Prévision du risque de défaillance : apprentissage par un algorithme génétique

• Auteur / Autrice : Meriem Ben Salah
• Direction : Jean-François Casta
• Type : Thèse de doctorat
• Discipline(s) : Sciences de Gestion
• Date : Soutenance en 2002
• Etablissement(s) : Paris 9

Mots clés

Mots clés contrôlés

Entreprises -- Disparition

Algorithmes génétiques

Résumé

Depuis des décennies, l'évaluation du risque de défaillance des entreprises est au centre des préoccupations des chercheurs et des professionnels de ce domaine. Le développement et l'utilisation des modèles capables de prévoir la défaillance est important pour les parties prenantes pour deux raisons : comme système d'alerte pour les gestionnaires d'entreprises et comme outil d'aide à la sélection des entreprises pour les établissements financiers prêteurs. Une évaluation des différentes méthodes utilisées pour le diagnostic précoce de la défaillance est faite. Il est ensuite proposé un modèle qui permette de rendre le diagnostic le plus précis possible en combinant les approches unidimensionnelle et multidimensionnelle de la prévision des défaillances. Il est également mis en évidence plusieurs avantages de l'utilisation d'un algorithme génétique pour l'évaluation des paramètres de ce modèle.

The basic approach in the development of failure prediction models is to analyze groups of failed and non-failed firms to identify financial characteristics most dissimilar between groups prior to bankruptcy. In this thesis, it is shown that most methods used to predict bankruptcy, and especially statistical methods, are not optimal to distinguish failed companies from non-failed ones. The reason is that there's no optimal method as there are different ways to go bankrupt. We show that when genetic algorithms (GA) are used in building models to predict failure, many quasi-optimal solutions are found, thus facilitating the comprehension of the problem. We construct a model based on production rules. It can be assimilated to a combination between univariate and multivariate analyses which parameters are optimized using GA. Application of this model shows a clear reduction of first order misclassification four years before bankruptcy.