Scoring sur données d’entreprises : instrument de diagnostic individuel et outil d’analyse de portefeuille d’une clientèle. Mireille Bardos. La revue MODULAD, numéro 38, 2008.

Résumé
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.

Mots clés 
Prévision du risque de crédit, analyse discriminante, précision de la probabilité de défaillance, classes de risque, sélection de variables, choix de modèle.

Abstract
Most of statistical studies on credit risk and discriminant analysis focus on the construction of a credit scoring. Nevertheless the construction of an efficient tool in risk detection must be linked with its future use and the implied properties that it must fulfil. People that use credit scoring on companies data will be decision makers. Most of them are financial analysis experts, or credit risk managers in banks, or banking supervisors. The present article tries to link construction and use. It stresses upon required properties for users and their technical implications. As a consequence, data selection, model choice and default probability estimation will be emphasised. Then two aspects of such a tool practical use will hold our attention : company individual diagnosis and global risk analysis of a population of borrowers. Finally, as a probabilistic indicator of credit risk the credit scoring plays an important role in research in economy.
Many of the problems that we consider here can be met in other disciplines where discriminant analysis is applied. However the adaptation to each case specificity is necessary.

Key words:
Credit risk forecasting, discriminant analysis, failure probability accuracy, risk classes, selection of variables, model choice

Article