Résumé technique : Application des données alternatives dans l'évaluation du crédit pour la population non bancarisée

1. Énoncé du problème

L'étude traite du défi de l'« invisibilité de crédit », une condition affectant les individus qui ne possèdent pas d'historiques de crédit traditionnels (par exemple, l'utilisation de cartes de crédit ou des dossiers de prêts formels). Dans les systèmes de rapports de crédit conventionnels, ces individus sont souvent classés à tort comme présentant un risque élevé ou se voient automatiquement refuser un crédit en raison de lacunes de données, ce qui les force à recourir à des prêts subprimes ou les exclut totalement des services financiers. Le problème central est que les modèles de notation traditionnels confondent l'absence de données avec une absence de capacité de remboursement, limitant ainsi l'inclusion financière et empêchant les institutions d'identifier des clients potentiels de haute qualité.

2. Méthodologie

Données et conception expérimentale

La recherche utilise des données réelles de demandes de prêts automobiles subprime de 2021 à 2023. Le jeu de données comprend :

• Échantillon d'entraînement : 50 000 observations.
• Échantillon de test : 20 000 observations.
• Variable cible : Statut de défaut de paiement sur une période d'observation de 12 mois.

L'étude construit un cadre comparatif impliquant deux groupes principaux :

1. Modèles de référence (Baseline) : Entraînés exclusivement sur des variables de crédit traditionnelles (limites de cartes de crédit, soldes historiques, comptes en cours, revenus, ratio dette/revenu, ancienneté des comptes, indicateurs de retard de paiement et demandes récentes).
2. Modèles de fusion : Entraînés sur des variables traditionnelles augmentées par des données alternatives.

Ingénierie des caractéristiques (Feature Engineering)

Les caractéristiques des données alternatives sont dérivées de fenêtres d'observation de 24 mois sur des comportements de paiement non liés au crédit, spécifiquement :

• Historique des paiements de loyer : Nombre de baux successifs, taux de règlement (ex. : les 90 derniers jours) et durée des arriérés.
• Factures de services publics et télécoms : Taux de règlement des factures, jours de retard de paiement et volatilité du montant des paiements.
• Métriques de stabilité : Stabilité du numéro de téléphone mobile sur 365 jours et taux de variation des montants de paiement.

Crucialement, l'étude traite les enregistrements manquants non pas comme des erreurs à imputer par la moyenne/médiane ou à supprimer, mais comme des indicateurs de présence informative. Cela préserve la distinction entre les demandeurs ayant un historique de crédit limité et ceux ayant des comportements de remboursement instables.

Architecture des modèles

L'étude emploie un cadre à trois couches :

1. Couche de base (Baseline Layer) : Un modèle de régression logistique régularisée utilisant des variables traditionnelles pour établir une base de risque linéaire.
2. Couche de fusion (Fusion Layer) : Intégration des caractéristiques de données alternatives dans trois algorithmes :
   • Régression Logistique
   • Forêt Aléatoire (Random Forest)
   • XGBoost
3. Couche de décision (Decision Layer) : Un mécanisme de discrimination conjointe qui optimise simultanément le contrôle du risque (probabilité de défaut), la couverture d'approbation et l'équité de groupe.

Algorithmes et optimisation :

• Régression Logistique : Utilisée pour l'interprétabilité et la comparaison de la base linéaire.
• XGBoost : Utilisé pour l'interaction non linéaire des caractéristiques et l'apprentissage d'ensemble. La fonction d'objectif minimise la perte entre les étiquettes de défaut réelles et les probabilités prédites, tout en contrôlant la complexité du modèle via les poids des nœuds de feuilles et les paramètres de régularisation.
• Contraintes d'équité : La couche de décision incorpore des contraintes de Parité Démographique (DP) et d'Égalité des Chances (EO) pour éviter que le modèle n'augmente les taux d'approbation au détriment de l'équité démographique.

Métriques d'évaluation

La performance est évaluée à l'aide de :

• Pouvoir prédictif : AUC, statistique KS et score F1.
• Métriques opérationnelles : Taux d'approbation des prêts et taux de défaut à 12 mois.
• Métriques d'équité : Différences de parité démographique et différences d'égalité des chances à travers les groupes raciaux et de revenus.
• Explicabilité : Valeurs SHAP (SHapley Additive exPlanations) pour l'importance globale et locale des caractéristiques, et LIME pour les vérifications de cohérence locale.

3. Résultats clés

Performance prédictive et taux d'approbation

L'introduction de données alternatives a considérablement amélioré la performance des modèles pour tous les algorithmes par rapport aux bases de référence utilisant uniquement des données traditionnelles :

• Améliorations de l'AUC :
  • Régression Logistique : Augmentation de 0,682 à 0,731.
  • Forêt Aléatoire : Augmentation à 0,758.
  • XGBoost : Augmentation à 0,781.
• Taux d'approbation : Le modèle XGBoost avec données alternatives a augmenté le taux d'approbation de 41,6 % (base traditionnelle) à 63,7 %. Cela représente une augmentation de 22,1 points de pourcentage, approuvant 4 420 demandeurs supplémentaires dans l'échantillon de test.
• Contrôle du risque : Malgré l'augmentation significative des approbations, le taux de défaut à 12 mois n'a augmenté que marginalement, passant de 6,8 % à 7,2 % (une augmentation de 0,4 point de pourcentage), ce qui a été jugé statistiquement insignifiant. Cela indique que les approbations supplémentaires n'étaient pas concentrées dans la queue de risque élevé.

Importance des caractéristiques

Les tests d'importance des caractéristiques ont identifié les variables de données alternatives suivantes comme des déterminants critiques de la capacité de remboursement pour les emprunteurs sans historique de crédit :

• Paiements de loyer ponctuels.
• Nombre de paiements de factures à temps.
• Constance à long terme des numéros de téléphone.

Analyse de l'équité

Les tests d'équité menés sur les groupes raciaux et de revenus n'ont montré aucune preuve de dégradation de l'équité :

• Groupes raciaux : La différence de l'égalité démographique a changé de 0,005 (p-valeur : 0,312), et la différence d'égalité des chances a changé de 0,004 (p-valeur : 0,347).
• Groupes de revenus : L'écart d'équité démographique a changé de 0,005 (p-valeur : 0,286), et la différence d'égalité des chances a changé de 0,003 (p-valeur : 0,401).
  Les résultats suggèrent que l'extension de la couverture d'approbation n'est pas venue au prix d'une discrimination accrue envers les minorités ou les groupes à faibles revenus.

Étude d'ablation sur les données manquantes

L'étude a révélé que traiter les dossiers de crédit traditionnels manquants comme des signaux informatifs (plutôt que d'imputer les données ou de supprimer les échantillons) était essentiel. L'imputation a compressé les modèles de données manquantes hétérogènes, affaiblissant la frontière entre la rareté de l'information et le risque réel, tandis que la suppression d'échantillons réduisait la représentativité de la population sans historique de crédit.

4. Principales contributions

1. Validation empirique des données alternatives : L'étude démontre que les données alternatives (loyer, services publics, télécoms) peuvent compléter efficacement les informations de crédit traditionnelles, convertissant l'inobservabilité de la continuité des paiements en preuves mesurables de capacité de remboursement.
2. Optimisation conjointe Risque-Équité : Le cadre proposé parvient à équilibrer l'expansion de l'inclusion financière (taux d'approbation plus élevés) avec la gestion des risques (augmentation minimale du taux de défaut) et les contraintes d'équité, évitant ainsi le « débordement de risque » souvent associé à l'assouplissement des normes d'approbation.
3. Rigueur méthodologique : En comparant les modèles de données alternatives à une base forte de XGBoost basée sur les données traditionnelles, l'étude isole la valeur incrémentielle des données alternatives des bénéfices liés à l'utilisation de seuls algorithmes plus complexes.
4. Gestion des données manquantes : L'article préconise une stratégie de traitement des données où l'absence est traitée comme un signal structuré, ce qui s'avère plus approprié pour les populations sans historique de crédit que les techniques d'imputation standard.

5. Signification et affirmations

L'article affirme que son approche offre une portée plus large de couverture des services financiers par rapport aux pratiques conventionnelles d'évaluation du risque de crédit. Il postule que les données alternatives ne font pas que baisser les normes d'approbation, mais fournissent des informations comportementales critiques qui échappent aux scores de crédit traditionnels.

Les auteurs soutiennent que cette méthodologie :

• Améliore l'inclusion financière en permettant aux individus sans historique de crédit d'accéder au crédit formel plutôt que de dépendre de canaux d'emprunt plus coûteux ou opaques.
• Affine l'évaluation du risque en identant des modèles de paiement stables qui sont corrélés à la capacité de remboursement.
• Maintient l'équité démographique, garantissant que les bénéfices des données alternatives sont distribués équitablement entre les groupes raciaux et de revenus.

L'étude conclut que, bien que les conclusions soient spécifiques au contexte des prêts automobiles subprime, elles fournissent une base empirique robuste pour l'utilisation des données alternatives dans une évaluation du crédit inclusive. Les auteurs notent des limites concernant la généralisation de ces résultats à d'autres types de prêts et suggèrent que les travaux futurs pourraient impliquer des données à plus long terme, l'intégration de scénarios multiples et des techniques de calcul préservant la confidentialité.