A Multi-Input Approach for SME Default Using Explainable Deep Learning

Dans l'engrenage complexe d'une économie moderne, les petites et moyennes entreprises agissent comme les rouages essentiels qui permettent à l'ensemble de fonctionner. Elles emploient des millions de personnes, stimulent l'innovation et forment l'épine dorsale de la richesse nationale. Pourtant, ces entreprises sont confrontées à un pari permanent à enjeux élevés : le risque de défaut, ou l'incapacité de rembourser leurs dettes. Pour les banques et les prêteurs, prédire quelle entreprise pourrait faire faillite avant que cela ne se produise est une question de stabilité financière. Pendant des décennies, des experts ont tenté de résoudre ce casse-tête en utilisant des modèles mathématiques qui examinent les états financiers d'une entreprise — ses actifs, ses dettes et ses profits — pour deviner son avenir. Ces méthodes traditionnelles fonctionnent raisonnablement bien, mais elles traitent souvent l'histoire d'une entreprise comme un cliché figé dans le temps, ignorant la façon dont cette entreprise a évolué au fil des années. Elles ont également tendance à négliger d'autres détails cruciaux, tels que la personne qui dirige l'entreprise ou son emplacement, se concentrant presque exclusivement sur les chiffres du grand livre.

Une équipe de chercheurs de l'Université de Naples « Parthenope » en Italie a développé une nouvelle façon d'aborder ce problème, une approche qui traite une entreprise davantage comme une histoire vivante que comme une photographie statique. Au lieu de s'appuyer sur une formule unique et rigide, ils ont construit un système informatique sophistiqué capable de lire plusieurs types d'informations simultanément. Ce système, qu'ils appellent un réseau de neurones à entrées multiples, est conçu pour digérer trois flux distincts de données : l'historique financier d'une entreprise sur plusieurs années, les caractéristiques de sa direction et de sa structure de gestion, et les conditions économiques de la région spécifique où elle opère. En tissant ensemble ces différents fils, les chercheurs ont créé un modèle capable de percevoir des schémas et des connexions qui échappent aux anciennes méthodes. Leurs travaux suggèrent que pour véritablement comprendre le risque de faillite d'une entreprise, il faut regarder sa trajectoire passée, sa direction actuelle et son environnement, et non pas seulement son bilan comptable.

Les chercheurs ont testé leur nouvelle approche en utilisant un ensemble massif de données d'entreprises italiennes de petite et moyenne taille, couvrant la période de 2013 à 2022. Ils se sont concentrés sur des entreprises établies qui existaient depuis au moins trois ans, excluant les très petites micro-entreprises car leurs registres financiers sont souvent trop brefs ou leurs structures de gestion trop simples pour fournir l'historique détaillé nécessaire à ce type d'analyse. L'équipe a recueilli des informations sur des milliers d'entreprises, y compris leurs profits annuels, leurs dettes et leurs actifs, ainsi que des détails sur les membres de leur conseil d'administration, tels que leur âge, leur sexe et leur expérience. Ils ont également noté la région spécifique où chaque entreprise était basée, reconnaissant que les conditions économiques locales peuvent influencer la réussite d'une entreprise.

Pour traiter cette information diversifiée, les chercheurs ont construit une architecture numérique dotée de trois voies spécialisées, ou « sous-réseaux », qui alimentent une unité centrale de prise de décision. La première voie a été conçue pour gérer les données financières, qui changent chaque année. Au lieu de se contenter de regarder les chiffres de l'année la plus récente, cette partie du système utilise un type d'intelligence artificielle connu sous le nom de réseau de mémoire à long et court terme (Long Short-Term Memory). Cette technologie est particulièrement efficace pour mémoriser des séquences ; elle examine l'historique financier d'une entreprise sur plusieurs années pour comprendre sa tendance, tout comme un médecin examinerait les dossiers de santé d'un patient sur une décennie plutôt que de se contenter de sa température un jour donné. La deuxième voie traite les données de gouvernance, qui décrivent les personnes à la tête de l'entreprise. Comme les équipes de direction ne changent pas aussi fréquemment que les chiffres financiers, cette partie du système traite ces informations comme un ensemble de faits stables concernant la structure de l'entreprise. La troisième voie gère les données régionales, convertissant le nom d'une région en un code numérique permettant au système d'apprendre comment les zones géographiques différentes influencent le risque commercial.

Une fois ces trois flux d'informations traités, ils sont combinés en une image unique et unifiée de l'entreprise. Cette vue combinée est ensuite transmise à une couche finale qui calcule la probabilité que l'entreprise soit en défaut de paiement au cours de l'année à venir. Les chercheurs ont comparé ce nouveau système à entrées multiples à trois autres méthodes couramment utilisées dans le secteur : un modèle statistique traditionnel appelé régression logistique, un outil puissant d'apprentissage automatique nommé XGBoost, et un modèle d'apprentissage profond standard qui ne tient pas compte des séquences temporelles. Ils ont testé ces modèles en leur demandant de prédire quelles entreprises feraient faillite en 2021 et 2022, sur la base des données disponibles l'année précédente.

Les résultats ont montré que la nouvelle approche à entrées multiples était le prédicteur le plus précis. Dans les tests conçus pour évaluer la capacité des modèles à distinguer les entreprises qui survivraient de celles qui échoueraient, le nouveau système a systématiquement surpassé les autres. Il a obtenu les scores les plus élevés en identifiant correctement tant les entreprises qui survivraient que celles qui feraient faillite, trouvant un meilleur équilibre que les autres modèles. Alors que le modèle statistique traditionnel et les outils d'apprentissage automatique standards commettaient plus d'erreurs, le nouveau système a démontré une capacité supérieure à s'adapter à de nouvelles données et à éviter le piège courant du surapprentissage (overfitting), où un modèle mémorise si parfaitement les données passées qu'il échoue à prédire l'avenir.

Au-delà de la simple prédiction de la défaillance, les chercheurs voulaient comprendre pourquoi leur modèle prenait ses décisions. Les systèmes d'apprentissage profond sont souvent critiqués pour être des « boîtes noires », ce qui signifie que leur logique interne est si complexe que les humains ne peuvent pas facilement expliquer comment ils sont parvenus à une conclusion. Pour remédier à cela, l'équipe a utilisé une technique appelée valeurs de Shapley, qui agit comme un calculateur d'équité pour mesurer la contribution de chaque élément d'information à la prédiction finale. Ils ont découvert que les indicateurs financiers et économiques étaient, comme prévu, les principaux moteurs de la prédiction. Cependant, l'analyse a révélé quelque chose d'important : les caractéristiques de la gouvernance de l'entreprise et sa situation géographique jouent également un rôle significatif et non négligeable. Bien que les données financières portent le poids le plus important, le modèle a montré qu'ignorer les personnes à la direction ou le contexte économique local conduirait à des prédictions moins précises. Les données régionales, par exemple, contribuaient à moins de 20 % à la décision finale, mais ce faible montant était néanmoins assez significatif pour améliorer la précision globale.

Cette étude confirme que regarder une entreprise à travers un seul prisme n'est plus suffisant pour une évaluation précise des risques. En intégrant l'historique financier, les détails de la direction et le contexte régional dans un système unique et flexible, les chercheurs ont créé un outil qui offre une vision plus complète et plus fiable de la santé des entreprises. Leurs travaux suggèrent que l'avenir de la prédiction de la faillite des entreprises réside dans des modèles capables de traiter différents types de données simultanément, en respectant la manière unique dont chaque information évolue au fil du temps. Bien que le modèle ait été testé spécifiquement sur des entreprises italiennes, l'approche offre un schéma directeur pour la manière dont les prêteurs et les analystes ailleurs pourraient mieux comprendre les réalités complexes des entreprises qu'ils soutiennent. Ces conclusions n'éliminent pas le risque de défaillance, mais elles fournissent une carte plus claire et plus nuancée pour naviguer à travers celui-ci.