biais statistique lié à l’hétérogénéité de la population.

L’inconvénient est que l’échantillon des entreprises défaillantes est alors nécessairement de la même taille que celui des entreprises non-défaillantes : un autre biais peut apparaitre dans l’estimation des paramètres, car la structure de la population globale n’est pas respectée (Malécot, 1986). Ce problème se pose d’ailleurs quel que soit le mode d’échantillonnage à cause de la rareté de la défaillance. Or le résultat de certaines techniques de classification dépend de la taille respective des deux échantillons(6).

Afin de limiter ce biais, il est possible – sauf pour la méthode d’appariement – de rendre le rapport de taille des deux échantillons conforme à la probabilité de défaillance a priori. Cette probabilité correspond au taux de défaillance de la population globale ou de la population cible. Il est néanmoins plus fréquent(7) que le biais créé soit corrigé lors de ‘élaboration de l’indicateur, en tenant compte alors de la probabilité de défaillance a priori. Le choix des ratios explicatifs de la défaillance La prévision de la défaillance est réalisée à partir de données comptables, parfois des données de marché(8).

Une premi E est réalisée à partir de marché(8). Une première sélection est réalisée a priori, afin de n’envisager que des variables considérées par les analystes financiers comme représentatives de la santé d’une entreprise (en général une cinquantaine). Puis, grâce aux techniques de classification statistique, une seconde élection est opérée afin de ne consewer qu’un nombre réduit de variables, les plus discriminantes (entre 1 – Beaver, 1966 – et 20 – Calia et Ganuci, 1997) Les variables explicatives retenues, majoritairement des ratios comptables, sont diverses.

Rose et Giroux (1984) en ont recensé plus de 130 différentes. Cependant, les caractéristiques des entreprises prises en compte sont généralement similaires. 132 Conformément à l’enseignement de ranalyse financière, la rentabilité de l’entreprise (économique ou financière), la structure de son bilan et sa capacité de remboursement sont les trois éléments les plus orrélés à la défaillance.

La rentabilité économique met en relation une variable de résultat économique avec l’actif total, le capital engagé(9), les immobilisations productives ou le capital économique(10). Le résultat considéré peut être le résultat d’exploitation (Altman, 1968 ; Taffler, 1982 ; Flagg et alii, 1991 ; Michalopoulos et alii, 1993), le résultat global – pour la mesure du return on assets par exemple (Weiss, 1996) – ou le résultat net (Burgstahler et alii, 1989 ; Calia et Ganugi, 1997). La rentabilité financière met en rapport une variable de r apital 0 OF SS