Défaillance et création de valeur : analyse discriminante

Défaillance et création de valeur :

analyse discriminante appliquée aux

entreprises industrielles marocaines

cotées en bourse de Casablanca

Said, EL MELHAOUI Enseignant chercheur au Département d’ Économie, Faculté des Sciences

Juridiques, Économiques et Sociales, Université Mohamed Premier, BP : 724, Oujda 60 000, Maroc

[email protected]

Najib, MRABET

Enseignant chercheur à l’École Supérieure de Technologie Université Mohamed Premier, BP : 473, Oujda 60 000, Maroc

[email protected]

El hassan, BEN-IDIR Étudiant chercheur à la Faculté des Sciences Juridiques, Économiques et Sociales,

Université Mohamed Premier, BP : 724, Oujda 60 000, Maroc +212 628381040

[email protected]

Said EL MELHAOUI & Najib MRABET & El hassan BEN-IDIR 30

Dossiers de Recherches en Economie et Gestion : Numéro : 8 Décembre 2019

Résumé

Défaillance et création de valeur : analyse discriminante appliquée aux

entreprises industrielles marocaines cotées en bourse de Casablanca.

Cet article vise à déterminer la contribution de la création de valeur actionnariale comme variable explicative de la défaillance des entreprises industrielles

marocaines cotées à la bourse de Casablanca. Il propose aussi un scoring qui reflète les

probabilités de l’occurrence des difficultés financières. Les résultats de l’analyse discriminante appliquée pendant la période 2010-2016 montrent que la création de

valeur, la liquidité ainsi que la taille de l’entreprise sont les variables les plus déterminantes dans la classification des entreprises selon le degré des difficultés

financières.

Mots-clés : Création de valeur, Défaillance, Scoring, Analyse discriminante.

Classification JEL : C38, G32, G33

Abstract

Failure and value creation: discriminant analysis applied to Moroccan

industrial companies listed on the Casablanca Stock Exchange.

This article aims to determine the contribution of the shareholder’s value creation as an explanatory variable of the failure of Moroccan industrial companies

listed on the Casablanca Stock Exchange. It also suggests a scoring grid that expresses

the probability of financial difficulties. The results of the discriminant analysis applied during the period 2010-2016 show that the shareholder’s value creation, the liquidity

and the size of corporation are the most determining variables for the classification of

companies according to the degree of financial difficulty.

Keywords: Value creation, Failure, Scoring, Discriminate analysis.

JEL classification: C38, G32, G33

Défaillance et création de valeur … 31

ا,لخص

3الصناعية43ا,قاو5ت3ةصعوب 3الشركات 3عBى 3تميDEي 3تحليل 3تطبيق 3القيمة: وخلق

ا,درجةV3ي3بورصة3الدار3البيضاء.ا,غربية3

4البحث4هو4تحديد4مساهمة4متغ56 T4ي4تفس456خلق4القيمة4للمساهم6ن4الغرض4من4هذاالصناعية4اXغربية4اXدرجةT4ي4بورصة4القيم4بالدار4البيضاء.4كما4انه44الصعوبات4اXالية4للشركات

4 4تعكسيق5iح 4تنقيط 44شبكة 4تظهر4نتائج 4مالية. 4صعوبات 4حدوث 4التميx6ي احتمال 4التحليل4اضافة4ا�ى4والسيولةأن4خلق4القيمة4للمساهم6ن201644و20104خ|ل4الف5iة4اXمتدة4ب6ن44اXطبق4درجة44حجم 4معيار 4حسب 4الشركات 4لتصنيف 4فعليا 4اXحددة 4اXتغ56ات 4أهم �4ي الشركة

.الصعوبات4اXالية

اXقاو�ت.4ةصعوب3خلق4القيمة،4التحليل4التميx6ي،4شبكة4تنقيط،4الكلمات3ا,فتاحية:



Introduction

Au cours du 21ème siècle, on a pu assister à la défaillance de grandes entreprises

telles que Parmalat en Europe, Enron et WorldCom aux États-Unis. Le contexte

marocain n’a pas été épargné, dans la mesure où de nombreuses firmes cotées en bourse de Casablanca ont fait l’objet de la procédure judiciaire, dont la SAMIR reste la

plus médiatisée.

La survenance d’un phénomène tel que la défaillance n’est pas sans répercussion. Souvent apparentée à un système ouvert, organisé et interconnecté avec

son environnement, l’entreprise représente un nœud de contrats entre les différentes parties prenantes dont la rupture par le biais de la défaillance impacte leurs potentiels

de création de la richesse. Les propriétaires de l’entreprise acceptent de supporter le

risque lié à l’activité de l’entreprise en contrepartie d’une rémunération aléatoire. Ils se trouvent au dernier rang de séniorité en termes de remboursement et risquent la non

rétribution totale ou partielle lors d’une liquidation.

L’impératif de prédire la défaillance des entreprises s’érige alors tout en prenant en considération l’intérêt des actionnaires. Dans ce sens, le scoring constitue un outil

de prédiction de la défaillance qui repose sur le traitement statistique des données financières dressant les différents aspects des difficultés financières.

Dès lors, notre recherche s’applique à répondre à la problématique suivante:

dans quelle mesure les niveaux de création de la valeur permettent l’explication

et la prédiction de la défaillance des entreprises industrielles marocaines cotées

en bourse de Casablanca ?

Cette problématique peut être décortiquée en trois questions de recherches:

− Quels sont les déterminants les plus explicatifs de la défaillance des

entreprises industrielles marocaines cotées en bourse de Casablanca?

− Existe-t-il un lien de causalité direct entre la création de valeur actionnariale et la défaillance ?


− Quelle est la vraisemblance de survenance de la défaillance des entreprises industrielles marocaines cotées en bourse de Casablanca?

Pour apporter les éléments de réponses, nous suggérons de revenir dans la première partie sur la revue de littérature relative à la création de valeur et la défaillance des entreprises. La deuxième partie sera consacrée à la présentation de la méthodologie empruntée, à l’analyse statistique ainsi que l’interprétation des résultats.

1. Défaillance et création de la valeur : revue de littérature

La prédiction de la défaillance a suscité depuis longtemps l’intérêt de plusieurs chercheurs tant au niveau académique que professionnel. Notre travail s’inscrit dans le cadre de l’anticipation de l’occurrence de la défaillance et la mesure de sa vraisemblance. Cependant, il se distingue par l’approche adoptée pour appréhender la défaillance ainsi que le contexte étudié. À ce titre, il convient de rappeler que la prédiction de la défaillance des entreprises marocaines cotées en bourses de Casablanca est terrain d’étude peu explorée, dans la mesure où la majorité des études en matière de difficultés financières porte sur les sociétés non inscrites à la cote casablancaise (Elhamma, 2009 ; Taouab, 2010 ; Kherrazi et Ahsina 2016, El-Ansari et Benabdellah, 2017).

Les approches théoriques et les mesures liant la création de valeur à la défaillance se sont développées au sein de deux théories principales qui sont la théorie d’agence, et la théorie des parties prenantes, que nous présenterons dans ce qui suit. Cela nous permettra d’expliquer les principales mesures de la défaillance par la suite.

1.1. Problème de création de valeur dans la théorie financière de

l’entreprise

La première proposition de la définition du concept de la valeur en finance a été

initiée par Williams (1938). Ce dernier considère la valeur d’un actif financier par la valeur actualisée des flux financiers futurs qu’il sécrète1.

1 Pour plus d’informations, veuillez consulter : Hirigoyen, G., Caby, J. (1998), Histoire de la valeur en finance d'entreprise, Université Montesquieu-Bordeaux IV, Centre de Recherche de l'IRGAE, n° 01, pp. 1-51.



Quant à la création de la valeur, elle représente un dogme qui s’est développé aux États unis prônant que les dirigeants doivent maximiser la valeur des actions des

propriétaires de l’entreprise. Prosaïquement, les capitaux mobilisés par une société

génèrent une rentabilité qui doit être relativisée au coût de financement. On parle de création de la valeur lorsque «le capital laissé dans l’entreprise par les bailleurs de fonds rapporte davantage que ce qu’il coûte» (Parienté, 2000). Elle correspond à la rente que les actionnaires perçoivent au-delà de leur coût d’opportunité par lequel ils sont rétribués habituellement (Charreaux et Desbrières, 1998).

La création de la valeur actionnariale est la vocation principale de l’existence d’une entreprise. Cette dernière constitue une constellation d’intérêts dont la

dissidence par la défaillance impacte en particulier la création de la richesse

actionnariale à cause des coûts de faillite (Warner, 1977). Contrairement aux autres créanciers, les shareholders supportent les risques relatifs à l’activité de l’entreprise et

l’incertitude qui caractérise leur rémunération. En outre, les propriétaires de

l’entreprise, qui représentent des créanciers résiduels, se trouvent au dernier cran de priorité en matière de remboursement, dans la mesure où ils ne seraient restitués

qu’après avoir apuré les dettes des autres ayants droit. Par conséquent, les actionnaires risqueraient qu’ils ne soient pas indemnisés en cas de liquidation

judiciaire de l’entreprise en difficultés financières. De ce fait, la création de la valeur

actionnariale doit être prise en compte dans la prédiction de la défaillance.

1.1.1. La création de valeur dans la théorie d’agence

Même si la théorie d’agence a pour principale vocation le conflit d’intérêts

existant entre l’actionnaire et le dirigeant, elle a pu, au fur et à mesure de ces développements consécutifs, porter un éclairage important sur le rôle partagé du

dirigeant et de l’actionnaire dans la création de la valeur actionnariale.

Ainsi, l’actionnaire étant un apporteur de fonds, s’assimile à un prêteur puisqu’il

espère une rémunération des fonds mis à la disposition de la firme sous forme de

retour sur investissement. Il est le mandataire (ou le principal) si l’on reprend les termes utilisés par la théorie de l’agence (relation actionnaires/dirigeants).


En se référant toujours à la théorie d’agence, les dirigeants utilisent des marges

discrétionnaires pour maximiser leurs intérêts au dépend de ceux des actionnaires, ce qui est à l’origine coûts d’agence pesant sur l’entreprise. Ils sont aussi à l’origine de

décisions allant à l’encontre des projets à forte création de valeur.

Le contrôle du dirigeant s’avère donc indispensable pour éviter son

comportement spoliatif. Jensen (1989) propose l’endettement comme un mécanisme

de contrôle approprié afin de réduire la marge discrétionnaire des dirigeants et les contraindre à agir dans l’intérêt des actionnaires. D’autres théoriciens, notamment

Shleifer et Vishny (1986), Bethel et Liebeskind (1993) et Agrawal et Knoeber (1996),

proposent la notion de concentration du capital comme gage d’efficacité du contrôle des dirigeants par les actionnaires s’ajoutant à l’endettement.

En effet, dans une firme avec un actionnariat dispersé, nul actionnaire ne pourra supporter le coût d’un contrôle sur la gestion des dirigeants, alors que le

bénéfice de cette action profitera aux restes des actionnaires. Par contre, lorsqu’un

actionnaire possède à lui seul la part la plus importante du capital, il sera incité à investir dans le contrôle de la gestion de la firme, puisqu‘il s’appropriera une part non

négligeable des bénéfices de cette action.

1.1.2. Création de valeur dans la théorie des parties prenantes

La théorie des parties prenantes (Freeman, 1984) oppose les modèles dans

lesquels les actionnaires ont un rôle central (shareholder value) aux modèles

présentant l’ensemble des parties prenantes l’entreprise (stakeholder value). En effet, l’entreprise est appréhendée comme une constellation d’intérêts dont l’objectif est la

création de la valeur pour les différentes parties prenantes. En outre, le dirigeant devient l’agent de tous les stakeholders. Toutefois, la conception partenariale de

l’entreprise débouche systématiquement au problème de répartition de la richesse. À

ce propos, Jensen (2002) avance que lorsqu’on maximise la valeur de l’entreprise, et donc de ses propriétaires, on crée aussi de la valeur pour les autres parties prenantes

«conduisant alors, dans certaines conditions raisonnables, à la maximisation du bien-être social ».



D’un autre côté, on trouve dans le modèle de gouvernance partenarial que, à partir des leviers d’incitation propre, chaque partie prenante participe à la création de

valeur de la firme (Caby et Hirigoyen, 2005).

1.2. Concept de la défaillance : définition et approches

Historiquement, la défaillance a toujours été associée à un problème de

création de la valeur. Ainsi pour Gresse (1994), la défaillance correspond à l’incapacité

de l’entreprise à dégager une valeur ajoutée positive, ou à accomplir ses objectifs économiques de la maximisation de la valeur pour ses actionnaires régulièrement

(Ooghe et Van Wymeersch, 1986 ; Crucifix et Derni, 1992). La défaillance constitue en soi un terme qui reflète une réalité difficile à appréhender. L’ambigüité qui enrobe ce

phénomène est relative à la diversité de son mode d’analyse puisqu'elle se positionne

au centre de plusieurs disciplines.

1.2.1. Définition économico-juridique

D’un point de vue juridique, l’article 560 du code de commerce marocain

considère la défaillance comme l’état à partir duquel la procédure judiciaire est ouverte à l’encontre d’une entreprise. Cette procédure intervient lorsqu'une entreprise

est en état de cessation de paiement, c'est-à-dire qu'elle n'est plus en mesure de couvrir son passif exigible avec son actif disponible. C’est une définition à distinguer

de la situation des entreprises en difficultés et qui sont passibles à des redressements

plutôt qu’à des liquidations.

Dans une optique financière, la défaillance est associée à la situation dans

laquelle l’entreprise se trouve inapte à honorer ses engagements financiers à

l’échéance vis-à-vis de ses créanciers (Baldwin et Mason, 1983 ; Wruck, 1990), elle est donc incapable de faire face à son passif exigible.

1.2.2. Importance de la défaillance dans la littérature

L’importance des retombées économiques et sociales d’un phénomène tel que

la défaillance a éveillé l’intérêt de plusieurs recherches aussi riches, toutefois loin

d’être analogues. Dans une première approche prédictive, la défaillance constitue un


champ propice à l’implémentation des méthodes statistiques. En s’articulant sur

l’analyse de l’information financière, cette optique vise à distinguer entre les entreprises défaillantes et celles qui ne le sont pas à travers la détection des

symptômes financiers et comptables annonciateurs d’«une situation de défaillance» et la mesure de sa vraisemblance moyennant l’utilisation des techniques statistiques

(Dimitras et al. 1996).

Bien que l’approche stricto sensu financière de la défaillance aboutisse certes à une compréhension des mécanismes financiers qui conduisent une entreprise à la

faillite, elle reste limitative, car elle offre une perception statique et court-termiste, de facto, ne permet pas une appréhension complète de la défaillance. De tels arguments justifient l’évolution des recherches d’une optique prédictive vers une approche

explicative qui met l’accent sur l’identification des causes profondes de la défaillance, leurs imbrications (Hambrick et D'Aveni, 1992, Sheppard, 1994 ; Newton, 2009) et la

modélisation de la trajectoire séquentielle que peut emprunter une entreprise pour

remplir les conditions légales de la cessation de paiement (Argenti, 1976 ; Laitinen, 1991 ; Ooghe et De Prijcker, 2006).

Enfin, il est important de signaler que les défaillances d’entreprises au Maroc

enregistrent une progression significative chaque année. En 2017, 8.045 entreprises ont été déclarées défaillantes conservant en effet une tendance haussière de 16% par

an depuis l’année 2009alors que le chiffre n’était que de 1700 cas en 2007 (El

Ghouari, 2018).

2. Prédiction de la défaillance des entreprises industrielles marocaines

cotées en bourse de Casablanca

L’édification d’un modèle scoring susceptible de prédire la défaillance dans les

entreprises marocaines cotées permet d’aider l’entreprise ainsi que ses différents

partenaires à prendre des décisions au moment opportun. D’une part, elle permettrait aux dirigeants de détecter la défaillance en amant de sa manifestation et s’y interposer

par des mesures préventives. D’autre part, elle accorderait l’opportunité d’orienter les

choix des actionnaires en matière d’allocation de leurs ressources. En outre, elle



permet de rompre l’opacité informationnelle entre l’entreprise et les autres parties prenantes (banquiers, auditeurs, investisseurs…etc.).

La méthodologie empruntée consiste à établir un lien statistique entre les

variables explicatives choisies méticuleusement, y compris ceux de la création de valeur, et la modalité trichotomique qui caractérise les entreprises de notre échantillon

à travers une analyse discriminante.

Nous commencerons par une présentation du schéma méthodologique de notre étude (variables explicatives et expliquées, présentation de l’échantillon ainsi

que les hypothèses du modèle) avant d’exposer les résultats obtenus et de leur interprétation.

2.1. Démarche méthodologique

Notre méthodologie consiste à étudier les entreprises industrielles marocaines cotées en bourse de Casablanca entre 2010 et 2016. L’échantillon sera constitué des

sociétés à vocation industrielle aussi représentatives que possible des profils

considérés de difficulté financière. Par la suite, nous collecterons les données auprès de la communication financière des sociétés disponible sur le site de la bourse de

Casablanca, le site de l’autorité marocaine du marché des capitaux (AMMC) ainsi que les rapports annuels du conseil déontologique des valeurs mobilières (CDVM). Pour

chaque observation, nous allons calculer les ratios et les indicateurs financiers qui

représentent les variables explicatives de notre modèle. Sur la base des données moyennes, nous établirons une analyse discriminante dans son approche descriptive

et probabiliste en utilisant le logiciel SPSS 21 pour repérer les facteurs les plus

discriminants et estimer la probabilité de la survenance des difficultés financières. Les résultats obtenus seront examinés au vu de la littérature existante relative à la

défaillance des entreprises.

2.1.1. Formalisation du modèle

Pour établir une relation entre la situation financière (�) et les p indicateurs et ratios financiers des entreprises (��, … , ��), nous allons utiliser l’analyse discriminante linéaire. Il s’agit d’une méthode statistique qui met en exergue les


liaisons existantes entre une variable endogène qualitative et un ensemble de

variables quantitatives. D’une part, elle permet de repérer la combinaison linéaire des variables latentes explicatives de la défaillance qui sont sélectionnées

séquentiellement selon leur pouvoir discriminant. En outre, elle permet de calculer le score des observations qui expriment le degré de difficulté des entreprises en fonction

de la (les) valeur (s) pivot. Pour un échantillon constitué de groupes, le modèle issu de l’analyse discriminante linéaire prend la forme suivante (Desbois, 2003):

Pour1 < � < − 1, �� = �� + �� + �� + ⋯ + �� + ��

Avec

− �� : Coefficients de la ième variables discriminantes de la jème fonction

discriminante ;

− �� : Constante de la jème fonction discriminante.

D’autre part, l’approche bayésienne de l’analyse discriminante consiste à estimer la probabilité d’appartenance des observations conditionnellement aux

variables discriminantes et de les affecter au groupe le plus probable. Sous l’hypothèse

de la normalité des variables et l’homogénéité des matrices variances – covariances, cette probabilité dite apostériori est estimée par la formule de Bayes en fonction de la probabilité à priori d’appartenance aux différents groupes (Tenenhaus, 2007).

L’adoption de cette méthode est privilégiée par rapport à d’autres, car l'estimation des coefficients de la fonction discriminante n’est pas affectée par le mode

de sélection des observations. En revanche, les modèles scoring bâtis sur la base des

méthodes de probabilité conditionnelle, logit et probit, fournissent des estimations incohérentes et biaisées de la constante et tous les coefficients à cause du mode de

sélection de l’échantillon. En outre, la régression logistique binaire permet de tester un modèle de régression dont la variable expliquée est dichotomique (Zmijewski, 1984),

ce qui n’est pas le cas dans notre article.



2.1.2. Variables du modèle

Dans notre travail, notre choix portera sur l’analyse des difficultés financières,

orienté vers la vulnérabilité et la précarité, puisqu’il permet une véritable

compréhension de la défaillance et donne plus de légitimité pour la prévision. Dans l’absence d’une définition conventionnelle des difficultés financières, un examen de la

littérature relative à la prévision de la difficulté financière a permis de déceler les

qualificatifs qui caractérisent les entreprises précaires et qui fonderont notre étude, soit :

− La diminution des capitaux propres et restructuration des dettes (Pastena et

Ruland, 1986);

− La non-distribution ou la réduction des dividendes (De Angelo et De Angelo,

1990);

− Un faible ratio de couverture (Asquith, Gertner et Scharfstein, 1994);

− La restructuration des dettes et la cession des actifs (John, Lang et Netter,

1992);

− Le changement à la baisse du cours boursier des actions et un résultat

d’exploitation négatif (Gilson, John et Lang, 1990);

− La cessation de paiement et la liquidation qui font allusion à la fragilité

financière dans son stade extrême (article 560 du code de commerce marocain).

Ainsi, la variable «difficultés financières» est incorporée dans le modèle en tant que variable expliquée selon le codage suivant : elle prend la valeur 0 lorsque

l’entreprise observée est saine, la valeur 1 pour les entreprises fragiles et la valeur 2

pour les sociétés extrêmement vulnérables.

Concernant les variables explicatives, nous avons sélectionné une batterie de

� = 21 indicateurs capables de mettre en exergue le degré de difficulté ainsi que l’aptitude des entreprises à créer de la valeur. Le choix des variables est appuyé par

leur récurrence dans les travaux antérieurs relatifs à la prévision de la défaillance

(Bellovary et al. 2007), leur pertinence dans l’analyse financière ainsi que les considérations théoriques et pratiques. Comme le montre le tableau 1, ces indicateurs


sont ventilés en quatre rubriques : la structure financière, l’analyse de la liquidité, le

risque systémique et la taille des entreprises ainsi que la création de valeur. Il est nécessaire de souligner que la richesse actionnariale a été souvent mesurée par les

variables traditionnelles pour la prédiction de la défaillance. Dans le cas échéant, nous allons compléter ces mesures par des indicateurs qui reflètent l’idée fondamentale de

la création de la valeur actionnariale, à savoir l’Economic Value Added (EVA) et la Market Value Added (MVA).

Tableau 1. Variables explicatives retenues pour l'étude empirique

Rubrique Ratios Formule Coda

ge

Ratios de structure

�� !!�" #� $��%�&��!

'��!�() ��*��" ��

+�,��( #�" %��!�()��*��"

'��!�() ��*��"-*!�. #( ��""�$ ��

%��%�!é #� ��&0*(�"�&��!

�!!�" #� $��%�&��!'��%�!é #′�(!*$��%�&��! ��

2�#�!!�&��!��!2)%é#��! 0�(! #3�)�.*�!�!�*� �4

5�!�* #� %*(,��!(��2)%é#��! 0�(! #′�)�.*�!�!�*�'ℎ�� $��%�è�� 8

9�!��"�!é %��!�.�"!�:(�;%!�$" �&&*0�.�"é"-*!�. #� .′�%!�$ �<

Ratios de liquidité

Liquidité générale ;%!�$ %��%(.��! + !�é"*�. �%!�$

>�""�$%��%(.��! + !�é"*�. passif �D

Liquidité réduite ;%!�$ %��%(.��! ℎ*�" "!*% + !�

>�""�$%��%(.��! + !�é"*�. �E

Liquidité immédiate -�é"*�� %!�$

>�""�$%��%(.��! + !�é"*�. ��""�$�F

Indicat

eurs de

création de

valeur

Indicat

eurs de gestion

Economic Value Added +G>;-H − ('J>' × '9) ��

Cash-Flow Return On Investment

2)%é#��! 0�(! #3�)�.*�!�!�*�'��!�()�&�.*Lé" ��

5�!(�� G� 2:(�!L 5�"(.!�! ��!'��!�() ��*��" ��



5�!(�� G� '��!�.2&�.*L�#

5é"(.!�! #3�)�.*�!�!�*� × (1 −;%!�$ é%*�*&�:(� ��

5�!(�� G� ;""�!" 5é"(.!�! ��!-*!�. �%!�$ ��4

>�LG(! 5�!�* �,�#��#�sMé�é$�%� ��! ��8

Dividend yield �,�#��#� (��!��'*(�" #� .3�%!�*� ��<

Indicat

eurs

boursiers

Market Value Added N 2O;P(1 + )P

Q

PR� ��D

Total Shareholder’s Return Log( >P + #�,�#��#� (��!��

>PV�) ��E

Market to Book Ratio '��!�.�"�!�*� 0*(�"�è��

'��!�() ��*��" ��F

Le risque systémique et

taille des sociétés

Risque systémique 'GO(��, �W)

O;5(�W) ��

La taille de la société Log(!*!�. �%!�$) ��

Source : Réalisé par nos soins sur la base des travaux antérieurs sur la

défaillance des entreprises ainsi que la pertinence dans l’analyse financière.

2.1.3. La sélection de l’échantillon

La réalisation de notre étude nous amène à choisir comme échantillon les

entreprises industrielles marocaines cotées en bourse de Casablanca pour les motivations suivantes :

− Cette typologie d’entreprises subit les impulsions et les exigences des

actionnaires et celles des investisseurs en matière de création de valeur ;

− Elles sont soumises à l’obligation légale et réglementaire de la

communication financière. L’accès aux différentes données est alors docile ;

− Elles fournissent un volume de données nécessaires pour constituer le sous-groupe des entreprises en situation de précarité et celles qui ne le sont pas ;

− Écourter l’échantillon aux entreprises au penchant industriel permet de

remédier au biais relatif au secteur d’activité.


Dans notre étude, nous allons adopter la procédure d’échantillonnage de Platt

et Platt (2008). Le choix des entreprises sera non aléatoire, dans la mesure où les sociétés seront classées a priori à une catégorie en fonction d’au moins trois critères entre les six conditions retenues pour définir la difficulté des entreprises. Au terme d’une démarche de sélection minutieuse, et en optant pour la classification

trichotomique d’Altman, Marco et Varetto (1994), l’échantillon d’apprentissage se

composera de 30 entreprises ventilées en trois groupes:

− Premier groupe: constituée de 7 entreprises saines ;

− Deuxième groupe : composée de 18 firmes fragiles financièrement;

− Troisième groupe : qui agglomère 5 sociétés extrêmement vulnérables dont

2 ont fait l’objet d’une radiation de la cote de la bourse en raison des difficultés financières et une société sujette d’une liquidation judiciaire.

2.1.4. Hypothèses de recherche

Nous cherchons à vérifier la contribution des différents ratios et indicateurs

financiers introduits comme variables indépendantes ( ��; … ; ��) dans

l’explication de la variable «difficulté des entreprises» considérée comme variable dépendante (Y). Conséquemment, il découle de la modélisation des hypothèses à

vérifier à la lumière des résultats obtenus.

H1 : «L’insuffisance de la liquidité serait positivement corrélée à la vraisemblance d’une détresse financière»

Comme l’avance Back et al. (1996), Altman et al. (1977), une grande liquidité indique une probabilité plus faible de risque de défaillance et que des problèmes

persistants de liquidité renvoient une incapacité à honorer les engagements long

terme ou à couvrir les charges du cycle d’exploitation.

H2 : «La destruction de la valeur conduirait l’entreprise vers des difficultés financières »

Parmi les causes des difficultés financières les plus évoquées par la littérature financière est la destruction de la valeur ou son instabilité. Selon Taffler (1982),

Keasey et Mc Guinness (1990) et bien d’autres, les firmes en détresse financière



dégagent une rentabilité insuffisante pour rémunérer les facteurs de productions. En outre, elles n’arrivent pas à fructifier les apports des actionnaires et à répondre à leurs

exigences en termes de dividendes (Gentry, Newbold et Whitford, 1985 ; Pompe et

Bilderbeek, 2005). Beaver (1968) et Aharony et al. (1980) attestent de leur part que plus l’éventualité de la défaillance s’accroit, plus la création de la valeur boursière se

détériore.

H3 : «Plus la taille d’une entreprise est importante, moins elle est sont exposée aux difficultés financières»

La taille des entreprises est un déterminant des difficultés financières (Ohlson, 1980, Brédart, 2014). Un tel fait peut s’expliquer par plusieurs manières.

Généralement, les sociétés de grande la taille ont une aptitude considérable à lutter

contre la concurrence. Plus particulièrement, l’envergure de taille confère à l’entreprise une grande influence en termes de négociation pour s’approprier les

ressources nécessaires à sa survie dans un environnement concurrentiel.

2.2. Présentation et interprétation des résultats

L’analyse discriminante est une technique statistique multidimensionnelle qui

vise à expliquer l’appartenance d’une observation à une classe prédéfinie représentant une modalité d’une variable dépendante, à travers la détection des descripteurs

(variables) discriminants. Cette procédure, essentiellement analytique, consiste à

chercher des combinaisons linéaires de descripteurs qui permettent, d’une part, de classer les observations via un critère géométrique (analyse factorielle), et d’autre part,

d’optimiser le classement et de le nuancer via des mesures de nature probabiliste

(analyse bayésienne).

2.2.1. L’analyse univariée des données

Dans le but de différencier entre les classes d’entreprises, l’analyse des statistiques descriptives de chaque facteur sur chaque catégorie d’entreprises est

fructueuse. En outre, l’analyse de variance permet d’établir un ensemble de tests

statistiques pour déterminer les variables qui maximisent la discrimination entre les groupes d’entreprises.


2.2.1.1. Descriptives des données

L’analyse discriminante a comme préoccupation de repérer les variables qui déparient entre les entreprises selon la catégorisation retenue. Dans ce sens, il parait

intéressant d’établir une analyse descriptive univariée des données au sein de chaque classe et de focaliser l’attention particulièrement sur la moyenne et l’écart-type.

L’examen des statistiques descriptives de chaque variable illustrées dans

l’annexe 1 montre que les facteurs X�, X�, XD ,

XE, XF, X��, X��, X��, X�E, X�<, X�8 �! X��ont des moyennes différentes avec une dispersion relativement faible au sein de chaque classe. Comme premier

constat, ces variables sont discriminantes vu leur aptitude à configurer les entreprises

en groupes à la fois disloqués et homogènes.

2.2.1.2. Pouvoirs discriminants individuels des variables

S’adossant sur la décomposition de la variance, on cherchera à sélectionner les

variables qui permettent d’établir un arbitrage entre deux points de mire simultanés : agglutiner les unités statistiques en classes homogènes tout en se disloquant les unes

par rapport aux autres. Pour consolider le constat descriptif et par conséquent identifier les variables qui discriminent significativement les groupes, nous avons

testé, à travers le test F l’égalité des moyennes de chaque variable sur les trois classes.



Tableau 2. Tests d'égalité des moyennes des groupes

Variables Lambda de Wilks

F Signification

Z[∗∗∗ 0,578 9,848 0,001 Z]^∗∗∗ 0,601 8,958 0,001 Z_∗∗∗ 0,630 7,916 0,002 Z_]∗∗∗ 0,637 7,707 0,002 Z]_∗∗ 0,726 5,101 0,013 Z]`∗∗ 0,727 5,071 0,014 Z]]∗∗ 0,728 5,048 0,014 Za∗∗ 0,763 4,190 0,026 Z]b∗∗ 0,764 4,160 0,027 Z]c∗∗ 0,772 3,997 0,030 Z∗̀∗ 0,790 3,596 0,041 Z]∗ 0,817 3,031 0,065 Z]d∗ 0,824 2,881 0,073 Z]a∗ 0,836 2,641 0,090 Z_d 0,864 2,116 0,140 Ze 0,882 1,802 0,184 Zb 0,914 1,271 0,297 Z]e 0,936 0,924 0,409 Zc 0,960 0,560 0,578 Z][ 0,963 0,524 0,598 Z^ 0,969 0,436 0,651

***.La discrimination significative au niveau 1%

**.La discrimination significative au niveau 5%

*. La discrimination significative au niveau 10%

Source : conçu par nous-mêmes sur la base des états financiers collectés, calculés et

analysés via SPSS.


Le tableau 2 montre le Lambda de Wilks, les valeurs de la statistique F (rapport

entre moyen des écarts carrés intergroupes et des écarts carrés intra groupes) et les niveaux de signification du test F correspondants à chaque variable. Les variables sont

classées par niveau croissant de leurs pouvoirs discriminants. Ainsi, les

variables XF, X�<, X� �! X�� sont fortement discriminantes (niveau de

signification 1%), l’égalité des moyennes de chaque variable sur les trois classes est significativement rejetée, ce qui explique un arrangement visible des entreprises en

classes différentes. Simultanément, les variables X��, X�E, X��, XD, X�8 �! X�� sont discriminantes (niveau de signification 5%) et les variables

XE, X�, X�� ! X�D sont faiblement discriminantes (niveau de signification 10%). En effet, la variance intraclasse de ces variables est très faible comparativement à la

variance interclasse. Ainsi, on déduit que les facteurs sont les plus explicatifs X9, X16,

X2, X21, X12, X18, X11, X7, X15, X13, X8, X1, X10 et X17 de la classification des entreprises et, par conséquent, ils sont déterminants de la défaillance des entreprises.

2.2.2. L’analyse discriminante

2.2.2.1. Les fonctions discriminantes

Afin d’identifier le pouvoir discriminant mutuel des variables (problème

multivarié) et pour optimiser la sélection successive des variables explicatives qui maximisent la distinction entre les groupes d’entreprises, nous avons recouru à une

analyse discriminante stepwise basée sur la statistique F. En effet, vu leur nombre important, les variables explicatives risquent d’exprimer une information redondante due à la présence d’une multicolinéarité. Pour résorber ce problème, le logiciel SPSS

effectue un test de tolérance2 lors du lancement du protocole de l’analyse

discriminante. Au bout du sixième pas, nous avons abouti aux fonctions discriminantes qui incorporent les combinaisons linéaires des descripteurs associés

aux coefficients estimés et qui maximisent la distinction entre les groupes

d’entreprises :

2 La tolérance d’une variable explicative est définie comme la variabilité non expliquée par la combinaison

linéaire des autres variables explicatives retenues. Il est calculé par 1-5�, avec R est le coefficient de corrélation multiple entre les variables indépendantes.



�� = 6,262 �� + 0,863 �F + 2,953 �� + 8,847 ��E− 0,208 ��< + 3,871 �� = 0,577 �� − 0,711 �F + 0,348 �� + 0,875 ��E− 0,724 ��< + 0,366 ��

En outre, la contribution des combinaisons linéaires des variables discriminantes s’interprète grâce à l’analyse de la matrice de structure (annexe 2). Celle-ci permet, à travers les coefficients de structure factorielle, de déterminer la

corrélation intragroupe des variables constituant le modèle et les fonctions discriminantes.

On constate que la création de valeur, manifestée par les variables TSR (��E), le dividend yield (��<) et EVA (��), est prééminente dans la classification des firmes. En effet, il existe un lien causal de la défaillance et la création de valeur, puisque les firmes qui ne rentabilisent pas leurs capitaux engagés et celles qui

n’arrivent pas à répondre aux exigences des actionnaires en matière de création de

valeur sont les plus exposées à la défaillance. Cela engendre une détérioration du taux de rendement des actions des sociétés (Taffler, 1982 ; Keasey et Mc Guinness, 1990 ;

Pompe et Belderbeek, 2005 ; Beaver, 1968 et Aharony et al, 1980). En outre, elles distribuent des dividendes proportionnels à la valeur boursière des actions faibles

comparativement aux entreprises saines (Gentry, Newbold et Whitford, 1985). Par

référence à notre résultat, l’hypothèse 2 est validée.

En outre, on aperçoit que la taille (��) est prépondérante dans la discrimination entre les entreprises. Notre constat converge avec ceux de Ohlson (1980) et Brédart (2014) qui attestent que plus l’entreprise est d’envergure

importante, plus elle peut absorber les différents aléas et difficultés qui entravent sa

marche normale. Ainsi, l’hypothèse 3 est validée.

En addition, la liquidité immédiate (�F) est significative dans la distinction entre les différentes classes d’entreprises conformément aux aboutissements de Back et al. (1996), Altman, Haldeman et Narayan (1977). Ces auteurs proclament que les


entreprises défaillantes sont caractérisées par une incapacité à servir leurs dettes à

court terme. En effet, notre résultat débouche à la validation de l’hypothèse 1.

2.2.2.2. Pouvoir discriminant des fonctions

L’implémentation de l’analyse discriminante, par le logiciel SPSS, donne le classement décroissant des fonctions scores selon leur pouvoir discriminant ainsi que

la valeur propre associée à chacune.

Tableau 3. Valeurs propres et corrélations canoniques

Fonction Valeur propre % de la variance Corrélation

canonique

1 49,090 97,9 0,990 2 1,042 2,1 0,714

Source : Conçu par nous-mêmes sur la base des états financiers collectés,

calculés et analysés via SPSS.

Le tableau 3 montre, d’une part, que la première fonction discriminante

explique la majorité de la variance intergroupe à hauteur de 97,9%. Cependant, la

deuxième fonction n’explique que 2,1 % de la variance intergroupe. D’autre part, le coefficient de la corrélation canonique de la première fonction évaluée de 0,990 est

assez proche de 1. Conséquemment, il existe une forte corrélation entre la première

fonction discriminante et la variable expliquée traduisant l’appartenance aux classes. Ceci reflète une aptitude discriminante considérable, particulièrement pour la

première fonction discriminante.

En outre, la statistique lambda de Wilks permet de mesurer le pouvoir de la combinaison linéaire des variables discriminantes à discerner entre les unités

statistiques. Elle représente le complément du rapport de corrélation pour atteindre la variance totale, plus la statistique est petite, plus les variables sont discriminantes.



Tableau 4. Test sur les rapports de corrélation

Test de la ou des

fonctions Lambda de Wilks Chi-deux (ddl) Signification

de 1 à 2 0,010 113,376 (12) 0,000 2 0,490 17,487 (5) 0,004


calculés et analysés via SPSS par nos soins.

Le tableau 4 montre que le lambda de Wilks est 0,01 avec une signification du

test Chi-deux associé (transformation de Bartlett) nettement inférieur à 1%, ce qui

reflète que les variables retenues par l’analyse sont globalement discriminantes. En plus il montre que le lambda de Wilks de la deuxième fonction discriminante (0,49)

est significativement faible à 1% ce qui montre que les deux fonctions sont

significativement discriminantes et par voie de conséquence elles sont toutes les deux adoptables dans le modèle.

2.2.2.3. Règle géométrique d’affectation

Les fonctions discriminantes constituent les axes qui définissent l’espace sur lequel les entreprises seront projetées selon leurs coordonnées factorielles (les scores

des entreprises valorisées par le biais des fonctions discriminantes). La classe d’affectation prévue sera celle dont les scores sont les plus proches par rapport aux

barycentres des groupes (tableau 5). Ainsi les trois régions d’affectation sont

délimitées par deux droites frontières construites sur la base de la règle d’affectation géométrique de Mahanalobis-Fisher (Saporta, 2006).


Tableau 5. Barycentres des groupes

Appartenance initiale Fonction

1 2

Saines 3,490 -1,680 Fragiles 2,767 0,680 Défaillantes -14,848 -0,096



Figure 1. Projection graphique des groupes d'entreprises et leurs

barycentres



La projection géométrique (figure 1) des entreprises met en évidence une excentration remarquable du groupe des sociétés défaillantes comparativement à

celui des firmes saines et fragiles. Cette configuration s’explique par le fait que les firmes défaillantes ont un score, calculé sur la base de la première fonction

discriminante, négatif et inférieur à celui des autres groupes. En outre, on souligne un

léger chevauchement entre la classe des firmes saines et celle des entreprises fragiles en raison de la proximité des scores issus de la première fonction discriminante.



Néanmoins, ces deux classes se distinguent selon leurs scores calculés à partir de la deuxième fonction discriminante.

2.2.2.4. Règle bayésienne d’affectation

L’analyse discriminante bayésienne consiste à estimer les probabilités d’appartenance des entreprises conditionnellement aux descripteurs et de les affecter

au groupe le plus probable. La sollicitation de l’approche probabiliste de l’analyse

discriminante nécessite l’adoption de deux hypothèses stochastiques notamment la multinormalité des variables explicatives et l’homoscédasticité de leurs matrices

variance-covariance. Le tableau 6 illustre une classification des entreprises exprimée sous forme de probabilité d’appartenance prévue en fonction de leur degré de

défaillance corrigé par le niveau de création de valeur.

On remarque que la classification des entreprises selon l’approche bayésienne ajoute une subtilité et lucidité à l’approche géométrique pour l’anticipation de la santé

financière des firmes, dans la mesure où elle fournit la probabilité d’appartenance aux

différents groupes de manière nuancée d’où l’instauration d’une frontière échelonnée entre ceux-ci.


Tableau 6. Affectation des entreprises aux groupes, probabilités et scores

(les trois erreurs d’affectation sont notées en italique gras)

Entre-prise

Affectation initiale

Affectation prévue

Probabilités d’affectation aux groupes

Scores discriminants

Saine Fragile Défaillante Fct. 1 Fct. 2

N°9 Saine Saine 0,99953 0,00047 0,000 3,920 -3,902 N°11 Saine Saine 0,99511 0,00489 0,000 3,396 -3,070 N°17 Saines Saine 0,99482 0,00518 0,000 3,849 -2,907 N°°5 Saine Saine 0,77188 0,22812 0,000 3,422 -1,326 N°19 Saine Saine 0,61016 0,38984 0,000 3,520 -0,969 N°4 Fragile Saine 0,56151 0,43849 0,000 2,810 -1,102 N°28 Fragile Fragile 0,00127 0,99873 0,000 2,024 1,586 N°22 Fragile Fragile 0,00173 0,99827 0,000 0,376 0,951 N°12 Fragile Fragile 0,00180 0,99820 0,000 0,360 0,930 N°24 Fragile Fragile 0,00358 0,99642 0,000 2,132 1,179 N°6 Fragile Fragile 0,00678 0,99322 0,000 2,582 1,046 N°8 Fragile Fragile 0,00731 0,99269 0,000 3,695 1,354 N°23 Fragile Fragile 0,00785 0,99215 0,000 3,377 1,226 N°14 Fragile Fragile 0,00909 0,99091 0,000 2,790 0,984 N°15 Fragile Fragile 0,01096 0,98904 0,000 2,893 0,935 N°7 Fragile Fragile 0,01486 0,98514 0,000 2,237 0,604 N°3 Fragile Fragile 0,01677 0,98323 0,000 3,620 0,975 N°13 Fragile Fragile 0,02707 0,97293 0,000 4,097 0,914 N°16 Fragile Fragile 0,03315 0,96685 0,000 3,231 0,560 N°1 Saine Fragile 0,03572 0,96428 0,000 3,141 0,500 N°20 Fragile Fragile 0,04317 0,95683 0,000 4,872 0,946 N°10 Fragile Fragile 0,04692 0,95308 0,000 4,476 0,788 N°2 Saine Fragile 0,13073 0,86927 0,000 3,176 -0,082 N°21 Fragile Fragile 0,21109 0,78891 0,000 2,903 -0,410 N°18 Fragile Fragile 0,37347 0,62653 0,000 1,329 -1,231 N°26 Défaillante Défaillante 0,000 0,000 1 -14,52 -0,302 N°30 Défaillante Défaillante 0,000 0,000 1 -14,71 0,055 N°29 Défaillante Défaillante 0,000 0,000 1 -14,81 0,184 N°27 Défaillante Défaillante 0,000 0,000 1 -14,99 -0,185 N°25 Défaillante Défaillante 0,000 0,000 1 -15,19 -0,234

Source : Conçu par nous-mêmes sur la base des états financiers collectés, calculés et

analysés via SPSS par nos soins.



2.2.2.5. Validation du modèle

2.2.2.5.1. Taux des bons classements

Après avoir élaboré le modèle scoring, il convient de valider le modèle à travers

le calcul des taux de bien-classés. Ces taux calculés sur la base de l’échantillon d’apprentissage lui-même sont des taux de resubstitution et ils surestiment les taux réels de bien-classés. Afin de pallier à ce biais d’estimation, nous utilisons la validation croisée, cette validation consiste à classer chaque unité par les fonctions discriminantes dérivées de toutes les autres unités (à part elle). Les résultats de la

validation par resubstitution et ceux de la validation croisée sont illustrés dans le tableau 7.

Tableau 7. Pourcentage de bien-classés (Matrice de confusion)

Type Classe initiale Classe prévue

Saines Fragiles Défaillantes

Validation par

resubstitution

Saines 5 (71,4%)

2 (00,0%)

0 (100%)

Fragiles 1 (05,6%)

17 (94,4%)

0 (100%)

Défaillantes 0 (00 ,0%)

0 (00,0%)

5 (100%)

Validation

Croisée

Saines 4 (57,1%)

3 (42,9%)

0 (100%)

Fragiles 2 (11,1%)

16 (88,9%)

0 (100%)

Défaillantes 0 (00,0%)

1 (20,0%)

4 (100%)



Notons que le taux du bon classement dans le groupe des entreprises

défaillantes est parfait (100%). Cependant, le taux global du bon classement est à

hauteur de 80% [(4+16+4)/30]. Cela montre que la défaillance est particulièrement


bien identifiée par le modèle adopté, et qu’en outre, le pouvoir discriminant de ce

modèle est globalement confirmé.

2.2.2.5.2. Test de multinormalité

L’analyse discriminante bayésienne suppose que les facteurs explicatifs doivent être multinormalement distribués. Le degré d’aplatissement et de l’asymétrie

multivariée sont deux paramètres simples et informatifs, et fournissent des

informations sur la normalité de la distribution des données. Pour tester cette hypothèse, nous allons utiliser le test de multinormalité de Srivastava qui montre que

la distribution des données ne suit pas une loi multinormale. Le rejet de cette

hypothèse se justifie par l’existence de valeurs extrêmes qui biaisent les moyennes et les écarts-types.

2.2.2.5.3. Test d'homoscédasticité

L’homoscédasticité constitue une hypothèse qui stipule que les matrices

variance-covariance sont égales au sein de chaque classe constituant la population

d’apprentissage. Afin d’examiner l’homogénéité des matrices variance-covariance, nous allons recourir au test M de Box.

Tableau 8. Test M de Box

M de Box 403,469

F

Approximativement 10,980

ddl1 21

ddl2 490,483

Signification 0,000



Le tableau 8 affiche le résultat du test montre un M de Box égal à 403,47 qui à

un niveau de signification inférieur à 1%. En effet, l’hypothèse d’homogénéité des



matrices de variance-covariance est réfutée. Le non-respect de cette hypothèse est dû à l’absence de l’équilibre entre les tailles des classes d’entreprises.

Par ailleurs, et malgré la violation des hypothèses probabilistes, il convient de

valider les résultats de l’analyse discriminante, en effet le taux d’erreur de classement ; assez faible ; est un critère infaillible dans l’adoption du modèle (Eisenbeis, 1977).


Conclusion

À travers le présent travail, nous avons ressorti à la conclusion que la création de valeur, la liquidité et la taille des sociétés expliquent la défaillance des entreprises

industrielles marocaines cotées en bourse de Casablanca. Ainsi, nos aboutissements permettent d’établir un lien entre les connaissances scientifiques récurrentes sur le

thème de la prévision de la défaillance des entreprises et les constats empiriques dans

le cadre des sociétés industrielles marocaines inscrites à la place boursière casablancaise.

Toutefois, les résultats obtenus ne peuvent éclipser les lacunes qui lui sont

associées. Dans un premier ordre, l’échantillon sélectionné est scindé en classes disproportionnelles qui nuit à la comparabilité entre les entreprises avec

l’incomplétude de certaines informations. Pour résorber à ce problème, il convient d’étaler davantage l’horizon de l’étude ou d’élargir l’échantillon de l’étude en intégrant

des entreprises commerciales ou prestataires de service tout en considérant les

particularités sectorielles.

Deuxièmement, l’utilisation de l’analyse discriminante impose des conditions

théoriques restrictives, dont la mesure où le non-respect des hypothèses de

multinormalité des variables explicatives et homogénéité des matrices variance-covariance influence l’acuité du modèle. L’utilisation de la régression logistique

constitue une voie de recherche intéressante, car elle tolère de telles conditions. En

outre, l’implémentation des deux méthodes permet d’établir une comparaison entre leur qualité de discrimination.

Troisièmement, l’approche strictement financière axée sur la prédiction de la défaillance procure une compréhension limitée de la nature de la défaillance. En

addition, les ratios financiers sont calculés sur la base des informations comptables et

financières dont la crédibilité et le contenu informationnel peuvent être remis en cause. Raisons pour lesquelles l’introduction de variables stratégiques et

organisationnelles ainsi que l’adoption du référentiel IFRS apporteraient une valeur

ajoutée dans la prédiction de la défaillance.



Références bibliographiques

Agrawal, A., Knoeber, C.R. (1996), «Firm Performance and Mechanisms to Control Agency

Problems between Managers and Shareholders», The Journal of Financial and Quantitative Analysis,

vol. 31, n° 3, pp. 377-397; Aharony, J., Jones, C.P., Swary, I. (1980), «An analysis of risk and return characteristics of

corporate bankruptcy using capital market data», The Journal of Finance, vol. 35, n° 4, pp. 1001-

1016; Altman, E.I., Haldeman, R.G., Narayan, P. (1977), «Analysis a new model to identify

bankruptcy risk of corporations», Journal of Banking & Finance, vol. 1, n°1, pp. 29-54;

Altman, E.I., Marco, G., Varetto, F. (1994), «Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural networks (the Italian experience) », Journal of Banking

and Finance, vol. 18, n° 3, pp. 505-529;

Argenti, J. (1976), Corporate collapse: The causes and symptoms. McGraw-Hill;

Asquith, P., Gertner R., Scharfstein D. (1994), «Anatomy of financial distress: An examination of junk-bond issuers», The Quarterly Journal of Economics, vol. 109, n° 3, pp. 625-658;

Back B., Laitinen T., Sere, K., Van Wezel, M. (1996), «Choosing bankruptcy predictors

using discriminant analysis, logit analysis, and genetic algorithms», Turku Centre for Computer Science Technical Report, n° 40, pp. 1-18;

Baldwin, C.Y., Mason, S.P. (1983), «The resolution of claims in financial distress the case of

massey ferguson», Actes du 41ème assemblée annuelle de l'American Finance Association, New York, Etats-Unis, pp. 505-516;

Beaver, W.H. (1968), «Market prices, financial ratios, and the prediction of failure», Journal

of Accounting Research, vol. 6, n° 2, pp. 179-192; Bellovary, J.L., Giacomino, D.E., Akers, M.D. (2007), «A review of bankruptcy prediction

studies: 1930 to present», Journal of Financial Education, vol. 33, pp. 1-42;

Bethel, J. E., Liebeskind, J. (1993), «The Effects of Ownership Structure on Corporate Restructuring», Strategic Management Journal, vol. 14, Special Issue: Corporate Restructuring, pp.

15-31;

Bredart, X. (2014), «Les symptômes de la faillite : le cas de la Belgique», L'Actualité économique, vol. 90, n° 2, pp. 105-119;

Caby, J., Hirigoyen, G. (2005), «La valeur partenariale : un outil de gouvernance», La Revue

du Financier, n° 155, p. 27-41;

Charreaux, G., Desbrieres, P. (1998), «Gouvernance des entreprises : Valeur partenariale contrevaleur actionnariale», Finance Contrôle Stratégie, vol. 1, n° 2, pp. 57-88;


De Angelo, H., De Angelo, L. (1990), «Dividend policy and financial distress: An empirical

investigation of troubled NYSE firm», The Journal of Finance, vol. 45, n° 5, pp. 1415-1431; Derni, A., Crucifix, F. (1992), Symptômes de défaillance et stratégies pour le redressement

d'entreprise, Académia, Louvain-La-Neuve;

Desbois D. (2003), Une introduction à l’analyse discriminante avec SPSS pour Windows, La Revue MODULAD, n° 30, pp. 21-48;

Dimitras, A.I., Zanakis, S.H., Zopounidis, C. (1996), «A survey of business failures with an

emphasis on prediction methods and industrial applications», European Journal of Operational Research, vol. 90, n° 3, pp. 487-513;

Eisenbeis, R.A. (1977), «Pitfalls in the Application of Discriminant Analysis in Business,

Finance, and Economics», the Journal of Finance, vol. 32, n°3, pp. 875-900; El-Ansari, F., Benabdellah, M. (2017), «Prediction of bankruptcy: Evidence from Moroccan

agricultural companies», The International Journal Of Business & Management, vol. 5, n° 9, pp. 5-13;

El Ghouari, T. (2018), «Défaillances d’entreprises: Hécatombe dans le commerce», https://www.leconomiste.com/article/1023348-defaillances-d-entreprises-hecatombe-dans-le-

commerce (consulté le 11/10/2018);

Elhamma A. (2011), «La gestion du risque crédit par la méthode du scoring : Cas de la

banque populaire de rabat-Kenitra», HAL Archive ouverte, pp 1-15; Freeman, E.R. (1984), Strategic Management: A Stakeholder Approach. Cambridge

University Press;

Gentry, J.A., Newbold, P., Whitford, D.T. (1985), «Classifying bankrupt firms with funds flow components», Journal of Accounting Research vol. 23, n° 1, pp. 146-160;

Gilbert, L.R., Menon K., Schwartz, K.B. (1990), «Predicting bankruptcy for firms in financial

distress», Journal of Business Finance & Accounting, vol. 17, n° 1, pp. 161-171; Gilson, S.C., John, K., Lang, H.P. (1990), «Troubled debt restructurings: An empirical study

of private reorganization of firms in default», Journal of Financial Economics, vol. 27, n° 2, pp.315-

353;

Gresse, C. (1994), Les entreprises en difficulté, Economica, Paris; Hambrick, D.C., D’aveni, R.A. (1992), «Top team deterioration as part of the downward

spiral of large corporate bankruptcies», Management Science, vol. 38, n° 10, pp. 1445-1466;

Hirigoyen, G., Caby, J. (1998), «Histoire de la valeur en finance d'entreprise», Université Montesquieu-Bordeaux IV, Centre de Recherche de l'IRGAE, n° 1, pp. 1-51;

Izan, H.Y. (1984), «Corporate distress in Australia», Journal of Banking & Finance, vol. 8, n° 2,

pp. 303-320; Jensen, M.C. (2002), «Value Maximization, Stakeholder Theory, and the Corporate

Objective Function», Business Ethics Quarterly, vol. 12, n° 2, pp. 235-256;



Jensen, M.C. (1989), «Active Investors, LBOs, and the Privatization of Bankruptcy», Journal Of Appplied Corporate Finance, vol. 2, n° 1, pp. 35-44;

John, K., Lang, L. H.P., Netter, J. (1992), «The voluntary restructuring of large firms in

response to performance decline», Actes du 51ème assemblée annuelle de l’American Finance Association, New Orleans, Etats-unis, pp. 891-917;

Keasey, K., Mc Guinness, P. (1990), «The failure of UK industrial firms for the period 1976

–1984, Logistic Analysis and Entropy Measures», Journal of Business Finance and Accounting, vol.

17, n° 1, pp. 119-135; Kherrazi, S., Ahsina, K. (2016), «Défaillance et politique d’entreprises : Modélisation

financière déployée sous un modèle logistique appliqué aux PME marocaines», La Revue Gestion et

Organisation, vol. 8, n° 1, pp. 53-64; Laitinen, E.K. (1991), «Financial ratios and different failure processes», Journal of Business

Finance and Accounting, vol. 18, n° 5, pp. 649-673;

Newton, G.W. (2009), Bankruptcy and insolvency accounting: Practice and procedure, Wiley;

Ohlson, J.A. (1980), «Financial ratios and the probabilistic prediction of bankruptcy»,

Journal of Accounting Research, vol. 18, n° 1, pp.109-131; Ooghe, H., De Prijcker, S. (2008), «Failure processes and causes of company bankruptcy: A

typology», Management Decision, vol. 46, n° 2, pp.223-242;

Ooghe, H., Van Wymmersch, C. (1990), Traité d'analyse financière, Presse Universitaires de Namur, Namur (4th, édit.);

Opler, T.C., Titman, S. (1994), «Financial distress and corporate performance, The Journal

of Finance», vol. 49, n° 3, pp. 1015-1040; Pariente, S. (2000), «Rentabilité boursière, création de valeur et données comptables: Une

étude sur le marché français», vol. 3, n° 3, pp. 125-153;

Pastena, V., Ruland, W. (1986), «The Merger/Bankruptcy alternative», The Accounting Review, vol. 61, n° 2, pp. 288-301;

Platt, H.D., Platt, M.B. (2008), «Financial distress comparison across three global regions»,

Journal of Risk and Financial Management, pp. 129-162;

Pompe, P.M., Bilderbeek, J. (2005), «The Prediction of Bankruptcy of Small- and Medium-Sized Industrial Firms», Journal of Business Venturing, vol. 20, n° 6, pp. 847-868;

Royaume Du Maroc, Ministère de la justice et des libertés (1996), «Dahir n° 1-96-83 du 15 Rabii I 1417 (1er août 1996) portant promulgation de la loi n° 15-95 formant code de commerce», Titre II relatif aux procédures de traitement des difficultés de l’entreprise, article 560.

Saporta, G. (2006), Probabilités analyse des données et statistique, Technip ;


Sheppard, J.P. (1994), «Strategy and bankruptcy: An exploration into organizational death»,

Journal of Management, vol. 20, n° 4, pp. 795-833; Shleifer, A., Vishny, R.W. (1986), «Large Shareholders and Corporate Control», Journal of

Political Economy, vol. 94, n° 3, pp.461-488;

Taffler, R.J. (1982), «Forecasting company failure in the UK using discriminant analysis and financial ratio data», Journal of the Royal Statistical Society, vol. 145, n° 3, pp. 342-358;

Taouab, O. (2014), «Prédiction de la défaillance de la clientèle du micro crédit au Maroc :

Méthodes des scores», European Scientific Journal, vol. 10, n° 19, pp. 333-345; Tenenhaus M. (2007), Statistique : Méthode pour décrire, expliquer et prévoir, Dunod;

Warner, J.B. (1977), «Bankruptcy costs: Some evidence», Actes du 35ème assemblée annuelle

de l’American Finance Association, Atlantic City, Etats-Unis, pp. 337 - 347; Williams, J.B. (1938), The theory of investment value, North Holland Publishing Company;

Wruck, K.H. (1990), «Financial distress, reorganization and organizational efficiency»,

Journal of Financial Economics, vol. 27, n° 2, pp. 419-444; Zmijewski, M.E. (1984), «Methodological issues related to the estimation of financial

distress prediction models», Journal of Accounting Research, vol. 22, Studies on Current Econometric

Issues in Accounting Research, pp. 59-82.

Liste des tableaux

Tableau 1. Variables explicatives retenues pour l'étude empirique ................................................ 41

Tableau 2. Tests d'égalité des moyennes des groupes ......................................................................... 46

Tableau 3. Valeurs propres et corrélations canoniques ....................................................................... 49

Tableau 4. Test sur les rapports de corrélation ....................................................................................... 50

Tableau 5. Barycentres des groupes .......................................................................................................... 51

Tableau 6. Affectation des entreprises aux groupes, probabilités et scores ................................... 53

Tableau 7. Pourcentage de bien-classés (Matrice de confusion) ...................................................... 54

Tableau 8. Test M de Box.............................................................................................................................. 55



Liste des figures

Figure 1. Projection graphique des groupes d'entreprises et leurs barycentres ... 51

Annexes

Annexe 1. Moyennes et Ecarts-types (donnés entre parenthèses) des

facteurs financiers par classe d’appartenance

Classes d’appartenance

Global

Effecti f Saines Fragi les Défai l lantes 7 18 5 30

Z] 0,181 (0 ,190) 0 ,172 (0 ,195) 5 ,65460 (11,795) 1 ,08770 (4 ,851)

Z_ 0,750 (0 ,500) 0 ,503 (0 ,177) 0 ,10820 (0 ,0646) 0 ,494 (0 ,335)

Zc 0,750 (0 ,766) 1 ,183 (1 ,563) -0 ,44580 (7 ,173) 0 ,810 (3 ,002)

Ze 1,435 (2 ,071) 8 ,403 (12,392) -1 ,77280 (18,089) 5 ,081(12,417)

Zb 94,334 (71 ,532) 77,139 (124,832) 2 ,45040 (3 ,401)

68 ,703 (105,616)

Z^ 1,280 (1 ,717) 0 ,979 (2 ,194) 0 ,24960 (0 ,185) 0 ,927 (1 ,887)

Za 3,061 (2 ,686) 1 ,711 (0 ,808) 0 ,72400 (0 ,239) 1 ,86 (1 ,571)

Z` 2,526 (2 ,553) 1 ,255 (0 ,764) 0 ,52020 (0 ,200) 1 ,429 (1 ,465)

Z[ 0,352 (0 ,241) 0 ,103 (0 ,113) 0 ,01860 (0 ,017) 0 ,147 (0 ,184)

Z]d - 30 , 6 10 6

(34, 6 10 6 ) - 9 ,3 10 6 (129,110 6 )

-474,4106

(979,3 10 6 ) -91 ,8106

(415,5 10 6 )

Z]] 0,068 (0 ,107) 0 ,045 (0 ,122) -0 ,74240 (1 ,295) -0 ,081 (0 ,577)

Z]_ 0,269 (0 ,113) 0 ,155 (0 ,086) -0 ,94860 (1 ,884) -0 ,002 (0 ,827)

Z]c 0,211 (0 ,093) 0 ,197 (0 ,211) -0 ,04260 (0 ,085) 0 ,160 (0 ,194)

Z]e 0,250 (0 ,186) 0 ,167 (0 ,410) -0 ,01440 (0 ,030) 0 ,156 (0 ,336)

Z]b 0,965 (0 ,375) 0 ,719 (0 ,626) 0 ,08920 (0 ,149) 0 ,672 (0 ,585)

Z]^ 0,095 (0 ,08) 0 ,035 (0 ,016) 0 ,00120 (0 ,002) 0 ,043 (0 ,05)

Z]a - 16 ,2 106

(37. 9 106 ) - 5 ,8 106

(102, 9 10 6 ) -33 0 .3 10 6 (710.1106 )

-62 ,3106

(30,2 10 6 )

Z]` - 0 ,196 (0 ,126) - 0 ,159 (0 ,101) -2 ,52540 (3 ,915)

-0 ,5622 (1 ,709)

Z][ 3,670 (2 ,423) 3 ,957 (4 ,301) 1 ,99520 (3 ,206) 3 ,563 (3 ,741)

Z_d 0,035 (0 ,029) 0 ,029 (0 ,024) 0 ,00660 (0 ,0149) 0 ,0264 (0 ,025)

Z_] 9,027 (0 ,519) 9 ,057 (0 ,502) 6 ,47600 (3 ,256) 8 ,620 (1 ,618)

Source : Conçu par nous-mêmes sur la base des états financiers collectés, calculés et

analysés via SPSS.


Annexe 2. La matrice de structure

Variables Fonctions discriminantes

1 2

Z]b a 0,404* -0,163

Z]ca 0,316* -0,179

Z]ea 0,309* 0,097

Z^a 0,283* 0,258

Zba 0,202* -0,090

Zca 0,135* 0,115

Z_] 0,108* 0,042

Z]]a 0,098* 0,034

Z][a 0,089* 0,004

Z]` 0,087* 0,037

Z]_a 0,085* -0,003

Z] -0,068* -0,022

Z]d 0,066* 0,043

Z]aa 0,065* 0,047

Z[ 0,064 -0,710*

Z]^ 0,074 -0,614*

Zaa -0,008 -0,455*

Z`a 0,077 -0,383*

Z_da -0,113 0,272*

Zea 0,016 0,228*

Z_a -0,011 0,186*

(*) Plus grande corrélation absolue entre chaque variable et une fonction

discriminante quelconque. (a) Cette variable n'est pas utilisée dans l'analyse.



Documents

Défaillance et création de valeur : analyse discriminante