50

La présente étude vise à déterminer les méthodes appropriées pour détecter la détresse financière des entreprises demandant un crédit auprès des établissements bancaires. L’étude applique des données composées d’un échantillon de 78 sociétés clientes des banques pour la période organisée de 2015 à 2018 et ses résultats empiriques montrent la supériorité des Réseaux de Neurones Artificiels (RNA) par rapport aux autres méthodes classiques en matière de détresse financière des firmes emprunteuses. Dans ce sens nous avons obtenu un taux de bon classement global de 84,23 %. Le nombre d’entreprises bien classées par le modèle est égal à 78,4 %. L’efficacité de la gestion des risques de crédit bancaire et la mise en œuvre des méthodes d’évaluation des risques est nécessaire pour permettre aux banques d’identifier les dossiers défaillants. Par conséquent, il est prévu que les preuves empiriques de cette recherche, montrent des implications méthodiques pour l’autorité réglementaire du secteur bancaire tunisien afin de détecter la détresse financière des entreprises demandant un crédit. En particulier, le risque de crédit est évalué en se basant sur l’analyse discriminante et l’approche neuronale.

This study aims to determine the appropriate methods to detect the financial distress of companies requesting credit from banking institutions. The study applies data composed of a sample of 78 corporate clients of the banks for the period organized from 2015 to 2018 and its empirical results show the superiority of Artificial Neural Networks (ANNs) over other conventional methods for distress financing of borrowing firms. In this sense, we obtained an overall good classification rate of 84.23 %. The number of enterprises well classified by the model is equal to 78.4 %. The effective management of bank credit risks and the implementation of risk assessment methods is necessary to enable banks to identify defaults. Therefore, empirical evidence from this research is expected to show methodical implications for the regulatory authority of the Tunisian banking sector to detect the financial distress of companies seeking credit. In particular, credit risk is assessed based on discriminant analysis and the neural approach.

Este estudio tiene como objetivo determinar los métodos adecuados para detectar las dificultades financieras de las empresas que solicitan crédito a las instituciones bancarias. El estudio aplica datos compuestos por una muestra de 78 clientes corporativos de los bancos para el período organizado de 2015 a 2018 y sus resultados empíricos muestran la superioridad de las redes neuronales artificiales (ANN) sobre otros métodos convencionales de financiación de empresas prestatarias. En este sentido, obtuvimos una buena tasa de clasificación global del 84,23 %. El número de empresas bien clasificadas por el modelo es del 78,4 %. La gestión eficaz de los riesgos crediticios bancarios y la implementación de métodos de evaluación de riesgos es necesaria para que los bancos puedan identificar los incumplimientos. Por lo tanto, se espera que la evidencia empírica de esta investigación muestre implicaciones metódicas para la autoridad reguladora del sector bancario tunecino a fin de detectar las dificultades financieras de las empresas que buscan crédito. En particular, el riesgo crediticio se evalúa con base en un análisis discriminante y el enfoque neuronal.