Scoring sur données d’entreprises : instrument de diagnostic individuel et outil d’analyse de portefeuille d’une clientèle
Mireille Bardos Ancien chef de service de l’Observatoire des entreprises de la Banque de France mireille.bardos@wanadoo.fr Mots clefs : prévision du risque de crédit, analyse discriminante, précision de la probabilité de défaillance, classes de risque, sélection de variables, choix de modèle Introduction La plupart des études statistiques sur le risque de crédit et l’analyse discriminante se concentrent sur les techniques de construction d’un score. Or la réalisation d’un outil efficace de détection du risque doit relier cette construction à l’utilisation future de cet instrument et les propriétés qu’il doit en conséquence nécessairement satisfaire. Les utilisateurs d’un scoring sur données d’entreprises seront des décideurs, pour la plupart experts en analyse financière, ou responsables du risque de crédit dans les banques, ou superviseurs bancaires. Le présent article s’efforce de relier construction et utilisation en mettant en exergue les propriétés requises pour les utilisateurs et les implications techniques qu’elles entraînent. Il en résultera une réflexion sur la sélection des données, sur le choix du modèle, sur l’estimation de la probabilité de défaut. Dès lors l’utilisation de l’outil sera approfondie sous deux aspects : le diagnostic individuel de l’entreprise et l’analyse du risque d’une population d’entreprises emprunteuses. Enfin le score comme indicateur probabilisé du risque de crédit joue un rôle important dans les recherches en économie. Beaucoup des problèmes abordés ici se rencontrent sur d’autres champs d’application de l’analyse discriminante. Toutefois il convient de s’adapter dans chaque cas aux spécificités de l’utilisation.

1. Les enjeux de la prévision du risque de défaut de paiement
La nécessité de mieux contrôler le risque de crédit dans les banques a conduit à l’intensification des travaux de credit scoring.