80-Article Text-284-1-10-20200729

Revue Internationale des Sciences de Gestion
ISSN: 2665-7473
Numéro 3 : Avril 2019
Proposition d’un modèle de prédiction de la défaillance des

entreprises marocaines
Proposal of a prediction model for the default of Moroccan

companies
Pr. : Wafia NOKAIRI

Enseignante chercheure en sciences de gestion
Laboratoire : Finance, banque et gestion des risques
Faculté des sciences juridiques, économiques et sociales, Université Hassan II- Aïn Chok,
Casablanca
Date de soumission : 19/03/2019

Date d’acceptation : 17/04/2019
Pour citer cet article :
NOKAIRI W. (2019) « Proposition d’un modèle de prédiction de la défaillance des entreprises marocaines » Revue
Internationale des Sciences de Gestion « Numéro 3 : Avril 2019 / Volume 2 : numéro 2 » p : 516- 553
Hosting by Copernicus International Index www.revue-isg.com Page 516

ISSN: 2665-7473
Résumé :
Toute entreprise risque de se confronter au cours de sa vie à des difficultés. Celles-ci ne
surviennent pas brusquement, elles peuvent être liées à des facteurs micro ou
macroéconomiques et qui risquent de la conduire à une défaillance financière puis juridique.
Le nombre de défaillance des entreprises marocaines a connu une évolution inquiétante
depuis l’année 2007. Cet accroissement confirme la nécessité de prévoir la défaillance afin de
veiller à la protection des créanciers, notamment les banques qui demeurent la principale
source de financement externe des entreprises marocaines.
La problématique de notre recherche se propose de mettre en évidence les variables les plus
discriminantes entre les entreprises saines et celles défaillantes, à travers un échantillon de
200 entreprises marocaines. L’objectif de notre contribution sera de proposer un modèle de
prédiction de la défaillance des entreprises marocaines, qui constituera à la fois un moyen de
diagnostic et un outil de prévention des difficultés. Ainsi, le choix de notre sujet s’inscrit dans
la perspective de maîtrise du risque de défaillance de la clientèle entreprise des banques.
Mots clés : La défaillance, entreprises défaillantes, entreprises saines, variables
discriminantes, prédiction du risque.
Abstract :
Any company may face difficulties during its life. These do not occur abruptly, they can be
linked to micro or macroeconomic factors and which may lead to financial and then legal
failure. The number of failure Moroccan companies has experienced a worrying evolution
since 2007. This increase confirms the need to foresee default in order to ensure the protection
of creditors, including banks, which remain the main source of external financing for
Moroccan companies. .
The problematic of our research is to highlight the most discriminating variables between
healthy and failing companies, through a sample of 200 Moroccan companies. The objective
of our contribution will be to propose a model for predicting the default of Moroccan
companies, which will be both a means of diagnosis and a tool for preventing difficulties.
Thus, the choice of our subject is in line with the prospect of controlling the risk of bank
customer default.
Keywords: Failure, failing companies, healthy firms, discriminating variables, risk prediction.

ISSN: 2665-7473
Introduction
Lors d’une décision d’octroi de crédit, les banques font face à un principal problème à savoir
leur incapacité à déterminer avec certitude si le client va honorer ou non ses engagements.
Cette décision repose sur l’évaluation préalable de l’agent de crédit. Ce dernier, en fonction
de son expérience, de l’évaluation de la solvabilité du client et de son historique de
remboursement, arrive à distinguer intuitivement le « bon » client du « mauvais », avant de
présenter le dossier au comité de crédit. Toutefois, cette évaluation basée sur la subjectivité du
banquier n’est pas toujours efficace, et présente certains biais. Les méthodes de l’évaluation
du risque de crédit par la technique des scores dite encore : ‘crédit scoring’ a été développée
afin de prédire le profil de risque du client de manière objective à travers la connaissance du
passé.
L’observation du tissu économique marocain montre que chaque année certaines entreprises
disparaissent et d’autres survivent et même parmi les survivantes, certaines rencontrent de
graves difficultés, alors que d’autres continuent de prospérer. La question qui se pose :
pourquoi une telle entreprise arrive à survivre et une autre rencontre des difficultés et risque
même de disparaître ?
En effet, le nombre de défaillance des entreprises marocaines a connu une évolution
inquiétante depuis l’année 2007. Le chiffre est passé de 1730 en 2007 à 5808 en 2015, soit
une hausse de plus de 200% en 8 ans. Le rythme d’augmentation des défaillances des
entreprises au Maroc continue avec un pic de 21% en 2016, 12% en 2017 pour atteindre 8020
entreprises. Selon ‘Euler Hermès’, le risque d’impayés reste fort au Maroc. En effet, près de
8.500 entreprises sont exposées à ce risque dans le Royaume, en particulier dans l’immobilier,
le commerce et les BTP. Cet accroissement confirme la nécessité de prévoir la défaillance afin
de veiller à la protection des créanciers. Les situations de défaillance sont néfastes pour
l’ensemble des créanciers. Leurs conséquences sont majeures aussi bien pour les autres
partenaires, qui risquent à leur tour de devenir défaillants que pour les banques qui demeurent
la principale source de financement externe des entreprises marocaines.
Ce rôle important et décisif des banques est accouplé d’un risque non-négligeable puisque les
défaillances représentent un coût très élevé pour les banques. Les créances en souffrance ont
totalisé en 2015 : 57 milliards de DH soit un taux de contentieux de 7,3%. Ce taux est resté
relativement stable en 2016 et 2017 affichant 7,5% avec un encours de 63,6 milliards de DH
fin décembre et 66 milliards de DH jusqu’à novembre 2018.

ISSN: 2665-7473
La question qu’on pourrait se poser à ce niveau est la suivante : est-il possible, grâce aux
outils d’analyse et de prévision de prédire le risque de défaillance des entreprises marocaines
de manière probante ?
L’objectif de notre contribution sera de proposer un modèle de prédiction de la défaillance
pour les entreprises marocaines, qui constituera à la fois un moyen de diagnostic et un outil de
prévention des difficultés.
Pour cela, nous proposons de présenter dans une première partie, une revue de littérature des
méthodes de prédiction de la défaillance (1). La méthodologie de recherche ainsi que les
critères de choix de notre échantillon et des ratios d’analyse feront l’objet d’une deuxième
partie (2). Les résultats obtenus à travers l’analyse discriminante ainsi que le modèle de
prédiction seront présentés dans une troisième partie (3). Enfin nous présenterons nos
principales conclusions.
1. REVUE DE LITTERATURE :
1.1. Le scoring :
L’évaluation du risque de défaut de paiement des entreprises par la technique du scoring part
du principe selon lequel le passé est le meilleur estimateur du futur. Selon (Saporta, 2011) le
scoring est la notation statistique des emprunteurs. En matière de gestion de risque lié au
crédit bancaire, le crédit scoring est compris selon (Flaman, 1997) comme étant le processus
d’assignation d’une note (ou score) à un emprunteur potentiel pour estimer la performance
future de son prêt.
Le Crédit Scoring utilise des mesures quantitatives de performance ainsi que les
caractéristiques des prêts précédents pour prédire la qualité des prêts futurs avec des
caractéristiques similaires. Il n’approuve, ni rejette une demande de prêt, il peut plutôt prédire
la probabilité d’occurrence de mauvaise performance (défaut) telle que définie par le prêteur
(Caire & Kossmann, 2003).
Selon (Saporta, 2011) « Le terme Crédit Scoring désigne un ensemble d'outils d'aide à la
décision utilisés par les organismes financiers pour évaluer le risque de non remboursement
des prêts. Un score est une note de risque, ou une probabilité de défaut »
Selon (Mark Schreiner, 2003) « L’évaluation statistique est l’utilisation de connaissances
quantitatives des résultats de remboursement et des caractéristiques des prêts remboursés dans
le passé et enregistrées dans une base de données électroniques afin de pronostiquer les
résultats de remboursement des futurs prêts ».

ISSN: 2665-7473
Selon (Anderson, 2007), le scoring est 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. La définition du scoring diffère selon
le but pour lequel il lui est fait recours, mais le principe reste le même. Le scoring est un outil
d’aide à la décision, à travers la recherche des caractéristiques opposant des groupes
prédéfinis.
Les méthodes des scores sont essentiellement utilisées par les banques et les établissements de
crédit afin de discriminer les clients et les classifier en deux sous-groupes : bons et mauvais,
en les différenciant par un certain nombre de critères. Le scoring repose sur la mise en place
d’une méthode ou système de notation permettant de déterminer si X (le client, le prospect...)
possède des caractéristiques susceptibles de prédire s'il va rentrer dans un cas favorable :
acheter un produit, continuer à consommer des produits de l'entreprise, honorer régulièrement
ses échéances, etc…Le calcul de ces notes se base, schématiquement, sur trois éléments : des
données, des variables et des méthodes. Les données, ce sont les informations que l'on connaît
du client : nom, prénom, coordonnées, sexe, ainsi que les informations que l'on a pu recueillir
au cours de sa relation avec la banque. Plusieurs explications peuvent être fournies sur la
définition et le rôle du Crédit Scoring, elles peuvent être résumées comme suit :
Figure 1 : Processus du Crédit Scoring
Modèle de
Prédiction Nouvelles
Prêts Construction
notation de crédit demandes de prêt
précédents
Source : Boubacar Diallo, Mai 2006
Historiquement, bien que le crédit scoring ait été pour la première fois utilisé dans les années
1950 aux USA, ses origines remontent en fait au début du XXe siècle, avec la publication de
la première grille de notation par John MOODY pour ses Trade bonds (obligations
commerciales). La notion de « scores financiers » dans le sens de notation financière en tant
que tel, est née avec la crise économique après la première guerre mondiale. C’est là où la
première étude des ratios a été réalisée. En 1923-1931, Winakor & Smith furent les premiers à
réaliser une étude importante sur les entreprises en difficulté à travers un échantillon de 103
entreprises. Ensuite, Fitzpatrick, Merwin, Hickmann,…les succèderont.
Cependant, les ratios financiers pris isolément ne donnent pas une idée globale de la situation
de l’entreprise, et c’est là où les analystes financiers ont senti le besoin d’élaborer un
indicateur global de situation financière. C’est ainsi que les modèles de score furent élaborés.

ISSN: 2665-7473
En fait, Fisher est le précurseur de cette idée de discrimination au sein d’un groupe. Il a
cherché en 1939 à faire la différence entre les origines de crâne en utilisant leur mesure
physique. Il a proposé une technique utilisée à nos jours, vu ses grandes qualités de robustesse
et d’interprétabilité. D’ailleurs, sa technique reste une référence en matière d’analyse
discriminante en dépit des différentes techniques développées par la suite.
Après le travail pilote de Fisher sur l’analyse discriminante, (David Durand,1941) fut le
premier à reconnaître la possibilité d’utiliser les techniques statistiques pour discriminer entre
bons et mauvais emprunteurs. Il montra que le risque de défaillance d’un emprunteur peut être
modélisé par une analyse discriminante en se basant sur ses caractéristiques.
Les fonctions scores se sont développées grâce aux travaux qui ont été entrepris aux Etats-
Unis d’Amérique dans les années 1960, notamment avec le fameux Z-score d’Altman inventé
en 1968, fonction discriminante de cinq ratios financiers, qui permet de prédire un an à
l’avance la défaillance d’une entreprise, avec une fiabilité allant jusqu’à 94%. Le modèle
d’Altman a significativement contribué au développement, à la promotion et à une meilleure
compréhension du Credit Scoring et de ses techniques, (Altman, et al.,1977), etc.
La méthode scoring n’est utilisée en France qu’à partir de 1975, essentiellement en matière de
crédit à la consommation, sous l’impulsion de plusieurs auteurs : (Collongues,1977), (Conan
& Holder, 1979), (Holder, et al., 1984) et les responsables successifs des travaux effectués au
sein de la Banque de France à partir de l’exploitation des données de sa centrale de bilans. Par
la suite, (Eisenbeis, 1996) a présenté une vue générale sur l’histoire et l’application des
techniques de Credit Scoring au portefeuille des banques «business portfolios». Un tableau
résumant les 10 dates clés du scoring crédit est présenté en annexe I.
1.2. Les méthodes de prédiction du risque de défaillance :
« Il n'y a aucune manière sûre d'identifier si une entreprise va faire défaut. Le but de
l'estimation du risque de crédit est, donc, de classer les clients par catégories, dont chacune est
homogène en termes de sa probabilité de défaut ».
(Angela Madalina Petrescu, 2007), a classé les modèles de prédiction du risque de crédit en
trois grandes catégories : les méthodes basées sur le jugement humain, les méthodes basées
sur l’intelligence artificielle et celles statistiques. Ces dernières à leur tour se subdivisent en
trois : les méthodes structurelles, les modèles hybrides et les méthodes économétriques basées
sur des données comptables. Seules ces dernières retiendront notre attention dans ce travail.

ISSN: 2665-7473
1.2.1. Les méthodes basées sur le jugement humain,

Elles s’appuient sur des techniques quantitatives et des points de vues subjectives des
organismes de crédit afin de fonder leur décision d’accorder un prêt. Cette méthode présente
un certain nombre d’inconvénients, notamment : son coût en terme de ressources et d’argent
pour développer un système d’experts, sa lenteur pour la prise de décision, ainsi que son
caractère subjectif puisque la décision revient essentiellement aux caractéristiques de l’agent
de crédit, ce qui risque de la biaiser.
Ainsi, devant la croissance de la demande de crédit, d’autres méthodes plus formelles et plus
objectives ont été développées (généralement connues sous le nom de notation de crédit) ;
pour aider les agents de crédit à décider de l'octroi de crédit à un demandeur (Akhavein,
2005). Toutefois, ces méthodes n’excluent pas le rôle de l’agent de crédit dans la prise de
décision, au contraire ils doivent se compléter pour un résultat meilleur (Schreiner, 2002).
1.2.2. La méthode empirique : le modèle des « Credit Men »,
C’est la première méthode qui a permis l’établissement d’un score avec note unique. Ce
modèle est le fruit de l’expérience accumulée des banquiers américains au niveau de la
gestion du risque crédit. Selon eux, chaque entreprise intègre trois facteurs :
 P : Le facteur personnel à savoir, la compétence et le dynamisme des dirigeants et du
personnel. Ce facteur a un poids de 40%.
 E : Le facteur économique : l’avenir de la branche. Ce facteur est pondéré à 20%.
 F : Le facteur de la situation financière de l’entreprise, qui est pondéré à 40%.
S = 40% P + 20% E + 40% F
Le facteur situation financière est estimé à travers cinq ratios qui sont choisis grâce à la
pratique des analystes, sans aucune analyse statistique.
 R1 : Ratio de trésorerie = Réalisable et disponible / Dettes à court terme.
 R2 : Ratio d’indépendance financière ou ratio de solvabilité = Capitaux propres /
Dettes à moyen et long terme.
 R3 : Ratio de rotation crédit clients = Ventes TTC / (clients + effets à recevoir + effets
escomptés non échus).
 R4 : Ratio de rotation des stocks = Achats / Stock moyen.
 R5 : Ratio de couverture = Capitaux propres / Valeurs immobilisées nettes.
Chaque ratio est une comparaison du ratio de l’entreprise par rapport au ratio type du secteur.
Ri = Ratio de l’entreprise/ Ratio type du secteur = REi / RSi

ISSN: 2665-7473
La fonction financière finale du modèle ‘credit-men’ est donc comme suit :

F = 25 R1 + 25 R2 + 20 R3 + 20 R4 + 10 R5.
Règle de décision :
Si F > 100 : la situation financière est bonne ;
Si F = 100 : la situation financière est normale ;
Si F < 100 : la situation financière est mauvaise.
Cette méthode présente l’avantage d’être très simple et pratique. Elle s’appuie sur
l’expérience et l’intuition du banquier. Cependant elle reste très subjective, notamment pour
le choix des ratios et leur pondération. C’est ainsi que des méthodes statistiques de prévision
de la faillite des entreprises ont été développées.
1.2.3. Les méthodes statistiques basées sur les données comptables :
Contrairement à l’analyse subjective des banquiers qui se fonde essentiellement sur leur
expérience, les modèles statistiques essayent de pondérer objectivement plusieurs facteurs ou
indicateurs (essentiellement des ratios financiers), afin de détecter si le cas observé ressemble
plutôt à celui d’entreprises saines ou à celles qui ont connu une défaillance. Ainsi, c’est le
modèle qui décide de l’importance qu’il faut accorder à chaque indicateur (solvabilité,
rentabilité, liquidité…)
L’élaboration de ces modèles s’appuie sur une technique statistique : l’analyse discriminante.
Cette dernière identifie les coefficients de l’équation qui maximisent la discrimination entre
les entreprises saines de celles en défaillance. L’équation donne un ‘score discriminant’ qui
permet d’associer une observation à l’un des deux groupes (entreprises saines ou défaillantes).
Les méthodes statistiques de prévision de la défaillance des entreprises ont connu un grand
développement depuis les années 30, avec les travaux de (Fitz Patrick, 1932) et (Merwin,
1942) qui ont essayé de vérifier l’utilité des ratios financiers à différencier des entreprises
industrielles saines de celles en défaillance. Plusieurs générations de modèles de prédiction de
la défaillance ont par la suite vu le jour, grâce notamment à l’évolution des outils statistiques
d’analyse, mais la méthodologie suivie et les variables d’analyse ne varient pas beaucoup.
 La méthode unidimensionnelle : le modèle de BEAVER, appelée aussi « L’analyse
discriminante univariée » a été initiée par (BEAVER, 1966), qui a pour but de déterminer
la capacité d’un seul ratio financier à discriminer les entreprises d’un échantillon initial et
à prédire la défaillance éventuelle d’une entreprise sur un échantillon témoin.
Il s’agit d’une approche simple, qui consiste à comparer les ratios financiers d’entreprises
défaillantes à ceux des entreprises saines, puis à détecter, les différences systématiques qui

ISSN: 2665-7473
existent entre les deux groupes afin d’aider les analystes à prévoir la défaillance. L’analyse du
pouvoir prédictif des ratios financiers considérés de manière isolée, a fait l’objet de quatre
recherches effectuées toutes aux états-unis, qui sont celles de :
 (Fitzpatrick,1932) qui a travaillé sur un échantillon de 19 entreprises saines et 19
défaillantes. Afin de prévoir le risque de défaillance, il emploie la tendance des deux
ratios suivants : bénéfice net / situation nette et situation nette / dettes totales, trois ans
avant la défaillance.
 (Winkar & Smith, 1935), utilisent le ratio fonds de roulement / actif total, comme meilleur
indicateur du risque de défaillance.
 (Merwin, 1942), a observé l’évolution, six ans avant la défaillance, de trois ratios
importants : fonds de roulement / actif total ; situation nette / dettes totales et actif
circulant / dettes à court terme. Son étude se réfère à la période 1926-1936.
 Et l’étude la plus caractéristique dans ce cadre est celle de (Beaver, 1966), qui avait pour
objectif de classer les entreprises sur la base du ratio le plus discriminant.
BEAVER fit son étude sur un échantillon de 79 entreprises défaillantes et 79 saines. Cette
étude comprenait deux phases : d’abord la comparaison de la moyenne des groupes pour un
ratio donné, ensuite la détermination du seuil critique de chaque ratio, qui permet de
discriminer les entreprises et classer chacune dans un des deux groupes. Si le ratio d’une
entreprise est supérieur au seuil critique, elle sera classée comme saine et inversement. La
valeur de prédiction de cette méthode est testée par la qualité de classification réalisée sur un
échantillon témoin.
Ainsi, pour la totalité des entreprises de l’échantillon, BEAVER a calculé 30 ratios financiers
sélectionnés selon leur importance dans des études précédentes, pour garder seulement 6
ratios après traitement statistique. Les ratios qui ont donné le plus bas taux d’erreur de
classement des entreprises sont : Cash flow/Total dette ; Résultat net/Total actif ; Total
dette/Total actif ; Fonds de roulement/Total actif et Dettes à court terme/Total dettes. L’auteur
constata que les ratios d’autofinancement notamment : Cash flow/Endettement, est celui qui a
le plus grand pouvoir discriminant (taux global d’entreprises bien classées = 87%, 1 an avant
la défaillance et 77%, 5ans avant).
Le modèle statistique univarié de BEAVER a certes l’avantage de sa simplicité et
l’aboutissement à de bons résultats. Toutefois, il ne prend pas en considération l’effet conjoint
et la forte interdépendance des ratios. Chaque ratio étudié séparément risque d’aboutir à des
résultats contradictoires ce qui rend la décision de la situation d’une entreprise difficile. Cette

ISSN: 2665-7473
critique lui a été adressée notamment par (ZAVGREN, 1983) qui est le fondateur de
l’approche multidimensionnelle.
 L’analyse discriminante multi-variée, Le pionnier de cette méthode est Fisher, à travers
l’initiation des travaux sur l’analyse discriminante en 1933, il a proposé une technique
d’analyse utilisée jusqu’à aujourd’hui étant donné ses résultats pertinents. Par la suite,
d’autres techniques se sont développées mais celle de Fisher reste une référence pour la
plupart des fonctions de crédit-scoring actuellement.
L’analyse discriminante répond à une question fondamentale à savoir : laquelle des

combinaisons linéaires des variables explicatives est la plus discriminante ? Celle-ci est de
deux types :
 Analyse discriminante à but descriptif : son rôle est de voir comment les variables
explicatives permettent à priori de différencier les groupes. Il s’agit tout simplement de
relever les variables les plus significatives et les plus pertinentes pour décrire ces
différences.
 Analyse discriminante décisionnelle ou prédictive : elle permet de construire à partir d’un
échantillon d’individus connus des règles statistiques de décision qui seront appliquées
dans le futur et qui serviront à affecter les individus à l’un des groupes de classement. Ces
règles devront minimiser les erreurs de diagnostic et de prévision.
Cette méthode permet d’apprécier la situation financière d’une entreprise d’une
manière globale à travers une combinaison linéaire de plusieurs ratios considérés
simultanément en prenant en considération leurs poids respectifs de manière interdépendante.
Elle permet de classer toutes les entreprises d’un échantillon à l’aide d’une fonction score Z.
Ceci suppose la constitution préalable d’un échantillon d’entreprises saines et celles
défaillantes que l’on va comparer à un échantillon de ratios. Ces derniers doivent séparer au
mieux les deux groupes d’entreprises.
Le score s’exprime par la fonction linéaire suivante :
Z = α1X1 + α 2X2+ ....... + α NXN
Avec : Xi : les ratios comptables et financiers ;
αi : les coefficients associés aux ratios.
N.B : Aucune fonction score ne dispose d’un pouvoir séparateur absolu, il y a toujours une
zone d’erreur entre les deux groupes :
 1er type d’erreur : Le score classe une entreprise défaillante parmi celles saines ;

ISSN: 2665-7473
 2ème type d’erreur : Le modèle classe une entreprise saine comme étant défaillante.
Les fonctions scores sont nombreuses. Les premiers travaux ont débuté aux Etats-Unis
d’Amérique dans les années 1960, notamment par (Altman, 1968 ;), (Haldeman & Narayanan,
1977),…. En Europe, il fallait attendre les années 1970 pour se développer grâce aux travaux
de : (Collongues, 1977), (Conan & Holder, 1979), (Holder, et al.,1984) et les travaux
effectués au sein de la banque de France par ses responsables à partir des données de sa
centrale de bilans.
Nous présenterons dans ce qui suit les principaux modèles d’analyse discriminante :
1.3. Les principaux modèles d’analyse discriminante :

1.3.1. Le modèle d’Altman
Son étude a porté sur un échantillon de 66 entreprises, composé de deux groupes 33 saines
et 33 défaillantes. A partir de 22 ratios extraits des états financiers (bilans et comptes de
résultats), Altman a choisi 5 ratios qui séparent le mieux les deux groupes d’entreprises.
Altman a suivi la fonction suivante: Z = α1X1 + α 2X2+ ... + α NXN, les ratios (Xi) sont
pondérés par des valeurs αi. Pour juger de la situation financière d'une entreprise la régression
prend en compte plusieurs ratios à savoir la liquidité, la solvabilité, la rentabilité, l'activité et
la croissance ; qui représentent, selon Altman, les indicateurs les plus significatifs pour
prévoir la défaillance des entreprises. Il voulait que son modèle ne néglige aucun de ces
aspects de la situation financière d'une entreprise.
Ainsi, selon Altman, la combinaison linéaire des ratios qui discrimine le mieux les deux
groupes d’entreprises est la suivante :
Z = 0,012 X1 + 0,014 X2 + 0,033 X3 + 0,006 X4 + 0,999 X5.
Avec :
 X1 = FDR / Total Actif ;
 X2 = Réserves / Total Actif ;
 X3 = Bénéfice avant intérêt et impôt / Total Actif ;
 X4 = Capitalisation boursière ou FP / total des dettes ;
 X5 = Chiffre d’affaires / Total Actif.
Le choix de ces variables se justifie par la valeur de prédiction qu’elles représentent
respectivement : la liquidité, le conservatisme, la rentabilité, la capitalisation et la productivité
de l’entreprise. Les résultats ont montré que toutes les entreprises ayant obtenu un score de
2,99 ou plus étaient saines. Celles qui avaient un score inférieur à 1,81 étaient en faillite. Le

ISSN: 2665-7473
score de la zone entre 1,81 et 2,99 donnait un signal ambigu : certaines entreprises étaient
saines alors que d’autres en faillite.
Par conséquent, l’utilisation d’un seuil unique pour classer les entreprises risque d’entrainer
des erreurs. Altman a fixé la valeur critique de son score à Z = 2,675 afin de minimiser ces
erreurs. Ainsi, une entreprise qui obtient un score Z < 2,675 sera classée en situation
défaillante, ou plus précisément un score Z < 1,81 annonce sa défaillance dans un délai d’un
an ; et un score Z > 2,99 signale que l’entreprise est en bonne santé financière.
A travers ce score, Altman a aboutit aux résultats suivants :
- 95% de bon classement 1 an avant,
- 72% deux ans avant,
- 48% trois ans avant,
- 29% quatre ans avant,
- 36% cinq ans avant l’événement de défaillance.
Le modèle z-score d’Altman a connu par la suite, des limites d’utilisation vu la petitesse de
l’échantillon sur lequel a porté l’étude (33 sociétés saines et 33 défaillantes) et sa
concentration uniquement sur des entreprises du secteur manufacturier ; ce qui laisse planer
un doute sur la précision des coefficients. Afin d’améliorer son modèle à cinq variables,
Altman a développé en 1977 un nouveau modèle commercial plus élaboré appelé le modèle
ZETA, avec de nouvelles variables de classification. Il abandonna la variable X5 afin de
minimiser l’effet de l’industrie relié à la rotation des actifs et remplaça la variable X4 par les
actifs nets comptables / passifs totaux.
Sa deuxième étude a porté sur un échantillon de détaillants et de firmes manufacturières ayant
fait faillite durant les années 1969-1975. L’échantillon contient 53 défaillantes et 58 saines. Il
conclut que ce modèle ZETA est bon pour estimer les faillites jusqu’à un horizon de cinq ans.
Par ailleurs, le modèle ZETA (1977), comparativement au modèle de 1968, donnait des
résultats équivalents pour l’horizon d’un an, très légèrement supérieurs à un horizon de 2
années pour la classification des non défauts et beaucoup plus précis pour la classification des
faillites sur un horizon de 2 à 5 ans.
1.3.2. Le modèle de Collongues :
Yves COLLONGUES a entreprit en 1977 une étude en France sur un échantillon composé
de 35 entreprises saines et 35 défaillantes. Il a analysé au départ 19 ratios pour ne retenir que
9 ratios les plus discriminants. Sa fonction discriminante est la suivante :
Z = 4,983 X1 + 60,0366 X2 - 11,834 X3

ISSN: 2665-7473
Avec :
X1 = frais de personnel / valeur ajoutée.
X2 = frais financiers / chiffres d'affaires hors taxes.
X3 = fonds de roulement net / total bilan.
La règle de décision est la suivante :
Si Z > 5,455, l'entreprise sera considérée défaillante.
Si Z< 5,455, l'entreprise sera considérée saine.
Afin d’affiner son étude, COLLONGUES a testé sa fonction de nouveau sur deux
échantillons distincts. Le premier composé de 27 entreprises ayant déposé leur bilan, le
second de 21 entreprises en bonne santé. Suite à ce test, il a modifié son score pour aboutir à
la fonction suivante :
Z= 4,6159 X1- 22 X4 - 1,9623 X5
Avec :
X4 = résultat d'exploitation / chiffre d'affaires H.T.
X5 = fonds de roulement net / stocks.
La règle de décision est ainsi :
Si Z > 3,0774, l'entreprise est déclarée défaillante.
Si Z < 3,0774, l'entreprise est déclarée saine.
1.3.3. Le modèle de CONAN-HOLDER
En France, de nombreuses études ont essayé de prédire la défaillance des entreprises à
travers l’analyse discriminante, mais la plus importante est celle de CONAN & HOLDER du
fait qu’ils ont testé la multinormalité des ratios financiers utilisés et ont validé leur modèle sur
un échantillon de contrôle. Leur étude a été réalisée en 1978 et a porté sur un échantillon de
95 entreprises saines et 95 en difficulté sur la période 1970-1975. Au début, 31 ratios ont été
sélectionnés pour n’en garder que 5 à la fin.
La fonction discriminante de Conan & Holder se présente comme suit :
Z= 0,24 X1 + 0,22 X2 + 0,16 X3 - 0,87 X4 - 0,10 X5.
Avec :
X1 = EBE / endettement global.
X2 = capitaux permanents/ total du bilan.
X3= réalisable et disponible / total du bilan.
X4 = frais financiers / chiffre d'affaires H.T.
X5 = frais de personnel / valeur ajoutée.

ISSN: 2665-7473
Règle de décision :
Z < 0,04 signifie difficulté.
0,04 < Z < 0,09, zone de prudence.
Z > 0,09 l’entreprise est jugée bonne.
Ce modèle a été testé sur les entreprises du secteur industriel (PMI). Il permet une prévision
de défaillance de 75% à trois ans.
1.3.4. Le modèle de la Banque de France
La banque de France a choisi un échantillon assez large d’entreprises, grâce à sa centrale
des bilans. L’étude a porté sur : 1036 entreprises en difficultés (procédure judiciaire ou de
sauvetage) et 1150 entreprises normales. A partir de 30 ratios sélectionnés au départ,
seulement 19 ont été retenus. Entre 1972 et 1979, le pourcentage de bon classement obtenu
par le modèle sur les entreprises testées était de :
- 85,3 % à 1 an de la défaillance,
- 81,3 % 2 ans avant,
- 78,8 % 3 ans avant.
Le score de la Banque de France s'intéresse plus à l'endettement financier (importance,
structure et coût de l'endettement). La fonction discriminante de la Banque de France est la
suivante :
100 Z = - 1,255 X1 + 2,003 X2 - 0,824 X3 + 5,221 X4 - 0,689 X5 - 1,164 X6 + 0,706 X7 +
1,408 X8 - 85,544
Avec :
X1 = frais financiers/ EBE
X2 = ressources stables / actif économique
X3 = CAF / endettement
X4= EBE / CA HT
X5= délai crédit fournisseurs : (dettes commerciales / achats TTC)*365
X6= taux de variation de la valeur ajoutée
X7= délai découvert clients : (stocks en cours + créances d’exploitation - avances clients) /
production TTC
X8= investissements physiques / valeur ajoutée
La règle de décision est la suivante :
Si Z > 0,125 : l'entreprise est saine.
Si -0,250< Z <0,125 : l'entreprise est en zone d'incertitude.

ISSN: 2665-7473
Si Z < -0,250 : l'entreprise a des caractéristiques comparables à celles des entreprises

défaillantes durant leurs dernières années d'activité.
Somme toute, les méthodes statistiques de prédiction et de détection du risque de

défaillance se sont largement développées à travers le temps. Chaque technique est venue
pour combler les lacunes de sa précédente. Par ailleurs, leur degré de fiabilité varie en
fonction d’un certain nombre de paramètres notamment, la fiabilité des données de
l’échantillon, les critères de choix de cet échantillon puis les variables explicatives choisies
par chaque modèle afin de prédire le risque de défaillance. Il importe aussi de préciser que ces
méthodes fournissent des clignotants qui doivent déclencher des précautions à prendre quant à
la gestion de cette entreprise mais aussi pour la recherche des causes profondes de ses
difficultés, pour qu’elle puisse les dépasser. Ces précautions concernent aussi bien l’entreprise
qui doit sauver son activité mais surtout la banque qui reste le principal organisme touché par
les difficultés de ses clients, vu le type de relation qui lie ces deux partenaires.
2. METHODOLOGIE DE LA RECHERCHE :
Notre démarche méthodologique comporte deux étapes, la sélection de l’échantillon
pour la construction de notre base de données et le choix des ratios financiers utilisés comme
indicateurs d’analyse. L’objectif recherché à travers cette étude, est de proposer un modèle de
prédiction des entreprises marocaines en situation de défaut de paiement. Pour cela, nous
étions amené à chercher des données émanant directement de la banque et qui concernent des
entreprises n’ayant pas régler leurs dettes pendant plus de trois mois et qui doivent passer
selon la loi en situation de recouvrement.
Afin d’atteindre notre objectif, il fallait disposer d’une base de données, composée de deux
types d’entreprises dont le seul critère qui les distingue est l’état de paiement de leurs crédits
vis-à-vis de la banque. Ainsi, la notion de défaillance retenue dans le cadre de notre étude est :
 Plus de 90 jours de retard de paiement de la dette ;
 Le transfert du compte au service recouvrement.
A travers notre échantillon, nous voulions chercher le maximum de représentativité en termes
de régions du Maroc, de secteurs d’activités et aussi de tailles et de types d’entreprises. Nous
avons donc utilisé la base de données existante chez une grande banque de la place, aussi bien
pour les entreprises défaillantes que pour celles saines. Les critères de sélection qui ont été
posés, sont l’exclusion : de secteurs d’activité à caractère financier, des entreprises ayant un

ISSN: 2665-7473
historique trop restreint (moins de trois ans d’existence) et celles dont des informations sont
manquantes pour au moins trois années consécutives.
A la fin, nous nous sommes retrouvés avec un échantillon final représentatif, qui est composé
de 200 entreprises, dont on dispose de toutes les informations comptables et financières
durant trois années régulières. Ces entreprises sont divisées en deux sous-échantillons : 100
entreprises saines et 100 défaillantes.
La sélection des ratios d’analyse s’est effectuée suite à un choix logique et méthodologique
dans le but de constituer une liste pertinente et crédible capable de répondre aux objectifs et
attentes de notre analyse. Nous avons donc sélectionné une batterie de 33 variables
explicatives. Le choix de ces ratios se justifie par Leur récurrence dans la littérature française
(Les travaux de la Banque de France à partir des années 80, Bardos 1995) et internationale
(Altman 1968, Conan & Holder 1979, Rose & Giroux 1984 et Refait 2004).
En effet, à travers ces ratios, nous cherchons à intégrer les principales préoccupations ayant
trait à l’analyse de la situation financière de l’entreprise afin d’examiner sa bonne santé. Les
thèmes que nous avons adoptés dans notre analyse sont : la structure, la solvabilité, la
rentabilité, la liquidité, l’endettement, et la gestion commerciale.
La liste de tous les ratios ayant fait l’objet de notre analyse est présenté en annexe II. Ces
ratios sont énumérés et groupés selon sept facteurs de risque. Nous avons effectué l’analyse à
travers le logiciel SPSS 20.
3. PROPOSITION D’UN MODELE PREDICTIF DE LA DEFAILLANCE DES

ENTREPRISES MAROCAINES
L’évaluation du risque de défaut de paiement des entreprises a débuté à partir des
années soixante, à travers l’analyse de leur situation financière. Les techniques utilisées sont
variées mais le principe général de ces diverses études est identique : exploiter la
connaissance et l’information ex-post de l’avenir des entreprises.
En effet, la disponibilité de données comptables et financières d’un certain nombre
d’entreprises dont l’existence ou non du défaut de paiement est connu, permet de sélectionner
les variables financières les plus discriminantes, puis d’établir une relation entre ces variables
explicatives et l’état dichotomique de la variable à expliquer qui est d’être ou de ne pas être
défaillant. Une probabilité de défaillance est des fois également estimée.

ISSN: 2665-7473
Ainsi, la qualité de l’indicateur de risque élaboré est jugée à travers des erreurs de classement
: il s’agit du pourcentage d’entreprises saines considérées comme défaillantes (erreur de type
I) et, inversement, le pourcentage d’entreprises défaillantes considérées comme saines (erreur
de type II).
Le coût microéconomique d’erreur de type (I) est égal à la perte d’une marge bénéficiaire si
l’entreprise n’a pas obtenu le prêt. Tandis que, celui d’erreur de type (II) peut être associé au
coût d’une faillite d’un créancier, qui va dépendre de la rapidité d’examen du dossier selon
des procédures et des garanties attachées à ce créancier.
L’objet commun des modèles de prévision de la faillite est celui de tenter, grâce à des ratios
comptables choisis, de classer une entreprise quelconque à l’un des deux groupes :
défaillantes ou saines. Pour cela, trois grandes familles de méthodes de classification existent
: la méthodologie unidimensionnelle (Beaver, 1966), l’analyse discriminante linéaire et non
linéaire (Altman, 1968) et les régressions sur variables qualitatives telles que le modèle Logit
et Probit (Ohlson, 1980 ; Zmijjewsji, 1984, Jones & Hensher, 2007). Le but de toutes ces
méthodes est d’établir une relation statistique stable entre les variables explicatives de chacun
des deux groupes (Refait, 2004).
Nous présenterons dans un premier temps, l’étude des corrélations et du pouvoir discriminant
des variables à travers la moyenne des trois années précédant la défaillance, avant de
présenter dans un deuxième temps les résultats de l’analyse discriminante pour les trois
années de prédiction.
3.1. Etude des corrélations et du pouvoir discriminant des variables
L’objectif sera de détecter les variables prédictives les plus corrélées avec la variable à
prédire qui est la défaillance de l’entreprise, puis à la détection des variables les plus
discriminantes entre les deux catégories d’entreprises. Nous procéderons à travers la moyenne
des trois années de chaque variable explicative. L’importance de cette section est d’avoir une
idée préalable sur les variables les plus significatives durant les trois années d’analyse, avant
de procéder à une modélisation par année.
Nous avons procédé à une analyse des coefficients de corrélation entre les différentes
variables explicatives potentielles1 et la variable expliquée, dite aussi variable à prédire, qui
est la variable de défaut. Cette analyse a révélé que la plupart des variables prédictives, dont
les coefficients de corrélation de Pearson sont supérieurs à 5% et significatifs à 1% et 5%,
sont fortement corrélées avec la variable à prédire qui est le défaut de paiement, sauf 11
1
Pour les variables explicatives, nous avons calculé la moyenne des trois années de chaque ratio.

ISSN: 2665-7473
variables2 : DLMT/CAF, CI/RE, RN/CP, VA/CA, AC-STK/PC, FDR/BFR, CHPERS/VA,

CF/EB, DLMT/EB, TRSP/EB, STK/CA. De même, la plupart des coefficients de corrélation
ont les signes attendus. Nous avons également effectué une analyse discriminante afin de
déterminer les variables dont le pouvoir discriminant, entre les entreprises défaillantes et
celles qui ne le sont pas, est le plus important. Cette analyse discriminante est effectuée sur la
batterie des 33 ratios sélectionnés au départ.
Parmi les méthodes qui peuvent être utilisée pour déterminer les ratios financiers qui
participent à la discrimination des deux types d’entreprises, nous allons effectuer l’analyse
discriminante de Fisher.
3.1.1. Analyse discriminante de Fisher :
Afin d’examiner le pouvoir discriminant de chaque variable explicative, nous allons
effectuer un test de Wilks3 calculé sur l’ensemble des ratios des deux groupes d’entreprises.
La significativité de la statistique de Fisher rejette l’hypothèse nulle qui stipule que, pour un
ratio donné, il y a une discrimination entre les deux groupes d’entreprises. Dans notre cas,
nous allons employer la méthodologie de Bardos et Zhu (1997) en utilisant le λ de Wilks, qui
consiste à choisir à chaque fois la variable qui a le plus grand pouvoir discriminant. Ensuite, à
chaque étape le modèle est examiné. Si la variable du modèle qui contribue le moins à son
pouvoir discriminant, mesuré par le λ de Wilks, est en dessous du seuil de signification
préalablement choisi (dans notre cas, nous avons choisi le seuil de significativité de 10%), la
variable est supprimée.
Cette statistique peut être calculée pour une seule variable (lambda de wilks univariée) afin de
juger du pouvoir discriminant de chaque ratio ; comme elle peut être calculée pour la fonction
global afin de déterminer sa significativité ou encore son utilité pour l’explication des
différences observées entre les groupes.
La statistique de lambda de wilks doit être la plus faible possible. Sa valeur varie entre 0
(pouvoir discriminant absolu entre les deux groupes) et 1 (pouvoir discriminant nul, ce qui
signifie qu’aucune distinction n’est faisable entre les groupes et donc la fonction
discriminante n’a pas d’intérêt). Donc de faibles valeurs indiquent de fortes différences entre
2
Voir Annexe III.
3
Lambda de Wilks est le rapport de la variation intra-groupes à la variation totale. La variation intra-groupes est,
pour chaque groupe, la somme des carrés des différences entre les scores discriminants individuels et le
centroïde du groupe. La variation totale est la somme des carrés des différences entre tous les scores
discriminants individuels et le score discriminant moyen global. Le Lambda de Wilks est une statistique utilisée
par l’analyse discriminante dans le but de tester si plusieurs groupes d’observations multivariées ont des
moyennes significativement différentes.

ISSN: 2665-7473
les groupes et de fortes valeurs désignent de faibles différences. Ces tests permettent de
centrer l’analyse de notre recherche, uniquement, sur les variables les plus importantes. Ils
contribuent également à l’amélioration de la fiabilité du modèle en écartant les autres
variables de moindre importance.
L’examen du test de Fisher indique au seuil de 5%, que 22 variables sont significatives, c’est-
à-dire, possèdent un pouvoir discriminant entre les deux groupes d’entreprises. Ce test
confirme les résultats obtenus par la corrélation entre la variable dépendante et les variables
explicatives.
Le test de significativité de Fisher indique, à travers l’examen du tableau (Cf annexe IV), au
seuil de 5% que la première variable la plus significative est celle de l’équilibre financier
représentée par le ratio FP/AI, suivi de ceux de la rentabilité surtout celle des actifs puis de la
marge nette d’exploitation, la marge bénéficiaire totale et la capacité bénéficiaire. Les ratios
de gestion commerciale notamment ceux de la rotation des crédits fournisseurs et clients
fournissent une appréciation sur le mode de gestion de l’entreprise, et donc ils s’avèrent aussi
très significatifs.
En outre, les ratios d’endettement permettent de discriminer entre les entreprises saines et
celles défaillantes, en mesurant le poids des dettes dans le total passif de l’entreprise et sa
capacité à couvrir les charges financières à travers son chiffre d’affaires. Les ratios de
structure possèdent également un pouvoir discriminant puisqu’ils mesurent le degré
d’autonomie financière de l’entreprise ainsi que sa structure de financement.
De même, les ratios de liquidité générale et immédiate fournissent une idée sur la capacité de
l’entreprise à honorer ses engagements et donc à être solvable vis-à-vis de ses créanciers.
Enfin pour les ratios de répartition de la valeur ajoutée notamment la part de l’Etat, de
l’entreprise et celle des bailleurs de fonds s’avèrent des ratios discriminants car ils permettent
d’apprécier la répartition de la richesse de l’entreprise entre ses différents partenaires surtout
pour la part qui revient aux bailleurs de fonds.
Donc, à ce stade nous pouvons confirmer que nos hypothèses de départ sont validées et que
les sept catégories de ratios utilisées permettent de discriminer entre les deux types
d’entreprises.
3.1.2. Tests du pouvoir discriminant du modèle
Généralement, la capacité prédictive de la fonction discriminante est vérifiée soit par des
tests statistiques faisant appel à des hypothèses probabilistes, soit par la matrice de confusion.

ISSN: 2665-7473
Nous présenterons respectivement le test de Lambda de Wilks, la corrélation canonique, le

test de Box puis la matrice de confusion :
Lambda de Wilks
Test de la ou des fonctions Lambda de Wilks Khi-deux ddl Signification
1 0,507 123,355 33 0
Source : Résultats
SPSS
La corrélation globale : Valeurs propres
Fonction Valeur propre % de la variance % cumulé Corrélation canonique
1 1,221 100,0 100,0 0,742
La corrélation globale est exprimée à travers la colonne valeur propre, celle-ci est de 1,221.
Source : Résultats SPSS
Plus la valeur du lambda de Wilks est faible, plus le modèle est bon. De même, la
significativité du modèle, plus elle tend vers ‘0’, plus le modèle est bon.
Dans notre cas, l’examen du tableau de Lambda de Wilks globale révèle que la fonction
discriminante est utile à l’explication des différences observées entre les groupes puisque sa
significativité tend vers ‘0’ d’autant plus que le lambda de Wilks est faible et que le modèle
est bon. Cela veut dire qu’au niveau global, la différence des moyennes des groupes est
significative.
Nous observons également la colonne « corrélation canonique ». Plus elle est proche de ‘1’,
meilleur est le modèle. Dans notre cas, sa valeur est de 0,742 soit 74,2%. Donc une forte
corrélation témoignant de la grande utilité de la fonction discriminante et confirmant son
pouvoir discriminant assez important.
Pour s’assurer que la fonction discriminante classifie bien les entreprises en sous-groupes,
nous analysons la matrice de confusion qui regroupe les entreprises bien classées et celles mal
classées.
3.1.3. Statistiques de classement
L’analyse discriminante à l’aide de l’outil SPSS permet d’élaborer une matrice de
classement afin d’apprécier la performance du modèle et d’expliquer les erreurs de type I et
II. Les résultats de cette matrice de classement sont représentés par le tableau ci-après :

ISSN: 2665-7473
Résultats du classement a
DEFAILLANCE Classe(s) d'affectation Total
prévue(s)
0 1
0 83 17 100
Effectif
1 14 86 100
Original
0 83,0 17,0 100,0
%
1 14,0 86,0 100,0
a. 84,5% des observations originales classées correctement.
Cette fonction discriminante permet de classer 84,5% des entreprises correctement, soit un
taux d’erreur (entreprises mal classées) de seulement 15,5%. De plus on note que 83% des
entreprises de la classe ‘0’ (groupe des entreprises saines) sont bien classées, et 86% de la
classe ‘1’ (entreprises défaillantes), sont également bien classées.
L’erreur de type I est celle de classer à tort, une entreprise saine parmi celles en défaillance.
Ce taux de classement lié à ce groupe est de 14%. L’erreur de type II implique un classement
à tort d’une entreprise défaillante parmi celles saines. Ce taux est de 17% de l’effectif total de
ce groupe.
3.2. Les résultats de l’analyse discriminante par année

Pour déterminer les variables les plus discriminantes ainsi que leurs coefficients, nous
avons utilisé le logiciel SPSS 20. Dans la mesure où le nombre de ratios calculé est élevé, il
fallait sélectionner pour chaque année, ceux qui contribuent le plus à la discrimination entre
les entreprises défaillantes et celles qui ne le sont pas.
La sélection des variables par l’analyse discriminante est un travail délicat. Plusieurs
méthodes peuvent être utilisées pour déterminer les ratios financiers qui participent le plus à
la discrimination entre les deux types d’entreprises. Parmi ces méthodes, nous avons choisi
celle qui consiste à effectuer le test de Wilks des ratios des deux groupes d’entreprises. En
effet, la significativité de la statistique de Fisher rejette l’hypothèse nulle qui stipule que, pour
un ratio donné, il y a une discrimination entre les deux groupes d’entreprises.
Nous allons donc utiliser le ‘Lambda de Wilks’, qui permet de choisir la variable qui a le plus
grand pouvoir discriminant. Ainsi, chaque variable du modèle est examiné. Si la variable du
modèle contribue le moins à son pouvoir discriminant mesuré par le ‘Lambda de Wilks’.

ISSN: 2665-7473
Le principe est le suivant : il faut établir au départ un critère de sélection des variables qui
mesure, pour le modèle discriminant, l’information additionnelle que peut apporter une
variable par rapport aux autres. Ce critère utilisé est fondé sur le choix des ratios les plus
significatifs. Le but est d’aboutir à une meilleure discrimination entre les entreprises saines et
celles défaillantes et d’associer un score à chacune d’elles.
Ainsi, pour construire notre modèle, nous avons des variables indépendantes dites aussi
(exogènes), qui sont les ratios financiers et une variable dépendante dite aussi endogène, qui
est une variable dichotomique. Elle prend la valeur :
‘0’ : pour une entreprise saine et,
‘1’ : pour une entreprise défaillante.
Le modèle sera donc comme suit :
Zi = a0 + a1 R1i + a2 R2i + ……………..+ ak Rki + €
Où: Rki : représente la valeur prise par les ratios de l’entreprise;
ak : le coefficient associé à l’indicateur Rk ;
Zi : le score d’une entreprise.
C’est la valeur de Zi par rapport à la valeur critique Z* qui détermine le classement des
entreprises dans le groupe des entreprises saines ou celui des entreprises défaillantes.
3.2.1. Résultats de l’analyse discriminante trois ans avant la défaillance (A.D. 1)
Pour élaborer notre modèle d’analyse discriminante trois années avant la défaillance,
nous avons procédé à travers les étapes suivantes :
En premier lieu, nous avons testé l’égalité des moyennes des groupes afin de détecter les
ratios les plus significatifs durant cette première année. En deuxième lieu, nous avons calculé
le pouvoir discriminant de chaque ratio afin de les classer selon leur importance. Finalement,
nous avons testé le pouvoir discriminant de notre modèle afin de juger sa pertinence.
Ainsi, le test d’égalité des moyennes des groupes trois années avant la défaillance, montre que
les ratios les plus significatifs pour l’année 1 sont les suivants :
Tableau: les ratios les plus significatifs pour l’AD 1 :
Variables F Signification Variables F Signification
FP/AI 1 24,748 0 RN/CA 1 8,067 0,005
RN/TA 1 12,221 0,001 IN/TA 1 7,973 0,005
DLMT/FP 1 10,977 0,001 EBE/CA 1 7,548 0,007
RE/CA 1 10,832 0,001 RAI/CA 1 7,107 0,008

ISSN: 2665-7473
IMPOT/VA 1 10,408 0,001 CF/CA 1 6,241 0,013

DLMT/TP 1 9,925 0,002 CP/FP 1 6,081 0,015
CAF/CA 1 8,495 0,004 CA/TA 1 4,55 0,034
EB/TP 1 8,339 0,004 CI/VA 1 3,92 0,049
FRS/ARC 1 8,295 0,004
Nous avons classé les variables les plus significatives par ordre décroissant, selon la
statistique de Fisher ‘F’. Le tableau ci-dessus montre que trois ans avant la défaillance ‘17’
ratios jouent un rôle primordial dans la discrimination entre les deux groupes. Nous
remarquons que le ratio d’équilibre financier joue un rôle primordial dans la différentiation
entre les deux catégories d’entreprises. Le ratio de la rentabilité des actifs s’avère aussi très
significatif trois ans avant la défaillance, suivi des ratios de l’endettement surtout celui à long
et moyen terme et sa part dans le financement permanent.
Nous constatons également que tous les ratios de rentabilité se sont avérés très discriminants
entre les deux catégories d’entreprises, surtout celui de la marge nette d’exploitation qui
possède le plus grand pouvoir discriminant. En effet, plus le niveau de rentabilité diminue,
plus la probabilité de tomber en défaillance augmente. D’ailleurs ce constat a été confirmé par
la plupart des études.
Enfin, les ratios de la part de l’Etat dans la valeur ajoutée, de la durée du crédit fournisseurs
ainsi que celui du degré de couverture des charges financières par le chiffre d’affaires sont des
ratios discriminants entre les deux catégories d’entreprises.
 Présentation de la fonction score
Afin d’alléger la fonction de discrimination entre les deux types d’entreprises, nous avons
opté pour une analyse des corrélations entre les 17 variables les plus significatives détectées
ci-haut par le test de Fisher.
L’analyse de la matrice de corrélation entre les ratios les plus significatifs a fait apparaître de
fortes corrélations particulièrement entre par exemple : RAI/CA et CAF/CA (85,4%), CI/VA
et CF/CA (51%), RAI/CA et RE/CA (68%), RAI et RN/CA (97%), DLMT/FP et DLMT/TP
(91%) et avec EB/TP (70%).
Les ratios corrélés entre eux ne doivent pas figurer dans la même fonction, c’est ainsi que
nous avons choisi parmi les variables les plus corrélées, celles ayant le plus grand pouvoir
discriminant. Nous avons opté finalement pour ‘7’ ratios dont nous avons extrait, à travers le
logiciel SPSS, les coefficients de la fonction score.

ISSN: 2665-7473
Donc notre fonction score peut s’écrire ainsi :

Z = 0,485 R1 + 0,020 R2 - 0,011 R3 + 0,012 R4 + 0,022 R5 - 0,002 R6- 0,020 R7 – 0,723.
L’affectation à chaque catégorie d’entreprise se fera en fonction des centroïdes de celle-ci,
c'est-à-dire par comparaison avec un score discriminant « moyen » pour chaque catégorie. Ce
score moyen est calculé à partir de la fonction discriminante. Il s’agit de remplacer les valeurs
individuelles par les moyens des variables indépendantes pour chaque groupe. Les scores
discriminants moyens pour les deux groupes sont fournis par le logiciel SPSS :
Tableau: Fonctions aux barycentres des groupes (AD 1)
Appartenance Fonction
0 (saine) 0,503
1 (défaillante) -0,503
Le score moyen du groupe des entreprises défaillantes est de - 0,503 et celui des entreprises
saines est de 0,503. Par la suite, chaque score individuel est comparé aux deux scores moyens
et affecté à la catégorie dont il est le plus proche.
A ce niveau la question qui se pose : à partir de quel stade faut-il affecter une entreprise au
groupe ‘1’ et non pas au groupe ‘0’ ? Dans ce cas il faut déterminer un score qui servira de
frontière entre les groupes. La frontière d’affectation est égale à la moyenne des scores
moyens pondérée par la taille des groupes.
Dans notre cas, le score critique est égale à :
100 (-0,503) + 100 (0,503) / 200 = 0. Donc le score frontière est de ‘0’.
Ainsi, après avoir calculé la fonction relative à la discrimination, nous aboutissons à la
conclusion suivante :
 Si Z < - 0,503 : l’entreprise est considérée comme défaillante.
 Si Z > 0,503 : elle est considérée comme saine.
 Si -0,503 < Z < 0,503 : l’entreprise est en zone d’incertitude qui se situe entre les deux
centres de gravité des deux groupes. Cette zone ne permet pas de trancher
définitivement sur la défaillance ou non de l’entreprise.
 La classification des entreprises
Pour s’assurer de la validité du modèle de prévision, nous avons testé sa capacité de
distinguer dans l’échantillon initial des 200 entreprises, celles qui sont saines et celles
défaillantes.

ISSN: 2665-7473
Tableau: Résultats du classement (AD 1)

Trois ans avant la Classe(s) d'affectation prévue(s) Total
Nature d’entreprise
défaillance Saine défaillante
Saine 71 29 100
Effectif
Défaillante 13 87 100
Original
Saine 71,0 29,0 100,0
%
Défaillante 13,0 87,0 100,0
Nous remarquons que le modèle a pu distinguer 71 entreprises saines parmi 100, soit un taux
de bon classement de 71%. En plus, il a classé 87 entreprises défaillantes parmi 100 qui sont
effectivement défaillantes, soit un taux de bon classement de 87%. En effet, le taux d’erreur
de type I, qui est celui de classer une entreprise saine parmi celles défaillantes, est de l’ordre
de 29% alors que celui de type II (classer à tort une entreprise défaillante parmi celles saines)
est de 13%.
3.2.2. Analyse discriminante de Fisher deux ans avant la défaillance (AD 2)
 La détection des ratios les plus discriminants
Les ratios les plus significatifs deux ans avant la défaillance sont les suivants :
Tableau : les ratios les plus significatifs selon l’AD 2 :
Variables F Signification Variables F Signification
FP/AI 2 37,288 0 DLMT/FP 2 8,378 0,004
RN/TA 2 25,396 0 IMPOT/VA 2 7,914 0,005
EB/TP 2 14,137 0 AC-STK/PC 2 7,078 0,008
DLMT/TP 2 13,881 0 CA/TA 2 6,879 0,009
RN/CA 2 12,438 0,001 CP/TP 2 5,914 0,016
RE/CA 2 12,032 0,001 IN/TA 2 5,869 0,016
RAI/CA 2 11,24 0,001 FRS/ARC 2 5,612 0,019
EBE/CA 2 11,214 0,001 CI/VA 2 4,969 0,027
CP/FP 2 11,021 0,001 CF/CA 2 4,756 0,03
CAF/CA 2 10,571 0,001 TRSA/PC 2 4,712 0,031
VA/CA 2 8,454 0,004

ISSN: 2665-7473
Les variables les plus significatives sont classées par ordre décroissant selon la statistique de
Fisher. Nous remarquons à travers l’analyse discriminante deux ans avant la défaillance, que
l’importance de certains ratios permettant d’identifier la situation financière future des
entreprises change d’une année à l’autre. Par exemple, les ratios de liquidité prennent de
l’ampleur pour la discrimination entre les deux catégories d’entreprises.
Nous constatons également que respectivement, les ratios de : l’équilibre financier, la
rentabilité, l’endettement, la répartition de la valeur ajoutée puis la liquidité sont les
indicateurs les plus significatifs de la situation financière des entreprises marocaines ; même
s’ils n’ont pas la même capacité prédictive.
Les ratios les plus corrélés entre eux ne doivent pas figurer dans la même fonction, ainsi nous
avons éliminé parmi les 21 variables les plus significatives, celles qui sont fortement
corrélées, tout en optant pour celles ayant le plus grand pouvoir discriminant. Nous avons
opté finalement pour ‘8’ ratios dont nous avons extrait, à travers le logiciel SPSS, les
coefficients de la fonction score. Notre fonction score deux ans avant la défaillance est la
suivante :
Z = 0,596 R1 + 0,034 R2 – 0,015 R3 + 0,017 R4 + 0,014 R5 - 0,332 R6 - 0,002 R7 – 0,014
R8 – 0,264.
Le logiciel SPSS donne les scores discriminants moyens pour les deux groupes afin d’affecter
chaque entreprise à sa catégorie. Les scores moyens sont les suivants :
DEFAILLANCE Fonction
0 0,661
1 -0,661
Après avoir calculé la fonction relative à la discrimination, nous aboutissons à la conclusion
suivante :
 Si Z < - 0,661 : l’entreprise est considérée comme défaillante.
 Si Z > 0,661 : elle est considérée comme saine.
 Si -0,661 < Z < 0,661 : l’entreprise est en zone d’incertitude qui se situe entre les deux
centres de gravité des deux groupes. Cette zone ne permet pas de trancher

ISSN: 2665-7473

défaillantes.
DEFAILLANCE Classe(s) d'affectation prévue(s) Total
0 1
0 77 23 100
Effectif
1 12 88 100
Original
0 77,0 23,0 100,0
%
1 12,0 88,0 100,0
Nous remarquons que le modèle a pu distinguer 77 entreprises saines parmi 100, soit un taux
de succès de 77%. En plus, il a classé 88 entreprises défaillantes parmi 100 qui sont
effectivement défaillantes, soit un taux de bon classement de 88%. En effet, le taux d’erreur
de type I, qui est celui de classer une entreprise saine parmi celles défaillantes, est de l’ordre
de 23% alors que celui de type II (classer à tort une entreprise défaillante parmi celles saines)
est de 12%.
3.2.3. Analyse discriminante de Fisher un an avant la défaillance (AD 3)
 La détection des ratios les plus discriminants
Les ratios les plus significatifs un an avant la défaillance sont les suivants :
Tableau: les ratios les plus significatifs selon l’AD 3
Lambda Lambda
Variables de Wilks F Signif. Variables de Wilks F Signif.
FP/AI 3 0,824 42,209 0 CP/TP 3 0,95 10,514 0,001
RN/TA 3 0,86 32,204 0 EBE/CA 3 0,955 9,308 0,003
AC/PC 3 0,91 19,579 0 CAF/CA 3 0,957 8,915 0,003
CA/TA 3 0,915 18,449 0 FRS/ARC 3 0,957 8,806 0,003
IMPOT/VA 3 0,917 17,951 0 VA/CA 3 0,959 8,362 0,004
EB/TP 3 0,925 15,978 0 CCR/CA 3 0,961 8,082 0,005
DLMT/TP 3 0,931 14,761 0 CF/CA 3 0,962 7,906 0,005
RE/CA 3 0,941 12,497 0,001 AF/VA 3 0,966 7,04 0,009

ISSN: 2665-7473
RAI/CA 3 0,947 11,175 0,001 IN/TA 3 0,967 6,735 0,01

CP/FP 3 0,947 11,062 0,001 TRSA/PC 3 0,973 5,468 0,02
RN/CA 3 0,947 10,998 0,001 RN/CP 3 0,976 4,856 0,029
A travers le tableau ci-dessus, nous remarquons qu’un an avant la déclaration de l’entreprise
en situation de défaut de paiement, certains ratios ont gardé le même degré de significativité
pour discriminer entre les entreprises saines et celles défaillantes et d’autres ont pris de
l’importance. En effet, les ratios d’équilibre financier, de rentabilité surtout celle des actifs,
d’endettement, de la part de l’Etat dans la valeur ajoutée ainsi que celui de la durée de crédit
fournisseurs s’avèrent toujours très discriminants entre les deux catégories d’entreprises, avec
une importance très proche voir même égale. D’ailleurs ces ratios ont été classés très
significatifs durant les trois années.
Toutefois, un an avant la défaillance deux ratios ont pris de l’importance à savoir la liquidité
et la durée de crédit client. En effet, le niveau de liquidité et surtout celle immédiate constitue,
un an avant la défaillance, un facteur très discriminant entre les entreprises saines et celles
défaillantes. Il renseigne sur la capacité de l’entreprise à faire face immédiatement à ses
besoins de financement et donc sa capacité à être solvable.
En outre, le ratio de la durée de crédit clients est déclaré significatif un an avant la défaillance
entre les deux types d’entreprises. Une entreprise avant sa défaillance accorde des délais de
paiement plus longs, cela peut être dû à son indulgence en terme de gestion commerciale, au
manque de suivi des créances ou encore au souci de garder ses clients.
En effet, l’entreprise au début de son cycle de vie, rencontre des problèmes de reconnaissance,
de développement de marché et de gestion et donc elle contracte avec des clients sans oser
leur imposer des conditions de paiement strictes. Ce comportement expose l’entreprise au
risque de subir les effets d’un comportement de mauvais payeur ce qui allonge davantage la
durée du crédit. Ce résultat a été d’ailleurs confirmé par Dietsch (1997).
Afin d’alléger notre fonction score, nous avons procédé à l’élimination des ratios les plus
corrélés, tout en optant pour ceux qui donnent le meilleur taux de bon classement.
Les ratios les plus corrélés entre eux ne doivent pas figurer dans la même fonction, ainsi nous
avons éliminé parmi les 22 variables les plus significatives, celles qui sont fortement
corrélées, tout en optant pour celles ayant le plus grand pouvoir discriminant. Nous avons
opté finalement pour ‘9’ ratios dont nous avons extrait, à travers le logiciel SPSS, les

ISSN: 2665-7473
coefficients de la fonction score. Donc notre fonction score deux ans avant la défaillance est
la suivante :
Z = 0,396 R1 + 0,042 R2 – 0,351 R3 + 0,037 R4 - 0,017 R5 + 0,004 R6 - 0,000 R7 – 0,002
R8 + 0,002 R9 – 0,474.
Les scores discriminants moyens pour les deux groupes permettant d’affecter chaque
entreprise à sa catégorie sont les suivants :
DEFAILLANCE Fonction
0 0,724
1 -0,724
Après avoir calculé la fonction relative à la discrimination, nous aboutissons à la conclusion
suivante :
 Si Z < - 0,724 : l’entreprise est considérée comme défaillante.
 Si Z > 0,724 : elle est considérée comme saine.
 Si -0,724 < Z < 0,724 : l’entreprise est en zone d’incertitude qui se situe entre les
deux centres de gravité des deux groupes. Cette zone ne permet pas de trancher
défaillantes.
DEFAILLANCE Classe(s) d'affectation prévue(s) Total
0 1
0 83 17 100
Effectif
1 11 89 100
Original
0 83,0 17,0 100,0
%
1 11,0 89,0 100,0
Nous remarquons que parmi les 100 entreprises saines, le modèle a pu distinguer 83
entreprises. En plus, il a classé 89 entreprises défaillantes parmi 100 qui sont effectivement
défaillantes. En effet, le taux d’erreur de type I, qui est celui de classer une entreprise saine

ISSN: 2665-7473
parmi celles défaillantes, est de l’ordre de 17% alors que celui de type II (classer à tort une
entreprise défaillante parmi celles saines) est de 11%.
Il importe aussi de signaler que le test du pouvoir de classification du modèle dans le temps,
en passant de trois ans à un an avant la défaillance, montre que les taux de classement des
entreprises s’améliorent. Ce taux est passé de 71% à 77% puis 83% pour les entreprises saines
et de 87% à 88% puis 89% pour les entreprises défaillantes. De ce fait, nous pouvons conclure
que, plus l’horizon de prévision est proche, plus le degré de précision du modèle augmente.
Ce constat a été confirmé par la plupart des travaux antérieurs qui ont conclu que plus
l’horizon de la défaillance se rapproche, plus la prévision est précise. Cela est dû à la
dégradation de la situation de l’entreprise quelques mois voire un an avant de passer en
situation de défaillance. Dans ce cas, la discrimination entre les deux catégories d’entreprises
saines et défaillantes sera assez claire. D’ailleurs, dans notre cas, le modèle a permis de bien
classer 89% des entreprises en difficulté.
En guise de conclusion, l’analyse discriminante pour les trois années précédant la

défaillance montre que certains ratios s’avèrent très discriminants durant les trois années
d’analyse, avec une légère différence de leur pouvoir discriminant d’une année à l’autre. Il
s’agit notamment de l’équilibre financier, la rentabilité des actifs, l’endettement, la marge
nette d’exploitation et la rentabilité commerciale nette, la part de l’Etat dans la valeur ajoutée
et la durée du crédit fournisseurs.
D’autres ratios tels que la liquidité immédiate et celle réduite se sont avérés discriminants
respectivement un an et deux ans avant la défaillance. De même que le ratio de gestion du
crédit clients qui a pris de l’ampleur un an avant la défaillance. Ce constat est tout à fait
logique, puisque le niveau de liquidité surtout immédiate ainsi que la durée du crédit clients
agissent directement sur la capacité de l’entreprises à honorer ses engagements.
Les résultats obtenus à travers cette étude empirique nous permettent de conclure que les
variables les plus discriminantes entre les entreprises saines et celles défaillantes, sont ceux de
la rentabilité, la liquidité, l’équilibre financier et le poids de l’endettement. D’ailleurs, ces
résultats sont conformes avec les enseignements de l’analyse financière qui préconise
l’analyse du couple rentabilité/risque pour décider de la situation financière de toute
entreprise.

ISSN: 2665-7473
Le test du pouvoir de classification du modèle a révélé des résultats très intéressants. En effet,
le modèle donne un taux global de bon classement respectivement de 79%, 82,5% et 86%
pour les trois années précédant la défaillance.
BIBLIOGRAPHIE :
Ouvrages:
 Bardos M., (2001), « Analyse discriminante : application au risque et scoring financier »,
Dunod, Paris.
 Petit-Dutaillis G., (1971), « Le risque du crédit bancaire » Ed. Ripert.
 Tuffery S., (2007), « Data Mining et Statistique décisionnelle, l'intelligence des données »,
Editions Technip (2e Ed).
Articles :
 Akaaboune, M. & Elafi, R., (2018), « Le processus de la défaillance des entreprises : état
des lieux au Maroc », Revue du Contrôle de la Comptabilité et de l’Audit, Numéro 6,
Septembre, ISSN : 2550-469X.
 Altman E.I. (1968), “Financial ratios, discriminant analysis and the prediction of corporate
bankruptcy”, in Journal of Finance, vol. 23, p. 589-609.
 Anderson R., (2007), « The crédit scoring Toolkit », Oxford University Press.
 Bank al Maghrib, (2009), « L’expérience marocaine en matière de financement des
PME », par Monsieur Ahmed LAHRACHE, Adjoint au directeur de la supervision
bancaire, Financement de la PME dans les pays du Maghreb, Alger 11 et 12 mars.
 Banque de France (1985), La Détection Précoce des difficultés d’entreprises par la
Méthode des Scores, Paris, Banque de France, Septembre.
 Banque de France (1988), Les Ratios de la Centrale des bilans de la Banque de France,
Paris, Banque de France, Décembre.
 Bardos M. (1984), “Le risque de défaillance d'entreprises”, in Cahiers Economiques et
Monétaires, Banque de France, vol. 19 (4eme trimestre), p. 1-190.
 Bardos M. (1991), Méthodes des Scores de la Centrale des Bilans, Paris, Banque de
France, Centrale des Bilans, Septembre.
 Bardos M. (1994), “Délais de Paiement et Détection Précoce des Défaillances
d’Entreprises”, in Bulletin de la Banque de France, vol. 1er Trimestre (Supplément
Etudes), p. 97-103.
 Bardos M., (2008), « Scoring sur données d’entreprises : instrument de diagnostic
individuel et outil d’analyse de portefeuille d’une clientèle », Revue Modulad, N°38.
 Besse P. & Laurent B., (2012), « Du Data Mining à l’Apprentissage Statistique », INSA
de Toulouse, Septembre.
 Boisselier P., Dufour D., (2011), « scoring et anticipation de défaillance des entreprises :
une approche par la régression logistique », halshs-00582740, version 1 – 4 April.
 Boujelbene Y. & Khemakhem S., (2013), « Prévision du risque de crédit : Une étude
comparative entre l’Analyse Discriminante et l’Approche Neuronale ».
 Bulletin de la Banque de France, (2009) « L’impact économique des défaillances
d’entreprises en 2008 et 2009 », Direction des entreprises, N°178, 4ème trimestre.
 Collongues Y. (1977), “Ratios Financiers et Prévision des Faillites des Petites et
Moyennes Entreprises”, in Banque, vol. n°365 (septembre).
 Diallo B., (2006), « un modèle de ‘crédit scoring’ pour une institution de micro-finance
africaine : le cas de Nyesigiso au Mali », Laboratoire d’Economie d’Orléans (LEO),
Université d’Orléans, Mai.
ISSN: 2665-7473
 Elhamma A., (2009), Août 2010, « La gestion du risque crédit par la méthode du scoring:
cas de la Banque Populaire de Rabat-Kénitra », revue marocaine de recherche en
management et marketing, N° 2 et 3.
 Flaman (1997) IN Diallo B., (2006), « un modèle de ‘crédit scoring’ pour une institution
de micro-finance africaine : le cas de Nyesigiso au Mali », Laboratoire d’Economie
d’Orléans (LEO), Université d’Orléans, Mai.
 Guilhot B., (2000), « Défaillances d'entreprise : soixante-dix ans d'analyse théoriques et
empiriques », Revue Française de Gestion, N° 130.
 Hamza F., (2009), “Gestion de risque de crédit par les banques marocaines dans un
contexte de la crise financière internationale”, Revue Tangis de Droit et d’Economie.
 Matoussi H. et Mouelhi R., (2011), «La prédiction de faillite des entreprises tunisiennes
par la régression logistique », publié dans "20ème congrès de l'AFC, France", halshs-
00587769, version.
 Ndiyae K., (2012), Statisticienne, Spécialiste en Développement Local, atelier d’écriture
sur la microfinance au Sénégal " Ecrire pour partager les expériences et innovations dans
le secteur de la microfinance au Sénégal", « Le « scoring » en microfinance : un outil de
gestion du risque de crédit ».
 Pompe P.M et Bilderbeek J. (2005), The prediction of bankruptcy of small and medium
sized industrial firms, Journal of Business Venturing, N°20.
 Rouges V., (2010), « Influence des informations comptables sur les crédits bancaires aux
entreprises », publié dans « La place de la dimension européenne dans la comptabilité
contrôle audit, Strasbourg : France », halshs-00459442, version 1.
 Saporta G.,2011, « Credit scoring, statistique et apprentissage », Conservatoire National
des Arts et Métiers, Paris.
 Smith, R. & Winakor, A. (1935), « Changes in the Financial Structure of Unsuccessful
Corporations », IN « Machine Learning Methods of Bankruptcy Prediction Using
Accounting Ratios », Open Journal of Business and Management, Vol.6 No.1, November
21, 2017
 Taouab O., (2011), « Les déterminants de la défaillance de la clientèle du micro-crédit au
Maroc : essai de modélisation logistique », Revue marocaine pour la recherche et le
dialogue, N°11.
 Zavgren, C., (1983), « The Prediction of Corporate Failure: The State of the Art. Journal
of Accounting Literature » IN Open Journal of Social Sciences, Vol.6 No.5, May 31, 2018
Thèses et mémoires :
 Ahmat A., (2010), « La gestion de risque et rentabilité bancaire », Mémoire de fin
d’études pour l’obtention du Diplôme de Maîtrise en Finance, République tunisienne,
Ministère de l’enseignement supérieur, Université internationale de Tunis.
 Ben Jabeur, (27 Mai 2011), « Statut de la faillite en théorie financière : approches
théoriques et validations empiriques dans le contexte français », Thèse pour l’obtention de
grade de docteur en sciences de gestion, Ecole doctorale Toulon et Ecole doctorale de
Sousse.
 Beaver (1966), IN « Ratios comptables versus ratios économiques pour la prévision de la
faillite corporative », par Guillaume Painchaud, Mémoire présenté en vue de l’obtention
du grade de Maître ès sciences en ingénierie financière, HEC Montréal, Novembre, 2016.
 Bouayad A. N., (2005), « Diagnostic financier des entreprises en difficultés, essai
d’élaboration d’un guide », Thèse de doctorat national en sciences économiques, option :

ISSN: 2665-7473
monnaie et finance, Université Mohammed I, Faculté des sciences juridiques

économiques et sociales, Oujda.
 Caire et Kossmann, IN Ntoutoume Obiang-Ndong F., (2006), « Scoring credit: une
application comparative de la régression logistique et des réseaux de neurones »,
Université Cheikh Anta Diop (UCAD) - Master Méthodes Statistiques et Econométriques.
 Durand D., (1941), IN Brailovsky J., 2008, «Modèles de risque de crédit à la
consommation : étude du rôle de l’économie dans la probabilité de défaut », mémoire
présenté pour l’obtention d’une maîtrise en économie, Université du Québéc à Montréal.
 Durjardin P., (2007), « Prévision de la défaillance et réseaux de neurones : l’apport des
méthodes numériques de sélection de variables », thèse de doctorat en sciences de gestion,
Université de Nice – Sophia-Antipolis, Institut d’Administration des Entreprises.
 Eisenbeis R., 1996, « An analysis of inefficiencies in banking: a stochastic cost frontier
approach », Economic Review, p.16-26.
 El Zanati D., (2008), « La problématique de la gestion des créances en souffrance au sein
des établissements bancaires », Mémoire pour l’obtention du DESS en sciences
économiques, UFR : Finance et banque, Université Mohammed V, FSJES Rabat Agdal.
 Maniani A., (2009), « La défaillance des entreprises au Maroc », Thèse pour l’obtention
du doctorat en sciences de gestion, Université Mohammed V, Faculté des sciences
juridiques économiques et sociales, Rabat Agdal,
 Masmoudi H., (2006), « Stratégies d’octroi des prêts et analyse de la défaillance des
emprunteurs : application de modèles sur données d’entreprises », mémoire pour
l’obtention du DESA, UFR : Econométrie appliquée à la modélisation Macro et Micro-
économique, Université Hassan II, Faculté des sciences juridiques, économiques et
sociales de Casablanca.
 Masson-Roy J., (2007), « Evaluation empirique des modèles de cotation de crédit MFATM
et FICOTM : résultats d’un échantillon de firmes privées canadiennes », Mémoire pour
l’obtention du grade de maîtrise en sciences, HEC Montréal.
 Tene G. C., (2007), « Evaluation statistique du risque de crédit par la technique du
scoring : cas de Afriland First Bank», Mémoire de Master de statistique appliquée, ENSP
de Yaoundé.
Sites Web :
 Bruno F., Lucron X., (2000), « Comprendre le scoring pour mieux l'utiliser », N°47 IN
http://www.e-marketing.fr/Marketing-Direct/Article/Comprendre-le-scoring-pour-mieux-l-
utiliser-3811-1.htm.
 Chiraz F. A., Hassouna F., (2004), « Prédiction du risque de défaillance des entreprises :
capacité à utiliser les ratios financiers, application du modèle linéaire de Brunswik »,
http://halshs.archives-ouvertes.fr/halshs-00593034/.
 Madalina Petrescu A., (2007), « Évaluation des risques des prêts bancaires », HEC
MONTRÉAL, Sciences de la gestion (Option finance), Mémoire présenté en vue de
l’obtention du grade de maitrise ès sciences ;
http://neumann.hec.ca/gestiondesrisques/Memoire_Madalina_Petrescu.pdf.
 Refait-Alexandre C., 2016, « La prévision de la faillite fondée sur l’analyse financière de
l’entreprise : un état des lieux. Economie et Prévision, Minefi - Direction de la prévision,
2004, 162, pp.129 – 147, https://www.cairn.info/revue-economie-et-prevision.htm, HAL
Id: hal-01391654.

ISSN: 2665-7473
 Schreiner M., (24 septembre 2003), « Les Vertus et Faiblesses de L’évaluation Statistique
Credit Scoring en Microfinance »,
http://www.microfinance.com/Francais/Articles/Vertus_et_Faiblesses_du_Scoring.pdf.
 Trésor-éco, (2011), « Facteurs explicatifs des évolutions récentes des défaillances
d’entreprises : une analyse économétrique », Lettre N° 84, Février 2011, Ministère de
l’économie, des finances et de l’industrie, République Française,
www.tresor.economie.gouv.fr.

ISSN: 2665-7473
Annexe I :
L'histoire du scoring crédit en 10 dates clés.
Dates Evènements
ère
2000 1 utilisation du crédit en Assyrie, à Babylone et en Egypte.
av. JC
1851 1ère utilisation de la notation (classement) crédit par John Bradstreet, pour ses
commerçants demandeurs de crédit, USA.
1909 John M. Moody publie la 1ere grille de notation pour les obligations commerciales
négociées sur le marché marché, USA.
1927 1er « crédit bureau » crée en Allemagne.
1933 Fisher initia les travaux sur l’analyse discriminante.
1941 David Durand professeur de Gestion au MIT écrit un rapport, et suggère le recours
aux statistiques pour assister la décision de crédit, USA.
1950 1ère firme créée par Bill Fair et Earl Isaac à San Fransisco à avoir développé les
premiers systèmes de Credit Scoring pour les crédits de consommation aux Etats-
Unis.
1958 1ère application du scoring par American Investments.
1967- Altman crée le « Z-score » à partir de l'analyse discriminante multivariée.
1970 Réglementation des « crédits bureaux » par le credit reporting act, USA.
1975 Introduction de la méthode scoring en France.
1995 L'assureur d'hypothèques Freddy Mac & Fannie Mae adopte le crédit-scoring, USA.
2000 Moody's KMV introduit le RiskCalc pour le scoring des ratios financiers (financial
ratio scoring - FRS).
2004 Bâle II recommande l'utilisation des méthodes statistiques de prévision du risque de
crédit.
Source : tableau inspiré de Rayon Anderson, « The crédit scoring Toolkit », Oxford University Press, 2007, P. 28
Annexe II :
Liste des 33 ratios financiers identifiés dans l’étude
Structure de financement : dettes à long et moyen terme /
R1 DLMT/FP
financement permanent.
STRUCTURE
RATIOS DE
R2 Autonomie financière : capitaux propres / financement permanent. CP/FP

Le ratio d’immobilisation de l’actif : Immobilisations Nettes /
R3 IN/TA
Total Actif.
R4 Rotation de L'actif : Chiffre d’Affaires / Total Actif. CA/TA
R5 Surface financière propre : Capitaux Propres / Total Passif. CP/TP
Capacité de remboursement : dettes à long et moyen terme /
ILIT
VAB
RAT
SOL
IOS
DE
R6 DLMT/CAF
E
capacité d’autofinancement (en nombre d’années).

ISSN: 2665-7473
Poids des charges d’intérêt : Charges d’intérêt / Résultat

R7 CI/RE
d’exploitation.
R8 Rentabilité commerciale nette : résultat net / chiffre d’affaires. RN/CA

Capacité bénéficiaire : capacité d’autofinancement / Chiffre
R9 CAF/CA
d’affaires
RATIOS DE RENTABILITE
Rentabilité nette des capitaux propres : résultat net / capitaux

R 10 RN/CP
propres.
Rentabilité d’exploitation générale (EBITDA) : excédent brut
R 11 EBE/CA
d’exploitation / Chiffre d’Affaires.
R 12 Marge bénéficiaire totale : résultat avant impôt / chiffre d’affaires RAI/CA
Marge nette d’exploitation (EBIT) : résultat d’exploitation /
R 13 RE/CA
chiffre d’affaires
R 14 Profitabilité : valeur ajoutée / chiffre d’affaires VA/CA
R 15 Rentabilité des actifs: résultat net / total actif RN/TA
R 16 Liquidité générale : Actif Circulant / Passif Circulant AC/PC
RATIOS DE
LIQUIDITE
R 17 Liquidité immédiate: Trésorerie Actif / Passif Circulant TRSA/PC

R 18 Liquidité réduite : (Actif Circulant - Stocks) / Passif Circulant AC-STK/PC
R 19 Equilibre financier : financement permanent / actif immobilisé FP/AI
R 20 Equilibre financier : fonds de roulement / besoin en fonds de
FDR/BFR
roulement
R 21 Part de l’Etat : Impôt sur les sociétés + Impôts et taxes / Valeur
REPARTITIO
IMPOT/VA
N DE LA VA
RATIOS DE
Ajoutée
R 22 Part des bailleurs de fonds : Charges d’intérêt / Valeur Ajoutée CI/VA
R 23 Part de l’entreprise : Autofinancement / Valeur Ajoutée AF/VA
R 24 Poids des salaires : Charges de personnel / Valeur Ajoutée CHPERS/VA
R 25 Solvabilité : Endettement bancaire / Total Passif EB/TP
RATIOS D'ENDETTEMENT
R 26 Couverture des charges financières : Charges Financières / chiffre

CF/CA
d’affaires
R 27 Coût de l’endettement : Charges financières / Endettement

CF/EB
Bancaire
R 28 Stabilité du financement : dettes à long et moyen terme /

DLMT/EB
Endettement Bancaire
R 29 Endettement à moyen et long terme : dettes à long et moyen terme
DLMT/TP
/ Total Passif
R 30 Endettement à court terme : Trésorerie Passif / Endettement
TRS PS/EB
Bancaire
R 31 Stocks / Chiffre d’Affaires * 360j
M
O
O
C
N
A
R
ST/CA * 360j
T
T
S
S
I

ISSN: 2665-7473
R 32 CCR/CA *
Clients et Comptes Rattachés / Chiffre d’Affaires * 360j
360j
R 33 FRS/ARC *
Fournisseurs /Achats Revendus et Consommés * 360j
360 j
Annexe III : Tableau : résultat de l’analyse des corrélations

Corrélation de Significative Corrélation Significative
VARIABLES VARIABLES
Pearson bilatérale de Pearson bilatérale
MOY. DLMT/FP ,208** ,003 MOY. AC/PC -,155* ,029
MOY. CP/FP -,237** ,001 MOY. TRSA/PC -,156* ,028
MOY. IN/TA ,189** ,007 MOY. AC-STK/PC -,133 ,061
MOY. CA/TA -,219** ,002 MOY. FP/AI -,484** ,000
MOY. CP/TP -,173* ,014 MOY. FDR/BFR -,125 ,077
MOY. EB/TP ,259** ,000 MOY. IMPOT/VA -,314** ,000
MOY. DLMT/CAF ,102 ,153 MOY. CI/VA ,171* ,016
MOY. CI/RE ,016 ,827 MOY. AF/VA -,214** ,002
MOY. RN/CA -,271** ,000 MOY. CHPERS/VA ,092 ,193
MOY. CAF/CA -,239** ,001 MOY. CF/CA ,215** ,002
MOY. RN/CP -,033 ,642 MOY. CF/EB ,130 ,066
MOY. EBE/CA -,257** ,000 MOY. DLMT/EB ,118 ,097
MOY. RAI/CA -,275** ,000 MOY. DLMT/TP ,258** ,000
MOY. RE/CA -,327** ,000 MOY. TRSPS/EB ,104 ,144
MOY. VA/CA -,130 ,066 MOY. STK/CA ,115 ,104
MOY. RN/TA -,391** ,000 MOY. CCR/CA ,199** ,005
MOY. FRS/ARC ,296** ,000
Annexe IV : Tests d'égalité des moyennes des groupes
Variables Lambda de Wilks F Signification Qualité
MOY. DLMT/FP 0,957 8,998 0,003 SIGNIFICATIVE
MOY. CP/FP 0,944 11,781 0,001 SIGNIFICATIVE
MOY. IN/TA 0,964 7,323 0,007 SIGNIFICATIVE
MOY. CA/TA 0,952 9,957 0,002 SIGNIFICATIVE
MOY. CP/TP 0,97 6,097 0,014 SIGNIFICATIVE
MOY. EB/TP 0,933 14,261 0 SIGNIFICATIVE
MOY. DLMT/CAF 0,99 2,062 0,153 NON SIGNIF.
MOY. CI/RE 1 0,048 0,827 NON SIGNIF.
MOY. RN/CA 0,927 15,667 0 SIGNIFICATIVE
MOY. CAF/CA 0,943 12,039 0,001 SIGNIFICATIVE
MOY. RN/CP 0,999 0,217 0,642 NON SIGNIF.
MOY. EBE/CA 0,934 13,992 0 SIGNIFICATIVE
MOY. RAI/CA 0,924 16,196 0 SIGNIFICATIVE
MOY. RE/CA 0,893 23,66 0 SIGNIFICATIVE
MOY. VA/CA 0,983 3,425 0,066 NON SIGNIF.
MOY. RN/TA 0,847 35,652 0 SIGNIFICATIVE
MOY. AC/PC 0,976 4,85 0,029 SIGNIFICATIVE
MOY. TRSA/PC 0,976 4,926 0,028 SIGNIFICATIVE
MOY. AC-STK/PC 0,982 3,544 0,061 NON SIGNIF.
MOY. FP/AI 0,766 60,493 0 SIGNIFICATIVE
MOY. FDR/BFR 0,984 3,158 0,077 NON SIGNIF.
MOY. IMPOT/VA 0,901 21,648 0 SIGNIFICATIVE
MOY. CI/VA 0,971 5,961 0,016 SIGNIFICATIVE
MOY. AF/VA 0,954 9,522 0,002 SIGNIFICATIVE
MOY. CHPERS/VA 0,991 1,704 0,193 NON SIGNIF.
MOY. CF/CA 0,954 9,588 0,002 SIGNIFICATIVE
MOY. CF/EB 0,983 3,407 0,066 NON SIGNIF.

ISSN: 2665-7473
MOY. DLMT/EB 0,986 2,778 0,097 NON SIGNIF.

MOY. DLMT/TP 0,934 14,099 0 SIGNIFICATIVE
MOY. TRSPS/EB 0,989 2,151 0,144 NON SIGNIF.
MOY. STK/CA 0,987 2,668 0,104 NON SIGNIF.
MOY. CCR/CA 0,961 8,137 0,005 SIGNIFICATIVE
MOY. FRS/ARC 0,913 18,972 0 SIGNIFICATIVE

80-Article Text-284-1-10-20200729

Transféré par

Droits d'auteur :

Formats disponibles

80-Article Text-284-1-10-20200729

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

80-Article Text-284-1-10-20200729

Transféré par

Droits d'auteur :

Formats disponibles

Revue Internationale des Sciences de Gestion

Proposition d’un modèle de prédiction de la défaillance des

Proposal of a prediction model for the default of Moroccan

Pr. : Wafia NOKAIRI

Date de soumission : 19/03/2019

Hosting by Copernicus International Index www.revue-isg.com Page 516

Hosting by Copernicus International Index www.revue-isg.com Page 517

Hosting by Copernicus International Index www.revue-isg.com Page 518

Hosting by Copernicus International Index www.revue-isg.com Page 519

Hosting by Copernicus International Index www.revue-isg.com Page 520

Hosting by Copernicus International Index www.revue-isg.com Page 521

1.2.1. Les méthodes basées sur le jugement humain,

S = 40% P + 20% E + 40% F

Hosting by Copernicus International Index www.revue-isg.com Page 522

La fonction financière finale du modèle ‘credit-men’ est donc comme suit :

Hosting by Copernicus International Index www.revue-isg.com Page 523

Hosting by Copernicus International Index www.revue-isg.com Page 524

L’analyse discriminante répond à une question fondamentale à savoir : laquelle des

Hosting by Copernicus International Index www.revue-isg.com Page 525

1.3. Les principaux modèles d’analyse discriminante :

Hosting by Copernicus International Index www.revue-isg.com Page 526

Hosting by Copernicus International Index www.revue-isg.com Page 527

Hosting by Copernicus International Index www.revue-isg.com Page 528

Hosting by Copernicus International Index www.revue-isg.com Page 529

Si Z < -0,250 : l'entreprise a des caractéristiques comparables à celles des entreprises

Somme toute, les méthodes statistiques de prédiction et de détection du risque de

Hosting by Copernicus International Index www.revue-isg.com Page 530

3. PROPOSITION D’UN MODELE PREDICTIF DE LA DEFAILLANCE DES

Hosting by Copernicus International Index www.revue-isg.com Page 531

Hosting by Copernicus International Index www.revue-isg.com Page 532

variables2 : DLMT/CAF, CI/RE, RN/CP, VA/CA, AC-STK/PC, FDR/BFR, CHPERS/VA,

Hosting by Copernicus International Index www.revue-isg.com Page 533

Hosting by Copernicus International Index www.revue-isg.com Page 534

Nous présenterons respectivement le test de Lambda de Wilks, la corrélation canonique, le

Hosting by Copernicus International Index www.revue-isg.com Page 535

3.2. Les résultats de l’analyse discriminante par année

Hosting by Copernicus International Index www.revue-isg.com Page 536

Hosting by Copernicus International Index www.revue-isg.com Page 537

IMPOT/VA 1 10,408 0,001 CF/CA 1 6,241 0,013

Hosting by Copernicus International Index www.revue-isg.com Page 538

Donc notre fonction score peut s’écrire ainsi :

Hosting by Copernicus International Index www.revue-isg.com Page 539

Tableau: Résultats du classement (AD 1)

Hosting by Copernicus International Index www.revue-isg.com Page 540

Hosting by Copernicus International Index www.revue-isg.com Page 541

 La classification des entreprises

Hosting by Copernicus International Index www.revue-isg.com Page 542

RAI/CA 3 0,947 11,175 0,001 IN/TA 3 0,967 6,735 0,01

Hosting by Copernicus International Index www.revue-isg.com Page 543

Hosting by Copernicus International Index www.revue-isg.com Page 544

En guise de conclusion, l’analyse discriminante pour les trois années précédant la

Hosting by Copernicus International Index www.revue-isg.com Page 545

Hosting by Copernicus International Index www.revue-isg.com Page 547

monnaie et finance, Université Mohammed I, Faculté des sciences juridiques

Hosting by Copernicus International Index www.revue-isg.com Page 548

Hosting by Copernicus International Index www.revue-isg.com Page 549

R2 Autonomie financière : capitaux propres / financement permanent. CP/FP

capacité d’autofinancement (en nombre d’années).

Hosting by Copernicus International Index www.revue-isg.com Page 550

Poids des charges d’intérêt : Charges d’intérêt / Résultat