Les limites des modèles de prévision de la défaillance des entreprises et les voies de progrès possibles

Éric Séverin*

Professeur de Sciences de gestion

Université de Lille

*Membre de la faculté du Business Science Institute

---

Introduction

L’évaluation du risque de faillite demeure un exercice complexe et imparfait, malgré l’abondance d’outils développés à cette fin. La crise sanitaire liée au COVID-19 a mis en lumière la fragilité de nombreuses entreprises et, par conséquent, les faiblesses des dispositifs existants de prévision. Cette situation invite à une remise en question de la capacité réelle des modèles actuels à anticiper les défaillances et à guider efficacement les décisions économiques.

La prédominance des modèles fondés sur les états financiers

Depuis plusieurs décennies, les établissements financiers s’appuient principalement sur des systèmes de notation fondés sur l’analyse des états financiers. Ces méthodes visent à synthétiser la situation économique d’une entreprise à travers des indicateurs chiffrés, afin d’estimer la probabilité de faillite à court terme.

L’intégration progressive de techniques issues de l’intelligence artificielle a permis d’améliorer les performances prédictives en prenant en compte des relations plus complexes entre les variables. Toutefois, malgré ces avancées, les modèles plafonnent autour d’un taux de réussite d’environ 90 %, ce qui reste insuffisant au regard des enjeux financiers. Ces erreurs de prévision peuvent conduire à une mauvaise allocation des ressources et à des décisions sous-optimales. Dès lors, la question centrale devient celle de la fiabilité de ces « experts statistiques » sur lesquels reposent les choix des acteurs économiques.

Les limites d’une dépendance excessive aux données comptables

Les marges de progrès ne résident pas uniquement dans le perfectionnement algorithmique, mais aussi dans la nature même des informations utilisées. En premier lieu, la dépendance quasi exclusive aux données comptables pose problème. Bien que standardisées et facilement accessibles, ces données ne sont pas toujours parfaitement fiables.

Les pratiques de gestion du résultat, voire de manipulation comptable, altèrent la qualité de l’information et faussent les indicateurs utilisés par les modèles. Lorsque les données d’entrée sont biaisées, la pertinence des résultats s’en trouve mécaniquement réduite. Plusieurs travaux montrent d’ailleurs que l’intégration de signaux de manipulation comptable améliore sensiblement la précision des prévisions de faillite.

L’apport décisif des facteurs qualitatifs

En second lieu, les chiffres ne suffisent pas à refléter la réalité économique d’une entreprise. Des facteurs qualitatifs, tels que la gouvernance, la structure de l’actionnariat, la santé du dirigeant ou encore la qualité des relations avec les partenaires, jouent un rôle déterminant dans la survie des organisations, en particulier pour les petites entreprises.

Bien que plus difficiles à collecter et à quantifier, ces informations enrichissent considérablement l’analyse et renforcent la capacité prédictive des modèles.

Penser la défaillance comme un processus et non comme un événement

Enfin, la défaillance d’une entreprise s’inscrit le plus souvent dans un processus progressif plutôt que dans un événement soudain. L’étude de l’évolution des données dans le temps permet de mieux comprendre les trajectoires de dégradation financière. L’historique et la dynamique des indicateurs comptables fournissent ainsi des signaux précieux sur l’accumulation des difficultés, au-delà d’une photographie ponctuelle de la situation.

Conclusion

Si ces pistes sont encore peu exploitées par les banques, c’est principalement en raison des coûts élevés de collecte, de traitement et d’interprétation de l’information, ainsi que de la réticence face à des modèles perçus comme opaques. Les institutions financières privilégient souvent des outils simples, jugés suffisamment efficaces au regard de leur coût. Il appartient désormais à la recherche de développer des approches plus efficientes, capables de concilier précision, transparence et viabilité économique, afin d’améliorer la prévision des faillites et, plus largement, l’allocation des ressources dans l’économie.

---

Découvrir les publications d'Eric Séverin sur CAIRN.Info