WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

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

( Télécharger le fichier original )
par Fred NTOUTOUME OBIANG-NDONG
Université Cheikh Anta Diop (UCAD) - Master Methodes Statistiques et Econometriques 2006
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

Introduction

Depuis qu'elles existent les banques tentent de lutter contre le risque de contrepartie. Dans leur rôle d'intermédiation entre les agents en excédent de liquidité et les agents en besoin de liquidité, les banquiers ont presque toujours été préoccupés par les risques d'asymétrie de l'information des demandeurs de crédit. Le véritable enjeu étant de prévoir, pour une durée déterminée, la probabilité de remboursement d'un prêt. Ainsi au fil du temps, et conscients des risques encourus, les banquiers ont développé un certain nombre de techniques dont le but consistait à minimiser l'incertitude liée au niveau de défaillance de chaque demandeur de crédit. C'est dans ce contexte que le scoring ou précisément crédit-scoring est né aux USA au début du XXe siècle, comme instrument d'aide à la décision de crédit par la gestion et l'analyse systémique de l'information.

En effet, au coeur du risque de défaillance de crédit se situe la question épineuse et toujours contemporaine de l'information, de plus en plus massive, d'origines de plus en plus nombreuses, et de son interprétation. Ces incertitudes sont plus profondes dans le contexte des pays africains, où l'information aussi qualitative que quantitative sur les emprunteurs fait souvent défaut. Le « tout numérique » constaté dans les pays développés avec notamment au plan bancaire l'utilisation généralisée de la carte à puce, permet aux établissements de crédit du Nord d'accéder à une qualité et à une quantité d'informations absolument inédites. De plus la circulation et l'analyse de ces données reste exacerbée par le world wide web ou la toile mondiale communément appelée internet. Ceci alors qu'au contraire en Afrique, l'accroissement de la fracture numérique, de même que l'inaccessibilité du plus grand nombre au système bancaire ne permettent de rendre suffisamment compte ni des flux physiques et financiers, ni des informations y relatives entre acteurs économiques de façon à servir de base aux banquiers. Ce d'autant plus qu'une très grande part de l'économie africaine évolue dans l'informel. Les risques d'aléa moral résultant de ces incertitudes sont à l'origine d'un certain rationnement du crédit.

L'une des conséquences de ce rationnement du crédit, toujours d'actualité en Afrique, a d'ailleurs été de favoriser l'émergence d'un nouveau type de structures d'intermédiations financières. Celles-ci sont plus souples et moins exigeantes que les banques classiques, en plus d'être organisées sur la base d'une « solidarité mutualiste » : les Institutions de Microfinance (IMF), encore appelées Systèmes Financiers Décentralisés (SFD) du fait de leur proximité avec les populations défavorisées. Leur objet principal est donc de permettre aux couches de citoyens (ou d'entreprises) n'ayant pas accès aux services et produits du système bancaire classique d'avoir tout de même accès aux services financiers de base que sont l'épargne et le crédit.

Au Sénégal, les SFD connaissent un important développement depuis la fin des années 80, suite à la crise du système bancaire classique intervenue quelques années plus tôt. Aujourd'hui, on compte près de 800 structures financières décentralisées reconnues (mutuelles de base, groupements d'épargne et de crédit et structures signataires de convention). Ces structures offrent des services et produits financiers à des populations actives à divers niveaux et secteurs de l'économie nationale, contribuant ainsi à la croissance économique et à la lutte contre la pauvreté. Mais malgré leur développement, les IMF sénégalaises n'échappent pour autant pas à l'une des contraintes majeures auxquelles continuent d'être confrontées les banques dites classiques : le risque de contrepartie, encore appelé le risque de crédit. Pour le cas spécifique de la microfinance en effet, le dilemme vient du fait que les SFD souffrent de leur propre objet, qui consiste à faciliter l'accès des produits financiers aux plus pauvres (ou aux plus modestes des PME). Or cette cible est justement celle qui présente le moins de garanties quant au remboursement d'un crédit. La mauvaise qualité du portefeuille de crédit est de ce fait l'un des premiers écueils au développement des IMF sénégalaises.

Ainsi, l'intérêt d'étudier les facteurs qui déterminent le remboursement ou non d'un crédit à court terme, chez les PME, est de pouvoir développer un système de SCORING, ou d'évaluation du risque avant l'accord du crédit. En réponse aux problématiques réglementaires et opérationnelles de gestion du risque, les entreprises de banque dont les IMF, ont l'obligation de mettre en place une politique de cotation sur l'ensemble de leur portefeuille client afin d'obtenir une évaluation en tant réel. Cette évaluation est stratégique car elle permet à l'institution financière d'immobiliser les ressources en fond propre au plus juste pour disposer par ailleurs d'un maximum de liquidité.

Le principe du scoring est basé sur une espèce de caractérisation binaire entre mauvais payeur et bon payeur, principe qui d'ailleurs n'est pas nouveau en soi puisque utilisé (plus ou moins consciemment) par les banquiers depuis toujours. L'innovation du scoring tient plutôt à l'utilisation d'une méthode ordonnée et logique, fondée sur l'octroi d'une note fournie par un ordinateur mais dont le calcul résulte d'un modèle mathématique ou algorithme. Le scoring est donc issu d'une réflexion rigoureuse et empirique, par opposition à la « méthode d'expert » qui se base sur des appréciations subjectives, parfois émotionnelles et pas toujours reproductibles. Aussi et surtout, les modèles de scoring ne sont en fait ni plus ni moins que la régression d'un comportement type effectuée au moyen de données historisées. En ce sens établir un modèle de score nécessite une base de données.

Notre étude, en s'appuyant sur une méthodologie à la fois quantitative (modélisation statistique) et qualitative (prise en compte de déterminants sociaux comme le nombre d'enfants, le niveau d'étude du chef d'entreprise sollicitant le crédit, etc.), se propose de fournir un modèle de prédiction des risques de crédit chez les clients PME à court-terme d'une IMF sénégalaise. Ce modèle sera développé à partir de l'intelligence artificielle (réseaux de neurones) et de la modélisation mathématique (régression logistique). A terme, le système d'estimation attendu permettra aux gestionnaires et aux analystes crédit de prévoir, avec un très bon seuil de confiance, le niveau de risque lié à chaque nouveau demandeur de crédit.

Pour ce faire, trois phases seront proposées dans le présent mémoire. La première servira à poser les fondements des théories de scoring et de data mining, en cernant le sujet grâce à un cadre de référence. Ce sera l'occasion d'une brève revue de littérature sur la régression logistique et sur les réseaux de neurone, et d'une précision sur la problématique qui soutend l'étude. Dans une deuxième phase, la méthodologie de scoring par le data mining utilisée sera exposée, ainsi que les résultats qui auront été obtenus par nos deux modèles (logistique et neuronal). Après avoir procédé à l'analyse desdits résultats à l'aide des tests statistiques nécessaires, nous comparerons la robustesse des modélisations obtenues, avant de recommander une grille de score. La troisième phase nous permettra de poursuivre par des recommandations liées à une probable implémentation du modèle choisi, et à quelques autres recommandations liées aux aspects organisationnels propres à l'UMECUDEFS.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Nous voulons explorer la bonté contrée énorme où tout se tait"   Appolinaire