ilboursa arabic version ilboursa

Des circulaires BCT à IFRS 9 : La banque tunisienne face à ses modèles

 

Scoring de crédit, notation interne, estimation des pertes attendues ... les modèles quantitatifs occupent une place croissante dans les décisions bancaires. Mais leur sophistication garantit-elle réellement la fiabilité des résultats ?

 

 

Par Hakim CHERIF

Managing partner / Capital Risk Tunisia

Auteur du roman professionnel " Avant l'incident "

Une banque peut disposer de systèmes d'information performants, de bases de données considérables et de modèles statistiques sophistiqués. Elle peut automatiser une grande partie de ses processus de décision, affiner ses prévisions et mesurer ses risques avec une précision apparente.

Mais une question mérite d'être posée : qui contrôle réellement la fiabilité des instruments sur lesquels reposent ces décisions ?

Car un modèle ne constitue pas une représentation parfaite de la réalité. Il repose sur des données, des hypothèses, des choix méthodologiques et des relations statistiques observées à un moment donné.

Tant que ces éléments restent pertinents, le modèle peut produire des résultats utiles. Mais lorsque les conditions économiques évoluent, que les comportements des clients changent ou que les données utilisées deviennent moins représentatives, sa capacité à mesurer correctement le risque peut progressivement se dégrader.

Le danger ne réside donc pas uniquement dans l'erreur de calcul. Il réside aussi dans la confiance excessive accordée à un résultat qui paraît objectif parce qu'il est produit par un modèle mathématique. C'est toute la problématique du risque de modèle.

Des modèles devenus essentiels dans l'activité bancaire

Les modèles quantitatifs ne sont plus réservés aux grandes banques disposant de départements spécialisés en mathématiques financières. Ils interviennent aujourd'hui dans de nombreux processus bancaires.

Dans le crédit, les modèles de scoring contribuent à apprécier la solvabilité des demandeurs, à classer les dossiers et à orienter les décisions d'octroi. Dans la gestion du risque de crédit, les modèles permettent d'estimer la probabilité de défaut, les pertes en cas de défaut et les expositions au moment du défaut.

Dans le cadre d'IFRS 9, ils participent à l'estimation des pertes de crédit attendues, en intégrant notamment des informations historiques, les conditions actuelles et des projections économiques.

D'autres modèles interviennent dans la prévision des flux de trésorerie, la mesure des risques de marché, la détection des opérations atypiques ou encore l'évaluation de certains comportements de clientèle.

 

➡️ Lire aussi : Le groupe italien Ansaldo Energia affiche ses ambitions en Tunisie dans le secteur électrique

 

Cette évolution présente des avantages évidents. Elle permet de traiter davantage d'informations, d'améliorer la cohérence des évaluations et de réduire certaines décisions subjectives. Mais elle crée également une nouvelle dépendance : celle de l'établissement à l'égard des modèles qui contribuent à orienter ses décisions.

Plus leur utilisation devient importante, plus les conséquences d'une faiblesse méthodologique peuvent être significatives.

Un modèle peut être correct mathématiquement et inadapté économiquement

C'est probablement l'une des premières difficultés à comprendre. Un modèle peut fonctionner conformément à sa conception, produire des calculs cohérents et respecter ses paramètres techniques, tout en devenant progressivement moins pertinent pour l'activité qu'il est censé représenter.

Prenons l'exemple d'un modèle de scoring de crédit. Une banque développe son modèle à partir de plusieurs années de données historiques. Celui-ci identifie des relations entre certaines caractéristiques des emprunteurs et leur comportement de remboursement.

Les résultats sont satisfaisants. Le modèle distingue correctement les profils de risque et contribue à améliorer le processus d'octroi. Mais plusieurs années plus tard, l'environnement économique se transforme.

Certains secteurs connaissent une dégradation importante. Les revenus de certaines catégories de clients deviennent plus volatils. Les comportements de remboursement évoluent. Or, le modèle continue de s'appuyer sur des relations statistiques construites dans un environnement différent.

Il peut alors continuer à produire des scores sans que ceux-ci reflètent suffisamment la nouvelle réalité économique. Certains dossiers risqués peuvent être considérés comme acceptables. A l'inverse, des emprunteurs présentant une capacité de remboursement satisfaisante peuvent être pénalisés.

Le problème n'est pas nécessairement une erreur informatique. Il peut s'agir d'une perte progressive de pertinence du modèle. Un modèle peut donc rester techniquement opérationnel tout en devenant économiquement moins fiable.

Les cinq sources du risque de modèle

Le risque de modèle peut provenir de plusieurs dimensions qui se renforcent parfois mutuellement.

Le risque de conception, d'abord, concerne les choix méthodologiques, les hypothèses et les variables retenues. Un modèle peut être construit sur une représentation trop simplifiée du phénomène étudié ou ne pas intégrer certains facteurs déterminants.

Le risque lié aux données constitue une autre source majeure de fragilité. Des données incomplètes, obsolètes ou insuffisamment représentatives peuvent fausser les estimations. La qualité des données est indispensable, mais elle ne suffit pas à garantir la pertinence du modèle.

Le risque de dérive apparaît lorsque les relations statistiques sur lesquelles repose le modèle évoluent avec le temps. Les changements économiques, réglementaires, technologiques ou comportementaux peuvent progressivement réduire sa capacité prédictive.

Le risque d'utilisation concerne les situations dans lesquelles un modèle est appliqué à une population, un produit ou un contexte différent de celui pour lequel il a été conçu. Il peut également apparaître lorsqu'un résultat initialement destiné à éclairer une décision devient, dans la pratique, un critère quasi automatique de décision.

 

➡️ Lire aussi : Délice Holding : Sept transactions de bloc pour 63 millions de dinars à la Bourse de Tunis

 

Enfin, le risque de gouvernance concerne l'absence de responsabilités clairement définies, de validation indépendante ou de surveillance suffisamment rigoureuse pendant toute la durée de vie du modèle.

Ces dimensions montrent que le risque de modèle ne relève pas exclusivement de la compétence des équipes informatiques ou des spécialistes de la modélisation. Il concerne directement la gestion des risques, le crédit, la finance, l'audit interne et les organes de gouvernance.

IFRS 9 : Lorsque les limites du modèle peuvent affecter le provisionnement

Le sujet prend une dimension particulièrement importante dans le cadre de l'estimation des pertes de crédit attendues.

Sous IFRS 9, les établissements doivent estimer les pertes attendues en tenant compte notamment des probabilités de défaut, des pertes en cas de défaut, des expositions concernées et de différentes hypothèses économiques prospectives.

Ces estimations reposent sur des modèles et des paramètres dont la qualité influence directement le montant des provisions comptabilisées.

Une mauvaise estimation de la probabilité de défaut peut conduire à sous-évaluer le risque. Une hypothèse insuffisamment prudente sur les conditions économiques futures peut affecter les projections de pertes.

Une segmentation inadaptée du portefeuille peut également masquer des différences importantes entre catégories de clients ou secteurs d'activité. Il faut toutefois distinguer une faiblesse ponctuelle d'estimation d'un véritable défaut méthodologique.

Un écart entre les pertes prévues et les pertes constatées ne signifie pas automatiquement que le modèle est défaillant. Les événements économiques restent incertains et les estimations comportent nécessairement une part d'incertitude.

En revanche, des écarts persistants, insuffisamment expliqués ou révélant une dégradation de la capacité prédictive doivent déclencher une analyse approfondie.

C'est précisément l'intérêt du suivi des performances et des exercices de backtesting : confronter les estimations aux résultats observés, comprendre les écarts et déterminer si les hypothèses et les paramètres restent adaptés.

Le risque de modèle : un enjeu déjà identifié par la réglementation tunisienne

Contrairement à ce que l'on pourrait penser, la maîtrise des modèles statistiques n'est pas un sujet totalement nouveau dans le dispositif prudentiel tunisien.

La Banque Centrale de Tunisie a déjà consacré un texte spécifique à cette problématique à travers sa circulaire n° 2016-06 du 11 octobre 2016, relative au système de notation des contreparties.

Ce texte encadre notamment la conception, la structure, la mise à jour, l'utilisation et le contrôle des systèmes de notation utilisés par les banques et les établissements financiers.

Son article 8 est particulièrement explicite : lorsqu'un établissement utilise un modèle statistique ou un dispositif mécanisé pour attribuer une note à une contrepartie, il doit s'assurer de sa capacité prédictive, de l'absence de biais significatifs, de la fiabilité et de la représentativité des données utilisées, ainsi que de l'existence d'un programme de validation permettant de contrôler ses performances et de comparer ses résultats aux observations réelles.

Le texte prévoit également que les résultats statistiques soient complétés par l'analyse et le jugement d'expert, avec une documentation de leur articulation.

La gouvernance du dispositif est elle aussi clairement définie. Le Conseil d'administration valide le système de notation, la fonction chargée du risque de crédit assure sa conception ou sa sélection, sa mise en œuvre et sa surveillance, tandis que l'audit interne procède à une revue annuelle de son fonctionnement.

Cette approche traduit un principe fondamental : la décision bancaire ne peut pas reposer aveuglément sur le résultat d'un modèle, même lorsque celui-ci présente de bonnes performances statistiques.

La circulaire BCT n° 2025-08 du 16 mai 2025 vient compléter cette évolution dans un contexte différent, en préparant notamment l'adoption des modèles de calcul des pertes de crédit attendues conformément à IFRS 9 et en renforçant la gouvernance des données utilisées pour les calculs prudentiels et les estimations ECL.

Ces deux textes abordent donc des dimensions complémentaires : la maîtrise du système de notation des contreparties, d'une part, et la fiabilité des données ainsi que la préparation des modèles de pertes attendues, d'autre part.

Pour les banques tunisiennes, l'enjeu consiste désormais à inscrire ces exigences dans une approche de maîtrise plus globale, capable de couvrir les différents modèles utilisés dans leurs activités, en tenant compte de leur matérialité, de leur complexité et de leur impact sur les décisions.

Car si la réglementation encadre déjà certains usages des modèles, la sophistication croissante des outils d'analyse et l'élargissement de leurs applications rendent nécessaire une vigilance permanente.

La question n'est donc plus seulement de savoir si la banque dispose d'un système de notation conforme aux exigences réglementaires, mais si elle maîtrise réellement l'ensemble des modèles qui influencent ses décisions.

La maîtrise du modèle doit couvrir tout son cycle de vie

Le risque de modèle ne peut pas être maîtrisé par une simple validation réalisée au moment de sa mise en production. Il nécessite un dispositif permanent, couvrant les différentes étapes de son cycle de vie.

Une première exigence consiste à établir un inventaire centralisé des modèles utilisés par la banque, qu'ils soient développés en interne ou fournis par des prestataires externes. Cet inventaire doit permettre d'identifier leur finalité, leurs utilisateurs, leurs propriétaires, leurs principales hypothèses et leur niveau de matérialité.

Tous les modèles ne présentent évidemment pas le même niveau de risque. Un outil d'aide à l'analyse utilisé ponctuellement ne présente pas les mêmes enjeux qu'un modèle intervenant dans l'octroi de crédits, le calcul des provisions ou la mesure des risques.

La banque doit donc adapter l'intensité de ses contrôles à l'importance des décisions influencées par chaque modèle.

Une deuxième exigence concerne la validation indépendante. L'équipe qui développe un modèle ne devrait pas être seule à apprécier sa robustesse. Une fonction disposant des compétences nécessaires doit pouvoir examiner sa conception, ses données, ses hypothèses, ses résultats et ses limites.

Cette validation doit intervenir avant la mise en production, mais également être renouvelée lorsque des changements significatifs affectent le modèle ou son environnement d'utilisation.

Une troisième exigence porte sur le suivi continu des performances. Le backtesting, les tests de sensibilité, l'analyse des écarts et la surveillance des indicateurs de performance permettent de détecter une éventuelle dégradation.

Lorsque des limites importantes sont identifiées, la banque doit pouvoir décider de recalibrer le modèle, de revoir certaines hypothèses, de restreindre son utilisation ou, lorsque cela devient nécessaire, de le remplacer.

Enfin, la gouvernance doit définir clairement les responsabilités. Qui développe le modèle ? Qui le valide ? Qui autorise son utilisation ? Qui surveille ses performances ? Qui décide de son maintien lorsque ses résultats deviennent moins fiables ?

Ces responsabilités doivent être documentées et connues. Les référentiels internationaux de supervision, notamment ceux du Comité de Bâle et de la Prudential Regulation Authority britannique, accordent une importance particulière à ces dimensions : gouvernance, validation indépendante, documentation, suivi des performances et maîtrise des limites des modèles.

Ils constituent des références utiles pour les établissements tunisiens, sans pour autant être assimilés automatiquement à des obligations réglementaires directement applicables en Tunisie.

Demain, l'intelligence artificielle ne fera qu'amplifier cet enjeu

L'évolution vers des modèles plus complexes, notamment ceux intégrant des techniques d'apprentissage automatique et d'intelligence artificielle, rend cette problématique encore plus importante.

Ces technologies peuvent améliorer la capacité d'analyse des établissements, traiter des volumes de données plus importants et identifier des relations difficiles à détecter avec les méthodes traditionnelles.

Mais elles peuvent également rendre plus complexes l'explication des résultats, l'identification des biais et la compréhension des mécanismes qui conduisent à une recommandation.

La question de la maîtrise du modèle ne disparaîtra donc pas avec l'intelligence artificielle. Elle deviendra probablement plus exigeante. Car une décision automatisée ne peut pas devenir une décision sans responsable.

La banque reste responsable de la manière dont elle utilise les résultats produits par ses modèles. Au fond, le véritable enjeu n'est pas de savoir si les banques doivent utiliser davantage de modèles. Ils sont devenus indispensables à de nombreuses activités.

Il est plutôt de savoir si elles disposent des compétences, des dispositifs de contrôle et de la gouvernance nécessaires pour comprendre leurs limites et maîtriser les conséquences de leur utilisation.

La qualité d'un modèle ne se mesure pas uniquement à sa capacité à produire un résultat précis. Elle se mesure également à la capacité de la banque à expliquer ce résultat, à en vérifier la pertinence et à reconnaître les situations dans lesquelles elle ne devrait plus lui faire confiance.

Car demain, face au superviseur comme face à leur propre Conseil d'administration, les banques ne devront pas seulement expliquer les décisions prises. Elles devront également démontrer pourquoi les modèles qui ont contribué à ces décisions méritaient leur confiance.

 

Cette analyse constitue un point de vue personnel. Elle ne prétend pas décrire l'ensemble des mécanismes internes, confidentiels ou non publics pouvant exister au sein des institutions financières tunisiennes.

 


Publié le 17/11/26 14:13

SOYEZ LE PREMIER A REAGIR A CET ARTICLE

Pour poster un commentaire, merci de vous identifier.

jVBXf0brghee3cDpknYq8Dc7KQUpxSnkPbtj7U4syaQ False