La gestion du risque des crédi ts d’exploitation des PME par le Machine Learning : cas Trust Bank Algeria

Abstract

Cette recherche porte sur l’application du Machine Learning, plus précisément la régression logistiq

ue, à la prédiction du risque de défaut des petites et moyennes entreprises (PME) sur les crédits d’exploitation dans le contexte bancaire algérien. L’étude repose sur une base de données réelle de 255 dossiers de crédit issus du système de notation Moody’s de TRUST Bank Algérie sur la période 2020–2024. Sept ratios financiers liés à l’endettement et à la gestion du cycle d’exploitation ont été utilisés comme variables explicatives. L’analyse a été réalisée sous le logiciel R à l’aide du framework tidymodels, selon une démarche comprenant l’analyse exploratoire des données, le prétraitement, la modélisation par régression logistique et l’évaluation des performances. Les résultats montrent que les ratios financiers étudiés possèdent un fort pouvoir discriminant entre les entreprises saines et défaillantes. Le modèle obtient des performances prédictives très élevées avec une ROC-AUC de 1,000 sur l’échantillon de test. Ces résultats suggèrent que la qualité des données issues d’un système de notation professionnel joue un rôle déterminant dans l’efficacité des modèles de Machine Learning appliqués au risque de crédit. Enfin, cette recherche met en évidence l’intérêt de la régression logistique comme outil d’aide à la décision bancaire, grâce à sa simplicité, sa transparence et son interprétabilité