4667 12897 1 SM

86
Prédiction de la défaillance de la clientèle du micro

crédit au Maroc : méthodes des scores
Par Omar TAOUAB1
Résumé
Le développement de la micro finance au Maroc date du milieu des années 1990 et
devient particulièrement dynamique au cours des années 2000. Actuellement, ce secteur
commence à connaître de multiples risques notamment celui du crédit.
En effet, le risque de crédit, susceptible d’entraver l’émergence des
établissements de micro-finance, est devenu l’une des préoccupations
principales des institutions financières. Ainsi, une place importante
mérite d’être réservée au métier de la gestion des risques d’insolvabilité
des emprunteurs notamment à travers l’anticipation de leurs défaillances
.Cet objectif d’anticipation est réalisable à travers l’utilisation d’une
technique de scores qui permet d’affecter un individu en l’un des groupes
à savoir les bons clients et les défaillants.
En s’inspirant des enseignements sur la fonction de discrimination
présentés par (SAPORTA,1975), le discernement peut être effectué selon
les caractéristiques socio-économiques et démographiques de chaque
client et compte tenu des modalités prises par les différentes variables.
Le calcul des scores nous a permis élaborer un filtre de discrimination
permettant de noter les clients, d’identifier des classes de risque et de
repérer ceux susceptibles de tomber défaillants à la date de
remboursement.
Mots clés : Micro crédit, Risque, Défaillance, Scoring, , résultats,

propositions.
1
Enseignant chercheur à L’ENCG, Kénitra- Maroc
Revue Marocaine de Gestion et d’Economie ; N°2, Janvier-Mai 2010

87
Introduction
Les établissements de micro-credit commencent récemment à

prendre d’envergure à côté des organismes spécialisés partout dans le
monde. Au Maroc, ce développement intense confère à certain acteur tel
que l’association Al amana un rôle non négligeable en matière d’octroi
des crédits aux petits emprunteurs.
Toutefois, cette activité, qui ne cesse de s’élargir, n’est pas à exercer

sans exposer l’association à des risques divers de la micro-finance et plus
particulièrement la défaillance des clients. Dans ce contexte, l’adoption
d’un système de détection de l’insolvabilité s’impose avec acuité pour
pouvoir effectuer une catégorisation des clients en bon et mauvais.
Ce discernement peut être réalisé moyennant des scores établis

selon les caractéristiques socio-économiques et démographiques de
chaque client et compte tenu des modalités prises par les différentes
variables. Ces scores nous permettent d’élaborer un filtre de
discrimination permettant d’identifier les classes de risque et de repérer
les clients susceptibles de tomber défaillants à la date de remboursement.
Pour mener à bien cet essai de recherche, nous proposons de

présenter ce papier comme suit :
La première section passe en revue certains présupposés théoriques
pour cerner les variables usuelles de la défaillance de la clientèle du
micro-crédit. Une deuxième section est dédiée à la présentation de la
méthodologie de recherche spécifique à notre problématique et la
troisième section relate les résultats de l’estimation empirique assortis
d’analyse pour conclure avec des propositions.
I- QUELQUES ETUDES ANTERIEURES :

Plusieurs études ont été menées sur l’analyse du risque de défaillance
des demandeurs de crédit en utilisant la méthode des scores. On cite, à

88
titre d’exemple, celles faites par le groupe ACCION en Bolivie et en
Equateur durant l’année 2002, et celles menées en Colombie et en
République Dominicaine pendant l’année 2004 par Women’s World
Banking (Schreiner, 2007)1.
L’objectif primordial de ces études était de vérifier que quelques

informations et indicateurs déduits des dossiers relatifs aux clients
suffisaient pour prédire la défaillance de ces derniers. Après une
recherche théorique, nous allons nous inspirer d’une étude menée au
Mali, sur l’institution de micro-finance de Nyèsigiso, qui a était réalisée
par Boubacar Diallo en 2006, c’est la seule étude pour laquelle le rapport
méthodologique s’est avéré plus détaillé et plus intéressant. Cette étude
avait pour but, le développement d’un modèle de Crédit « Scoring » pour
cette institution de micro-finance, afin de pouvoir qualifier l’éligibilité du
client au financement.
II- Méthodologie
La méthodologie consiste à présenter d’une part, une présentation de
la méthode des scores et d’autres part, les différentes variables
explicatives ainsi que les différents testes pour aboutir sur des résultats et
quelques propositions
1-La méthode des scores : Disqual

La méthode Disqual2 (Discrimination sur variables qualitatives),
introduite en 1975 par SAPORTA, consiste à :
(i) effectuer, à partir de variables qualitatives quantitatives,
judicieusement découpées en classes, une analyse des
correspondances multiples (ACM) sur le tableau disjonctif complet
de ces variables.
1
Mark Schreiner , le scoring peut-il attirer les investisseurs soucieux du profit vers le microcredit?
2
Diallo B. (2006) « Un modèle de «Credit scoring pour une institution de microfinance Africaine,
le cas de Nyesigiso au Mali

89
(ii) placer les coordonnées (continues) des individus sur les axes
factoriels les plus discriminants issus de l’ACM,
(iii) injecter ces coordonnées en entrée d’une analyse discriminante
linéaire classique (AFD).et
(iv) procéder à un changement de variables dans la fonction de score de
Fisher pour l’exprimer en fonction des indicatrices des modalités des
variables initiales (qualitatives).
Le résultat est donc une combinaison linéaire d’indicatrices de
modalités, ce qui revient à attribuer une note à chacune de ces
modalités.
III -Données
1-Préparation des données
Pour tout client sollicitant un micro-crédit auprès d’Al Amana, on
trouve un formulaire de demande, sur lequel, figurent des informations
telles que : l’âge du client, son sexe, son état matrimoniale, son milieu de
résidence, le secteur d’activité où il exerce son métier, le montant de
crédit sollicité, la fréquence de remboursement exprimée en nombre
jours… Ces informations sont stockées simultanément et d’une manière
automatique sur une base de données sur le serveur de l’association.
Pour des raisons de confidentialité, les données nous sont fournies en

fonction des besoins du projet. La grande partie qui concerne les bons
clients nous a été transmise sur des fichiers texte (Bloc-notes), et l’autre
partie des mauvais clients nous a été confiée sur un fichier EXCEL.
Cependant, il existe quelques variables que nous avons jugées

adéquates pour notre étude et qui ne sont pas disponibles, comme le
montant des conditions financières (les frais du dossier et les autres frais
similaire) relatif à chaque client, le revenu mensuel estimé de chaque
client et la variable indiquant si un client a été inscrit, ou non, chez une
autre institution exerçant dans le même secteur d’activité.

90
Nous avons converti ces fichiers sous format EXCEL pour
aborder l’apurement des données disponibles et pour calculer d’autres
variables à partir des premières.
La deuxième étape était le traitement des données, à l’aide de SPSS, afin
de ne retenir que les variables nécessaires à l’étude et obtenir un fichier
plus réduit et plus facile à exploiter, tout en contenant le maximum
d’informations pertinentes. Le fichier en question fera objet d’une étude
descriptive et sera la base de l’élaboration du modèle de « Scoring ».
Cette étape est d’une grande importance car les résultats qui en émanent
constituent la base de la suite de l’analyse.
Il en résulte un nouveau fichier contenant toutes les variables
retenues et les variables crées, en respectant le fait que chaque
observation ne figure qu’une et une seule fois dans la base de données.
2- Echantillonnage1
Pour l’interrogation de la base de données, Al Amana utilise le
Business Object. Le problème de cet outil de décision, c’est qu’il ne peut
tirer qu’un nombre fini d’observations, donc, on n’a pas eu recours à
toutes les observations figurant dans la base, afin d’extraire un
échantillon en utilisant les techniques d’échantillonnage fondamentales
pour effectuer le bon choix. Et pour ne pas influencer les résultats, nous
avons décidé de travailler sur le maximum d’observations que le
Business Object peut nous fournir.
Notre échantillon de travail sur lequel nous allons appliquer les

méthodes d’analysa de la défaillance est composé de 84 391
observations. Et le tableau suivant, présente la répartition des bons et des
mauvais clients dans l’échantillon.
1
Fatima Bakass : Méthodologie des enquêtes statistiques, INSEA, 2007.

91
Tableau -1- : Répartition des bons et des mauvais clients dans

l’échantillon de l’étude
localisation
Total
Urbain rural
Défaillants en % 16,33 6,09 22,36
Non défaillants en % 46,16 31,48 77,64
Total/ zone 62,49 37,51 100
IV-Testes statistiques
Les testes statistiques porteront d’une part sur la dépendance, la
colinéarité des variables et d’autre part sur les coefficients du modèle et
leur validation.
(i)Test de dépendance
Pour tester la dépendance entre la variable expliquée et les
variables explicatives, nous utiliserons le test de khi-deux ou la matrice
de corrélation.
L’hypothèse nulle est la suivante :

H0 : il y a indépendance entre la variable expliquée Y et la variable
explicative Xi.
Si la valeur calculée du Khi2 est supérieur à celle tabulée l’hypothèse
sera rejetée.
(ii)Test de Kruscal Wallis

Pour tester l’indépendance entre les classes des variables
explicatives, nous effectuerons le test de Kruksal Wallis puisqu’il ne
suppose aucune hypothèse sur la loi de la variable de discrimination.

92
Lorsque tous les seuils critiques sont inférieurs à  =5%, on rejette
l’hypothèse nulle du test de Kruksal Wallis H0 pour toutes les variables
explicatives testées. Ce qui signifie que les classes formées sont
différentes deux à deux.
(iii) Corrélation entre les variables explicatives
L’intensité de la liaison linéaire entre deux variables peut être
mesurée par le coefficient de corrélation linéaire (ou R de Pearson).
Alors, la liaison est :
- Nulle, si le coefficient de corrélation est nul ;
- Parfaite, si le coefficient de corrélation = +1 ou -1 ;
- Forte, si le coefficient de corrélation linéaire > +0.7 ou < -
0.7.
Le coefficient de corrélation linéaire est positif lorsque les deux
variables évoluent dans le même sens : les deux augmentent ou
diminuent ensemble. Un coefficient de corrélation négatif indique une
variation inverse : l’une augmente quand l’autre diminue.
IV- Validation du modèle
La construction de l’outil de décision (fonction score) se fait
toujours sur un échantillon dit échantillon d’apprentissage ou échantillon
de base. Afin de savoir la qualité du modèle utilisé, plusieurs critères de
performances peuvent être appliqués sur un échantillon test d’une taille
suffisamment grande.
Parmi ces critères de performances que nous avons utilisées : les
taux de bons classements, la courbe de ROC, l’indice de Gini et les boîtes
à moustaches.
III- Résultats
Les principaux résultats sont déclinés, ci-après, conformément
aux étapes présentées par la méthodologie
1-Résultats de la manipulation des données

93
Après une étude documentaire sur le micro-crédit et sur les
problèmes rencontrés par les exerçants dans ce secteur, nous avons retenu
une série de variables qui explique le défaut de paiement chez les clients
des institutions de micro-finance. Or, comme nous l’avons déjà signalé,
la base de données d’Al Amana ne permet pas de les prendre en compte
dans leur totalité.
Les variables retenues pour le traitement des données sont :
- nct : le numéro de contrat ;
- zone : la zone géographique ;
- local : donne le milieu de résidence du client (Urbain/Rural) ;
- sexe : le sexe du client ;
- datnais : la date de naissance du client ;
- etatmatr : désigne l’état matrimonial du client ;
- sectact : indique le secteur d’activité du client;
- typpret : montre s’il s’agit d’un prêt solidaire (PS) ou d’un prêt
individuel (PI) ;
- datderech : la date de la dernière échéance ;

- datdempre : la date de demande du prêt ;
- datobtpre : la date d’obtention du prêt ;
- mntdem : indique le montant de prêt que le client a demandé (en

DH) ;
- mntacor : indique le montant de prêt accordé au client (en DH) ;
- period : désigne la périodicité de remboursement.

A ces variables s’ajoutent de nouvelles variables calculées à partir des
premières :

94
- age : l’âge du client ;
- durpret : indique la durée du prêt en nombre de jours, elle est

égale à la différence entre la date de la dernière échéance et la date
d’obtention du prêt ;
- tempatt : définit le temps d’attente pour l’obtention du prêt en

nombre de jours, elle est égale à la différence entre la date
d’obtention du prêt et la date de sa demande ;
- degratio : désigne le degré de rationnement, il est égale au

rapport de la différence entre le montant de prêt demandé et le
montant de prêt accordé, et le montant de prêt accordé.
Au final, les variables explicatives retenues pour analyser la défaillance

sont : zone, local, sexe, etatmatr, sectact, typpret, mntacor, period, age,
durpret, tempatt et degratio.
la variable dépendante (à expliquer) est la défaillance du client. Il

s’agit d’une variable binaire notée « default » tel que :
- default =1 si le client est défaillant selon la définition adoptée

par Al Amana ;
- default =0 si le client est sain selon la définition adoptée par Al

Amana.
2- Résultats des tests statistiques
Ces résultats concernent aussi bien les données que la validation de

la fonction de discernement (fonction des scores).
(i)Test de dépendance
Les résultats du teste khi-deux, présentés sur les annexes résultats ,

montre que pour toutes les variables, l’hypothèse d’indépendance est
rejetée au seuil de signification 5%. Donc on peut dire qu’il y a une

95
dépendance entre la variable expliquée et les variables explicatives
choisies.
A fin de s’assurer que les classes des variables sont

significativement différentes, on a opté pour un test d’égalités des
moyennes de ces classes.
(ii)Test de Kruscal Wallis
A partir des résultats de ce test, obtenu par SPSS portés sur les
annexes résultats. On remarque que tous les seuils critiques sont
inférieurs à  =5%, donc on rejette l’hypothèse nulle du test de Kruksal
Wallis H0 pour toutes les variables explicatives testées. Ce qui signifie
que les classes formées sont différentes deux à deux.
(iii ) Corrélation entre les variables
La matrice de corrélation entre les variables explicatives est

donnée par le tableau suivant :
Tableau 2 : Matrice des corrélations.
On remarque que toutes les variables explicatives sont faiblement

corrélées deux à deux, puisque tous les coefficients de corrélation sont
inférieurs à 0,7. On remarque aussi, que la plus grande corrélation est

96
celle entre le mntacor (Montant accordé) et degratio (le degré de
rationnement), avec un coefficient égale à 0,425.
3-Résultats de l’ACM
Pour appliquer l’ACM, nous avons utilisé le logiciel XLSTAT

qui nous a permis d’avoir plus de résultats que le logiciel SPSS.
La figure suivante présente l’inertie expliquée de chaque axe

factoriel (Série1) et la courbe du cumul des inerties ajustées des axes
(Série2) :
Figure 2 : Histogramme des valeurs propres et courbe

du cumul des inerties ajustées.
Dans le même cadre, le tableau ci-dessus donne les valeurs

propres associées à chaque axe ainsi que le taux d’inertie
expliquée :
Tableau -3- : Les valeurs propres et pourcentage d’inertie des

axes.

97
En analysant la figure 2, on remarque une stationnarité de la
courbe du cumul des inerties ajustées à partir du 12ème axe. De ce fait, et
puisque l’apport des 13 premiers axes et signifiant, nous les avons
retenues parmi les 28 existants.
Surtout que le maximum d’inertie est expliqué par le premier axe
et il ne dépasse pas 10% et les 13 premiers expliquent environ de 60%
de l’inertie totale.
4- Résultats de l’AFD
L’analyse discriminante s’effectue après l’analyse des

correspondances. En effet, nous avons appliqué l’AFD aux coordonnées
des individus sur les 13 axes retenus dans l’analyse précédente.Les
premiers résultats de cette analyse sont présentés dans le tableau de
signification des axes suivant :
Tableau -4- : Signification des axes.
On remarque que le degré de signification de chaque axe est

inférieur à 5% (égale à 0). Ainsi, les axes retenus dans la partie
précédente sont tous discriminants. Ils s’agit des axes suivants : F1;
F2; F3; F4; F5; F6; F7; F8; F9; F10; F11; F11; F12; F13.
Le degré de discrimination des axes est aussi représenté par les

scores qui varient entre -0,371 et 0,857 . Ces scores ainsi que les

98
degrés de signification nous ont permis d’éliminer les axes les
moins discriminants, comme le nous l’avons déjà signalé. Nous
avons obtenu le tableau suivant :
Tableau -5- : Score des axes.
A partir de ce dernier tableau, nous avons déterminé les scores des

modalités et par la suite ceux des clients. En effet, et puisque les
axes ne sont que des combinaisons linéaires des modalités, alors il
devient facile de déterminer les scores des modalités à partir de
ceux des axes. Ceci nous permettra de préciser les modalités les
plus discriminantes pour chaque classe de variable.
5- Tableau des scores des modalités (Saporta, 2006)

99
Le score est une combinaison linéaire des coordonnées
factorielles telles que les coefficients sont les scores des axes
factoriels. Puisque les axes sont combinaison linéaire des
modalités, alors le score s’exprime comme une combinaison
linéaire des indicatrices des modalités, avec les coefficients sont les
scores de ces modalités.
En effet, le score est obtenu à partir de la formule suivante :

k
On a : S  d jZ j Avec : Z j  XU j
j 1
Avec U sont les coordonnées des catégories sur le jème axe.

j
Alors, k k k
(1)
S  d
j 1
j Z j
 d
j 1
j XU j
 X  d jU j
j 1
 
grille de score
Avec :
- k : le nombre d’axes retenus ;
- X est le TDC :
1  1 0 0 0 0 1 ..........

20 1 0 0 1 0
 . .
X   .
 . .
 . .

n . . ..........
X : Variables indicatrices

100
Donc, d’après la formule (1), le score d’un individu est la
somme des scores des modalités qui le caractérisent. Si on connaît
les scores de toutes les modalités on peut déduire les scores des
individus. Ainsi, en appliquant la formule (1), on trouve le tableau
des scores des modalités présenté ci-dessous, il est appelé chez les
professionnelles la grille de score. En effet, c’est le produit
matriciel de la matrice constituée des coordonnées des modalités
sur les axes significatifs et de la matrice constituée des scores de
ces axes :
Tableau -6- : Score des modalités (Grille des scores).

101
D’après les tableaux 5 et 6, nous avons conclu que les modalités ayant
des scores négatifs présentent un faible risque et donc caractérisent les
«BONS », alors que les modalités ayant des scores positifs présentent un
fort risque et donc caractérisent les « MAUVAIS ».
Ainsi, un client est jugé « BON » s’il a les particularités suivantes :

- ZONE : Nord-Est, Nord-Ouest, Sud-Ouest ;
- LOCAL : Rural ;
- SEXE : Femme ;
- 35 ≤ AGE ≤ 87 ans ;
- ETATMATR : Divorcé, Veuf, Célibataire ;
- SECTACT : Agriculture ;
- TYPPRET : Prêt Individuel ;
- 1000 ≤ MNTACOR < 4000 DH ou 10 000 ≤ MNTACOR < 15 000
DH ;
- PERIOD : Mensuelle ;
- 13 ≤ DURPRET < 19 mois;
- TEMPATT d’une et deux semaines ;
- DEGRATIO > 0.
De ce fait, un « MAUVAIS » client se caractérise par le reste des modalités qui
sont :

102
- ZONE : Sud-Est ;
- LOCAL : Urbain ;
- SEXE : Homme ;
- 18 ≤ AGE < 35 ans;
- ETATMATR : Marié ;
- SECTACT : Commerce, Service, Artisanat ;
- TYPPRET : Prêt Solidaire ;
- 4000 ≤ MNTACOR < 10 000 DH ou 15 000 ≤ MNTACOR < 50 000
DH ;
- PERIOD : Hebdomadaire ou Bimensuelle ;
- 5 ≤ DURPRET < 13 mois ou 19 ≤ DURPRET < 61 mois ;
- TEMPATT Entre deux et quatre semaines ;
- DEGRATIO = 0.
6- Résultat des tests de validation du modèle
(i) Qualité d’affectation
D’ après le tableau ci dessous, nous remarquons que 92,15% des

observations sont bien classées dans l’échantillon de base, et que le
pourcentage des biens classés dans l’échantillon de base chez les
«MAUVAIS» est de 80,67%, tandis qu’il est de 95,46% chez les «BON».
Nous concluons que le taux de bon classement et le taux d’erreur

sont assez satisfaisants et permettent de dire que le modèle est
acceptable.
Tableau -7- : Les taux de classement des deux groupes de clients.
Classes d’affectation prévues %
Total
Défaillants Bons
Défaillants 80,67 19,33 100%
Bons 4,54 95,46 100%
(ii) Courbe de ROC

103
On constate dans la figure ci-dessous que la courbe de
ROC s’éloigne suffisamment de la bissectrice, ce qui nous permet
d’affirmer que le modèle est assez bon.
Figure -3- : Courbe de ROC du modèle disqual.
(iii) Indice de Gini

D’après les résultats figurant sur le tableau en dessous, nous
calculerons l’indice de Gini (g):
On a : g = (1- 2*Z)
avec Z est la zone sous la courbe, d’après les résultats affichés sur le
tableau-8-, elle est égale à 0,276
Donc : g = 44,8%.
La valeur de cet indice s’avère satisfaisante et confirme que le
modèle est valide et que les résultats obtenus sont assez bons.
Tableau -8- : Calcul de la surface de la zone sous la courbe de
ROC.
(iv) Boîtes à moustaches

104
On constate, sur la figure-4-, que la boîte à moustaches
représentant les « MAUVAIS » est assez écartée (vers le haut) de
celle représentant les « BONS », cela nous permet de confirmer que
nous avons une bonne discrimination entre les deux groupes.
Figure -4- : Boites à moustaches pour les deux groupes (cas du modèle disqual
7- Validation des scores par simulation

Après détermination du seuil d’affectation du clients suivant ses
propres caractéristiques, cette validation est effectuée par
simulation des nos propres affectation à celles constatées auprès de
l’association Al amana.
(i) Choix du seuil d’affectation des clients
Nous avons choisi un seuil d’affectation des clients en se basant sur
le taux de classement. En effet, nous avons choisi plusieurs seuils
d’affectation en se basant sur les résultats des classes de score.
Ensuite, nous avons calculé à chaque fois le taux de classement
réalisé par ce seuil, le taux d’erreur, le taux de refus des «BONS» et
le taux d’acceptation des «MAUVAIS» pour chacun de ces seuils.
Alors, le seuil choisi est S = 0,2 possédant un taux de classement
égale à 66,33% ; ainsi la prise de décision sera comme suit :
- Si le client a un score ≤ 0,2 il est prédit «BON» ;
- Si le client a un score > 0,2 il est prédit «MAUVAIS».

105
(ii) Simulation d’affectation par rapport à la base d’Al Amana
Tableau -9- : Le nombre de clients bien classés par rapport au

seuil S=0,2
D’après ce tableau on calcule le taux de bon classement

(12619+43361)/84391=66,33%. Et le taux de
différenciation (6246  22165) / 84391  33,67% . Ces taux donnent de
bons résultats pour valider le seuil d’affectation choisi, mais ils s’avèrent
insuffisants puisque ces résultats reposent uniquement sur l’échantillon
utilisé pour l’estimation du modèle.
Il est donc suggéré à l’association de procéder à la mise à jour du
seuil d’affectation en vérifiant à chaque fois le taux de bon classement.

106
Conclusion
Les caractéristiques des clients retenues dans notre analyse

expliquent la séparation de la population d’étude en deux groupes : les
« MAUVAIS » clients et les « BONS ».
D’autre part, les résultats du modèle de « scoring » par la

méthode Disqual nous ont permis d’élaborer un système d’attribution de
notes pour chaque client. A partir des caractéristiques de ce dernier, nous
obtenons le score qui lui est associé en sommant les scores
correspondants à ses modalités. L’affectation au groupe correspondant
est ensuite effectuée en comparant le score obtenu avec le seuil
d’affectation choisi. Ce dernier reste une décision stratégique.
Notons que le « scoring » est une technique qui nécessite un suivi

régulier, afin d’actualiser les critères explicatifs, vérifier l’efficacité du
score et l’exactitude des prévisions. Le chapitre suivant sera alloué à
l’application d’une régression logistique comme autre technique pour le
« Scoring ».

107
Références bibliographie
- Al Amana, Rapport d’activité2006.
- Al Amana a dix ans, 2007.
- ALBAN THOMAS ; Économétrie des variables qualitatives ;
DUNOD; Paris; 2000.
- Boubacar Diallo, Un Modèle de “Crédit Scoring” Pour une
institution de micro-finance africaine: le cas de NYESIGISO
au Mali, 2006.
- Churchill C. et Coster D. (2001) « CARE Manuel de gestion des
risques en microfinance Indicateurs de Performance pour les
Institutions de Microfinance », 2è Edition
- Diallo B. (2006) « Un modèle de «Credit scoring pour une
institution de microfinance Africaine, le cas de Nyesigiso au Mali »
- Fossou F. (2007) « Gestion stratégique et opérationnelle du Risque
de Crédit dans les Institutions de Microfinance : cas du PADME-
Benin »
- Gilbert SAPORTA; Analyse des données et statistiques ;
DUNOD ; 1990.
- G. Saporta. Models for Understanding versus Models for
Prediction . Inviting Conference COMPSTAT'08, Porto,
Portugal, aug, pp. 315-322, Physica Verlag, 2008.
- Maddala G. S. (1996) : Limited Dependant and Qualitative
Variables in Econometrics, Econometric Society Monograph,
Cambridge UP , 401 p
- MIRIELLE BARDOS ; Analyse discriminante : application au
risque et scoring financier, DUNOD, 2001.
- Muhammad Yunus and Karl Weber. Creating a World
Without Poverty: Social Business and the Future of
Capitalism, 2007.

108
- Schreiner Mark, le scoring peut-il attirer les investisseurs
soucieux du profit vers le microcredit? 2007.
- Todd H. ed. ; Gibbons D.S. ; Pradesh A. ; Alam R. l. ; Khan
S :Problems and Prospects of Group Lending in NGO Credit
Programmes in India.;2001
- Todd, Women at the Center: Grameen Borrowers After One
Decade. University Press Ltd., Dhaka, 1996.
- Yunus Muhammad, Banker to the Poor: Micro-Lending and
the Battle Against World Poverty, 1999.
- Watson et Dunford, quels effets de l’IMF sur les conditions
de vie ? Les analyses d’impacts, 2006
- Wonou.C. (2006) « Espace Micro finance N°002 : La gestion
préventive et curative du risque de crédit dans les institutions de
microfinance »
Sites Web
- http://cedric.cnam.fr/~saporta/.
- http://cedric.cnam.fr/~saporta/discriminante.pdf.
- http://data.mining.free.fr.
- http://www.enterweb.org/microc-f.htm.
http://www.planetfinance.org/.

109
Annexes des données et des résultats
Annexes des Données :
 Zone géographique (zone) :
Tableau -1- : Codes de la variable zone
géographique.
Zone Nord -Est Nord – Sud -Est Nord –

Code 1 2 3 4
Localisation (local) :Ouest Ouest
Tableau -2- : Codes de la variable localisation.

Localisation Urbain Rural
Code 1 2
genre (sexe) :
Tableau -3- : Codes de la variable genre.
Genre Homme Femme

Code 1 2
Âge (age) :
Tableau -4- : Codes de la variable age.

Age [18-35] [35-47] [47-87]
Code 1 2 3
Etat matrimonial (etatmatr) :
Tableau -5- : Codes de la variable état matrimonial.
Etat Marié Divorcé Veuf Célibataire

Code 1 2 3 4
matrimonial
Secteur d’activité (sectact) :
Tableau -6- : Codes de la variable secteur d’activité.

Secteur Agriculture Commerce Service Artisanat
Code 1 2 3 4
d’activité

110
 Type de prêt (typpret) :
 Tableau -7- : Codes de la variable type de prêt.

Tupe de prêt Prêt solidaire Prêt individuel
Code 1 2
 Montant accordé (mntacor) :
Tableau -8- : Codes de la variable des prêts accordé en milliers.
Prêt [1-2[ [2-4[ [4-8[ [8-10[ [10-15[ [15-50[

Code 1 2 3 4 5 6
 Périodicité de remboursement (period) :
Tableau -9- : Codes de la variable périodicité de remboursement

hebdomadaire Bimensuelle Mensuelle
Code 1 2 3
Périodicité
 Durée de prêt en nombre de mois (durpret) :
Tableau -10- : Codes de la variable durée de prêt (en mois).

Durée de prêt [5-13[ [13-19[ [19-61[
Code 1 2 3
 Temps d’attente en nombre de jours (tempatt) :
Tableau -11- : Codes de la variable temps d’attente.

T<semaine 1s<T<2semaines 2s<T<4semaines
Code 1 2 3
Temps
 Degré de rationnement (degratio)
d’attente
Tableau -12- : Codes de la variable degré de
rationnement.
Degré de rationnement 0 ]0-1[ >1
Code 1 2 3
 Défaillance (default) :

111
 Tableau -13- : Codes de la variable
défaillance.
Défaillance D non D
Code 1 2
Annexes des résultats
Tableau -1- : Résultats du test de Khi

variables Khi-deux Degré de liberté Seuil critique
Zone 2678,95 3 0.000
Local 1153,73 1 0.000
Sexe 72,53 1 0.000
Age 311,76 2 0.000
Etatmatr 48,22 3 0.000
Sectact 1485,75 3 0.000
Typepret 6,009 1 0.014
Mntacor 454,033 5 0.000
Period 1656,77 2 0.000
Durpret 2330,37 1 0.000
Tempatt 4059,37 2 0.000
degratio 8,545 2 0.014
Tableau -2- : Résultats du test de Kruscal Wallis.

va SKW Degré de Seuil
Zone 113,26 1 0.000
riables
Local 1153,72 liberté1 critique
0.000
Sexe 72,53 1 0.000
Age 310,80 1 0.000
Etatmatr 36,38 1 0.000
Sectact 1183,14 1 0.000
Typepret 32,00 1 0.031
Mntacor 374,31 1 0.000
Period 1650,81 1 0.000
Durpret 2330 1 0.000
Tempatt 2970,27 1 0.000
degratio 27,43 1 0.041

4667 12897 1 SM

Transféré par

Droits d'auteur :

Formats disponibles

4667 12897 1 SM

Transféré par

Informations du document

Titre original

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

4667 12897 1 SM

Transféré par

Droits d'auteur :

Formats disponibles

86

Prédiction de la défaillance de la clientèle du micro

Par Omar TAOUAB1

Mots clés : Micro crédit, Risque, Défaillance, Scoring, , résultats,

Revue Marocaine de Gestion et d’Economie ; N°2, Janvier-Mai 2010

Les établissements de micro-credit commencent récemment à

Toutefois, cette activité, qui ne cesse de s’élargir, n’est pas à exercer

Ce discernement peut être réalisé moyennant des scores établis

Pour mener à bien cet essai de recherche, nous proposons de

I- QUELQUES ETUDES ANTERIEURES :

Revue Marocaine de Gestion et d’Economie ; N°2, Janvier-Mai 2010

L’objectif primordial de ces études était de vérifier que quelques

1-La méthode des scores : Disqual

Revue Marocaine de Gestion et d’Economie ; N°2, Janvier-Mai 2010

Pour des raisons de confidentialité, les données nous sont fournies en

Cependant, il existe quelques variables que nous avons jugées

Revue Marocaine de Gestion et d’Economie ; N°2, Janvier-Mai 2010

Notre échantillon de travail sur lequel nous allons appliquer les

Revue Marocaine de Gestion et d’Economie ; N°2, Janvier-Mai 2010

Tableau -1- : Répartition des bons et des mauvais clients dans

L’hypothèse nulle est la suivante :

(ii)Test de Kruscal Wallis

Revue Marocaine de Gestion et d’Economie ; N°2, Janvier-Mai 2010

Revue Marocaine de Gestion et d’Economie ; N°2, Janvier-Mai 2010

Les variables retenues pour le traitement des données sont :

- nct : le numéro de contrat ;

- zone : la zone géographique ;

- local : donne le milieu de résidence du client (Urbain/Rural) ;

- sexe : le sexe du client ;

- datnais : la date de naissance du client ;

- etatmatr : désigne l’état matrimonial du client ;

- sectact : indique le secteur d’activité du client;

- datderech : la date de la dernière échéance ;

- datobtpre : la date d’obtention du prêt ;

- mntdem : indique le montant de prêt que le client a demandé (en

- mntacor : indique le montant de prêt accordé au client (en DH) ;

- period : désigne la périodicité de remboursement.

Revue Marocaine de Gestion et d’Economie ; N°2, Janvier-Mai 2010

- durpret : indique la durée du prêt en nombre de jours, elle est

- tempatt : définit le temps d’attente pour l’obtention du prêt en

- degratio : désigne le degré de rationnement, il est égale au

Au final, les variables explicatives retenues pour analyser la défaillance

la variable dépendante (à expliquer) est la défaillance du client. Il

- default =1 si le client est défaillant selon la définition adoptée

- default =0 si le client est sain selon la définition adoptée par Al

2- Résultats des tests statistiques

Ces résultats concernent aussi bien les données que la validation de

Les résultats du teste khi-deux, présentés sur les annexes résultats ,

Revue Marocaine de Gestion et d’Economie ; N°2, Janvier-Mai 2010

A fin de s’assurer que les classes des variables sont

(ii)Test de Kruscal Wallis

(iii ) Corrélation entre les variables

La matrice de corrélation entre les variables explicatives est

On remarque que toutes les variables explicatives sont faiblement

Revue Marocaine de Gestion et d’Economie ; N°2, Janvier-Mai 2010

Pour appliquer l’ACM, nous avons utilisé le logiciel XLSTAT

La figure suivante présente l’inertie expliquée de chaque axe

Figure 2 : Histogramme des valeurs propres et courbe

Dans le même cadre, le tableau ci-dessus donne les valeurs