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 ? Autrement dit : le risque de crédit corporate est-il lisible dans les comptes avant de l’être dans les faits ?
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 un peu moins de 70 % 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 risque de crédit corporate
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.
Mesurer le risque de crédit corporate : 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 du bilan et du compte de résultat, dont on tire 95 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. L’exercice fiscal lui-même est volontairement écarté : il ne peut être extrapolé dans le futur, et rendrait un modèle par construction aveugle à toute année qu’il n’a pas connue.
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.
L’âge de la société. Les jeunes sociétés portent un risque nettement plus élevé ; les plus anciennes bénéficient d’une prime qu’aucun ratio comptable ne capture directement : expérience de leur propre cycle d’activité, relations fournisseurs et clients éprouvées, une direction qui a déjà traversé une période difficile.
L’endettement. Le signal le plus discriminant de toute l’étude, de loin : une dette à 90 % de l’actif contre 55 % ne laisse plus rien à renégocier.
La liquidité. Une société peut-elle couvrir son passif court terme sans vendre ses stocks ? Quand la réponse est non, le risque augmente nettement.
Une mesure de trajectoire se classe elle aussi en tête : l’amplitude des variations de l’endettement sur quatre ans. Ce n’est donc pas seulement le niveau d’un ratio qui compte, mais sa stabilité : une société dont le taux d’endettement oscille fortement d’une année sur l’autre est jugée plus risquée par le modèle qu’une autre affichant la même moyenne mais une trajectoire plus calme.
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’un type 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 place la bonne en tête un peu plus de 83 % du temps.
| Modèle | Justesse de classement | Défauts captés dans les 20 % les plus risqués |
|---|---|---|
| Random Forest | 83,6 % | 68 % |
| Gradient boosting (LightGBM) | 82,7 % | 72 % |
| Régression logistique | 81,3 % | 70 % |
| Réseau de neurones | 75,4 % | 54 % |
| Clustering et règles | 68,1 % | 60 % |
Avec seulement 256 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 et la référence linéaire sont pratiquement à égalité ; seuls le clustering et le réseau de neurones décrochent nettement. Sur le risque de crédit corporate, la sophistication du modèle compte donc moins que la qualité et la profondeur historique des comptes qu’on lui donne à lire.
Étendre l’examen à 30 % des dossiers permet d’atteindre 80 % : la courbe s’aplatit ensuite rapidement, ce qui fait justement des 20 % le point d’efficacité.
La réponse utile. Examinez les 20 % de dossiers classés les plus risqués, et vous captez 68 % des sociétés qui feront défaut : soit 3,4 fois ce qu’un tirage aléatoire donnerait, au même taux de base de 2,1 %.
Ces chiffres se lisent-ils comme des probabilités ?
Seulement si le modèle a été calibré pour cela, une étape facile à négliger, et souvent négligée. Un score de risque brut est un outil de classement, pas une probabilité : il indique que telle société est plus risquée qu’une autre, rien de plus.
La calibration tient aussi bien qu’on peut l’attendre d’une méthode reposant sur 256 défaillances observées, pas davantage. Dans la bande de risque la plus sûre, la valeur annoncée est proche de zéro ; le taux observé est de 0,24 %, une sous-estimation sans conséquence à cette échelle. Dans la bande la plus risquée, le modèle annonce 14,1 % ; le taux observé est de 11,1 %, soit une surestimation d’à peine trois points. Pour un criblage de portefeuille, c’est le bon sens de l’erreur : le modèle classe mieux qu’il ne situe, et quand il se trompe, il le fait prudemment plutôt qu’à l’aveugle.
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.
Cette société, présente sur le marché depuis dix ans, atteint dans l’exercice présenté le niveau de risque le plus élevé de l’échelle : un endettement qui dépasse de peu le total de l’actif, une couverture de liquidité très en dessous de la zone saine, et des réserves accumulées profondément négatives, sur une tendance à trois ans qui s’est encore dégradée. Un détail mérite d’être relevé : la rentabilité des capitaux propres affiche +20, un niveau élevé en apparence, mais avec un endettement supérieur à 100 % de l’actif, les capitaux propres sont arithmétiquement quasi nuls. Le ratio est ici faussé par un dénominateur évidé, non par une réelle capacité bénéficiaire, et le modèle le pondère en conséquence comme un signal d’alerte supplémentaire plutôt que comme un motif de réassurance.
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 les dossiers sont ouverts : examiner les 20 % signalés les plus risqués permet de retrouver un peu moins de 70 % des situations qui se dégraderont par la suite. 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 lorsque la trajectoire sous-jacente est posée sur la table.
En due diligence. Les data rooms contiennent rarement plus de trois exercices. Les comptes déposés sont pourtant publics et accessibles à coût quasi nul : deux exercices supplémentaires changent souvent la lecture, pour quelques minutes de travail. Le coût marginal est nul, le gain d’information considérable. 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 sortir 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 : une 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 : l’âge, l’endettement et la liquidité l’emportent sur toute photographie ponctuelle de la rentabilité. Une société jeune, fortement endettée et à la couverture de liquidité tendue est vulnérable, qu’elle soit rentable aujourd’hui ou non, dans un secteur porteur ou non. Les réserves accumulées et leur tendance pluriannuelle complètent le tableau, comme le montre le cas détaillé ci-dessus. 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 du risque de crédit corporate. 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, appliquée au risque de crédit corporate, est celle que nous apportons à une transaction : rendre comparable une série d’exercices avant d’en tirer une tendance, mesurer une cible à l’aune de 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 de nombreuses versions. Plusieurs ont été écartées dès qu’un contrôle échouait. 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
M&A et allocation de capital pour les fonds mid-market, les acteurs de l’énergie et de l’industrie, ainsi que les entrepreneurs opérant à l’international.