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

II/ Cadre Conceptuel

Le cadre conceptuel nous aidera dans un premier temps à repréciser les définitions des principaux mots-clés utilisés tout au long du présent mémoire, et dans un second temps de présenter l'hypothèse sous-jacente de l'étude accompagnée du cadre opératoire qui traduit ses concepts en indicateurs (ou variables) mesurables.

2.1- Définition des concepts

Ø Aléa moral (ou hasard moral): Il s'agit d'une forme d'opportunisme post contractuel qui survient lorsque les actions mises en oeuvres ne peuvent être discernées. Les problèmes liés à l'aléa moral apparaissent lorsqu'un individu entreprend une action inefficace, ou procure une information inexacte parce que ses intérêts individuels ne sont pas compatibles avec les intérêts collectifs et parce que ni les informations données ni les actions entreprises ne peuvent être contrôlées (K. Arrow, 1963).

Ø Dans le cadre du risque de contrepartie, l'aléa moral se rapporte à toute situation dans laquelle les résultats de la relation de crédit dépendent d'actions entreprises par l'emprunteur après signature du contrat et imparfaitement observables par le créancier. Ainsi, une entreprise contractant un crédit pourra s'engager de façon plus ou moins forte dans la réussite du projet. Les dirigeants pourront accomplir des dépenses inutiles au développement de l'entreprise en détournant à leur profit une part des résultats du projet sous forme d'avantages en nature ou de rémunérations excessives.

Ø Data Mining: littéralement « fouille de données » ou « forage de données », et connu dans le milieu francophone sous l'appellation Extraction de Connaissances à partir de Données (ECD), le data mining peut s'entendre de l' application des techniques statistiques, d'analyse des données et d'intelligence artificielle à l'exploration et l'analyse sans à priori de grandes bases de données informatiques , en vue d'en extraire des informations nouvelles et utiles pour le détenteur de ces données (STUFFERY, 2007).

Ø Intelligence artificielle (IA) : Ce terme renvoie à une discipline à cheval entre statistique-mathématique d'une part et informatique d'autre part, qui cherche à représenter la connaissance de l'homme et à formaliser le raisonnement de façon à obtenir des algorithmes qui simulent la réflexion humaine. Par extension elle est aussi devenue une discipline qui cherche à simuler par les moyens de l'informatique des mécanismes cognitifs et neuronaux. Selon le CNTRL, l'IA est la « recherche de moyens susceptibles de doter les systèmes informatiques de capacités intellectuelles comparables à celles des êtres humains » (source : La Recherche, janv. 1979, no 96, vol. 10, p. 61, cité par le dictionnaire du CNTRL).

Ø Modélisation statistique : Nous entendons par ce terme la conception d'un modèle, ou la représentation simplifiée d'une réalité plus complexe, dans l'optique d'analyser des phénomènes réels et de prévoir des résultats à partir de l'application d'une ou plusieurs théories à un niveau d'approximation donné. Cette modélisation se fait par des méthodes statistiques, parmi lesquelles on retrouve la régression logistique (économétrie des variables qualitatives).

Ø PME, TPE, MPE : Dans notre étude, nous entendons par PME toute personne physique ou morale, productrice de biens ou de services marchands, dont les critères sont  pour les Petites Entreprises (PE) et les Moyennes Entreprises (ME) : i) un effectif compris entre 01 et 250, ii) un chiffre d'affaires hors taxe inférieur à 20 millions FCFA (PE) ou 15 milliards CFA(ME), un investissement net inférieur ou égal à 1 milliard FCFA. (Source : Charte des Petites et Moyennes Entreprises du Sénégal, 2003, pp.6 & 7). Dans la suite de notre mémoire, nous utiliserons indifféremment les signes PME et TPE, pour désigner la même réalité.

Ø Régression logistique : Comme définit plus haut, la régression logistique (ou régression par le modèle LOGIT) est une technique statistique qui a pour objectif, à partir d'un fichier d'observations, de produire un modèle permettant de prédire les valeurs prises par une variable catégorielle, le plus souvent binaire, à partir d'une série de variables explicatives continues et/ou binaires. (source : wikipédia).

Ø Réseaux de neurones artificiels (RNA) : Les RNA (ou Bayesian Machine Learning) sont des simulations logicielles qui relèvent du champ de l'intelligence artificielle. Il s'agit d'ensembles interconnectés de petites machines à additionner qui ont pour but d'imiter le fonctionnement des cellules grises humaines. Selon une définition proposée par A. Nigrin (1993)^23(*), un réseau de neurones est un circuit composé d'un nombre très important d'unités de calcul simples basées sur des neurones. Dans la même lancée, S. Haykin (1994)^24(*), les RNA ressemblent au cerveau sur deux aspects: i) la connaissance est acquise par le réseau au travers d'un processus d'apprentissage, ii) les connexions entre les neurones, connues sous le nom de poids synaptiques servent à stocker la connaissance.

Ø Risque de contrepartie : Le risque de contrepartie représente la perte potentielle réalisée par la banque dans l'hypothèse d'une défaillance future de sa contrepartie. Ce risque regroupe deux risques de natures différentes : le risque de livraison et le risque de crédit.

Ø Risque de livraison : Le risque de livraison concerne toutes les opérations de marché intégrant un échange simultané de devises ou de flux d'intérêts. Ainsi, le type d'opération le plus sensible est-il le change au comptant, mais le change à terme et certains swaps de taux sont également concernés.

Ø Risque de crédit (couramment désigné par risque de contrepartie) : Le risque de crédit est le risque http://fr.wikipedia.org/wiki/Risque que l'emprunteur ne rembourse pas sa dette http://fr.wikipedia.org/wiki/Dette à l'échéance fixée (wikipédia). Le risque est une perte http://fr.wikipedia.org/wiki/Perte potentielle, identifiée et quantifiable, inhérente à une situation ou une activité, associée à la probabilité http://fr.wikipedia.org/wiki/Probabilit%C3%A9 de l'occurrence d'un évènement ou d'une série d'événements. Le risque de crédit peut être donc défini comme la perte totale enregistrée sur une opération suite à la défaillance de la contrepartie. On l'appelle aussi parfois risque de signature. Dans le cas d'un crédit à taux révisable, cette perte est égale au capital restant dû augmenté des intérêts courus non échus.

Ø Scoring (crédit) : le crédit scoring, ou scoring crédit, est compris selon R. Anderson (2007) comme étant le recours aux modèles statistiques en vue de transformer des données (qualitatives, quantitatives) en indicateurs numériques mesurables à des fins d'aide à la décision d'octroi ou de rejet de crédit.

Ø Sélection adverse (ou antisélection) : Les travaux de G. Akerlof (1970) ont introduit la notion d'antisélection, appelée aussi sélection adverse, qui peut être définie comme un ensemble de stratégies complexes élaborées en vue d'anticiper des phénomènes de fraude du co-contratactant. Il s'agit d'un problème d'opportunisme pré contractuel induit par l'incapacité d'obtenir une information exhaustive sur la partie qui sollicite un crédit.

.

* ²³ Nigrin, A, «Neural Networks for Pattern Recognition», Cambridge, MA: The MIT Press, p. 11. (1993)

* ²⁴ Haykin, S., Neural Networks: A Comprehensive Foundation, NY: Macmillan, p. 2, (1994)