Facteurs d’influence sur le risque économique des PME-TPE françaises : analyse et simulation dans le cadre du financement participatif

Factors influencing the economic risk of French SMEs : analysis and simulation in the context of crowdlending

• Auteur / Autrice : Bastien Lextrait
• Direction : Christophe Boucher, Sessi Noudele Tokpavi
• Type : Thèse de doctorat
• Discipline(s) : Sciences Economiques
• Date : Soutenance le 09/12/2022
• Etablissement(s) : Paris 10
• Ecole(s) doctorale(s) : École doctorale Économie, organisations, société (Nanterre, Hauts-de-Seine ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : EconomiX (Nanterre)
• Jury : Président / Présidente : Nadine Levratto
• Jury : Examinateurs / Examinatrices : Christophe Boucher, Sessi Noudele Tokpavi, Nadine Levratto, Stéphane Goutte, Olena Havrylchyk, Gilles de Truchis de Varennes, Emmanuel Flachaire
• Jury : Rapporteur / Rapporteuse : Stéphane Goutte, Olena Havrylchyk

Mots clés

Mots clés contrôlés

Apprentissage automatique

Financement participatif

France

Petites et moyennes entreprises

Modèles mathématiques

Risque financier

Mots clés libres

Notation du risque

TPE-PME

Apprentissage machine

Explicabilité

Contagion du risque

Optimisation de portefeuille

Credit scoring

SME

Machine learning

Explainability

Risk contagion

Portfolio optimisation

Résumé

Depuis quelques années, il est possible de bénéficier de la politique de libre accès à de nombreuses bases de données administratives, néanmoins trop massives et complexes pour être efficacement traitées par les modèles traditionnels de notation du risque. Les technologies modernes d'apprentissage machine (ML) sont pressenties comme une réponse essentielle à cette problématique. Par conséquent l'objectif principal de cette thèse empirique est d'approfondir notre connaissance du phénomène de défaut en étudiant successivement (i) sa prédiction, (ii) sa contagiosité et (iii) son exploitation. Le premier chapitre confronte les modèles classiques de notation du risque comme la régression logistique ou le Support Vector Machine (SVM) à des approches ML plus modernes, sous la forme de diverses implémentations du Gradient Boosting Decision Trees (GBDT). Ces modèles sont évalués à l'aide des bases des comptes annuels des TPE-PME françaises et des décisions des tribunaux de commerce, que l'INPI a récemment rendues accessibles. Une interprétation plus descriptive des résultats est également générée via la méthode d'Attribution Additive de Shapley (SHAP). Le second chapitre développe l'hypothèse d'une contagion du risque au sein de zones géographiques à forte densité d'entreprises. Le réseau national des entreprises françaises est virtuellement reconstruit à l'aide de la Base des Adresses Nationales (BAN). La transmission du risque y est alors simulée à l'aide de Réseaux de Neurones à Transmission de Message (MPNN). Enfin, le troisième chapitre capitalise sur les contributions de la méthode SHAP pour adapter les méthodes d'optimisation de portefeuille au contexte du marché des prêts aux entreprises.

In recent years, opendata policies provided practitioners with massive amounts of data that traditional credit scoring models struggle to process. Modern Lachine Learning (ML) algorithms are expected to be a relevant answer to this challenge. Therefore the main goal of this thesis is, through bottom-up empiricism, to deepen our knowledge of the default phenomenon by successively stuying (i) its estimation, (ii) its contagiousness and (iii) its exploitation. The first chapter confronts traditional credit scoring methods such as Logistic Regression and support vector machines to modern ML approaches in the form of Gradient Boosting Decision Trees (GBDT) implementations. These models are evaluated on INPI's newly available datasets of published French SME balance sheets and commercial court decisions. The Shapley Additive Explanation (SHAP) method is mobilized to allow a more descriptive approach of the results. The second chapter develops the hypothesis of a risk contagion dynamic within SME concentration areas. The whole network of French firms is virtually reconstructed using data from the National Address Database (BAN). Risk transmission is then simulated on that structure with Message Passing Neural Networks (MPNN). Finally, the third chapter builds on the previous SHAP-related findings to adapt portfolio optimization methods to the P2B lending marketplace.