Les signaux comptables qui annoncent les difficultés d’une entreprise ne sont pas une alarme anti-intrusion : ce sont des détecteurs de fumée. Trois modèles académiques — le M-Score de Beneish pour les anomalies comptables, le Z-Score d’Altman pour la tension financière et le F-Score de Piotroski pour la solidité opérationnelle — lisent les états financiers à la recherche d’incohérences qui précèdent généralement les ennuis : des bénéfices qui ne se transforment pas en trésorerie, des créances clients qui croissent plus vite que le chiffre d’affaires, des marges qui s’amincissent alors que les ventes progressent. Aucun de ces chiffres ne dit qu’une entreprise est au bord de la faillite, ni que quelqu’un a commis une irrégularité. Ils disent que quelque chose ne colle pas dans les comptes, et qu’il vaut la peine de regarder de plus près avant d’investir.

Fragilité et baisse du cours ne sont pas la même chose

C’est la distinction la plus importante, et celle qui se perd le plus facilement. Une action peut perdre 40 % parce que le marché a révisé ses attentes de croissance : c’est un problème de prix, pas un problème d’entreprise. Une autre société peut progresser en Bourse pendant que ses comptes se dégradent en silence, simplement parce que personne n’a encore regardé de près.

La fragilité dont il est question ici est structurelle : elle concerne la qualité des comptes et la capacité à traverser une période difficile. Elle se mesure sur les états financiers, pas sur les graphiques. Et elle suit un rythme différent de celui du marché : elle se construit sur des trimestres, pas sur des séances.

Cela a une conséquence pratique. Ces indicateurs ne servent pas à décider quand acheter ou vendre. Ils servent à décider si une entreprise mérite de figurer dans un portefeuille pendant des années.

Le premier signal : des bénéfices qui ne deviennent pas de la trésorerie

Le compte de résultat est une opinion, la trésorerie est un fait. C’est une plaisanterie de comptable, mais elle repose sur l’un des résultats les plus solides de la recherche comptable.

En 1996, Richard Sloan a publié dans The Accounting Review une étude devenue une référence : il a décomposé le résultat entre la part adossée à de la trésorerie réelle et la part faite d’écritures comptables (ce que l’on appelle les régularisations comptables, les accruals de la littérature — produits enregistrés mais non encore encaissés, coûts immobilisés plutôt que passés en charges, et ainsi de suite). Le constat : la composante comptable du résultat est bien moins persistante que la composante en trésorerie. Autrement dit, une entreprise qui affiche des bénéfices élevés sans jamais les voir arriver en banque tend à décevoir lors des périodes suivantes — et le marché, en moyenne, ne l’intègre pas immédiatement dans les cours.

D’où le ratio le plus simple et le plus instructif de tous : quelle part du bénéfice déclaré se transforme en flux de trésorerie disponible. Si une entreprise annonce cent de bénéfice et génère quatre-vingt-dix de trésorerie, les comptes racontent une histoire cohérente. Si elle annonce cent et en génère vingt, la question n’est pas de savoir si c’est illégal — ce n’est presque jamais le cas — mais où est passé le reste, et si cet écart est temporaire ou structurel.

Attention à un cas qui prête souvent à confusion : lorsque le résultat est négatif, ce ratio n’est pas interprétable. Diviser un flux de trésorerie par une perte produit des pourcentages qui ressemblent à des chiffres mais ne signifient rien. Dans une société en perte, on regarde autre chose : les liquidités disponibles, la structure de la dette, le temps qui reste avant de devoir lever des fonds.

M-Score de Beneish : une carte des anomalies

Le modèle le plus connu pour repérer les comptes « agressifs » a été publié par Messod Beneish dans le Financial Analysts Journal en 1999. Sa construction est statistique : Beneish a comparé un échantillon d’une cinquantaine d’entreprises ayant effectivement manipulé leurs comptes à plus de mille sept cents sociétés témoins, en cherchant quels indicateurs distinguaient les deux groupes.

Il en est sorti huit variables, qui sont huit questions posées aux comptes :

• les créances clients augmentent-elles plus vite que le chiffre d’affaires ? (on vend à des clients qui ne paient pas rapidement)
• la marge brute se dégrade-t-elle ? (pression sur les prix)
• la part des actifs « incorporels » progresse-t-elle ? (des coûts reportés vers l’avenir)
• le chiffre d’affaires croît-il de façon anormale ? (une croissance rapide crée la pression de la maintenir)
• les amortissements ralentissent-ils ? (des bénéfices flattés en étalant davantage les coûts)
• les frais généraux augmentent-ils plus vite que le chiffre d’affaires ? (efficacité en recul)
• le levier financier s’accroît-il ? (dépendance accrue à la dette)
• quelle part du résultat est faite d’écritures comptables plutôt que de trésorerie ?

Le modèle les combine en un chiffre unique. Au-delà d’un certain seuil, le profil de l’entreprise ressemble statistiquement à celui des sociétés de l’échantillon qui avaient manipulé leurs comptes.

C’est ici que se place la mise en garde la plus nette de tout cet article. Un score au-dessus du seuil ne signifie pas qu’il y a fraude. Il signifie que ces comptes, lus à travers huit ratios, ressemblent à ceux d’un groupe de référence. Une entreprise en forte expansion qui allonge ses délais de paiement pour gagner des parts de marché peut dépasser le seuil sans avoir rien fait d’irrégulier. Le modèle indique où regarder, pas ce qu’il faut conclure.

Z-Score d’Altman : la distance à la défaillance (et la limite de sa naissance)

Le deuxième modèle est plus ancien et poursuit un autre objectif : non pas la qualité des comptes, mais la capacité à survivre. Edward Altman l’a publié dans The Journal of Finance en 1968, en combinant cinq ratios — fonds de roulement, bénéfices non répartis, rentabilité opérationnelle, valeur de marché rapportée à la dette et rotation de l’actif — en un score unique qui mesure la distance d’une entreprise à la défaillance.

Il fonctionne, et reste aujourd’hui encore un outil standard. Mais il comporte une limite qu’il faut connaître, car elle figure dans l’article d’origine : il a été construit sur un échantillon de 66 entreprises, toutes industrielles, les plus petites étant exclues. C’était le tissu industriel de l’époque : usines, entrepôts, machines.

Une économie faite de logiciels, de services et d’infrastructures régulées, c’est autre chose. Une société de logiciels possède très peu d’actifs tangibles et un fonds de roulement que ce modèle lit mal. Une compagnie d’électricité ou un gestionnaire de réseau s’endette par nature, parce que son métier consiste à construire des installations qui dureront trente ans : une dette élevée n’y est pas un symptôme, c’est le modèle économique.

Le résultat est prévisible, et nous le mesurons chaque semaine. Sur notre univers d’environ 490 grandes sociétés américaines, 15 sur 100 affichent un score d’Altman en « zone de risque ». Elles ne sont pas en train de faire faillite : presque aucune ne fera faillite. C’est le modèle qui, appliqué hors du contexte pour lequel il est né, produit énormément de fausses alertes.

C’est pourquoi notre outil exclut les sociétés financières — banques et assureurs, environ un cinquième de l’univers — à la fois du Z d’Altman et du M-Score de Beneish. Dans une banque, la dette est la matière première et le fonds de roulement n’a pas la même signification : appliquer des formules calibrées sur l’industrie manufacturière donnerait des chiffres précis et dénués de sens.

F-Score de Piotroski : un bulletin en neuf questions

Le troisième modèle prend le problème par l’autre bout. Joseph Piotroski, dans le Journal of Accounting Research en 2000, est parti d’une difficulté concrète de l’investissement value : parmi les actions qui paraissent bon marché, certaines le sont parce que le marché a exagéré, d’autres parce que l’entreprise se dégrade réellement. Le prix bas, à lui seul, ne distingue pas les deux cas.

Sa réponse a pris la forme de neuf vérifications binaires sur les comptes — rentabilité, génération de trésorerie, évolution de la dette, efficacité opérationnelle — chacune valant un point si elle est satisfaite. Le score va de zéro à neuf. Dans son étude, appliquer ce filtre aux sociétés à faible ratio cours/valeur comptable produisait un rendement annuel supérieur d’environ sept points et demi au reste du groupe, sur le marché américain entre 1976 et 1996.

La force du F-Score, c’est sa transparence : ce n’est pas un score issu d’une formule opaque, c’est une liste de contrôle. On peut la lire question par question et comprendre pourquoi une entreprise a perdu un point.

Pourquoi aucun de ces chiffres ne suffit à lui seul

C’est le point central, et nos propres données le démontrent mieux que n’importe quel raisonnement.

Sur ce même univers d’environ 490 grandes sociétés, pris isolément, les indicateurs signalent :

• environ 4 entreprises sur 100 avec un M-Score de Beneish au-dessus du seuil ;
• environ 15 sur 100 avec un Z d’Altman en zone de risque.

Prendre l’un de ces deux chiffres au pied de la lettre reviendrait à mettre en cause une part considérable du marché — y compris des sociétés solides, rentables, avec des décennies d’histoire derrière elles.

En revanche, en les croisant entre eux et en les pondérant avec d’autres signaux — qualité du chiffre d’affaires, couverture des intérêts, positionnement sur le marché —, les sociétés qui atteignent un seuil d’attention combiné tombent à environ 0,6 % : trois sur 490. Le score moyen de l’univers entier reste très bas ; seuls quelques rares cas ressortent vraiment.

Voilà la leçon opérationnelle : un indicateur seul produit du bruit, leur convergence produit un signal. Quand trois modèles construits par des auteurs différents, à des décennies d’écart, avec des objectifs différents pointent dans la même direction sur la même entreprise, cette coïncidence mérite l’attention. Quand un seul pointe, on regarde presque toujours la limite du modèle, pas le problème de l’entreprise.

Ce que ces chiffres ne disent pas

Il vaut la peine d’être explicite sur les limites, car c’est habituellement la partie que l’on tait.

Ils ne prédisent pas la faillite. Ils mesurent des conditions statistiquement associées à des difficultés passées. Beaucoup d’entreprises aux scores médiocres traversent la période difficile et en sortent ; certaines aux excellents scores sont emportées par des événements qu’aucun état financier ne pouvait annoncer.

Ils n’accusent personne. Un modèle statistique n’établit aucune responsabilité. Les anomalies comptables ont souvent des explications ordinaires : une acquisition qui modifie le périmètre, un changement de normes comptables, un cycle d’investissement exceptionnel.

Ils regardent en arrière. Ils se nourrissent d’états financiers publiés, donc de faits déjà survenus et communiqués avec des mois de retard. Un événement récent — la perte d’un client décisif, un contentieux, un refinancement à des conditions moins favorables — n’est pas encore dans les chiffres.

Ils ne s’appliquent pas à tous de la même façon. Au-delà des sociétés financières, il faut lire avec prudence les sociétés en forte croissance qui investissent lourdement, celles récemment cotées avec un historique comptable court, et celles qui viennent d’achever une opération de grande ampleur.

Ils se lisent à côté du prix. Une entreprise qui présente des signaux de fragilité et que le marché a déjà lourdement sanctionnée raconte une autre histoire qu’une entreprise affichant les mêmes signaux au plus haut : dans le premier cas le risque est en partie déjà dans le cours, dans le second non.

Comment les utiliser en pratique

La manière la plus utile de traiter ces indicateurs, c’est comme un filtre d’exclusion, pas de sélection. Ils ne servent pas à trouver des actions à acheter : ils servent à éviter qu’un dossier problématique entre en portefeuille sans que personne ne s’en aperçoive.

Un cheminement raisonnable, en quatre étapes :

1. Observer la convergence, pas le chiffre isolé. Un seul indicateur qui déraille, c’est normal ; trois qui s’alignent, non.
2. Chercher l’explication ordinaire avant l’extraordinaire. Une acquisition, une année d’investissements exceptionnels ou un changement de normes comptables expliquent la majorité des anomalies.
3. Distinguer le cyclique du structurel. Dans un secteur en difficulté, toutes les entreprises affichent des chiffres faibles : ce n’est pas la fragilité de la société prise isolément, c’est le moment que traverse le secteur. La comparaison avec les concurrents directs lève le doute presque à chaque fois.
4. Dimensionner la position en conséquence. Si, après analyse, la thèse d’investissement tient toujours mais que les signaux persistent, la réponse sensée n’est presque jamais « dedans ou dehors » : c’est un poids plus faible en portefeuille.

En résumé

• Trois modèles académiques lisent les comptes à la recherche d’incohérences : Beneish (anomalies comptables), Altman (distance à la défaillance), Piotroski (solidité opérationnelle en neuf vérifications).
• Le signal le plus simple reste le rapport entre bénéfice déclaré et trésorerie effectivement générée : la recherche montre que la composante purement comptable du résultat est la moins durable.
• Un indicateur seul produit énormément de fausses alertes : sur notre univers, 15 % des grandes sociétés américaines se retrouvent en « zone de risque » selon le Z d’Altman, un modèle né en 1968 sur 66 entreprises industrielles.
• En croisant plusieurs signaux, les cas qui méritent l’attention tombent sous la barre de 1 %. La convergence est le signal, le chiffre isolé est du bruit.
• Aucun de ces modèles ne prédit de faillite ni n’accuse quiconque : ils indiquent où regarder, et se lisent avec le secteur, le prix et l’histoire récente de l’entreprise.
• Utilisez-les comme filtre d’exclusion : ils servent davantage à éviter des erreurs qu’à choisir des gagnants.

Questions fréquentes

Un M-Score de Beneish au-dessus du seuil signifie-t-il que l’entreprise a truqué ses comptes ?

Non. Cela signifie que le profil comptable de l’entreprise ressemble, sur huit ratios, à celui d’un groupe de sociétés ayant par le passé manipulé leurs comptes. C’est un indice statistique qui invite à approfondir, pas une constatation. Les explications ordinaires — croissance rapide, acquisitions, changements de normes comptables — sont de loin les plus fréquentes.

Pourquoi les banques et les assureurs sont-ils exclus de ces modèles ?

Parce que leurs comptes sont d’une nature différente. Dans une banque, la dette est la matière première de l’activité et non un risque à minimiser, et des notions comme le fonds de roulement ou la rotation de l’actif n’ont pas le même sens. Appliquer des formules calibrées sur l’industrie manufacturière donnerait des chiffres précis et, au fond, dépourvus de signification.

Une entreprise présentant des signaux de fragilité doit-elle être vendue immédiatement ?

Ce n’est pas une conséquence automatique, et ces outils ne sont pas conçus pour le timing. Ils signalent un risque structurel qui se manifeste sur plusieurs trimestres. La question la plus utile n’est pas « je vends ou pas », mais : la raison pour laquelle je détiens cette entreprise tient-elle toujours, et quel poids est-il raisonnable de lui accorder en portefeuille ?

Ces indicateurs fonctionnent-ils aussi sur les sociétés de petite taille ?

Avec davantage de prudence. Les plus petites sociétés ont des comptes plus volatils, un historique comptable plus court et une sensibilité plus grande aux événements isolés : les mêmes modèles y produisent davantage de fausses alertes. Le Z d’Altman d’origine excluait d’ailleurs explicitement les plus petites sociétés de l’échantillon sur lequel il a été calibré.

Sources et références

Les trois modèles cités sont publiés et vérifiables dans la littérature académique :

• Beneish, M. D. (1999). The Detection of Earnings Manipulation. Financial Analysts Journal, 55(5), 24–36.
• Altman, E. I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 23(4), 589–609.
• Piotroski, J. D. (2000). Value Investing: The Use of Historical Financial Statement Information to Separate Winners from Losers. Journal of Accounting Research, 38, 1–41.
• Sloan, R. G. (1996). Do Stock Prices Fully Reflect Information in Accruals and Cash Flows about Future Earnings?. The Accounting Review, 71(3), 289–315.

Les pourcentages cités dans cet article proviennent de notre analyse périodique d’un univers d’environ 490 grandes sociétés cotées américaines, les sociétés financières étant exclues des modèles qui ne s’y appliquent pas.

---

Cet article a une finalité informative et pédagogique et ne constitue ni un conseil en investissement personnalisé, ni une recommandation d’achat ou de vente d’instruments financiers. Les modèles décrits sont des outils d’analyse comportant des limites connues et ne prédisent l’évolution future d’aucune société. Toute décision d’investissement dépend de la situation personnelle de celui qui la prend ; en cas de doute, adressez-vous à un conseiller qualifié.