En France, une entreprise défaillante sur quatre gagnait de l’argent

Le dernier bilan déposé est bénéficiaire. Résultat d’exploitation positif, activité en croissance, rien qui alerte au premier regard. Trois ans plus tard, le tribunal de commerce ouvre une procédure.

Ce n’est pas un cas d’école. Sur les 1 015 défaillances observées dans cette étude, plus d’une sur quatre frappe une entreprise qui gagnait de l’argent à son dernier exercice publié. Le compte de résultat ne les avait pas désignées. Autre chose, si.

Cette autre chose, c’est le décalage de trésorerie. Et la question qui nous occupe ici, celle que se pose chaque comité devant une cible non cotée, est de savoir si le risque de défaillance se laisse déceler à temps — et si le machine learning appliqué aux liasses déposées y ajoute quelque chose que l’analyse classique ne voit pas.

Le non-coté ne laisse qu’une seule trace

Une société cotée prévient. Le cours décroche, les analystes révisent, la notation se dégrade, et tout cela se lit des mois avant que les comptes n’enregistrent quoi que ce soit. Sur un modèle américain équivalent, ce verdict du marché figure parmi les trois signaux dominants.

Une PME française ne prévient pas. Pas de cours, pas de notation, pas d’analyste. Le dépôt des comptes n’est même pas obligatoire pour les plus petites structures, et la déclaration de confidentialité y est fréquente. Il ne reste qu’une trace commune à toutes les cibles d’un vivier : la liasse déposée au greffe.

C’est une contrainte, et c’est aussi ce qui rend l’exercice intéressant. Si le signal existe, il loge dans les comptes ou il n’est nulle part.

Ce qui a été mesuré, et sur quoi

Les données : 520 274 liasses déposées par 126 504 entreprises françaises non cotées, croisées avec 648 623 jugements d’ouverture de procédure collective publiés entre 2012 et 2025, sur 102 départements. Ces jugements ont été reconstitués à partir des archives brutes du bulletin officiel, dont l’interface publique plafonne les exports à un sixième du volume réel, et un échantillon tronqué sans qu’on sache où ne se défend pas devant un comité.

Le périmètre : nous avons volontairement resserré la population. Sur données brutes, l’échantillon français de défaillances est écrasé par les microentreprises, dont le profil financier n’a que peu à voir avec celui d’une cible de transaction. Nous avons donc retenu les seules entreprises dont le bilan atteint au moins 1 million d’euros, en deçà du seuil de bilan de 2 millions que fixe la loi pour la microentreprise, mais suffisant pour sortir de ce tissu et se rapprocher du vivier réellement adressé par un fonds ou un acquéreur industriel. Après ce filtre, l’étude porte sur 38 536 entreprises et 1 015 défaillances, soit 2,6 % de la population retenue. La contrepartie de ce resserrement est un effectif de défaillances plus modeste, assumé et documenté ci-dessous.

La question : non pas « cette société fera-t-elle faillite un jour », qui n’aide personne, mais « fera-t-elle l’objet d’un jugement d’ouverture sous trois ans », l’horizon usuel d’une thèse d’investissement. C’est sur cette définition que se mesure le risque de défaillance dans tout ce qui suit. Redressement, liquidation ou sauvegarde, et seulement les jugements d’ouverture : un plan de redressement n’est pas l’entrée en procédure, et confondre les deux décale l’événement de plusieurs mois.

La période : quatorze exercices, jusqu’à 2025. Le modèle a donc traversé la crise sanitaire, les moratoires qui ont suspendu les procédures, puis leur reprise. C’est une différence de fond avec les travaux publiés sur données américaines, qui s’arrêtent le plus souvent avant 2019 : les régimes de taux et de délais de paiement qu’ils décrivent ne sont plus les nôtres.

Le test : le modèle apprend sur les bilans clos entre 2015 et 2018, se règle sur 2019-2020, et se juge sur les bilans clos en 2021-2022, sans jamais connaître leur avenir. Une même entreprise pouvant déposer plusieurs bilans sur quatorze ans, elle peut apparaître à la fois dans l’apprentissage et dans le test, sous des exercices différents : ce n’est pas une fuite tant que chaque bilan est noté sur une information strictement antérieure à sa propre date, jamais sur le futur, et c’est même précisément ce qui permet au modèle d’apprendre une trajectoire plutôt qu’un instantané. Vérification faite sur les seules entreprises qu’il n’a jamais vues sous aucune forme à l’entraînement : la performance tient, elle ne s’effondre pas. Le test porte sur 55 013 bilans, dont 539 précèdent une défaillance dans les trois ans.

Une défaillante sur quatre gagnait de l’argent

26,5 % des entreprises défaillantes affichaient un résultat d’exploitation positif à leur dernier exercice publié. Deux cent soixante-neuf sociétés, dans un échantillon où la perte est pourtant le signal le plus ordinaire.

Ce qui les sépare des rentables qui traversent l’épreuve n’est ni leur marge ni leur carnet de commandes. C’est ce que leur activité immobilise en trésorerie : les stocks et les créances clients qu’il faut financer, moins le crédit obtenu des fournisseurs. Le besoin en fonds de roulement, en langage de bilan.

Chez une entreprise rentable, passer d’un besoin léger à un besoin lourd multiplie par 3,2 la probabilité de défaillance.

Chez une entreprise en perte, le même écart n’est que du double. Le résultat a déjà dit l’essentiel ; le reste ne fait qu’ajouter. Autrement dit : le besoin en fonds de roulement n’est pas un indicateur parmi d’autres, c’est celui qui tranche quand le compte de résultat rassure. Exactement la situation d’une cible qui franchit le premier filtre d’un comité.

Une lecture à ne pas précipiter : un besoin en fonds de roulement négatif n’est pas une bonne nouvelle. C’est la signature du commerce de détail et de la restauration, financés par leurs fournisseurs et fragiles pour d’autres raisons. L’optimum se situe juste au-dessus de zéro, pas au plus bas possible.

Ce que le modèle regarde vraiment

Le constat précédent sort des données brutes, sans modèle. Reste à savoir si un modèle de machine learning entraîné sans consigne particulière converge vers la même lecture. Il s’en approche, mais la réponse est plus nuancée qu’attendu.

Chaque estimation peut être décomposée en la contribution de chaque poste comptable. Agrégées par famille sur le test, ces contributions donnent le classement ci-dessus : la position d’une entreprise par rapport à son secteur, sa structure financière et son cycle de trésorerie pèsent à peu près à égalité, loin devant la rentabilité.

Ce resserrement n’est pas anodin, et il tient au périmètre retenu plus haut. Sur la microentreprise, la trésorerie explique presque tout le risque, parce qu’il n’y a souvent rien d’autre à observer : peu de structure financière digne de ce nom, une comparaison sectorielle qui ne dit pas grand-chose à cette échelle. Sur la PME et l’ETI, l’entreprise a déjà une structure, un historique, une place dans son secteur, et ces trois dimensions se mettent à compter presque autant que le décalage de caisse. Trier une cible de cette taille suppose de regarder trois choses à la fois, pas une seule.

La position sectorielle mérite qu’on s’y arrête : elle arrive en tête, alors qu’elle ne pesait presque rien sur la population non filtrée. Le message qu’elle porte est simple à énoncer et facile à négliger en pratique : ce n’est pas le niveau d’un ratio qui compte, c’est son écart à la norme de son secteur. Un besoin en fonds de roulement de 20 % du bilan est un signal d’alarme dans l’édition, un rythme de croisière dans le bâtiment.

La rentabilité, elle, reste la dernière du classement, à 11 %. Ce n’est pas qu’elle soit sans importance, c’est qu’elle est largement redondante avec le reste, et surtout qu’elle ne discrimine pas là où l’on en a besoin. Une entreprise en perte est repérée par n’importe quel filtre sommaire. C’est l’entreprise rentable qu’il faut départager, et le résultat n’y sert à rien par construction.

La construction, cas d’école

Le mécanisme se lit à l’œil nu sur un secteur. Les travaux de construction spécialisés réunissent 2 535 entreprises de l’étude, le contingent le plus nombreux et le profil financier le plus caractéristique.

Un besoin de trésorerie presque triplé par rapport au reste de l’économie, des créances clients qui pèsent un tiers de plus. Le métier l’explique entièrement : les travaux sont avancés avant d’être payés, les situations se règlent avec retard, les retenues de garantie immobilisent une part du marché pendant un an après la réception. L’entreprise finance son client.

Le résultat compte parmi les plus parlants de l’étude. Une entreprise de construction rentable a 4,7 % de risque de défaillance à trois ans, contre 1,6 % pour une entreprise rentable de tout autre secteur. Près du triple, à rentabilité comparable. Un carnet plein et une marge positive ne compensent pas un cycle d’encaissement qui ne tourne pas.

Quels secteurs cassent vraiment

Aucun modèle n’intervient ici : simplement la part des entreprises de chaque secteur ayant fait l’objet d’un jugement d’ouverture dans les trois ans suivant leur dernier bilan. Nous n’avons retenu que les secteurs où l’effectif et le nombre de défaillances observées sont assez larges pour qu’un taux ne bascule pas au hasard de deux ou trois dossiers : treize secteurs remplissent cette condition sur les quatre-vingt-six que compte la nomenclature. Ces taux se lisent les uns par rapport aux autres et non comme une sinistralité nationale.

Les deux plus exposés

Travaux de construction spécialisés et construction de bâtiments, en tête. Ce sont les deux visages d’un même métier, et celui déjà décrit plus haut : un outil de production lourd à amortir, des clients qui paient avec retard, des retenues de garantie qui immobilisent la trésorerie bien après la fin du chantier. Quand un donneur d’ordre relocalise ou renégocie de quelques points, il n’y a ni pouvoir de négociation ni actif liquide pour absorber le choc, et l’outil, lui, reste à financer.

Conseil informatique : 5,0 %, une surprise qui mérite d’être posée sans être surjouée. Aucun mécanisme comptable ne l’explique aussi nettement que pour la construction. L’hypothèse la plus vraisemblable tient à la nature de la prestation : c’est un service dont la demande suit étroitement la conjoncture de ses clients, et un poste que les directions générales savent réduire vite quand il faut couper dans les coûts variables. Un ralentissement chez les donneurs d’ordre se répercute alors presque immédiatement sur le carnet du prestataire. C’est une explication plausible, pas une certitude établie sur pièces.

Les deux plus résistants

Activités immobilières : 1,0 %. Une entreprise sur cent, et le taux le plus bas de tous les secteurs correctement mesurés. L’actif est lourd mais il est aussi le collatéral : un immeuble se refinance, se cède, se loue, quand une machine-outil spécialisée ne trouve preneur qu’à un prix cassé. La rente foncière absorbe des chocs qu’un cycle industriel encaisserait de plein fouet.

Services financiers : 1,3 %. Peu d’actif immobilisé, une structure de coûts largement variable, et une activité qui se contracte avec la demande plutôt que de la précéder. C’est le profil de bilan opposé à celui du bâtiment : rien à financer avant d’être payé.

Le contraste le plus instructif n’est pourtant pas entre ces deux extrêmes, mais à l’intérieur d’une même chaîne de valeur. Les activités immobilières perdent une entreprise sur cent ; la construction de bâtiments, qui produit l’actif que les premières détiennent ensuite, en perd cinq fois plus. Même immeuble, même cycle économique, deux positions opposées : l’une détient un actif refinançable et encaisse des loyers, l’autre avance la trésorerie du chantier et attend d’être payée. Ce n’est pas le secteur qui protège, c’est la place occupée dans le cycle d’encaissement.

Ce constat voyage au-delà du bâtiment. Capital lourd, revenu renégocié à court terme, trésorerie avancée par le prestataire : ce triplet décrit une bonne part des actifs industriels et de services aux entreprises qui passent sur un bureau de transaction. Ce n’est pas un effet de secteur, c’est une signature de bilan, et elle appelle la même prudence sur une cible dont le secteur, lui, paraît tranquille.

L’alarme la plus fiable est aussi la plus rare

Les mesures de trajectoire pèsent 17 % en moyenne, moins que la structure ou la position sectorielle. Prises une à une, certaines séparent pourtant les deux populations mieux que n’importe quel niveau.

Se trouver en fonds propres négatifs multiplie par 3,4 la fréquence dans la population défaillante. Y basculer d’un exercice à l’autre la multiplie par 6,2, le rapport le plus élevé de toute l’étude.

Il faut lire ce chiffre pour ce qu’il est. Le basculement ne concerne que 10,6 % des défaillantes : quand il survient, il est presque décisif ; il ne survient qu’une fois sur dix. C’est une alarme très fiable et peu fréquente, et c’est précisément pour cela qu’elle pèse peu dans le classement moyen tout en méritant une réaction immédiate lorsqu’elle se déclenche.

La conséquence pratique tient en une phrase : une entreprise durablement médiocre est un modèle économique, pas une alerte. C’est celle qui était confortable il y a trois ans et qui n’est plus qu’acceptable aujourd’hui qui justifie la semaine de travail supplémentaire.

Est-ce que ça marche

Deux façons de répondre, une technique et une opérationnelle.

La réponse technique. Présenté à deux entreprises, une qui a fait défaut et une qui n’en a pas fait, le meilleur modèle place la bonne en tête 82 fois sur 100.

Avec 539 défaillances observées, la marge d’erreur avoisine un point. Les écarts sont donc réels, mais modestes : une régression logistique, la technique enseignée depuis quarante ans, reste à quatre points du meilleur modèle. Le choix de la méthode ne fait pas le résultat. La qualité de la donnée, oui. Le machine learning n’apporte donc pas ici une rupture de méthode : il apporte une lecture systématique du risque de défaillance sur un vivier que personne n’a le temps d’ouvrir dossier par dossier.

La réponse opérationnelle. Examinez les 20 % de dossiers classés les plus risqués et vous captez 67 % des entreprises qui feront défaut, pour une précision de 3,2 % dans ce cinquième examiné, contre 1 % en ouvrant les dossiers au hasard : plus de trois fois la touche.

La courbe est plus utile encore à son extrémité. Sur les 5 % de dossiers les mieux notés, un dossier sur quinze se dégrade effectivement, six fois la fréquence observée au hasard. À ce niveau de rareté du sinistre, une concentration de six fois la référence est précisément ce que peut offrir un premier tri : c’est le régime dans lequel travaille un comité qui doit trancher en quelques jours.

Peut-on écrire ces chiffres dans une note

Seulement si le modèle a été recalé pour cela, étape facile à sauter, et fréquemment sautée. Un score brut classe, il ne chiffre pas : il dit que cette société est plus risquée que celle-là, rien de plus.

Après recalage, un risque annoncé se vérifie sur les observations : dans la tranche la plus exposée du test, un risque annoncé aux alentours de 4,4 % se réalise à 4,9 %. C’est ce qui autorise à écrire une probabilité de défaut dans une note de comité plutôt qu’un score sans unité.

Une réserve, qu’il vaut mieux énoncer soi-même : à ce niveau de rareté du sinistre, la tranche la plus exposée du test regroupe encore une diversité de profils, et le recalage y reste, par construction, moins précis que sur la masse des dossiers ordinaires. Le modèle classe mieux qu’il ne chiffre au dernier chiffre près, et c’est ainsi qu’il faut l’employer.

Un dossier, ouvert facteur par facteur

Un classement moyen indique ce qui compte en général. Un conseil d’administration a besoin d’autre chose : pourquoi ce dossier, et sur quelles pièces. Un modèle qui répond « risqué » sans dire pourquoi n’est pas faux, il est inutilisable, parce qu’aucun comité n’approuve une décision qu’il ne peut examiner.

Cela se lit comme une note de crédit et non comme une sortie de modèle. Chaque barre rose est un fait qui a poussé l’entreprise vers le défaut, chaque barre bleue un fait qui plaidait en sens inverse, et la longueur en indique le poids.

Ce dossier illustre exactement le propos de cet article. Son résultat courant et son résultat net, tous deux positifs, plaident en sa faveur, pendant qu’un bilan qui s’est contracté de près de deux tiers en un exercice, un fonds de roulement très en retrait de la norme sectorielle et des dettes fournisseurs en forte hausse l’emportent. Un tableau de bord fondé sur la rentabilité l’aurait laissé passer. La défaillance est survenue dans les trois ans.

C’est aussi ce qui rend la conclusion réfutable sur le terrain. Si la décomposition s’appuie sur un poste que la data room révèle exceptionnel, elle peut être écartée sur pièces plutôt qu’à l’intuition. Chaque barre est une ligne de la liasse, vérifiable par quiconque la détient : rien ne repose sur l’autorité du modèle.

Ce que cela change à chaque étape d’une opération

Origination et recherche de cibles : le vivier français non coté est vaste et opaque, sans notation, sans couverture, sans cours. La liasse déposée est la seule information dont on dispose sur toutes les cibles à la fois. En faire un premier tri par risque de défaillance ne remplace aucun jugement ; cela fixe l’ordre dans lequel les dossiers s’ouvrent. Sur une liste de quatre-vingts noms, cela seul décide de l’emploi des semaines d’une équipe.

Analyse d’opportunité : deux cibles affichées au même multiple d’EBITDA ne sont pas le même actif. Celle dont le cycle immobilise un quart du bilan devra financer sa croissance avant d’en encaisser le produit ; l’autre non. Cet écart ne se lit pas sur un multiple, il se lit sur le bilan, et il change la thèse d’investissement, pas seulement le prix.

Due diligence acquéreur : une data room contient rarement plus de trois exercices. Les comptes déposés, eux, sont publics et coûtent quelques minutes à obtenir : deux exercices supplémentaires suffisent souvent à changer la lecture, et à vérifier que la trajectoire présentée correspond à celle qui a été déposée. Sur les cibles à cycle long, deux points méritent une question écrite : la saisonnalité du besoin en fonds de roulement, car un arrêté au point bas de l’année flatte le bilan, et le sort des retenues de garantie.

Évaluation, structuration et closing : c’est là que le sujet devient un montant. Un besoin en fonds de roulement structurellement lourd n’est pas un ajustement de prix à la date d’arrêté, c’est un besoin permanent de capital, qui appartient à la valeur d’entreprise et non au calcul de trésorerie nette. Trois points de négociation en découlent : le déterminer sur une moyenne pluriannuelle plutôt que sur la dernière photo, indexer un complément de prix sur l’encaissement réel plutôt que sur le chiffre d’affaires facturé, et adosser la garantie d’actif et de passif aux postes clients. Chacun se défend bien mieux avec la trajectoire sur la table.

Ce que cette étude ne dit pas

Elle ne porte que sur les entreprises qui déposent leurs comptes. Le dépôt n’est pas obligatoire pour les plus petites structures, et la confidentialité y est fréquente. Les absentes ne forment pas un échantillon aléatoire, et les plus fragiles y sont probablement sous-représentées.

Elle ne porte que sur les entreprises dont le bilan dépasse 1 million d’euros. C’est un choix assumé, motivé par la cible visée, mais il exclut de fait l’essentiel du tissu entrepreneurial français. Rien dans ces chiffres ne renseigne sur la microentreprise.

Les années 2020 et 2021 sont atypiques. Les ordonnances ont suspendu les procédures collectives : environ 25 000 jugements d’ouverture en 2021 contre 40 000 à 50 000 une année ordinaire. Le creux est réel, mais des entreprises non viables ont été maintenues, et le modèle a appris sur cette anomalie.

Les taux sectoriels sont des fréquences historiques sur une fenêtre donnée, pas des constantes. Un autre découpage temporel donnerait un autre ordre, et certains secteurs, trop étroits pour un compte fiable de défaillances, n’ont pas pu être classés du tout.

Ce qui manque compte. Qualité du management, gouvernance, litiges, concentration client, dépendance à un donneur d’ordre, engagements hors bilan : souvent décisifs, entièrement absents des comptes.

Conclusion

Un fil traverse toute l’étude : en France, dans le non-coté, la rentabilité ne suffit pas à trancher, dès lors qu’on regarde des entreprises assez grandes pour avoir autre chose à montrer. Plus d’une défaillance sur quatre frappe une entreprise bénéficiaire, et le besoin en fonds de roulement y multiplie le risque par plus de trois. Mais chez la PME et l’ETI, ce cycle de trésorerie ne domine plus seul : il partage l’explication avec la structure financière et la position de l’entreprise face à son secteur, trois lectures qu’il faut désormais croiser plutôt qu’en privilégier une seule.

Pour un fonds, un directeur M&A ou un conseil, l’implication est directe. Le compte de résultat départage mal les dossiers rentables, c’est-à-dire précisément ceux qui arrivent en comité. Le bilan, lu contre son secteur, départage.

Le machine learning, ou apprentissage automatique, ne remplace pas l’analyse crédit : il hiérarchise le risque de défaillance, le chiffre et rend chaque conclusion traçable jusqu’à une ligne des comptes. Ce dernier point n’est pas accessoire, c’est ce qui sépare un outil qu’un comité utilise d’un outil qu’il écoute poliment avant de décider autrement.

Note sur la méthode. Exercice méthodologique sur sources publiques, une tranche de taille d’entreprise, une période. Le découpage est chronologique, la calibration ajustée hors période de test, et chaque étape refuse de produire un résultat si un contrôle échoue. D’autres choix de seuil de taille, d’horizon ou de découpage donneraient d’autres chiffres, et un usage en conditions actuelles imposerait un recalage. Rien de tout ceci ne constitue un modèle de crédit de production, un conseil en investissement ni une recommandation.

Cette étude a été construite de façon itérative avec l’assistance de l’IA, sur de nombreuses versions. Plusieurs ont été écartées dès qu’un contrôle échouait, et il s’est avéré que c’était plus souvent en raison d’un défaut dans les données que d’une faiblesse du modèle. Ce qui est publié ici est ce qui a survécu à ces contrôles.

À propos de LJ Advisory
Fusions-acquisitions et réallocation de capital pour les fonds mid-market, les acteurs de l’énergie et de l’industrie, et les actionnaires transfrontaliers.