Nous avons tous vu ce dossier : des ratios de liquidité corrects, des fonds propres positifs, un business plan qui tient debout — et une société placée sous protection dix-huit mois plus tard. La question revient dans presque chaque transaction que nous traitons, et les comptes y répondent rarement clairement. Peut-on voir venir une défaillance à la seule lecture des états financiers ?
Largement, oui — à condition de lire ce qu’il faut. En n’examinant que les 20 % de dossiers signalés comme les plus risqués, on retrouve près des trois quarts des sociétés qui feront défaut dans les trois ans. Et surtout, pour qui siège en comité d’investissement : chaque prédiction se ramène à des lignes précises des comptes.
Pourquoi l’IA explicable décide de tout en analyse crédit
Un modèle qui annonce « cette société est risquée » sans dire pourquoi est inutilisable. Non parce qu’il se trompe, mais parce qu’aucun conseil n’approuve une décision qu’il ne peut examiner, et qu’aucun régulateur n’accepte une évaluation de crédit qu’on ne peut reconstituer.
L’exercice ne consiste donc pas seulement à prédire. Chaque prédiction est décomposée par la méthode SHAP (valeurs de Shapley, empruntées à la théorie des jeux) en faits comptables ayant augmenté le risque et en faits l’ayant réduit, avec le poids de chacun. Quiconque dispose des états financiers peut vérifier le raisonnement ligne à ligne.
Comment il a été construit : données, modèles et validation chronologique
Les données. 78 682 exercices annuels de 8 971 sociétés cotées au Nasdaq et au NYSE entre 1999 et 2018. Sur la période, 609 d’entre elles ont fait défaut — soit 6,8 %.
La question. Non pas « cette société fera-t-elle faillite un jour ? », qui n’aide personne, mais « fera-t-elle défaut sous trois ans ? » — l’horizon sur lequel travaille réellement un comité de crédit. Sur cette définition, une société n’est signalée que sur ses trois derniers exercices.
Les indicateurs. Dix-huit postes comptables, dont on tire 99 mesures : les ratios habituels de liquidité, d’endettement et de rentabilité, le score d’Altman — et surtout des mesures de trajectoire : l’évolution de chaque ratio sur un, deux et trois ans, la succession de baisses du résultat, l’érosion des réserves.
Le test. La validation est strictement chronologique, selon le protocole recommandé par les auteurs du jeu de données : le modèle apprend sur 1999-2011, se règle sur 2012-2014, et se juge sur 2015-2018 — des années qu’il n’a jamais vues, et 3 700 sociétés qu’il n’a jamais rencontrées, dont 119 ont fait défaut. On ne lui montre jamais l’avenir, ce qui écarte la manière la plus courante de flatter ce genre de résultat.
Cinq familles de modèles ont été comparées, du simple clustering au gradient boosting et aux réseaux de neurones. Les défaillances étant rares — 2,1 % des observations de la période de test — l’échantillon d’entraînement a été rééquilibré par sur-échantillonnage synthétique. Ce choix a été testé dans les deux sens plutôt que supposé : il améliore le classement d’environ deux points, tout en dégradant légèrement la justesse des probabilités absolues.
Ce qui distingue les sociétés qui tombent
Avant toute modélisation, la simple comparaison raconte déjà l’essentiel. Valeurs médianes sur la période de test :
| Saines | Défaillantes sous 3 ans | |
|---|---|---|
| Score d’Altman | 3,42 | −0,01 |
| Valeur de marché / valeur comptable | 2,68 | 0,51 |
| Réserves accumulées / actif | −0,03 | −0,78 |
| Rentabilité de l’actif | +1 % | −21 % |
| Dette / actif | 55 % | 90 % |
| Liquidité générale | 1,87 | 1,22 |
La première ligne mérite qu’on s’y arrête. Le score d’Altman date de 1968 et n’a pas changé depuis ; il place la zone de détresse sous 1,8. Les sociétés qui vont tomber sont à zéro, les autres à 3,42. Les deux populations se répartissent de part et d’autre d’un seuil fixé il y a un demi-siècle — et ni le modèle ni son auteur n’y sont pour quoi que ce soit.
Trois signaux dominent, et aucun ne surprendra un analyste crédit.
Les réserves accumulées. Une société qui n’en a jamais constitué n’a aucun amortisseur, si rentable paraisse-t-elle aujourd’hui.
L’endettement. Une dette à 90 % de l’actif contre 55 % ne laisse plus rien à renégocier.
Le verdict du marché. La cote intègre la détresse bien avant que les comptes ne l’enregistrent.
Mais le vrai enseignement est ailleurs : c’est le mouvement des comptes, bien plus que leur niveau, qui annonce la défaillance. Un ratio médiocre mais stable est une chose. Le même ratio qui s’érode trois années de suite en est une autre — et seule la seconde constitue une véritable alerte.
Quels secteurs cassent réellement
Aucun modèle n’est requis ici — simplement la part des sociétés de chaque secteur ayant fait défaut entre 1999 et 2018. Seuls figurent les secteurs comptant au moins trente sociétés cotées ; en dessous, un ou deux cas déplacent le chiffre de plusieurs points. Référence : 6,8 % toutes industries confondues.
| Les plus exposés | Défauts | Sociétés | Les plus résistants | Défauts | Sociétés | |
|---|---|---|---|---|---|---|
| Transport aérien | 30,6 % | 49 | Raffinage pétrolier | 2,6 % | 38 | |
| Magasins d’habillement | 26,8 % | 71 | Gros, biens durables | 2,8 % | 215 | |
| Transport maritime | 25,6 % | 39 | Métallurgie de base | 2,8 % | 107 | |
| Meubles et équipement du foyer | 18,8 % | 48 | Travaux spécialisés | 2,9 % | 34 | |
| Extraction pétrole et gaz | 17,1 % | 386 | Crédit non bancaire | 2,9 % | 43 |
Rares sont les périodes de vingt ans qui infligent autant de chocs à un jeu de données. L’éclatement de la bulle internet en 2000-2002, aggravé par le 11 septembre. La crise des subprimes de 2008-2009, prolongée par l’épisode des dettes souveraines européennes. Une longue reprise portée par des taux historiquement bas, interrompue par le contre-choc pétrolier de 2014-2016, quand le baril passe de plus de 100 à moins de 30 dollars. Chacun des secteurs ci-dessous a été mis à l’épreuve par au moins l’un d’entre eux — et les survivants n’ont pas été désignés au hasard.
Les deux secteurs les plus exposés
Transport aérien — 30,6 % de défaillances (49 sociétés). Quatre fois et demie le taux de base. Le secteur encaisse de plein fouet les deux grands chocs de la période : le 11 septembre et la récession de 2001-2002, puis la crise de 2008 sur fond de kérosène cher. Le bilan explique le reste — coûts fixes massifs, flottes financées à crédit, et une demande qui s’évapore précisément quand le service de la dette, lui, ne bouge pas. Plusieurs grandes compagnies sont passées par le Chapter 11 entre 2002 et 2011.
Magasins d’habillement — 26,8 % de défaillances (71 sociétés). Près de quatre fois le taux de base, et le seul secteur dont le déclin ne doit rien à un choc macroéconomique. La période couvre la montée du commerce en ligne et le lent dépeuplement des centres commerciaux américains. La signature financière ne trompe pas : des loyers figés par des baux longs, des stocks qui vieillissent mal, et des marges comprimées des deux côtés. Un étranglement structurel, non conjoncturel.
Les deux plus résistants
Raffinage pétrolier — 2,6 % de défaillances (38 sociétés). Le chiffre le plus instructif du tableau, parce que l’extraction pétrolière et gazière, dans la même filière, perd une société sur six. Un raffineur gagne sur l’écart entre le brut et les produits finis ; le niveau du baril compte bien moins. En amont, les revenus dépendent d’un prix mondial que personne ne maîtrise, alors que le capital est déjà enfoui dans le sol. Le contre-choc de 2014-2016 a dévasté l’un et à peine effleuré l’autre.
Commerce de gros, biens durables — 2,8 % de défaillances (215 sociétés, l’un des plus gros échantillons du classement). La position d’intermédiaire protège. Peu d’actifs immobilisés, pas d’usine à amortir, une clientèle répartie sur de multiples industries. Surtout, le bilan d’un distributeur respire avec l’activité : en récession, stocks et créances se contractent et libèrent de la trésorerie précisément quand elle manque ailleurs — l’inverse d’un industriel prisonnier de ses coûts fixes. Les récessions de 2001 et 2008-2009 ont comprimé ses marges, rarement sa solvabilité.
La logique se lit dans les bilans plutôt que dans les gros titres. Les secteurs du haut sont intensifs en capital, structurellement endettés, et vendent à des prix qu’ils ne fixent pas — un retournement frappe donc leurs revenus quand le service de la dette, lui, tient bon. Ceux du bas sont légers en actifs, peu endettés, et servent une demande qui ne disparaît pas.
Cette combinaison — capital lourd, dette structurelle, prix subis plutôt que fixés — décrit une bonne part des actifs industriels et d’infrastructure qui passent sur un bureau de transaction. Ce n’est pas tant un effet de secteur qu’une signature de bilan, et elle voyage : le même profil chez une ETI non cotée appelle la même prudence.
Est-ce que ça marche ? Cinq modèles de machine learning comparés
Deux façons de répondre, une technique et une utile.
La réponse technique. Présentez-lui deux sociétés — une qui a fait défaut, une qui n’en a pas fait : le meilleur modèle met la bonne en premier 86 % du temps.
| Modèle | Justesse de classement | Défauts captés dans les 20 % les plus risqués |
|---|---|---|
| Gradient boosting (LightGBM) | 86,1 % | 76 % |
| Random Forest | 84,2 % | 73 % |
| Régression logistique | 79,5 % | 66 % |
| Clustering et règles | 73,4 % | 78 % |
| Réseau de neurones | 71,6 % | 56 % |
Avec seulement 119 défaillances observées, la marge d’erreur sur chaque chiffre avoisine ±3 points — l’écart entre les trois premiers modèles n’est donc pas significatif. Les méthodes à base d’arbres arrivent en tête, la référence linéaire suit de près, et seuls le clustering et le réseau de neurones décrochent nettement. Le clustering est l’exception intéressante : dernier au classement, premier en détection, parce que ses groupes grossiers ratissent une large part des dossiers fragiles au prix de nombreuses fausses alertes.
Poussez l’examen à 30 % des dossiers et vous atteignez 84 % — la courbe s’aplatit vite au-delà, et c’est précisément ce qui fait des 20 % le point d’efficacité.
La réponse utile. Examinez les 20 % de dossiers classés les plus risqués et vous captez 76 % des sociétés qui feront défaut. Dans ce lot examiné, environ un dossier sur douze part réellement en défaut — contre un sur quarante-huit si vous piochez au hasard. Quatre fois le taux de réussite, pour un cinquième du travail.
Ces chiffres se lisent-ils comme des probabilités ?
Seulement si le modèle a été calibré pour cela — étape facile à négliger, et souvent négligée. Un score de risque brut est un outil de classement, pas une probabilité : il dit que telle société est plus risquée que telle autre, rien de plus.
Après calibration, un 10 % annoncé correspond à un 10 % observé. C’est ce qui autorise à écrire une probabilité de défaut dans une note, plutôt qu’un score opaque.
Une réserve qui mérite d’être dite : la calibration a été ajustée sur une période au taux de défaillance légèrement supérieur à celui des années de test. Le modèle surestime donc le risque absolu de quelques dixièmes de point. Il classe mieux qu’il ne situe.
Une société, ouverte : l’IA explicable en pratique
Un classement moyen indique quels indicateurs comptent en général. Un comité a besoin d’autre chose : pourquoi ce dossier-là, et sur quelles pièces.
Lisez-le comme une note de crédit, non comme une sortie de modèle. Chaque barre vers la droite est un fait qui a poussé cette société vers le défaut ; chaque barre vers la gauche, un fait qui plaidait en sa faveur. La longueur est le poids que le modèle lui a donné. Rien n’est dissimulé dans un agrégat : un dossier peut être signalé sur deux éléments décisifs alors qu’une douzaine d’autres vont en sens inverse — et cela se voit immédiatement, ce qui est exactement ce dont un comité a besoin pour contredire la machine.
C’est ce qui rend le modèle réfutable sur le terrain. Si la décomposition repose sur un poste de créances que la data room révèle exceptionnel, la conclusion peut être écartée sur le fond plutôt qu’à l’instinct. Un score seul n’offre aucune prise — alors qu’ici chaque barre est une ligne des comptes, vérifiable par quiconque détient les états financiers. Rien ne repose sur l’autorité du modèle.
Ce que cela change à chaque étape d’une transaction
En sourcing et analyse d’opportunité. C’est là que l’approche rend le plus. Face à une liste longue de cibles, elle fixe l’ordre dans lequel on ouvre les dossiers : examiner les 20 % signalés les plus risqués capte les trois quarts des situations qui se dégraderont. Elle ne remplace aucun jugement — elle décide de ce qu’on regarde en premier, et sur une liste de quatre-vingts noms, cela seul change les semaines d’une équipe.
En évaluation. Une cible aux réserves minces ou en érosion justifie un taux d’actualisation majoré, même lorsque les ratios courants paraissent sains. L’appartenance à un secteur historiquement fragile appelle le même réflexe. Ce sont des points de base sur un WACC, pas une opinion — et bien plus faciles à défendre en négociation lorsque la trajectoire sous-jacente est sur la table.
En due diligence. Les data rooms dépassent rarement trois exercices. Les comptes déposés, eux, sont publics et coûtent quelques dizaines d’euros : deux exercices supplémentaires changent souvent la lecture, pour un effort qui se compte en minutes. Nous lisons l’historique des réserves accumulées et son sens d’évolution avant les ratios courants. Et nous traitons la stabilité comme une information à part entière — un ratio médiocre mais régulier depuis dix ans est un modèle économique, pas une alerte. C’est le dossier qui était confortable il y a trois ans et n’est plus qu’acceptable aujourd’hui qui mérite la semaine supplémentaire.
En structuration et closing. Là où l’analyse révèle une exposition sectorielle ou cyclique significative : clauses d’ajustement de prix indexées sur des indicateurs sectoriels, earn-outs normalisés de la performance du secteur, garanties renforcées sur les hypothèses sectorielles du business plan. Il ne s’agit pas de chasser le risque du deal, mais de le placer là où il peut être porté.
Ce que cette étude ne dit pas
Elle porte sur des sociétés cotées américaines, de 1999 à 2018. Rien ici ne concerne des événements postérieurs. Le risque se comporte différemment en Europe, en Asie, sur les marchés émergents — et différemment encore pour des ETI, plus petites, moins capitalisées et non soumises aux mêmes obligations de publication. Les taux sectoriels sont des fréquences historiques sur une fenêtre précise de vingt ans, non des constantes structurelles : la métallurgie doit une partie de son bilan à un supercycle des matières premières désormais achevé, et le déclin de l’habillement s’est poursuivi bien après 2018.
La date de défaillance est approchée. Les données indiquent qu’une société a fait défaut, pas quand. L’événement est placé au dernier exercice publié — approximation raisonnable, sur laquelle repose l’horizon de trois ans.
Ce qui manque compte. Qualité de la direction, gouvernance, litiges en cours, concentration clients, exposition ESG. Souvent déterminants, totalement absents des comptes.
Conclusion
Un facteur traverse toute l’étude : une société qui n’a pas constitué de réserves au fil des ans est vulnérable — rentable aujourd’hui ou non, dans un secteur porteur ou non. L’endettement et le jugement du marché complètent le tableau. Le secteur fixe l’intensité de l’examen, pas la réponse.
Pour les opérations de M&A et de private equity, l’implication est directe : c’est la trajectoire pluriannuelle d’une cible, et non sa photographie à la date de closing, qui doit occuper le centre du travail — du premier tri d’une liste de cibles jusqu’aux garanties négociées au closing.
Le machine learning ne renverse pas l’analyse crédit. Il la confirme, la hiérarchise et la chiffre — tout en rendant chaque conclusion traçable jusqu’à une ligne des comptes. Ce dernier point n’est pas un détail. C’est ce qui fait la différence entre un outil qu’un comité peut utiliser et un outil qu’il ignorera poliment.
Appliquer cette lecture à un dossier réel
La méthode décrite ici est celle que nous apportons à une transaction : rendre une série d’exercices comparable avant d’y lire une trajectoire, situer une cible dans son secteur plutôt que dans l’absolu, et mettre un chiffre défendable sur la fragilité au moment de la valoriser.
Si vous avez une liste de cibles à prioriser, une valorisation où la trajectoire est contestée, ou une due diligence où les comptes paraissent sains sans que quelque chose ne colle — cette conversation vaut la peine d’être menée.
Le code source est librement disponible sur GitHub.
Note sur la méthode, et sur ses limites. Il s’agit d’un exercice de méthode, sur un seul jeu de données public, un marché, une période. Ses résultats dépendent de choix qui auraient raisonnablement pu être différents — l’horizon de trois ans, le découpage chronologique, le traitement des événements rares — et d’autres choix donneraient d’autres chiffres. Un modèle calibré sur cette période demanderait une recalibration avant tout usage dans les conditions actuelles ou sur un autre marché. Rien de tout cela ne constitue un modèle de crédit de production, ni un conseil en investissement, ni une recommandation de crédit.
Cette étude a été construite de façon itérative avec l’assistance de l’IA, sur plus de dix versions. Plusieurs ont été écartées dès qu’un contrôle échouait — et, il s’est avéré, 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 ; les scripts de vérification figurent dans le dépôt, aux côtés du code.
À propos de LJ Advisory
Cabinet de conseil en fusions-acquisitions et finance d’entreprise spécialisé dans la recherche de cibles, la due diligence transfrontalière, l’évaluation d’entreprises et les opérations de transmission. Plus de 20 ans d’expertise au service des fonds de private equity, acquéreurs stratégiques et institutions financières.