HEC MONTRÉAL AFFILIÉE A L’UNIVERSITÉ DE MONTRÉAL Transmission de PME : Un modèle non paramétrique de prévision des succès par Fabien Caillette Sciences de la gestion Mémoire présenté en vue de l’obtention du grade de maître ès sciences (M.Sc.) Février 2006 © Fabien Caillette, 2006 Remerciements Au cours de ces derniers mois, j’ai appris que la rédaction d’un mémoire était une épreuve beaucoup plus laborieuse qu’il n’y paraissait, faite de période de doutes qu’il faut concilier avec des objectifs ambitieux. Plusieurs personnes m’ont aidé à franchir ce cap, chacun à sa manière, par ses conseils techniques, ses encouragements, ou ses démonstrations d’amitié. Cette étude n’aurait pu être menée à bien sans la banque de développement des PME (OSEO – BDPME), et notamment Henry SAVAJOL, directeur de la stratégie et des études, qui a bien voulu m’ouvrir sa base de données. Je songe aussi tout particulièrement à Hélène PERRIN qui a gentiment accepté à plusieurs reprises d’éclairer mes lumières et a fait preuve d’une grande patience à mon égard. J’aimerai aussi remercier Christian FOURNET (mon ancien professeur), inspecteur général, qui a bien voulu me témoigner sa confiance en me recommandant à ses collègues. Enfin, Marcel DERUY, directeur du réseau Sud-est, pionnier des études sur les transmissions d’entreprise a su me communiquer son enthousiasme pour le sujet. Je souhaite exprimer ma chaleureuse reconnaissance envers Jean ROY, mon directeur de recherche et Louise ST-CYR qui a assuré la co-direction de ce mémoire. Ils m’ont tous deux guidé à chaque étape de ce projet en m’apportant de précieux conseils, en remettant sans cesse les choses en perspective, et en faisant preuve d’une grande disponibilité. Le Centre d’étude Desjardins en gestion des coopératives de services financiers, dirigé par M. Benoît TREMBLAY, ainsi que la Chaire de Développement et de Relève de la PME m’ont offert un support financier et logistique appréciable qui m’a permis de me dégager des contraintes matérielles pour me concentrer sur ma problématique de travail. J’aimerai aussi exprimer ma considération à Andrew LEACH, professeur adjoint à l’Institut d’Économie Appliquée – HEC, ainsi qu’à Éric JACQUIER, professeur agrégé au service de l’enseignement de la finance – HEC, pour leurs conseils en économétrie. ii Finalement, je remercie mes parents et amis pour leur grande tolérance. Sans oublier ceux parmi eux, qui ont joué le rôle de facteurs de stress, et m’ont poussé à avancer plus vite. F.C. iii Résumé Notre étude vise à déterminer quels sont les facteurs de succès d’une transmission (relève) d’entreprise effectuée par un repreneur personne physique. Pour cela nous utilisons une approche bancaire orientée « credit scoring ». En premier lieu nous nous penchons sur la décision d’acceptation/rejet du financement, considérant que la banque est un acteur expérimenté. Dans un second temps, nous nous intéressons au résultat de l’opération de transmission, c'est-à-dire faillite/non faillite. Notre hypothèse générale est que ni des facteurs uniquement managériaux (comme semble l’indiquer la littérature sur la transmission), ni des facteurs uniquement financiers ne peuvent suffire à expliquer le succès d’une opération de transmission. Seule une combinaison de ces deux familles de critères pourrait y contribuer. Afin de tester cette hypothèse, nous avons eu accès à une base de données de près de 3000 transmissions effectuées en France entre 1997-2004, collectées par l’institution OséoBDPME. Nous construisons à partir de cette base plusieurs sous échantillons sur lesquels nous appliquons des modèles de type LOGIT, et un algorithme de partitionnement récursif. Tous nos résultats concernant la décision d’acceptation/rejet du financement confirment notre hypothèse principale. Plus spécifiquement, d’un point de vue managérial, les variables liées à l’expérience du repreneur et aux circonstances de la transmission apparaissent comme significatives. Ces variables sont complémentaires aux variables financières permettant de s’assurer de la solidité de l’entreprise : indicateur de taille et de capacité de génération de flux monétaires (MBA/CA). Bien que l’étude des faillites ne soit qu’exploratoire, les résultats semblent concorder. Nous soulignons enfin que l’ajout de variables sur la qualité de crédit de la firme ainsi que du repreneur pourrait contribuer à la mise au point d’un modèle de « credit scoring » performant. Mots clés: Transmission, Relève, Entreprises familiales, Partitionnement récursif iv Summary Our study aims at identifying which are the factors of success of a company transfer carried out by an entrepreneur. In order to do so, we use a banking approach relying on credit scoring. Initially we consider the decision of granting financing, considering that the bank is an experienced actor. In the second time, we are interested in the outcome of the company transfer, i.e. bankruptcy/non bankruptcy. Our general assumption is that neither the only managerial factors (as the literature on company transfer seems to indicate), nor the only financial factors can be enough to explain the success of a transfer process. Only a combination of these two types of criteria could contribute to it. In order to test this assumption, we had access to a database of almost 3000 company transfers carried out in France during the 1997-2004 period, collected by the Oséo-BDPME institution. We build from this database several samples which we then use to apply LOGIT models, and a recursive partitioning algorithm. All our results concerning the granting decision confirm our main assumption. More specifically, from a managerial point of view the variables related to the experience of the successor and the circumstances of the transmission appear significant. These variables are complementary to the financial variables which make possible to ensure the strength of the company (indicators of size, and cash flows generation (MBA/CA)). Although the study of the bankruptcies is only exploratory, the results seem to agree. We finally underline that the addition of variables on the firm credit quality, and the successor credit quality, could contribute to the development of a more powerful credit scoring model. Key Words: Succession, Family firms, Recursive partitioning v Table des matières INTRODUCTION.............................................................................................................................................1 1. LA TRANSMISSION, UN PROCESSUS DUAL .......................................................................................3 1.1 DÉFINITIONS : TRANSMISSION ET SUCCÈS ..................................................................................................3 1.2 TRANSFERT DE DIRECTION, FACTEURS DE SUCCÈS.....................................................................................5 1.2.1 Caractéristiques du dirigeant actuel ................................................................................................5 1.2.2 Caractéristiques du successeur ........................................................................................................6 1.2.3 Le processus de maturation et de développement du successeur......................................................7 1.2.4 L’établissement de règles du jeu.......................................................................................................8 1.3 TRANSFERT DE PROPRIÉTÉ, FACTEURS DE SUCCÈS .....................................................................................9 1.3.1 Les étapes du transfert de propriété ...............................................................................................10 1.3.2 Les stratégies de désengagement....................................................................................................11 1.3.3 Transmission familiales : dilemme équité/égalité...........................................................................12 1.3.4 Facteurs de succès..........................................................................................................................13 1.4 MISE EN PERSPECTIVE .............................................................................................................................14 1.4.1 Le modèle théorique de Burkart et al. (2003).................................................................................15 1.4.2 Le modèle intégratif de Le Breton-Miller et al. (2004)...................................................................16 2. LES APPORTS DES MODÈLES FINANCIERS ....................................................................................18 2.1 BEAVER (1966) .......................................................................................................................................18 2.2 ALTMAN ET AL (1977).............................................................................................................................18 2.3 MERTON (1974) ET MODÈLES DE TYPE KMV ..........................................................................................19 2.4 AUTRES APPROCHES (CREDIT SCORING, PME) ........................................................................................19 2.5 TABLEAU DE SYNTHÈSE DES VARIABLES FINANCIÈRES ............................................................................21 3. RECHERCHE EMPIRIQUE.....................................................................................................................22 3.1 APPROCHE DU PROBLÈME ........................................................................................................................22 3.2 MÉTHODES EMPLOYÉES...........................................................................................................................23 3.2.1 Logit................................................................................................................................................23 3.2.2 Partitionnement récursif .................................................................................................................26 3.3 ORIGINE DES DONNÉES ............................................................................................................................33 3.4 CONSTRUCTION DES VARIABLES EXPLICATIVES ET HYPOTHÈSES .............................................................35 3.4.1 Contexte de la transmission............................................................................................................36 3.4.2 Caractéristiques du repreneur........................................................................................................38 3.4.3 Caractéristiques de la cible ............................................................................................................39 3.4.4 Rentabilité et plan de financement..................................................................................................41 3.4.5 Liste des variables explicatives.......................................................................................................44 3.5 TRAITEMENT DES DONNÉES .....................................................................................................................46 4. RÉSULTATS CONCERNANT LA DÉCISION D’ACCEPTATION DU DOSSIER...........................47 4.1 CONSTRUCTION DE L’ÉCHANTILLON .......................................................................................................47 4.1.1 Variables expliquée ........................................................................................................................47 4.1.2 Limiter les données manquantes : méthodologie............................................................................47 4.1.3 Traiter les données extrêmes ..........................................................................................................52 4.1.4 L’imputation de données, une autre alternative ? ..........................................................................52 4.2 STATISTIQUES DESCRIPTIVES ...................................................................................................................55 vi 4.3 RÉSULTATS .............................................................................................................................................58 4.3.1 Résultats obtenus par partitionnement récursif ..............................................................................59 4.3.2 Résultats obtenus par modèle LOGIT.............................................................................................63 4.3.3 Synthèse et validation par étude des motifs de rejets......................................................................68 5. RÉSULTATS CONCERNANT LE STATUT DU DOSSIER (FAILLITE/SURVIE) ..........................72 5.1 CONSTRUCTION DE L’ÉCHANTILLON .......................................................................................................72 5.2 STATISTIQUES DESCRIPTIVES ...................................................................................................................75 5.3 RÉSULTATS .............................................................................................................................................77 6. PROTOCOLE DE RECHERCHE ULTÉRIEURE.................................................................................81 6.1 OBJECTIFS ...............................................................................................................................................81 6.2 VARIABLE ÉTUDIÉE .................................................................................................................................81 6.3 PÉRIODE ÉTUDIÉE ....................................................................................................................................82 6.4 TYPE DE DOSSIERS À COLLECTER.............................................................................................................82 6.5 VARIABLES À COLLECTER .......................................................................................................................83 CONCLUSION................................................................................................................................................85 BIBLIOGRAPHIE..........................................................................................................................................87 ANNEXES........................................................................................................................................................94 vii Liste des tableaux Tableau 1 : Synthèse des variables financières selon Scott (1981) .................................... 21 Tableau 2 : Acceptation/Rejet - Sélection des variables..................................................... 50 Tableau 3 : Acceptation/Rejet - Synthèse des bases de données constituées ..................... 54 Tableau 4 : Statistiques descriptives rejets ......................................................................... 55 Tableau 5 : Statistiques descriptives acceptation................................................................ 56 Tableau 6 : Acceptation/Rejet – Performance du RPA, sur BD-A, en validation croisée.. 59 Tableau 7 : Acceptation/Rejet – Performance du RPA, sur BD-B, en validation croisée .. 60 Tableau 8 : Acceptation/Rejet – Performance du RPA, modèles estimés sur BD-B et testés sur BD-A .............................................................................................................................. 60 Tableau 9 : Acceptation/Rejet – Performance du RPA, modèles estimés sur BD-B et testés sur BD-A moins BD-B......................................................................................................... 61 Tableau 10 : Acceptation/Rejet – Performance des LOGIT en validation croisée............. 64 Tableau 11 : Acceptation/Rejet – Synthèse des résultats.................................................... 68 Tableau 12 : Motifs de rejets avancés par les responsables crédit...................................... 70 Tableau 13 : Faillite/Survie - Statistiques des régressions LOGIT..................................... 74 Tableau 14 : Faillite/Survie – Statistiques descriptives ...................................................... 76 Tableau15 : Faillite/Survie – Performance du RPA en validation croisée ........................ 78 viii Liste des figures Figure 1 : Elements of exit vehicles – Malburg (1999)....................................................... 12 Figure 2 : Modèle intégratif de Le Breton-Miller et al. (2004)........................................... 17 Figure 3 : Fonctionnement des RPA ................................................................................... 26 Figure 4 : Cadre théorique................................................................................................... 35 Figure 5 : Liste des variables explicatives .......................................................................... 44 Figure 6 : Construction de la base de données .................................................................... 48 Figure 7 : Validation croisée ............................................................................................... 58 Figure 8 : Hypothèses de collecte de données..................................................................... 82 ix Introduction On estime que plus de 50% des dirigeants d’entreprise du Québec prendront leur retraite d’ici 5 à 10 ans1. Or la transmission, qu’elle s’effectue à un membre de la famille, à un salarié, ou à un repreneur externe, est un moment critique dans le cycle de vie de l’entreprise. Le taux de faillite élevé lors de cette phase de relève conduit à la disparition d’entreprises viables, ce qui est préjudiciable au dynamisme de l’économie. La Commission Européenne (1994), avance que 10% des procédures de faillite dans l’Union Européenne résultent de successions mal menées. Plus près de nous, aux États-unis, des chiffres à relativiser, mais qui n’en demeurent pas moins préoccupants sont fréquemment cités. Ainsi, selon Birley (1986) et Ward (1987), seules 30% des entreprises familiales américaines parviennent à la seconde génération et de 10 à 15% à la troisième. Cette situation est coûteuse pour l’ensemble de la collectivité : les repreneurs, les banques et l’ensemble du tissu économique. Essayer d’améliorer la situation revient à s’interroger sur les facteurs de succès d’une transmission réussie. Certains ont déjà été identifiés par une branche de la littérature sur les entreprises familiales, la plupart via des études qualitatives sur des relèves réussies ou échouées. D’autres sont encore à découvrir. Dans tous les cas, les résultats déjà obtenus restent à être confirmés sur des échantillons moins « anecdotiques ». Nous avons justement cette possibilité grâce à une base de donnée initiale de près de 3000 transmissions. Mais une autre opportunité nous est simultanément offerte, celle de nous placer du côté d’un acteur expérimenté : la banque. Ainsi nous pourrons observer quels facteurs sont considérés comme importants dans l’octroi du financement d’une transmission, et lesquels devraient l’être. La première section de ce mémoire expose le processus de transmission dans sa double dimension : le transfert de direction (leadership) et le transfert de propriété. Par la suite, nous soulignons que la finance pourrait apporter d’autres pistes de facteurs de succès et 1 Source : www.adma.qc.ca – Colloque sur la relève des PME – Rencontres Jacques Cartier. 1 présentons quelques modèles empiriques d’évaluation du risque de crédit. La section trois porte sur la méthodologie de notre étude, elle décrit notre base de données, présente nos variables et nos modèles. Les sections quatre et cinq présentent nos résultats. Enfin, après avoir souligné les limites de cette étude, nous formulerons des propositions pour un protocole de recherche ultérieure. 2 1. La transmission, un processus dual Au Royaume-Uni, selon la firme Stoy Hayward Consulting (1989), 24% des entreprises familiales parviennent à la seconde génération et 14% survivent jusqu’à la troisième génération. Ces chiffres sont similaires à ceux trouvés par Birley (1986) et Ward (1987) : environ 30% des entreprises américaines parviennent à la seconde génération et 10 à 15% à la troisième. Toutefois, il convient de noter que ces données, basées sur le taux de survie des entreprises à travers les générations sont à relativiser du fait de l’attrition naturelle des sociétés au cours du temps (Aronoff, 2001). Ces disparitions ne sont pas non plus imputables en totalité aux difficultés de transmission, à une rentabilité insuffisante ou encore à la conjoncture, mais sans doute aussi aux fusions et acquisitions…Dans ces conditions, les chiffres diffusés par la Commission Européenne en 1994, sont une alternative crédible : 10% des procédures de faillite dans l’Union Européenne (U.E.) résultent de successions mal menées. Ceci concerne donc environ 30.000 entreprises et 300.000 emplois chaque année dans l’U.E. Compte tenu des enjeux, les auteurs se sont intéressés au problème de la transmission afin de pouvoir à terme réduire cette surmortalité. Nous verrons que leurs travaux ont suivi deux pistes: le transfert de direction et le transfert de propriété. Finalement, afin d’améliorer notre compréhension du phénomène, nous nous pencherons succinctement sur les écrits portant sur la faillite corporative, et sur les modèles de « credit scoring » pour les prêts commerciaux aux petites et moyennes entreprises (PME). Mais d’abord, que recouvre exactement le concept de transmission d’une entreprise ? 1.1 Définitions : transmission et succès La transmission est un phénomène complexe. Il est considéré par la majorité des auteurs comme un processus s’étalant dans le temps au cours duquel le cédant se désengage progressivement tandis que parallèlement le rôle du successeur s’accroît (Longenecker et Schoen, 1978 ; McGivern, 1978 ; Churchill et Hatten, 1987 ; Handler, 1990 ; Hugron, 1991 ; Murray, 2003). Pour citer Hugron (1991) : 3 « Le processus successoral consiste en une série d’événements, de gestes et de décisions relativement cohérents, organisés progressivement, mais avec une suite, dans le but de réalisation d’une succession », p.8. [Inoussa et St-Cyr (2000)] Barry (1975) met en évidence le caractère dual de la transmission et souligne qu’il semble utile de distinguer transfert de leadership et transfert de propriété. Hugron (1991) propose un modèle conceptuel (Cf. Annexe 1) dans lequel le processus se développe sur deux dimensions : d’une part le transfert de la direction (incubation, choix, règne conjoint, désengagement), et d’autre part le transfert de la propriété (fixation du modèle de dévolution, consultation d’experts, choix des solutions disponibles, sanction et mise en œuvre). La transmission, comme tout changement organisationnel est une étape dangereuse dans la vie de l’entreprise. Pour faire la synthèse de ses caractéristiques, on peut avancer la définition suivante : la transmission d’une entreprise est le processus regroupant l’ensemble des actions menées pour aboutir, à terme, au transfert complet du leadership et de la propriété d’une entreprise, d’un groupe de personne à un autre. Pour juger du succès d’une transmission, les auteurs ont utilisé une large palette de critères avec un niveau de raffinement et de subjectivité variable. Le plus simple étant la survie de l’entreprise au processus de succession. Puis on trouve non seulement la survie mais aussi une performance subséquente positive des indicateurs comptables ou financiers (Churchill et Hattem (1987) ; Goldberg (1996) ; Morris et al. (1997)). Par exemple Morris et al. (1997) utilisent la croissance du chiffre d’affaires, la croissance du bénéfice, la croissance du nombre d’employés et le développement de nouveaux marchés pour juger de la réussite du processus de transmission. Enfin, la satisfaction des partenaires (« stakeholders ») vis-à-vis du processus de succession est aussi utilisée comme mesure subjective du succès (CabreraSuárez et al., 2001; Dyer, 1986; Handler, 1990; Morris et al., 1997; Sharma et al., 2001). 4 1.2 Transfert de direction, facteurs de succès Comme nous l’avons déjà noté, les publications sur la succession des firmes familiales s’est beaucoup intéressée au transfert de direction. Le Breton-Miller, Miller et Steier (2004), ont effectué une importante recension des écrits publiés, sur ce thème, au cours des trente dernières années. Leur article énumère les facteurs de succès par ordre décroissant compte tenu du nombre de citation dans les articles scientifiques et ouvrages, sur la succession. Nous reprenons ci-après leur typologie2 des facteurs de succès les plus fréquemment cités dans la littérature, à savoir : les caractéristiques du dirigeant actuel, les caractéristiques du successeur, le processus de maturation et développement du successeur et enfin l’établissement de règles du jeu dans la succession (« ground rules »). 1.2.1 Caractéristiques du dirigeant actuel Les caractéristiques du dirigeant actuel peuvent se décliner en trois points. Tout d’abord la motivation du dirigeant actuel. McGivern (1978), Dyer (1986), Ward (1987), Lansberg (1988), et Handler (1990) ont mis en évidence la difficulté du dirigeant à se confronter à sa propre succession. Sharma et al. (2001), soulignent à l’issue de leur recension de textes que l’incapacité du dirigeant actuel à accepter de céder la main est l’obstacle le plus cité à une succession réussie. Levinson (1971) avance que cette difficulté provient du type de lien qui unit le dirigeant à « son » entreprise, il distingue ainsi trois schémas relationnels : l’entreprise est tantôt l’exutoire à un besoin de contrôle et d’affirmation de son autorité, tantôt un enfant ou une maîtresse, ou encore une extension de lui-même. Pour citer Danco (1980) [Handler & Kram (1988), p. 364]: “Too many family owned companies seem to suffer from ‘corporeuthanasia’, a term I use to describe the owner’s act of willfully killing off the business he loves by failing to provide in his lifetime for a viable organization with clear continuity. This disaster occurs because the owner of the business cannot face the fact that at some point he must and will be replaced”. 2 Ces auteurs construisent ensuite un modèle intégratif qui sera présenté à la fin de la section une. 5 La seconde caractéristique du dirigeant actuel est liée à sa personnalité et ses besoins. Dyer (1986), Barach & Gantisky (1995), Handler (1990), et Cabrera-Suárez et al. (2001), insistent sur l’importance de la capacité du prédécesseur à déléguer. Ceci est considéré comme vital pour que le successeur puisse se développer comme leader de l’organisation. Le dirigeant actuel doit aussi être capable de se montrer ouvert aux nouvelles idées et être en mesure de se placer dans une optique de mentorat et de collaboration. Enfin, dernière caractéristique du dirigeant actuel, la qualité de ses relations avec le successeur. Dyer (1986), Ward (1987), Lansberg (1988), Goldberg (1996), Handler (1990, 1992), et Hugron (1993) établissent tous une relation positive entre la qualité de cette relation et le succès de la transmission. Une relation basée sur le respect et la compréhension mutuelle contribue à ce que les individus se sentent reconnus, ce qui créerait un cercle vertueux de confiance et de circulation de l’information. En étudiant les MBO/MBI, Howorth et al. (2004) montrent que ces opérations sont caractérisées par un haut niveau d’asymétrie d’information. Cette asymétrie est réduite lorsque les relations entre les cédants et l’équipe qui reprend sont bonnes, ce qui augmente les chances de succès de l’opération. “The success of the deal hinges on good relationships and equal information between vendors and purchasers”. (Howorth et al., 2004, p. 510) 1.2.2 Caractéristiques du successeur Les caractéristiques du successeur qui concourent au succès de la transmission s’articulent autour de sa motivation et de ses capacités. Pour Barach et Gantisky (1995), Chrisman et al. (1998), Hugron (1993) Potts (2001b) et Sharma et al. (2001), la motivation du successeur et son engagement sont indispensables. Sharma, Chrisman et Chua (2003b), vont même jusqu’à avancer que c’est la présence d’un successeur de confiance, souhaitant prendre les rennes de l’entreprise qui est l’étincelle qui contrôle le processus de succession. Selon Handler (1992), les successeurs satisfaits par les opportunités offertes au sein de l’entreprise ont tendance à s’investir personnellement davantage, à être plus enthousiastes 6 et à considérer qu’ils ont des responsabilités adéquates. Les compétences, les performances et l’expérience à gérer une organisation sont des éléments favorisant le succès, ils apportent crédibilité au nouveau leader. Parmi ces compétences, l’étude de Chrisman, Chua, et Sharma (1998), a trouvé l’intégrité, l’aptitude à la prise de décision, l’expérience et de très bonnes qualités relationnelles. Ces mêmes auteurs soulignent aussi une modification des compétences recherchées en fonction de la taille de l’entreprise. Plus l’entreprise est de grande taille, moins les compétences techniques sont importantes, alors que l’engagement envers l’entreprise (« commitment to business »), le respect des employés, l’intelligence et la créativité deviennent des facteurs plus importants. 1.2.3 Le processus de maturation et de développement du successeur Le processus de maturation et de développement du successeur est le troisième groupe de facteurs de succès de la typologie de Le Breton-Miller, Miller et Steier (2004). Dans ce domaine, Ward (1987) a mis en évidence que la préparation du successeur à son rôle de leader était l’une des plus importantes caractéristiques des entreprises familiales ayant survécu à la transmission. Ceci inclut l’expérience accumulée dans d’autres entreprises, qui permet de développer une base de connaissance, la confiance en soi et la crédibilité (Barach et al. (1988), Dyer (1986)). Mais la préparation du successeur inclut aussi l’expérience acquise au sein de la firme. Ainsi, dans le cadre des transmissions intergénérationnelles, l’exposition précoce du successeur à l’entreprise familiale permet de le familiariser avec la firme, sa culture et ses employés, et lui donne la possibilité de développer les capacités requises (Cabrera-Suárez et al. (2001) Barach & Gantisky (1995), Barach et al. (1988), Goldberg (1996), Ward (1987)). Du point de vue de la formation initiale, Goldberg (1996) a trouvé que les successeurs efficaces détiennent un diplôme de niveau universitaire, les moins efficaces détenant quant à eux un diplôme de niveau secondaire. Morris et al. (1997) confirment cette observation puisqu’ils trouvent que le niveau d’instruction du successeur est corrélé positivement avec la performance financière subséquente. Les programmes de formation (Churchill & Hatten (1987), Ward (1987)), de même que les activités de mentorat (Dyer (1986)) ont eux aussi un impact positif sur la performance. St-Cyr et Richer (2005) en se penchant sur 115 transmissions réussies d’entreprises Québécoises 7 parviennent, en croisant niveau de formation, expérience extérieure, poste d’entrée dans l’entreprise et « autre(s) moyen(s) de formation », à distinguer sept combinaisons fréquentes (« parcours ») d’entrée du successeur. 1.2.4 L’établissement de règles du jeu Enfin, la dernière catégorie de facteurs de succès de la typologie de Le Breton-Miller et al. (2004) regroupe les Règles du jeu (« ground rules »). Il s’agit tout d’abord du partage d’une même vision sur ce que doit être la firme dans le futur, une forme de dessein commun au cédant et au successeur mais aussi aux différents acteurs du processus de transmission. Pour Lansberg (1999), cette vision du futur est indispensable pour assurer le passage d’une génération à l’autre, c’est ce « rêve collectif » qui va réunir les aspirations individuelles des différents protagonistes. Dyer (1986) a une opinion similaire puisqu’il considère que dans le cadre d’une transmission familiale, ce sont des objectifs communs (« superordinate goals ») qui vont permettre de fédérer la famille. Le second facteur de succès entrant dans cette catégorie est la planification. Sur ce point la littérature converge en faveur de l’anticipation de la succession (Ward (1987), Lansberg (1988, 1999), Handler (1990), Dyck et al. (2002), Dyer (1986)). Une succession planifiée de longue date a plus de chance de succès, ne serait ce que parce que ces activités de planification « témoignent, jusqu’à un certain point, de l’intention des prédécesseurs de se désengager véritablement et que l’intention de se désengager est une des conditions pour une transmission réussie (Sharma et al. (2001), Cadieux et Lorrain (2004)) » (St-Cyr & Richer, P5). Dyck et al. (2002) utilisent l’analogie du passage de relais en athlétisme pour souligner notamment l’importance de la séquence des événements dans la transmission. Morris et al. (1997) avancent la formalisation d’un plan de succession et la planification financière comme le facteur de succès auquel la littérature a accordé le plus d’attentions. Harvey et Evans (1994), dans le cadre d’une transmission familiale, montrent que les chances de succès d’une transmission préparée alors que le cédant est dans la trentaine ou la quarantaine sont plus fortes que lorsque le cédant est dans la cinquantaine ou la soixantaine. A ce titre, selon Cliffe (1998) le bon fonctionnement du conseil 8 d’administration (membres externes et réunions régulières) est essentiel. En effet, c’est souvent à l’initiative de cette instance qu’un plan stratégique est mis en place. Ceci rejoint le point de vue d’autres auteurs sur l’importance du rôle du conseil d’administration dans la définition et surtout l’application d’un plan de succession (Barach et Gandisky (1995), Churchill et Hatten (1987), Dyer (1986), Lansberg (1988), Sharma et al. (2001), St-Cyr et Richer (2005)). 1.3 Transfert de propriété, facteurs de succès Nous l’avons vu, l’aspect transmission de leadership est largement couvert dans la littérature. Il est surprenant de noter que le volet transmission de la propriété de la firme, soit, lui, à peine défriché, surtout si l’on se souvient que dès 1975, Barry avait souligné que la transmission était un phénomène à deux dimensions. D’ailleurs, File et Prince (1996) considèrent que la littérature sur la transmission d’entreprise s’est focalisée sur l’aspect managérial, autrement dit le transfert de direction et de leadership alors « que la transmission de propriété pourrait être un facteur tout aussi important, si ce n’est plus important, que la planification du transfert de direction »3. File et Prince (1996) trouvent ainsi en réalisant une enquête auprès de 749 entreprises familiales ayant fait faillite à la suite de leur transmission que les successeurs attribuent la disparition de l’entreprise à une planification inadéquate du transfert de propriété. Pourtant, Le Breton-Miller et al. (2004) ne recensent que trois articles touchant la répartition des actions, et deux abordant l’investissement du successeur sur un total de près de 40 articles examinés. Une fois encore la littérature est essentiellement axée sur les firmes familiales, mais puisque ces dernières représentent de loin la majorité des entreprises4, nous pouvons toutefois en tirer des enseignements. 3 p. 1, Traduction libre De 80 à 90% des entreprises américaines sont dominées par des familles. Environ 1/3 des entreprises du Fortune 500 sont familiales. Source Duman (1992), Ket de Vries (1993), cités dans Morris et al. (1997). Astrachan et Shanker (2003) trouvent que selon le caractère restrictif de la définition utilisée, il y aurait entre 3 et 24,2 millions de firmes familiales aux États-unis, ces dernières employant de 27 à 62% de la population active et contribuant à 29 à 64% du produit intérieur brut (cité dans Sharma (2004)). 4 9 1.3.1 Les étapes du transfert de propriété Le concept de transfert de la propriété d’une firme ne recouvre pas seulement le transfert des actions votantes mais doit aussi inclure le transfert des droits au vote (Ward et Dolan (1998)). Nous avions déjà présenté Hugron (1991) en précisant que sa vision du processus successoral avait le mérite de tenir compte à la fois du transfert de direction et du transfert de propriété. Intéressons nous maintenant en détail aux étapes qu’il propose concernant le transfert de propriété. Premièrement la fixation du modèle de dévolution de la propriété est essentiellement menée par le propriétaire/dirigeant qui décide du partage selon ses objectifs5. Afin de réaliser la vision du cédant, différents schémas assortis de leurs implications juridiques et fiscales sont proposés par des experts (comptables, avocats, notaires, juristes). Après la consultation des experts, vient l’étape du choix des solutions. Le choix se porte vers celles répondant le mieux aux objectifs de la famille. Enfin l’étape de la sanction correspond à la formalisation du projet retenu via la signature des documents transférant la propriété d’une génération à une autre. Ayres (1990), se concentre quant à lui sur le transfert de propriété et adopte une vision plus financière du processus, ce qui l’amène à réordonner les priorités du transfert de propriété. L’objectif premier doit être la pérennité de l’entreprise. Ensuite, c’est la satisfaction de la vision que le dirigeant a du processus de succession et de ses besoins financiers futurs qu’il faut prendre en compte. Après quoi ce sont les attentes des enfants que l’on cherchera à contenter. C’est seulement en dernier lieu que devra intervenir l’aspect fiscal : “what the tax climate provides is a check on the feasibility of the plan, not the driving force behind the plan” (Ayres, 1990, p.6). Selon l’auteur, considérer l’entreprise comme la première priorité impose notamment de se pencher sur sa santé économique : quelle est sa qualité de crédit réelle (sans garantie des 5 Ce point semble surprenant, les auteurs insistant généralement sur la concertation comme facteur de succès dans la transmission… 10 cédants), quel montant de dette supplémentaire peut-elle absorber, quelle est la vitalité de ses marchés et enfin, quelle est sa capacité à financer des personnes non productives par l’intermédiaire de : paiement de dividendes, fonds de retraite et rachats de titres (« buyouts ») à long terme ? Ayres a le mérite de remettre les choses en perspective : avant de se pencher sur la transmission du leadership comme le font les autres auteurs, il faut déjà se demander si l’entreprise est assez solide pour supporter une transmission, se poser la question de sa viabilité intrinsèque ; c’est, nous semble t-il, le point que l’auteur cherche à soulever. Il rejoint ici Dyer (1986), qui considère qu’il faut ordonnancer la transmission de telle sorte qu’elle coïncide avec le moment où le successeur est bien préparé et où l’entreprise est en bonne condition. On peut noter que toutes ces activités impliquent la planification, ce qui rejoint la branche de la littérature qui se concentre sur le transfert de direction. 1.3.2 Les stratégies de désengagement D’un point de vue financier, la cession d’une entreprise répond souvent à un besoin de liquidités du cédant. Neubauer & Lank (1998) distinguent le besoin de liquidité immédiate causé par un besoin en disponibilités inattendu, de la liquidité structurelle qui découle d’une optique de gestion de portefeuille (rééquilibrage). Il semble que ce besoin de liquidité structurelle soit répandu, les dirigeants de firmes familiales ayant généralement un portefeuille non diversifié, organisé autour de leur entreprise (Hopewell (1987)). C’est sous l’éclairage de ces deux formes de liquidité qu’il faut considérer l’article de Malburg (1999). Celui-ci propose une liste de stratégies permettant au cédant la réalisation de tout ou partie de son patrimoine investi dans la firme. On trouve ainsi : une introduction en bourse, une recapitalisation avec effet de levier (« leveraged recap »), la vente à un acheteur stratégique, la vente à un investisseur financier, une fusion, l’embauche de gestionnaires professionnels, la transmission familiale, et la vente de la firme aux employés. Dans certaines des solutions listées, la notion de transmission est discutable, le cédant étant amené à conserver une large part du leadership et/ou du capital. Ces montages 11 peuvent toutefois être considérés comme un premier pas vers une transmission effective, et demeurent donc à ce titre pertinents. Figure 1 : Elements of exit vehicles – Malburg (1999) Source : Malburg (1999) 1.3.3 Transmission familiales : dilemme équité/égalité Un sujet fréquemment soulevé dans les articles concernant le transfert de propriété dans les firmes familiales se résume au dilemme égalité ou équité. En effet, allouer les ressources de manière strictement égale aboutira probablement à une situation complexe lorsqu’il s’agira de diriger l’entreprise (Moon (1998), Ayres (1990)), d’où plus de risque d’échec. Ayres (1990) soutient que les enfants n’ont jamais été traités de manière strictement égale par leurs parents au cours de leur enfance, et qu’en conséquence rechercher l’égalité est illusoire. Il avance que les ressources que recevront les héritiers devront être adaptées à leur 12 situation (présence ou non dans l’entreprise) et allouées en cherchant à atteindre une forme d’équité. Ainsi donner une part minoritaire du capital à un enfant qui n’occupera pas de fonction dans l’entreprise n’aura que peu d’utilité (peu de pouvoir et peu de revenus y seront associés) et pourra même avoir des conséquences fiscales négatives. Dans cette situation, l’auteur recommande la création d’actions à dividendes préférentiels (si possible fixes et cumulatifs) qui seraient plus appropriés, les actions ordinaires et les droits de vote qui s’y rapportent revenant aux nouveaux dirigeants familiaux qui pourront ainsi asseoir leur leadership. Parmi les autres moyens évoqués par l’auteur pour favoriser l’équité entre les enfants actifs et ceux inactifs dans l’entreprise on trouve la cession de biens immobiliers appartenant à l’entreprise aux inactifs, qui pourront ensuite le donner en location à l’entreprise, ou encore le co-investissement (« joint investments »). 1.3.4 Facteurs de succès Une autre spécificité des transmissions des entreprises au sein de la famille est, aux dires des praticiens, que leur valorisation demeure particulièrement raisonnable. Tel qu’entendu parfois, le montant de la transaction est établi sur une base conservatrice ; on parle alors de juste valeur non maximisée de la firme6. A l’inverse, Malburg (1999), en parlant de l’ensemble des entrepreneurs désirant céder leur entreprise, note que la grande majorité des cédants a tendance à surévaluer son entreprise. Il relève ainsi que : « most owners have only a slightly inflated perception of their companies value, a few are out of the galaxy entirely; a minority actually underestimate their companies’ worth ». Malburg (1999, p.45) Le problème d’une valorisation excessive est aussi soulevé par une étude de la BDPME de 1998 qui souligne qu’une valorisation trop élevée, et/ou un endettement trop lourd (les deux étant liés) sont souvent une cause de défaillance. En effet, l’endettement lié à la 6 Le vendredi 8 octobre 2004, à l’université Laval (Québec, Canada), dans le cadre des 17emes entretiens du centre Jacques Cartier. 13 transmission représente pour l’entreprise un prêt stérile, celui-ci servant essentiellement à payer la firme plutôt qu’à investir. Ces éléments sont notamment repris dans les critères de décision de la BDPME : - Endettement consolidé après programme/MBA7, ce ratio devant être inférieur à 4. - Valorisation/Résultat Net, ce ratio devant être inférieur à 7. - Dividendes8 nécessaires pour faire face au remboursement des emprunts bancaire/Résultat Net, ce ratio devant être inférieur à 70%. L’étude BDPME (1998) confirme que les transmissions familiales sont effectuées sur des bases raisonnables, le ratio Valorisation/MBA étant de 3, contre 3.8 pour l’ensemble des transmissions. D’une manière générale, des prélèvements trop élevés du cédant ont été identifiés comme un facteur pouvant mettre en cause la pérennité de l’entreprise (Ayres (1990), Bork et al. (1996)). Nous aurons l’occasion d’observer dans l’étude empirique si une valorisation raisonnable de la firme est effectivement un facteur de succès important d’une transmission réussie. 1.4 Mise en perspective Jusqu’à présent, nous nous sommes penchés sur les deux branches de la littérature concernant la transmission d’entreprise. Il nous semble qu’une mise en perspective de ces éléments est ici nécessaire. Un premier pas est franchi avec l’article théorique de Burkart, Panunzi et Shleifer (2003) qui modélise simultanément la décision concernant le transfert de direction (transmission à un membre de la famille ou embauche d’un gestionnaire 7 La Marge Brute d’Autofinancement (MBA), aussi appelée Capacité d’autofinancement se calcule à partir du résultat de l’exercice auquel on ajoute les dotations aux amortissements et provisions, et la valeur comptable des éléments d’actifs cédés. On retranche de ce montant les reprises sur amortissements et provisions, les produits de cessions des éléments d’actifs cédés, et la quote-part des subventions d’investissement virée au compte de résultat. 8 Que l’entreprise soit reprise via une holding, ou en propre par le repreneur, ce sont les dividendes versés qui permettent en grande partie de rembourser l’emprunt contracté. Si une trop grande part du résultat net est distribuée pour financer la reprise, les investissements opérationnels risquent d’en souffrir, ce qui affaiblira la société. 14 professionnel), et la décision concernant le pourcentage du capital de l’entreprise à transmettre. Dans un second temps, nous présentons le modèle intégratif développé par Le Breton-Miller et al. (2004). 1.4.1 Le modèle théorique de Burkart et al. (2003) Il faut noter que cet article ne concerne pas directement les facteurs de succès d’une transmission. Toutefois comme il fait intervenir simultanément transfert de direction et transfert de propriété, qu’il a été publié dans une revue prestigieuse (Journal of Finance), et qu’il fournit une modélisation du processus de transmission, nous choisissons de nous y attarder. Burkart et al. proposent un modèle de transmission pour les firmes familiales. Dans celuici, le fondateur fait un choix entre l’embauche d’un gestionnaire professionnel et le transfert de direction à ses héritiers. Simultanément il décide de la proportion du capital à coter en bourse. Les auteurs posent comme hypothèse que la firme sera mieux gérée par un gestionnaire professionnel plutôt qu’un membre de la famille. Toutefois, la conservation du contrôle par la famille présente des avantages. Les auteurs avancent trois arguments : - Le potentiel d’agrément (Demsetz & Lehn, 1985), c'est-à-dire des avantages nonpécuniaires liés au contrôle de la firme. Par exemple, le plaisir pour le fondateur de voir la firme qui porte son nom dirigée par un de ses enfants. - Le fait que la famille apporte une réputation en termes économiques ou politiques à l’entreprise. Les auteurs citent ici l’exemple de la famille Agnelli en Italie, impliquée dans le groupe Fiat et dans les milieux politiques. - Le fait que la présence de la famille limite le risque d’expropriation par le gestionnaire professionnel, au détriment des actionnaires minoritaires. Ceci s’insère dans un cadre d’analyse construit autour de la théorie des coûts d’agence (Jensen & Meckling, 1976). Par ailleurs, il est posé comme hypothèse qu’il n’y a pas de gestionnaire disponible ayant à la fois des capacités supérieures et disposant des ressources financières pour racheter 15 l’ensemble de la firme. Il ne reste alors que trois options au fondateur. Premièrement la vente complète de l’entreprise sur les marchés financiers, celle-ci étant alors gérée par un gestionnaire professionnel. Deuxièmement, l’embauche d’un gestionnaire professionnel, la famille conservant dans ce cas un bloc d’actions important afin de surveiller (« monitor ») le gestionnaire. Troisièmement, le fondateur peut conserver l’entreprise dans la famille en confiant la direction à l’un de ses héritiers, celui-ci étant par hypothèse rarement un aussi bon gestionnaire qu’un professionnel. Compte tenu de ces contraintes, le cédant choisira l’option qui maximisera son bien être. Ce bien être étant la somme de la valeur du bloc d’actions conservé, du revenu résultant des actions cédées et du potentiel d’agrément obtenu si la famille garde le contrôle. Les auteurs mettent en évidence que lorsque le potentiel d’agrément lié à la conservation du contrôle de l’entreprise est grand, propriété et direction ne sont jamais séparées. A l’inverse, direction et propriété sont toujours séparées lorsque l’écart entre les aptitudes de gestion du successeur et d’un professionnel est grand et que le potentiel d’agrément est faible. Mis à part ces deux extrêmes, la décision de conservation du contrôle dans la famille dépendra de la qualité de la protection légale des investisseurs minoritaires. 1.4.2 Le modèle intégratif de Le Breton-Miller et al. (2004) Le modèle intégratif développé par Le Breton-Miller et al. (2004) semble tout à fait adapté pour une mise en perspective de la littérature. Il reprend à la fois les éléments listés dans la littérature sur le transfert de direction (caractéristiques du dirigeant actuel, caractéristiques du successeur, processus de maturation et de développement du successeur, établissement de règles du jeu dans le processus de succession), dans celle sur le transfert de propriété et ajoute des facteurs liés à l’environnement de la firme et de la famille, qui influencent le processus de transmission. 16 Figure 2 : Modèle intégratif de Le Breton-Miller et al. (2004) Source : Le Breton – Miller et al. (2004) 17 2. Les apports des modèles financiers Les facteurs liés à l’environnement de l’entreprise, présentés dans Le Breton-Miller et al. (2004), nous laissent penser que la littérature sur le risque de crédit pourrait offrir des pistes intéressantes. De par des variables essentiellement financières, elle est susceptible de constituer une approche complémentaire aux facteurs de succès déjà listés. Cette manière de procéder s’inscrit d’ailleurs dans le prolongement de l’étape une de Ayres (1990) qui vise à s’interroger sur la solidité de la firme. Les premiers modèles permettant de prédire la faillite de compagnies ont été développés à la fin des années 60. Ceux-ci sont essentiellement empiriques, et l’absence d’un cadre théorique unifié sous-jacent reste une limite importante. L’utilisation de ratios pour prédire la faillite remonte aux articles de Beaver (1966, 1968) et Altman (1968). 2.1 Beaver (1966) Beaver (1966) a utilisé une définition large de la faillite. En plus de la classique banqueroute, il a ajouté le défaut sur les obligations, les dépassements de découvert bancaire et le non paiement des dividendes préférentiels. Son échantillon est de 90 firmes survivantes sur un total de 160 environ. Sur les 30 ratios examinés, 3 semblent le mieux prédire la faillite : « Cash flow/Total assets », « Net income/Total debt », « Cash flow/Total debt ». Le premier ratio semble un excellent indicateur puisque utilisé seul, dans l’échantillon de contrôle, son taux de mauvaise classification, un an avant est de 10%, et de seulement 28% cinq ans avant la faillite. L’article de Beaver (1966) marque en quelque sorte la genèse des théories modernes de la faillite ; il a contribué à montrer que les ratios financiers contiennent de l’information pertinente. Toutefois, son étude est construite sur une base univariée, ce qui ne permet pas d’identifier clairement, dans la régression, la variable la plus pertinente. 2.2 Altman et al (1977) Par la suite les modèles développés ont fait appel à un nombre plus élevé de ratios et utilisé l’analyse discriminante. Le plus connu est sans doute le model ZETA de Altman, 18 Haldeman et Narayanan (1977). Cet article s’inscrit dans la lignée de Altman (1968), modèle utilisant déjà l’analyse discriminante, dont quelques variables sont reprises en 1977 ; mais en 1977, les auteurs ne se limitent pas aux entreprises manufacturières et incluent le commerce de détail. Cela les conduit à effectuer un certain nombre de retraitements comptables (baux considérés comme des dettes, consolidation des filiales, retraitements de la recherche et développement, des réserves non constituées contre un risque, du fonds commercial (« goodwill ») et des intangibles). Les variables utilisées sont reprises dans le tableau 3 de Scott (1981), reproduit plus loin en 2.5. On peut noter que les auteurs font appel à des données de marché (actions) et à des données comptables (flux financiers et ratios). 2.3 Merton (1974) et modèles de type KMV L’utilisation de données de marché s’est amplifiée avec l’introduction à la fin des années 1980 des modèles de type KMV. En l’occurrence, celui-ci est basé sur les travaux de Merton (1974) qui a mis en évidence qu’une action pouvait être assimilée à une option d’achat avec, pour sous-jacent, les actifs de la firme, et un prix d’exercice égal à la valeur nominale de la dette. A partir des cours boursiers d’une entreprise, et sous les hypothèses posées par le modèle KMV, il est alors possible d’extraire les deux paramètres non observables : la volatilité et la valeur du sous-jacent. Après avoir inféré ces données, et en spécifiant que la probabilité de défaut est une fonction de densité cumulative normale, il est in fine possible d’évaluer le risque de faillite de cette firme. On considère généralement que la performance de ce modèle pour les firmes cotées est bonne. Par contre, les développements ultérieurs visant à appliquer le modèle à des firmes non cotées (ce qui implique que la valeur de la firme est plus difficilement déterminable) se sont révélés moins performants. 2.4 Autres approches (credit scoring, PME) Parallèlement, de nouvelles méthodes non paramétriques sont apparues et ont été appliquées avec succès à la prévision de la faillite : c’est le cas du partitionnement récursif (Frydman et al. (1985)), des réseaux de neurones (Coats et al. (1993)) et des algorithmes 19 génétiques (Varetto, 1998). Nous aurons d’ailleurs l’occasion de revenir en détail sur le fonctionnement du partitionnement récursif dans le cadre de notre méthodologie. Domaine connexe, le champ d’étude spécifiquement dédié à l’évaluation du risque de crédit des petites et moyennes entreprises par les banques s’est lui aussi développé. Tsaih et al. (2004), de même que Berger et Frame (2005) soulignent que les petites entreprises sont très opaques. Il y est difficile d’avoir accès à des informations fiables car les comptes sociaux sont essentiellement réalisés dans un but fiscal. C’est pourquoi les modèles de « credit scoring » dédiés au micro crédit pour les PME (moins de 250 000 dollars US) se basent essentiellement sur les données personnelles de crédit du dirigeant, complétées par des données financières de la firme. Le modèle de Tsaih et al. (2004) est ainsi construit sur un Probit qui inclut quatre familles de variables : des informations sur la firme, des informations sur l’historique de crédit du détenteur principal, des informations sur l’historique de crédit de la firme et des variables mesurant les effets d’industrie. Il est testé sur 41 000 firmes Taiwanaises (6000 défauts de paiement et 35000 non défaut). Parmi les variables significatives, on trouve l’âge de la firme, les prêts personnels, une variable binaire indiquant si le dirigeant siège à d’autres conseils d’administration, l’historique de défaut des cartes de crédit, la fréquence de consultation du fichier de crédit de l’entreprise et du propriétaire principal, l’endettement à court et long terme de la firme, les garanties, le secteur industriel, la variation des indices industriels et les principaux indicateurs macro-économiques. Ces auteurs parviennent à un taux de bonne classification, voisin de 80% pour les firmes en faillite. Malheureusement les auteurs ne donnent pas d’informations sur le signe des variables significatives ni sur les tests de « robustesse » effectués. Selon Berger et Frame (2005), les modèles de type « small business credit scoring (SBCS) », de plus en plus utilisés aux États-unis depuis une dizaine d’années, reposent principalement sur des variables relatives à l’entrepreneur, notamment : son revenu, son patrimoine net, le montant de sa ligne de crédit autorisée (« available credit »), ses défauts de paiement précédents (« delinquencies ») et ses éventuelles faillites passées. Des 20 variables complémentaires concernant la firme sont aussi utilisées : ratios financiers (profitabilité et effet de levier), préexistence de difficultés de crédit (selon les informations collectées auprès des agences de crédit : Dun & Bradstreet, Expedian…) et secteur d’activité (code SIC). Berger et Frame (2005) soulignent que la grande majorité des banques (près de 81%) utilisent des modèles SBCS développés par des prestataires externes. Le plus important d’entre eux étant Fair, Isaac and Company qui a lancé son premier modèle en 1995, sur la base de 5000 demandes de prêts commerciaux collectés sur cinq ans et provenant de 17 banques américaines. Ce modèle trouve notamment que l’historique de crédit du dirigeant d’une PME est plus significatif pour prévoir la performance du prêt commercial de cette entreprise que sa rentabilité (Mester, 1997). Toujours selon Berger et Frame (2005), la majorité des banques utilisant un modèle SBCS le font sur des prêts d’un montant inférieur à 250 000 dollars US; seules 21% utilisent ce type d’outil pour des prêts d’un montant compris entre 250 000 et un million de dollars US. 2.5 Tableau de synthèse des variables financières Tableau 1 : Synthèse des variables financières selon Scott (1981) Ratios used in the representative multidimensional studies (listed roughly in order of their importance in the discriminant function); Table 3, J. SCOTT (1981) Altman (1968) Deakin (1972) Sinkey (1975) Altman, Haldeman, Narayanan (1977) EBIT/TA, Sales/TA, Stock/TD, RE/TA, WC/TA WC/TA, CA/CL, TD/TA, QA/Sales, QA/TA, Cash/TA, Cash/Sales, CA/TA, Cash/CL, NI/TA, CA~Sales, Cash Flow/TD Other expenses as %R, Loans as %R, OE/Operating income, Loans/(capital plus reserve), state and local obligations as %R, (cash plus U.S. treasury securities)/TA, Loans/TA, Provision for loan losses/OE, U.S. treasury securities as %R, Interest paid on deposits as %R. RE/TA, Standard deviation of EBIT/TA around a ten-year trend, Stock/TC, CA/CL, Logarithm of TA, EBIT/TA, Logarithm of EBIT/Total interest payments. CA = current assets, CL = current liabilities, EBIT = earnings before interest and taxes, NI = net income, QE = operating expense, QA = quick assets (cash, marketable securities, and accounts receivable), as %R = as a % of revenue, RE = retained earnings, Stock = total market value of common stock in Altman, Haldeman, and Narayanan, and common plus preferred stock in Altman, TA = total assets, TC = total capital, TD = total debt, WC = working capital. 21 3. Recherche empirique La recension des textes a mis en évidence un certains nombre de pistes, desquelles nous allons pouvoir tirer des hypothèses à tester. Cette section vise à présenter les principaux éléments de la recherche empirique que nous allons mener. Nous débutons par l’approche du problème, qui sera notre fil conducteur, et qui expose en quelque sorte la philosophie de ce que nous tenterons de réaliser. Par la suite, nous présentons les outils statistiques que nous allons employer. La banque de données jouant un rôle essentiel dans une étude quantitative, nous prendrons le temps de la décrire et aborderons succinctement les difficultés auxquelles il nous faudra faire face dans son utilisation. Enfin, lorsque nécessaire nous expliciterons le mode de construction des variables, et poserons nos hypothèses. Précisons d’ores et déjà que la méthodologie de construction des échantillons et l’étude des résultats feront l’objet des deux sections suivantes (4 et 5). 3.1 Approche du problème Le présent mémoire a pour objet de mettre en évidence les facteurs de succès d’une transmission de PME réussie. Pour cela, nous allons principalement nous appuyer sur le savoir accumulé par un acteur expérimenté (la BDPME), pour extraire de ses décisions les facteurs de succès qu’il considère comme déterminants. Cette approche est similaire à celle de Coats et Fant (2003) qui, pour améliorer les modèles de prédiction de faillite, se sont intéressés aux éléments utilisés par les vérificateurs comptables pour émettre, dans les états financiers d’une entreprise, un avis de réserve sur la continuité de l’exploitation (« going concern opinion »). Pour reprendre leurs propres mots: “The experts, in making their assessments, have implicitly imposed their insights and intuition cultivated over years of on-the-job experience. Our research objective is to formalize this ingrained, unarticulated knowledge of the experts by uncovering consistencies between the experts' conclusions and the recurring patterns in the financial data.” (Coats et Fant, 2003, p.143). 22 Notre étude reposera sur deux niveaux d’analyse. Dans un premier temps, nous nous concentrons sur la décision d’attribution de crédit. Autrement dit, ex-ante quelles sont les variables utilisées par la banque dans sa décision de contre garantir l’emprunt. Ici, c’est donc sur les connaissances de la banque que nous nous appuierons. Par la suite, en nous penchant sur les échecs dans les transmissions réalisées, nous chercherons à mettre en évidence d’autres variables pertinentes. L’objectif est ici d’extraire le maximum d’informations des données pour tenter d’enrichir la méthode de filtration (« screening ») de la banque. Nous définissons un échec de la transmission comme la situation dans laquelle le dossier de contre garantie est placé en contentieux. Autrement dit, il y a échec lorsque le créancier (le repreneur ou toutes structures qu’il a pu substituer à luimême) fait défaut sur le prêt ayant financé la transmission. 3.2 Méthodes employées Nous emploierons deux méthodes pour tenter d’identifier les facteurs de succès d’une transmission de PME. L’une appartient à la famille des méthodes non paramétriques, et présente entre autres avantages une grande tolérance aux données extrêmes ; elle est aussi capable de supporter les données manquantes. La seconde méthode est plus classique, il s’agit du Logit, un modèle économétrique utilisé lorsque la variable expliquée est de type qualitatif. Nous présentons ci-après chacune de ces méthodes, en insistant sur le partitionnement récursif, qui est souvent moins connu. 3.2.1 Logit9 Le développement de modèles permettant de prédire des variables qualitatives multiples remonte aux années 1940-50. Utilisés d’abord dans le domaine de la biologie (pour l’anecdote : dose d’insecticide optimale à utiliser pour tuer les insectes), de la sociologie et 9 Cette section est basée sur le cours de Christophe Hurlin (2003) pour la maîtrise en économétrie, de l’Université d’Orléans, France. 23 de la psychologie, ces modèles ne seront utilisés pour des applications économiques qu’avec les travaux de MacFadden (1974a) et Heckman (1976)10. Dans cette catégorie de modèles, on peut distinguer le Logit, le Probit et le Tobit. Intéressons nous au Logit. Celui-ci admet, pour variable expliquée, la probabilité d’apparition d’un événement, conditionnellement aux variables exogènes. Cette probabilité, comme le nom du modèle l’indique, suit une distribution logistique. On a ainsi le modèle suivant: où F(.) désigne la fonction de répartition, Avec, dans le cas du Logit, : Pour un échantillon de N individus, indicés , on observe pour chaque individu si un certain événement s’est réalisé, et l’on note la variable codée associée à cet événement. Pour où , on pose : désigne un vecteur de caractéristiques observables et où est un vecteur de paramètres inconnus. 10 Tous deux prix Nobel d’économie en 2000. 24 L’objectif est ici d’estimer le vecteur β. Pour cela, on utilise le maximum de vraisemblance (noté L(.) ). Sans reproduire la démonstration complète ici, il faut souligner que le système ci-dessous, qui donne la solution, n’est pas linéaire. En conséquence, on doit utiliser un algorithme d’optimisation numérique. Pour juger de la qualité de l’ajustement par cette catégorie de modèles économétriques, on peut notamment utiliser les critères suivants: - le taux de mauvaise classification. Il faut souligner ici que selon Hurlin (2003), celui-ci a comme principale limite de pénaliser les erreurs de manière identique, indépendamment de l’écart entre la probabilité prédite et celle réalisée. Par exemple, si la probabilité réelle est de 1, cette mesure ne distingue pas l’importance de l’erreur entre une probabilité prédite de 0,49 et une autre probabilité prédite de 0.01. - la somme des carrés des résidus. C’est le classique R2, qui ne souffre pas de la critique précédente. Toutefois, il doit être adapté (les modèles dichotomiques sont hétéroscédastiques), on utilise alors le R2 de Efron. - Le R2 de MacFadden (1974), il s’agit d’une normalisation de la Log – Vraisemblance. Il est particulièrement adapté pour comparer des modèles de dimensions différentes. 25 3.2.2 Partitionnement récursif La famille des algorithmes de partitionnement récursif (RPA) est née avec l’article fondateur de J. Friedman (1977) à la fin des années 70. Cette technique est basée sur la reconnaissance de schémas (« pattern ») ; elle recherche automatiquement les relations importantes et peut détecter des structures cachées au sein de bases de données complexes. Son représentant le plus célèbre est le logiciel CART, acronyme de « Classification and Regression Tree », version commerciale de la méthode développée par Breiman et al. (1984). 3.2.2.1 Fonctionnement des RPA Les RPA appartiennent à la classe des méthodes non paramétriques et plus spécifiquement au groupe des méthodes d’arbres de classification binaires. Ceux-ci sont construits en divisant successivement l’échantillon « X » de départ en deux sous-échantillons : « X1 » et « X2 ». Puis à leur tour ceux-ci sont de nouveau séparés en deux sous-échantillons, et ainsi de suite pour chaque nœud, selon le modèle ci après. Figure 3 : Fonctionnement des RPA t PL s tL PR tR La première étape consiste à déterminer le critère à utiliser pour séparer l’échantillon. Pour cela il est généralement fait appel à une fonction d’impureté (critère de Gini). Puisque l’on cherche à réduire l’hétérogénéité au fur à mesure du découpage en sous-ensembles, celle-ci doit être spécifiée de telle manière que l’impureté soit plus grande lorsque toutes les classes 26 sont également mélangées et plus petite lorsque le sous-échantillon ne contient qu’une classe. Concrètement, pour sélectionner une question parmi l’ensemble Q des questions, on mesure la baisse de l’impureté qu’engendrera cette division. Breiman et al. (1984) dans leur ouvrage de référence sur le partitionnement récursif utilisent la mesure suivante : ∆i ( s, t ) = i (t ) − p L i (t L ) − p R i (t R ) Où : i(t) est la mesure d’impureté au nœud t s est la question testée tL et tR sont les sous échantillons créés par s en t PL est la proportion d’observations de t qui iront en tL PR est la proportion d’observations de t qui iront en tR Ces auteurs, définissent la fonction d’impureté comme : “An impurity function is a function Φ defined on the set of all J-tuples of numbers (p1, …, pj) satisfying pj ≥ 0, j = 1, …, J, Σjpj = 1 with the properties (i) ⎛1 1 1⎞ Φ is a maximum only at the point ⎜⎜ , ,K, ⎟⎟ , j⎠ ⎝j j (ii) Φ achieves its minimum only at the points (1, 0, …, 0), (iii) Φ is a symmetric function of p1, … , pj. Given an impurity function Φ, define the impurity measure i(t) of any node t as i (t ) = φ ( p (1 t ), p (2 t ),L, p ( j t )) ” Breiman et al. montrent que maximiser ∆i ( s, t ) , revient à minimiser l’impureté totale de l’arbre. La seconde étape consistera à affecter les nœuds terminaux obtenus. En d’autres termes, comment les étiqueter et déterminer la catégorie à laquelle ils appartiennent ? 27 La première option envisagée consistait à affecter la classe j (avec j ∈ {1,L ,J }) au nœud ~ ~ terminal t (soit T l’ensemble des nœuds terminaux, t ∈ T ) lorsque p ( j t ) était le plus grand. Mais cela revient à considérer que les coûts de mauvaise classification sont identiques. Ce qui, pour le sujet qui nous intéresse, n’est pas réaliste. Lorsqu’une banque ne prête pas à un client, elle perd sa marge sur le crédit, alors que si elle prête à un client qui fera faillite, elle perd l’encours du prêt ou une partie de celui-ci. Soit C (i j ) le coût résultant de la classification de l’observation j comme une observation i. Ce coût est positif ou égal à zéro pour tout i différent de j, et il est égal à zéro pour i = j. La règle d’étiquetage du nœud terminal est alors donnée par la définition suivante : “Put j * (t) = i 0 if i0 minimizes ∑ C (i j ) p( j t ) ” J Maintenant, comment s’assurer que l’arbre ne grandisse pas exagérément et que nous aboutissions au cas extrême où les derniers sous-échantillons ne contiennent plus qu’une observation ? Les règles d’arrêt n’ayant pas donné satisfaction (ex : arrêter la pousse de l’arbre lorsque le nombre d’observations dans un nœud devient inférieur à un certain seuil fixé arbitrairement), la méthode qui a été finalement adoptée est de laisser l’arbre se diviser jusqu’à ce que le nombre d’observations dans les nœuds terminaux devienne très petit. Ensuite il s’agit de recombiner cet arbre en partant du bas vers le haut, en plusieurs sousarbres. Enfin, par validation croisée, le sous-arbre ayant le taux de mauvaise classification le plus bas est sélectionné. 28 3.2.2.2 Avantages et inconvénients des RPA Il faut noter que le partitionnement récursif présente de nombreux avantages, comparé notamment aux approches paramétriques : ¾ Prend en charge des variables continues et des variables catégoriques (Breiman et al.,1984). ¾ Le résultat (« output ») qu’il produit est facile à interpréter (Breiman et al.,1984 ; Sorensen et al.,2000) ¾ Utilise l’information conditionnelle (Breiman et al.,1984). ¾ La sélection des variables est réalisée de manière automatique (Breiman et al., 1984). ¾ Produit des probabilités de mauvaise classification pour les observations (Breiman et al., 1984). ¾ Les arbres obtenus sont invariants aux transformations monotones des variables (Breiman et al., 1984 ; Espahbodi et al., 2003). ¾ Les résultats obtenus sont particulièrement robustes pour ce qui touche aux données extrêmes (Breiman et al., 1984 ; Espahbodi et al., 2003). ¾ La méthode est tolérante aux données manquantes (Espahbodi et al., 2003) ¾ Prend en compte les non linéarités dans les données (Sorensen et al., 2000) ¾ Aucune hypothèse n’est faite quant à la distribution des variables (Espahbodi et al., 2003). Par contre : ¾ De grands échantillons sont souvent requis (selon Steinberg & Colla, 1995, p.21, un minimum de 200 observations est nécessaire pour développer un arbre dont la variable indépendante est binaire). ¾ Biais de re-classification vers le haut (Espahbodi et al., 2003). ¾ Donne des systèmes de « scoring » discontinus, ce qui ne permet pas de comparer des firmes au sein d’un même nœud terminal (Espahbodi et al., 2003). ¾ Méthode peu utile lorsque la relation est essentiellement linéaire (Espahbodi et al., 2003). 29 3.2.2.3 Quelques études précédentes Comme l’indiquent les contributions de Frydman et al. (1985) et McKee & Greenstein (2000), le partitionnement récursif appliqué à la prévision de faillite peut se révéler un outil intéressant. Frydman et al. (1985), font le constat que l’utilisation de méthodes paramétriques en finance soulève un certain nombre de problèmes statistiques : violation des hypothèses de normalité, problèmes de dimensionnalité, interprétation de l’importance relative des variables individuelles, problèmes de spécifications, interprétation des tests de prédiction des séries chronologiques (« time-series prediction test interpretation »). Ils vont donc évaluer la performance de méthodes non paramétriques. L’objectif de leur article est d’appliquer le partitionnement récursif à la classification des compagnies sujettes à des difficultés financières et de comparer les résultats obtenus à ceux donnés par la méthode de l’analyse discriminante. Leur échantillon comprend 58 entreprises industrielles en faillite sur la période 1971-1981. Le reste de l’échantillon est composé de 142 firmes n’ayant pas fait faillite, celles-ci ayant été sélectionnées au hasard. Sur la base d’études précédentes, 20 variables financières ont été utilisées. La probabilité de faillite a priori utilisée dans le modèle était de 2%. Des analyses de sensibilité ont été effectuées en faisant varier les coûts de mauvaise classification de 1 à 70. Deux arbres différents sont présentés : le premier est celui considéré comme optimal par le logiciel après validation croisée cinq fois, le second est un arbre volontairement plus complexe. La variable « Cash Flow/Total debt » est toujours la plus importante, quel que soit l’arbre considéré. Ensuite, viennent les variables : « Cash/Total Sales », «Total Debts/Total Assets », « Log (Interest Coverage + 15) », « Quick Assets/Total Assets ». Deux modèles d’analyse discriminante sont proposés l’un avec 10 variables, le second avec 4 variables (« Net Income/Total Assets », « Current Assets/Current/Liabilities », « Log (Total Assets) », « Market value of equity/Total Capitalization »). Dans la plupart des cas, le modèle de partitionnement récursif complexe domine tous les autres modèles, lorsque l’on 30 mesure sa performance sur l’échantillon initial. Par contre, lorsque la mesure de la performance est effectuée par validation croisée (c'est-à-dire sur des données qui n’ont pas servis à estimer le modèle initial), c’est le modèle de partitionnement récursif complexe qui est le pire. Le modèle de partitionnement récursif simple, quant à lui, donne de bonnes performances en validation croisée ; il bat dans la plupart des cas les autres modèles. L’étude de McKee et Greenstein (2000), vise à tester des méthodes de prévision de faillites corporatives, ceci dans le cadre des missions des cabinets d’audit comptable. Ces cabinets d’audit, lorsqu’ils certifient les comptes doivent en cas de risque de banqueroute en faire part dans leur rapport. Ils sont régulièrement poursuivis par des créanciers pour avoir omis de le faire. Trois méthodes sont en compétition : un modèle LOGIT, un réseau de neurones, et le partitionnement récursif (algorithme de type ID3). Les auteurs mettent en garde contre un biais de certaines études dont les échantillons sont répartis à 50/50 entre firmes en faillite et firmes survivantes, ce qui ne reflète pas la réalité (environ 1% de faillites selon les rapports de la Securities Exchange Commission). L’échantillon (14 000 firmes au total) utilisé dans leur étude sera donc constitué de manière à contenir 1% de firmes ayant fait faillite. En termes méthodologiques, les modèles sont développés sur une période de quatre ans dans un intervalle 1981-1989, puis testés en mode prévision sur l’année suivant la fin de la période (1986, 1987, 1988, 1989, 1990). Ceci permet de s’assurer qu’aucune entreprise présente dans l’échantillon de développement ne se retrouve dans celui de validation (prévision). Les variables utilisées sont les ratios identifiés par Hopwood et al. (1989) : « Net Income / Total Assets » (= ROA), « Current Assets / Total Assets » (= CR), « Current assets / Current Liabilities », « Cash / Total Assets », « Current Assets / Sales », « Long Term Debt / Total Assets ». 31 Le modèle basé sur le partitionnement récursif n’utilise que les deux premières variables : “IF the CR is greater than or equal to 0.64 AND IF the ROA is greater than or equal to 0 THEN the firm will not go bankrupt ELSE the firm will go bankrupt” En prédiction, pour l’ensemble de l’échantillon, le modèle de partitionnement récursif a une performance de 95 à 97%, soit mieux que le LOGIT et le réseau de neurones. Il surpasse aussi ses concurrents pour prévoir les non faillites. Par contre, lorsqu’il s’agit de prévoir l’appartenance au groupe des faillites, il se classe dernier (entre 33% et 58% de bonnes classifications), contre 50 à 75% pour le réseau de neurones et 42 à 79% pour le LOGIT. Cette mauvaise performance pourrait provenir du fait que le modèle de partitionnement récursif a été dérivé d’un échantillon contenant 50% de faillites et 50% de non faillites, alors que les deux autres modèles proviennent d’un échantillon idéalement proportionné (1/99%). L’auteur conduit ensuite des analyses de sensibilité en modifiant la valeur des seuils fixés pour le partitionnement récursif, ce qui lui permet d’améliorer sa performance pour prévoir les faillites, mais se traduit par une hausse de l’erreur sur le groupe des non faillites. Finalement, il conclut que le partitionnement récursif est particulièrement efficace pour minimiser les erreurs de type I (mauvaise classification d’une non faillite en faillite), alors que le réseau de neurones et le LOGIT permettent de minimiser l’erreur de type II (mauvaise classification d’une faillite en non faillite). Les méthodes ont donc une certaine complémentarité. 32 3.3 Origine des données Nos données proviennent de la Banque du Développement des PME11, qui depuis 1984 contre-garantit des opérations de transmission de petites et moyennes entreprises (PME) françaises. La BDPME est une institution semi-publique, mise en place par le gouvernement, qui intervient au côté des banques commerciales. Son champ d’action se limite au financement des PME via plusieurs fonds dédiés : création, développement, restructuration financière, transmission etc. Chaque année, ces fonds font l’objet d’une dotation en capital de la part de l’État, ces montants sont ensuite utilisés par la BDPME pour couvrir le risque résiduel qu’elle supporte lors de ses opérations de contre-garantie. Pour mieux comprendre la nature des données dont nous disposons, prenons l’exemple suivant : un salarié souhaite reprendre l’entreprise dans laquelle il travaille, son dirigeant actuel comptant prendre sa retraite d’ici quelques mois. Le repreneur, s’adresse alors à une banque commerciale pour obtenir un prêt qui, jumelé à ses apports personnels, lui permettra de financer le rachat de l’entreprise. Trois cas de figure sont alors possibles : le dossier est excellent et il est accepté, le dossier est tangent, le dossier présenté n’est pas viable et il est alors refusé. Ce sont les dossiers tangents qui sont transmis à la BDPME. Dans ces cas de figure, même si l’incertitude pour la banque commerciale est très élevée, elle se montre toutefois prête à financer le projet à condition d’être contre-garantie. Concrètement, le dossier est étudié par les analystes de la BDPME; si l’avis est positif, la perte résiduelle de la banque commerciale sur le prêt qu’elle consentira, sera supportée par la BDPME à hauteur d’une quotité déterminée (généralement 50%). En échange, le repreneur versera annuellement pendant la durée du prêt à la BDPME une prime généralement fixée à 0,70% de l’encours du prêt. Les données dont nous disposons ne couvrent donc pas tout le spectre des transmissions de PME, puisque les dossiers les meilleurs, et les dossiers les pires ne parviennent que très rarement à la BDPME. Le fait que cette institution se concentre sur les dossiers tangents est 11 Aujourd’hui Oséo-BDPME. Oséo-BDPME (www.bdpme.fr) est une filiale de la Caisse de Dépôts et Consignations, une institution financière détenue par l’état Français, en charge de missions d’intérêt général (www.caissedesdepots.fr). 33 d’autant plus intéressant que cela a dû lui permettre de développer des capacités d’analyse plus poussées que celles des banques commerciales. La BDPME utilise, comme définition de la PME, celle proposée par la commission Européenne. C’est à dire, une entreprise employant moins de 250 personnes, et dont, soit le chiffre d’affaires annuel n’excède pas 40 millions d’euros, soit le total du bilan n’excède pas 27 millions d’euros. Cette entreprise doit par ailleurs être indépendante, ce qui, sans rentrer davantage dans le détail12, signifie ne pas être contrôlée à plus de 25% par une entreprise ne répondant pas à la définition de la PME. Nous avons obtenu de leur part une première base de données de 2981 observations concernant des dossiers de transmissions dont le financement a été accepté, couvrant la période 1997-2004. Sachant qu’il a été démontré, notamment par Roozbach (2004, p953)13, que l’omission des dossiers rejetés dans une analyse de la survie des prêts génère des biais considérables dans l’estimation des paramètres, la BDPME a accepté de nous donner accès à une base de données complémentaire de transmissions dont la contre-garantie a été refusée. La banque n’ayant pas de politique claire de conservation des dossiers refusés, cette seconde série d’observations contient seulement 127 transmissions et ne porte que sur 2001-2004. Cette banque de données est un outil assez unique de par sa taille et le fait qu’elle couvre l’ensemble d’un pays sur plusieurs années. Gardons en effet à l’esprit que, dans le domaine de la littérature sur les entreprises familiales, des études essentiellement descriptives et basées sur de petits échantillons ont longtemps prévalu. Même si la situation s’améliore, Zahra et Sharma notaient en décembre 2004 : “Despite this positive trends, the field remains dominated by familiar research methods and analytical tools that give published research a mechanical quality that does not help us understand the forces that drive the empirical observations” (p.336). Disposant d’une banque de données de grande taille, nous 12 Pour la définition détaillée, voir Journal officiel de l’Union Européenne n° L 107 du 30/04/1996 p. 4 à 9. Accessible sur http://europa.eu.int/eur-lex/lex/fr/index.htm 13 Voir par exemple Eisenbeis (1978) ou plus récemment Verstraetene & Van den Poel (2003) 34 aurons la possibilité de contribuer à valider des hypothèses établies par la littérature. Nous décrivons maintenant les variables, puis poserons nos hypothèses. 3.4 Construction des variables explicatives et hypothèses En guise d’introduction, nous présentons le schéma suivant, qui reprend les principaux types de variables identifiées dans la revue de littérature. Nous pensons qu’il est possible de regrouper ces éléments en quatre groupes : le contexte, les caractéristiques du repreneur, les caractéristiques de la cible et la rentabilité et le plan de financement. Figure 4 : Cadre théorique Littérature sur la Relève Transfert de direction ¾ ¾ ¾ ¾ Caractéristiques du dirigeant actuel : Motivation réelle à céder Personnalité (capacité à déléguer, ouverture aux nouvelles idées, mentorat & collaboration) Qualité des relations avec le successeur Caractéristiques du successeur : Motivation et engagement Compétence Performance Maturation et développement : Expérience à l’interne/externe Formation initiale Mentorat Règles du jeu : Règles du jeu Même vision du futur Caractéristiques du repreneur Apports des modèles financiers Transfert de propriété ¾ ¾ ¾ ¾ ¾ Répartition équitable Valorisation raisonnable Endettement supportable Rentabilité suffisante Transmission familiale/non familiale ¾ ¾ ¾ Ratios de prévision de faillite Caractéristiques financières du successeur : Historique de crédit Revenus Patrimoine Caractéristiques de la firme : Age de la firme Endettement Secteur industriel Variation des indicateurs industriels et macro-économiques Caractéristiques de la cible Contexte Rentabilité et plan de financement Succès Il faut d’ores et déjà préciser que la banque de données contient à la fois des observations sur des reprises par des entreprises lors de croissance externe, et des reprises par des 35 personnes physiques. Pour chacun de ces deux cas, des variables spécifiques sont ajoutées pour ces observations. A partir de ce point, nous restreignons notre étude aux transmissions à des personnes physiques14. Ce sont en effet les seules pour lesquelles nous disposons d’informations sur le repreneur. Or, nous avons vu dans la littérature que les caractéristiques du repreneur (niveau d’études par exemple) sont des facteurs identifiés comme jouant un rôle dans le succès de la transmission. En conséquence, la base de données regroupant les dossiers acceptés est réduite à 2278 observations. Pour cette même raison, la liste des variables ci-dessous n’inclut pas les variables représentant les caractéristiques de l’entreprise agissant par croissance externe. Les variables explicatives peuvent être regroupées en quatre catégories : le contexte de la transmission, les caractéristiques du repreneur personne physique, les caractéristiques de la cible, et l’aspect financier (rentabilité de la cible et montage du plan de financement). La liste détaillée des variables explicatives est disponible en 3.4.5. 3.4.1 Contexte de la transmission La BDPME distingue deux types de transmission de PME: la transmission de PME/PMI et le rachat de fonds de commerce. Nous définissons la première catégorie comme toute transmission ne s’effectuant pas par rachat de fonds de commerce. Un fonds de commerce est l’ensemble des éléments permettant à un commerçant d’exercer son activité (clientèle, droit au bail, marques, licences, autorisations administratives, marchandises neuves, mobilier etc…). La cession de fonds de commerce est couramment utilisée en France dans les métiers de la restauration, des débits de boissons, de l’hôtellerie, et plus généralement pour les petits commerces (boulangerie, boucheries, merceries, boutiques de prêt à porter…). Les deux types de transmission se distinguent essentiellement par leurs aspects juridiques. Dans nos données, on doit s’attendre à ce que la taille moyenne des entreprises transmises par rachat de fonds de commerce soit inférieure à la taille moyenne des autres 14 Une personne physique, lorsqu’elle reprend une entreprise peut substituer par la suite une entreprise ad hoc, par exemple une holding. Ceci constituera toujours pour nous une reprise par une personne physique. La seconde catégorie (reprise par une entreprise) est constituée des transmissions réalisées avec un objectif de croissance externe, peu importe là aussi si il y a substitution d’une structure juridique intermédiaire (ex. : société holding créée pour l’occasion) 36 transmissions de PME/PMI. Nous n’avons pas d’hypothèse sur l’impact de ces deux types de transmission sur le succès de l’opération. L’objet de l’intervention tient en réalité au type de montage de l’opération : reprise d’une entreprise par achat adossé (« leveraged buyout » (LBO)), reprise d’une entreprise par une autre entreprise (croissance externe), reprise d’un fonds de commerce par une société existante, reprise d’un fonds de commerce par une affaire personnelle (une affaire personnelle est une entreprise exploitée directement par son unique propriétaire; avec ce type de statut juridique, la responsabilité sociale est illimitée), reprise d’un fonds de commerce par une entreprise à créer, reprise d’un fonds de commerce en première installation. Nous ne formulons pas d’hypothèses sur cette variable. Les circonstances de la transmission sont probablement un facteur important. En effet, une transmission effectuée à la suite d’une maladie ou du décès du dirigeant est généralement réalisée dans la précipitation. Or nous avons vu que la planification est considérée dans les écrits comme un facteur de succès (par exemple Ward (1987), Lansberg (1988, 1999), Handler (1990), Dyck et al. (2002), Dyer (1986)). Nous pouvons donc faire l’hypothèse qu’une transmission réalisée suite à une maladie ou un décès du dirigeant affectera négativement le succès de l’opération. Lorsque la transmission s’effectue suite au départ en retraite du dirigeant, on devrait s’attendre à ce qu’une activité de planification ait eu lieu, donc un impact positif. Quand la transmission est motivée par une redistribution du capital entre les actionnaires, l’essaimage, le changement d’activité du vendeur, ou la réalisation de plus value, nous nous attendons à ce que des comportements opportunistes surgissent. Le cédant étant mieux informé que l’acheteur, il est alors possible que le premier tente de tirer profit de son avantage informationnel, par exemple en cédant la firme au moment où des difficultés apparaissent à l’horizon. L’impact de ces circonstances de transmission sur le succès de l’opération devrait donc être négatif. La transmission familiale anticipée est une catégorie assez floue et ne regroupe que très peu d’observations (28 sur 2970), nous n’avons pas d’hypothèses quand à son impact sur le succès de la transmission. Nous n’avons pas non plus d’hypothèses pour la catégorie « autres » dont nous ne connaissons pas le détail et qui est donc beaucoup trop hétérogène. 37 3.4.2 Caractéristiques du repreneur Si l’on en croit Berger et Frame (2005), les banques américaines ont mis en évidence que les caractéristiques relevant de la cote de crédit de l’entrepreneur sont importantes pour la décision d’allocation d’un prêt à une PME. Les variables disponibles dans notre banque de données concernant les caractéristiques du repreneur personne physique sont les suivantes : Le nombre de repreneurs. Nous nous attendons à ce qu’au dessus d’un certain seuil, l’augmentation du nombre d’associés reprenant l’entreprise cible devienne porteur de conflits de direction et ait donc un impact négatif sur le succès de l’opération. Selon l’étude de la BDPME (1998) sur les transmissions, « les reprises par des personnes physiques sont dans l’ensemble facilitées lorsque le nombre des repreneurs est limité » (p.7). La formation du repreneur (supérieure généraliste, supérieure technique, formation professionnelle, secondaire, autodidacte) devrait influencer les chances de succès d’une transmission. Nous avons en effet vu précédemment que le niveau d’étude avait une influence positive sur la performance de la firme (Goldberg (1996) Morris et al. (1997)). Nous devrions pouvoir observer un effet similaire. La dernière fonction occupée par le repreneur devrait être une bonne approximation de ses capacités de leadership et de direction. On peut s’attendre à ce que les repreneurs ayant déjà occupé des fonctions de direction/gérance aient plus de chance de succès. Il est aussi probable que les fonctions faisant appel à des aptitudes de direction (gestion d’équipe et de projets), comme les emplois de cadre, cadre de direction ou d’ingénieurs puissent avoir une influence positive sur le succès de la transmission. Sachant que les professions que nous venons de lister comme nécessitant des aptitudes de direction sont aussi des professions dont la rémunération est élevée, il est possible que nous mesurions en réalité la distinction entre hauts et bas revenus. Le revenu est, rappelons le, une variable utilisée dans les modèles SBCS. 38 Expérience du secteur. L’étude de la BDPME (1998) a mis en évidence qu’une expérience préalable du secteur par le repreneur était un facteur de succès. Ceci rejoint, en quelque sorte, les stratégies d’entrée des repreneurs dans la littérature sur les entreprises familiales. En effet, Barach et al. (1988) et Dyer (1986) avancent que l’expérience accumulée dans d’autres entreprises permet de développer une base de connaissance, de la confiance en soi et de la crédibilité. Par ailleurs, nous avons vu que dans l’étude de Chrisman, Chua, et Sharma (1998), l’expérience apparaissait comme un facteur de succès. Par contre, hormis l’étude de la BDPME (1998), les auteurs ne semblent pas distinguer entre expérience de travail dans le même secteur d’activité que celui de la cible et expérience à un poste de direction ou de gestionnaire, sans considération du secteur d’activité. Par ailleurs, il nous semble que détenir une expérience du secteur d’activité est le signe d’une bonne planification du projet de reprise, le repreneur ayant bien ciblé le domaine d’activité de l’entreprise en fonction de ses compétences. Nous ne formulons pas d’hypothèses sur l’impact de l’age du repreneur ou sa situation d’emploi avant la reprise sur le succès de l’opération. Notons simplement que la situation d’emploi avant la reprise est une donnée dont la fiabilité peut être sujette à caution, une situation de chômage étant une information que le repreneur pourrait vouloir garder pour lui. Malheureusement, bien que des données sur la cote de crédit des repreneurs, leur patrimoine et leur revenu soient disponibles dans les dossiers bancaires, ces informations n’ont pas été collectées. Il pourra être pertinent dans une étude ultérieure de remédier à ce problème et de tenter de valider l’applicabilité au domaine des prêts à la transmission de PME les modèles SBCS. 3.4.3 Caractéristiques de la cible Des facteurs non financiers permettant de caractériser l’entreprise transmise sont ici utilisés. Certains pourront s’avérer fortement corrélés, dans la mesure où ce sont des indicateurs de la taille/maturité de l’entreprise : effectif, chiffre d’affaires, ancienneté. 39 Permanence de l’ancien dirigeant. Nous formulons l’hypothèse que la permanence de l’ancien dirigeant dans l’entreprise, durant une période déterminée, favorisera une transition en douceur durant laquelle le successeur pourra s’ajuster à l’entreprise, le prédécesseur servant en quelque sorte de mentor. Or, il a été établi que le mentorat (Dyck et al. (2002), Handler (1990)) est un phénomène souhaitable dans le processus de transition. Par ailleurs, d’un point de vue financier, le maintien durant la phase de transition du dirigeant précédent est une garantie que, durant cette phase, le volume d’affaires et la rentabilité devraient être similaires à l’historique. Nous devrions donc trouver une relation positive entre permanence de l’ancien dirigeant et réussite de la transmission telle que nous la mesurons. Toutefois, il faut souligner que dans l’étude précédente de la BDPME (1998), cette variable avait déjà été identifiée comme un facteur de succès. Depuis, sur certaines transmissions considérées comme très risquées, la banque a eu tendance à imposer cette mesure au cédant et au repreneur afin de limiter le risque de la reprise. Il est donc possible que la relation ne soit plus aussi positive. Cette relation pourrait même être devenue négative, la permanence de l’ancien dirigeant devenant un indicateur d’un dossier à très fort risque. Ancienneté de la cible. Cette variable peut aussi bien être un indicateur de solidité de la firme que donner des informations sur la maturité de son secteur d’activité. Une entreprise ancienne a fait la preuve de sa capacité de survie, ce qui est un point positif. Mais un secteur d’activité mature est souvent associé à une faible croissance, une concurrence plus forte, et un faible niveau de rentabilité pour les entreprises de ce secteur. En conséquence l’impact de cette variable sur la survie de la firme est incertain. L’effectif de la cible et le logarithme du chiffre d’affaires de la cible sont des variables complémentaires pour mesurer la taille de la cible. Dans la littérature sur la faillite, on considère généralement que, plus la taille d’une firme est importante, moins le risque est élevé, ceci pour des raisons de diversification, de pouvoir de marché et de relations avec les gouvernements. D’ailleurs, Altman et al. (1977) utilisent une mesure de la taille (logarithme des actifs totaux) dans leur modèle ZETA. Dans le cadre de la transmission, la relation semble moins évidente. L’étude précédente de la BDPME (1998) trouve que le 40 risque d’échec de la transmission augmente avec la taille de la cible mesurée par le nombre de salariés, à l’exception des reprises de firmes de plus de 100 salariés par une personne extérieure à l’entreprise. Secteur d’activité de la cible. Les regroupements par secteur sont les suivants : commerce de gros, commerce de détail, construction, industrie, services, services à la personne, tourisme, transports. Nous nous attendons à trouver des effets par secteur d’activité, certains étant plus risqués que d’autres. 3.4.4 Rentabilité et plan de financement Nous entrons ici dans un domaine plus financier, qui touche au transfert de propriété de la firme. Cette section regroupe ainsi des indicateurs sur le montage du plan de financement, l’évaluation du prix de l’entreprise, et aussi des variables sur la solidité et la viabilité de la firme. Montant de l’intervention est le montant du prêt accordé par la banque, montant sur lequel elle demande à être contre-garantie. Pour éviter les données extrêmes, nous utilisons plutôt le logarithme népérien de cette variable. Apports sur financement total et Banque sur financement total. Le financement total représente l’ensemble des besoins listés dans le plan de financement (achat d’actions ou de fonds de commerce, fonds de roulement, frais liés à la transmission, nouvelles machines, bâtiments éventuels etc.). Les apports sont ceux du dirigeant personne physique, spécifiquement pour le projet de reprise. De même pour le financement bancaire, il s’agit du financement destiné uniquement à l’opération de reprise. La variable apports sur financement total reflète la part de financement (et donc de risque) que l’entrepreneur est capable, ou prêt, à supporter. Or selon Leland et Pyle (1977), la volonté d’un entrepreneur à investir dans un projet est considérée comme un signal de la qualité de ce projet. Par ailleurs, on peut noter intuitivement que, plus les apports en capital effectués par le repreneur sont élevés, moins l’endettement sera élevé. Ce qui implique que les sorties de 41 capitaux nécessaires au remboursement de la dette seront moindres, libérant ainsi une marge de manœuvre supplémentaire pour les finances de l’entreprise. Le risque de faillite, donc d’échec du projet est d’autant plus réduit (à court terme) que la part des apports en capital dans le plan de financement est élevée. On devrait ainsi s’attendre à ce que plus la valeur de ce pourcentage est élevée, plus le projet ait de chances de succès. Existence d’un crédit vendeur. La variable binaire existence d’un crédit vendeur prend la valeur 1 lorsque le cédant a accepté d’étaler dans le temps le montant qui lui est dû par le repreneur. Nous nous attendons à des effets similaires à ceux engendrés par la variable permanence de l’ancien dirigeant : puisque l’argent du cédant est toujours en jeu, il demeure dans son intérêt que la firme survive. Il devrait donc être davantage porté à favoriser une transition en douceur, à jouer le rôle de mentor et à s’impliquer dans la firme en cas de difficultés. Un crédit vendeur étant parfois imposé par la BDPME sur les dossiers les plus délicats, il se peut que, là aussi, cette variable devienne implicitement une mesure des mauvais dossiers, et que la relation ne soit pas positive comme nous aurions dû normalement nous y attendre. Intervention d’une société de capital de risque. Une variable binaire est aussi créée pour indiquer qu’une société de capital risque (SCR) finance une partie de la transmission (valeur 1 si intervention SCR). Cette forme de financement assure une triple étude du dossier (par la SCR, par la banque, et par la BDPME). Le processus de sélection étant plus poussé, on devrait s’attendre à plus de chances de succès sur le projet. Deux variables sont utilisées comme mesures de la rentabilité de la cible : le ratio résultat net pondéré sur le chiffre d’affaires pondéré et le ratio marge brute d’autofinancement (MBA) pondéré sur le chiffre d’affaires. Le chiffre d’affaires pondéré est une donnée construite pour tenter de lisser l’évolution du chiffre d’affaires. Concrètement N-115 se voit affecter un poids de deux et N-2, un poids de un ; en ajoutant ces deux montants, et en divisant par trois, on obtient le chiffre d’affaires pondéré. Ce lissage a pour objectif de limiter l’impact de l’habillage de bilan avant la cession sur le calcul des ratios financiers. 15 N désigne l’année de la transmission. N-t est donc la t ème année avant la transmission. 42 La même formule est utilisée pour construire les autres variables dont l’intitulé fait mention du terme « pondéré ». Nous nous attendons à ce que la rentabilité antérieure soit un gage du succès de l’opération, et nous escomptons donc une relation positive. Nous avons aussi créé des variables mesurant la variation de quelques indicateurs financiers entre N-1 et N-2 pour tenter de tenir compte de chiffres surestimés par le cédant. Les variables Delta_RN, Delta_MBA, et Delta_MBA_retraitée16 font ainsi leur apparition. Précisons que la MBA retraitée est la marge brute d’autofinancement corrigée pour tenir compte de la hausse ou de la baisse de postes comptables anormaux (sur/sous estimés, ex. : salaires manifestement excessifs du cédant, profit dégagés d’opérations à caractère non récurrent…). Les variables valorisation sur CA pondéré (CA-P) et valorisation sur MBA pondérée (MBA-P) sont utilisées comme multiples de la valorisation de la firme. Il est très fréquent d’évaluer les fonds de commerce sur la base d’un multiple de chiffre d’affaires, ce multiple variant selon les professions. Le ratio valorisation sur MBA est, lui, plus objectif qu’un simple multiple du chiffre d’affaires dans la mesure où il considère les flux de trésorerie dégagés par la firme17. Il peut être perçu, dans une certaine mesure, comme le délai de récupération de l’investissement (en l’occurrence, combien d’années de flux de trésorerie d’exploitation sont nécessaires pour récupérer (ou rembourser) le montant investi pour reprendre l’entreprise (sa valorisation)). Plus ces ratios sont élevés, plus l’entreprise est payée cher18, d’où un risque pour le projet qui devrait être plus élevé. Dettes sur MBA après programme. L’étude de Beaver (1967) concluait que le meilleur ratio, sur une base univariée, permettant de prévoir la faillite était le ratio des flux de trésorerie d’exploitation (cash flow) sur la dette totale. Deakin (1972) a par la suite montré en utilisant l’analyse discriminante multiple (MDA) que ce ratio était une variable 16 Notre delta mesure une variation en termes relatifs. Il est calculé de la manière suivante : (t1-t0)/t0. On note t1 la dernière valeur, dont nous disposons, de la variable considérée. De manière similaire, t0 est la valeur que prends cette même variable, mais l’année précédente. 17 Cette mesure n’est toutefois pas complète puisqu’elle n’inclut pas les variations de fonds de roulement. 18 On peut aussi objecter qu’elle est payée plus cher car le prix intègre une prime pour son potentiel de croissance. Dans tous les cas, puisque ce potentiel n’est pas encore réalisé, ceci implique un risque. 43 prédictive statistiquement significative de la faillite, et ce, jusqu’à trois ans auparavant. Frydman et al. trouvent eux aussi, en utilisant le partitionnement récursif, que cette variable est importante ; elle apparaît ainsi au premier nœud de leurs arbres de décision. Bien qu’il existe un débat sur l’importance à donner à l’information convoyée par les flux de trésorerie (Sharma D., 2001), nous nous attendons à ce que le ratio dettes sur MBA ait un impact positif sur la probabilité d’échec de la transmission. La variable Annuité_Hors_Interêts_surRN est créée pour approximer la part du résultat net qui devra être consacrée chaque année au remboursement de l’emprunt ayant financé la transmission. Le montant de l’annuité ne tient pas compte de l’intérêt (nous ne disposons pas du taux de l’emprunt), il s’agit juste du montant de l’intervention divisé par la durée de l’emprunt. Cette approximation d’annuité est ensuite divisée par le résultat net pondéré. Nous nous attendons à ce que plus ce ratio est élevé, plus la probabilité d’échec de la transmission soit élevée. 3.4.5 Liste des variables explicatives Nous présentons ici les quatre grands groupes de variables explicatives, ainsi que les modalités de chaque variable codée. Figure 5 : Liste des variables explicatives Variable Type de transmission Type Valeurs possibles Catégorielle Transmission PME/PMI Rachat de Fonds de commerce Objet de l’intervention Catégorielle Reprise d’une entreprise dans le cadre d’une opération de LBO Reprise d’une entreprise par une autre entreprise Reprise d’un fonds de commerce par une société existante Reprise d’un fonds de commerce par une AP Reprise d’un fonds de commerce par une entreprise à créer Reprise d'un fonds de commerce en première installation Contexte de la Transmission Circonstances de transmission Catégorielle Précédent dirigeant arrivé à l’âge de la retraite Précédent dirigeant malade ou décédé Redistribution du capital entre les actionnaires Essaimage Changement d’activité du vendeur Transmission familiale anticipée Réalisation de plus-values Autres 44 Nbre de repreneurs Age du repreneur Lien avec le cédant Continue Continue Catégorielle Descendant du cédant Un ou des salariés de l’entreprise aucun Formation du repreneur Catégorielle Supérieure généraliste Supérieur technique Formation professionnelle Secondaire Autodidacte Caractéristiques Repreneurs Personnes Physiques Dernière fonction occupée Catégorielle Dirigeant/gérant dans le même secteur Dirigeant gérant dans un autre secteur Cadre de direction Ingénieur Cadre Technicien Employé Autre Situation d’emploi avant reprise Catégorielle En activité salariée En activité non salariée Sans activité Expérience du secteur Catégorielle oui non Permanence de l’ancien dirigeant Catégorielle oui non Ancienneté de la cible Catégorielle moins de 3 ans 3 à 5 ans 5 à 10 ans 10 ans ou plus Caractéristiques Cible Effectif de la cible Ln CA pondéré Secteur d’activité de la cible Continue Continue Catégorielle Liste codes NAF Ln Montant de l'Intervention Apports sur fin. total Fin bancaire sur fin total Binaire crédit vendeur Continue Continue Catégorielle oui non Binaire SCR Rentabilité Plan de Financement Catégorielle oui non RN-P sur CA-P cible MBA-P sur CA-P cible Valorisation sur CA-P Valorisation sur MBA-P Dettes sur MBA après progr. Delta RN Delta MBA Delta MBA retraitée Annuité hors intérêts sur RN Continue Continue Continue Continue Continue Continue Continue Continue Continue 45 3.5 Traitement des données Nous procédons à la suppression des observations19 pour lesquelles le montant de l’intervention n’est pas indiqué, ainsi que de celles pour lesquelles le nombre de repreneurs n’est pas présent. Il n’est en effet pas possible d’étudier ces cas sans ces informations essentielles sur l’opération. Nous supprimons aussi 113 observations pour lesquelles des informations importantes sur l’expérience du repreneur n’ont pas été collectées (dernière fonction occupée, situation d’emploi avant la reprise, et variable expérience du secteur). Par ailleurs, pour la variable lien avec le cédant, nous considérons que lorsque la reprise est effectuée par un membre de la famille ou un salarié, cette information est systématiquement indiquée dans la note de la banque. Donc lorsque la variable lien avec le cédant n’est pas indiquée, nous supposons qu’il n’y a « aucun lien avec le cédant ». Enfin, nous nous restreignons aux prêts ayant une échéance de 7 ans, ce qui constitue en France la norme pour une reprise d’entreprise. Au-delà, et particulièrement pour les prêts ayant une maturité de 10 à 15 ans, l’opération contient le plus souvent une dimension qui n’est plus seulement entrepreunariale, mais aussi patrimoniale (reprise par une société civile immobilière de biens immobiliers loués à l’entreprise), ce qui viendrait biaiser notre échantillon. Les observations ayant survécu à ce premier filtre constituent notre base de données secondaire. Celle-ci ne rassemble plus que 1819 entreprises transmises (contre 3106 pour la base de donnée primaire). Cette base de données secondaire servira de base à la construction ultérieure des échantillons. 19 Par observation nous entendons une entreprise. Pour chaque observation, des données indiquant la valeur spécifique de la variable pour ont été collectées. Dans le cas d’un échantillon complet, il existe alors à l’intérieur d’une matrice formée par les observations et les variables, une donnée à chaque intersection. 46 4. Résultats concernant la décision d’acceptation du dossier Comme nous l’avions annoncé au début de la section 3, nous suivons deux approches pour identifier les facteurs de succès de la transmission. Dans un premier temps, nous étudions la décision d’acceptation du dossier, c'est-à-dire que nous nous plaçons dans une optique de mise en évidence des connaissances accumulées par un acteur expérimenté. Dans un second temps, nous nous penchons sur le devenir du dossier accepté, à savoir, faillite ou non faillite. Dans cette section, nous nous concentrons spécifiquement sur la décision d’acceptation/rejet de la contre-garantie. Nous débutons par la méthodologie suivie pour construire notre échantillon, puis présentons et discutons les résultats. 4.1 Construction de l’échantillon La construction de l’échantillon s’est révélée être une étape laborieuse. Compte tenu du nombre élevé de variables, nous avons fait face à de nombreuses données manquantes. Bien que le partitionnement récursif supporte les données manquantes, ce n’est pas le cas d’une méthode comme le Logit. Nous présentons d’abord la variable expliquée. Par la suite, nous développons la méthodologie que nous avons employée pour construire l’échantillon. 4.1.1 Variable expliquée La variable dépendante est de type binaire. Elle prend la valeur 1 lorsque le dossier est accepté par la BDPME, et zéro lorsque le dossier est refusé. Compte tenu de la quasi absence dans notre banque de données de dossiers refusés antérieurs à l’année 2001, nous nous limiterons dans cette section à l’étude des observations des années 2001 et suivantes. 4.1.2 Limiter les données manquantes : méthodologie Nous avons à faire face, compte tenu du nombre important de variables, à des observations qui contiennent très fréquemment une ou plusieurs données manquantes. De plus, comme souvent dans les bases de données, il faut compter avec les observations extrêmes. Les données extrêmes sont repérées grâce à l’utilisation de « Box and Whisker Plot ». La 47 suppression d’observations contenant des données extrêmes pouvant induire l’apparition d’autres données extrêmes sur une autre observation, nous répétons l’opération une seconde fois. Cette approche est sans doute la plus intéressante en termes de méthodologie. Malheureusement, lorsqu’elle est mise en œuvre, elle est très consommatrice de données. Ainsi, lorsque nous enlevons les données manquantes, aberrantes et extrêmes, notre échantillon atteint une taille extrêmement faible. Seuls 74 dossiers acceptés et 19 dossiers rejetés seraient conservés! Autant dire que l’analyse n’est plus très solide, d’autant plus que l’échantillon ainsi obtenu a bien peu de chances d’avoir les caractéristiques de la banque de données initiale. Pour information, nous donnons quand même en annexes 2 et 3 les statistiques descriptives obtenues pour cet échantillon très réduit que nous baptisons BD-X. Figure 6 : Construction de la base de données Nous proposons donc l’approche BD Initiale suivante (résumée dans le schéma ci-contre). Afin de garder à nos résultats un caractère solide, nous construisons un échantillon très BD secondaire large, qui regroupe l’ensemble des observations des années 2001 et suivantes (baptisé BD-A), soit 1016 Suppression données <2001 transmissions. BD-A La banque de données A va ensuite faire l’objet Sélection des variables LOGIT et CART de deux traitements en parallèle. D’un Suppression données manquantes coté plusieurs nous essais procédons avec à CART (RPA20), pour déterminer quelles Suppression données extrêmes sont les variables les plus significatives. De l’autre, nous BD-B 20 Recursive Partitioning Algorithm (RPA). CART et SAS sont des logiciels de traitement de données. 48 construisons sous SAS divers modèles LOGIT. SAS se charge, suivant les différentes configurations, de ne prendre en compte que les observations ayant des données complètes. Ceci évite de supprimer arbitrairement des observations qui pourraient être pertinentes. A partir de ce point, grâce à ces deux familles de résultats, il nous est possible de déterminer quelles variables semblent prometteuses et lesquelles ne le sont pas. L’idée étant qu’une fois les variables non pertinentes éliminées, le nombre de données manquantes devient moins élevé, ce qui permet de construire un échantillon restreint de dimension plus importante que l’infortuné BD-X. Le tableau suivant rassemble les résultats de ces quelques modèles préliminaires bâtis pour effectuer un pré-test sur nos variables. Notre critère de sélection à ce stade de construction de l’échantillon B, se base sur le degré de signification et le nombre de données manquantes générées par l’utilisation de cette variable. Nous avons jugé du degré de signification sur la base d’un seuil de confiance de 10% pour le modèle Logit. Afin de ne pas omettre de variable pouvant être pertinente, nous nous assurons que CART ne considère pas une des variables devant être supprimée comme importante. 49 Tableau 2 : Acceptation/Rejet - Sélection des variables Nb. Variables données Logit 1 Logit 2 Logit 3 Logit 4 RPA 1 RPA 2 Variables quantitative Variables catégorielles manquantes Acceptation 0 N/A N/A N/A N/A N/A N/A Année opération 0 N/A N/A N/A N/A N/A N/A Type de transmission 0 N/A N/A NS 0,3796* 0,24% 0,27% Objet de l'intervention 0 N/A N/A 0,9939 0,9188* 50,96% 57,50% 193 N/A N/A 0,0028 0,0004 0 N/A N/A NS 0,9937* 0,75% 0,85% 177 N/A N/A NS 0,5360* 0,82% 0,90% Dernière fonction occupée 0 N/A N/A NS 0,6082* 41,02% 18,41% Situation emploi avant reprise 0 N/A N/A 0,3522 0,4984* 0,00% 0,00% Expérience du secteur 0 N/A N/A <0,0001 <0,0001 0,00% 47,22% Circonstances de la transmissi Lien avec le cédant Formation du repreneur 88,91% 100,00% Permanence de l'ancien dirigea 203 N/A N/A 0,1081 0,0968 0,00% 0,00% Age de la cible 305 N/A N/A NS 0,9576* 0,00% 0,00% NAF Secteur d'activité 0 N/A N/A 0,1855 0,4196* 15,23% 10,50% Crédit vendeur 0 N/A N/A 0,0194 0,0359 0,00% 0,00% Société de Cpital de Risque 0 N/A N/A NS 0,9362* 0,00% 0,00% LN Montant de l'intervention 0 0,0020 0,0030 NS 0,009 12,52% 0,91% Nombre de repreneurs 0 0,4785 0,4534* 0,0822 0,1608* 0,00% 0,00% Age du repreneur 129 0,7553 0,7474* NS 0,5459* 2,82% 15,44% Effectif cible 176 0,2346 0,1962* NS 0,7797* 9,57% 0,00% LN CA Pondéré 43 0,0003 <0,0001 0,0002 <0,0001 24,03% 12,10% Apports / Total 76 0,8321 0,6844* 0,0109 0,2191* 2,42% 9,14% Banques / Total 76 0,9274 0,9297* NS 0,9182* 0,00% 0,00% RN / CA Pondéré 43 0,1695 0,1339* NS 0,4274* 100,00% 57,70% MBA / CA Pondéré 43 0,0006 0,0001 0,029 0,0261 80,37% Valorisation / CA Pondéré 43 0,0407 0,0070 NS 0,0126 32,94% 40,65% Valorisation / MBA Pondéré 103 0,1163 0,1481* NS 0,4031* 84,74% 50,57% Dette / MBA après prog. 187 0,0191 0,0065 0,0196 0,0548 57,25% 36,65% Delta RN 142 0,9530 0,953* NS 0,9365* 51,83% 29,26% Delta MBA 190 0,0928 0,0866 0,1145 0,1420* 47,87% 37,51% Delta MBA Retraitée 114 0,1414 0,1305* NS 0,6681* 25,06% 10,23% 64 0,7686 0,7587* NS 0,6578* 97,59% 62,87% Annuité hors intérêts / RN Nb. d'observations - BD A 71,96% 1016 * Pour les variables éliminées par le modèle, la statistique est donnée telle qu'évaluée à l'itération de sortie de cette variable NS: Variable non sélectionnée par le modèle N/A: La construction de ce modèle n'inclus pas cette variable Logit 1: Estimation du modèle avec pour uniques variables les variables quantitatives Logit 2: Estimation du modèle avec pour uniques variables les variables quantitatives; utilisation d'une procédure d’élimination récursive, degré de signification 10% pour rester dans le modèle. Logit 3: Estimation du modèle avec toutes les variables, utilisation d'une procédure de sélection par ajout, degré de signification de 20% pour rester dans le modèle. Attention, validité du modèle est incertaine! Logit 4: Estimation du modèle avec toutes les variables, utilisation d'une procédure d’élimination récursive, significativité de 10% pour rester dans le modèle. Attention, validité du modèle est incertaine! RPA 1: Estimation du modèle sous CART avec toutes les variables, pas de probabilités a priori, et coûts de mauvaise classification symétriques RPA 2: Estimation du modèle sous CART avec toutes les variables, probabilités a priori (1 pour 5 en faveur de l'acceptation), et coûts de mauvaise classification (1 pour 5, 5 pour l'acceptation d'un rejet) 50 La décision finale sur l’élimination ou non d’une variable se fait sur la base de son degré de signification dans ces modèles préliminaires, mais aussi en tenant compte du nombre d’observations que sa suppression permet de sauver, et des corrélations entre les variables. Il existe ainsi quatre catégories de variables : - Variables devant être éliminées sur la base du seuil de confiance, mais que nous conservons car elles ne contiennent pas de données manquantes : Type de transmission, Objet de l’intervention, Lien avec le cédant, Dernière fonction occupée, Situation d’emploi avant reprise, Secteur d’activité (code NAF), Société de Capital de risque. - Variables éliminées sur la base du seuil de confiance et des données manquantes : Formation du repreneur, Age de la cible, Age du repreneur, Effectif de la cible, Banques / Total, RN / CA pondéré, Valorisation/MBA pondéré, Delta RN, Delta MBA retraitée. Bien qu’il n’y ait pas de données manquantes pour la variable « Nombre de repreneurs », celle-ci est corrélée avec d’autres variables, nous ne la conservons donc pas. - Variables significatives : Circonstances de la transmission, Expérience du secteur, Permanence de l’ancien dirigeant, Existence d’un crédit vendeur, Ln Montant de l’intervention, Ln CA pondéré, MBA/CA pondéré, Valorisation/CA pondéré, Dette/MBA après programme, Delta MBA. - Variables non significatives retenues pour d’autres raisons : Annuité hors intérêts sur RN (CART), Apports / Total (variable souvent citée par la BDPME). On peut d’ores et déjà effectuer quelques remarques. Ainsi, on note que parmi les variables significatives, il ne reste qu’une mesure de la taille de l’entreprise (Ln CA pondéré). Les autres mesures de la taille (Effectif de la cible, Age de la cible) ne sont pas significatives. Des facteurs non financiers sont pris en compte, notamment les circonstances de la 51 transmission. A ce stade toutefois, le type de transmission (fonds de commerce vs. entreprise), ou encore l’objet de l’intervention, ne semblent pas pertinents. Il est aussi bon de noter que des variables cohérentes avec la littérature semblent, à ce niveau d’analyse, significatives : Expérience du secteur (Caractéristique du successeur), Permanence de l’ancien dirigeant (processus de maturation et développement du successeur). 4.1.3 Traiter les données extrêmes Maintenant que nous avons procédé à la suppression des variables les moins intéressantes, nous sommes en mesure de construire notre échantillon restreint, à partir de la BD-A. Nous débutons par la suppression de toutes les observations contenant des données manquantes pour les variables restantes. Puis, nous nous attaquons de nouveau aux données extrêmes. Ici, la même procédure que pour la BD-X est utilisée : construction sous SAS de « Box and Whisker Plot », suppression des données extrêmes puis répétition une nouvelle fois de l’opération pour s’assurer que d’autres données extrêmes ne sont pas apparues. Les observations ayant survécu à l’ensemble du processus de sélection forment la BD-B soit 38 rejets et 223 dossiers acceptés. 4.1.4 L’imputation de données, une autre alternative ? La BD-B, même si elle a des proportions beaucoup plus intéressantes que la BD-X que nous avions construite tout au début, nous fait tout de même perdre beaucoup d’information. Les constructions de Logit que nous avons utilisées dans la section 4.1.3 ont donné pour les modèles 3 et 4 des avertissements sur de potentielles erreurs d’ajustement du modèle. Ceci est dû à nos nombreuses variables qualitatives, qui se révèlent gourmandes en données. Celles-ci contiennent parfois des modalités avec peu d’observations, voire pour certaines modalités zéro observations lorsqu’il s’agit de dossier rejetés. Dès lors, pour ces modalités en question, les variables binaires qui en résultent sont susceptibles d’être fortement corrélées avec le vecteur de la constante, ce qui peut conduire à un problème de multicolinéarité. Si l’on en croit Gujarati (2003), les conséquences sont les suivantes. 52 « In cases of near or high multicollinearity, one is likely to encounter the following consequences: 1. Although BLUE21, the OLS estimators have large variances and covariances, making precise estimation difficult. 2. Because of consequence 1, the confidence intervals tend to be much wider, leading to the acceptance of the “zero null hypothesis” (i.e., the true population coefficient is zero) more readily. 3. Also because of consequence 1, the t ratio of one or more coefficients tends to be statistically insignificant. 4. Although the t ratio of one or more coefficient is statistically insignificant, R2, the overall measure of goodness of fit, can be very high. 5. The OLS estimators and their standards errors can be sensitive to small changes in the data. » Nous en tirons les enseignements suivants. Il est possible que dans la section 4.1.3, les valeurs « p » des modèles trois et quatre soient biaisées. Toutefois, comme nous avons pris soin, avant de supprimer des variables, de nous assurer que les modèles de partitionnement récursif et les modèles LOGIT 1 et 2 (non sujets à multicolinéarité) allaient dans la même direction, nous n’avons pas fait d’erreurs dans la suppression de variables. Seconde remarque, pour que notre section résultat ne soit pas affectée par ce problème, il nous faut trouver des alternatives. Nous débutons de nouveau par l’aspect données manquantes. Pour traiter ce problème nous utilisons un outil développé par les statisticiens depuis les années 1980 appelé imputation de données22. Un algorithme de ce type, utilisant l’estimation par maximum de vraisemblance (méthode la plus courante selon Garson, 2005), est disponible dans le logiciel SPSS. Ceci nous permet ainsi d’estimer les données quantitatives manquantes. Toutefois, cela ne change rien pour les données qualitatives, et 21 BLUE : Best Linear Unbiased Estimator (Meilleur Estimateur Linéaire Non Biaisé), OLS : Ordinary Least Square (Moindres Carrés Ordinaires). 22 Des précisions peuvent être trouvées dans les notes de cours de David Garson (2005), Professor of public administration, North Carolina State University. http://www2.chass.ncsu.edu/garson/pa765/missing.htm L’algorithme estime par régression linéaire les données manquantes à partir des informations contenues dans la base de donnée. 53 lorsque des données de ce type sont manquantes, les observations doivent tout de même être supprimées. Afin de garder le maximum d’observations, nous renonçons aussi à supprimer les données extrêmes. Enfin, afin de réduire le risque de multicolinéarité, nous identifions les modalités de variables qualitatives qui comptent le moins d’observations et les regroupons. Les circonstances de la transmission 3, 4, 6 et 7 sont ainsi regroupées dans la catégorie « autres » (8). Les modalités numéro une, et deux, de la variable « lien avec le cédant » sont ainsi regroupées dans une catégorie baptisée 8. Cette variable devient donc binaire (3 : pas de lien, 8 : lien avec le cédant). La variable « dernière fonction occupée » fait aussi l’objet de regroupements. Les catégories 1 et 2 deviennent ainsi 9 (fonction de gérance ou de direction), 6 et 7 deviennent 10 (technicien et employé), 3, 4 et 5 deviennent 11 (cadre de direction, ingénieur, cadre). Pour la situation d’emploi, les modalités 2 et 3 deviennent 4 (en activité non salarié, ou sans activité). Cette variable devient donc binaire. Enfin, les secteurs d’activités (NAF secteur) ne contiendront plus que trois possibilités : Tourisme, Commerce de détail, et autres (Commerce de gros, Construction, Industrie, Services, Services à la personne, Transport). Cet échantillon ainsi construit prend le nom de BD-D, il contient 87 dossiers rejetés et 598 dossiers acceptés. Pour plus de clarté, nous avons résumé dans le tableau suivant les principales informations sur les bases de données que nous avons construites. Tableau 3 : Acceptation/Rejet - Synthèse des bases de données constituées BD_A Nbre d'acceptations BD_B BD_D BD_X 929 223 598 Nbre de rejets 87 38 87 19 Nbre de variables qualitatives 13 11 11 13 Nbre de variables quantitatives Données manquantes 74 16 8 8 16 Oui Non Non Non Données extrêmes Oui Non Oui Non Imputation rationnelle Non Non Oui Non Modalités regroupées Non Non Oui Non Banque de données utilisée Oui Oui Oui Non 54 4.2 Statistiques descriptives Nous proposons ici les statistiques descriptives des deux échantillons principaux obtenus : BD_A et BD_D. Il est ainsi possible de prendre connaissances des éventuels biais introduits pas la suppression d’observations (données manquantes) et l’utilisation de la méthode d’imputation de données. Les statistiques descriptives de la BD_B et de la BD_X sont disponibles en annexes 2 et 3. Tableau 4 : Statistiques descriptives rejets Rejets Variables LN Mt. intervention BD_A Nbre Observ. 87 BD_D Moyenne et écart type Médiane 11,7819899 11,7117763 Nbre Observ. 87 0,7496167 Nombre de repreneurs 87 Age du repreneur 86 Effectif cible 85 1,5632184 Moyenne et écart type Médiane 11,7819899 11,7117763 0,7496167 1,0000000 0,7579217 38,7790698 38,5000000 8,4538904 4,8470588 3,0000000 6,8408888 LN CA Pondéré 87 5,4789318 5,3875485 87 1,0437913 Apports / Total 87 0,2344671 87 0,7220914 5,3875485 1,0437913 0,2248062 87 0,1225377 Banques / Total 5,4789318 0,2344671 0,2248062 0,1225377 0,7388060 0,1403498 RN / CA Pondéré 87 0,0465127 0,0409956 0,1429417 MBA / CA Pondéré 87 0,0585006 0,0541728 87 0,1474914 Valorisation / CA P 87 0,7786100 87 105,5388948 0,0541728 0,1474914 0,6486486 87 0,5427909 Valorisation / MBA P 0,0585006 0,7786100 0,6486486 0,5427909 5,3155340 964,9400031 Dette / MBA après prog. 86 7,8198450 5,1051587 87 13,9688608 Delta RN 80 0,0085440 7,8198450 5,1051587 13,9688608 0,0409421 4,8203299 Delta MBA 82 0,7403484 0,0592949 87 7,3912029 Delta MBA Retraitée 86 35,9392023 0,7403484 0,0592949 7,3912029 0,3949275 323,2800589 Annuité hors î / RN 87 0,7576430 3,1547788 55 0,7647059 87 0,7576430 3,1547788 0,7647059 Tableau 5 : Statistiques descriptives acceptation BD_A Acceptations Variables LN Mt. intervention N - Obs 929 BD_D Moyenne et écart type Médiane 11,8627312 11,8292250 Nbre Observ. 598 1,0703345 1,6017223 Moyenne et écart type Médiane 11,9183410 11,9331106 1,1443344 Nombre de repreneurs 929 1,0000000 Age du repreneur 801 38,6510612 39,0000000 Effectif cible 755 10,0847682 0,7910036 8,0277426 5,0000000 18,7365009 LN CA Pondéré 886 6,0267793 5,8493248 598 1,3431731 Apports / Total 853 0,2416837 853 0,6907527 5,9712618 1,3463283 0,2288557 598 0,1439051 Banques / Total 6,1320694 0,2337347 0,2244950 0,1370315 0,7058824 0,1679536 RN / CA Pondéré 886 0,0803069 0,0556866 0,1581012 MBA / CA Pondéré 886 0,1048868 0,0744723 598 0,1239478 Valorisation / CA P 886 0,7544243 826 7,8337091 0,0731589 0,1250202 0,5492574 598 1,6872005 Valorisation / MBA P 0,1011317 0,7365792 0,5076878 1,9815602 4,9958089 31,4377918 Dette / MBA après prog. 743 4,3941474 3,7777778 598 3,4950784 Delta RN 794 0,3918147 4,4381712 3,8611887 3,5896341 0,0727382 4,3767262 Delta MBA 744 0,3440401 0,0384051 598 3,0776009 Delta MBA Retraitée 816 0,9668316 0,2036219 0,0515031 2,5968477 0,0051121 3,7540120 Annuité hors î / RN 865 0,0799015 20,6804740 0,6014672 598 0,7306693 0,6035286 9,9073109 Pour BD_D, dans la catégorie des rejets, les statistiques descriptives demeurent identiques à BD_A malgré les quelques données complétées par imputation de données. Concernant les dossiers acceptés, les statistiques descriptives de BD_D restent très proches de celles de BD_A, à l’exception des variables Delta MBA et Annuité hors intérêt/RN. Il semble que la suppression des observations contenant des données qualitatives manquantes ait porté à conséquence sur ces deux variables (les observations avec données manquantes contenaient, sans doute, simultanément des données extrêmes). Ceci est attesté par la baisse de l’écart type. 56 La comparaison des statistiques descriptives de la BD_B à celles de la BD_A permet davantage de remarques (Annexes 2 et 3). Ainsi, nous considérons que notre échantillon B est sujet à caution lorsque la moyenne pour une des variables n’a pas convergé vers la médiane de l’échantillon A (ce qui devrait être l’effet normal de la suppression de données extrêmes). Ainsi, pour les rejets on peut noter, à en juger par la variable Ln CA pondéré, que la taille des entreprises transmises a légèrement augmenté. L’écart entre la médiane de BD-A et la moyenne de BD-B représente environ 31000 euros23. L’évolution de la variable MBA/CA pondéré est plus ennuyeuse, la moyenne de BD-B étant de 9,85% environ, contre une médiane de 5,42% pour BD-A. C’est une augmentation significative, qui nous conduit à penser que les entreprises ayant une rentabilité faible ont davantage de chances d’avoir des données extrêmes24. Enfin, concernant la variable Annuité hors intérêts/RN pondéré, la moyenne de BD-B évolue aussi de manière importante, et dépasse la médiane de BD-A. Concernant les statistiques descriptives des dossiers acceptés, trois variables ont une évolution qu’il est important de noter. Le logarithme népérien du montant de l’intervention augmente légèrement. Si nous calculons de nouveau l’écart entre la moyenne de BD-B et la médiane de BD-A pour cette variable, l’augmentation est de 38000 euros environ. L’évolution est similaire pour le logarithme népérien du chiffre d’affaires pondéré; cette fois l’augmentation est de 226000 euros environ. Enfin, la variable MBA/CA pondéré augmente elle aussi. Sa moyenne dans BD-B est de 13,58% environ, contre 7,45% pour la médiane de BD-A. Comme nous l’évoquions pour les rejets, ceci pourrait suggérer que les entreprises de petite taille et/ou celles ayant une faible rentabilité ont plus de chance d’avoir des données extrêmes et/ou manquantes. 23 Exp(5.3875)-Exp(5.5209)=-31.20K euros. Les informations concernant les dossiers rejetés ayant été collectées avec soin, il n’y a quasiment pas de données manquantes, on peut donc attribuer cette augmentation uniquement aux données extrêmes. 24 57 4.3 Résultats Pour nous assurer de la solidité de nos résultats, nous utilisons la méthode de la validation croisée. Pour cela, nous divisons l’échantillon BD-B en cinquièmes. BD_B est la base de données la plus appropriée pour cette tâche puisqu’elle ne contient pas de données manquantes (nous pourrons donc utiliser le même échantillon de validation pour le partitionnement récursif et le LOGIT), ni de données extrêmes. Nous estimerons successivement le modèle grâce à quatre cinquièmes des observations, puis testerons la performance de l’estimation sur des données externes (le cinquième de BD_B non utilisé). Schématiquement, l’opération se présente comme ceci : Figure 7 : Validation croisée L’opération est ainsi répétée cinq fois, RPA_CV2 1 afin données. RPA_CV3 2 d’utiliser Le toutes découpage les en cinquièmes (notés 1,2,3… sur le schéma) est réalisé en classant les RPA_CV4 3 observations de BD-B par numéro RPA_CV5 4 d’enregistrement dans la base de données 5 dans l’ordre croissant. Puisque le numéro d’enregistrement RPA_CV1 n’est lié à aucune des variables explicatives, la construction de ces échantillons de validation croisée est faite au hasard. Nous nous assurons simplement que la proportion de dossiers accepté/refusé demeure autant que possible la même. Par exemple, dans le cas de BD_B, la première validation croisée sera effectuée comme ceci. Le modèle est estimé à partir des données contenues dans les cinquièmes 1 à 4, puis sa capacité de prévision est testée sur les données du 5ème cinquième (puisqu’il s’agit du premier échantillon de validation croisée, celui-ci est baptisé RPA_CV1). Maintenant si l’on prend l’exemple de la troisième validation croisée, le modèle est estimé sur les cinquièmes portant 58 les numéros 1, plus 3 à 5. Il est alors validé sur le cinquième portant le numéro 2 (baptisé RPA_CV3). 4.3.1 Résultats obtenus par partitionnement récursif Nous débutons par le partitionnement récursif, et nous intéressons d’abord à la BD-A. Pour celle-ci, nous estimons là aussi cinq modèles, dont nous testons les capacités prédictives sur un échantillon qui n’a pas servi à l’estimation dudit modèle. Pour que nos résultats soient comparables, ces échantillons de validation contiennent les mêmes observations que ceux utilisés pour tester BD_B, et BD_D25. Au vu du tableau suivant, il convient de noter que la performance globale hors échantillon est très satisfaisante, puisque le taux de bonnes prédictions approche les 78%. Pourtant, à y regarder de plus près, le bilan est nettement moins bon. La capacité de prédiction des rejets est mauvaise. Or, accepter un rejet est nettement plus coûteux que l’inverse, puisqu’un projet rejeté est normalement un projet voué à l’échec, d’où une perte financière à la clé. Tableau 6 : Acceptation/Rejet – Performance du RPA, sur BD-A, en validation croisée BD-A Réel 0 1 Total - P RPA_CV_1 RPA_CV_2 RPA_CV_3 RPA_CV_4 RPA_CV_5 Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. 8 62,500% 7 28,571% 7 57,143% 8 50,000% 8 37,500% 45 88,889% 45 77,778% 45 93,333% 44 65,909% 44 90,909% 53 84,906% 52 71,154% 88,461% 52 52 63,461% 52 82,692% Total - P 47,368% 83,408% 78,161% Il est possible d’augmenter la performance de la classification des rejets, mais ceci s’opère au détriment du taux de bonne classification de l’acceptation… Nous nous intéressons maintenant à la BD-B. La procédure est identique, nous estimons cinq modèles, puis donnons leur taux de bonne classification hors échantillon. 25 Rappelons que chacun des échantillons de validation croisée (notés RPA_CV), quelle que soit la base de données utilisée, contient les mêmes observations, puisqu’ils ont été construits à partir de BD_B. Par exemple la première colonne (RPA_CV_1) signifie que le modèle a été testé sur l’échantillon de validation croisée RPA_CV_1; ce modèle a donc été estimé à partir de l’ensemble des observations de BD_A, à l’exception de celles contenues dans RPA_CV_1. 59 Tableau 7 : Acceptation/Rejet – Performance du RPA, sur BD-B, en validation croisée BD-B Réel 0 1 Total - P RPA_CV_1 RPA_CV_2 RPA_CV_3 RPA_CV_4 RPA_CV_5 Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. 8 50,000% 7 71,429% 7 71,429% 8 37,500% 8 25,000% 45 82,220% 45 77,778% 45 86,667% 44 56,818% 44 72,727% 53 77,357% 52 76,923% 84,616% 52 52 53,846% 52 65,384% Total - P 50,000% 75,336% 71,647% Là aussi, la performance globale est satisfaisante, mais la prévision des rejets est toujours délicate. Il est intéressant de noter à ce stade que la performance de l’arbre « BD-B RPA_CV_3 » se démarque particulièrement. Son taux de bonne classification est élevé sur les deux groupes : acceptations et rejets. Nous poussons un peu plus loin l’analyse, et testons les arbres estimés ici sur un échantillon plus gros : BD-A. Quelques précisions s’imposent. BD-B est une base de données construite à partir de BD-A, dont les observations contenant des données manquantes et/ou extrêmes ont été retirées. En conséquence, les 38 rejets et 223 acceptations qui constituent BD-B se retrouvent dans les 87 rejets et 929 acceptations de BD-A. La performance des arbres dans le tableau suivant aura donc tendance à être surestimée, mais puisque le test s’effectue sur un nombre élevé d’observations, nous aurons une bonne idée de la performance que l’on peut attendre en conditions réelles. Tableau 8 : Acceptation/Rejet – Performance du RPA, modèles estimés sur BD-B et testés sur BD-A BD_B sur BD_A Réel 0 1 Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. 87 80,460% 87 73,563% 87 73,563% 87 74,713% 87 45,970% 929 54,144% 929 57,266% 929 71,259% 929 45,963% 929 67,600% Total - P 1016 RPA_CV_1 56,397% 1016 RPA_CV_2 RPA_CV_3 58,662% 1016 71,456% 1016 RPA_CV_4 48,425% 1016 RPA_CV_5 65,748% Total - P 69,654% 59,246% 60,138% Première remarque, l’arbre 3 a toujours une bonne performance globale, et ceci malgré la présence des données extrêmes et manquantes qui affectent tous les modèles. Notons aussi que l’arbre 1 semble avoir une bonne performance pour classer les rejets. Par souci de transparence, nous présentons ci-dessous la performance de ces mêmes arbres uniquement sur les observations contenant des données extrêmes et/ou manquantes (observations contenues dans BD-A, et non présentes dans BD-B). 60 Tableau 9 : Acceptation/Rejet – Performance du RPA, modèles estimés sur BD-B et testés sur BD-A moins BD-B BD_B sur BD_A - BD_B Réel 0 1 Total - P RPA_CV_1 RPA_CV_2 RPA_CV_3 RPA_CV_4 RPA_CV_5 Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. 49 73,469% 49 61,224% 49 59,184% 49 67,347% 49 38,776% 705 44,539% 705 50,496% 705 66,099% 705 37,589% 705 62,837% 754 46,419% 754 51,193% 65,650% 754 754 39,523% 754 61,273% Total - P 60,000% 52,312% 52,812% Compte tenu du type de données, la performance demeure très correcte pour l’arbre 3 de BD-B. On peut considérer qu’il possède une bonne tolérance aux données extrêmes. Suivant la qualité des observations, nous pouvons nous attendre à un taux de bonne classification de cet arbre compris entre 65,65% et 84,62%. Nous décrivons maintenant cet arbre 3 (voir le schéma en annexe 7) qui semble donner de bons résultats, aussi bien sur un échantillon de validation « purifié » que sur un échantillon de validation de grande taille incluant des données extrêmes et/ou manquantes. Dans les nœuds terminaux, l’information « class = 1 » caractérise l’affectation du nœud, 1 signifiant ici acceptation. Dans les nœuds intermédiaires, la branche de gauche signifie satisfaction de la condition, et celle de droite l’opposé. Le premier nœud utilise comme critère le logarithme népérien du chiffre d’affaires pondéré, c’est donc essentiellement un critère de taille de la firme transmise. Le seuil est de 6.453, ce qui représente 634 K€. Pour les entreprises les plus grandes, les critères de décision suivants sont purement d’ordre financier. Tout d’abord la variable annuité hors intérêts sur résultat net, le seuil étant de 98%. Ce niveau peut paraître élevé, mais il faut préciser que le ratio est calculé sur le résultat net pondéré, celui-ci étant souvent moins élevé que celui de l’année précédant la transmission (états financiers présentés sous le meilleur jour possible pour le cédant). Par ailleurs, ce résultat net pondéré ne tient pas compte des flux financiers véritables de l’entreprise, ni des économies que le repreneur compte réaliser. Il faudrait pour cela utiliser la marge brute d’autofinancement (MBA) retraitée. Justement, pour les observations qui dépassent le seuil de 98% pour le ratio annuité hors intérêts/RN, le critère de décision suivant est la variable delta MBA. Celle-ci permet en quelque sorte de 61 distinguer ce qui demeure du domaine du crédible et/ou du durable pour l’évolution de la MBA. Rappelons que cette variable est calculée entre N-2 et N-1. Il est intéressant de noter que pour les entreprises les plus petites, le nœud suivant (nœud 2) est lié aux circonstances de la transmission, par opposition aux transmissions les plus grandes pour lesquelles les critères étaient essentiellement financiers. Ceci pourrait confirmer que l’information comptable des firmes de faible taille est peu fiable (évoqué dans Tsaih et al. (2004) et Berger et Frame (2005)). Pour les circonstances de la transmission, l’algorithme distingue d’une part le départ en retraite (1), la redistribution du capital entre les actionnaires (3), l’essaimage (4) et le changement d’activité du vendeur (5) ; ces circonstances peuvent indiquer des transmissions ayant davantage fait l’objet d’une planification. D’autre part, on trouve des circonstances plus précipitées (précédent dirigeant malade ou décédé = 2, transmission familiale anticipée = 6), indiquant un comportement opportuniste (réalisation de plus-value = 7), ou encore non définies (autres=8). Ensuite, intervient pour cette dernière branche de nouveau le critère de taille (nœud 3), les transmissions d’entreprises de petite taille étant acceptées. Pour les observations restantes provenant du nœud 3, c’est le secteur d’activité qui permet de discriminer. Lorsque les circonstances semblent indiquer une plus grande planification, la variable MBA/CA-P est utilisée, elle mesure la capacité de l’entreprise à dégager des flux financiers. Pour les transmissions qui génèrent le moins de flux financiers (inférieurs à 12,9%), le critère de l’objet de l’intervention est utilisé : lorsque l’objet est une reprise par LBO (1), une reprise par une affaire personnelle (2), ou encore une reprise par une entreprise à créer (5), le dossier est refusé. Pour celles qui génèrent des flux financiers supérieurs à 12,9% du chiffre d’affaires, le critère de décision est celui de la dernière fonction occupée. Ce critère fait intervenir l’expérience du repreneur. L’algorithme distingue ainsi au nœud 7 les repreneurs cadres de direction (3), ingénieurs (4) et cadres (5) pour lesquels le dossier est rejeté. Il est probable que la banque considère que le repreneur soit surqualifié compte tenu de la taille de l’entreprise (ici moins de 634 K€ de chiffre d’affaires), ou que son expérience ne soit pas cohérente avec les réalités de la gestion d’une petite entreprise. D’autre part, les dirigeants/gérants dans le même secteur (1), 62 dirigeants/gérants dans un autre secteur (2), techniciens (6) et employés (7), sont acceptés. La présence d’employés et de techniciens peut-être surprenante, mais n’oublions pas que nous sommes dans le cadre d’entreprises de taille modeste, il s’agit donc vraisemblablement de petits commerces dans lesquels une expérience pratique est pertinente (ex : boulangerie, restauration, réparation automobile etc.). Au nœud 8, un critère de classification lié au plan de financement s’applique: le montant des apports. Il est paradoxal de noter que lorsque le repreneur apporte plus de 27,8% du besoin de financement, le dossier a tendance à être refusé. On peut sans doute attribuer ceci à une forme de biais d’observation. La banque qui fournira le prêt et qui transmet le dossier à la BDPME pour étude d’une contre-garantie n’est pas neutre. Lorsque le dossier lui semble risqué (manque de garanties par exemple), elle est susceptible de demander des apports plus importants du repreneur. C’est peut-être ce qui arrive ici. Des apports plus élevés ne seraient alors pas un signe de rejet, mais plutôt un indicateur de l’existence d’un risque élevé… 4.3.2 Résultats obtenus par modèle LOGIT Nous avons ensuite utilisé une seconde méthode d’analyse basée sur la construction d’un modèle économétrique de type LOGIT. Comme nous l’avons expliqué plus haut, nous avons été confrontés à des difficultés dans l’utilisation de l’échantillon BD-B. Nos résultats sont donc basés sur la BD-D. Rappelons que celle-ci a été construite à partir de la BD-A, les données extrêmes étant toujours présentes, et les données manquantes quantitatives ayant été approximées par une méthode d’imputation de données nommée « maximum likelihood estimation » (MLE). Le modèle que nous estimons est le suivant : p = α + β1 Ln_Montant_Intervention + β 2 Ln_CA_P + β 3 Apports/Total + β 4 MBA / CA _ P + β 5 Valorisation/CA + β 6 Dette/MBA_après_prog. + β 7 Delta_MBA + β 8 Annuité_hors_î/RN + β 9 Type_de_transmission_1 + β 10 Circonstances_1 + β11Circonstances_2 + β 12 Circonstances_5 + β 13 Lien_cédant_3 + β 14 Dernière_fonction_8 + β 15 Dernière_fonction_9 + β 16 Dernière_fonction_10 + β 17 Situation_emploi_1 + β 18 Permanence_ancien_dirigeant_1 + β 19 NAF_secteur_Autres + β 20 NAF_secteur_commerce_de_détail + β 21Crédit_vendeur_0 + β 22 Société_capital_risque_0 63 Comme on peut le noter, à la vue des résultats ci-dessous, les performances en matière de prévision des rejets de ces LOGIT sont au mieux extrêmement médiocres. Mais le principal intérêt de ce type de modèle réside davantage pour nous dans la possibilité de mesurer le degré de signification de chaque variable, chose que le partitionnement récursif ne permet pas directement. Tableau 10 : Acceptation/Rejet – Performance des LOGIT en validation croisée. BD-B Actuel 0 1 Total - P BD_D_CV_1 BD_D_CV_2 BD_D_CV_3 BD_D_CV_4 BD_D_CV_5 Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. 8 37,500% 7 0,000% 7 28,571% 8 0,000% 8 12,500% 45 100,000% 45 97,778% 45 97,778% 44 100,000% 44 100,000% 53 90,566% 52 84,615% 88,462% 52 52 84,615% 52 86,538% Total - P 15,789% 99,103% 86,973% Tournons nous maintenant vers l’étude du signe et du degré de signification de chaque variable. Pour cela, il ne nous est pas nécessaire de comparer la performance de plusieurs modèles concurrents. Dès lors, afin d’assurer plus de solidité à cette analyse, nous estimons un modèle LOGIT regroupant toutes les observations de BD_D, que nous intitulons BD_D_ALL (et non les statistiques des 5 sous échantillons de modèle de validation croisée). Les résultats détaillés sont donnés en annexe 5; on notera au passage que les coefficients et seuils de signification sont, pour chaque variable, stables dans les souséchantillons de validation croisée. D’abord les variables non significatives. Il s’agit des variables « apports/total », « montant de l’annuité hors intérêt/RN », circonstance de la transmission intitulée « dirigeant précédent malade ou décédé », la variable binaire « lien avec le cédant », toutes les variables binaires nommées « dernière fonction occupée », la variable binaire « situation emploi avant reprise », la variable binaire « permanence de l’ancien dirigeant », la variable binaire secteur d’activité codant pour « commerce de détail », et enfin la variable binaire « société de capital de risque ». Le logarithme du montant de l’intervention est fortement significatif, son signe est négatif, ce qui signifie que plus le montant de l’intervention augmente, toutes choses égales par 64 ailleurs, plus la probabilité que le dossier soit accepté diminue. Ceci semble cohérent, puisque, dans ce cas, le risque couvert par la BDPME augmente. Le logarithme du chiffre d’affaires pondéré est une variable extrêmement significative dans la décision d’acceptation/rejet du dossier. Son coefficient est toujours positif, ce qui peut être interprété par le fait que, toutes choses égales par ailleurs, plus la taille de l’entreprise augmente, plus le dossier a de chances d’être accepté. On peut ici dresser un parallèle avec la littérature sur la faillite, où on trouve fréquemment que la taille limite le risque de faillite. Il est aussi possible d’émettre l’hypothèse que plus la taille de l’entreprise est importante, plus le degré d’organisation est élevé ; dès lors la planification pourrait être plus probable (plus de candidats repreneurs à l’interne et potentiellement plus de relations avec des conseils externes dans la gestion au jour le jour : avocats, fiscalistes, experts comptables…, ce qui augmente les chances de planification de la transmission). La variable MBA/CA pondéré est centrale : en plus d’être fortement significative (valeur p inférieure à 1%), elle est une des variables pour lesquelles le coefficient est le plus élevé. Ceci tend encore une fois à démontrer qu’avant de songer à transmettre une entreprise, il faut s’assurer que celle-ci soit suffisamment viable pour l’être (Cf. Ayres, 1990 et Dyer, 1986) La variable valorisation/CA est elle aussi très significative, avec un signe positif. Nous nous attendions plutôt à ce que le signe soit négatif, c'est-à-dire que plus l’entreprise est cédée pour un prix élevé, moins la probabilité d’acceptation devrait être élevée. En fait deux optiques sont possibles : l’entreprise coûte cher parce qu’elle est surévaluée, ou elle coûte cher car elle est de bonne qualité. C’est la seconde hypothèse qui semble validée par le signe de la variable, cette bonne qualité n’étant pas prise en compte par les autres variables du modèle (ex : qualité de l’emplacement pour un fonds de commerce, ou perspectives de croissance future…). Le ratio Dettes/MBA après programme est très significatif, le signe de cette variable est négatif. Ceci est conforme à ce que nous attendions : plus le ratio est élevé, plus 65 l’endettement est important par rapport à ce que l’entreprise peut supporter. Si l’entreprise s’endette au dessus de ses capacités, le risque de défaillance devient élevé, et la banque est moins intéressée. La variable Delta MBA, qui mesure l’évolution de la MBA en termes relatifs sur les deux derniers exercices de l’entreprise, a un signe négatif et peut être considérée comme significative (valeur P de 5,91%). Cette constatation réfute l’interprétation voulant que cette variable soit un signe que l’entreprise est une société positionnée sur des marchés en croissance (information pourtant de nature positive). Ceci nous laisse penser que la banque percevrait cette augmentation de la MBA comme une tentative de montrer l’entreprise sous son meilleur jour (on peut alors supposer une tentative de gonflement des chiffres). Lorsque la variable binaire « type de transmission » est égale à 1, c'est-à-dire lorsqu’il s’agit d’une transmission de PME/PMI plutôt qu’une reprise de fonds de commerce, la probabilité d’acceptation tend à diminuer. Nous n’avons pas d’hypothèse sur la question. Concernant les circonstances de la transmission, la modalité 5 : « changement d’activité du vendeur » est très significative et son signe est négatif. Il semble que cela soit un motif de transmission qui incite à la prudence. On peut supposer que puisque la cession n’est motivée ni par un départ en retraite, ni par la maladie ou le décès, le motif puisse être lié à des difficultés dans la gestion de la firme. Certes, ceci pourrait aussi être lié à des motifs personnels. Mais compte tenu de l’impact négatif sur la probabilité d’acceptation du dossier, on peut penser que l’explication pourrait être liée à la présence d’un risque moral, le cédant tentant de bénéficier de l’asymétrie d’information entourant toute vente de ce type, pour tirer la situation à son avantage. La circonstance de décès ou de maladie n’est pas significative, et le départ en retraite ne l’est qu’avec une valeur p de 10,75% (bien que le signe soit positif, ce que nous attendions). L’expérience du secteur est hautement significative, le signe étant positif. Lorsque les analystes de la BDPME considèrent que le repreneur dispose d’une expérience du secteur, 66 toutes choses égales par ailleurs, la probabilité d’acceptation du dossier augmente. Ceci confirme l’importance des caractéristiques du repreneur dans une transmission réussie. Tous les secteurs d’activité ne sont pas significatifs. Rappelons que nous avions regroupé les secteurs en trois groupes : commerce de détail, tourisme, et autres (qui regroupent les secteurs n’ayant pas assez de cas pour pouvoir être évalués seuls par le LOGIT : commerce de gros, construction, industrie, services, services à la personne, transport). SAS a donc créé deux variables binaires (le cas de base : Tourisme, étant intégré dans la constante). La variable binaire « commerce de détail » n’est pas significative. Par contre, celle codant pour les « autres secteurs » l’est fortement. Ce qui semble indiquer que le secteur du commerce de détail ne se distingue pas de celui du tourisme. Par contre les « autres secteurs » se démarquent, et les transmissions qui s’y effectuent ont plus de chance d’y être acceptées. Ce qui laisse penser que les secteurs du tourisme, et du commerce de détail, sont des secteurs plus « difficiles ». Enfin, la variable « crédit vendeur » est presque significative à 5%. Par contre, même si nous avions envisagé cette possibilité dans nos hypothèses, le signe n’est pas conforme à ce que l’on aurait pu attendre intuitivement. En effet, lorsqu’il y a absence de crédit vendeur (=0), si l’on en croit le signe de la variable, ceci augmente la probabilité d’acceptation du dossier. Or un crédit vendeur, toutes choses égales par ailleurs, devrait limiter l’endettement du repreneur et garantir l’implication du cédant dans l’affaire (car celui-ci en cas d’échec perd une partie de son capital). Dès lors, face au signe de cette variable, on peut supposer que parce que le dossier est risqué, un crédit vendeur a été demandé par la banque finançant l’opération. L’existence d’un crédit vendeur devient dans ce cas un signal de projet risqué, plutôt qu’un élément limitant le risque. Étant donné que nous avons pris le parti, dans ces modèles LOGIT, de conserver des variables qui se sont révélées non significatives, nous avons procédé de nouveau à l’estimation du modèle incluant l’ensemble des observations de la BD_D, mais cette fois 67 avec un LOGIT avec méthode « Stepwise »26, pour s’assurer que les coefficients et les « valeurs p » demeurent stables. Comme il est possible de le constater en annexe 6, les résultats sont similaires. Légère distinction à apporter toutefois, la variable binaire « crédit vendeur », voit sa « valeur p » passer en dessous de 5% (à 4,33%), son signe ne changeant pas. Autre légère modification, la variable « circonstances de la transmission » prenant la modalité 1 (départ en retraite) voit son degré de signification décroître (12,38%). 4.3.3 Synthèse et validation par étude des motifs de rejets Nous présentons maintenant le tableau de synthèse de nos résultats. Malgré des méthodes au fonctionnement très différent, certaines lignes directrices se dégagent. Tableau 11 : Acceptation/Rejet – Synthèse des résultats Variables LOGIT RPA (BD_B_Arbre3) Degré de Sign.* Signe Significatif Point de partage Ln Montant de l'Intervention 0,87% - LN CA pondéré 0,00% + OUI 6,453 OUI 0,129 OUI 0,291 Apports / Total NS MBA / CA Pondéré 0,84% + Valorisation / CA 0,40% + Dettes / MBA après prog. 0,12% - Delta MBA 5,91% - Annuité hors î / RN Type de transmission (1) Circonstances de transmission (1) NS 1,02% NS Circonstances de transmission (5) 0,00% Lien avec le cédant (3) NS Dernière fonction occupée (8) NS Dernière fonction occupée (9) NS Dernière fonction occupée (10) NS Expérience du secteur (1) Permanence ancien dirigeant (1) NAF Secteur (Autres) NAF Secteur (Commerce de détail) Credit vendeur (0) SCR (0) - NS Circonstances de transmission (2) Situation emploi avant reprise (1) OUI OUI - OUI NS 0,00% + NS 1,84% + NS 5,73% OUI + NS *Mesurée par une valeur p proche ou inférieure à 5% 26 Nous avons fixé un seuil d’entrée de variable pour une valeur p allant jusqu’à 30%, le seuil de sortie étant défini à 15%. L’algorithme sélectionne les variables par étape : il entre une à une les variables et estime à chaque fois le LOGIT. La procédure s’arrête lorsque la dernière variable entrée est sortie immédiatement ou lorsque toutes les variables satisfaisant le premier critère ont été entrées. 68 On remarque d’abord que les critères de taille (Ln CA-P) et de rentabilité (MBA/CA-P) sont très importants. Nous pouvions nous attendre à ce résultat compte tenu de la nature de nos observations. Nous sommes, en effet, dans un contexte de financement ; que la décision repose sur des critères financiers est donc intuitif. Mais cela souligne tout de même que pour qu’il y ait succès de la transmission, ou tout simplement pour que la transmission soit possible, il faut s’assurer en premier lieu que l’entreprise soit profitable. Ceci donne crédit au pan de la littérature concernant le transfert de propriété, notamment aux travaux de Ayres (1990). Ce dernier souligne que la première étape de la transmission est de s’assurer de la pérennité de l’entreprise, ce qui implique de se pencher sur sa viabilité économique. Rappelons nous qu’il rejoignait en ce point Dyer (1986) pour qui la transmission doit intervenir lorsque à la fois l’entreprise est en bonne condition et le successeur est prêt. Ce second élément, concernant la préparation du successeur, est justement pris en compte par la variable « expérience du secteur » dans le LOGIT et par la « dernière fonction occupée » dans l’arbre de décision. Enfin, les circonstances de la transmission sont elles aussi considérées comme importantes dans la décision de crédit. On ne peut toutefois pas associer pleinement cette variable à un indicateur du niveau de planification de la transmission (la circonstance un : départ en retraite, de même que la circonstance deux : dirigeant malade ou décédé, n’étant pas nettement significative). Il s’agirait plutôt d’un problème de risque moral (changement d’activité du vendeur). Nous avons tenté de valider de nouveau nos résultats en classant en catégories les motifs de rejets avancés par les responsables de crédit. Il est important de garder ici en mémoire que ces motifs de rejets s’appuient sur l’impression générale du décideur sur le dossier et non sur des variables quantitatives prises individuellement. Les raisons invoquées pour refuser un dossier sont souvent multiples ; c’est pourquoi la somme des motifs de rejet est supérieure au nombre de dossiers rejetés pour lesquels ce type d’information a été collecté. 69 Tableau 12 : Motifs de rejets avancés par les responsables crédit Nbre de citation % des dossiers rejetés repreneur ou expérience 36 30,00% inadaptée Apports trop faibles Prix de cession trop élevé Prévisionnel non réaliste ou 36 22 30,00% 18,33% pas de faisabilité sur le 16 13,33% 11 9,17% 7 5,83% 5 4,17% 24 20,00% Motifs de rejets Pas d'historique probant Expérience insuffisante du 71 prév. Repreneur ayant des résultats peu probants Activité en déclin ou peu de visibilité sur activité Contexte concurentiel ou secteur difficile Autre motifs Nbre de dossiers rejettés 59,17% 120 On note d’abord que les critères financiers sont les plus importants, ce qui est totalement cohérent avec ce que nous avons dit plus haut. En premier lieu, celui de la faisabilité. Il n’est pas envisageable de transmettre une entreprise via un montage financier faisant appel à l’endettement si la firme ne peut « se payer elle-même » ou, pire, si elle est à peine viable telle qu’elle est. Les seconds motifs ex-aequo de rejet touchent au repreneur. D’abord les apports du repreneur, qui sont à la fois un indicateur de risque pour la banque, et sont aussi la garantie que le repreneur est suffisamment engagé dans le processus de reprise pour y mettre toute son énergie. On notera ici que les résultats obtenus par le LOGIT et l’algorithme de partitionnement récursif ne trouvent pas cette variable significative. En étudiant notre base de données de plus près, on peut en effet noter qu’il n’est pas rare que des dossiers acceptés aient des apports faibles. Ensuite, le second motif de rejet ex-aequo est non financier, il s’agit de la variable « expérience du repreneur » qui est assez suggestive. En lisant en détail les motifs de rejet, on peut remarquer que les responsables de crédit de la BDPME accordent davantage d’importance à l’expérience du secteur d’activité qu’à l’expérience de 70 gestion du repreneur. Le cumul des deux est préférable, mais il semble que l’expérience ou la connaissance du secteur soit un incontournable. Toujours concernant le repreneur, il faut noter que dans 9,17% des dossiers rejetés le repreneur avait des résultats peu probants, c'est-à-dire que les entreprises dans lesquelles il a assumé le rôle de dirigeant ou de gérant ont connu de piètres performances (rentabilité médiocre, incidents de paiement etc.). Aucune variable de ce type n’était présente dans notre base de données. D’où la nécessité dans le futur d’intégrer aux variables de l’étude des indicateurs tels que la note de crédit du repreneur (nous reviendrons sur ce point en section 6) afin d’améliorer la capacité de prévision. Les autres motifs de rejet sont essentiellement financiers : prix de cession trop élevé, prévisionnel non réaliste... L’importance de l’environnement sectoriel est faible. Si l’on se penche sur la catégorie « autres motifs de rejets » (présents dans 20% des dossiers), on note que la moitié de ces rejets sont liés à un montage inadapté : durée du prêt trop courte ou trop longue, repreneurs « dormants », c'est-à-dire qui ne seront pas exploitants de l’affaire, besoins de trésorerie non couverts la première année, garanties données insuffisantes... L’importance des variables non financières (expérience, circonstances de transmission…) mise en évidence par l’expérience de la BDPME, souligne la nécessité de ne pas se limiter aux variables purement financières dans la décision de financement des transmissions d’entreprises. Ainsi, il nous semble que l’industrie bancaire pourrait davantage tirer parti des études académiques réalisées sur le transfert de leadership. Inversement, les universitaires qui ont délaissé l’aspect financier (transfert de propriété) pour se concentrer sur les problématiques de management (transfert de leadership) devraient chercher à apprendre des financiers pour avoir une vision plus globale du processus de transmission. 71 5. Résultats concernant le statut du dossier (faillite/survie) Après avoir étudié dans la section précédente la décision de crédit, nous passons maintenant à l’analyse du statut des crédits accordés. Deux cas sont possibles, en l’occurrence soit le dossier est en contentieux, ce qui implique que l’entreprise est en faillite, soit il ne l’est pas, auquel cas, l’entreprise est en vie27. La méthodologie utilisée est similaire à celle mise en œuvre dans la section 4. 5.1 Construction de l’échantillon Lorsque l’on observe l’évolution des taux de faillite dans le temps, par génération, on peut noter un pic par rapport à la tendance. Celui-ci se situe en moyenne sur la seconde et la troisième année. On peut donc considérer que les faillites principalement liées à une mauvaise transmission de l’entreprise ont lieu dans les trois premières années suivant le transfert. En conséquence, pour étudier spécifiquement la faillite liée à la transmission, il faudrait utiliser un système de fenêtres mobiles. Par exemple, pour une transmission effectuée en 1997, il faudrait regarder si l’entreprise est en vie à la fin 2000 (et non en 2004 comme présentement). De même, en 1998, on devrait s’assurer que l’entreprise est en vie en fin 2001, et ainsi de suite. Ce n’est pas possible avec notre échantillon actuel, puisque l’information concernant le statut du dossier a été collectée à une date unique (2004). C’est notre premier biais. Pour le limiter, nous choisissons d’étudier les transmissions effectuées entre 1997 et 2000 (inclus), ceci pour tenir compte du fait que 2001 est une année charnière sur le plan économique. Avant 2001, l’économie française est sur un cycle ascendant, alors que la croissance économique est plus faible par la suite. Il y a donc possibilité de constituer deux groupes relativement homogènes en termes de dates : les transmissions effectuées avant 27 Il peut être possible que des entreprises censées être en vie ne le soient pas. Ce cas peut se produire lorsque la récupération des garanties données par l’emprunteur couvre le montant dû à la banque. Auquel cas cette dernière n’aura peut être pas activé la garantie auprès d’Oséo-Bdpme, le dossier n’est alors pas classé en contentieux. Nous considérons que ces cas sont marginaux. 72 2001, et celles effectuées de 2001 à 2004. Toutefois, nous n’avons pas assez de recul sur la seconde période ; le nombre de faillites est trop faible à partir de 2002 pour que nous nous livrions à une analyse. C’est pourquoi nous nous concentrons sur les dossiers antérieurs à 2001. Le second biais tient aussi à la conception de l’échantillon. En l’occurrence, on doit se demander si il est pertinent d’étudier les facteurs de faillite en ne se basant que sur des dossiers préalablement acceptés. Nous développons cet argument, ainsi que la manière d’y remédier, dans le protocole de recherche ultérieur proposé à la section 6.4. Compte tenu de ces limites, nous considérons que l’analyse menée dans cette section est de nature exploratoire. De manière similaire à la méthodologie utilisée dans la section précédente, nous repartons de notre base de données secondaire (Cf. 4.1.2). Se limiter aux années antérieures à 2001, engendre la suppression de 1130 observations. Par la suite, nous nous concentrons sur les prêts d’une durée de 7 ans, ce qui conduit aussi à la suppression de 206 observations. Il ne reste donc plus que 799 observations. Nous baptisons cette banque de données BD_S/F ; ses statistiques descriptives sont données plus bas (Cf. 5.2). BD_D/F contient, elle aussi, des données manquantes. En conséquence, nous nous livrons d’abord, comme en section 4.1.2, à une sélection des variables. Pour cela, nous construisons, comme précédemment, plusieurs modèles LOGIT et de partitionnement récursif. Tel qu’on peut l’observer sur le tableau ci-dessous, les modèles LOGIT obtenus posent problème. En effet, les statistiques de ces régressions indiquent que le pouvoir explicatif des modèles LOGIT incluant nos variables est inférieur ou quasiment équivalent au pouvoir explicatif de LOGIT incluant seulement l’ordonnée à l’origine (« Intercept »). 73 Tableau 13 : Faillite/Survie - Statistiques des régressions LOGIT BD_S/F Model Fit AIC SC -2 Log L Logit 1 Logit 2 Logit 3 Logit 4 Intercept Intercept & Intercept Intercept & Intercept Intercept & Intercept Intercept & only covariates 304,360 308,201 302,360 321,655 386,946 287,655 only covariates 304,360 308,201 302,360 303,473 318,835 295,473 only covariates 152,654 155,766 150,654 142,252 248,060 74,252 only covariates 152,654 155,766 150,654 153,104 159,328 149,104 Test BETA=0 Ratio de vraisemblance Score Wald 0,5463 0,7241 0,7013 0,0756 0,1356 0,0909 <,0001 0,0100 0,9340 0,2130 0,2163 0,2187 L’AIC (« Akaike’s Information Criterion ») et le SC (« Schwartz Criterion ») sont des mesures fréquemment utilisées pour juger de la capacité d’un modèle à s’ajuster (« fit ») aux données ; ils permettent notamment de comparer des modèles entre eux. Plus la valeur de ces indicateurs est basse, plus le modèle est bon. Pour le LOGIT 128, on note ainsi que la capacité du modèle ne contenant comme paramètre que la constante à s’ajuster aux données est supérieure à celle du modèle incluant les variables explicatives. Le constat est très similaire pour le LOGIT 2 et le LOGIT 4. Les résultats sont plus contradictoires pour le LOGIT 3. Par ailleurs, dans 3 des modèles ci-dessus, on ne peut rejeter, à un niveau de confiance de 5%, que l’ensemble des coefficients des variables explicatives soit nul. Plus explicitement, cela signifie que le pouvoir explicatif de nos variables est nul dans ces modèles. Il nous semble donc inutile de poursuivre plus loin l’exploration avec des modèles LOGIT. Par contre, compte tenu de la tolérance du partitionnement récursif aux données manquantes et aux données extrêmes, et de sa capacité à capter les non linéarités dans les données, nous pouvons espérer une performance meilleure. N’étant plus contraint par les modèles LOGIT, nous conservons l’ensemble des variables, l’algorithme se chargeant de la sélection. 28 Les LOGIT construits sont exactement identiques à ceux de la section 4, seule la variable expliquée change. Il s’agit maintenant de la variable binaire survie/contentieux. Pour mémoire : Logit 1: Estimation du modèle avec pour uniques variables les variables quantitatives Logit 2: Estimation du modèle avec pour uniques variables les variables quantitatives, utilisation d'une procédure d’élimination récursive, seuil de signification de 10% pour rester dans le modèle, Logit 3: Estimation du modèle avec toutes les variables, utilisation d'une procédure de sélection par ajout, significativité de 20% pour rester dans le modèle. Logit 4: Estimation du modèle avec toutes les variables, utilisation d'une procédure d’élimination récursive, seuil de signification de 10% pour rester dans le modèle. 74 5.2 Statistiques descriptives On peut noter quelques différences intéressantes qui permettent de tenter de dresser un portait des sociétés ayant fait faillite. Pour cela, compte tenu de la présence de données extrêmes, nous préférons nous concentrer sur la médiane plutôt que la moyenne. Les transmissions qui ont échoué semblent au départ avoir une rentabilité plus faible que celles qui ont survécu, tant en termes de résultat net que de MBA. En contrepartie, elles sont achetées moins cher, du moins en apparence. En effet, la valorisation sur le chiffre d’affaires est plus faible ; mais à y regarder de plus près, elle est plus élevée en termes de MBA sur chiffre d’affaires. Le repreneur, s’il pense faire une bonne affaire en basant sa décision principalement sur le multiple de chiffre d’affaires, sans tenir compte du multiple de MBA, commet vraisemblablement une erreur. Par ailleurs, les transmissions qui échouent ont des apports du repreneur légèrement plus faibles. Ceci s’ajoute à une rentabilité déjà plus faible. Ces deux éléments viennent directement influencer le ratio annuité hors intérêt sur le résultat net. Celui-ci, toujours en considérant la médiane, est plus élevé de 10 points pour le groupe des faillites que pour celui des survies. Ceci indique que les montages sont davantage tendus pour le groupe des faillites. 75 Tableau 14 : Faillite/Survie – Statistiques descriptives BD-S/F Variables LN Mt. intervention Survie Nbre Moyenne et Observ. écart type 660 Faillite Médiane 11,7692204 11,7114402 N - Obs 139 1,1067638 Nombre de repreneurs 660 1,5393939 569 139 547 39,2363796 40,0000000 10,6645338 621 6,0359199 597 0,2697342 105 11,9238095 8,3381653 4,0000000 597 0,6568902 5,7235851 129 621 0,1050276 0,2665037 125 621 0,1049104 0,6666667 125 621 0,7797275 0,0560565 129 549 4,4089862 0,0690827 129 553 4,1531032 0,5472529 129 531 0,7232049 4,8141795 117 479 0,5313182 3,5099454 113 542 1,6239779 0,1333333 113 601 0,8114450 5,9176604 76 1,1657268 0,0617816 0,5769569 0,4690739 9,5487398 5,4261515 4,1149276 3,2797850 0,7184421 0,1250000 2,9969593 0,1111111 104 15,2630174 0,0356791 151,6437549 0,0550993 115 10,2174362 Annuité hors î / RN 0,0489960 2,9018157 2,2783807 Delta MBA Retraitée 0,0727420 24,0339384 3,7814921 Delta MBA 0,6857143 0,4352790 3,0805883 Delta RN 0,6691924 12,2263578 34,4677475 Dette / MBA après prog. 0,2500000 0,0929301 1,5256681 Valorisation / MBA P 0,2542709 0,1541067 0,1623580 Valorisation / CA P 5,7137328 0,1120135 0,2067400 MBA / CA Pondéré 5,8706841 1,4049054 0,1686685 RN / CA Pondéré 4,0000000 23,0362153 0,1538043 Banques / Total 1,0000000 39,2272727 40,0000000 1,4276950 Apports / Total 1,3956835 121 17,9002472 LN CA Pondéré 11,5989330 11,4237599 0,6211106 8,3482631 Effectif cible Médiane 1,1013636 1,0000000 0,8020987 Age du repreneur Moyenne et écart type 1,7782013 0,0889216 5,3504616 0,5444286 123 1,2655577 6,0301168 0,6474653 5.3 Résultats Nous avons procédé à plusieurs essais avec des probabilités a priori et des coûts variables de mauvaise classification29. Nous avons retenu des probabilités de faillite conformes à celles observées dans l’échantillon. Par contre, la démarche est plus empirique lorsqu’il s’agit de déterminer les coûts de mauvaise classification. Il est évident que financer une transmission dont on a la certitude qu’il y aura faillite revient plus cher (c'est-à-dire classifier une faillite en survie), que de refuser de financer une entreprise dont on sait qu’elle ne fera pas faillite (c'est-à-dire classifier une survie en faillite). Si l’on estime qu’en cas de faillite, les banques sont capables de récupérer environ 70% de l’encours de leur prêt, il ne reste plus que 30% à assumer pour Oséo-BDPME. D’un autre coté, classer une survie en faillite, c'est-à-dire refuser de contre-garantir alors qu’on aurait dû le faire, prive Oséo-BDPME d’une prime annuelle d’environ 0,75% de l’encours du prêt. La difficulté consiste à déterminer quelle est l’importance relative d’un coût de mauvaise classification par rapport à l’autre, d’autant plus que cette importance relative est variable selon le temps restant jusqu’à l’échéance du prêt. En effet, le taux de récupération en cas de faillite augmente dans le temps puisque la valeur intrinsèque des actifs de l’entreprise devrait atteindre un palier, alors que la valeur de l’encours du prêt décroît jusqu’à être nulle. Parallèlement, le montant des primes accumulées augmente dans le temps. Le tableau 15 montre la performance des modèles obtenus lorsque le rapport des deux coûts de mauvaise classification est de 3 pour 1 (coût 3 fois plus importants pour une faillite classée en survie que pour une survie classée en faillite). 29 Ceci afin que l’algorithme cherche à réduire davantage le type d’erreur le plus coûteux (Cf. section 3.2.2). 77 Tableau 15 : Faillite/Survie – Performance du RPA en validation croisée BD-S/F Réel Survie Faillite Total - P RPA_CV_1 RPA_CV_2 RPA_CV_3 RPA_CV_4 RPA_CV_5 Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. Nbre Tx bonne Cl. 132 74,242% 132 94,697% 132 91,667% 132 83,333% 132 94,697% 28 21,429% 28 14,286% 28 17,857% 28 17,857% 27 14,815% 160 65,000% 160 80,625% 78,750% 160 160 71,875% 159 81,132% Total - P 87,727% 17,266% 75,469% Comme on peut le noter, la capacité à correctement classer les faillites est faible. Il est possible d’augmenter le taux de bonne classification des faillites, mais ceci s’effectue au détriment de la bonne classification des survies. Nous pensons que l’ajout de variables importantes, comme la note de crédit du repreneur, pourrait améliorer sensiblement la performance du modèle. Nous présentons ici le premier modèle, qui offre un taux de bonne classification des faillites meilleur que ses concurrents. L’arbre représentant ce premier modèle est disponible en annexe 8. Le premier nœud fait intervenir un critère de nature financière : le multiple de valorisation par rapport au chiffre d’affaires. Au dessus de 73% (sur la droite), le nœud suivant utilise le ratio dette sur MBA après programme. Il est intéressant de noter que la combinaison d’une valorisation supérieure à 73% avec un ratio « Dette/MBA après programme » inférieur à 5,73, permet d’arriver à un nœud très pur (nœud terminal 10). Dans ce nœud terminal 10, 95% des observations sont des survies. Pour le reliquat du nœud « Dette/MBA après programme », c’est la dernière fonction occupée qui intervient. On note que sur ce profil de transmission : entreprises assez chères en termes de valorisation, avec un endettement après programme élevé, les repreneurs ayant exercé précédemment une fonction de cadre ou de dirigeant dans un autre secteur ont peu de chances de succès. Une autre vision des choses est possible si l’on émet l’hypothèse que la valorisation sur chiffre d’affaires est un indicateur de la qualité de la firme. En d’autres termes, les firmes payées plus cher le sont car elles sont pour la majorité de meilleure qualité. Une minorité de ces firmes pourraient toutefois être de mauvaise qualité. Pour les identifier, il faut alors trouver d’autres variables qui viennent confirmer le signal de qualité (noeud1 : valorisation/CA). Cet indicateur de qualité est validé lorsque la dette de la firme après programme ne représente pas plus de 5,7 années de MBA. Dans les cas où ce seuil est dépassé, l’entreprise est très vraisemblablement payée trop cher, et il y a lieu d’avoir des doutes sur la viabilité de cette 78 transmission. A moins que le repreneur n’ait, les qualités de gestionnaires, et/ou la connaissance du métier requises (dernière fonction occupée = dirigeant/gérant dans le même secteur (1), cadre de direction (2), ingénieur (4), technicien (6), employé (7)). Si l’on reprend l’hypothèse envisagée ci-dessus, la branche gauche du nœud 1 regroupe davantage d’entreprises susceptibles d’avoir des perspectives moins bonnes, puisqu’elles sont payées moins cher. Le nœud qui intervient par la suite utilise le critère des circonstances de la transmission. Parmi les circonstances de la transmission, la catégorie « précédent dirigeant malade ou décédé » (2), et « changement d’activité du vendeur » (5) se distinguent. Nous les avions identifiées précédemment comme des facteurs négatifs. Pour les circonstances listées ci-dessus, c’est ensuite le critère de la classe d’âge de la firme qui fait son apparition (nœud 5). De l’autre coté (nœud 3), c’est la dernière fonction occupée qui apparaît de nouveau. De nouveau, avoir été dirigeant dans le même secteur est un critère de succès (1), de même qu’être ingénieur (4), ou employé (7). S’y ajoute, cette fois, le fait d’avoir été cadre (5). Ceci laisse entendre, à ce stade, que les transmissions identifiées comme plus à risque à en juger par le ratio valorisation/CA (entreprises que l’on suppose plus faibles car payées moins cher), peuvent se révéler être des succès lorsque la transmission s’effectue dans des conditions favorables (circonstances de la transmission et dernière fonction occupée par le repreneur). Elles apparaissent alors dans le nœud terminal 1. Pour les autres (nœud 4) intervient ensuite une variable liée au secteur d’activité, mais ceci est difficilement explicable. Le nœud 5, au centre de l’arbre, devient aussi assez complexe. On peut toutefois noter un critère de taille (nœud 6), les entreprises les plus grandes survivant. Pour celles de plus petite taille et pour lesquelles l’endettement représente une part supérieure du résultat net (nœud 7), le risque d’échec de la transmission est très élevé. Sur la branche droite du nœud 5, on note que les entreprises payées trop cher en termes de valorisation sur chiffre d’affaires ont de fortes chances de faillite (nœud terminal 9). Cette section exploratoire a permis de confirmer, que les variables de type managérial sont un bon complément aux variables financières pour ce qui touche à la problématique de la transmission. Ainsi, les circonstances de la transmission jouent un rôle important. Nous 79 avions souligné dans la section 4 que le changement d’activité du vendeur semblait être un facteur considéré comme négatif ; ceci est validé ici (le nœud 5 contient une proportion de faillites beaucoup plus importante que le nœud 3). Une transmission précipitée (dirigeant malade ou décédé) est aussi un facteur d’échec, comme nous nous y attendions d’après la littérature (planification limitée). Autre variable de type managérial, l’expérience du secteur n’apparaît pas cette fois en tant que telle. Toutefois rien ne permet d’affirmer qu’elle n’est pas importante. En effet, avoir été dirigeant dans le même secteur demeure un facteur de succès, alors qu’avoir été dirigeant dans un autre secteur semble être moins favorable. Parmi les variables financières, le ratio « valorisation sur chiffre d’affaires » apparaît de nouveau, de même que le ratio « dettes/MBA après programme ». Malgré des résultats qui vont dans le sens d’une confirmation des pistes suggérées dans la littérature, de nombreuses améliorations de ces modèles sont possibles, permettant de prendre en compte, entre autres, des dimensions importantes de la transmission. Nous proposons dans la section suivante un protocole de recherche résumant ces améliorations. 80 6. Protocole de recherche ultérieure Le présent mémoire, s’il se démarque des autres études de la littérature sur la transmission par la taille de son échantillon, n’en demeure pas moins qu’un premier pas permettant d’associer une vision managériale à une vision financière. De nombreuses améliorations sont possibles : les apports des modèles SBCS et de faillite ne sont pas totalement utilisés, de nouvelles variables qualitatives sur les circonstances de la transmission pourraient être intégrées. Nous présentons ici une ébauche d’une telle étude. 6.1 Objectifs Créer un outil d’aide à la décision permettant de gagner du temps dans l’étude des dossiers de transmission. Nous avons montré qu’il était possible de reproduire la décision des analystes avec un taux de bonne classification convaincant, même sur un sous-échantillon d’observations de mauvaise qualité (données manquantes et/ou extrêmes). Après cette phase exploratoire, il est possible d’aller plus loin, et grâce à l’ajout de nouvelles variables de bâtir un outil qui permettra de déterminer avec fiabilité et rapidité les dossiers qui peuvent être acceptés immédiatement. D’autre part, sur le plan académique, des études de ce type devraient permettre de rapprocher les éléments du transfert de leadership et ceux du transfert de propriété (au moins les aspects financiers du transfert), ce qui pourrait favoriser la cohérence des modèles théoriques. Enfin, l’objectif est de permettre la diffusion des facteurs de succès d’une transmission de PME, ce qui pourrait favoriser l’adoption des meilleures pratiques en la matière. 6.2 Variable étudiée Une recherche ultérieure devrait se pencher spécifiquement sur les causes de l’échec de la transmission. L’échec serait comme ici mesuré par un dossier en contentieux. 81 6.3 Période étudiée La période étudiée devrait couvrir, au minimum, une année complète, avec un recul de 2 ans minimum suite à la date de mise en place du crédit. Idéalement, l’étude devrait durer 3 ans avec une période d’observation subséquente pouvant aller jusqu’à 7 ans (soit la durée médiane des prêts à la transmission de PME). Il est évident que plus la durée de collecte des données sera longue, plus il sera possible de prendre en compte l’impact des cycles économiques, ou des cycles spécifiques à chaque secteur d’activité. Les deux options présentées dans le schéma ci-dessous sont envisageables. Une combinaison intermédiaire étant aussi concevable si l’on considère que le risque « transmission » se situe dans les deux ou trois premières années de la vie du prêt, ou que la grande majorité des activations de la contre-garantie a lieu dans les premières années. Figure 8 : Hypothèses de collecte de données t0 t3 t1 Projet restreint Collecte t0 t1 Exploitation t10 t3 Projet étendu Collecte Exploitation 6.4 Type de dossiers à collecter Idéalement, l’échantillon devrait inclure, en plus des dossiers acceptés, les dossiers refusés. Comme le souligne, entre autres, Roszbach (2004), les modèles de notation de crédit construits sur des dossiers acceptés sont sujets à un biais de sélection, alors qu’ils seront utilisés sur l’ensemble des dossiers soumis (ce qui inclut, bien sûr, des dossiers qui seront 82 refusés). Remédier à ce biais est cependant extrêmement délicat puisque si le dossier a été refusé, d’une part il est probable que la transmission n’ait pas eu lieu et, d’autre part, il n’est plus possible de se procurer facilement de l’information sur la firme. Habituellement, lorsque les banques sont confrontées à ce type de problème dans la mise au point d’un modèle de « credit scoring », elles vont, durant la période d’étude, accepter des dossiers qu’elles auraient normalement refusés, puis observer le résultat. Ce processus est typiquement réalisé de manière aléatoire. Ainsi la filiale financière de la chaîne de magasins Sears, Sears Credit, pour mettre au point son modèle de « credit scoring » de prêts à la consommation a accepté, durant la période de collecte des données, l’ensemble des soumissions qui lui étaient transmises pour un jour donné de la semaine (ex. mardi), ceci sans distinction. Bien évidement, acquérir de l’information par ce biais est coûteux, le nombre de contentieux augmentant. 6.5 Variables à collecter En plus des variables ayant donné de bonnes performances, ou celles collectées habituellement par la BDPME, il semble pertinent d’ajouter les variables suivantes. Sur la base des modèles SBCS, il faudrait réunir des variables sur la qualité de crédit du dirigeant (notamment la cotation banque de France du dirigeant : « indicateur des dirigeants personne physique ou des entrepreneurs individuels »), et sur la qualité de crédit de l’entreprise (« fichier des incidents de paiement-effets », « cotation banque de France »). Ces données sont habituellement collectées lors de l’analyse du dossier par la BDPME. Sur la base des modèles de la littérature sur les faillites, nous pourrions collecter les variables financières suivantes. Tout d’abord les grands postes de bilan (actif total, actif à court terme, actif à long terme, passif à court terme, endettement retraité, montant des réserves). Les variables financières déjà collectées : MBA, MBA retraitée, résultat net, chiffre d’affaires demeurent pertinentes. On pourrait toutefois réfléchir à une autre mesure des flux générés par l’exploitation qui inclurait la variation du besoin en fonds de roulement (ex : Bénéfice Avant Intérêt et Impôts + Amortissement + Variation du BFR). De même pour celles ayant trait au plan de financement : montant de l’intervention, valorisation, montant des apports. 83 Il pourrait être opportun de réfléchir à la modification des variables caractéristiques du repreneur (nouvel agencement des variables d’expérience, et de niveau d’études). De même pour les circonstances de la transmission, où la modalité « transmission familiale anticipée » semble peu pertinente (très peu de cas). Pour les caractéristiques de l’entreprise reprise, l’année de création de l’activité ou, à défaut, la date de dernière transmission (certains fonds de commerce sont transmis très souvent) seraient des variables intéressantes à ajouter (si l’entreprise ou le fonds de commerce est transmis trop souvent, c’est peut-être que son exploitation est peu viable). Comme semble l’indiquer la littérature, les caractéristiques du cédant pourraient avoir leur importance sur la qualité du processus de transition : âge et niveau d’études pourraient être collectés. La durée pendant laquelle le cédant reste dans l’entreprise pour accompagner le repreneur, donnée déjà collectée, est vraisemblablement un bon indicateur. La planification demeure, quant à elle, une variable souvent citée, mais difficilement mesurable, sauf à s’assurer que le repreneur et le cédant ont bien fait appel à un fiscaliste, un avocat ou un notaire, un conseiller financier etc., ce qui est difficilement concevable. Si la collecte de données s’effectue sur quelques années, des variables macro-économiques pourraient être introduites : évolution du PIB, de la consommation, des investissements, niveau de confiance des entrepreneurs par secteur d’activité… Enfin, il est indispensable que la collecte s’effectue de manière méticuleuse afin de limiter le nombre de données manquantes. Les modalités pratiques de cette collecte restent à définir. 84 Conclusion Dans un premier temps, nous avons vu que la littérature sur la transmission d’entreprise, bien qu’elle comprenne deux champs, s’est développée de manière déséquilibrée, se concentrant essentiellement sur le transfert de direction, au détriment du transfert de propriété. Nous avons pu aussi noter que l’essentiel des recherches sur le sujet s’appuie sur des échantillons de petite taille. Par la suite, nous nous sommes interrogés sur ce que pouvaient apporter les modèles financiers. Cette démarche nous a permis d’identifier des variables complémentaires à celles de la littérature sur la transmission d’entreprises, grâce à l’étude des principaux modèles de prévision de faillite et des dernières avancées des modèles de notation de crédit, appliqués aux prêts aux PME. Nous avons ensuite commencé à exploiter la base de données de près de 3000 transmissions qui nous a été fournie par Oséo-BDPME. Notre premier constat porte sur la performance des méthodes statistiques que nous avons utilisées. La capacité de bonne classification du partitionnement récursif, évaluée par validation croisée sur un échantillon de contrôle, apparaît nettement supérieure à celle de la méthode LOGIT. Nous le constatons même si nous ne rendons pas totalement justice à CART : en limitant le nombre de variables, et en traitant les données manquantes, nous avons contraint notre base de données et nous n’avons pas permis au partitionnement récursif, méthode très tolérante, de donner son plein potentiel. Concernant les facteurs de succès de la transmission, nos résultats vont dans le sens d’éléments identifiés dans la littérature concernant le transfert de propriété. En particulier, nous avons mis en lumière l’importance de s’assurer de la viabilité de l’entreprise à transmettre, comme l’ont souligné Dyer (1986) et Ayres (1990). La taille de l’entreprise transmise a été identifiée comme jouant un rôle dans le succès de l’opération, aussi bien dans la décision d’acceptation/rejet que dans la survie/faillite. Des schémas associant taille de la firme, rentabilité, circonstances de la transmission et expérience, au sens large, du repreneur semblent ainsi se dessiner. La poursuite de cette étude avec un plus grand nombre de données devrait permettre de dresser une typologie de ces combinaisons. Il n’existe 85 toutefois, à l’issue de ce mémoire, aucune ambiguïté sur l’importance de l’expérience du secteur d’activité comme facteur de succès pour le repreneur. A l’inverse, l’expérience managériale ne peut clairement être identifiée comme un facteur de succès. Les circonstances de la transmission jouent assurément un rôle. Ainsi, le changement d’activité du vendeur, ou le fait que la cession s’effectue à la suite d’une maladie ou du décès du dirigeant précédent, apparaissent comme des facteurs d’échecs de la transmission. Nous pensons que toute institution financière qui souhaiterait mettre en place un modèle de « credit scoring » ou d’aide à la décision pour l’attribution de prêt à la transmission d’entreprise devrait impérativement inclure des variables de type managérial (circonstances de la transmission, expérience du secteur) à son modèle financier. A l’inverse, cette étude a aussi mis en évidence que les chercheurs devraient davantage se tourner vers le transfert de propriété et les variables financières, plutôt que de se concentrer sur le terrain déjà bien défriché des facteurs de succès liés au transfert de leadership. 86 Bibliographie Altman, E.I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance, September. Altman, E.I.; Haldeman, R.G., Narayanan P. (1977). ZETA Analysis: a new model to identify bankruptcy risks of corporations. Journal of Banking and Finance, 1, p.29-51. Aronoff, C-E (2001). Understanding family-business survival statistics. Supply House Times, juillet, P34-35. [St-Cyr et al. (2005)] Astrachan, J. H.; Shanker, M. C. (2003). Family businesses’ contribution to the U.S. economy: A closer look. Family Business Review, 16(3), p.211–219. [Sharma (2004)] Ayres G.R. (1990). Rough Family Justice: Equity in Family Business Succession Planning. Family Business Review, 3(1), p.3-22. Barach, J.A.; Gantisky, J.; Carson, J.A.; Doochin, B.A. (1988). Entry of the next generation: Strategic challenge for family business. Journal of Small Business Management, 26(2), p.49–56. [Le Breton-Miller et al. (2004)] Barach, J.A.; Gantisky, J.B. (1995). Successful succession in family business. Family Business Review, 8(2), p.131–155. [Le Breton-Miller et al. (2004)] Barry, B. (1975). The development of organization structure in the family firm. Journal of General Management, 3, p. 42-60. [File & Prince (1996)] BDPME (1998). La transmission des PME-PMI: 10 années d’expérience de la Banque du Développement des PME. Document en ligne : www.oseo.fr Beaver, W. (1966). Financial ratios as predictors of failure. Journal of Accounting Research, 5(Suppl.), p.71-111. Beaver, W. (1967). Financial Ratio as Predictors of Failure, Empirical Research in Accounting: Selected Studies 1966. Journal of Accounting Research, Supplement to vol.4, 1967, p.71-111. Beaver, W. (1968). Market prices, financial ratios and prediction of failure. Journal of Accounting Research, autumn. Berger & Frame (2005). Small Business Credit Scoring and Credit Availability. Federal Reserve Bank of Atlanta, working paper 2005-10, may 2005. Birley, S. (1986). Succession in the family firm: The inheritor’s view. Journal of Small Business Management, 24(3), 36–43. [Le Breton-Miller et al. (2004)] 87 Bjuggren, P.O.; Sund, L.G (2002). A transaction Cost Rationale for Transition of the Firm within the Family. Small Business Economics, 19(2), p. 123-133. Bork, D. et al. (1996). Working with Family Businesses: A Guide for Professionals. San Francisco: Jossey Bass. [Potts et al. (2001)] Breiman, L. ; Friedman, J.H. ; Olshen, R.A. ; Stone, C. (1984). Classification and Regression Trees, 358 pages, Wadsworth International Group, Belmont, Californie, EtatsUnis, ISBN 0-534-98053-8. Chp. 2 Burkart, M.; Panunzi, F.; Shleifer, A. (2003). Family firms. The Journal of Finance, 58(5), p. 2167-2201. Cabrera-Suárez, K.; De Saá-Pérez, P.; García-Almeida, D. (2001). The succession process from a resource and knowledge-based view of the family firm. Family Business Review, 14(1), p.37–47. [Le Breton-Miller et al. (2004)] Cadieux, L., Lorrain, J. (2004). Et si assurer la relève dépendait aussi de la manière dont les prédécesseurs réussissent à se désengager? Gestion, Revue Internationale de Gestion, 29(3), p.120-128. [St-Cyr et al. (2005)]. Chrisman, J.J.; Chua, J.H.; Sharma, P. (1998). Important attributes of successors in family businesses: An exploratory study. Family Business Review, 11(1), p.19–34. [Le BretonMiller et al. (2004)] Churchill, N.C.; Hatten, K.J. (1987). Non-Marked-Based Transfers of Wealth and Power: A Research Framework for Family Business. American Journal of Small Business, 11(3), p.51-64. [St-Cyr et al. (2005), Inoussa & St-Cyr (2000)] Cliffe, S. (1998). Family Business: Facing up to Succession. Harvard Business Review, 76(3), p.16-17. [Inoussa & St-Cyr (2000)] Coats, P. K.; Fant L.F. (1993). Recognizing Financial Distress Patterns Using a Neural Network Tool. Financial Management 22(3), p. 142-155. Commission Européenne (1994, July 23). Communication of the Commission on the transfer of enterprises, Actions for SMEs. Official Journal of the European Communities, C, Information and Notices, Luxembourg: Office for Official Publication of the European Communities (Background to 94/C 400/01.) [Bjuggren & Sund (2002)] Danco, L.A. (1980). Inside the family business. Cleveland, Ohio: University Press. [Handler & Kram (1988)] Deakin, E. (1972). A discriminant analysis of predictors of business failure. Journal of Accounting Research, Autumn. [Scott (1981)] 88 Demsetz, H.; Lehn, K. (1985). The structure of corporate ownership: Causes and consequences. The Journal of Political Economy, 93, p.1155-1177. [Burkart et al. (2003)] Duman, R. (1992). Family firms are different. Entrepreneurship Theory and Practice, 17, p.13-21. [Morris et al. (1997)] Dyck, B.; Mauws, M.; Starke, F.A.; Mischke, G.A. (2002). Passing the baton: The importance of sequence, timing, technique and communication in executive succession. Journal of Business Venturing, 17(2), p.143–162. Dyer, W.G., Jr. (1986). Cultural change in family firms: Anticipating and managing business and family transitions, San Francisco: Jossey-Bass. [Le Breton-Miller et al. (2004)] Eisenbeis, R.W. (1978). Problems in applying discriminant analysis in credit scoring models. Credit Research Center, Georgetown University, Working paper N°18. Espahbodi, H.; Espahbodi, P. (2003). Binary choices models and corporate takeover, pages 549-574, Journal of Banking and Finance, Vol. 27, Elsevier Science B.B. ISSN 0378-4266 File, K.M.; Prince, R.A. (1996). Attributions for Family Business Failure: The Heir Perspective. Family Business Review, 9(2), p. 171-184. Friedman, J.H.. “A Recursive Partitioning Decision Rule for Nonparametric Classification” IEEE Transactions on Computer (April 1977), 404-09 Frydman, H.; Altman, E. I.; Kao, D. (1985). Introducing Recursive Partitioning for Financial Classification: The Case of Financial Distress. Journal of Finance 40(1), p. 269291. Garson, D. (2005). Notes du cours PA765: Quantitative Research In Public Administration. North Carolina State University. Document en ligne [http://www2.chass.ncsu.edu/garson/pa765/missing.htm]. Goldberg, S.D. (1996). Effective Successors in Family-Owned Business. Family Business Review, 9(2), p. 185-197. [Inoussa & St-Cyr (2000)] Gujarati, D.N. (2003). Basic Econometrics, fourth edition. McGraw-Hill Higher Education, New-York, USA. ISBN: 0-07-112342-3. Handler, W.C.; Kram, K.E. (1988). Succession in Family Firms: The Problem of Resistance. Family Business Review, 1(4), p. 361-381. Handler, W.C. (1990). Succession in Family Firms: A Mutual Role Adjustment between Entrepreneur and Next-generation Family Members. Entrepreneurship: Theory and Practice, 15(1), p.37-51. [St-Cyr et al. (2005), Le Breton-Miller et al. (2004)] 89 Handler, W.C. (1992). Succession experience of the next generation. Family Business Review, 5(3), p.283-307. [Le Breton-Miller et al. (2004)] Harvey, M.; Evans, R.E. (1994). The Impact of timing and Mode of Entry on Successor Development and Successful Succession. Family Business Review, 7(3), p.221-236. [Inoussa & St-Cyr (2000)] Heckman J. J. (1976). The Common Structure of Statistical Models of Truncation, Sample Selection and Limited Dependent Variables and a Simple Estimator for Such Models. Annals of Economic and Social Measurement, 5, p.475–492. Hopewell, H.L. (1987). Planning for the Small Business Owner: a Breed Apart. Journal of the Institute of the Certified Financial Planners, Fall 1987, p.135-140. [Potts et al. (2001)] Hopwood, W.S.; McKeown, J.C.; Mutchler, J.F. (1989). A test of the incremental explanatory power of options qualified for consistency and uncertainty. The Accounting Review, (January 1989), p28-48 [McKee & Greenstein (2000)] Howorth, C.; Westhead, P.; Wright M. (2004). Buyouts, information asymmetry and the family management dyad. Journal of Business Venturing 19, p.509–534 Hugron, P. (1991). L’entreprise familiale. Modèle de réussite du processus successoral. Montréal, Institut des recherches politiques et Presses HEC, XVII-155. [St-Cyr et al. (2005)] Hugron, P.; Dumas, C. (1993). Modélisation du processus de succession des entreprises familiales québécoises. Montréal: HEC Montréal. Cahier de recherche no. GREF-93-07. [Le Breton-Miller et al. (2004)] Hurlin, C. (2003). Économétrie des variables qualitatives : polycopiés de cours (maîtrise en économétrie). Université d’Orléans, France. Document en ligne, le 27 septembre 2005 : http://www.dauphine.fr/eurisco/CH_Cours/Qualitatif_Chapitre1.pdf Inoussa, R.; St-Cyr, L. (2000). Revue de la littérature sur la relève dans la PME familiale. Montréal : HEC Montréal, Chaire de développement et de relève de la PME. Cahier de recherche n°00-01. Jensen, M., Meckling, W. (1976). Theory of the firm: Managerial behavior, agency costs and capital structure. Journal of Financial Economics, 3, p.305-360. [Burkart et al. (2003)] Kets de Vries, M.F.R. (1993). The dynamics of family controlled firms: The good news and the bad news. Organizational Dynamics, 21, p.59-71. [Morris et al. (1997)] Lansberg, I. (1988). The succession conspiracy. Family Business Review, 1(2), p.119-143. [Le Breton-Miller et al. (2004)] 90 Lansberg, I. (1999). Succeeding generations: Realizing the dream of families in business, Boston: Harvard Business School Press. [Le Breton-Miller et al. (2004)] Le Breton-Miller I.; Miller D.; Steier L.P. (2004). Toward an Integrative Model of Effective FOB Succession. Entrepreneurship Theory and Practice, Summer 2004, Baylor University, p. 305-328. Leland, H.E., Pyle, D.H. (1977). Informational Asymmetries, Financial Structure and Financial Intermediation. The Journal of Finance, vol. 32(2), p.371-387. Levinston, H. (1971). Conflicts That Plague the Family Business, Harvard Business Review, 49, p. 90-98. Longenecker, J.G.; Schoen J.E. (1978). Management Succession in the Family Business. Journal of Small Business Management, 16, p.1-6. [St-Cyr et al. (2005)] Malburg, C. (1999). A graceful exit. Journal of Accountancy, 188(4), p.41-46. McFadden D. (1974a), Conditional Logit Analysis of Qualitative Choice Behavior, in P. Zarembka (ed.), Frontiers of Econometrics, Academic Press. McGivern, C. (1978). The Dynamics of Management Succession. Management Decision, 16(1), p.32-42. [St-Cyr et al. (2005)] McKee, T.E.; Greenstein, M. (2000). Predicting Bankruptcy Using Recursive Partitioning and a Realistically Proportioned Data Set, Journal of Forecasting, 19, p.219-230. Merton, R.C. (1974). On the pricing of corporate debt: The risk structure of interest rates. Journal of Finance 29, p.449-470. Mester, L.J. (1997). What’s the Point of Credit Scoring? Federal Reserve Bank of Philadelphia Business Review, September/October, p.3-16. Morris, M.H.; Williams, R.O.; Allen, J.A.; Avila, R.A. (1997). Correlates of success in family business transitions. Journal of Business Venturing, 12(5), p.385–401. Moon, D. (1988).Estate plan tune up for business owners. Journal of the American society of CLU & ChFC, 52(2). Murray, B. (2003) The Succession Transition Process: A longitudinal Perspective. Family Business Review, XVI (1), p.17-33. Neubauer, F; Lang, A.G. (1998). The family business : it’s governance and sustainability. London: Macmillan Business. [Thomas (2002)] 91 Potts, T.L.; Schoen, J.E.; Engel Loeb, M.; Hulme, F.S. (2001a). Effective retirement for family business owner-managers: Perspectives of financial planners-Part 1. Journal of Financial Planning, 14(6), p.102–115. Potts, T.L.; Schoen, J.E.; Engel Loeb, M.; Hulme, F.S. (2001b). Effective retirement for family business owner-managers: Perspectives of financial planners-Part 2. Journal of Financial Planning, 14(7), p.86–96. Roszbach, K. (2004). Bank Lending Policy, Credit Scoring, and the Survival of Loans. The Review of Economics and Statistics, 86(4), p946-958. Scott, J. (1981). The Probability of Bankruptcy: A Comparison of Empirical Predictions and Theoretical Models. Journal of Banking and Finance, 5(3), p.317-344. Sharma, D.S. (2001). The role of cash flow information in predicting corporate failure: The state of the literature. Managerial Finance, vol. 27(4) p. 3-28. Sharma, P., Chrisman, J.J., Pablo, A.L., & Chua, J.H. (2001). Determinants of initial satisfaction with the succession process in family firms: A conceptual model. Entrepreneurship Theory & Practice, 25(3), p.17–35. [Le Breton-Miller et al. (2004)] Sharma, P., Chrisman, & Chua, J.H. (2003b). Succession planning as planned behavior: Some empirical results. Family Business Review, 16(1), p. 1-15. Sharma, P. (2004). An Overview of the Field of Family Business Studies: Current Status and Directions for the Future. Family Business Review, 17(1), p.1-36. Sinkey, J. (1975). A multivariate statistical analysis of the characteristics of problem banks. Journal of Finance, March. [Scott (1981)] Sorensen, E.H.; Miller, K.L.; OOI, C.K. (Automne 2000). The Decision Tree Approach to Stock Selection, pages 42-52, The Journal of Portfolio Management, ISSN 0095-4918 St-Cyr L.; Richer F. (2005). La planification du processus de transmission dans les PME Québécoises. Revue PME, 18(3), à paraître. Steinberg, D.; Colla, P. (1995). CART: Tree Structured Non Parametric Data Analysis. Salford Systems, San Diego, California, USA. [Espahbodi et al. (2003)] Stoy Hayward Consulting in association with the London Business School, 1989. Staying the Course: Survival Characteristics of the Family Owned Business, London: Stoy Hayward. [Bjuggren et al. (2002)] Thomas, J. (2002). Freeing the shackles of family business ownership. Family Business Review, 15(4), p. 321-336. 92 Varetto, F. (1998). Genetic algorithms applications in the analysis of insolvency risk. Journal of Banking and Finance 22(10-11), p. 1421-1439. Tsai, R.; Liu, Y.J.; Liu, W.; Lien, Y.L. (2004). Credit Scoring System for Small Business Loans. Decision Support Systems, 38, p. 91-99. Verstraeten, G.; Van den Peol, D. (2003). The Impact of Sample Bias on Consumer Credit Scoring Performance and Profitability. Présenté à la Banff International Research Station for Mathematical Innovation and Discovery 2003, Canada. Document en ligne [http://www.pims.math.ca/birs/workshops/2003/03w5023/VerstraetenVandenPohl.pdf] Ward, J.L. (1987). Keeping the family business healthy: How to plan for continuing growth, profitability, and family leadership, San Francisco: Jossey-Bass. [Le Breton-Miller et al. (2004)] Zahra, S.A.; Sharma, P. (2004). Family Business Research: A Strategic Reflection. Family Business Review 17(4), p 331-346. 93 Annexes Annexe 1 : Le processus successoral d’Hugron (1991) Annexe 2 : Comparaison des statistiques descriptives BD_X, BD_B, BD_A, Rejets Annexe 3 : Comparaison des statistiques descriptives BD_X, BD_B, BD_A, Acceptations Annexe 4 : Matrice des corrélations BD_D Annexe 5 : Résultats LOGIT BD_D Annexe 6 : Résultats LOGIT BD_D_ALL, comparaison « complet » vs « stepwise » Annexe 7 : Arbre retenu – Acceptation / Rejet Annexe 8 : Arbre retenu – Faillite / Survie Annexe 9 : CD-ROM des arbres utilisés en validation croisée 94 Annexe 1 95 Annexe 2 : Comparaison des statistiques descriptives de BD_X et BD_B, par rapport à BD_A - Rejets Rejets Variables LN Mt. intervention BD_X Moyenne et écart type 11,7709412 BD_A Médiane 11,5898865 0,9430403 Nombre de repreneurs 1,3684211 42,9473684 4,9473684 5,8931816 0,1873660 5,9089883 0,7324687 0,1752577 0,0511927 0,7409639 0,0823070 0,0444325 0,4749324 0,0728269 6,2674502 0,3382789 4,5540594 5,0571429 0,2786931 4,4392523 0,1364837 0,0000000 0,3104810 0,1052632 1,5211410 0,2248062 0,2268681 0,2144998 0,1240728 0,7388060 0,0465127 0,0409956 0,0585006 0,0541728 0,7786100 105,5388948 0,0985884 0,0849308 0,1059796 0,6486486 0,6826445 0,6352999 0,3921170 5,3155340 7,8198450 5,1051587 0,0085440 5,5774308 4,5521390 2,9442296 0,0409421 0,7403484 0,0592949 7,3912029 0,1000000 0,4144099 Annuité hors î / RN 0,7220914 5,5437870 4,8203299 0,4344006 Delta MBA Retraitée 0,2344671 5,5209399 0,7995722 13,9688608 0,7526794 Delta MBA 5,3875485 964,9400031 2,4002260 Delta RN 5,4789318 0,5427909 3,7272158 Dette / MBA après prog. 3,0000000 0,1474914 0,3362590 Valorisation / MBA P 4,8470588 0,1429417 0,0387719 Valorisation / CA P 38,7790698 38,5000000 0,1403498 0,0347893 MBA / CA Pondéré 0,7221097 1,0000000 0,1225377 0,1705220 RN / CA Pondéré 1,5632184 1,0437913 0,1396785 Banques / Total 11,7819899 11,7117763 11,7396651 11,6260947 6,8408888 1,0866884 Apports / Total Médiane 8,4538904 4,0000000 3,9083057 LN CA Pondéré Moyenne et écart type 0,7579217 47,0000000 10,5276023 Effectif cible Médiane 0,7496167 1,0000000 0,5972647 Age du repreneur Moyenne et écart type BD_B 35,9392023 0,1640641 0,1458333 0,5098384 0,3949275 323,2800589 1,4540816 0,8591980 0,7576430 3,1547788 BD_X, 19 observations; BD_B, 38 observations 96 0,7647059 1,0042627 0,8697142 0,9832717 Annexe 3 : Comparaison des statistiques descriptives de BD_X et BD_B, par rapport à BD_A - Acceptations Acceptation Variables LN Mt. intervention BD_X Moyenne et écart type 12,0381995 BD_A Médiane 12,0376365 0,7862101 Nombre de repreneurs 1,4594595 39,8445946 8,1216216 6,4004362 0,2190961 6,5899953 0,7127613 0,1990415 0,0879677 0,7282738 0,1146758 0,0834958 0,4648733 0,1057079 4,5312176 0,4113315 4,1988162 4,2554830 0,0529318 4,1334816 0,0243428 0,0000000 -0,0229964 0,0000000 0,6457840 0,2288557 0,2254597 0,2118863 0,1287156 0,7058824 0,0803069 0,0556866 0,1048868 0,0744723 0,7544243 7,8337091 0,1357904 0,1233596 0,0930065 0,5492574 0,5516054 0,5016465 0,3672365 4,9958089 4,3941474 3,7777778 0,3918147 3,6397686 3,4630872 1,6680304 0,0727382 0,3440401 0,0384051 3,0776009 0,0000000 0,3370180 Annuité hors î / RN 0,6907527 6,3561077 4,3767262 0,2974131 Delta MBA Retraitée 0,2416837 6,3523783 1,3758562 3,4950784 0,4332305 Delta MBA 5,8493248 31,4377918 1,6221369 Delta RN 6,0267793 1,6872005 2,3400587 Dette / MBA après prog. 5,0000000 0,1239478 0,2831947 Valorisation / MBA P 10,0847682 0,1581012 0,0642211 Valorisation / CA P 38,6510612 39,0000000 0,1679536 0,0547728 MBA / CA Pondéré 0,9924511 1,0000000 0,1439051 0,1414425 RN / CA Pondéré 1,6017223 1,3431731 0,1074640 Banques / Total 11,8627312 11,8292250 12,0740995 12,0173305 18,7365009 1,0397858 Apports / Total Médiane 8,0277426 6,0000000 6,6825323 LN CA Pondéré Moyenne et écart type 0,7910036 40,0000000 8,1143057 Effectif cible Médiane 1,0703345 1,0000000 0,6234941 Age du repreneur Moyenne et écart type BD_B 0,9668316 0,0578198 0,0632184 0,3833629 0,0051121 3,7540120 0,5733180 0,4129450 0,0799015 20,6804740 BD_X, 74 observations; BD_B, 223 observations 97 0,6014672 0,6103332 0,3577667 0,5647613 Annexe 4 : Matrice des corrélations BD_D Matrice des corrélations Ln_Montant_Intervention Ln_CA_P Apports / Total Ln Montant Intervention Apports Ln_CA_P / Total Crédit MBA Vendeur / CA_P Valorisation / Dette / MBA CA_P après prog Delta_MBA Annuité hors interet / RN 1 0,62197 -0,20215 0,12991 0,00703 0,10543 0,04173 0,02454 0,01398 0,62197 1 -0,15307 0,15358 -0,18224 -0,18782 -0,08142 0,06335 -0,00512 -0,20215 -0,15307 1 -0,11562 0,02507 0,0396 0,00078 -0,05014 -0,06541 Crédit_Vendeur 0,12991 0,15358 -0,11562 1 0,0157 0,09769 -0,00694 0,00969 0,00693 MBA / CA_P 0,00703 -0,18224 0,02507 0,0157 1 0,27176 -0,07567 0,10095 0,02047 Valorisation / CA_P 0,10543 -0,18782 0,0396 0,09769 0,27176 1 0,12725 -0,00969 0,01909 Dette / MBA_après_prog 0,04173 -0,08142 0,00078 -0,00694 -0,07567 0,12725 1 -0,00712 0,01633 Delta_MBA 0,02454 0,06335 -0,05014 0,00969 0,10095 -0,00969 -0,00712 1 0,00829 Annuité_hors_interet / RN 0,01398 -0,00512 -0,06541 0,00693 0,02047 0,01909 0,01633 0,00829 1 98 Annexe 5 : Résultat des LOGIT – Estimés sur BD_D Analyse des MLE Variables Intercept Ln Montant de l'Intervention LN CA pondéré Apports / Total MBA / CA Pondéré Valorisation / CA Dettes / MBA après prog. Delta MBA Annuité hors î / RN Type de transmission (1) Circonstances de BD_D_CV1 BD_D_CV2 Estimate et Estimate et Pr > ChiSq Pr > ChiSq BD_D_CV3 BD_D_CV4 Estimate et Estimate et Pr > ChiSq Pr > ChiSq BD_D_CV5 BD_D_ALL Estimate et Estimate et Pr > ChiSq Pr > ChiSq 8,1503 7,9877 7,9476 7,5035 7,7511 0,9836 0,9841 0,9851 0,9779 0,9806 8,0470 0,9832 -0,7253 -0,7350 -0,7386 -0,7135 -0,7328 -0,7544 0,0129 0,0143 0,0134 0,0237 0,0317 0,0087 1,1722 1,2082 1,2190 1,1894 1,1914 1,2374 <0,0001 <0,0001 <0,0001 <0,0001 0,0002 <0,0001 1,0573 1,4727 0,7622 0,3181 0,5007 1,1326 0,4197 0,2845 0,5618 0,8233 0,7412 0,3739 2,9224 2,3238 2,6535 2,4637 2,6100 2,7567 0,0070 0,0291 0,0132 0,0226 0,0251 0,0084 1,0597 1,0246 0,9758 0,9116 0,9451 1,0364 0,0047 0,0058 0,0067 0,0117 0,0131 0,0040 -0,0965 -0,0933 -0,0901 -0,0838 -0,0865 -0,0973 0,0013 0,0020 0,0023 0,0045 0,0043 0,0012 -0,0637 -0,0682 -0,0676 -0,0681 -0,0718 -0,0640 0,0580 0,0438 0,0406 0,0365 0,0306 0,0591 0,0026 0,0044 0,0051 0,0051 0,0052 0,0028 0,8647 0,7905 0,7478 0,7644 0,7613 0,8568 -0,4883 -0,5465 -0,4929 -0,5536 -0,5451 -0,5856 0,0350 0,0239 0,0358 0,0259 0,0395 0,0102 0,2421 0,5387 0,3362 0,5547 0,6659 0,3671 transmission (1) 0,3022 0,0288 0,1539 0,0339 0,0211 0,1075 Circonstances de -0,0404 -0,0012 -0,0933 -0,2125 -0,3670 -0,0139 transmission (2) 0,9053 0,9972 0,7741 0,5236 0,2860 0,9656 Circonstances de -1,2666 -1,5943 -1,3799 -1,4693 -1,4471 -1,4310 transmission (5) <0,0001 <0,0001 <0,0001 <0,0001 <0,0001 <0,0001 Lien avec le cédant 0,1664 0,1814 0,1812 0,1851 0,3119 0,1553 (3) 0,4035 0,3858 0,3870 0,4145 0,2031 0,4286 Dernière fonction occupée (8) 0,1006 0,5730 0,1436 0,5297 0,4836 0,1485 0,8755 0,4871 0,8266 0,5055 0,5433 0,8194 Dernière fonction 0,2793 0,2931 0,3551 0,2557 0,2611 0,3804 occupée (9) Dernière fonction occupée (10) Situation emploi avant reprise (1) Expérience du 0,3539 0,4086 0,2504 0,4732 0,4809 0,2097 0,0904 0,0873 0,2996 0,1743 0,1351 0,1152 0,7669 0,8029 0,3391 0,6262 0,7168 0,7037 0,1087 0,2205 0,1523 0,1836 0,2820 0,1546 0,5404 0,2142 0,3891 0,3321 0,1620 0,3617 0,7736 0,7887 0,7328 0,7378 0,8229 0,7648 secteur (1) <0,0001 <0,0001 <0,0001 0,0002 0,0001 <0,0001 Permanence ancien 0,1890 0,2001 0,1200 0,1533 0,1710 0,1932 dirigeant (1) NAF Secteur (Autres) NAF Secteur (Commerce de détail) Credit vendeur (0) SCR (0) 0,3861 0,3637 0,5716 0,5023 0,4823 0,3483 0,5418 0,6004 0,6671 0,6971 0,6079 0,5882 0,0339 0,0250 0,0125 0,0141 0,0390 0,0184 -0,2717 -0,3089 -0,3689 -0,2993 -0,0996 -0,2878 0,1771 0,1360 0,0688 0,1671 0,6720 0,1402 0,5287 0,4727 0,5648 0,6316 0,5544 0,5186 0,0521 0,1093 0,0438 0,0398 0,1004 0,0573 -6,3285 -6,2394 -6,2478 -5,7515 -5,8792 -6,3202 0,9872 0,9876 0,9883 0,9831 0,9853 0,9868 99 Annexe 6 : Résultat des LOGIT – Estimés sur BD_D Comparaison BD_D_ALL complet vs. « stepwise » Analyse des MLE Variables Intercept Ln Montant de l'Intervention LN CA pondéré Apports / Total MBA / CA Pondéré Valorisation / CA Dettes / MBA après prog. Delta MBA Annuité hors î / RN Type de BD_D_ALL BD_D_ALL_Step Estimate et Estimate et Pr Pr > ChiSq > ChiSq 8,0470 2,6095 0,9832 0,2699 -0,7544 -0,8275 Variables Dernière fonction occupée (8) Dernière fonction occupée (9) 0,0087 0,0034 1,2374 1,2876 Dernière fonction <0,0001 <0,0001 occupée (10) Situation emploi 1,1326 avant reprise (1) 0,3739 2,7567 2,9545 0,0084 0,0042 1,0364 1,0773 0,0040 0,0023 -0,0973 -0,0988 0,0012 0,0011 -0,0640 -0,0661 0,0591 0,0522 0,0028 -0,5469 transmission (1) 0,0102 0,0133 Circonstances de 0,3671 0,3450 transmission (1) 0,1075 0,1238 Circonstances de -0,0139 -0,0146 transmission (2) 0,9656 0,9634 Circonstances de -1,4310 -1,4032 transmission (5) <0,0001 <0,0001 Lien avec le 0,1553 BD_D_ALL BD_D_ALL_Step Estimate et Estimate et Pr Pr > ChiSq > ChiSq 0,1485 0,0589 0,8194 0,9252 0,3804 0,3831 0,2097 0,1976 0,1152 0,1400 0,7037 0,6328 0,1546 0,3617 Expérience du secteur 0,7648 0,7392 (1) <0,0001 <0,0001 Permanence ancien 0,1932 dirigeant (1) NAF Secteur (Autres) NAF Secteur (Commerce de détail) Credit vendeur (0) 0,8568 -0,5856 cédant (3) Analyse des MLE SCR (0) Model Fit Stat. 0,3483 0,5882 0,6073 0,0184 0,0150 -0,2878 -0,3430 0,1402 0,0760 0,5186 0,5318 0,0573 0,0433 -6,3202 0,9868 AIC SC -2 Log L BD_D_ALL 403,547 512,077 355,547 BD_D_ALL_Step 395,564 476,961 359,564 Intercept only 502,610 507,132 500,610 0,4286 100 Terminal Node 1 Class = 1 ClassCases % 0 1 2.8 1 35 97.2 W = 36.000 N = 36 Terminal Node 2 Class = 1 ClassCases % 0 0 0.0 1 5 100.0 W = 5.000 N=5 Terminal Node 3 Class = 0 ClassCases % 0 3 37.5 1 5 62.5 W = 8.000 N=8 Node 4 Class = 0 NAF_SECTEUR$ = (Commerce de détail, Commerce de gros,Construction, Industrie,Services à la personne) W = 13.000 N = 13 Node 3 Class = 1 LN_CA_POND <= 5.626 W = 49.000 N = 49 Terminal Node 5 Class = 0 ClassCases % 0 14 70.0 1 6 30.0 W = 20.000 N = 20 Terminal Node 6 Class = 1 ClassCases % 0 0 0.0 1 18 100.0 W = 18.000 N = 18 Terminal Node 9 Class = 1 ClassCases % 0 0 0.0 1 67 100.0 W = 67.000 N = 67 Terminal Node 7 Class = 0 ClassCases % 0 2 28.6 1 5 71.4 W = 7.000 N=7 Terminal Node 8 Class = 0 ClassCases % 0 4 66.7 1 2 33.3 W = 6.000 N=6 Terminal Node 10 Class = 1 ClassCases % 0 0 0.0 1 14 100.0 W = 14.000 N = 14 Terminal Node 11 Class = 0 ClassCases % 0 3 60.0 1 2 40.0 W = 5.000 N=5 Node 10 Class = 0 DELTA_MBA <= 0.291 W = 19.000 N = 19 Node 9 Class = 1 ANNUITE_HORS_INTERET_SURRN <= 0.980 W = 86.000 N = 86 Node 7 Class = 0 Q18_DERNIERE_FONCTION_OCCUPEE = (1,2,6,7) W = 31.000 N = 31 Node 8 Class = 1 APPORTS_SUR_TOTAL <= 0.278 W = 25.000 N = 25 Node 5 Class = 0 MBA_SUR_CA_P <= 0.129 W = 56.000 N = 56 Annexe 7: Arbre retenu - Acceptation / Rejet Page 101 Terminal Node 4 Class = 1 ClassCases % 0 0 0.0 1 5 100.0 W = 5.000 N=5 Node 6 Class = 0 Q11_OBJET_DE_L_INTERVENTION = (0,2,3,6) W = 25.000 N = 25 Node 2 Class = 0 Q12_CIRCONSTANCES_DE_LA_TRANSMIS = (2,6,7,8) W = 105.000 N = 105 Node 1 Class = 1 LN_CA_POND <= 6.453 W = 191.000 N = 191 Terminal Node 1 Class = 0 ClassCases % 0 109 92.4 1 9 7.6 W = 118.000 N = 118 Terminal Node 2 Class = 0 ClassCases % 0 17 89.5 1 2 10.5 W = 19.000 N = 19 Terminal Node 3 Class = 1 ClassCases % 0 15 62.5 1 9 37.5 W = 24.000 N = 24 Node 4 Class = 1 NAF_SECTEUR$ = (Commerce de détail, Commerce de gros,Services, Services à la personne, Tourisme,Transports) W = 43.000 N = 43 Node 3 Class = 0 Q18_DERNIERE_FONCTION_OCCUPEE = (1,4,5,7,8) W = 161.000 N = 161 Terminal Node 4 Class = 0 ClassCases % 0 33 82.5 1 7 17.5 W = 40.000 N = 40 Terminal Node 7 Class = 1 ClassCases % 0 9 56.3 1 7 43.8 W = 16.000 N = 16 Terminal Node 8 Class = 0 ClassCases % 0 12 100.0 1 0 0.0 W = 12.000 N = 12 Terminal Node 9 Class = 1 ClassCases % 0 26 60.5 1 17 39.5 W = 43.000 N = 43 Terminal Node 11 Class = 0 ClassCases % 0 34 91.9 1 3 8.1 W = 37.000 N = 37 Terminal Node 12 Class = 1 ClassCases % 0 5 45.5 1 6 54.5 W = 11.000 N = 11 Node 11 Class = 0 Q18_DERNIERE_FONCTION_OCCUPEE = (1,3,4,6,7) W = 48.000 N = 48 Node 10 Class = 0 DETTE_SUR_MBA_APRES_PROG <= 5.734 W = 171.000 N = 171 Terminal Node 10 Class = 0 ClassCases % 0 117 95.1 1 6 4.9 W = 123.000 N = 123 Node 8 Class = 1 VALORISATION_SUR_MBA_P <= 4.221 W = 71.000 N = 71 Node 9 Class = 1 VALORISATION_SUR_CA_P <= 0.307 W = 28.000 N = 28 Node 5 Class = 1 Q32_R = (1,3) W = 180.000 N = 180 Annexe 8: Arbre retenu - Faillite / Survie Page 102 Terminal Node 5 Class = 1 ClassCases % 0 10 40.0 1 15 60.0 W = 25.000 N = 25 Terminal Node 6 Class = 0 ClassCases % 0 42 95.5 1 2 4.5 W = 44.000 N = 44 Node 6 Class = 0 LN_MONTANT_DE_L_INTERVENTION <= 11.464 W = 109.000 N = 109 Node 7 Class = 1 ANNUITE_HORS_INTERET_SURRN <= 0.452 W = 65.000 N = 65 Node 2 Class = 0 Q12_CIRCONSTANCES_DE_LA_TRANSMIS = (1,3,4,6) W = 341.000 N = 341 Node 1 Class = 0 VALORISATION_SUR_CA_P <= 0.733 W = 512.000 N = 512