Modélisation prédictive en assurance-crédit à l’exportation evaluation de l’acheteur étranger Cas : Compagnie Algérienne d’Assurance et de Garantie des Exportations (CAGEX)

Abstract

L’assurance-crédit à l’exportation permet de protéger les exportateurs contre le risque de non-paiement des acheteurs étrangers. Dans ce cadre, l’évaluation du risque acheteur constitue un enjeu important pour les organismes d’assurance-crédit, notamment face aux limites des méthodes traditionnelles d’analyse.

Cette recherche a pour objectif d’étudier l’apport du Machine Learning dans l’évaluation prédictive du risque de défaut des acheteurs étrangers au sein de la CAGEX. Pour cela, une approche quantitative a été adoptée à partir d’une base de données semi-synthétique regroupant des variables financières, macroéconomiques et transactionnelles. Trois modèles ont été comparés : la régression logistique, XGBoost et LightGBM.

Les résultats montrent que les modèles de Machine Learning, particulièrement XGBoost et LightGBM, offrent de meilleures performances prédictives que la régression logistique. L’étude met également en évidence l’importance des variables financières et comportementales dans l’évaluation du risque acheteur.

En conclusion, le Machine Learning représente un outil pertinent pour améliorer l’évaluation du risque dans l’assurance-crédit à l’exportation et renforcer la qualité des décisions de couverture au sein de la CAGEX.