49

La croissance et la généralisation du risque de crédit rendent nécessaire une meilleure connaissance du processus de crédit et des modèles d’estimation de ce risque. Le présent article s’attelle à cette tâche en présentant de manière exhaustive le processus de crédit d’une part, et en comparant la performance relative de quatre modèles de prévision d’insolvabilité d’autre part. Elle utilise les données d’entreprises américaines sur la période 1980- 1997. Les résultats de la comparaison des quatre modèles de prévision indiquent que le partitionnement récursif obtient le meilleur rang (avec un score de 13,30), suivi des réseaux de neurones artificiels (7,26), de l’algorithme génétique (7,22) et de l’analyse discriminante (4,32). Les modèles basés sur l’intelligence artificielle (réseau de neurones artificiels, partitionnement récursif et algorithme génétique) semblent ainsi prendre le dessus sur l’analyse discriminante. Ces modèles présentent l’avantage d’être des méthodes non paramétriques, qui ne font aucune hypothèse sur la distribution des variables explicatives utilisées. Dans l’analyse discriminante par contre, les variables explicatives utilisées doivent obéir à certaines hypothèses de départ, telle la normalité, hypothèses qui ne sont pas toujours respectées dans la pratique.

Credit decision : process and performance evaluation of four insolvency prediction models The growth and generalisation of credit risk imply a good knowledge of the credit decision process and of models used to quantify this risk. The aim of this article is to reach this goal, by exhaustively presenting the credit decision process on one hand, and by comparing the relative performance of four insolvency prediction models on the other hand. The paper uses the data of US companies over the period 1980-1997. The results indicate that of the four models analysed, recursive partitioning obtains the best ranking (with a score of 13.30), followed by artificial neural network (7.26), genetic algorithm (7.22) and discriminant analysis (4.32). Models based on the artificial intelligence (i.e., artificial neural networks, recursive partitioning and genetic algorithm) thus seem to perform more than the discriminant analysis. These models have the advantage of being non-parametric methods, which do not make any assumption on the distribution of the explanatory variables used. In discriminant analysis in contrast, explanatory variables are based on some assumptions such normality, which are not always respected in practice.

Toma de decisiones sobre credito : procedimiento y comparacion del desempeño de cuatro modelos de prevision de insolvencia El crecimiento y la ubicuidad del riesgo de crédito justifican un mayor conocimiento del proceso de crédito y de los modelos de estimación del riesgo. Este artículo se propone presentar de manera exhaustiva el proceso de crédito y comparar el desempeño relativo de cuatro modelos de previsión de insolvencia. Para ese propósito se utilizan datos de empresas estadounidenses durante el periodo 1980-1997. Los resultados de la comparación de cuatro modelos de previsión indican que la partición recursiva ocupa la primera posición (con un puntaje de 13,30), seguida de las redes neuronales artificiales (7,26), del algoritmo genético (7,22) y del análisis discriminante (4,32). Los modelos basados en la inteligencia emocional (redes neuronales artificiales, partición recursiva y algoritmo genético) parecen aventajar al análisis discriminante. Estos modelos presentan el atractivo de ser métodos no paramétricos, que no presentan hipótesis sobre la distribución de las variables explicativas utilizadas. En el análisis discriminante, por el contrario, las variables explicativas utilizadas deben obedecer ciertas hipótesis de base, tales como la distribución normal, hipótesis que no siempre son respetadas en la práctica.