Gestion des crédits commerciaux à court terme Etude de cas d’un crédit d’exploitation à la BNA de Rouiba Année universitaire

Abstract

En Algérie, les banques continuent à gérer le risque de crédit, par une méthode dite traditionnellement (l’analyse financière), par conséquent, nous avons proposé la méthode scoring et lavons appliquée à un échantillon de clients de la BNA. A partir de là, nous aimerions revenir à la question dont nous étions partis : « le modèle scoring a-t-il véritablement un pouvoir de prédiction de la probabilité de défaut de remboursement dans le cas de BNA ? ». Par conséquent, nous avons travaillé pour proposer un système de notation financière interne qui a été développé sur la base des données et des informations collectées par 31 entreprises enregistrées auprès de la BNA pour montrer l'importance d'utiliser de tels systèmes dans la prise de décision par les banquiers. Notre choix de méthode de régression logistique est étayé par les 112 résultats des données des dossiers de crédit fournit par la BNA pour la construction de la fonction scores. Néanmoins, notre travail a été limité par la taille de l’échantillon qui aurait permis plus de performance au modèle de crédit scoring proposé s’il avait été de taille plus importante. Les résultats obtenus sur cet échantillon, assurent que le modèle a un pouvoir de prédiction, car il présente un taux de bon classement de 87%, et seulement 13% comme un taux d’erreur. Concernant la validation, après avoir établi la fonction z-score, nous validons le modèle en effectuant des tests de robustesse sur les échantillons de contrôle qui ne sont pas utilisés dans la construction. Nous convertissons les scores obtenus en probabilité de défaut afin que l'entreprise puisse être divisée en deux catégories (saines, défaillante), aussi pour analyser la qualité du modèle avec la matrice de confusion. Le modèle a réussi de classer correctement les entreprises saines et en faillite à un taux de 75%, sachant qu'il n'y a pas de fiabilité à 100 % dans ce type de recherche. Cela est dû au manque et à l'indisponibilité d'autres variables explicatives qui peuvent être qualitatives ou quantitatives, et que nous n’arrivons pas à déterminer. A travers ce travail, nous nous sommes rendu compte que la possibilité d'introduire ce modèle interne est réalisable, mais les conditions de bonne manoeuvre sont suggérées : - Le développement du modèle de scoring nécessite une base de données assez large, qui réunit un grand nombre de documents de crédit contenant toutes les informations nécessaires (qualitatives et quantitatives). En prenant toutes les informations dont nous disposons comme variables, quantitatives (ratio), notre base de données montre une insuffisance de certaines variables, qu'elles soient quantitatives ou qualitatives, car l'explication du défaut de l'entreprise nécessite plus de variables, telles que : le secteur d'activité des entreprises, le type de crédit demandé, la nature de l'engagement et l’âge de l'entreprise... - En outre, la nouvelle méthode des tendances met l'accent sur l'importance des statistiques, notamment la définition de la probabilité de défaut. Dans notre étude de cas, notamment à la BNA, il existe des problèmes statistiques et un manque d'informations sur les entreprises. Ce qui nous 113 amène à dire que les techniques modernes et plus précisément le modèle logistique, est beaucoup trop en avance sur la gestion du risque de crédit faite actuellement dans cette banque. - De plus, nous pensons que la méthode de régression logistique est l'une des meilleures méthodes pour fournir aux banquiers une fonction de scoring fiable, mais il est préférable d'utiliser d'autres méthodes, à savoir l'analyse discriminante, l'arbre de décision et la liaison de réseau. - Cependant, dans le cadre de la recherche qui fait l'objet de notre recherche, il est nécessaire pour les banques d'évaluer le risque de crédit par des méthodes de scoring, mais l'analyse financière reste l'outil principal dans la décision d’octroi de crédit. La combinaison de ces deux méthodes permet non seulement de prédire la probabilité de mauvaise performance définie par le prêteur, mais aussi de quantifier la probabilité de défaut.