| Titre | Performance des méthodes d'évaluation de la détection de détresse financière : Le cas des pays émergents | |
|---|---|---|
| Auteur | Fatma Abidi | |
 |
Revue | La Revue des Sciences de Gestion |
| Numéro | no 311, 2021/5 Renouveler la pensée en sciences de gestion | |
| Rubrique / Thématique | Renouveler la pensée en sciences de gestion |
|
| Page | 101-110 | |
| Résumé |
La présente étude vise à déterminer les méthodes appropriées pour détecter
la détresse financière des entreprises demandant un crédit auprès des
établissements bancaires. L'étude applique des données composées d'un
échantillon de 78 sociétés clientes des banques pour la période organisée de
2015 à 2018 et ses résultats empiriques montrent la supériorité des Réseaux
de Neurones Artificiels (RNA) par rapport aux autres méthodes classiques
en matière de détresse financière des firmes emprunteuses. Dans ce sens
nous avons obtenu un taux de bon classement global de 84,23 %. Le nombre
d'entreprises bien classées par le modèle est égal à 78,4 %.
L'efficacité de la gestion des risques de crédit bancaire et la mise en œuvre
des méthodes d'évaluation des risques est nécessaire pour permettre aux
banques d'identifier les dossiers défaillants. Par conséquent, il est prévu
que les preuves empiriques de cette recherche, montrent des implications
méthodiques pour l'autorité réglementaire du secteur bancaire tunisien
afin de détecter la détresse financière des entreprises demandant un crédit.
En particulier, le risque de crédit est évalué en se basant sur l'analyse
discriminante et l'approche neuronale. Source : Éditeur (via Cairn.info) |
|
| Résumé anglais |
This study aims to determine the appropriate methods to detect
the financial distress of companies requesting credit from banking
institutions. The study applies data composed of a sample of 78
corporate clients of the banks for the period organized from 2015
to 2018 and its empirical results show the superiority of Artificial
Neural Networks (ANNs) over other conventional methods for
distress financing of borrowing firms. In this sense, we obtained an
overall good classification rate of 84.23 %. The number of enterprises
well classified by the model is equal to 78.4 %.
The effective management of bank credit risks and the
implementation of risk assessment methods is necessary to enable
banks to identify defaults. Therefore, empirical evidence from
this research is expected to show methodical implications for the
regulatory authority of the Tunisian banking sector to detect the
financial distress of companies seeking credit. In particular, credit
risk is assessed based on discriminant analysis and the neural
approach. Source : Éditeur (via Cairn.info) |
|
| Article en ligne | https://www.cairn.info/article.php?ID_ARTICLE=RSG_311_0105 (accès réservé) |
