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

F La description et l'explication : nous sommes intéressés par la distribution des clients (PME) au sein des « bon clients » et des « mauvais clients » de l'UMECUDEFS. En sus de la description nous avons un objectif additionnel qui est de faire une assertion sur une telle distribution. En pratique il s'agira d'examiner les relations entre le dénouement des crédits octroyés (remboursés in fine ou non), et les variables que nous avons prédéfinies. L'optique est de tenter d'expliquer pourquoi certaines PME ont plus de chances de rembourser que d'autres ;

F La prédiction : A partir de notre description-explication, nous tenterons de prédire l'issue d'un échantillon de dossiers tests prévus à cet effet. L'idée est de pouvoir produire un modèle de régression capable de prévoir le risque inhérent à un dossier de demande de crédit, sur la base d'une pondération de la valeur de ses caractéristiques.

Au plan opérationnel, les objectifs de notre présente étude se présentent comme suit :

Objectif Général

Mise en place d'un modèle de prévision du risque de crédit, dit « modèle de score », chez la clientèle PME/PMI de l'UMECU

Objectif Spécifique I

(OS 1)

Explication des déterminants de la distribution des dossiers de demande de crédit PME, en fonction de leur remboursement ou de leur non-remboursement, chez l'UMECU entre 200 et 2007.

Objectif Spécifique II

(OS 2)

Prédiction du dénouement d'un échantillon test et définition d'une équation de régression à cet effet.

2.3- Hypothèses et indicateurs

Notre étude est basée sur une seule hypothèse principale qui est de type co-ralationnelle, et une hypothèse secondaire qui est de type mathématique.

2.3.1) Hypothèses de recherche et cadre opératoire

Hypothèse 1: En dehors des ratios financiers, les données démographiques du dirigeant, l'expérience du dirigeant en matière de crédit, la forme juridique de la PME, le secteur d'activité, le type de garantie, le facteur temps et le montant de la demande de prêt influencent le risque de crédit de manière significative.

Hypothèse 2: un modèle de prévision du risque de crédit bancaire des PME chez l'UMECU par la régression logistique a de meilleures performances prévisionnelles qu'un modèle de prévision par la régression neuronale.

La présente étude a pour objet de mettre en place un algorithme de scoring crédit qui sera du type score d'octroi (ou d'acceptation), type que l'on définit comme le score de risque calculé pour un client (ancien ou nouveau) qui sollicite un crédit. Une telle étude, puisque descriptive et prédictive, se fait sur la base de l'historique clients des 2 ou 3 dernières années de l'entreprise qui souhaite scorer ses futurs demandeurs de crédit.

Ainsi, en vue de la constitution de cette base de données historisées devant servir à « entrainer » les différents modèles de prévision retenus pour l'étude de scoring, il sera nécessaire de disposer d'un certain nombre d'informations sous formes de données qualitatives (catégorielles) et quantitatives (numériques). Ces données constitueront « l'échantillon d'apprentissage » et seront classées selon une nomenclature divisée en 4 axes descriptifs-prédicteurs sensés décrire la PME (personne morale ou physique), encore appelé le demandeur de crédit:

Les concepts issus de ces axes, évoqués dans les hypothèses, sont déclinés en indicateurs qui permettent de les mesurer (Cf. Tableau ci-dessous). Le périmètre de la clientèle à scorer définit par conséquent les aspects suivants :

§ Population Cible : les PME qui ont sollicité un crédit durant les 3 dernières années, et dont le remboursement portait sur le moyen terme (entre 6 mois et 18 mois).

§ Phénomène à prédire : la défaillance de remboursement (le « Mauvais dossier »).

§ Définition du « «Mauvais Dossier » : Un mauvais dossier est celui qui qui n'a pas remboursé intégralement son crédit, intérêt et principal, au plus 3 mois après la dernière échéance.

§ Nombre d'individus (PME) constituant l'échantillon d'apprentissage : 212.

N°	Axes descriptifs-prédicteurs	Concepts contenus dans l'hypothese	Indicateurs (variables)
1	AXE PREDICTEUR 1 : IDENTIFICATION DU DIRIGEANT (Qui est le demandeur de crédit ?)	Données démographiques du dirigeant de l'entreprise	§ Sexe § Age § Statut matrimonial § Nombre d'enfants § Nombre de personnes à charge (y compris les épouses) § Nombre de personnes salariées dans le foyer § Lieu de domicile § Niveau d'étude § Niveau de revenus
2		Expérience passée du dirigeant en matière de crédit	§ Nombre de prêts déjà contractés par le dirigeant dans le passé
3	AXE PREDICTEUR 2 : DESCRIPTION de L'ACTIVITE (Que fait le demandeur de crédit ?)	Forme et Activité de l'entreprise	§ Secteur d'activité § Durée d'existence de l'entreprise
4	AXE PREDICTEUR 3 : GARANTIES (Que possède le demandeur de crédit ?)	Garanties	§ Type de garantie § Valeur de la garantie
5	AXE PREDICTEUR 4 : CARACTERISTIQUES DES PRETS (Que possède le demandeur de crédit ?)	Indicateurs temporels du crédit	§ Durée écoulée entre demande de crédit et réponse
6		Montant de la demande de crédit	§ Montant du crédit § Montant demandé = montant obtenu ? § Différence (en nombre de mois) entre nombre de versements demandés et obtenus
7	VARIABLE DISCRIMINANTE		§ Le Client a-t-il remboursé intégralement son crédit au plus 3 mois après la dernière échéance prévue ?

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

2.2- Objectifs de recherche

2.3- Hypothèses et indicateurs

2.3.1) Hypothèses de recherche et cadre opératoire