Méthodologie de Notation Présentation
Transcription
Méthodologie de Notation Présentation
Février 2002 Méthodologie de Notation Téléphone New York Ahmet E. Kocagil André Salaam 1.212.553.1653 Londres Monica Lozano Lea Carty 44.20.7772.5454 Paris David Frohriep 33.1.53.30.10.20 MOODY’S RISKCALC™ POUR SOCIÉTÉS NON COTÉES : FRANCE Méthodologie de Notation Présentation Face à un besoin croissant de standards pour la notation des sociétés du middle market, Moody's développe des modèles destinés à estimer la probabilité de défaut des sociétés à partir de données contenues dans les états financiers. Ce modèle vient s'ajouter aux modèles RiskCalc™ pour Sociétés non cotées pour l'Allemagne et l'Espagne. Ces modèles ont été développés dans le cadre d'une série de modèles européens élaborés en collaboration avec la société Oliver Wyman & Company, société de conseil de premier plan en stratégie globale dédiée au secteur des services financiers. Au moment de la rédaction de ce document, ce modèle RiskCalc™ pour sociétés non cotées en France vient compléter la liste des modèles RiskCalc™ pour sociétés non cotées aux Etats-Unis, Canada, Australie et Mexique, ainsi que les modèles RiskCalc™ pour sociétés cotées pour l'Amérique du Nord et l'Europe, permettant d'attribuer à différentes sociétés dans le monde des probabilités de défaut pertinentes . L'efficacité et l'objectivité de ce modèle lui permettent de répondre aux intérêts des différents établissements, émetteurs aussi bien qu'investisseurs. • La description de la base de données d'états financiers utilisée pour développer RiskCalc™ France, ainsi que la comparaison avec les données utilisées pour les Etats-Unis, l'Espagne et l'Allemagne, • Une description de la méthodologie de développement de ce modèle, • Une comparaison du rapport de plusieurs ratios financiers au défaut, et • Des tests empiriques du modèle. Ce document décrit avec précision le développement et la validation de la première version du modèle RiskCalc™ pour sociétés françaises non cotées. Nous avons néanmoins volontairement omis certains éléments de cette méthodologie décrits plus largement dans le document RiskCalc™ for Private Companies: Moody's Default Model ». 1 La dernière mise à jour de la liste des modèles disponibles peut être consultée sur le site de Moody's Risk Management Services : http://www.moodysrms.com suite page 3 Méthodologie de Notation Ce document se divise en plusieurs parties : Moody's RiskCalc™ Pour Sociétés Non Cotées : France Contact Auteurs Associé Aîné De Production Jens Bech Phil Escott Frank Glormann Ahmet E. Kocagil John Tzanos © Copyright 2002 by Moody’s Investors Service, Inc., 99 Church Street, New York, New York 10007. All rights reserved. ALL INFORMATION CONTAINED HEREIN IS COPYRIGHTED IN THE NAME OF MOODY’S INVESTORS SERVICE, INC. (“MOODY’S”), AND NONE OF SUCH INFORMATION MAY BE COPIED OR OTHERWISE REPRODUCED, REPACKAGED, FURTHER TRANSMITTED, TRANSFERRED, DISSEMINATED, REDISTRIBUTED OR RESOLD, OR STORED FOR SUBSEQUENT USE FOR ANY SUCH PURPOSE, IN WHOLE OR IN PART, IN ANY FORM OR MANNER OR BY ANY MEANS WHATSOEVER, BY ANY PERSON WITHOUT MOODY’S PRIOR WRITTEN CONSENT. All information contained herein is obtained by MOODY’S from sources believed by it to be accurate and reliable. Because of the possibility of human or mechanical error as well as other factors, however, such information is provided “as is” without warranty of any kind and MOODY’S, in particular, makes no representation or warranty, express or implied, as to the accuracy, timeliness, completeness, merchantability or fitness for any particular purpose of any such information. Under no circumstances shall MOODY’S have any liability to any person or entity for (a) any loss or damage in whole or in part caused by, resulting from, or relating to, any error (negligent or otherwise) or other circumstance or contingency within or outside the control of MOODY’S or any of its directors, officers, employees or agents in connection with the procurement, collection, compilation, analysis, interpretation, communication, publication or delivery of any such information, or (b) any direct, indirect, special, consequential, compensatory or incidental damages whatsoever (including without limitation, lost profits), even if MOODY’S is advised in advance of the possibility of such damages, resulting from the use of or inability to use, any such information. The credit ratings, if any, constituting part of the information contained herein are, and must be construed solely as, statements of opinion and not statements of fact or recommendations to purchase, sell or hold any securities. NO WARRANTY, EXPRESS OR IMPLIED, AS TO THE ACCURACY, TIMELINESS, COMPLETENESS, MERCHANTABILITY OR FITNESS FOR ANY PARTICULAR PURPOSE OF ANY SUCH RATING OR OTHER OPINION OR INFORMATION IS GIVEN OR MADE BY MOODY’S IN ANY FORM OR MANNER WHATSOEVER. Each rating or other opinion must be weighed solely as one factor in any investment decision made by or on behalf of any user of the information contained herein, and each such user must accordingly make its own study and evaluation of each security and of each issuer and guarantor of, and each provider of credit support for, each security that it may consider purchasing, holding or selling. Pursuant to Section 17(b) of the Securities Act of 1933, MOODY’S hereby discloses that most issuers of debt securities (including corporate and municipal bonds, debentures, notes and commercial paper) and preferred stock rated by MOODY’S have, prior to assignment of any rating, agreed to pay to MOODY’S for appraisal and rating services rendered by it fees ranging from $1,000 to $1,500,000. PRINTED IN U.S.A. 2 Moody’s Méthodologie de Notation Introduction L'expérience démontre qu'un élément déterminant en matière de crédit est la capacité à évaluer avec justesse le risque attenant à un portefeuille. Les modèles de défaut, y compris les modèles quantitatifs objectifs, sont ainsi de plus en plus utilisés. Si l'utilisation des modèles de défaut fait l'objet d'une autre section, notons néanmoins parmi les applications : • L'allocation de capital : résolues à assurer le bon fonctionnement du système financier et à encourager les comportements en ce sens, les autorités réglementaires recherchent de plus en plus des mesures du risque objectives et fiables pour les appliquer à l'allocation de capital. • L'optimisation du processus de crédit : un chiffre isolé pouvant s'avérer moins performant que l'opinion d'un spécialiste du crédit, le modèle de défaut peut aider à identifier les scénarios pour lesquels l'opinion d'un individu apporte la plus grande valeur ajoutée. • Le pricing : sans une mesure précise des risques associés au financement des sociétés du middle market, la valeur pour l'actionnaire peut être anéantie par une détermination sous-optimale des prix. • La titrisation : les banques cherchent de plus en plus à proposer à leur clientèle une gamme de services complète sans détenir le capital nécessaire. Parallèlement, les investisseurs recherchent de nouvelles catégories de risque, d'où le besoin d'un standard de notation transparent et objectif. Non seulement ces différents besoins nécessitent-ils un outil puissant et efficace permettant une comparaison non équivoque de divers crédits et sociétés mais la détermination précise du prix et le trading du risque de crédit exigent qu'un tel instrument soit calibré à la probabilité de défaut. RiskCalc a vocation à fournir un standard indépendant pour la plupart des décisions de crédit. Pour être un standard, tout instrument doit, selon nous, satisfaire aux conditions suivantes : 1. Etre compréhensible, Les clients ont toujours indiqué qu'ils attachaient davantage d'importance à la raison pour laquelle un modèle fonctionnait plutôt qu'aux légères améliorations apportées par ce modèle en terme de précision. Les ratios qui sous-tendent une évaluation donnée devraient être clairs et intuitifs. 2. Performant, Un modèle incapable d'établir une différence entre les sociétés de bonne et de mauvaise qualité n'a évidemment qu'une utilité limitée lors des décisions de crédit. L'intérêt d'un outil performant est qu'il soit utilisé lors du pricing et du processus décisionnel. 3. Calibré à des probabilités de défaut (PD) et, Si un modèle non calibré peut être utilisé pour refuser ou accepter des crédits, il est peu utile lorsqu'il s'agit de s'assurer que tout risque hypothétique est tarifié et capitalisé de manière précise. Par ailleurs, il sera peu utile lors des transactions sur la dette. 4. Validé empiriquement. Sans performance bien documentée sur des séries de données hors échantillon, la prudence impose une certaine méfiance pour un modèle tiers. Ce test donne également à l'utilisateur l'assurance que le modèle est stable et n'a pas été « sur-paramétré ». Un modèle ne satisfaisant pas à ces quatre critères ne peut être considéré comme un standard pour le marché, même s'il peut s'avérer un outil précieux. Par exemple, les acteurs du marché ne pourraient pas utiliser en toute confiance un outil plus performant non validé empiriquement. Si nous pouvons assurer que le modèle que nous avons développé en France est très performant, nous reconnaissons toutefois qu'il peut exister des modèles plus puissants. Néanmoins, les produits RiskCalc peuvent constituer de véritables standards : ils sont en effet simples d'utilisation, intuitifs, performants, calibrés et validés. Ayant déjà développé et lancé les modèles pour les Etats-Unis, le Canada et l'Australie, la logique voulait que l'ensemble des produits RiskCalc soit élargi à l'Europe. RiskCalc™ France a été élaboré en collaboration avec Oliver, Wyman & Company, société de consulting de premier plan en stratégie globale, dédiée au secteur des services financiers et bénéficiant d'une grande expérience dans le développement de modèles similaires pour un grand nombre de banques européennes de haut rang. Moody’s Méthodologie de Notation 3 Description des Données L'objectif de la série de Modèles RiskCalc est de fournir des standards de risque de crédit aux sociétés non couvertes par des agences de notation renommées. RiskCalc™ France a pour objet d'attribuer une probabilité de défaut (PD) aux sociétés françaises non cotées dont le chiffre d'affaires annuel est supérieur à € 0,5 Million. Néanmoins, l'utilisation d'un seul et unique modèle pour couvrir toutes les catégories d'entreprises et secteurs étant le plus souvent inadaptée compte tenu des caractéristiques très différentes de certaines sociétés, nous avons exclu de notre analyse les catégories d'entreprises suivantes : • Sociétés cotées - comme nous l'évoquons dans d'autres documents RiskCalc, la valeur de marché est selon nous un élément important dans l'évaluation de la probabilité de défaut d'une société cotée2. • Petites entreprises - la réussite des petites entreprises repose souvent autant sur les finances du personnel d'encadrement que sur celles de la société. Nous avons pour cette raison exclu les sociétés dont le chiffre d'affaires annuel n'a jamais dépassé € 0,5 Million. • Start-ups - notre expérience a démontré que les comptes d'une société sont extrêmement volatils les deux premières années et reflètent mal à ce titre la qualité de crédit de celle-ci. Une des caractéristiques des startups est qu'un grand nombre de banques ont des services de crédit spécialisés pour ces entreprises. • Etablissements financiers - les établissements financiers ont une tendance à afficher des bilans particulièrement différents de ceux des autres sociétés non cotées, i.e. des niveaux de gearing/leverage relativement élevés. Par ailleurs, les établissements financiers étant généralement réglementés et souvent tenus de détenir des fonds propres, il semble plus judicieux de les analyser isolément. • Sociétés immobilières - la réussite ou faillite d'une société immobilière est la plus liée à un événement particulier, d'où le fait que les comptes annuels reflètent rarement la probabilité effective de défaut3. Nous avons pour cette raison exclu de notre échantillon les sociétés immobilières. • Etablissements publics - la notation des établissements publics est compliquée par le fait que les Etats ou municipalités qui font appel à eux ou qui les détiennent ont historiquement été réticents à les laisser faire défaut. On s'accorde généralement à dire dans les domaines de l'analyse financière et de la comptabilité que les comptes des petites entreprises sont en moyenne moins précis et de moins bonne qualité que ceux des entreprises de plus grande taille. Nous avons donc encore épuré la base de données de manière à éliminer tout modèle fondé sur des aberrations. Nous avons par exemple exclu les états financiers de notre base de données sur la base des tests de plausibilité de positions spécifiques des comptes (ex : actifs inférieurs à zéro) ou les états financiers couvrant une période inférieure à douze mois. Le Tableau 1 est une synthèse de l'échantillon utilisé pour développer RiskCalc™ France et établit une comparaison avec les échantillons utilisés pour développer d'autres modèles RiskCalc™. Nous avons de nouveau eu accès à une importante base de données financières et d'informations sur les événements de crédit sur une longue période qui nous a permis de développer un modèle puissant et efficace. Les différences importantes de couverture des échantillons français et espagnols reflètent l'existence d'une solide culture de reporting dans ces pays où des informations publiques sur les comptes annuels et d'importantes bases de données payantes sont disponibles. La couverture des sociétés non cotées dans les bases de données allemandes et américaines est, au contraire, limitée, et les échantillons utilisés sont constitués à partir d'un ensemble de données de différentes banques4. Tableau 1 Informations sur les données des échantillons pour sociétés non cotées Pays France Allemagne Espagne Etats-Unis Période Sociétés Uniques Défauts Des Sociétés Uniques Comptes 1990-1999 1987-1999 1992-1999 1989-1999 253 268 24 866 140 790 33 964 25 229 1 485 2 265 1 393 1 323 754 111 427 569 181 139 060 2 Les personnes souhaitant connaître la notation de sociétés cotées peuvent utiliser le modèle RiskCalc Public Firm Europe. 3 C'est également le cas pour un grand nombre de sociétés de "financements de projet" tels que les sociétés de construction navale, et nous recommandons d'utiliser des modèles distincts pour celles-ci. 4 Dans ce contexte, la taille et la couverture des bases de données allemandes et américaines sont plus développées qu'en France et en Espagne. 4 Moody’s Méthodologie de Notation Le réel avantage des bases de données de cette taille est le nombre de défauts uniques dont nous disposons, ce qui nous permet d'utiliser un nombre substantiel de défauts pour développer et tester le modèle. Comme nous pouvons le voir, l'échantillon français contient nettement plus de défauts que les autres échantillons. Cela indique que plus le taux de défaut est élevé en France (ex : les taux d'insolvabilité des entreprises sont largement inférieurs en Espagne), meilleure est l'extraction de données (i.e. alors que la période de couverture est plus longue pour les Etats-Unis, le procédé de capture des données et défauts a donné lieu à un nombre considérablement plus élevé d'informations récupérées durant les dernières années). Ces effets sont visibles sur le Graphique 1 qui indique que les données utilisées pour développer RiskCalc™ France sont nettement mieux réparties que les séries de données équivalentes pour RiskCalc Etats-Unis et RiskCalc Espagne5. Graphique 1 20% Répartition par année des états financiers 18% 16% 14% 12% 10% 8% 6% 4% 2% 0% 1990 1991 1992 1993 1994 Total Espagne 1995 1996 1997 1998 1999 Total France Le graphique 2 indique que même après avoir exclu de notre base de données les entreprises de très petite taille, du fait du taux de couverture élevé de la base de données source, le nombre d'états financiers est dominé par les plus petites sociétés (encore plus qu'en Espagne où nous disposions d'une base de données aussi étendue). Malheureusement, du point de vue de la modélisation, non seulement y a-t-il moins de grandes sociétés mais elles ont tendance à faire moins fréquemment défaut, d'où les rares exemples de défaut de grandes sociétés disponibles. Nous avons par conséquent enrichi l'échantillon de développement avec une plus grande proportion de défauts de grandes entreprises afin de nous assurer que RiskCalc™ France a une fonction prévisionnelle tant sur les grandes sociétés que sur les plus petites6. Graphique 2 Répartition par taille des états financiers 25-100MM Euro (2%) >=100MM Euro (1%) <0.5MM Euro (11%) 5-25MM Euro (12%) 0.5-1MM Euro (32%) 1-5MM Euro (42%) 5 Contrairement à certains pays européens, nous avons bénéficié du fait que les règles comptables ont peu évolué en France sur la période. 6 Les résultats de la section Tests Empiriques indiquent que la performance de RiskCalc™ France est en effet stable d'une taille de segment à l'autre. Moody’s Méthodologie de Notation 5 Le Graphique 3 indique que la base de donnée utilisée pour développer RiskCalc™ France comporte un nombre légèrement plus faible d'entreprises industrielles et un nombre légèrement plus élevé de sociétés de services que les autres échantillons de développement. Le faible nombre d'entreprises agricoles à l'intérieur de l'échantillon s'explique par la nécessité en France de publier les rapports financiers, ce qui signifie que nous ne pouvons nous attendre qu'à obtenir des informations sur les comptes des grandes entreprises agricoles ou des entreprises constituées en sociétés à responsabilité limitée7. Graphique 3 Répartition par Secteur des Etats financiers Agriculture (1%) Services (23%) Le commerce (38%) Fabrication (25%) Construction (13%) Définition du Défaut Notre volonté de développer RiskCalc™ France, comme c'est le cas pour les autres instruments de notation RiskCalc™, est d'aider les banques et autres institutions ou investisseurs à déterminer le risque de pertes à la suite du défaut de l'entreprise, de l'interruption des paiements ou autres événements de crédit. Les nouvelles dispositions de l'Accord de Bâle sur les fonds propres (Bâle II) ont fait surgir un vif débat quant à la définition adéquate du défaut, un grand nombre d'organisations bancaires laissant entendre que certaines des définitions ne conviendraient pas à certaines marchés. Ainsi, par exemple, alors qu'une définition du défaut comme arriéré de 90 jours semble acceptable en Espagne, l'association italienne des banques indique que cela peut correspondre en Italie à un arriéré de 180 jours. L'un des objectifs de la gamme de produits RiskCalc™ est de fournir au marché un standard de marché pour comparer la probabilité de défaillance de la société non seulement à l'intérieur d'un pays mais également pour permettre une comparaison éloquente d'un pays à l'autre. Ceci peut sembler incompatible avec le nouvel accord de Bâle. Toutefois, il ressort de notre expérience et nos récents échanges avec des banques que tous les banquiers sont préoccupés par le risque de subir des pertes de crédit. Ainsi, lorsque les banquiers laissent entendre qu'un « retard de paiement de 90 jours » est inapproprié, c'est en général parce qu'ils estiment que les sociétés, ou certaines catégories de sociétés, qui dépassent cette limite ne vont peutêtre pas éprouver de difficultés et qu'aucune perte de crédit n'est à attendre8. Le débat sur les définitions du défaut dans ces propositions semble être centré sur le moment où l'on estime qu'une société a fait défaut, et partant, l'impact sur le total des taux de défaut et probabilités de défaut. La question « comment des définitions différentes du défaut sont susceptibles d'avoir un impact sur les variables utilisées pour les outils de notation interne » a, elle, suscité moins de débats. Cela nous semble s'expliquer par le fait que, comme l'a démontré notre expérience, les facteurs pouvant prévoir un défaut sont généralement les mêmes, que la définition fasse référence à un retard de 90 jours ou à la faillite. Le développement du modèle RiskCalc™ France pour sociétés non cotées diffère de celui du modèle RiskCalc™ US pour sociétés non cotées au sens où pour développer RiskCalc™ France, nous avons utilisé les informations rendues publiques et nous nous sommes fondés sur les situations de faillite pour identifier les indicateurs-clé des pertes. La faillite et l'insolvabilité étant des situations de défaut relativement éloignées dans le temps, nous avons structuré l'échantillon de développement de manière à veiller à ce que les variables sélectionnées aient une fonction prévisionnelle sur une période plus étendue9. 7 De plus, les procédures d'insolvabilité pour les sociétés dites "civiles", qui engloberaient généralement les agriculteurs, sont différentes et dès lors, notre base de données aurait capturé très peu de ces défauts. 8 Evidemment, la gravité d'un retard de paiement de 90 jours n'est pas seulement fonction du pays, ou du type de client, mais également de l'instrument, par ex. une société affichant un retard de 1 jour dans une opération sur les marchés de capitaux ou un remboursement d'obligation serait considérée en défaut. Par ailleurs, là où le détenteur d'une dette a financé sa dette à long terme, une société qui fait défaut pour n'importe quelle période imposera certains coûts au détenteur de la dette (car elle serait contrainte de rechercher un autre mode de financement pour la période pendant laquelle le paiement est exigible). 9 Les indicateurs de faillite et autres événements de crédit sont semblables. En identifiant les sociétés susceptibles de faire faillite sous les 18 à 24 mois, on identifie également ceux qui sont de nature à générer d'autres pertes à une date plus rapprochée, dans un an. 6 Moody’s Méthodologie de Notation La base de données que nous avons utilisée contenait des informations tant sur le début de la procédure d'assainissement et des dates de jugements dans des cas de liquidation forcée10. Pour des questions de développement, nous nous sommes servis des liquidations forcées comme événement de défaut car il est plus probable qu'elles soient associées à des pertes dans les institutions financières, alors que nous avons réservé les informations sur la procédure d'assainissement aux tests. La définition du défaut ciblée au moment de calibrer le modèle RiskCalc™ France pour sociétés non cotées est décrite dans la rubrique suivante11. Hypothèses globales de Probabilité de Défaut Comme nous l'avons vu, le développement de la gamme de produits RiskCalc vise à aider les banques et investisseurs à déterminer leur probabilité de subir des pertes. Ainsi, en calibrant les modèles RiskCalc™ aux probabilités de défaut, nous ne nous limitons pas aux événements utilisés dans le développement mais prenons également en compte une catégorie plus vaste d'événements de crédit. Deux grands principes nous permettent de déterminer la définition adéquate du défaut sur lequel s'effectue notre calibrage : • Cohérence au sein des modèles RiskCalc™ - si un outil peut être efficace et capable d'identifier les sociétés qui font par la suite défaut dans un pays, s'il ne fournit pas une évaluation facilement comparable d'un pays à l'autre, il ne réussira pas à répondre aux besoins à dimension de plus en plus internationale des banquiers, investisseurs et autorités réglementaires. De même, le résultat du modèle doit être jugé pertinent par les nombreux professionnels du crédit d'un pays, sinon il ne réussira pas à être crédible ou pleinement reconnu, et est amené à perdre toute pertinence. • Conformité avec les exigences réglementaires et les exigences en matière de fonds propres un modèle qui ne parvient pas à respecter les exigences en matière de fonds propres ne sera pas non plus pleinement reconnu puisque le rôle qu'il joue dans la détermination du prix et dans les décisions d'allocation de capital sera limité. Le concept sur lequel nous calibrons les modèles RiskCalc™ est celui d'une espérance réelle de pertes (sur intérêts et capital), indépendante de la garantie d'un débiteur. L'estimation des probabilités de défaut globales à long terme ou la tendance centrale est importante car elle sert de point d'ancrage pour le modèle. La modifier à la hausse orientera l'ensemble des probabilités de défaut prévues à la hausse et vice versa. Nous décrivons dans cette section les données-sources consultées pour trianguler une estimation de tendance centrale. On utiliserait dans l'idéal l'historique effectif des défauts bancaires. Néanmoins, en l'absence de ces données, il convient d'adopter d'autres approches. A terme, les exigences en termes de reporting recommandées par Bâle II devraient assurer une plus grande précision des estimations. Une approche pour déterminer le taux de défaut de la population est d'utiliser les provisions des pertes sur prêts des banques, qui, à terme, auront tendance à égaler les pertes réelles et dès lors refléter le taux de défaut sous-jacent. Les taux de pertes et taux de défaut sont corrélés par la LGD (« perte en fonction du taux de défaut » ou « loss given default rate », selon la formule suivante : Volume de Pertes = Encours de Prêts * Probabilité de Défaut * LGD => Probabilité de Défaut = Volume de Pertes / (Encours de prêts * LGD) La méthode fondamentale pour l'allocation de capital telle que décrite dans les dispositions de Bâle II utilise un taux de perte de 50%. En l'absence de preuve contraire évidente en France12, nous avons utilisé ce taux pour en déduire une estimation du taux de défaut. Ainsi, les provisions moyennes des pertes sur prêts de 1% auraient pour résultat un taux de défaut estimé pondéré par le volume de 2%. L'analyse des données de provisionnement pour les banques françaises sur la période couverte par notre base de données indiquait un taux moyen de défaut annuel de l'ordre de 2% et 2,4%. 10On parle ici respectivement de redressement judiciaire et liquidation jugement. La principale différence est que les sociétés se trouvant dans cette situation auront été jugées inaptes à retrouver leur équilibre, et auront été mises en liquidation. La base de données contenait également des informations sur des mises en liquidation amiables. Néanmoins, nous ne pensons pas que ces dernières sont nécessairement le résultat d'événements de crédit et les avons à ce titre exclues du développement. 11Se reporter à la section Description du Modèle pour plus de détails sur le calibrage du modèle. EN résumé, le calibrage calque le résultat d'un algoritme sur une probabilité de défaut. 12En réponse aux propositions de Bâle II, l'Association française des banque a fourni des données précieuses en matière de taux de récupération (i.e. 1 - LGD) pour différents types de garantie. Néanmoins, elle ne semble pas avoir remis en question le taux global de 50% utilisé dans l'approche normalisée. Moody’s Méthodologie de Notation 7 Nous avons complété cette approche par la collecte auprès de l'INSEE13 de données sur le nombre de sociétés et le nombre de procédures de mises en faillite pour insolvabilité. Nous avons veillé à nous éloigner des chiffres nationaux pour aller vers une tendance centrale car le total des chiffres est souvent fonction de la taille, du secteur et des formes juridiques non couvertes par RiskCalc™ France. Les données obtenues nous ont permis d'effectuer de tels ajustements ainsi que d'apporter une preuve tangible des différents taux de défaut d'un secteur à l'autre, et de toutses tailles. Il s'est également avéré nécessaire d'ajuster les chiffres de manière à refléter le fait que les chiffres de Probabilité de Défaut que nous indiquons ne sont pas basés sur la définition des séries de données de l'INSEE14. Les résultats de cette analyse ont également indiqué un taux de défaut annuel de 2,2%. Ainsi, pour calibrer RiskCalc™ France, nous avons utilisé une tendance centrale de 2,2% pour la PD à 1 an. Lors de nos rencontres avec les banques, ces dernières s'étonnent parfois que la tendance centrale que nous utilisons pour la France semble plus élevée que celle utilisée pour l'Allemagne. Néanmoins, le fait que les chiffres que nous utilisons visent à refléter la période couverte par les échantillons est une subtilité que l'on tend à négliger. Pour l'Allemagne, est comprise la période d'essor de 1987-1990. En outre, les sociétés regroupées dans les données RiskCalc France™ étant en général de plus petite taille que celles figurant dans les données allemandes, la différence reflète donc en partie le fait avéré que les entreprises de plus petite taille font plus fréquemment défaut. En déduisant la tendance centrale pour la PD cumulée à 5 ans, nous avons à nouveau dû relever de nouveaux défis face à un relatif manque de données15 publiques disponibles. En développant le modèle RiskCalc US, MRMS a passé un temps considérable à examiner la relation entre les PD cumulées à 1 et 5 ans. Le résultat de cet exercice fournit une première base pour déduire une tendance centrale cumulée. L'avantage de cet exercice est qu'il couvre une période très longue et peut être utilisé pour compléter les informations contenues dans notre base de données . Les résultats de ces analyses indiquent que le taux de défaut cumulé à 5 ans est environ 4 fois supérieur au taux de défaut à 1 an. Ainsi, en calibrant RiskCalc™ France pour l'horizon à 5 ans, nous avons utilisé une tendance centrale de 8,8%. Description du Modèle RiskCalc est un modèle non structurel au sens où il ne fait pas appel à une spécification explicite basée sur la théorie mais où il intègre largement l'expérience combinée de Moody's et de Oliver Wyman and Company en modélisation du défaut. Comme pour toute modélisation quantitative, nous devons arbitrer entre un ajustement dans l'échantillon et la puissance hors échantillon. Nous axons notre modélisation sur une méthode fonctionnelle des plus simples qui fait intervenir le plus petit nombre de données d'entrée16. Notre méthode de modélisation peut se résumer en trois étapes : • Analyse à facteur unique : l'analyse à facteur unique a pour objectif d'étudier la relation au défaut d'une série de facteurs potentiellement pertinents qui pourraient a priori être considérés comme des variables indépendantes dans le modèle définitif. Dans cette étape, nous procédons également à une mini-modélisation des facteurs. • Spécification et Estimation de modèles : une fois que les facteurs ont été analysés, l'étape suivante consiste à spécifier un modèle, en utilisant un sous-ensemble des facteurs les plus puissants. Ces facteurs sont regroupés dans un modèle logistique et leurs pondérations optimisées. • Le calibrage : enfin, une fois que le modèle a été spécifié et ses pondérations estimées, il convient de convertir le résultat du modèle, le « score », à une probabilité spécifique de défaut. Analyse à facteur unique Les modèles de notation basés sur des informations comptables se caractérisent notamment par un grand nombre de variables pouvant être utilisées pour prévoir le défaut. Il est très facile de définir plusieurs centaines de ratios financiers, en regroupant de différentes façons toutes les informations financières utiles contenues dans les comptes d'une société de manière à évaluer la qualité de crédit. La façon dont ces informations sont utilisées pour construire le modèle est prépondérante pour déterminer la capacité et la puissance prévisionnelle du défaut du modèle final. Certains ratios financiers pouvant être dérivés seront utilisés pour prévoir le défaut mais d'autres risquent d'être faussement corrélés à la variable de défaut. Par ailleurs, certains ratios peuvent prendre des valeurs extrêmement élevées ou faibles pour un certain nombre de sociétés, sans ajouter d'information permettant une prévision des défauts. Ces deux éléments illustrent l'importance du choix des variables et des processus de transformation effectués lors de l'analyse à facteur unique. 13Institut National de la Statistique et des Études Économiques. 14Par exemple, tous les cas d'insolvabilité ne seront pas révélateurs des pertes des établissements financiers, et inversément tous les événements de crédit des établissements financiers ne se traduiront pas par des procédures d'insolvabilité. 15Evidemment, compte tenu de l'importance de la couverture de notre base de données, nous pouvons nous attendre à ce que cela fournisse une base solide par la suite. Les résultats issus de notre base de données sont confortés par les récents travaux de la Banque de France sur les taux de défaut cumulés entre 1994 et 1999 pour un groupe d'entreprises industrielles. 16Outre l'augmentation du coût lié à l'utilisation d'un outil, un grand nombre de données d'entrée peuvent avoir un impact négatif sur l'utilisation d'un modèle, ce qui peut à son tour limiter son utilité (un modèle de notation tellement compliqué qu'il n'est pas utilisé quotidiennement n'est pas un très bon modèle d'évaluation du crédit). 8 Moody’s Méthodologie de Notation Compte tenu du grand nombre de ratios acceptables, il est important de limiter la liste des ratios retenus dans le processus final de sélection du modèle. Les critères de sélection des ratios sont les suivants : • Les ratios doivent être intuitifs. Si le modèle final doit être intuitif et pertinent, il va devoir inclure les facteurs qui sont intuitifs et pertinents. • Les rations doivent avoir une puissance prévisionnelle. Nous voulons conserver dans notre série de régresseurs potentiels les facteurs qui ont un fort pouvoir discriminatoire entre les sociétés en défaut et les sociétés qui ne sont pas en défaut. • Les observations doivent être suffisantes. Pour que l'on puisse être statistiquement à l'aise avec les résultats de l'analyse à facteur unique pour un facteur donné, il est important de disposer d'un grand nombre d'observations. Par ailleurs, un grand nombre de valeurs manquantes indiquerait généralement que l'information est difficile à obtenir et dès lors il ne serait pas prudent de l'inclure dans le modèle final. Il est important, lorsque l'on considère quels ratios doivent être intégrés dans un modèle, de disposer d'une prévision sur la manière dont il sera corrélé au défaut. On court autrement le risque de sélectionner un ratio à partir d'aberrations statistiques. Ainsi, lorsqu'un facteur ne cadre pas avec notre anticipation, nous l'excluons d'une nouvelle analyse. Prenons le ratio capitaux propres / actifs où nous nous attendrions à ce que des valeurs plus élevées soient associées à des probabilités de défaut plus faibles. Si les données indiquaient que les valeurs plus élevées étaient associées à des taux de défaut plus élevés, nous n'inclurions pas les capitaux propres / actifs dans nos analyses ultérieures. Nous testons la puissance de prévision de chaque ratio en utilisant le quotient d'exactitude17 qui évalue la capacité d'une métrique à différencier les sociétés qui ont plus tard fait défaut de celles qui ne l'ont pas fait. Là où un ratio a peu de puissance de prévision, ce qui correspond à un faible quotient d'exactitude, nous l'excluons d'une analyse complémentaire. Ayant exclu les ratios contre-intuitifs ou n'apportant pas d'informations au cours des étapes précédentes, nous mini-modélisons les autres facteurs pour capturer leur rapport au défaut. Les graphiques 4-10 démontrent que cette relation est en général monotonique, c'est-à-dire que la courbe est soit toujours positive, signifiant que la valeur d'un ratio plus élevé indique une plus grande probabilité de défaut (ex : Coûts / Chiffre d'affaires), soit toujours négative, signifiant qu'un ratio plus faible indique une plus forte probabilité de défaut (ex : Capitaux propres / Actifs)18. Compte tenu de cette monotonicité, nous modélisons la relation au défaut de manière à la capturer en douceur et limitons les valeurs extrêmes. Cette « limitation » non seulement n'élimine pas l'impact des valeurs aberrantes dans l'estimation des paramètres du modèle final mais permet d'assurer que les notations finales attribuées à une société ne soient pas faussées par l'impact d'un petit nombre d'observations. Cela reflète également le fait qu'au-delà d'un certain niveau, la plupart des ratios apporte peu d'informations supplémentaires sur le défaut. Enfin, les ratios transformés sont normalisés de manière à assurer qu'ils ont le même écart type et écart moyen. Ceci rend comparables les valeurs de ratios très différents et permet une définition très intuitive du modèle définitif en attribuant simplement des pondérations à chaque facteur. Spécification et Estimation de modèles Dans la seconde étape, les facteurs transformés sélectionnés sont soumis à un processus d'analyse multivariante qui porte sur la puissance de prévision des combinaisons de ces ratios. En commençant avec une liste de 20 ratios, plus d'1 million de modèles possibles pourraient être créés. Il est donc important d'utiliser les méthodes de sélection statistique telles que la régression ascendante et descendante pour encore limiter le nombre de facteurs, et de là de modèles possibles. Intégrer les ratios fortement corrélés lors de l'estimation des pondérations optimales pour un modèle sans faire particulièrement preuve de prudence peut aboutir à des estimations instables de ces pondérations et se traduire par une mauvaise performance du modèle lorsqu'il est appliqué hors de l'échantillon de développement. Par ailleurs, les pondérations attribuées à ces facteurs peuvent souvent être contre-intuitives, par ex. on peut avoir un modèle dans lequel une plus grande rentabilité s'est traduite par des taux de défaut plus élevés. Ainsi, en intégrant des facteurs semblables, nous avons veillé à examiner la stabilité des estimations de pondération dans différents sous-ensembles, en nous assurant que les pondérations pour la catégorie de facteurs (ex. la rentabilité) étaient stables avant de répartir la pondération de la catégorie entre les ratios de la catégorie19. 17Pour plus de détails, veuillez vous reporter plus loin à la section Tests Empiriques. Le quotient d'exactitude correspond aussi à la statistique de puissance ou Quotient de Gini. 18La catégorie de ratios non monotones les mieux documentés sont les ratios de croissance qui affichent souvent un rapport en U au défaut. 19Ainsi, par exemple, nous avons estimé les pondérations d'un modèle incluant seulement le ratio EBE sur actifs, d'un modèle incluant seulement Résultat net + Dépréciation/actifs, ainsi qu'au sein de différents sous-échantillons et autres mesures de rentabilité. Ceci a généré des estimations fiables pour l'importance des ratios de rentabilité. Cette pondération a ensuite été répartie entre les deux ratios sur la base de la puissance de chacun et du comportement du modèle dans différents sous-échantillons. Moody’s Méthodologie de Notation 9 Il n'existe pas de règle absolue pour déterminer combien de ratios un modèle de notation donné devrait contenir : trop peu et le modèle ne capturera pas toutes les informations pertinentes, ou bien trop, et le modèle sera puissant dans l'échantillon mais instable en dehors et exigera très probablement des données d'entrée onéreuses. Lorsque que nous avons décidé du modèle final à utiliser, nous avons complété notre expérience par une analyse de la puissance des différents modèles, telle qu'elle est mesurée par le quotient d'exactitude. Plusieurs considérations ont influencé le choix des ratios finaux et du modèle, et notamment : • • • • Les données que l'utilisateur doit fournir devraient être aussi limitées que possible, Le nombre de facteurs dans le modèle définitif devrait être aussi restreint que possible, Les facteurs et leur pondération devraient être intuitifs, Le modèle devrait avoir la puissance explicative la plus élevée possible Calibrage La dernière étape de la modélisation consiste à faire le calcage du résultat du modèle aux probabilités de défaut. Cet exercice peut se diviser en deux parties. La première consiste à s'assurer que le taux de défaut moyen prévu par le modèle est égal à notre meilleure estimation du taux de défaut de la population sur un cycle économique. La seconde partie est le calcage des scores aux probabilités de défaut comme nous l'expliquons ci-dessous. La méthodologie de base pour parvenir à une courbe de calibrage à 1 an était la même que pour RiskCalc Australie où l'échantillon global est utilisé pour créer une courbe de puissance et à partir duquel une courbe de calibrage (qui calibre un score à une PD) est définie20. Cette courbe de calibrage est ensuite ajustée de manière à ce que le taux de défaut de la population implicite corresponde à notre meilleure estimation du taux de défaut global à long terme, soit 2,2%. Pour éviter les anomalies causées par les données, la courbe de calibrage est lissée tout en veillant à ce que les queues conservent leur caractéristique exponentielle21. En dérivant la courbe de calibrage pour l'horizon cumulé à 5 ans, nous avons pu adopter une analyse de cohorte, en utilisant trois cohortes depuis 1993, 1994 et 1995. Cette méthode consiste à noter toutes les sociétés sur l'année, par ex : 1993, puis à suivre leur performance sur les 5 années suivantes. Nous créons ensuite des « buckets » (paquets de données) de score et calculons les taux de défaut moyen pour chaque bucket22. On calcule ensuite la moyenne du taux de défaut pour chaque bucket sur la base du nombre de sociétés dans chaque bucket de chaque cohorte. Ceci a donné lieu à notre courbe de calibrage que nous avons ensuite lissée et ajustée à notre meilleure estimation de probabilité de défaut cumulée à 5 ans de 8,8%. Notons que nous n'avons pas construit de modèle spécifique à 5 ans mais avons basé le calibrage sur le modèle unique développé, qui a été construit en utilisant une série d'états financiers sur la période allant de 1 à 3 ans avant le défaut. Un des problèmes propres à de nombreuses séries de données est le fait que la sélection de l'échantillon soit biaisée, impliquant un taux de défaut plus élevé pour les sociétés de plus grande taille, ce que notre expérience, et celle de n'importe quel spécialiste du domaine, ne tend pas à confirmer. Ce biais est en partie corrigé par le fait que les grandes sociétés affichent généralement des comptes jugés « de meilleure qualité », au sens où leurs ratios indiquent en général une meilleure qualité de crédit, et par le fait que RiskCalc France est un outil de notation puissant. Néanmoins, ces comptes ne capturent pas pleinement les atouts en termes de diversification et de qualité de gestion de nombreuses grandes sociétés, ou inversement, le manque de diversification en termes de clientèle et /ou de fournisseurs et une dépendance par rapport à plusieurs individus jouant un rôle-clé23 d'un grand nombre de sociétés de petite taille. RiskCalc™ France prévoyait donc des PD plus élevées pour les sociétés de plus petite taille mais n'intégrait pas complètement l'impact de ces effets externes. Nous avons donc affiné le calibrage final pour les sociétés de manière à faire coïncider les PD prévues avec les statistiques nationales. Ces ajustements sont peu à peu appliqués aux sociétés les plus grandes et les plus petites, ce qui se traduit par une amélioration de la catégorie de notation 1-2 pour les très grandes sociétés, et un abaissement de la catégorie de notation 1-2 pour les sociétés de très petite taille. En développant le modèle, nous étions conscients du fait que les sociétés de commerce génèrent le plus souvent des volumes de ventes plus élevés pour un niveau d'actifs donnés. Nous avions donc prévu que les ratios utilisés dans notre modèle final étaient susceptibles de produire des scores plus faibles que les sociétés de commerce24, et donc de se traduire par une PD plus faible pour ce type de sociétés. 20Cf. l'Annexe D pour une description plus complète de cette notion. 21Nous avons basé notre courbe de calibrage sur une fonction exponentielle. 22Soit le nombre de défauts dans le bucket sur la période de 5 ans divisé par le nombre de sociétés dans le bucket au début de la période. 23Un rapport du Sénat de 1993 cite le décès ou la maladie du dirigeant comme la 5ème cause de défaut la plus fréquente. 24Prenons deux sociétés - une société commerciale et une entreprise manufacturière - avec un même niveau de rentabilité, de fonds propres et d'actifs : la société commerciale générant un volume de ventes plus élevé pour un même niveau d'actifs, les ratios tels que la marge brute ( profit on Sales) serait plus faible pour la société commerciale, d'où un score - et une PD - plus mauvais. 10 Moody’s Méthodologie de Notation De même, compte tenu du caractère fortement volatil de l'industrie du bâtiment, la probabilité qu'une entreprise de construction avec le même levier financier qu'une entreprise industrielle fasse défaut en cas de ralentissement économique serait plus forte25. Cette tendance est accentuée par l'importance de la soustraitance dans ce secteur qui véhicule plus facilement les difficultés d'une société à l'autre26, et par la nature des stocks des entreprises de construction qui les rend difficiles à liquider. Nous avons donc choisi d'examiner la performance de RiskCalc™ France dans différents secteurs et la moyenne des PD prévues dans les secteurs, et de les comparer avec nos données de calibrage. L'outil s'est avéré très efficace d'un secteur à l'autre et à l'intérieur de chaque secteur27. Néanmoins, conformément à nos anticipations, les PD prévues pour les sociétés commerciales étaient légèrement trop élevées, alors que celles des entreprises de construction étaient trop faibles. Compte tenu de la puissance de l'instrument, nous avons estimé qu'il valait mieux traiter ces différences sectorielles dans le cadre du calibrage28, plutôt que, par exemple, en utilisant des indices sectoriels qui inonderaient les utilisateurs de nouvelles données. Nous avons donc appliqué un léger bonus aux sociétés commerciales et une pénalité aux entreprises de construction29. En résumé, la transformation et la normalisation des ratios d'entrée permet de récolter en toute transparence les informations contenues dans chaque ratio sur la probabilité de défaut. Le modèle binaire probabiliste est une méthode efficace pour déterminer les pondérations optimales lors du regroupement des ratios d'entrée. Enfin, le calcage transforme le résultat en probabilités de défaut faciles à interpréter, qui sont à leur tour calquées sur une échelle de notation30. Les Ratios et Leur Relation au Défaut Le modèle RiskCalc™ France utilise neuf facteurs qui appartiennent aux grandes catégories suivantes : ratios d'endettement, rentabilité, ratio de couverture de la dette, croissance et productivité. Cette section décrit ces ratios et explique comment ils ont été calculés. (cf. en annexe les définitions de ces ratios et leurs équivalents anglais, ainsi que la façon dont ces ratios sont liés aux normes comptables françaises, peuvent être consultées dans les Annexes). Leverage / Gearing Le leverage est une mesure importante du risque de crédit d'une société car il mesure la capacité d'une société à résister à un choc. RiskCalc™ France intègre deux mesures différentes du leverage ou gearing d'une société : le ratio capitaux propres/actifs et le ratio d'endettement net. Graphique 4 30% Les sociétés avec un niveau de capitaux propres plus élevé font moins fréquemment défaut Taux De Capitaux Propres 25% 20% 15% 10% 5% 0% 0% 20% 40% 60% 80% 100% Dissolvant Insolvable 25Le coussin de sécurité apporté par les fonds propres serait plus rapidement entamé. 26Le rapport du Sénat déjà mentionné citait le défaut d'un client comme la cause la plus fréquente de défaut d'une société, la 2ème cause la plus fréquente étant des niveaux de stocks élevés. 27Se reporter à la section Tests Empiriques pour une comparaison de la puissance de l'outil dans différents secteurs d'activité. 28En appliquant de tels ajustements nous avons veillé à acquérir suffisamment de preuves pour les justifier, ainsi que l'assurance que es ajustements seraient nécessaires. Tous les modèles RiskCalc™ ne sont pas soumis à ce type d'ajustements car il n'est pas toujours nécessaire ou parce l'argument pour un tel changement n'est pas suffisamment solide. 29Ces ajustements changent la catégorie de notation d'1 catégorie de notation au plus. 30Cf Annexe E pour la description de la relation entre l'échelle de notation ".pd" utilisée avec les modèles RiskCalc et l'échelle de notation largement reconnue de Moody's Investor Service. Moody’s Méthodologie de Notation 11 Le ratio capitaux propres/ actifs (Equity ratio) mesure la relation entre les capitaux propres et les actifs d'une société et évalue le coussin de sécurité dont dispose une société pour résister à d'éventuels chocs. Nous estimions alors que les sociétés avec un ratio de ce type plus élevé feraient moins fréquemment défaut, hypothèse confirmée par les données, comme on peut le voir sur le Graphique 431. Le ratio d'endettement net est par nature très similaire à un simple ratio de dettes par rapport aux actifs. Néanmoins nous avons procédé à quelques ajustements pour améliorer sa puissance. Le premier ajustement reflète le fait qu'une part des dettes peut être généralement remboursée avec les disponibilités de la société. Le second ajustement justifie le fait que les remboursements anticipés des clients sont considérés comme des dettes jusqu'au moment où la commande est exécutée Compte tenu que la société est clairement dans l'obligation d'exécuter une commande, nous tentons de mesurer les obligations financières dont doit s'acquitter une société, ce qui explique pourquoi nous avons exclu cet élément en calculant le passif. Nous partions de l'hypothèse que ces sociétés qui font par la suite défaut afficheront un ratio de ce type plus élevé car cela indique que les sociétés risquent d'être moins aptes à faire face à de brusques changements. Le Graphique 5 en témoigne. Graphique 5 Les sociétés à leverage élevé font plus fréquemment défaut Taux Net D'Endettement. 40% 35% 30% 25% 20% 15% 10% 5% 0% 0% Dissolvant 20% 40% 60% 80% 100% Insolvable Rentabilité La rentabilité d'une société apparaît comme un bon indicateur prévisionnel de ses défauts ultérieurs sur ses obligations (une société qui subit toujours des pertes sera financement amenée à épuiser ses capitaux propres et sera incapable de rembourser sa dette). Il existe néanmoins une zone de tension entre la volonté de réaliser des bénéfices pour augmenter la valeur de la société et la volonté de minimiser les bénéfices de manière à minimiser son imposition. Face à l'existence de cette tension est apparue une comptabilité artificieuse qui a à son tour suscité de multiples débats sur ce qui est la « meilleure » mesure de la rentabilité d'une société. En réalité, les mesures de rentabilité ont, pour beaucoup, un caractère prévisionnel. RiskCalc™ France contient deux mesures de rentabilité : l'EBE (Excédent Brut d'Exploitation) / C.A et le résultat avant impôt par rapport aux actifs. L'EBE/C.A mesure le rapport entre le bénéfice d'une société et les ventes qu'elle réalise. Lorsque l'on déduit l'EBE, des ajustements sont faits sur le résultat net d'une société pour déduire un chiffre avant le paiement de l'impôt (qui ne serait pas payé en cas de pertes de la société), avant que les frais financiers (qui dépendent de la structure du capital d'une société) et avant que les dotations aux amortissements n'aient été intégrées (car il s'agit d'un mécanisme répandu de manipulation de la rentabilité d'une société). Nous émettons l'hypothèse qu'en général, les sociétés qui font par la suite défaut présentent une marge bénéficiaire plus faible. Le résultat avant impôt par rapport aux actifs diffère du ratio EBE en abandonnant les ajustements concernant les frais financiers et les dotations aux amortissements. En intégrant cette deuxième mesure de la rentabilité, nous obtenons un tableau plus clair de la rentabilité d'une société et améliorons la stabilité du modèle32. Le Graphique 6 démontre, conformément aux anticipations, que les sociétés qui génèrent de faibles bénéfices par rapport à leur capital investi, ont une tendance à faire plus fréquemment défaut. 31Les chiffres relatifs au rapport au défaut des facteurs sont basés sur l'échantillon de développement. 32Comme nous le verrons ensuite, l'intégration de ratios similaires doit être effectuée avec beaucoup de prudence. Le modèle en résultant peut en effet être instable et/ou contre-intuitif. 12 Moody’s Méthodologie de Notation Graphique 6 Les sociétés plus rentables font moins fréquemment défaut EBE/CA / Ventes 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% 0% Dissolvant 20% 40% 60% 80% 100% 40% 60% 80% 100% Insolvable Capitaux De Prétaxation / Capitaux 35% 30% 25% 20% 15% 10% 5% 0% 0% Dissolvant 20% Insolvable Couverture de la dette Le gearing et la rentabilité d'une société étant chacun de bons indicateurs prévisionnels du défaut d'une société, il n'est pas surprenant que les ratios de couverture, qui intègrent ces deux éléments, soient également de bons indicateurs prévisionnels. Les ratios de couverture ont fait l'objet du même débat concernant la meilleure mesure du cash flow, comme les ratios de rentabilité, mais aussi la meilleure mesure du passif de la société. De nouveau, la puissance de ces ratios à identifier les sociétés qui font par la suite défaut est stable dans les nombreuses et différentes définitions. De même, compte tenu que nous avons récupéré ailleurs des données de résultat avant impôt, nous avons choisi d'utiliser une mesure du résultat net. Nous avons ajouté à cela la dépréciation car nous estimons que dans certaines circonstances, les recettes auparavant « déviées » vers l'amortissement et la dépréciation seraient affectées au remboursement des dettes. Comme l'indique le Graphique 7, les chiffres confirment notre anticipation, à savoir que les sociétés affichant les plus mauvais ratios de couverture feront plus fréquemment défaut. Moody’s Méthodologie de Notation 13 Graphique 7 Les sociétés avec un taux de couverture plus élevé font moins fréquemment défaut 30% Marge brute d'autofinancement De Financement / Responsabilités 25% 20% 15% 10% 5% 0% 0% Dissolvant 20% 40% 60% 80% 100% Insolvable Liquidité Les documents d'analyse financière contiennent un grand nombre de ratios de liquidité différents qui en fin de compte mesurent la même chose, les différences portant essentiellement sur l'importance à attribuer aux différentes catégories d'actifs circulants (current assets)33. Pour mesurer la capacité à rembourser les dettes à court terme avec des actifs à court terme, nous n'utilisons que les éléments inscrits sous les actifs circulants les plus liquides (disponibilités, actifs liquides autres que disponibilités, et investissements à court terme), convaincus que non seulement peuvent-ils être réalisés à la valeur comptable, ou presque, (contrairement aux stocks, par ex.), mais qu'ils peuvent également être réalisés à brève échéance et dans la plupart des contextes économiques (ce qui n'est par exemple.pas le cas pour les détenteurs de dette commerciale). Le Graphique 8 indique que les sociétés qui ont par la suite fait défaut affichaient des niveaux plus faibles que la moyenne des disponibilités et valeur en espèces par rapport aux actifs. Graphique 8 Les sociétés à faible niveau de disponibilités et valeur en espèces font plus fréquemment défaut Argent Comptant Et Équivalents / Capitaux 50% 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% 0% Dissolvant 20% 40% 60% 80% 100% Insolvable 33Ceci peut être compliqué par le fait que dans la comptabilité européenne, le terme "circulants" ("current") dans "actifs circulants"("current assets") fait davantage référence au fait qu'ils ne sont pas "immobilisés" qu'au fait qu'il s'agisse d'actifs à court terme. 14 Moody’s Méthodologie de Notation Productivité Les ratios de productivité ou d'activité mesurent le volume des ventes que génèrent les sociétés à partir de certaines données de base, qu'il s'agisse des capitaux propres, du personnel, des actifs ou des dettes. On pourrait en général s'attendre à ce que les sociétés les mieux gérées soient plus efficaces dans leur utilisation de ces données, un élément dont la plupart des mesures de productivité ou activité rendront compte (ce qui explique au moins en partie pourquoi les ratios de productivité sont si scrupuleusement suivis par les dirigeants d'entreprise). L'une des difficultés rencontrées lorsque l'on tente de classer par catégorie les ratios financiers est qu'un grand nombre de ratios pourraient tout à fait légitimement appartenir à plusieurs catégories. Le rapport entre les frais financiers et le niveau des ventes qu'ils génèrent est précisément un ratio de ce type. Nous considérons qu'il s'agit d'un ratio de productivité mesurant le volume de ventes que l'on peut produire pour un niveau donné de financement de dette. Néanmoins, il intègre également les éléments des ratios de couverture et également des coefficients d'exploitation mesurant la part des revenus d'exploitation nécessaire pour assurer les paiements d'intérêts. Quelque soit la catégorie choisie pour ce ratio, il est par intuition clair que, toutes choses étant égales par ailleurs, plus les coûts de financement seront élevés pour une société, plus il est probable qu'elle fasse défaut sur ces paiements. Par ailleurs, pour un niveau donné de frais financiers, et toutes choses étant égales par ailleurs, une société avec des ventes plus élevées sera plus facilement en mesure de faire face à ses coûts de financement. C'était notre hypothèse initiale et le ratio s'est avéré un très bon indicateur prévisionnel lors du développement. Graphique 9 Les sociétés ne parvenant pas à générer de recettes suffisantes à partir de certaines données de base font plus souvent défaut Dépenses Financières / Ventes 35% 30% 25% 20% 15% 10% 5% 0% 0% Dissolvant 20% 40% 60% 80% 100% Insolvable Moody’s Méthodologie de Notation 15 Croissance Le rapport entre le taux de croissance des entreprises et leur taux de défaut n'est pas aussi simple à définir que pour les autres ratios. En effet, s'il vaut en général mieux enregistrer une croissance que l'inverse, les sociétés enregistrant une croissance très rapide se trouvent souvent dans l'incapacité de faire face aux défis qu'engendre une telle croissance (a fortiori, les sociétés de plus petite taille). Par ailleurs, il est improbable que cette croissance soit financée par les bénéfices, ce qui peut se traduire par une éventuelle augmentation de l'endettement avec les risques que cela suppose. RiskCalc™ France fait intervenir deux mesures différentes de croissance : la Croissance du Chiffre d'Affaires et la Croissance des Actifs. Une croissance du C.A. faible ou négative indique en général qu'une société est en train de perdre de sa part de marché ou a été contrainte à revoir ses prix à la baisse34, alors qu'un taux élevé peut s'accompagner des défis évoqués précédemment. Une croissance des actifs négative peut tout à fait indiquer qu'une société a procédé à des cessions d'actifs pour « dresser un tableau plus flatteur » de ses résultats, alors que des niveaux élevés de croissance d'actifs peuvent provenir d'une augmentation des dettes35, ou du gonflement des stocks ou créances (ce qui peut indiquer des difficultés en termes de chiffre d'affaires). Comme l'indique les Graphiques 10a-d, il existe une relation en U entre les taux de croissance et de défaut. Graphique 10 Le rapport entre les taux de croissance et le défaut est plus complexe que pour les autres ratios Croissance De Ventes 30% 25% 20% 15% 10% 5% 0% 0% Dissolvant 20% 40% 60% 80% 100% 20% 40% 60% 80% 100% Insolvable Croissance De Capitaux 25% 20% 15% 10% 5% 0% 0% Dissolvant Insolvable 34Il est évident que les sociétés qui ont connu d'importantes restructurations, ex. désinvestissements ou fusions/acquisitions, peuvent afficher des valeurs extrêmes pour leurs ratios de croissance. En utilisant les modèles RiskCalc, comme pour la plupart des outils de notation de crédit, il est important que l'information utilisée soit la plus comparable possible avec la structure de la société à court terme. Ainsi pour appliquer le modèle RiskCalc à une société qui a récemment fusionné, les chiffres de l'année précédente devraient concerner l'entité résultant de cette fusion. 35Comme nous nous intéressons à des sociétés non cotées, les perspectives d'une forte augmentation des ressources propres nous semble limitées. Outre l'augmentation du gearing issue de l'augmentation des dettes, lorsqu'une société augmente ses dettes pendant l'année, il est possible que la hausse du coût de l'intérêt ne soit pas pleinement intégrée dans les résultats, de là la possibililité que les ratios de rentabilité et de couverture soient faussés. 16 Moody’s Méthodologie de Notation Les Pondérations Le résultat du modèle est non seulement fonction des données d'entrée, i.e. les valeurs des facteurs, mais également des pondérations attribuées à ces facteurs. On peut ainsi mieux comprendre la relation entre une donnée d'entrée et un résultat fournis en examinant les pondérations. Le Tableau 2 décrit les contributions relatives des facteurs dans RiskCalc™ France sur l'ensemble de l'échantillon de données. Tableau 2 Pondérations relatives de RiskCalc France des catégories de facteurs de risque Catégorie Facteurs Contribution Leverage / Gearing Ratio de capitaux propres Endettement net 31% Rentabilité Excédent brut d'exploitation Résultat avant impôt / Actifs 21% Couverture de la dette Résultat net + Dépréciation / Dettes 10% Liquidité Disponib. +valeur en espèces / Actifs 6% Croissance Croissance du C.A Croissance des actifs 20% Productivité Charges financières /C.A 13% Il serait naïf de supposer que le niveau de rentabilité d'une société a le même effet sur sa probabilité de défaut, quel que soit l'état de son gearing (ainsi, un résultat négatif sera nettement plus significatif pour une société avec des capitaux propres faibles ou négatifs que pour une société avec un niveau élevé de capitaux propres). Comme tous les outils de notation sophistiqués, les modèles RiskCalc™ reflètent cette interaction complexe entre les ratios et le défaut. Néanmoins, ceci peut compliquer l'interprétation de l'impact qu'un ratio a eu sur les probabilités de défaut issues des modèles RiskCalc™. Afin d'éclairer sur l'impact que chaque ratio a sur les PD, les résultats de RiskCalc™ France s'accompagnent de deux éléments d'information supplémentaires pour chaque ratio : le centile dans lequel se situe la valeur du ratio36; et la contribution relative de chaque ratio37. Tests Empiriques Comme nous l'avons vu précédemment quand nous avons abordé la sélection de variables indépendants, les principaux outils de validation utilisés pour évaluer la puissance statistique, i.e. la capacité de classer les sociétés en défaut et les sociétés n'étant pas en défaut, sont les courbes de puissance et les quotients d'exactitude38. Les courbes de puissance illustrent graphiquement la capacité à exclure des sociétés en défaut des points critiques arbitraires et peuvent être regroupées en une seule statistique, le quotient d'exactitude, qui autorise des comparaisons numériques au sein des modèles. La courbe de puissance peut elle-même être définie de la manière suivante. Elle calibre le groupe des sociétés affichant les plus mauvais scores (abscisse) sur la part des sociétés en défaut à l'intérieur de ce groupe (ordonnée). Si l'échantillon contenait 10% de sociétés en défaut, alors, un modèle parfait exclurait toutes les sociétés en défaut à 10% de l'échantillon exclu : les 10% des sociétés occupant les plus faibles rangs se composeraient des défauts. Le Graphique 11 décrit les modèles non significatifs et les modèles tout à fait instructifs. En réalité, les sociétés faisant défaut ne sont pas parfaitement discriminées, créant une fonction curviligne : ainsi, à 10% de l'échantillon exclu, 30% des sociétés en défaut seraient exclues, à 20% de l'échantillon, 50% des sociétés en défaut seraient exclues, etc... Ceci crée une pente vers la partie supérieure gauche du graphique : plus la courbe de puissance est pentue, meilleur est le modèle. Il existe également une correspondance étroite entre les courbes de fréquence des défaut et les courbes de puissance. Les graphiques ci-dessus indiquant la relation entre les probabilités de défaut et le score d'une société correspondent aux courbes de puissance et également à n'importe quelle statistique dérivée des courbes de puissance. Ainsi, lorsque l'on regarde un simple graphique indiquant les probabilités de défaut par n'importe quelle métrique, il convient de tenir compte que cette information implique des courbes de puissance spécifiques. 36Bien sûr, savoir si se situer dans un premier centile est bon ou pas, dépend en grande partie du ratio. Ainsi se situer dans les premiers 5% de la valeur du ratio capitaux propres/actifs est positif (puisque avoir un niveau élevé de capitaux propres est positif), mais être dans les premiers 5 % pour le ratio d'endettement net est négatif (car des niveaux élevés d'endettement sont mauvais). 37Le calcul des contributions relatives avec un exemple fait l'objet d'une section dans les Annexes étant donné que les contributions relatives ont été évoquées en début de document. 38Cette métrique est équivalente au quotient d'exactitude cumulé décrit dans la précédente documentation RiskCalc. Cf l'annexe pour une description de ces techniques de validation. Moody’s Méthodologie de Notation 17 Graphique 11 Une illustration de la courbe de puissance La Puissance reflétée par pourcentage de délinquants exclus comme dimension de l'échantillon est exclue 1.000 Pour cent de délinquants exclus Modèle Parfait 0.800 A Modèle Typique B 0.600 Modèle Aléatoire 0.400 Taux D'Exactitude = B/[A+B] 0.200 0.000 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% Pour cent d'échantillon exclus Meilleur Parfait Aléatoire Comme nous l'avons vu précédemment, il est important lorsque l'on évalue la puissance d'un outil qui a vocation à devenir un standard du marché que les résultats émanant de cet outil soient les plus objectifs possibles. Idéalement, il faudrait obtenir des résultats hors période sur lesquels comparer la performance. Néanmoins, en réalité, ces données « de luxe » ne sont, la plupart du temps, pas disponibles. Une démarche plus réaliste, qui selon nous permet d'assurer la stabilité des résultats d'un modèle, consiste à utiliser un vaste échantillon qui n'a, à aucun moment, été utilisé lors du développement du modèle. Grâce à l'incroyable richesse des données, nous avons réussi à construire un vaste échantillon pour tester la performance de notre outil final. Cet échantillon contenait des informations issues de plus de 50 000 sociétés, dont plus de 5 000 sociétés qui ont fait défaut. Nous avons également comparé la performance de notre outil au Modèle d'Altman ou Score-Z39, un standard choisi pour sa popularité dans les documents de comptabilité et de l'Institut du CFA. Comme l'on peut le voir sur le Graphique 12, la performance de l'outil que nous avons développé est nettement supérieure à celle du Score-Z. Graphique 12 Courbe de Puissance de RiskCalc France 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 0% 10% 20% 30% 40% RiskCalc France 50% 60% 70% 80% 90% 100% Score-Z Comme nous l'avons déjà évoqué, cette performance dans l'ensemble des sociétés peut se résumer par le quotient d'exactitude qui mesure la performance de l'outil par rapport à la performance d'un outil « parfait ». Le Tableau 3 présente le quotient d'exactitude de RiskCalc France dans l'échantillon de validation, en utilisant le Score-Z d'Altman comme standard, ainsi qu'un modèle de notation, le modèle de Conan et Holder, développé précisément pour les sociétés françaises40. 39Score Z = 6,56*[Fonds de roulement/Actifs] + 3,26*[Bénéfices non répartis/Actifs] + 6,72*[EBE/Actifs] + 1,05*[Valeur nette/Dettes]. 40La base de données-source pour notre échantillon de développement comprend des valeurs pré-calculées du modèle français de notation de crédit développé par Conan et Holder en 1979. Nous avons utilisé ces scores comme base de classification des sociétés pour calculer le quotient d'exactitude et ces résultats dépendent donc de notre fournisseur de données. Nous avons compris que ce modèle était prévu pour être utilisé sur un horizon d'1 an et avons donc repris les résultats en utilisant des bilans datant de 6 à 18 mois avant le défaut. 18 Moody’s Méthodologie de Notation Tableau 3 Quotients d'exactitude pour RiskCalc France Modele Quotient D'Exactitude RiskCalc™ France Z-score Conan-Holder 76,3% 50,1% 51,6% Le Tableau 3 fait ressortir un certain nombre d'éléments. Tout d'abord, RiskCalc France présente un quotient d'exactitude élevé, ce qui selon nous s'explique en partie par l'ampleur et l'importance de la série de données utilisée. Deuxièmement, et il s'agit d'une caractéristique générale pour la série de modèles RiskCalc, RiskCalc constitue une forte amélioration par rapport au Score-Z. Par ailleurs, RiskCalc™ France représente également une nette amélioration par rapport au modèle développé localement. Nous avons, dans le cadre de ce test, tenté de rendre les chiffres aussi comparables que possible en intégrant les résultats des deux modèles sur la base de l'ensemble de nos données et sur le sous-échantillon qui contient les résultats pour le score Conan-Holder41. Le Tableau 4 présente les résultats de la validation du modèle sur des sous-échantillons par secteur et date des états financiers par rapport au défaut. Comme on peut le voir, la stabilité du modèle est satisfaisante d'une classification à une autre. En plus de démontrer la stabilité de RiskCalc France d'un secteur à l'autre, ceci est une démonstration que des outils de notation puissants sont meilleurs pour identifier les sociétés qui font par la suite défaut à l'approche du point de défaut. Tableau 4 Quotients d'exactitude pour RiskCalc France par sous-secteurs Reparation Secteur Secteur Secteur Secteur Secteur Date Date Date Construction Secteur manufacturier Services Commerce 1 an avant le défaut 2 ans avant le défaut 3 ans avant le défaut Quotient D'Exactitude 64,1% 68,5% 62,6% 67,0% 76,3% 64,7% 56,9% Comme évoqué dans la section description des données, lors du développement du modèle, nous utilisions des jugements de liquidation mais notre échantillon de données intégrait également des exemples d'ouverture de procédures d'assainissement. Pour vérifier la stabilité de notre modèle et sa capacité à prévoir plus à l'avance des événements de défaut, nous avons testé la performance du modèle dans ces scénarios42. De la même façon que lorsque nous avons développé les précédents modèles RiskCalc où nous avons eu accès à différents événements de défaut, il s'est avéré que le modèle continue de performer extrêmement bien dans le cas d'une définition plus antérieure et « plus modérée » du défaut43. Definition Du Defaut Quotient D'Exactitude Décision de liquidation forcée Ouverture d'une procédure d'assainissement Les deux 76,3% 69,1% 72,9% Conseils d'Utilisation Lorsque l'on utilise le modèle RiskCalc™ France, il faut tenir compte d'un certain nombre d'éléments. Comme pour les autres modèles RiskCalc, nous n'avons pas intégré tous les éléments que nous estimions avoir un impact sur la probabilité de défaut d'une société. Nous n'avons, par exemple, pas inclu les facteurs tels que l'historique des comportements de paiement ou le positionnement d'une société à l'intérieur d'un secteur, le cadre concurrentiel dans lequel elle opère et la perspective future du secteur, même si ces facteurs sont reconnus comme prévisionnels. 41Malheureusement, les résultats ne sont pas strictement comparables depuis le score Conan-Holder développé en 1979 et le test que nous effectuons est donc un test hors période pour ce modèle contrairement au test dans la période pour RiskCalc™ France. 42Il n'y a pas eu d'effet de chevauchement à l'intérieur de notre base de données entre les sociétés avec les deux événements de crédit. Chaque société pouvait donc avoir enregistré un événement de défaut mais pas les deux. L'ensemble de sociétés n'ayant pas fait défaut dans l'échantillon de validation pour cette définition du défaut était le même. 43« plus modérée » signifie ici le fait qu'un grand nombre de ces sociétés qui entrent en phase d'assainissement financier, sont de meilleure qualité car elles sont jugées capables de se reprendre. Dès lors, on s'attendrait normalement à ce que ces sociétés soient plus difficiles à identifier. Il est souvent relativement plus facile d'identifier une société de la meilleure et de la pire qualité qu'une société de qualité intermédiaire. Moody’s Méthodologie de Notation 19 Notre objectif en développant la gamme de produits RiskCalc n'est pas simplement de fournir une série d'outils performants mais également de nous assurer qu'ils peuvent être utilisés sans imposer aux utilisateurs de lourdes exigences en matière de données. Nous avons donc choisi d'utiliser des informations fiables et rapidement disponibles. Sur la seule base des informations contenues dans les comptes annuels, RiskCalc™ France produit de très bons résultats. Néanmoins, la prudence exige que si vous avez accès à d'autres informations importantes, il faut en tenir compte. Par exemple, si vous êtes informé qu'une société dont vous utilisez un modèle RiskCalc pour la notation fait l'objet d'une poursuite judiciaire, vous devez prendre cette information supplémentaire en compte lorsque vous prenez des décisions en termes de tarification ou de prêts. Comme l'admet le nouvel Accord de Bâle sur les fonds propres, pour avoir un bon résultat, il ne suffit pas de disposer d'informations de grande qualité et d'outils puissants ; cela dépend également de la manière dont ces derniers sont intégrés dans le cadre du processus de crédit. Par ailleurs, un modèle qui a vocation à être un standard de marché ne peut pas facilement capter une évaluation d'experts sur les facteurs qualitatifs - ex. la qualité de gestion - pris en compte par un grand nombre d'établissements financiers. Obtenir des évaluations basées sur des avis d'experts en utilisant les informations obtenues dans le cadre des rencontres avec les entreprises serait un travail colossal. Si chaque évaluation durait 2 heures (y compris l'organisation de ces rencontres et la participation), nous aurions besoin chaque année d'une équipe de plus de 125 personnes pour évaluer chaque société de notre base de données. Le problème est le même pour un grand nombre d'établissements financiers et il n'est pas étonnant que les banques de haut rang utilisent des outils tels que RiskCalc pour déterminer quelles sociétés ou quelles demandes de crédit requièrent davantage d'attention. Un autre résultat contre-intuitif du modèle est que sa PD implicite apparaît souvent « trop faible ». Beaucoupd'utilisateurs sont habitués à des prévisions plus élevées de taux de défaut pour les entreprises individuelles. La probabilité moyenne de défaut pour les sociétés de taille moyenne de 2,2% par an semble parfaitement logique jusqu'à ce que l'on regarde les crédits individuels auxquels ceci s'applique et que l'on considère que cela est cohérent avec la probabilité de défaut Ba3 (la plupart des gens considèrent que le crédit privé se situe en moyenne dans la fourchette des B2-B1, et non pas des Ba3). Nous avons utilisé le chiffre de 2,2 % car nous souhaitons une absence de biais dans le modèle. Cela représente en effet notre meilleure estimation statistique de la probabilité de défaut future. Par contre, un souscripteur aurait naturellement tendance à être pessimiste, le coût d'un trop grand optimisme étant plus élevé. En pratique, vous pouvez souhaiter ajuster les résultats en multipliant la probabilité de défaut par une constante comme 1,25, de manière à mieux intégrer la prudence, le « jeu du hasard », ou simplement parce que votre ancienne échelle avait une probabilité de défaut moyenne implicite à 1 an, par ex. de 3%, et que vous jugez que la nouvelle échelle devrait être modifiée de manière progressive44. Cela va sans dire qu'un outil comme RiskCalc ne doit pas être utilisé à l'aveuglette. Par exemple, intégrer sans réfléchir des chiffres pour une société qui vient de se désengager d'une grande partie de ses activités pourrait donner des résultats faussés. Si l'on utilisait les chiffres de son C.A. de l'année qui précéde et de l'année qui suit sa fusion, les niveaux du C.A. seraient extrêmement différents, donnant lieu à une croissance négative du C.A et une mauvaise notation. Dans un tel scénario, on devrait cibler les chiffres disponibles les plus comparables. Objectif pour RiskCalc™ France Il faut également tenir compte que, même si nous avons tenté de construire un outil solide pouvant être appliqué à la plupart des entreprises, il ne convient pas de l'appliquer à toutes les entreprises. En effet, dans les cas où l'on dispose de peu d'informations ou d'informations erronées, cet outil peut toujours être utilisé mais il lui sera difficile de déterminer le degré de risque de la société. Les catégories de sociétés que nous ne jugeons pas adaptées à cet outil sont : les établissements financiers, les entreprises publiques, les sociétés dont les valeurs sont cotées en Bourse et activement négociées45, les sociétés dont la performance dépend d'un nombre limité de projets bien spécifiques (ex : les sociétés immobilières) ; les sociétés dont le chiffre d'affaires est inférieur à € 0,5 Million, et les sociétés les plus récentes où les rares informations disponibles sont souvent peu stables ou rarement le reflet de la réelle situation de l'entreprise. 44Un ajustement global de 1,25 donnerait à un portefeuille une PD de 2,75% (1,25 x 2,2%), contre 3,0% pour une estimation interne et 2,2% pour le modèle RiskCalc. Les différences entre le portefeuille de l'utilisateur et celui décrit ici devraient également être prises en compte lors d'un ajustement, ainsi que les périodes respectives utilisées. 45En développant le modèle RiskCalc™ Europe pour sociétés cotées, Moody's a démontré que l'on pouvait arriver à une performance supérieure pour ces sociétés en intégrant des informations plus pertinentes ex. en intégrant les informations boursières avec une variante du modèle de Merton (la performance du modèle résultant est également supérieure à celle d'une variante du modèle de Merton seule). 20 Moody’s Méthodologie de Notation Conclusion La méthodologie RiskCalc respecte les fondamentaux de l'économétrie appliquée : elle repose en effet sur une théorie solide et plusieurs années d'expérience pratique. Le modèle est non-structurel, nous en avons une connaissance approfondie, il est simple d'utilisation malgré son degré de perfectionnement, et se fonde sur des facteurs de risque avérés. En transformant, ou « mini-modélisant » les ratios d'entrée et les regroupant dans un modèle multivariant, nous saisissons et intégrons un problème non-linéaire tout en respecter la transparence. Le processus final de calibrage tient compte de notre approche « par le haut » des taux de défaut. Nous considérons que la modélisation du défaut a une visée prévisionnelle et nous veillons donc à vérifier sa solidité, tant à travers une validation croisée que via des tests hors échantillon, tout en privilégiant la simplicité. Pour notre modèle pour la France, nous avons prêté tout particulièrement attention aux différences entre les ratios financiers en France et dans les autres pays occidentaux en tenant compte des spécificités françaises tant micro que macro-économiques. Nous avons aussi examiné de près quel était le rapport au défaut de ces ratios et avons appliqué la méthode la plus sélective pour les intégrer dans un modèle puissant. Il en résulte un modèle qui que nous ne jugeons pas seulement capable d'expliquer les défauts d'hier mais avant tout un modèle adapté à la prévision des défauts de demain. Utiliser RiskCalc France devrait contribuer à améliorer la rentabilité au cours du cycle de crédit, tant pour la prise de décision et la tarification que pour le monitoring et la titrisation. Si RiskCalc n'entend pas être une mesure unique du risque, ce produit doit être néanmoins considéré comme un outil très performant intégrant les données contenues dans les résultats comptables et qui produit des résultats significatifs et validés permettant une comparaison pertinente des risques de portefeuille. Enfin, rappelons que Moody's s'est engagé à assurer la qualité et à améliorer l'ensemble des outils de notation RiskCalc™ au fur et à mesure que de nouvelles données sont disponibles. Leur performance fera l'objet d'un suivi permanent et intégrera les suggestions des utilisateurs afin que ces outils restent des éléments de prévision du défaut pertinents et efficaces. Moody’s Méthodologie de Notation 21 Annexe A : Facteurs et variables d'entrées pour RiskCalc™ France En développant les modèles RiskCalc pour l'Europe, nous veillons à ce qu'ils puissent s'appliquer au segment de population le plus large possible. Lors de la sélection des ratios pour le modèle final nous prêtons donc particulièrement attention aux variables d'entrée que nécessite chaque ratio. En définissant les variables requises pour le modèle, nous nous sommes donc appuyés sur les réglementations en matière de publication des comptes pour connaître les informations qu'un utilisateur pouvait généralement obtenir. Il s'est avéré que certains éléments (ex : les Dettes) nécessitaient des variables multiples, augmentant le nombre de postes requis pour utiliser ce modèle. Néanmoins, nous utilisons en fin de compte des principes comptables relativement simples comme en témoigne le Tableau A.1 qui reflète les principes comptables et les données d'entrée requises par la formule normalisée anglais et français. Tableau A.1 Variables d'entrée RiskCalc™ France Principes comptables Postes en anglais Postes en français Capitaux propres Total Equity Capitaux propres et autres fonds propres Actifs Total Assets Actif Total Général Dettes Debts payable, due within 1 year + Debts payable, due after 1 year Deferred income, due within 1 year Deferred income, due after 1 year Dettes (de moins d'un an) + Dettes (de à plus d'un an) Produits constatés d'avance (de moins d'un an) Produits constatés d'avance (de plus d'un an) Disponibilités et valeurs en espèces Short-term investment securities + Short-term financial instruments + Liquid Assets Valeurs mobilières de placement + Instruments de trésorerie + Disponibilités Avances Payments on accounts received on orders in progress, due within 1 year + Payments on accounts received on orders in progress, due after 1 year Avances et acomptes reçus sur commandes en cours (de moins d'un an) + Avances et acomptes reçus sur commandes en cours (de plus d'un an) Profits et pertes nets Profit and loss Bénéfice et Perte Profits & pertes exceptionnels Extraordinary income Extraordinary charges Revenus exceptionnels Charges exceptionnelles (Total) Dépréciation Fixed Assets: appropriation to depreciation Dotations aux amortissements C.A Net sales Chiffre d'affaires net Impôt Income tax Impôts sur les bénéfices Frais financiers Financial charges Charges financières (Total) Le Tableau A.2 décrit comment ces principes comptables sont regroupés pour créer les ratios utilisés dans RiskCalc™ France. Tableau A.2 Calcul des ratios pour RiskCalc™ France Catégorie Nom Définition Leverage Equity ratio Endettement net Ratio capitaux propres / actifs (Dettes- disponibilités et valeur en espèce- Avances) / Actifs Rentabilité C.A EBITDA/Sales (EBE / C.A) (Résultat net + impôts + Frais financiers - Profits & pertes exceptionnels + Dépréciation) / Pre-Tax Profit / Asset (résultat avant impôt/actifs) (Résultat net + impôt / Actifs Couverture de la dette Cash flow / Liabilities (cashflow/dettes) (Résultat net+ Dépréciation) / Dettes Liquidité Cash and Equivalents / Assets Disponibilités et valeur en espèce / actifs Productivité Financial charges / sales Frais financiers / C.A Croissance Croissance des actifs Croissance du C.A {Actifs (t) - Actifs (t-1)} / Actifs (t-1) {C.A (t) - C.A(t-1)} / C.A (t-1) 22 Moody’s Méthodologie de Notation Annexe B : Le Modèle Logistique Lorsque l'on analyse la puissance explicative des variables dans le contexte d'une analyse multivariée, nous les regroupons dans un modèle logistique. Il a pour principaux avantages de gérer des variables dépendantes dichotomiques (en l'occurrence, défaut/absence de défaut) et, par l'utilisation de la fonction logistique, de calquer les scores sur les valeurs allant de 0 à 1, ce qui correspond aux probabilités de défaut. Le modèle évalue notamment le rapport entre les variables transformées et les indicateurs de défaut/absence de défaut par la transformation d'une combinaison linéaire de variables indépendantes. Le modèle est le suivant : Y= exp(α0 + α1X1 + α2X2 + α3X3 + ....... + αnXn) 1 + exp(α0 + α1X1 + α2X2 + α3X3 + ....... + αnXn) avec Y, la variable dépendante (i.e. l'indicateur de défaut/absence de défaut). La valeur observée de Y est soit 0 (pas de défaut) ou 1 (défaut), alors que le résultat du calcul Y peut être n'importe quelle valeur entre 0 et 1. Xi sont les variables indépendantes, i.e. les scores de facteur financier transformés. Il s'agit d'un modèle en S, comme on peut le voir ci-dessous. Y observé/estimé 1 Modèle o o o o δi o o o ΣαX En optimisant le choix des pondérations, les paramètres (αi) sont ajustés de manière à minimiser la fonction de perte, qui est en l'occurrence la somme de tous les ln(Ypredicted) pour les sociétés en défaut moins la somme de tous les ln(1-Ypredicted) pour les sociétés en bonne santé, soit : Perte = Σ((Yobserved)ln(Ypredicted) - (1 - Yobserved)ln(1 - Ypredicted)) Moody’s Méthodologie de Notation 23 Annexe C : Métrique de Test Courbes de puissance Une courbe de puissance46 se construit en représentant graphiquement, pour chaque seuil, la proportion de défauts exclus à différents niveaux de l'exclusion de l'échantillon. L'axe vertical mesure le pourcentage de défauts exclus conditionné par l'exclusion de différents niveaux de pourcentage de l'échantillon. Ainsi, si l'utilisation d'un score pour exclure 50% de l'échantillon lui faisait perdre 80% des sociétés faisant défaut, la courbe de puissance traverserait une ligne correspondant à x=0,5 et y=0,8. La précision est indexée plus précisément en mesurant la zone sous la courbe, une zone qui augmente parallèlement à la pentification de la courbe. Area*= 1 B Σ power(b) B b=1 B correspond ici au nombre total de bins (souvent 10 pour la démonstration), b est un bin particulier. La puissance à bin b représente la somme de tous les défauts dans la fraction b/B « la pire » des scores, telle qu'elle est classifiée par la métrique M. Le résultat net est le Graphique C.1 ci-dessous qui indique la probabilité de défaut pour un niveau donné de M, et la puissance statistique qui se rapporte à la nature des données jusqu'à un niveau de M. Nous classons ici les sociétés de risquées (gauche) à moins risquées (droite), de manière à faire correspondre P(M) et Power(M). Le graphique représente un cas particulier. Ce type de modèle aurait rapidement exclu la plupart des sociétés de mauvaise qualité : une exclusion de 20% des sociétés de la plus mauvaise qualité selon le score M exclurait 70% des futures sociétés faisant défaut. Graphique C1 Courbe De Puissance Et Courbe De PD 1 0.8 0.09 0.6 0.06 0.4 0.03 0.2 0.00 Probabilité De Défaut-p(M) M Pour cent de Bads exclus Probabilité De Défaut 0.12 0 Pour cent Bads Exclu-power(M) Il existe une correspondance de un pour un de la puissance et la probabilité de défaut par rang, au sens où pour chaque point t sur une métrique de défaut : p(t) = p * ∂ power (t) , ∂t p étant la probabilité moyenne de défaut. 46Egalement connue sous le nom de courbe de Gini, le CAP plot, la courbe de Lorenz, graphique de dominance ordinale ou courbe ROC. 47Puisque les défauts exclus "à bin b" sont ambigus - cela pourrait signifier " jusqu'à bin b" ou "jusqu'à et y compris bin b" - nous calculons la zone utilisant la moyenne des deux méthodes. En pratique, cet ajustement adéquant n'est pas significatif. 24 Moody’s Méthodologie de Notation Quotient d'exactitude Si la description graphique ou tabulaire de la puissance apporte des informations et a l'avantage de permettre d'examiner la puissance à différents seuils, il est néanmoins utile de regrouper les informations de la courbe de puissance en un seul chiffre permettant une comparaison sans ambiguïté. La métrique que nous utilisons, appelée Quotient d'Exactitude, établit une comparaison entre la zone située sous la courbe de puissance du modèle et la zone située sous les modèles aléatoires et parfaits. Un modèle plus puissant sera pentu vers la gauche et aura une zone plus étendue, d'où un quotient d'exactitude plus élevé. Le quotient d'exactitude se définit comme le ratio de la zone située entre le modèle lui-même et le modèle aléatoire sur la zone située entre le modèle parfait et le modèle aléatoire (cf la démonstration du Graphique 11 dans la section Tests Empiriques). Ainsi, le modèle parfait aurait un quotient d'exactitude de 100% et un modèle aléatoire aurait un quotient d'exactitude de 0%. L'utilisation de l'aire sous la courbe de puissance implique qu'il peut exister des seuils tels qu'un modèle avec une aire totale plus réduite ait un avantage ponctuel. Par conséquent, le quotient d'exactitude n'est pas une mesure de la dominance globale ou complète, mais seulement une mesure intuitive de la dominance en moyenne. Bien sûr, pour vraiment comparer les modèles, vous avez non seulement besoin d'une mesure globale de la puissance, mais également d'une erreur type sur cette métrique. On se rapproche relativement bien de l'erreur type de cette zone par al formule suivante σ Area = 1 B p(b) * (1 - p(b), BD b=1 Σ D étant le nombre de défauts dans l'échantillon. Moody’s Méthodologie de Notation 25 Annexe D : Détails concernant la construction d'une courbe de calibrage Le modèle était calibré sur un an et sur un horizon cumulé à cinq ans. Pour l'horizon à un an, nous avons pris chaque société en défaut et avons trouvé son score 18 mois après la date de défaut. La motivation qui nous a poussé à revenir si loin était la suivante : tout en ayant l'intention de produire une probabilité de défaut (où le défaut est défini comme une anticipation réelle de la perte de crédit), les données que nous avons utilisées pour construire et calibrer un modèle utilisent des informations sur la faillite et l'insolvabilité. Notre expérience démontre que la faillite et l'insolvabilité interviennent en général quelques temps après que les créanciers aient anticipé une perte de crédit. Ainsi, en calibrant notre modèle, nous nous sommes assurés que nous n'avions pas utilisé d'états financiers trop proches du point de faillite. Si un score n'existe pas 18 mois avant le défaut, nous revenons jusqu'à 41 mois avant le défaut. Lorsque aucun score n'est disponible sur cette période, nous excluons l'observation. Là où un score est disponible, nous le calibrons à un centile et cet ensemble de centiles forme la base pour créer la courbe de puissance utilisée dans le calibrage. Plus précisément, pour un ensemble de centiles de sociétés faisant défaut φj j=1 , J étant le nombre total de sociétés en défaut, la puissance («power») pour chaque bin (b) est simplement : J 1 b 1|φj < power(b)*= , j=1 J B { } Σ { } b B étant est le nombre total de bins, et {1|φj < B } une fonction indicateur égale à 1 si la société faisant défaut j était inférieure d'un centile de b/B. Par exemple, pour une courbe de puissance à un an, nous prendrions un défaut en 10/98, et reviendrions à 4/97 pour trouver le centile du score RiskCalc en utilisant ce mois. Le plus probable est que la date du rapport financier n'est pas exactement à 4/97, et nous devons donc revenir à 3/97, puis 2/97, etc..., jusqu'à ce que nous trouvions la date à laquelle pour laquelle nous disposons d'un état financier. La courbe de défaut à cinq ans a été construite en utilisant la moyenne des courbes de puissance des trois cohortes en commençant en 1993, 1994 et 1995. Un score dans une cohorte donnée est signalé comme faisant défaut s'il a fait défaut entre le 12 et 71ème mois après la date de l'état financier. Nous n'avons pas signalé les sociétés faisant défaut dans les 12 premiers mois après la date du rapport financier. Ceci a été fait de manière en prendre en compte le décalage entre la publication et la date de l'état financier et de manière à refléter le fait que nous utilisions une définition du défaut relativement tardive. 26 Moody’s Méthodologie de Notation Annexe E : Rapport entre les PD RiskCalc, les Notations « Dot-PD » (.PD) et les Notations d'obligation à long terme de Moody's Investor Services Les PD RiskCalc et les notations d'obligation à long terme de Moody's ne sont pas directement comparables. Il s'agit de deux mesures différentes, bien que liées, du risque de crédit. Le Tableau E.1 dresse une comparaison entre les différents aspects des deux systèmes, en soulignant les similitudes et les différences. Tableau E.1 Similitudes et Différences entre les PD RiskCalc et les notations d'obligations à long terme de Moody's Caractéristique terme PD RiskCalc Elément étudié Période Dimension du risque Débiteur Spécifique, un ou cinq ans Une dimension : Probabilité de défaut Exigences d'informations Volatilité Coût Support Echelle Structure Notations Moody's d'obligations à long Obligation et/ou débiteur Non spécifique, à long terme Plusieurs dimensions : Probabilité de défaut, sévérité du défaut et risque de transition Série de données électroniques importantes et fiables Données allant de solides à de mauvaise qualité, voire données manquantes Elevée Faible - Persistance au cours du cycle Faible Elevé Technique Technique + Contacts avec analystes et informations Continue/Absolue 21 « Buckets » de risque/Relative Analyse simple et codifiée de quelques variables Flexible comme peut l'exiger la situation Malgré les différences importantes entre les PD RiskCalc et les notations d'obligations à long terme, certains utilisateurs de l'une ou des deux nomenclatures de risque trouvent utiles de les comparer. L'étude de Moody's sur les défauts obligataires constitue une base à une telle comparaison. Cette étude corrèle rigoureusement les notations Moody's d'obligations industrielles à long terme à une fréquence de défaut expost, ce qui nous permet de calculer l'historique des taux de défaut obligataires pour chaque catégorie de notation. En calquant la PD d'une société sur l'historique des taux moyens de défaut obligataires, nous créons des notations « .PD » (ex : Aaa.pd, Aa1.pd, Aa2.pd, etc…), ce qui facilite la comparaison avec les notations obligataires à long terme. L'étude sur les défauts obligataires de Moody's est disponible sur le site internet de Moody's Risk Management Service sur http://www.moodysrms.com. Les détails du calcage de la PD aux taux historiques moyens de défaut obligataires ont fait l'objet d'une analyse en mai 2000 intitulée « Default Model for Private Firms: RiskCalc for Private Firms », également disponible sur le site http://www.moodysrms.com. Les notations « .pd » n'apportent pas d'informations supplémentaires au-delà de la PD et ne sont pas des notations d'obligations à long terme pour les différentes raisons énumérées dans le Tableau E.1. Elles sont plutôt une ré-évaluation des PD et donnent une nomenclature résumée des probabilités de défaut. Nos clients trouvent que, pour certaines raisons, communiquer les niveaux de risque via des notations alphanumériques plutôt que des probabilités, était une démarche plus intuitive. Par exemple, pour beaucoup, la différence entre deux sociétés avec des probabilités de défaut 0,0075 et 0,0131 n'est pas aussi facile à comprendre que la différence entre une société A3.pd et une société Baa1.pd. Si les notations « .pd » ne sont pas les mêmes que les notations obligataires à long terme, il existe toutefois une corrélation entre elles. La corrélation n'est pas réellement exacte. Les notations, comme l'indique le Tableau E.1, sont non seulement fonctions de la PD, mais également de la sévérité des pertes dans la perspective d'un défaut (ce qui intègre des différences structurelles importantes dans les instruments tels que senior vs subordonné, secured vs. unsecured, supports externes) et du risque pour un émetteur de changements brusques et importants au niveau de la qualité de crédit. L'étude de Moody's sur les défauts obligataires corrèle les notations avec seulement un de ces risques - la PD - tout en maintenant constante la sévérité des pertes et en ne tenant pas compte du risque de transition. C'est pour cela que la corrélation entre les deux systèmes est par nature imprécise. Il en va de même pour le rapport entre le poids d'une personne et sa taille et corpulence. Il existe une corrélation suffisamment forte entre le poids et la taille pour que nous puissions tirer la conclusion que les gens de plus grande taille pèsent en moyenne davantage que les gens de plus petite taille. Néanmoins, nous pourrions prévoir le poids de manière plus précise si nous connaissions non seulement la taille mais aussi la corpulence. De la même façon, nous pourrions prévoir plus précisément les notations Moody's d'obligation si, en plus de la PD, nous connaissions la sévérité de perte, le risque de transition et l'autre différence définie dans le Tableau E.1. Moody’s Méthodologie de Notation 27 Contrairement aux PD qui résultent d'une formule associant les informations sur un choix de ratios financiers (et les variables des cours des actions pour les modèles RiskCalc™ pour sociétés cotées) aux probabilités de défaut, les notations des analystes de Moody's se fondent sur une approche plus souple et ciblée des facteurs qualitatifs et quantitatifs affinée par un analyste (et un comité de notation) qui bénéficie d'une expérience sectorielle et d'une connaissance approfondie de la position concurrentielle et de l'orientation stratégique d'un émetteur. Malgré les difficultés structurelles inhérentes à une comparaison directe des PD avec les notations d'obligations à long terme, la majorité de nos clients trouveront ces systèmes complémentaires et utiles à plusieurs titres, dans leurs activités de gestion du risque. Méthodologie de Notation Moody's RiskCalc™ Pour Sociétés Non Cotées : France Les modèles RiskCalc de Moody's ne visent pas à se substituer aux notations d'obligations de Moody's, ni à les prévoir. Leur but est de calculer les probabilités de défaut attendues pour des horizons temporels définis. Les prochains modèles calculeront séparément la perte attendue dans le cas d'un défaut. Le résultat de ces modèles, combiné avec les estimations de corrélation, facilitera la quantification du risque au niveau du débiteur et du portefeuille. Pour commander des copies de ce rapport (minimum 100 copies), veuillez appeler le 1.212.553.1658. Numéro du rapport: 73846 28 Moody’s Méthodologie de Notation