La soutenance aura lieu le vendredi 9 Décembre à 10h00 au bâtiment Pierre Grappin – Salle B016 de l’université Paris Nanterre.
Sous la direction de :
Christophe Boucher – Professeur, Université Paris Nanterre
Sessi Tokpavi – Professeur, Université Orléans
Membres du jury :
Stéphane Goutte – Professeur, Université Paris Saclay
Olena Havrylchyk – Professeur, Université Paris 1 Panthèon-Sorbonne
Gilles de Truchis – Maître de conférences, Université Orléans
Emmanuel Flachaire – Professeur, Université d’Aix-Marseille
Nadine Levratto – Directrice de Recherche, Université Paris Nanterre – CNRS
Résumé de la thèse :
Cette thèse présente les apports des méthodologies d’apprentissage machine dans la compréhension du risque de défaillance des TPE-PME françaises. Elle se compose de trois chapitres. Le premier chapitre confronte les modèles classiques de notation du risque à des approches plus modernes mobilisant des modèles prédictifs. L’étude est menée sur l’ensemble des comptes annuels publics des entreprises françaises et les greffes des tribunaux de commerce publiés en 2017-2018. Des modèles explicatifs de type SHAP sont également mobilisés pour garantir l’explicabilité des modèles principaux. Le second chapitre développe l’hypothèse d’une contagion du risque au sein de zones géographiques à forte densité d’entreprises. Les flux de risque sont simulés à l’aide de réseaux de neurones sur une reconstitution du maillage territorial des TPE-PME. L’analyse de la structure entraînée de ces réseaux nous permet de quantifier la contribution marginale d’un voisinage d’entreprises sur le risque de défaillance, ainsi que les principaux vecteurs facilitant cette contagion. Le troisième chapitre capitalise sur les modèles SHAP afin de transposer les méthodes d’optimisation de la Modern Portfolio Theory au contexte du marché des prêts aux entreprises. La pertinence de cette méthodologie en termes de profil risque-rendement est évaluée par simulation de Monte-Carlo sur un marché virtuel reproduisant les conditions de 2017.
Mots clés :
Risque de défaillance, TPE / PME, Crowdlending, Machine Learning, Opendata
