Scoring crédit: une application comparative de la régression logistique et des réseaux de neurones

1.2. Problème de recherche et résultats attendus

Nous considérerons la problématique de recherche, ainsi que le recommande GAYE (2004) dans son « Cours de Méthodologie de la Recherche en Sciences Sociales » p.29, comme l'ensemble de l'exercice de réflexion qui inclut les étapes ou points suivants :

F le thème de recherche qui nous intéresse;

F la pertinence du thème à travers la préoccupation des chercheurs et/ou des décideurs ;

F le problème général et/ou la question générale de recherche en rapport avec le thème de recherche ;

F un cadre conceptuel établissant les théories modèles ou relations présupposées ;

F le problème spécifique est déterminé ;

F la question spécifique est clairement formulée pour orienter la collecte de données dont la réponse permettra de résoudre le problème spécifique ;

F des hypothèses clairement construites.

Nous avons choisis de travailler sur le thème du risque de crédit bancaire chez la cible PME/PMI. Plus concrètement, le sujet faisant l'objet du présent mémoire nous amènera à identifier, expliquer et prévoir les déterminants du risque de crédit chez les PME, grâce à une application comparative de la régression par la modélisation statistique (régression logistique) et par l'intelligence artificielle (réseaux de neurones). Pour appliquer notre recherche, nous nous appuierons sur l'historique client d'une Mutuelle d'Epargne et de Crédit (MEC) Sénégalaise qui s'appelle UMECUDEFS (Union des Mutuelles d'Epargne et de Crédit de l'UNACOIS).

La pertinence du sujet, ainsi que nous l'évoquions supra, peut être appréciée d'un point de vue scientifique tout d'abord, mais aussi et surtout d'un point de vue pratique. Pour les chercheurs d'abord, cette étude pourrait revêtir à notre sens un double intérêt. Le premier tient à la comparaison des capacités prédictives de deux techniques relativement récentes et non moins à la pointes. Nous serons amenés, grâce aux modèles de prévision issues de la modélisation statistique et de l'intelligence artificielle, à contribuer au débat actuel cherchant à trancher entre les décisions s'appuyant sur les espaces fonctionnels (le raisonnement logique formel) et celles s'appuyant davantage sur la perception et l'apprentissage automatisé. En effet, au sortir de cette étude seul le modèle le plus robuste sera retenu afin de constituer la fonction score recherchée. Le second intérêt de cette étude, à l'endroit des chercheurs est de contribuer à savoir dans quelles mesures les modèles de score s'appuyant uniquement sur des bases quantitatives, voire uniquement financières, sont pertinents ou non, dès lors que l'analyse porte sur des PME issues des pays du Sud.

Pour ce qui concerne les décideurs de l'UMECUDEFS, en plus des points que nous avons déjà évoqué supra (cf. justification de l'étude), nous pouvons préciser que le souci de gestion au quotidien est de pourvoir minimiser la sélection adverse afin de préserver la viabilité financière, dans le contexte de ce que Morduch (2000) a nommé le « schisme de la microfinance »^22(*). Pouvoir adapter les taux d'intérêt et les rendre flexibles aux conditions d'octroi de crédit aux PME est une question à la fois délicate au plan pratique, et sensible si l'on considère les enjeux financiers engagés. Ainsi, les banquiers et les micro-préteurs ont tendance à se protéger en adoptant une stratégie de sélection adverse en majorant les taux d'intérêt, compte tenu de la visibilité limitée sur les capacités de remboursement de ses clients. Or il est maintenant établit que seuls les promoteurs de projets les plus risqués acceptent de contacter à des taux d'intérêts relativement élevés. La conséquence d'une telle stratégie de couverture de la part des préteurs est de ne finalement financer, malgré eux, que les dossiers présentant le plus de risques de défaillance. Par ailleurs, une autre préoccupation des décideurs de l'UMECUDEFS reste la réduction et l'optimisation du temps d'analyse et de traitement d'une demande de crédit, face à des flux hebdomadaires relativement importants et à une concurrence contraignante.

Notre problème général de recherche s'est largement inspiré de ces préoccupations à la fois scientifiques et managériales. Il est dans ce sens question pour nous d'améliorer notre connaissance sur les facteurs qui influencent le risque de crédit bancaire chez les PME, mais aussi sur les techniques qui permettent d'appréhender un tel risque. D'une manière générale donc, nous sommes posés la question suivante : Quels sont les déterminants d'une défaillance de remboursement lorsqu'une PME contracte un crédit ?

Pour répondre à cette question, la littérature fait état de certains éléments de réponse. Par exemple, les principaux chercheurs qui ont tenté de modéliser le non-remboursement (ou le risque que l'on peut y associer) se sont basés sur des déterminants de type comptable et financier dans les entreprises évaluées. C'est le cas des modèles de Altman, Conan-Holder, AFDCC, Banque de France pour ne citer que ceux-là. La logique de ces modèles est que le non-remboursement d'un crédit contracté par une PME est intimement lié à son risque de défaillance (son analogue juridique est la faillite). Pour eux, si on peut prédire la probabilité de faillite d'une entreprise grâce à certains indicateurs (ratios financiers), alors on peut en déduire le risque de contrepartie associable à la demande de crédit formulée par cette entreprise. Seulement cette vision semble réductrice et simpliste. En fait, il y'a des chances qu'une PME soit confrontée à des difficultés de remboursement, même si au plan strictement comptable ses indicateurs n'en présagent rien (les données comptables peuvent être falsifiées dans ce genre d'entreprises). De plus dans le contexte africain, la plus grande partie des PME évoluent dans le secteur informel, c'est-à-dire qu'elles ne peuvent produire, même si elles le souhaitaient, des états financiers crédibles.

Pour ce qui concerne la mesure et la prévision des déterminants du risque de crédit bancaire des PME, la principale technique utilise dans la littérature est l'analyse discriminante, parfois l'arbre de décision. Cependant d'autres techniques d'analyse et de prévision dans le vaste champ des méthodes statistiques sont de plus en plus utilisées. Au titre de celles-ci on relève le succès de plus en plus grandissant de la fonction gaussienne du modèle LOGIT, mais aussi du recours aux algorithmes d'apprentissage par les réseaux de neurones artificiels (RNA).

Sous ce rapport, notre problème spécifique de recherche consiste à interroger d'autres déterminants que les indicateurs financiers pour expliquer le risque de crédit bancaire chez les PME africaines notamment, et à envisager d'autres techniques que l'analyse discriminante pour expliquer et prévoir le risque de contrepartie (ou de non-remboursement) chez les PME. Ce problème est d'autant plus orienté au cas spécifique des PME africaines dont l'information comptable et financière n'est que très peu souvent disponible. Nous nous appuierons sur le Sénégal pour ce faire, en nous interrogeant de la façon suivante : Les ratios financiers sont-ils les véritables déterminants significatifs dans le dénouement d'un prêt bancaire contracté par une PME sénégalaise ? Une méthode de prévision de tels déterminants par modélisation statistique est elle plus fiable que par intelligence artificielle ?

* ²² Il est en fait question de choisir entre privilégier les résultats financiers et comptables de l'IMF pour une pérennisation profitable à tous, ou bien mettre en avant la rentabilité sociale en termes de réduction de la pauvreté en assumant les risques de portefeuille médiocre pouvant entraîner la fermeture de l'IMF. Même si la question n'est pas tranchée entre les institutionnalistes (tenants de la viabilité) et les welfaristes (tenants de la rentabilité sociale), notre étude s'inscrit dans la ligne des premiers cités.