La Prevision De Defaillance D'Entreprises : Une Application Neuronale A La Classification

L'arrivée à la phase de maturité des corpus théoriques des réseaux de neurones artificiels (RNA) et des algorithmes génétiques (AG) permet de procéder à la mise en place d'applications dans divers domaines. La classification représente un domaine d'intervention possible, que nous aborderons en exposant plus particulièrement le problème de la prévision de défaillance des PME-PMI. Dans le cadre d'une expérimentation, nous avons retenu trois modèles neuronaux permettant de traiter de la classification, à savoir le Perceptron Multicouche (le plus connu) (PMC), le Réseau à Fonctions Radiales de Bases (RBF) et les cartes auto-organisatrices de Kohonen. Les deux premiers sont de type feedforward avec apprentissage supervisé (connaissances a priori des entrées et des sorties), le dernier présente la caractéristique de s'auto-organiser avec apprentissage non-supervisé (connaissance a priori des entrées uniquement). Ces trois types de réseaux abordent le problème de la défaillance avec deux optiques distinctes, le PMC et le RBF permettent de réaliser un outil de prévision tandis que le réseau de Kohonen par des opérations de « clustering » entre dans une démarche plus explicative que prédictive du (ou des) processus de défaillance. La construction de ce type d'application se déroule en trois phases : la définition du problème, la construction du réseau et l'apprentissage. La définition du problème consiste à cerner les données qui seront nécessaires à la construction de l'application dans le cadre de la prévision de défaillance, les données retenues sont des ratios de types comptables et financiers, pris dans la littérature de l'analyse financière. Ces ratios sont calculés à partir des comptes annuels des entreprises, pris sur des bases de données informatisées telles que Diane de la société SCRL. Les données retenues sont soumises à un pré-traitement statistique qui a pour objectif d'éliminer les variables redondantes, puis à une standardisation et une codification afin d'être rendues compréhensibles par le RNA. La construction du réseau se décompose en trois phases, la première vise à choisir l'architecture en fonction du problème posé, ici trois architectures (PMC, RBF, Kohonen), la deuxième consiste à déterminer la topologie c'est à dire le nombre de couches de neurones et le nombre de neurones cachés, la troisième définit le paramétrage avec des variables comme le momentum et le taux d'apprentissage qui influent sur les capacités du réseau. C'est dans la deuxième phase que le PMC montre ses limites. En effet, si le PMC est de grande taille, il se peut que lors de la phase d'apprentissage, l'algorithme de Rétropropagation du Gradient (RPG) ne parvienne pas à parcourir l'ensemble des solutions et se bloque sur un minimum local. C'est à ce niveau que nous envisageons les Algorithmes Génétiques comme une méthode de soutien aux RNA. Ils peuvent être utilisés comme substitut au RPG ou en hybridation. Nous retiendrons la deuxième option qui présente l'avantage de dépasser les limites de l'algorithme traditionnel sans pour autant devoir faire face aux limites propres aux AG. La dernière étape, l'apprentissage consiste à prendre les variables préparées dans la phase un et les donner au réseau construit dans la phase deux. Nous pourrons ensuite comparer les capacités respectives des trois réseaux testés dans le cadre d'un problème de classification.