HAL Id: tel-03229255https://tel.archives-ouvertes.fr/tel-03229255

Submitted on 18 May 2021

HAL is a multi-disciplinary open accessarchive for the deposit and dissemination of sci-entific research documents, whether they are pub-lished or not. The documents may come fromteaching and research institutions in France orabroad, or from public or private research centers.

L’archive ouverte pluridisciplinaire HAL, estdestinée au dépôt et à la diffusion de documentsscientifiques de niveau recherche, publiés ou non,émanant des établissements d’enseignement et derecherche français ou étrangers, des laboratoirespublics ou privés.

Copyright

ETUDE DE LA RELATION SOLIDITE BANCAIREET RÉFORME REGLEMENTAIRE DU CAPITAL

DES BANQUES DE L’UMOA : L’ENJEU DUPORTEFEUILLE DE CREANCES

H. Tamboura

To cite this version:H. Tamboura. ETUDE DE LA RELATION SOLIDITE BANCAIRE ET RÉFORME REGLEMEN-TAIRE DU CAPITAL DES BANQUES DE L’UMOA : L’ENJEU DU PORTEFEUILLE DE CRE-ANCES. Économie et finance quantitative [q-fin]. Université Thomas Sankara Ouagadougou (Burkina-Faso), 2020. Français. �tel-03229255�

UNIVERSITE THOMAS SANKARA =-=-=-=-=-=-=

BURKINA FASO =-=-=-=-=-=

Unité-Progrès-Justice

ECOLE DOCTORALE EN SCIENCES JURIDIQUES, POLITIQUES, ECONOMIQUES ET DE GESTION

N° d’ordre

Thèse de Doctorat

Hassan TAMBOURA

=-=-=-=-=-= Thèse présentée, en vue de l’obtention du

Grade de Docteur de l’Université Thomas SANKARA

Domaine : Sciences de Gestion Mention : Très honorable

Spécialité : Finance

ETUDE DE LA RELATION SOLIDITE BANCAIRE ET RÉFORME REGLEMENTAIRE DU CAPITAL DES BANQUES DE L’UMOA :

L’ENJEU DU PORTEFEUILLE DE CREANCES.

Soutenu le samedi 07 novembre 2020, devant le jury composé de :

Président du jury : M. Emmanuel HOUNKOU, Professeur Titulaire des Sciences

de Gestion, Université Abomey-Calavi (Bénin)

Rapporteur 1 : M. Kounetsron MESSAH, Maître de Conférences des Sciences de Gestion, Université de Lomé (Togo)

Rapporteur 2 : M. Seydou SANE, Maître de Conférences des Sciences de Gestion, Université Gaston-Berger Saint Louis (Sénégal)

Rapporteur 3 : M. Mamadou TOE, Maître de Conférences des Sciences de Gestion, Université Thomas SANKARA (Burkina)

Examinateur : M. Mady KOANDA, Maître de Conférences des Sciences de Gestion, Université Thomas SANKARA (Burkina)

Directeur de Recherche

: M. Serge Auguste Balibié BAYALA Professeur Titulaire des Sciences de Gestion, Université Thomas SANKARA (Burkina)

Co-Directeur de Recherche : M. Nadédjo BIGOU-LARE, Maître de Conférences des Sciences de Gestion, Université de Lomé (Togo)

i

AVERTISSEMENT

L’Université Thomas SANKARA n’entend donner aucune approbation ou improbation aux opinions émises dans cette thèse. Ces opinions sont propres

à l’auteur.

ii

REMERCIEMENTS

Avant d’être un apport scientifique, la thèse de doctorat est une épreuve morale pour tout nouveau chercheur. Le chemin vers les approches théoriques est souvent difficile et solitaire. C’est pourquoi, j’aimerai profiter de l’occasion pour remercier à travers les lignes qui suivent les personnes qui m’ont aidé à avancer dans mon projet de recherche au cours de ces dernières années. Je souhaite tout d’abord adresser mes remerciements les plus sincères à mon Directeur de recherche, le Professeur Serge Auguste Balibié BAYALA. Je suis profondément reconnaissant pour la confiance qu’il m’a accordée durant ces années de thèse et bien avant, au cours de mon second cycle universitaire. Ses idées stimulantes et originales, ses judicieux conseils et ses critiques constructives m’ont considérablement aidé dans l’élaboration de ce travail de recherche. A son égard, j’ai une dette morale pour m’avoir accompagné pendant toutes ces années marquées par « des hauts et des bas » propres à la vie professionnelle d’un chercheur débutant. L’aboutissement de cette thèse est dû à son soutien et à la constance de ses encouragements. Je remercie le Professeur Nadédjo BIGOU-LARE pour avoir assuré la Co-Direction de ma thèse et de m’avoir accompagné tout au long du parcours, entamé au cours de l’année universitaire 2004-2005, lorsque nous nous retrouvions à l’école doctorale de l’UAC durant mon cursus de DEA en Sciences de gestion. Sa rigueur, sa disponibilité, ses conseils et ses encouragements ont été indispensables à l’achèvement de cette thèse. Je remercie les Professeurs Kounetsron MESSAH (Université de Lomé), Seydou SANE (Université Gaston Berger du Sénégal), Mamadou TOE (Université Thomas SANKARA) pour avoir accepté de donner de leur temps et de leur attention pour rapporter cette thèse, le Professeur Mady KOANDA, pour avoir accepté d’en être l’examinateur et le Professeur Emmanuel HOUNKOU pour m’avoir fait l’honneur de présider le jury. Leurs remarques seront d’une aide précieuse. Pour leurs commentaires, remarques et orientations sur mes travaux préliminaires, je tiens à remercier les Professeurs Emmanuel HOUNKOU, Mady KOANDA, Florent SONGNABA, Mamadou TOE, Anderson KONAN, Seydou SANE, Kounetsron MESSAH. Au Professeur Minlpe Martin GANGUE, qui malgré son emploi de temps chargé a pu nous relire, nous adressons nos remerciements ainsi qu’à tous nos lecteurs anonymes (ils se reconnaitront). Mes remerciements vont également à Dr. Vigninou GAMMADIGBE, Toussaint BADOLO, Modeste KABORE, Yempabo NABA, Abdoul OUEDRAOGO, Serge Damit AMANY, Amara KOUYATE, Kassim DOGAWA, Larbic KOLANI, Marius WONEGOU, Kossivi MESSEMI, Yémpabe TAMBATE, Prénam AVEYA, pour avoir relu et/ou faire orienter certaines parties des travaux. Une pensée émue pour tous mes compagnons de route, doctorants et ex-doctorants du LaReGeo, les promotionnaires du COFEB 35, les promotionnaires (DEA/UAC 2004-2005, EGEO 1996-1999, DEUG 1994-1996, Médina Coura 1980-1986) avec lesquels j’ai partagé une salle de classe, un article, un livre, une pause-café, un repas ou juste un échange pendant toutes ces années passées sur les bancs. Je suis particulièrement reconnaissant envers mon Aîné Yacouba TRAORE, mon compagnon de fortune du cursus de DEA, au Pr. Sado TRAORE et au Dr. Florent HIEN, pour leur recommandation, lorsque j’entreprenais l’aventure doctorale, au Dr. Robert BATIONO pour nous avoir suscité la destination de l’UAC au Bénin. Je suis éternellement reconnaissant à mon oncle Ahmed Gobi DIALLO, qui a une part importante dans mon parcours. Il saura reconnaitre l’influence de nos échanges sur ma vie et mes convictions. Une pensée spéciale à ma tante Mariama DIALLO épouse DIALLO. J’accorde une mention spéciale à mon oncle Djibrilou TAMBOURA, pour ses relectures, son soutien indéfectible et pour les multiples encouragements répétés qui m’ont rassuré du choix porté sur la recherche. Egalement à mes tontons Mamadou SEREME, Oumar DIARRA et Saidou OUEDRAOGO pour leurs encouragements.

iii Je remercie mon Aîné Dramane Raphael PARE, qui occupe une place de choix dans ma modeste vie, pour son humanisme, sa sincérité dans les relations et la fraternité de conscience qui nous lie. Une mention spéciale au Dr. Nimonka BAYALE, mon frangin, mon ami pour tout le soutien apporté durant ce parcours exaltant. Je lui suis particulièrement reconnaissant `pour m’avoir accompagné et guidé mes premiers pas à l’économétrie des données de panels. J’associe aussi le Dr. Augustin KONE à ces remerciements, en gardant l’espoir que nous grandirons et bâtirons ensemble, sans oublier José Francesco SOULY pour avoir été à mes côtés lors de la gestation de ce projet et d’y avoir contribué à travers ses multiples soutiens, notamment sur le recueil de données. Mes remerciements vont également à l’endroit de Monsieur Bienvenu COMLAN pour ses orientations lors des derniers réglages, en vue de la finalisation, aux lecteurs anonymes pour leurs commentaires et critiques sur des versions antérieures de cette thèse ainsi que pour leur assistance. Il reste bien entendu que je suis le seul responsable des opinions exprimées ainsi que des erreurs et lacunes éventuelles…… Que me pardonnent donc celles ou ceux que j’ai oublié de citer nommément ici. Je tiens à remercier ma famille et ma belle-famille pour le soutien qu’ils m’ont apporté. Mes remerciements particuliers et fraternels à Mahamady S. ZOROME, Adama BELEM, Boureima SANON, Socrate BASSONON, Mahamadou OUEDRAOGO, Issa GUIRA, Brahima TRAORE, Jean Koudbi BEREHOUNDOUGOU, Ben Mohamed HAIDARA, Abdoulaye TALL, Enoc SANGARE, Constantin DABIRE, Simon Pierre GOUEM, Boukary DELMA, Salifou TRAORE, Lassina TRAORE, Guy KYERE, Amidou KOUSSOUBE, Moctar GANDEMA, Mamadou KONATE, qui se sont toujours intéressés à mes études, mes recherches, mes projets. Ma pensée finale s’adresse à mes parents pour leur amour infini, leur soutien inconditionnel, leur patience durant ces longues années d’études et surtout leurs sacrifices sans limites.

iv DEDICACES

A la mémoire de mon père, tu resteras à jamais dans ma vie et toujours mon modèle. Que de chemins parcourus grâce à tes bénédictions et sous la protection divine…Gloire à Dieu ! Repose en paix.

A mon oncle Ahmed Gobi DIALLO, pour avoir contribué à faire de moi ce que je suis. A ma maman, mon épouse, mes enfants et ma tante pour tous les sacrifices consentis. Aux miens débout et vivants ! vous vous reconnaitrez, j’en suis sûr.

A Boureima SANON qui repose dans la gloire de Dieu. Malheureusement nous n’avons pas eu le temps de parcourir ensemble ce travail qui est aussi le tien et de nous replonger dans notre parcours scolaire. Lors de la défense de cette thèse, tu étais hors de Ouaga, parti en mission à Bobo, notre ville natale. Je te promettais revenir sur le film des évènements remplis d’émotions et de joie mais hélas, c’était oublier que nous n’avions pas le dernier mot. Plonger dans la finalisation de ma thèse, je me résous à te faire une dédicace à titre posthume pour te témoigner toute ma fraternité, revoyant encore notre perspicacité légendaire. Cher frère, la mort ne t’a pas emporté, elle a multiplié ta vie en NOUS. Tu fais partie des bienheureux pour lesquels ce départ physique est un repos éternel. Tu as vécu utile dans la dignité. Nous essayerons au mieux de préserver tes acquis.

‘ Un gagnant est un rêveur qui n’a jamais abandonné’ Nelson MANDELA

v

SOMMAIRE

AVERTISSEMENT .................................................................................................................. i

REMERCIEMENTS ................................................................................................................ ii

DEDICACES ......................................................................................................................... iv

SOMMAIRE ............................................................................................................................ v

INTRODUCTION GENERALE ............................................................................................... 1

PREMIERE PARTIE : ..........................................................................................................12

CADRE THEORIQUE ET METHODOLOGIQUE DE LA RECHERCHE ...............................12

CHAPITRE 1. FONDEMENTS DE LA SOLIDITE BANCAIRE : LES CONTROVERSES THEORIQUES ET EMPIRIQUES .........................................................................................14

Section 1 : Revue et analyse critique de la litterature ...........................................................14

Section 2 : Justification théorique de la solidité et mutations enregistrées dans le secteur bancaire ...............................................................................................................................38

CHAPITRE 2. METHODOLOGIE ET CADRE D’ANALYSE .................................................66

Section 1 : Choix des variables de l’étude empirique ............................................................67

Section 2. Méthodes d’analyse économétrique sur données de panel et statistiques descriptives ..........................................................................................................................96

DEUXIEME PARTIE : ........................................................................................................ 110

MODELISATION EMPIRIQUE ET ANALYSE DE LA SOLIDITE BANCAIRE ................... 110

CHAPITRE 3. ANALYSE EXPLORATOIRE DE LA PERFORMANCE DU SYSTEME BANCAIRE DE L’UMOA ..................................................................................................... 112

Section 1 : Contexte de la solidité des banques : réalités et défis ....................................... 113

Section 2 : Analyse de la capacité de résilience des banques de l’UEMOA........................ 131

CHAPITRE 4. RESULTATS ET DISCUSSIONS DU MODELE D’ANALYSE ...................... 158

Section 1 : Essai de modélisation ....................................................................................... 158

Section 2 : Discussions des résultats et contributions pratiques de la recherche ................ 169

CONCLUSION GENERALE ............................................................................................... 203

BIBLIOGRAPHIE ................................................................................................................ 206

TABLE DES MATIERES .................................................................................................... 217

ABSTRACT ............................................................................................................................. i

RESUME ................................................................................................................................ ii

vi

SIGLES ET ABREVIATIONS

ANC : Autorité Nationale de Crédit BAD Banque Africaine de Développement BdF : Banque de France BCE : Banque Centrale Européenne BCEAO : Banque Centrale des Etats de l’Afrique de l’Ouest BDF : Banque de France BIC : Bureau d’Information sur le Crédit BRI : Banque de Règlements Internationaux BABE : Banque Atlantique Bénin BACI : Banque Atlantique Côte d’Ivoire BAO : Banco da Africa Ocidental BCB : Banque Commerciale du Burkina BCIM : Banque Commerciale pour l’Industrie du Mali BCS : Banque Commerciale du Sahel BCN : Banque Commerciale du Niger BDM : Banque de Développement du Mali BIAO : Banque Internationale pour l’Afrique Occidentale BF : Burkina-Faso BIA : Banque internationale pour l’Afrique BIBE : Banque Internationale du Bénin BICIAB : Banque Internationale pour le Commerce et l’Industrie du Burkina BICICI : Banque Internationale pour le Commerce et l’Industrie de Côte d’Ivoire BICIS : Banque Internationale pour le Commerce et l’Industrie du Sénégal BIM : Banque Internationale du Mali BIMAO : Banque des institutions Mutuellistes d’Afrique de l’Ouest BINCI : Banque Islamique Niger BIS : Banque Islamique du Sénégal BHB : Banque de l’Habitat Bénin BHCI : Banque de l’Habitat Côte d’Ivoire BHS : Banque de l’Habitat du Sénégal BN : Bénin BNDA : Banque Nationale pour le Développement Agricole BNI : Banque Nationale d’Investissement BOA : Banque Of Africa BSIC : Banque Saharienne pour l’Industrie et le Commerce BTCI : Banque Togolaise pour le Commerce et l’Industrie CBU : Commission Bancaire de l’UMOA CBSB Comité de Bâle pour la Supervision Bancaire CEMAC : Communauté des Etats de l’Afrique Centrale CIB : Cofipa Investment Bank CNCAS : Caisse Nationale de Crédit Agricole du Sénégal CBAO : Compagnie bancaire de l’Afrique Occidentale CDS : Crédit du Sénégal CMU : Conseil des Ministres de l’UMOA CSF : Comité de Stabilité Financière ECOBANK : Ecowas-Bank FCFA Franc de la Communauté Financière Africaine FPB : Fonds Propres de Base FPC : Fonds Propres Complémentaires FPE : Fonds Propres Effectifs FPR : Fonds Propres Réglementaires FMI : Fonds Monétaire International GMM : Generalized Method of Moments G10 : Les 10 pays les plus industrialisés ISF : Indicateur de Stabilité Financière MFCFA : Million de Franc de la Communauté Financière Africaine Mds FCFA : Milliard de Franc de la Communauté Financière Africaine ML : Mali NG : Niger

vii OCDE : Organisation pour la Coopération et le Développement Economique OHADA Organisation pour l’Harmonisation du Droit des Affaires PIB : Produit Intérieur Brut PNB : Produit Net Bancaire SGBF : Société Générale Burkina-Faso SGBN : Société Générale Bénin SGBS : Société Générale des Banques Sénégal SGBCI : Société Générale Côte d’Ivoire SIAB : Société Inter-Africaine des Banques SIB : Société Ivoirienne de Banque SONIBANK : Société Nigérienne des Bank S/P : Sous Période SPV Special Purpose Vehicle T1 Tier 1 T2 Tier 2 T3 Tier 3 UMOA : Union Monétaire Ouest Africaine UEMOA : Union Economique et Monétaire Ouest Africaine UBA : United Bank for Africa USA : United State of America USD : United State Dollars UTB : Union Togolaise des Banques ROA : Return Of Asset ROE : Return Of Equity

viii

LISTE DES TABLEAUX

Numéro Désignation Page Tableau 1 : Présentation des trois (03) piliers de Bâle 2 41 Tableau 2 : Aperçu des points saillants des différentes modifications des accords de Bâle 43 Tableau 3 : Présentation de la source de données 68 Tableau 4 : Présentation synoptique des textes règlementaires se rapportant à la méthode

utilisée 69

Tableau 5 : Caractérisation des banques de l’échantillon par pays 72 Tableau 6 : Répartition du nombre de banques par groupes bancaires 74 Tableau 7 : Synthèse des variables utilisées dans la littérature pour des études affiliées 76 Tableau 8 : Synthèse des variables d’intérêt et de contrôle 89 Tableau 9 : Synthèse des variables explicatives de la modélisation 90 Tableau 10 : Synthèse des variables du modèle d’analyse et brève définition 103 Tableau 11 : Synthèse des statistiques des variables de la modélisation 105 Tableau 12 : Scores moyen par pays 106 Tableau 13 : Evolution des variables de rentabilité 107 Tableau 14 : Répartition géographique des banques 113 Tableau 15 : Répartition des banques par affiliation 114 Tableau 16 : Répartition du total bilanciel par pays 115 Tableau 17 : Quelques indicateurs du système bancaire 118 Tableau 18 : Ratios caractéristiques appréciant la rentabilité sur la S/P1 126 Tableau 19 : Ratios caractéristiques appréciant la rentabilité sur la S/P2 126 Tableau 20 : Evolution des emplois dans le portefeuille global 129 Tableau 21 : Score moyen par banque et probabilités associées 136 Tableau 22 : Critères de classification de Altman 146 Tableau 23 : Classification des banques selon les critères de Altman 147 Tableau 24 : Statistique descriptive des scores des banques 148 Tableau 25 : Récapitulatif des crises bancaires par période 150 Tableau 26 : Evolution du ratio de couverture des risques et des plafonds 153 Tableau 27 : Simulation du capital optimum en couverture des en-cours de crédit de

l’exercice 2016 155

Tableau 28 : Matrice de corrélation des variables modélisées 160 Tableau 29 : Résultat des tests de racine unitaire 163 Tableau 30 : Test de spécification de Hausman 164 Tableau 31 : Résultat du test d’égalité des Scores 166 Tableau 32 : Résultat du test d’égalité de deux variables explicatives 166 Tableau 33 : Résultat des tests d’égalité de moyennes sur les 02 S/P 168 Tableau 34 : Synthèse des estimations multiples 174 Tableau 35 : Résultat de l’estimation intégrant l’ensemble des variables explicatives 175 Tableau 36 : Résultat du modèle dynamique 177 Tableau 37 : Synthèse des résultats de la validation des hypothèses 179

Tableau 38 : Test d’égalité des moyennes du Score décomposé 185 Tableau 39 : Contribution des banques de l’échantillon à la solidité 191 Tableau 40 : Synthèse des résultats du modèle dynamique des groupes bancaires 194

ix LISTE DES FIGURES

Numéros Désignation Pages

Figure 1 : Présentation évènementielle des crises et des mesures de mitigation 3

Figure 2 : Les différents acteurs de la stabilité financière 17

Figure 3 : Modèle théorique de la recherche 35

Figure 4 : Modèle empirique de la recherche 92

Figure 5 : Opérationnalisation des variables 95

Figure 6 : Volatilité des scores enregistrés par pays et par période 107

Figure 7 : Evolution du total bilanciel 116

Figure 8 : Indicateurs d’appréciation du seuil du degré de couverture des prêts par les dépôts 128

Figure 9 : Indicateurs d’appréciation de la qualité des actifs 129

Figure 10 : Dispersion du score moyen des banques par période et probabilités associées 133

Figure 11 : Score moyen et probabilités associées par pays 134

Figure 12 : Evolution Score moyen du Bénin et probabilités associées par période 138

Figure 13 : Evolution Score moyen du Burkina et probabilités associées par période 139

Figure 14 : Evolution Score moyen de la Côte d’Ivoire et probabilités associées par période 140

Figure 15 : Evolution Score moyen du Mali et probabilités associées par période Evolution 141

Figure 16 : Evolution Score moyen du Niger et probabilités associées par période 142

Figure 17 : Evolution Score moyen du Sénégal et probabilités associées par période 143

Figure 18 : Evolution Score moyen du Togo et probabilités associées par période 144

Figure 19 : Score moyen de la Guinée Bissau et probabilités associées par période 145

Figure 20 : Diagramme explicatif des liens fonctionnels entre les questions, les hypothèses et

les résultats

180

Figure 21 : Evolution sur les 02 S/P des variables de gouvernance et de rendement des banques

défaillantes

183

Figure 22 : Evolution sur les 02 S/P des variables de gouvernance et de rendement des banques

solides

183

1

INTRODUCTION GENERALE

1. CONTEXTE DE LA RECHERCHE

Les travaux empiriques sur le secteur bancaire ont pris naissance en Occident, notamment aux

USA dès les premières crises économiques et le krach1 boursier de New York (Blum, 1999 ;

Kaminsky et Reinhart,1999 ; Moyer, 1990). De ces travaux, il ressort la spécificité du secteur

fondé sur l’intermédiation financière et une confiance mutuelle entre les différents acteurs. En

effet, l’industrie bancaire est un secteur réglementé, marqué entre autres par l’intermédiation

par le crédit. Ces développements révèlent la place prépondérante de la réglementation (Aglieta,

1992) pour en assurer la pérennité. D’un côté, le régulateur définit le cadre légal d’exercice de

la profession et le dispositif y relatif. De l’autre, le superviseur se charge de la mise en œuvre

de la réglementation en vigueur. Par la suite, des études spécialisées ont été réalisées. Les unes

ont traité des conditions requises pour pérenniser l’intermédiation (Diamond et al, 2000) et les

autres ont mis en lumière les conséquences de la politique de distribution de crédits fondée sur

la consistance des fonds propres (Solhi et Mehdi, 2012 ; Artus, 2005, Blum, 1999 ; Calem et

Rob, 1999). C’est dans un tel contexte que la singularité de la banque, décrite ci-haut, conduit

les acteurs à s’intéresser non seulement à la sauvegarde des intérêts des épargnants (Camara,

2010 ; Calem et Rob, 1999 ; Shrives et Dahl, 1992), mais aussi au cadre réglementaire (Aglietta,

1992).

Au regard de cette spécificité, Diamond et al., (2000) explorent la mise en place d’un système

de monitoring pour rendre compte du bon usage des ressources de la clientèle, distribuées sous

forme de crédits aux agents économiques « à besoin de financements ». Ce postulat amène

Calem et Rob (1999) à évoquer les fondements de la politique de distribution de crédits. Ces

crédits octroyés doivent être adossés sur de bonnes signatures pour espérer un meilleur

dénouement au terme de la maturité convenue entre les parties au contrat de prêt. Pourtant, les

anticipations de remboursements et de rendements espérés ne sont pas toutes réalisées pour les

banques prêteuses. Ce qui les conduit à constater des dépréciations en cas de défauts. Les

dépréciations de la valeur des créances ont expliqué les faillites bancaires survenues,

particulièrement celles des pays de l’UEMOA au début des années 80 et au milieu des années

90 (Powo, 2000). A cette époque, les banques en activité ont connu une situation critique qui a

1 Survenu le jeudi 29 octobre 1929

2

profondément perturbé le fonctionnement des économies. Une trentaine de banques ont été

liquidées entre 1987 et 1995. Parmi elles, plus de la moitié était constituée de banques publiques

(Powo, 2000). A l’origine de ce dysfonctionnement, des fonds propres érodés occasionnés par

des prêts non performants atteignant 60%, voire plus et une disparité de la surveillance de la

politique de distribution de crédits. A titre illustratif, les proportions du portefeuille dégradé

ressortaient, respectivement à 90% en Côte d’Ivoire, 80% au Bénin et 34% au Burkina. Au

Togo, tout le système bancaire était en banqueroute (Caprio et Kligebiel, 2003). Le corollaire

de tout cela a été l’absorption de l’intégralité du capital social des banques. Les déposants

désireux de faire des opérations débitrices, se retrouvaient face à des banques qui ne disposaient

pas de ressources suffisantes à même de satisfaire les retraits de fonds souhaités.

Telle que décrite, nous nous interrogeons sur l’état actuel de la santé financière des banques,

après la mise en œuvre continue du dispositif prudentiel de l’année 20002, d’autant plus que la

distribution de crédits qui a plus que doublé en une décennie. D’une proportion de 10% du PIB

en 2006, elle s’élève à 21%, du PIB de l’Union en 2016. L’encours brut de créances

compromises s’est accru de 72%, s’élevant à 2 391 Milliards (Mds) FCFA en 2016 contre 1 389

Mds FCFA en 2010. Cette même tendance est observée sur les provisions constituées qui sont

passées de 877 Mds FCFA à 1 517 Mds FCFA entre 2010 et 2016. La dégradation du

portefeuille des créances par pays affiche une moyenne de 20, 22%3, largement au-dessus de la

norme de 10 %4. Il convient de relever qu’une part importante de ces créances est détenue sur

les groupes bancaires qui dominent le marché bancaire de l’UMOA. En effet, la part de marché

des quatre (04) premiers groupes bancaires (Ecobank, BOA, Société Générale et Attijariwafa

Bank) représente plus de 40%. Ce constat, illustratif de la place qu’occupent les groupes

bancaires, nous amène également à nous intéresser à leur solidité.

L’examen des indicateurs de performances des banques de l’UMOA, nous fait constater que

malgré la mise en œuvre de la supervision communautaire, sous l’égide de la Commission

Bancaire de l’UMOA (CBU), certaines banques ne se conforment toujours pas au dispositif

prudentiel en vigueur. Au regard de cette situation, il ne serait pas superflu de se demander si

les banques respectant le dispositif prudentiel s’en tirent mieux financièrement.

2 Instruction 2000/01/RB du 1er janvier 2000 3 Sur la période d’analyse de 2005 à 2016. 4Le taux de dégradation du portefeuille bancaire ne devrait pas dépasser le seuil de 10%, pour une meilleure transmission de la politique monétaire des banques centrales (Dermiguc-Kunt, 1998).

3

La figure 1 ci-dessous décrit l’apparition des crises et les mesures d’atténuation et/ou prévention prises par le régulateur :

Figure 1 : Présentation évènementielle des crises et des mesures de mitigation

Source : Auteur (2019), sur la base d’une reconstitution de la littérature

Il apparait ainsi que c’est à la lumière de la déficience des institutions bancaires dans leurs

fonctions d’intermédiation financière que des réformes ont été engagées sous la houlette du

régulateur. Ces réformes ont concerné aussi bien l’assainissement du portefeuille des banques,

la création de la Commission Bancaire de l’UMOA (CBU) que l’instauration d’une

réglementation prudentielle commune aux huit (08) pays (Powo, 2000).

Dans une optique d’anticipation, suite à la survenance de la crise financière des subprimes, le

Conseil des Ministres de l’UMOA5 a décidé de l'augmentation du capital réglementaire des

banques pour le porter à 10 Mds FCFA. En application de cette décision, la BCEAO a, par avis

N° 01/2007/RB du 2 novembre 2007 fait un phasage en deux (02) étapes (5 Mds FCFA au

31.12.2010 et 10 Mds FCFA au 31.12.2016). Par la suite, le Comité de Stabilité Financière

(CSF) a été créé en 2010 pour préparer les fondamentaux d’une régulation macro-prudentielle.

Par ailleurs, dans le cadre de la mitigation de l’asymétrie informationnelle sur le marché de

5 En date du 17 septembre 2007

Différentes crises survenues de par le monde

•Crises bancaires de l'Afrique Occidentale(UEMOA, CEMAC) :début 1980, milieu 1990.Crise asiatique de 1997; crise financièreinternationale de 2007.

Réactions du régulateur pour y faire face :

•i) Restructuration à travers le reéchelonnementdes prêts non performants, assainissement duportefeuille des banques;

•ii) Création de la Commission Bancaire (1990);•iii)Decision d'augmentation du capitalrèglémentaire (2007) en deux (02) phases (5Mds FCFA au 1er.01.2010 et 10 Mds FCFA au1er .01.2017); iv) Création du Comité deStabilité Financière (2010); v) Lancement desBIC (2015)

•iv)Transposition des nouvelles règles (PCBrevisé, Bâle 2 et Bâle 3) en 2018.

4

crédits, les Bureaux d’Information sur le Crédit (BIC) ont été créés en 2015. Toutes ces

réformes entreprises ont été couronnées par la transposition aux nouvelles règles (Bâle 2 et Bâle

3) dont la mise en œuvre avec le Plan Comptable Bancaire (PCB) révisé remontent au

1er.01.2018.

Malgré ces différentes mesures, force est de constater que des banques restent peu solides et en

retrait de la réglementation. Cela est traduit par un taux de dégradation du portefeuille élevé

couplé à une sous-capitalisation (FMI, 2015, Dannon et Lobez, 2014). C’est ce constat qui

fonde l’objet de la présente recherche, dont la problématique est ci-dessous formulée.

2. PROBLEMATIQUE

Les réflexions théoriques sur l’industrie bancaire attribuent à sa solidité un rôle capital. Elles

soulignent le besoin d’une mise à jour permanente de la réglementation et un suivi rapproché

pour soutenir la stabilité financière (Gammadigbé, 2018 ; Kadandji, 2016 ; Solhi et Mehdi,

2012 ; Camara, 2010 ; Kaminsky et Reinhart, 1999 ; Goyeau et Tarazi, 1992). Avec la

libéralisation des marchés financiers et la prise de conscience de l’importance des répercussions

systémiques des opérations bancaires, notamment celles relatives aux mouvements de capitaux,

les institutions de Bretton Woods, la Banque des Règlements Internationaux (BRI) ainsi que

les différents régulateurs ont accordé à la solidité des banques une place prépondérante. En

effet, un système bancaire déficient peut entraîner la fragilité de tout le secteur financier et

déboucher sur une instabilité et une contagion des économies. C’est fort de cela qu’une

importance est donnée à la réglementation du capital pour en être sûr de la solvabilité des

banques.

La question de la solidité bancaire est également mise en évidence par de nombreuses

recherches qui font ressortir la multiplicité des problèmes auxquels sont soumis les banques

(Gammadigbé, 2018 ; Kadandji, 2016 ; Gbénou et al., 2017 ; Distinguin et al., 2006). Les

différentes recherches indiquent que les défaillances constatées sont liées, d’une part à

l’inadéquation des fonds propres et, d’autre part à la dégradation du portefeuille de créances

(Gammadigbé, 2018 ; Kadandji, 2016).

S’agissant de l’inadéquation des fonds propres, certains auteurs (Hennani, 2016 ; Klimenko,

2015) soulignent que les fonds propres doivent être élevés afin de constituer un « volant de

5

sécurité ». D’une part, ces auteurs appréhendent la solidité bancaire comme le reflet du potentiel

de résistance aux chocs par l’entremise du noyau dur des fonds propres que sont le capital social

et les réserves. D’autres part, la solidité bancaire est analysée sous l’angle d’interactions entre

le niveau optimum des fonds propres et le potentiel de drainer les dépôts liquides et sans risque.

Pour les tenants (Hellwig et al., 2015), un secteur bancaire mieux capitalisé devrait être plus

stable car le même niveau de perte peut être absorbé par les produits issus de l’activité

d’intermédiation. Il faut cependant relever que la seule consistance des fonds propres ne saurait

expliquer à elle seule la solidité. En effet, Kim et Santomero (1988) ; Diamond et Dybvig (1986)

soulignent qu’un niveau de capitalisation élevée n’aboutit pas nécessairement à une baisse de

la probabilité de défaillance.

Aussi, la capacité managériale des dirigeants dans la bonne application de la réglementation

permet-elle d’anticiper les éventuels risques d’illiquidité du portefeuille. C’est le cas

notamment, du seuil autorisé relatif à la transformation d’une partie des dépôts en emplois. Cela

découle de la non maîtrise de la préférence des épargnants sur la liquidité qui peuvent parfois

prendre la forme d’une ruée vers les guichets. La banque ne pouvant pas d’emblée prévoir avec

exactitude la préférence de ses clients dépositaires de ressources pour les retraits, devra

s’appuyer sur un système de suivi efficace pour y faire face (Diamond, 1986). D’où la nécessité

d’une bonne application de la réglementation prudentielle. Par ailleurs, le niveau de

capitalisation peut avoir un impact positif ou négatif sur la politique de distribution de crédits

(Artus, 2005 ; Calem et Rob, 1999 ; Stiglitz, 1983). Cela détermine ou non l’agressivité de la

banque sur le marché. Son impact est positif dans le contexte d’une exploitation rentable. En

cas de déficit d’exploitation, les fonds propres sont érodés du montant de la perte reportée. En

ce qui concerne la dégradation du portefeuille, le non remboursement des prêts par les

emprunteurs se traduit par une détérioration de la solvabilité du fait de la comptabilisation de

dépréciations, conformément aux règles de provisionnement. Plusieurs recherches ayant traité

des faillites bancaires, évoquent la qualité des créances comme un indicateur statistiquement

significatif des causes de l’insolvabilité des banques (Dermiguc-Kunt, 1998).

6

En période de boom économique, les banques arrivent à prendre des risques démesurés en

finançant des projets sur la base d’anticipations optimistes. Ces anticipations, lorsqu’elles se

réalisent, leur procurent une plus grande marge bénéficiaire et rehaussent leur solvabilité. Dans

le cas contraire, la détérioration des créances consenties fait éroder le niveau des fonds propres.

Relativement aux pays de l’UEMOA, les proportions du portefeuille dégradé sur la période

d’analyse ressortent respectivement comme suit par pays : Togo (24,25%), Bénin (23,9%),

Niger (22,76%), Côte d’Ivoire (19,3%), Guinée Bissau (18,35%), Mali (18,33%), Sénégal

(18,28%) et Burkina (16,6%).

Au regard des constats relevés ci-avant et des résultats de recherches antérieures, l’appréciation

de la situation financière des banques trouve son sens, non seulement pour les épargnants, mais

aussi pour les Pouvoirs Publics. L’histoire financière récente montre la pertinence d’investiguer

la santé financière des banques, enjeu majeur de la stabilité financière. Les performances

relevées ramènent le débat sous l’angle réglementaire, notamment son appropriation par les

acteurs. Cela se justifie, d’autant plus que la survenance des crises financières et bancaires est

expliquée par des déficits relevés dans la surveillance (Gbénou et al., 2017 ; Camara, 2010 ;

Kaminsky et Reinhart,1999). Elles mettent en exergue des insuffisances dans l’application de

la réglementation prudentielle, comme par exemple celles encadrant les prises de risques.

Malgré la survenance des crises, expliquées entre autres par les insuffisances relevées ci-haut

dans l’application de la réglementation, force est de reconnaitre que certaines banques ne se

conforment toujours pas à la réglementation des fonds propres, tout en résistant aux chocs

adverses. Il y a comme un paradoxe de la réglementation du capital sur la solidité des banques

tel que ressorti dans des études empiriques (Calem et Rob, 1999 ; Hennani, 2016). En effet,

l’analyse des indicateurs de performances des banques en activité dans le paysage bancaire de

l’UEMOA montre que les ratios de capitalisation, à savoir la réglementation du capital et la

couverture des risques, se sont dégradées. Au regard de nos dépouillements, sur la période

d’analyse (2005-2016), en moyenne 30% des banques ne respectent pas la réglementation du

capital et 21% ne se conforment pas au respect de la couverture des risques. La proportion des

banques se conformant à la réglementation du capital évolue de façon erratique. Elle est passée

de 75% en 2005 à 53% en 2009. En 2016, cette proportion s’élève à 62%. A la modification du

capital réglementaire adoptée en 2007, la rentabilité financière dégagée par les banques affichait

seulement 0,39% pour un coefficient d’exploitation de 77,06% et un taux de dégradation brute

7

de portefeuille de 18,9%. Par ailleurs, la mauvaise appréciation des risques et l’absence de suivi

de la clientèle se sont traduites par une accumulation des créances douteuses. La qualité du

portefeuille de créances6 pour les huit (08) pays reste mitigée et demeure très élevée, affichant

parfois 50% de taux de dégradation de portefeuille, voire plus pour certaines banques.

De ce qui précède, il ressort un paradoxe dans la littérature et dans les faits sur l’effet escompté

de la réglementation en ce qui concerne la solidité bancaire. Dans le cas spécifique de l’UMOA,

les études sur le secteur bancaire n’ont pas examiné les effets simultanés du capital et du

portefeuille comme éléments de réformes concourant à la stabilité financière. Cela, d’autant

plus que le secteur a connu d’importantes réformes, opérées dans le but de protéger davantage

les épargnants. Tel est l’objet de la présente thèse qui s’interroge en ces termes : « Dans quelles

mesures la solidité des banques s’est -elle améliorée, suite à la modification du capital

réglementaire » ?

A l’aune de la question formulée, notre recherche se révèle être un essai d’analyse de l’effet

des réformes entreprises dans le secteur bancaire de l’UMOA sur la solidité des banques. Elle

est menée en se fondant sur le dispositif réglementaire inspiré de Bâle 1. Les travaux menés

s’appuient sur l’indice de solidité tel que défini par Boyd et Graham (1988) à travers le Z-score.

C’est une méthode de quantification des risques caractérisant l’activité des banques. Il est

inversement corrélé à la probabilité d’insolvabilité c’est-à-dire, la probabilité que les actifs

bancaires soient inférieurs au passif exigible. Goyeau et Tarazi (1992), en procédant à sa

décomposition en deux composantes (Z1+Z2= Z) en ont fait un indicateur de prédilection de

l’appréciation de la santé financière des banques.

Pour cerner les contours de la question de recherche, deux (02) questions spécifiques sont

élaborées dont les réponses permettront de converger vers celle de la question principale de la

thèse.

(i) quel est l’état de la solidité bancaire de l’UMOA, suite à la modification de la

réglementation du capital ?

6 Le portefeuille de créances est perçu ici comme un ensemble de prêts octroyés par une banque à ses clients.

8

Il paraît vraisemblable, en effet, que le niveau de fonds propres bancaires soit déterminant

à la solidité bancaire (Blum, 1999 ; Calem et Rob, 1999 ; Shrieves et Dahl, 1992). La

réponse à cette question donnera une preuve de l’existence d’une relation entre le seuil de

capitalisation et la capacité de résilience des banques à faire face aux différents chocs. Ces

chocs sont relatifs non seulement à l’environnement concurrentiel mais aussi à la pression

réglementaire.

(ii) la variation des créances du portefeuille des banques explique-t-elle l’état de la

solidité bancaire ?

Cette question se pose, en ce sens que l’augmentation des fonds propres se traduit par une

variation à la hausse de la politique de distribution de crédits. Toutes choses égales par ailleurs,

les prises de risques y afférentes devraient porter sur de bonnes signatures pour ne pas altérer

la bonne tenue du portefeuille (Aggarwal et Jacques, 2001 ; Shrieves et Dahl, 1992).

L’augmentation des fonds propres se traduit par une politique expansionniste dans la

distribution de crédits. La maîtrise des risques adossés à de bonnes signatures permettent de

contenir le relèvement du dénominateur du ratio de solvabilité bancaire (couverture des risques

ou encore ratio Cooke). Il va sans dire qu’un niveau élevé de fonds propres (au numérateur)

couplé à des créances saines (au dénominateur) se traduit par une consolidation de la solidité

des banques. Camara (2010) ; Shrieves et Dahl (1992) utilisent la qualité des créances à travers

la bonne mise en œuvre de la réglementation pour tester la capacité de résilience des banques

dans le contexte des banques européennes.

Au cours des dernières décennies, la littérature a proposé d’autres approches comme celle

fondée sur les analyses économétriques, utilisant aussi bien les séries financières que

macroéconomiques pour identifier les effets des chocs exogènes sur la bonne santé de

l’environnement bancaire (Barrell et al., 2010 ; Ashcraft et al., 2013). Dans les années 90, la

survenance des crises bancaires avait retenu l’attention des chercheurs (Kaminsky et

Reinhart,1999). Les études récentes concernent la fonction de survie (Gammadigbé, 2018), la

méthode dynamique adoptant le Z-score (Kadandji, 2016 ; N’Diaye, 2014 ; Solhi et Mehdi,

2012), les systèmes d’alerte ou encore les modèles logit recourant aux variables permettant de

mesurer la stabilité financière (Borio et Drehmann, 2009 ; Kaminsky et Reinhart,1999). La

performance de ces méthodes varie. Celles-ci débouchent généralement sur les conclusions

9

contradictoires, en fonction de la démarche suivie.

En l’absence d’études empiriques publiables sur le sujet par le régulateur, nous nous proposons

de mener une analyse de la solidité bancaire fondée sur la performance financière, inspirée des

indicateurs utilisés dans les études similaires, avant et après la mise en œuvre de la modification

de la réglementation du capital.

3. OBJECTIFS DE LA THESE

L’objectif de cette thèse est d’expliquer l’amélioration de la solidité des banques dans un

contexte marqué par la modification du capital règlementaire.

De façon spécifique, nous cherchons à :

(i) évaluer la solidité bancaire à la suite de la modification du capital réglementaire.

Les fonds propres permettent aux banques de bénéficier d’un coussin de sécurité pour amortir

les éventuelles pertes relatives aux anticipations non réalisées. Il est donc nécessaire pour une

banque d’y adosser son volume d’activités. Il s’agit ici d’évaluer l’incidence de la nouvelle

réglementation sur la solvabilité des banques.

(ii) montrer les effets de la variation des créances sur la relation entre solidité et modification du capital.

Il est admis que le niveau de fonds propres détermine la politique de distribution des crédits par

les banques. Son accroissement se traduit par une politique expansionniste de crédits. Par contre

lorsqu’il est dégradé, les banques sont limitées dans la distribution de crédits. A travers cet

objectif spécifique, nous nous prononcerons sur l’efficacité managériale dans la mise en œuvre

de la réglementation, notamment celle relative aux règles de provisionnement. En effet, la

hausse du portefeuille de créances ne devrait pas s’accompagner d’une accumulation

disproportionnée des créances en souffrance. Toujours est-il que la dégradation du portefeuille

devrait être marginale, comparée à la hausse des créances bancaires.

10

La présente recherche revêt une importance dans la gouvernance financière des institutions

bancaires de l’UMOA. A l’issue de l’exposé des objectifs poursuivis, nous clarifions la thèse

que nous défendons à travers sa valeur ajoutée. En adoptant le choix d’analyser la solidité des

groupes bancaires également, nous excluons d’emblée la barrière géographique par un ciblage

des filiales sous contrôle. Cette approche est d’autant intéressante que les groupes bancaires

opérant sur le marché de l’UMOA représentent environ 40%7 de part de marché et plus de la

moitié du total bilan. Les résultats enregistrés à l’issue des travaux conduiront à la formulation

d’une politique d’amélioration de la solidité des banques. Elle s’inscrit dans le prolongement

des publications périodiques du régulateur (BCEAO) et du superviseur (CBU) sur un sujet

d’actualité appliqué aux banques. Pour cela, notre recherche présente un intérêt probable du fait

que les managers pourront envisager des solutions pour mieux focaliser leurs efforts. Par la

même occasion, ils pourront cibler les actions conduisant à la sauvegarde des intérêts des

épargnants et réaliser leurs objectifs de rentabilité. La spécificité de cette thèse par rapport aux

études antérieures réside dans le fait : (1) qu’elle s’intéresse aux banques de façon individuelle,

en cherchant à identifier leur score intrinsèque à la solidité et (2) également, elle met en

exergue la situation des groupes bancaires, par l’appréciation de leur capacité de résilience.

4. POSTURE EPISTEMOLOGIQUE

Nos travaux utilisent des données quantitatives. Dans la démarche, nous adoptons un

positionnement épistémologique positiviste. En effet, pour ce courant de pensée, la réalité est

objective et universelle. Dès lors, les outils méthodologiques doivent permettre de tirer des lois

générales et sont généralement ceux des sciences exactes (Mucchielli, 2004). Dans le paradigme

positiviste, la validité de la recherche passe par la vérification, la confirmation ou l’infirmation.

Pour les partisans de ce courant scientifique, ce sont les causes qui déterminent les

conséquences.

5. DEMARCHE

Dans la démarche suivie, nous distinguons deux (02) sous-périodes (S/P) : S/P 1 : 2005-2009

et S/P2 : 2010-2016. En termes d’analyse évènementielle, la S/P 1 (2005-2009) correspond à

une situation de post-crise des années 80 et 90, marquée par deux (02) décennies de supervision

7 Au 31.12.2016

11

communautaire éprouvée, au capital réglementaire de 1 Md FCFA. La S/P 2 (2010-2016)

coïncide avec la création du CSF en 2010 et un capital réglementaire en vigueur de 5 Mds

FCFA. Dans cette S/P 2, les fonds propres bancaires devraient être rehaussés, la solvabilité

maintenue et/ou renforcée et le potentiel de distribution de créances en hausse. Le phasage

observé devrait permettre d’appréhender l’état de la solidité bancaire entre les sous-périodes et

par ricochet sur toute la période d’analyse.

6. STRUCTURATION DE LA THESE

Ce travail comporte deux (02) parties qui comprennent chacune deux (02) chapitres.

La première partie est un retour sur le cadre théorique et le design de recherche, avec pour

objectif de mettre en évidence ce qui a été traité tout en présentant les résultats observés. Elle

est constituée de deux (02) chapitres. Dans le chapitre 1, nous présentons les fondements

théoriques de la recherche en mettant en exergue les controverses. Dans le chapitre 2, nous

présentons l’approche méthodologique et le cadre d’analyse, notamment la construction d’une

base de données et la description de l’échantillon d’analyse.

La deuxième partie aborde le cas spécifique de la solidité des banques de l’UMOA. Elle revient

sur les performances enregistrées et les résultats empiriques. Dans le chapitre 3, nous menons

une analyse exploratoire des performances bancaires, en vue de poser les jalons de l’analyse

approfondie de la solidité bancaire. Enfin, dans le chapitre 4, nous présentons les résultats de la

modélisation et les discutons, en vue de déboucher sur les implications. Pour cela, nous nous

appuyons sur le cadre théorique et les travaux empiriques antérieurs relevés dans notre revue

littéraire.

Nous présentons notre conclusion générale en reprenant les principaux résultats tout en

avançant quelques implications suite aux résultats obtenus. Nous exposons aussi les limites et

les pistes de recherches futures de notre travail.

12

PREMIERE PARTIE : CADRE THEORIQUE ET METHODOLOGIQUE DE LA RECHERCHE

13

Dans cette première partie, nous présentons le cadre

théorique en deux (02) chapitres.

Le premier chapitre est consacré à l’analyse des

fondements théoriques de la solidité sur la base des

controverses théoriques et empiriques. Pour ce faire, nous

partons des travaux affiliés pour faire une revue critique

de la littérature. Ensuite, nous présentons la structure du

système bancaire de l’UMOA pour déboucher sur les

différentes évolutions de la réglementation du capital.

Le deuxième chapitre présente la méthodologie adoptée

en abordant sur le design de recherche. Nous y faisons

dans un premier temps, une déclinaison du choix des

variables de l’étude empirique. Ensuite, nous présentons

les méthodes d’analyse économétrique sur données de

panels et quelques statistiques descriptives.

14

CHAPITRE 1. FONDEMENTS DE LA SOLIDITE BANCAIRE : LES CONTROVERSES THEORIQUES ET EMPIRIQUES

D’un point de vue théorique, plusieurs études ont montré l’existence d’une relation de cause à

effet entre le niveau de capitalisation, la politique de distribution de crédits, la qualité des

créances détenues en portefeuille et la solidité des banques (Artus, 2005 ; Calem et Rob, 1999 ;

Modigliani et Miller,1963). Différents travaux ont confirmé qu’une variation dans l’un ou

l’autre sens du niveau des fonds propres impacte la capacité de résilience des banques. Ces

travaux font appel à deux théories dominantes : la théorie de l’asymétrie d’information

(Akerlof, 1970) et la théorie de l’agence (Meckling, 1976). Les autres comme la théorie de la

régulation (Aglieta, 1992) et la théorie du signal (Spence,1974) en sont les conséquences des

deux cités plus haut : Pour notre part, nous y ferons appel tout en les contextualisant à

l’environnement des affaires de l’UEMOA. En effet, la littérature financière s’est étendue

depuis les années 2000 à l’Afrique sub-saharienne, surtout avec le développement des banques

et suite aux crises survenues. Cependant, très peu d’études y ont été consacrées, du fait de la

spécificité des banques en Afrique, marquée par l’indisponibilité des données due à la

confidentialité et au secret bancaire (Gammadigbé, 2018, Gbénou et al., 2017 ; Dannon et

Lobez, 2014 ; Powo, 2000).

Notre analyse commence par la revue de littérature pour expliquer les différentes théories

auxquelles nous avons eu recourt dans les travaux. Puis, nous faisons un détour sur la

justification théorique de la solidité et les mutations enregistrées dans le secteur bancaire,

influencées par les accords bâlois.

SECTION 1 : REVUE ET ANALYSE CRITIQUE DE LA LITTERATURE

Comme indiqué, dans les paragraphes qui suivent, nous présentons tour à tour les principales

théories auxquelles nous avons eu recours dans le cadre des analyses menées. Partant de la

théorie financière relative au secteur bancaire, nous ne saurons occulter les fondements de la

stabilité. Une autre théorie non moins importante dans les développements qui concerne la

régulation du secteur, marquée entre autres par une forte asymétrie informationnelle

occasionnant des coûts transactionnels et une forte signalisation relativement aux différentes

anticipations des managers.

15

C’est à l’aune des analyses critiques de toutes ces théories que nous conduisons la présente

recherche dont le modèle théorique et empirique cerneront davantage les questions et

hypothèses de recherche. Mais avant, nous abordons ci-dessous, les fondements théoriques de

la stabilité.

1.1. Fondements théoriques de la stabilité Dans le souci de faciliter la suite des analyses menées, nous partons de la clarification des

concepts au regard de la problématique pour déboucher sur la solidité et les interactions avec la

solidité. Pour cela, nous clarifions le concept de la stabilité.

1.1.1. Clarification du concept de la stabilité financière

Dans le monde économique contemporain, la finance s’est montrée comme essentielle dans les

différents secteurs d’activités. Elle sert, non seulement d’intermédiaire entre les épargnants,

généralement peu informés et les emprunteurs (souvent mieux informés, notamment en termes

d’asymétrie informationnelle), mais aussi participe à la réallocation des ressources.

Dans ce qui suit, nous partons de la définition de la stabilité en ressortant les interactions avec

la solidité bancaire.

1.1.1.1. La stabilité financière dans la littérature

La définition de la stabilité financière rencontre rarement une convergence de vue ; d’où

l’existence de différents courants de pensées avec des similitudes dans les définitions (Borio et

Drehmann, 2009 ; Allen et Wood, 2006). Les éléments communs de la définition s’appuient sur

une approche négativiste, consistant à souligner l’absence de stabilité ou de sa fragilité. Dans

ce contexte, la stabilité financière est appréhendée par l’absence d’instabilité. Cela fait de la

stabilité financière une notion floue et insaisissable. Cette approche montre qu’il existe

différents indicateurs de stabilité financière, mais pas d’indicateurs acceptés de tous les courants

de pensées (Borio et Drehmann, 2009).

16

Les compréhensions sur le sujet, jointes à une définition floue, incite à voir des risques

omniprésents pour la stabilité financière et à confier aux Autorités garantes de son maintien de

fixer des objectifs ambitieux ainsi que des moyens étendus. On retient généralement que,

l’accent est mis sur le systémique, donc une gestion macro-prudentielle, par opposition à une

gestion individuelle (micro-prudentielle), peut être artificielle, en raison, notamment de la

concentration souvent forte du secteur financier. Elle se réfère à un état et non à une propriété,

telle que le fait de revenir à une position ou à une trajectoire d’équilibre après que le système

financier a subi un choc.

La Banque Centrale Européenne (BCE) définit la stabilité financière comme une situation où

le système financier (les banques et établissements financiers, les marchés financiers, les

assurances et les prévoyances sociales) est en mesure de faire face à des chocs.

Cette définition recouvre trois (03) caractéristiques :

- le système financier devrait être capable de transférer des ressources de manière efficace

et régulière des épargnants vers les investisseurs ;

- le risque financier devrait être évalué et valorisé de manière relativement précise et bien

géré ;

- le système financier devrait être dans un état où il peut confortablement absorber des

surprises et des chocs financiers.

Bien que cette définition fasse explicitement référence à la capacité de résistance aux chocs,

celles- ci reste appréciée ex ante, lui conférant un caractère statique. Toutefois, dans le but de

maintenir une relation étroite avec l’objectif de maximisation des intérêts des épargnants, le

champ d’action de la stabilité se révèle être relativement étroit : les crises financières tout

comme les crises bancaires ont un coût (Reinhart et Rogoff, 2008). L’accent est principalement

mis sur les banques, surtout de manière cohérente indexée sur la définition, fondée sur l’absence

de fragilité. L’objectif assigné aux politiques de stabilité financière est de limiter le coût des

crises. De cette définition, une place centrale revient au secteur bancaire qui est le lieu indiqué

des transactions entre agents économiques. Ce qui fait de lui, un secteur dont la solidité devra

être assurée à tout moment pour sauvegarder les intérêts des épargnants. En se plaçant du côté

des seules banques, il s’agira dans cette étude, de nous assurer de la solidité du système bancaire

de l’UMOA, notamment les fondamentaux de l’intermédiation financière.

17

1.1.1.2. Place de la stabilité financière dans le circuit économique

La stabilité financière est avant tout un objectif de politique économique et financière qui

détermine le bien-être des acteurs financiers. Les banques et établissements financiers

mobilisent des ressources sur le marché, limitent les risques encourus et agissent par le

truchement de l’intermédiation dans le but d’une meilleure transmission de la politique

monétaire. La stabilité financière apparait dès lors comme le dit (Durand, 2007), un bien public

primordial à la bonne santé économique et indispensable à son développement.

Les principaux acteurs de la stabilité financière de l’UMOA sont répertoriés dans la figure 2.

Figure 2 : Les différents acteurs de la stabilité financière de l’UMOA

Source : Auteur (2019), sur la base des textes créant le CSF/UMOA

Stabilité

financière

Stabilité marché

financier

Solidité

bancaire

BCEAO

REGULATION

CBU

SUPERVISION

Stabilité des

organismes de

prévoyance

sociale

Stabilité du

marché des

assurances

18

Lorsqu’elle est assurée, la stabilité financière fait référence aussi bien à la stabilité de chaque

acteur (banques et établissements financiers, marché financier, assurance, prévoyance sociale)

qu’aux relations qui s’établissent entre lesdits acteurs.

Dans le même registre, il apparait clairement que la stabilité financière ne porte pas seulement

sur la maîtrise des risques bancaires. Le concept est multidimensionnel et traduit une situation

dans laquelle le fonctionnement de différentes composantes du système financier, et surtout les

relations réciproques, s’effectuent d’une façon saine, sans perturbations brutales (Patat, 2000).

La stabilité financière est de ce fait, perçue comme une situation dans laquelle le secteur

financier fonctionne sans discontinuité, permettant une allocation efficiente des ressources et

montrant une capacité de résistance adéquate et durable aux chocs potentiels (Patat, 2000).

Egalement une forte interaction existe entre le marché financier et le secteur bancaire. Il n’est

pas rare de voir des imperfections du marché financier, en présence d’une crise de liquidité

bancaire et vice versa. Une absence de coordination dans leur surveillance peut affecter le bon

dénouement des opérations entamées sur l’un ou l’autre marché. Par exemple, les banques

peuvent être affectées par les crises nées sur le marché des titres et inversement. Les actifs sur

le marché financier étant extrêmement volatils, cette volatilité peut conduire à des vulnérabilités

dans les autres composantes du secteur financier. De ce fait, le déclin du marché du capital est

source d’instabilité financière, car il engendre une baisse de la valeur des firmes sur le marché

(Mishkin, 1997). Cette situation fait éroder la valeur des actifs. Il en ressort que le besoin d’une

régulation et d’une surveillance stricte est plus que nécessaire sur ces marchés.

Dans les points qui suivent, nous nous proposons d’identifier les éléments qui doivent être pris

en considération pour mieux cerner la solidité bancaire que nous étudions le cas spécifique de

l’UMOA dans le cadre de la présente thèse. Par la suite, nous faisons un focus sur les mesures

à entreprendre par les Autorités pour assurer en permanence une stabilité du système financier.

1.1.1.3. La solidité bancaire dans finance bancaire

La solidité bancaire traduit une situation dans laquelle le fonctionnement des différentes

composantes du système bancaire et surtout leurs relations réciproques, sont assurées de

manière saine et sans perturbations majeures. Cette solidité peut être mesurée à partir des signes

de dysfonctionnements du marché de l’intermédiation, marquée par une crise de liquidité, une

19

insolvabilité des banques et une frilosité des épargnants vis-à-vis du secteur bancaire. Tout cela

impacte négativement la performance du secteur. Mishkin (1997), considère que l’instabilité

financière peut survenir dans le cas où le système bancaire ne parvient pas à canaliser les

ressources vers les opportunités d’investissement. Une telle situation empiète sur la confiance

des ménages au système bancaire et les amène à faire de la finance informelle. Plihon (2008)

associe ce phénomène à une insécurité financière et la considère comme des signes de la

survenance d’un risque systémique. Ce dernier cas de figure se produit généralement, lorsque

les interactions entre les épargnants et les marchés conduisent à une situation d’insécurité et

d’instabilité générale, affectant l’ensemble du système financier et créant de ce fait une

contagion.

Le paradigme théorique évoquant la solidité bancaire, l’aborde essentiellement en faisant

référence au capital réglementaire et à ce qu’il fournit aux banques comme possibilités. Ce

paradigme s’inspire des théories développées (Modigliani et Miller, 1963 ; Blum, 1999 ; Artus,

2005). De leurs travaux, il en ressort que la consistance des fonds propres détermine la

solvabilité bancaire ; c’est-à-dire la capacité d’une banque à emprunter, à distribuer du crédit et

à faire face à ses engagements.

Selon les règles de gestion prudentielle (CBSB, 1998), une banque n’a pas le droit, ni de

recevoir de dépôts des clients, ni d’emprunter à d’autres banques, sans en détenir un minimum

de fonds propres réglementaires. Les fonds propres constituent une réserve à la disposition des

dirigeants pour mener à bien les objectifs assignés par les propriétaires. C’est ainsi que la

politique de distribution de crédits y est indexée. L’importance des fonds propres dans la

gouvernance bancaire a conduit le Comité de Bâle à fixer un ratio de capital minimum, connu

sous le nom de ratio Cooke, fixant à 8% les fonds propres destinés à couvrir les engagements

pris par les banques. Autrement dit, les fonds propres et les profits doivent être bloqués pour

constituer un « Coussin de Trésorerie » en guise de protection des épargnants.

Une adéquation entre les fonds propres et la politique de distribution de crédits est primordiale

pour rendre pérenne l’activité d’intermédiation (Modigliani et Miller, 1963). Dans l’un ou

l’autre cas, la non maîtrise du seuil de capitalisation peut entrainer les risques de fragilité

bancaire (Kaminsky et Reinhart, 1999).

20

1.1.1.4. Rôle de la Banque centrale dans la solidité bancaire

La Banque centrale participe à une meilleure transmission de la politique monétaire et se

positionne également en tant que régulateur du secteur bancaire. A ce titre, elle définit et élabore

la réglementation qui sied au bon fonctionnement du système bancaire ainsi qu’au bon

dénouement des transactions financières. Ce rôle est reconnu universellement quels que soient

les objectifs de politique économique et financière. La Banque Centrale Européenne (BCE)

précise clairement du point de vue statutaire, les conditions dans lesquelles doivent s’exercer

ce rôle.

Relativement à cela, Tordjman (2004) soutient que la Banque centrale ne doit pas se mettre en

retrait du processus de régulation et de surveillance macro prudentielle, d’autant plus que les

perturbations systémiques ont de plus en plus d’implications internationales. Pour lui, dans une

logique de vulnérabilité, les frontières n’étant pas étanches, le risque systémique se révèle être

supranational, surtout lorsqu’on s’en tient aux interconnexions des marchés financiers et

bancaires et la mobilité des capitaux. En clair, la stabilité financière ne saurait être atteinte sans

un système bancaire solide.

A l’opposé, Goodhart (2004) a une opinion plus nuancée sur le sujet. Il considère qu’il est très

important de partager de façon adéquate, le fardeau d’un grave déséquilibre moral sur les

banques qui relèvent de son autorité. Une telle approche du rôle exercé par la Banque centrale

semble plus bénéfique que les nombreux efforts fournis pour centraliser la surveillance

bancaire.

S’agissant de l’UEMOA, les activités de surveillance sont du ressort de la CBU, impliquée

exclusivement dans la surveillance des banques et établissements financiers. La BCEAO se

charge de créer les conditions propices au bon fonctionnement de l’environnement bancaire à

travers son rôle de régulateur du secteur.

Après cette présentation générale, nous abordons dans ce qui suit, la forme d’appropriation du

concept de régulation par la théorie bancaire dans le but d’assurer un meilleur encadrement du

secteur.

21

1.2. La régulation à l’épreuve de la gouvernance bancaire

Dans un contexte de libéralisation des marchés, enclenché dans les années 1970 aux USA, la

régulation financière et bancaire s’est propagée en France au début des années 1980 puis 1990

pour les pays de l’UEMOA. Ce courant de pensée est porté en France par des économistes

financiers (Aglietta, 1992 ; Orléan ; 2009). Pour les théoriciens de la régulation, le rôle de l’Etat

est indispensable, notamment en matière de respect de la concurrence. En effet, il est

indispensable de limiter le poids des entreprises dans la fixation des règles de fonctionnement

des différents marchés et protéger les consommateurs. Selon cette approche, le marché doit

fonctionner sur la base d’un cadre institutionnel institué par les Pouvoirs Publics. Ce contexte,

tel que décrit et l’ensemble des mécanismes et outils permettant aux formes institutionnelles a

priori indépendantes est appelé « mode ou système de régulation ».

Contrairement au contexte de l’Occident où la régulation financière s’est développée dans les

années 1970, son apparition en Afrique sub-saharienne, particulièrement dans les pays de

l’UEMOA se rattache aux crises systémiques du système bancaire du début des années 1980 et

en milieu d’année 1990, suivie des vagues de privatisations et de libéralisation du marché. En

France, la régulation est menée par l’Autorité de Contrôle Prudentiel et de Résolutions (ACPR),

qui a en charge la réglementation et la surveillance du secteur bancaire.

S’agissant des pays de l’UEMOA, la régulation est dévolue à la BCEAO et la supervision à la

CBU. En termes de survenance de crises et de respect de la réglementation, force est de

reconnaître que pour les pays de l’UEMOA, la mise en œuvre de la supervision communautaire

sous l’égide de la CBU a permis une mise aux normes des banques aux dispositions bâloises et

le relèvement du niveau de sécurisation des épargnants. Toutefois, l’efficacité de cette

supervision est parfois critiquée. Ces critiques relatives à sa fragilité sont du reste récurrentes à

chaque passage du FMI (2016, 2015), à l’occasion de ses tests de résistance sur la stabilité du

système financier. En Occident aussi, la crise des subprimes a montré la défaillance de la

régulation américaine dans le contrôle de la politique de distribution de crédits par les banques.

Les développements suivants examinent l’importance de la réglementation. Ils mettent en

exergue, la surveillance ainsi que les instruments de contrôle susceptibles d’être utilisés par les

Autorités.

22

1.2.1. Réglementation du capital et surveillance bancaire

Les premières formalisations théoriques de la réglementation du capital bancaire se sont

inspirées de la théorie du portefeuille. Koehn et Santomero (1980) établissent un lien entre la

régulation du capital et le comportement individuel des banques pour mesurer l’efficacité de la

régulation menée par les Pouvoirs Publics. Les investisseurs institutionnels sont des

pourvoyeurs de ressources et jouent également un important rôle dans l’allocation du capital,

permettant une surveillance rapprochée qui devra être assurée. Selon Aglietta (1992), un des

problèmes fondamentaux de l’allocation du capital réside dans la résolution de l’épineuse

question de la prise en compte des besoins du marché, nécessaire à la création de valeurs. Les

banques résolvent les difficultés de transformation des dépôts liquides dans la politique de

distribution de crédits qu’elles conservent jusqu’à échéance dans leur bilan.

La crise financière qui a débuté aux États-Unis d'Amérique (USA) en 2007 a relancé la

discussion sur le bien-fondé et les instruments de la réglementation et la surveillance des

banques. Même si l'Afrique n'a pas de banques d’envergure systémique comme les « Too Big

To Fail8 » ou encore un marché financier dynamique à l’image des marchés financiers

occidentaux, il n’en demeure pas moins que la réglementation n’en reste pas moins importante

pour une meilleure protection des épargnants.

Selon la BAD (2015), l’analyse des systèmes de régulation en Afrique fait ressortir que, les

accidents financiers sont rares et isolés. Le risque de crédit individuel est géré par les banques

à travers la surveillance individuelle des emprunteurs dans le cadre du suivi de la relation

banque/client. Le risque de marché est marginal, sinon inexistant, pour des pays où le marché

financier est étroit à l’image de celui de la Bourse Régionale des Valeurs Mobilières (BRVM).

Les crédits individuels accordés sont généralement évalués à leurs valeurs historiques9 qui ne

sont modifiés que lors des restructurations ou au stade des dépréciations de valeurs, durant son

cycle de vie.

8 « Trop grosses pour faire faillite » 9 Les dérivés de crédits amenant l’hybridation ne sont pas courants comme ce fut le cas des subprimes aux USA (2007).

23

Dans la mesure où les banques ne sont pas infaillibles, car évoluant sur un marché libéralisé et

très concurrentiel, lorsqu’elles agissent comme intermédiaires financiers, il y a lieu de les

réglementer et de les surveiller. Ce constat amène Heremans (2000) à soutenir que les

institutions financières doivent être réglementées, parce qu’elles ne peuvent surmonter seules

toutes les asymétries informationnelles. L’objectif recherché dans la régulation bancaire étant

avant tout d'assurer la stabilité du système financier. Les banques doivent veiller à ce que, à

tout moment, elles canalisent correctement les ressources des épargnants aux emprunteurs. Tout

manquement à cette intermédiation peut perturber la stabilité du système bancaire et

potentiellement, conduire à un déséquilibre entre les ressources et les emplois bancaires, tel que

vécu par la crise des subprimes en 2007.

Un autre motif développé pour justifier la réglementation des banques est relatif à la protection

des prêteurs, qui sont le plus souvent des déposants peu avertis des activités risquées des

banques. C’est notamment le cas des produits dérivés adossés aux crédits distribués. En effet,

les épargnants déposent une part importante de leurs ressources dans les banques. Pour cela,

ils sont intéressés par la stabilité du système bancaire, et tout doute sur la sécurité de leurs

dépôts peut conduire à une panique (Diamond et Dybvig, 1986). À l’échelon individuel, il est

coûteux, voire impossible, pour les déposants de surveiller les banques, d’où la nécessité pour

les Pouvoirs Publics de prendre en charge ce rôle de régulation du secteur. Ce rôle est d’autant

plus important qu’en Afrique, les marchés financiers sont étroits de par le volume des

transactions effectuées et aussi le nombre marginal de sociétés cotées10.

1.2.2. Mise en œuvre de la réglementation bancaire

Dans le cadre de la mise en œuvre de la réglementation, le régulateur dispose de plusieurs

leviers sur lesquels il faut activer pour assurer efficacement une bonne surveillance des banques.

Différents instruments y sont utilisés, comme le dit Mishkin (2001), allant de la pratique de

restrictions sur les avoirs financiers et des activités, à la conduite des inspections, l’adoption de

lois et textes réglementaires, les reportings périodiques à exiger des banques, sur des indicateurs

de performances identifiés comme essentiels. Les Pouvoirs Publics peuvent imposer la

réglementation du côté de l'actif des banques. Ce qui signifie que les banques ne sont pas

autorisées à investir dans tous les actifs en général ou dans une catégorie d'actifs très risqués en

10 Moins d’une vingtaine de sociétés au total au 31.12.2016, pour ce qui concerne la BRVM

24

particulier. Les banques peuvent également faire l’objet d’interdiction d’investir dans certaines

activités. C’est le cas dans les pays de l’UEMOA de la norme du ratio relatif à la limitation des

titres de participation ou de financement propres des immobilisations, qui ne doit pas excéder

25% des fonds propres réglementaires. L'imposition de normes de fonds propres est l’une des

formes les plus courantes des restrictions en matière de gouvernance bancaire, étant intimement

indexée sur la politique de distribution de crédits. La restriction vise à assurer que les banques

détiennent suffisamment de fonds propres pour rester solvable et faire face aux chocs

inattendus.

Les anticipations envisagées par les banques dans l’appréciation du risque de non

remboursement, se fondant aussi sur la qualité et la pertinence de l’information financière,

rendent asymétriques le secteur. Aussi envisageons-nous de faire appel aux différentes théories

relatives à l’asymétrie informationnelle, développées dans les paragraphes qui suivent.

1.3. L’asymétrie d’information

Des études empiriques dans le secteur bancaire, il ressort généralement que les difficultés de

diffusion de l’information sont relatives à l’asymétrie d’information entre prêteurs et

emprunteurs. Depuis les premières études d’Akerlof (1970) sur le marché de voiture

d’occasion, la théorie de l’asymétrie d’information est analysée en deux grandes sous-théories,

à savoir : la sélection adverse et l’aléa moral. Selon les paramètres faisant l’objet d’une

asymétrie d’information, plusieurs études ont porté sur son approfondissement tout en

élargissant les résultats d’une meilleure adaptation sur le marché de l’intermédiation bancaire

et financière.

Lorsque le paramètre faisant l’objet d’une asymétrie d’information est exogène, c’est-à-dire

maitrisable par le contractant, on parle d’anti-sélection ou d’aléa moral.

La banque reçoit des fonds en dépôt pour les transformer en crédits. Le paradigme basé sur

l’asymétrie d’information a montré que le marché du crédit peut ne pas fonctionner comme les

autres formes de marché de biens (Stiglitz et Weiss, 1981). Dans le marché de crédit,

l’asymétrie informationnelle se traduit par le fait que des emprunteurs possédent plus

d’informations que les prêteurs sur leur propre projet ou sur l’utilisation des ressources

25

empruntées ou à emprunter. En effet, les demandeurs de crédit ont habituellement une longueur

d’avance informationnelle sur les rendements et les risques potentiels associés à leur projet dont

ils envisagent réaliser, que leurs préteurs. Cependant, sur ce marché, le bien échangé11 n’est pas

un bien homogène. Sa livraison (mise à disposition) et son paiement (remboursement) peuvent

être très éloignés dans le temps. Le crédit est débloqué contre une promesse de remboursement

dans le temps par périodicité convenue à l’avance. Ce qui crée un risque de non remboursement

dont l’emprunteur et le prêteur ont des appréciations différentes. L’emprunteur connaît

parfaitement les caractéristiques de son projet (rentabilité, risque, etc.), tandis que le prêteur est

confronté à un manque d’informations.

La probabilité de remboursement des prêts dépend à la fois de la qualité et du comportement

de l’emprunteur dans le temps, en fonction de la montée en croisière du projet financé. En

raison de ce problème informationnel, les banques ne peuvent pas parfaitement distinguer les

bons risques des mauvais. Le prêteur est donc victime d’une asymétrie informationnelle due à

l’opportunisme de l’emprunteur qui lui cache la réalité de l’exposition du risque de son projet.

On a plutôt pris l’habitude de différencier ces deux types d’asymétrie, en référence à la signature

d’un contrat. Ainsi, l’anti sélection recouvre l’ensemble des problèmes informationnels

intervenant de manière ex ante à la signature, alors que l’aléa moral renvoie aux situations

d’asymétrie d’information ex-post (aléa moral), prenant forme après la signature.

Dans les développements qui suivent, nous mettrons en évidence la nature des asymétries

d’informations et les conséquences y relatives qui conduisent au rationnement du volume de

crédits.

1.3.1. L’asymétrie ex-ante

L’asymétrie ex ante12 se manifeste avant la conclusion du contrat. Elle traduit une situation où

dans une transaction entre deux ou plusieurs acteurs, l’un détient plus d’information que le/les

autres. Le prêteur ne peut pas évaluer la vraie valeur de l’entreprise (ou la contrepartie) et sa

capacité exacte de remboursement. Il est généralement admis que l’emprunteur connaît les

11 L’approbation et la mise à disposition des ressources du prêt 12 Antiselection encore appelée selection adverse

26

caractéristiques spécifiques de son projet et peut en cacher les tenants et aboutissants au moment

de la signature du contrat. Plus précisément, la crise financière de 2007 a révélé les

dysfonctionnements du système bancaire et financier expliqués par le phénomène de

l’antisélection. Les résultats des travaux de Godlewski (2005) et de Shrieves et Dahl (1992)

conduisent au fait que les banques avec un niveau de capitaux élevé prennent plus de risque et

sont soumises à une forte asymétrie informationnelle. Lorsque la banque a plus de ressources,

elle peut être amenée à adopter un comportement moins prudent. Dans ce cas, elle prend plus

de risque en augmentant le volume du crédit, ce qui peut l’amener à sélectionner des

emprunteurs plus risqués, c’est à dire disposant d’une information peu fiable sur la qualité de

leurs projets. Ce résultat rejoint celui trouvé par Camara (2010) dans l’environnement bancaire

européen. L’anti-sélection correspond alors à l’incapacité de la banque à distinguer entre les

niveaux de risque potentiels des emprunteurs. En effet, il se peut que celle-ci sélectionne

l’individu le plus risqué pour contacter. D’ailleurs, ce sont les individus les plus risqués qui ont

tendance à « sur-assurer » leur projet.

1.3.2. L’asymétrie ex-post

L’asymétrie ex post est une situation où l’emprunteur adopte un comportement opportuniste du

fait de l’avantage informationnel dont il dispose. Une fois le prêt accordé, son remboursement

dépend des actions de l’emprunteur, de son comportement et de l’effort fourni. Le prêteur

supporte dans ce cas un risque de substitution des actifs encore appelé aléa moral (Stiglitz et

Weiss, 1981). L’emprunteur peut cacher son intention réelle qui est de détourner le crédit, et de

l’utiliser à des fins de consommation et non de production tel qu’il en ressort dans le contrat

ex-ante.

La mise en évidence de l’asymétrie ex-post amène l’emprunteur à détourner les fonds pour la

réalisation d’un projet plus risqué que celui qui est financé et connu par le prêteur. Il peut s’agir

aussi d’un usage personnel ou pour juste un enrichissement personnel afin d’avoir une certaine

aisance sociale (Mishkin, 1999). Les mesures de mitigation conduisent les banques à la

formalisation de garanties pour réduire les problèmes d’aléa moral (Mishkin, 1999). Du fait de

la détention d’une garantie, le prêteur dispose d’un levier sur lequel il peut actionner pour le

recouvrement de sa créance en cas de survenance de défaut. Cette idée a l’avantage de faire un

consensus parmi les chercheurs. En effet, en rendant la défaillance plus coûteuse pour

27

l’emprunteur, il réduit les risques du projet, augmente l’implication de l’emprunteur pour

faciliter la bonne marche de son projet, contraignant celui-ci à déclarer les véritables résultats

de son projet (Bester ,1995). Le bien en garantie est engagé pour aider à faire converger les

intérêts des parties au contrat (prêteur et emprunteur), en évitant une situation dans laquelle

l'emprunteur fait moins d'efforts à assurer la réussite du projet. La peur de perdre le bien

hypothéqué ou gagé, incite l’emprunteur à prendre des mesures quoi que coûteuses pour

accroître la probabilité de remboursement. Dès lors, les garanties formalisées peuvent être

considérées comme un instrument assurant le dénouement de l’opération de financement

assurée par la banque à l’emprunteur. Cependant, les banques rencontrent des difficultés pour

la réalisation des garanties hypothécaires formalisées. Aussi est-il indiqué de mettre l’accent

sur la prise de garanties financières.

Face aux difficultés relevées dans la distinction des « bons » emprunteurs des « faux », les

banques sont tentées très souvent de faire un rationnement dans la distribution de crédits. Le

paragraphe suivant en fait une présentation.

1.3.3. Le rationnement du crédit

En présence d'asymétrie d'information à la fois de sélection adverse et d'aléa moral, il peut se

produire un rationnement du crédit (Stiglitz et Weiss, 1981). Au cours de la relation banque-

emprunteur, la capacité des banques, à produire de l'information et à diminuer le risque de

sélection adverse et d'aléa moral consiste à rationner le volume de crédit par projet et fonction

de l’emprunteur (Diamond, 1984 ; Boyd et Prescott, 1986).

Le rationnement du crédit est une solution adoptée par les banques pour faire face à la prise

excessive de risque et pour éviter la sous rémunération. Il peut être considéré comme un choix

ou une contrainte selon la cause qui l’a généré. Le rationnement peut être dû à un changement

dans le processus de prise de décisions des crédits, à une concurrence accrue sur le marché des

crédits ou à une crise financière et/ou dans une situation de récession économique. Stiglitz et

Weiss (1981) montrent que, dans le cadre d’une asymétrie d’information ex ante, entre prêteur

et emprunteur, une augmentation du taux d’intérêt ne réduit pas la demande de crédit mais

influera sur le risque des projets soumis au financement. Le poids des charges d’intérêts

supplémentaires rend d’une part les remboursements plus difficiles (sélection adverse) et

d’autre part incite les emprunteurs à entreprendre à l’avenir des activités plus risquées (aléa

28

moral). Ceci conduit les banques à préférer limiter leurs encours de financement, plutôt que de

procéder à une augmentation de taux correspondant à la tarification du prêt.

Dès lors que quelques agents disposent des avantages informationnels sur d’autres, la mise en

place de « schémas de révélation », obligeant les agents informés à limiter l’avantage qu’ils

tirent des agents sous ou non-informés est nécessaire. C’est donc autour de ce paradigme qu’est

construite la théorie d’agence, dont la description est faite au paragraphe suivant.

1.4. La théorie d’agence

Les relations entre les différents acteurs du circuit financier (régulateur, superviseur, banque,

clients bancaires) se déroulent le plus souvent dans une ambiance sujette à des objectifs

opposés, sinon conflictuels qui relèvent de la théorie d’agence. Cette théorie, dont l’objectif est

de représenter les caractéristiques des contrats optimaux qui peuvent être conclus entre le

mandant et le mandataire (Jensen et Meckling, 1976), repose sur le principe de rationalité13 des

acteurs selon lequel, chaque agent économique cherche à maximiser son intérêt particulier avant

l’intérêt général. Son comportement est conditionné par les structures économiques et

juridiques dans lesquelles il opère (Charreaux ,1997).

Coleman (2001) la définit comme étant une relation d’autorité, d’un acteur sur un autre, qui

existe si le premier dispose de droits de contrôle sur certaines actions du second. Dans la même

veine, Charreaux (1998) l’aborde en terme d’autorité parce qu’il la perçoit comme cadrant dans

les intérêts du mandataire, les réactions du mandant. La théorie d’agence par essence se retrouve

en permanence sur le marché bancaire. En effet, différents types de relations d’agences existent

entre les acteurs de la finance bancaire. Les clients déposants des banques commerciales à

excédent de ressources, ont recours à la banque pour constituer leur épargne. Dans cette

relation, la banque apparait comme mandataire, ayant reçu du client (mandant ou principal),

une autorisation implicite à faire des emplois à sa clientèle « à besoin de financements », dans

le but d’être rémunéré sous forme d’intérêts. Le bon usage de la banque (mandataire) des

ressources confiées par le client (mandant) est déterminé par une meilleure analyse du risque

de non remboursement du client emprunteur. Toutes ces opérations relevant de l’intermédiation

financière, se déroulent sur un marché réglementé.

13 Théorie économique néoclassique dont l’un des principaux animateurs est Adam Smith

29

Après cette présentation, apparait une autre forme de relation d’agence entre le régulateur

(mandant) qui s’assure du bon fonctionnement du marché, en édictant des textes adaptés à

l’environnement bancaire et le superviseur (mandataire) en charge de la surveillance de la mise

en œuvre de la réglementation bancaire en vigueur. Le problème du principal est de trouver une

procédure (un contrat/convention/réglementation) qui incite l'agent à agir dans son intérêt.

Le contrat imparfait dans la relation d'agence, rend l'observation du véritable effort très difficile

et provoque le problème de l'action cachée de l'asymétrie d'information (Arrow, 1968). Cela

conduit intrinsèquement à un encouragement de l'aléa moral, où le principal ne saura pas si

l'agent a agi conformément aux intérêts du mandant. En présence d’une asymétrie

informationnelle ex-post, non seulement les anticipations de revenus du mandant (banque) ne

peuvent être réalisées mais aussi, les ressources des clients épargnants ne sont plus sécurisées,

du fait de la volonté de l’emprunteur.

Des développements précédents, il apparait clairement qu’il y a un problème d’agence, en cas

de divergence d’intérêt entre le principal et l’agent. En principe, l’agent s’engage à agir dans

l’intérêt du principal, mais en fait, il tente avant tout de maximiser sa richesse. Dans le cadre

d'une relation d'agence, la banque est incapable de cerner la vraie qualité des emprunteurs, elle

demande, de ce fait, des garanties pour se prémunir contre le risque de non remboursement. Il

est alors possible de montrer que si les emprunteurs sont caractérisés par une aversion absolue

au risque décroissante, ceux plus riches vont prendre des décisions plus risquées et, par

conséquent, lorsque la banque augmente le montant de la garantie nécessaire à l’obtention du

prêt, elle écarte les agents dont la richesse est insuffisante pour présenter la garantie requise.

Les anticipations ci-avant présentées vis-à-vis de l’environnement transmettent des signaux.

Ces signaux impactent l’activité d’intermédiation, positivement ou non. Les développements

suivants en donne un aperçu.

30

1.5. La Théorie du signal

Le théoricien du signal, Spence (1974) se réfère aux actions observables prises par les agents

économiques pour convaincre la partie adverse de la valeur ou la qualité de leurs produits. C’est

une approche qui émet principalement deux (02) hypothèses à savoir : la même information

n’est pas partagée par tous (dirigeants et/ou investisseurs (et/ou ressources)) et l’existence d’une

différence de perception d’une même information par les acteurs du marché. L’assise financière

des banques est un signal pour les marchés en ce sens qu’elle rassure les épargnants. Dans la

même lignée, les travaux précurseurs de Modigliani et Miller (1958) ont montré sur le marché

des capitaux que lorsqu’il y a absence d’imposition, la structure du capital n’affecte pas la

valeur du marché. A ce titre, l’endettement constitue un signal au même titre que le niveau de

capitalisation. En présence d’imperfection sur le marché, due à la déductibilité des charges

financières, les firmes sont tentées de profiter de l’effet de levier d’endettement pour maximiser

leur valeur et ainsi bénéficier des économies d’impôt. Cette théorie est d’autant plus suivie en

banque que les règles de refinancement, les interventions sur le marché interbancaire ou encore

la politique de distribution de crédits. L’un ou l’autre « volant » est utilisé (capitaux propres et

dettes) comme levier sur lequel on peut jouer en cas de besoin de ressources financières.

A l’aune de la revue théorique, apparait le paradigme de notre recherche marqué par différentes

controverses sur les relations possibles entre fonds propres, portefeuille de créances et solidité

bancaire.

1.6. Paradigme de la recherche et controverse sur la solidité

bancaire

Dans le monde scientifique, les problèmes ne se posent pas d’eux-mêmes. Selon Bachelard14

(1938), c’est précisément ce sens du problème qui donne la marque du véritable esprit

scientifique. Toute connaissance est une réponse à une question. S’il n’y a pas eu de question,

il ne peut y avoir de connaissance scientifique : « Rien ne va de soi, rien n’est donné. Tout est

construit ».

14 Cité

31

Dans un processus rigoureux de recherche, la détermination d’une théorie précède sa

vérification de façon spécifique afin de cerner les particularités du domaine couvert par la

recherche. Ce fondement découle de l’exposition de la problématique, l’exposé du cadre

théorique débouchant sur le modèle adopté dans le processus de la recherche, la formulation

des hypothèses ainsi que le mode opératoire choisi pour aboutir aux résultats de la recherche.

Aussi, voudrions-nous nous en inspirer dans le cadre de nos travaux

Nous traiterons dans les paragraphes qui suivent, le positionnement épistémologique, les

controverses relatives à la solidité bancaire. Egalement, nous allons présenter les modèles

théoriques et empiriques de la recherche.

1.6.1. Positionnement épistémologique

Pour Claude Bernard (1865, cité par Reuchlin ,1992), la théorie se définit comme étant « une

hypothèse vérifiée après qu’elle a été soumise à un contrôle de raisonnement et de la critique ».

Une théorie, pour rester valable et robuste, doit toujours se fondre et s’ajuster avec le progrès

de la science et demeurer constamment soumise à la vérification et à la critique des faits

nouveaux qui apparaissent. Ainsi, si l’on considérait une théorie comme parfaite, et si on cessait

de la vérifier par l’expérience scientifique, elle deviendrait une doctrine.

L’approche retenue dans cette étude découle de l’épistémologie positivisme, avec une

démarche hypotico-déductive. C’est une méthode scientifique qui consiste à la formulation

d’hypothèses afin d’en déduire des conséquences observables (prédiction), mais également

rétrospective (rétrodiction) permettant d’apprécier la validité du modèle d’analyse. Ainsi, la

construction de la théorie prime sur l’observation empirique qui, elle-même est guidée par les

théories économiques et financières.

1.6.2. Controverses sur la solidité bancaire

Le paradigme se référant aux exigences du capital (Jeitschko et Jeung, 2005 ; Furlong et Keely,

1989 ; Shrieves et Dahl, 1992) constitue des fondements de la gouvernance bancaire. En

fonction de la contrainte réglementaire, le niveau du capital peut freiner ou booster la politique

de distribution de crédits. Egalement le « coussin » de sécurité en couverture des éventuelles

32

pertes y est indexé. Les fonds propres sont constitués par l’ensemble des ressources couvrant

les risques bancaires. Ce sont des fonds qui ne sont pas remboursables aux actionnaires, à moins

d’une extinction de l’objet social. Dans cette veine, nous conduirons cette recherche en

appréciant la solidité bancaire comme reflet de la solvabilité et de la qualité des créances. Les

travaux du Comité de Bâle ont permis de mettre en place des normes de capitalisation

acceptables, visant la sauvegarde des intérêts des épargnants contre les éventuels risques

systémiques. La solvabilité bancaire comme approche rentrant dans l’appréciation de la solidité

bancaire est évoquée dans des travaux, débouchant sur le niveau d’adéquation du capital des

banques (Jeitschko et Jeung, 2005 ; Rochet, 2010 ; Calem et Rob, 1999).

Dans leur modèle, la réglementation du capital est perçue comme un problème d’agence. La

banque est gérée par un dirigeant qui fait des prises de risques sur des projets bancables. Les

ressources apportées, proviennent des actionnaires (fonds propres), du marché (emprunts) et

des épargnants (dépôts). Des conflits peuvent naître entre ces différents acteurs en cas de non

remboursement des prêts consentis aux clients. C’est ainsi que le régulateur cherche à limiter

les risques par une surveillance accrue du secteur. En dernier ressort, la crise financière des

subprimes de 2007 a mis à rude épreuve, la pertinence des théories financières et économiques

utilisées dans le secteur bancaire au point de se demander si le comportement des acteurs est

guidé par les enseignements y relatives. Beaucoup de modèles continuent d’utiliser des

hypothèses inadaptées au secteur bancaire, comme celle relative à l’efficience des marchés,

notamment, celle évoquant la neutralité de la structure financière sur la valeur et qui découle de

la théorie de Modigliani et Miller (MM) (Klimenko et Rochet, 2015).

Jeitschko et Jeung (2005), intègrent à la fois le phénomène d’aléa moral et de sélection adverse.

La défaillance de la banque diminue au fur et à mesure que son capital augmente. Cela n’est

valable que sous la contrainte d’une convergence de vue sur le problème d’agence entre les

dirigeants et les actionnaires, relativement au choix de maximisation des ressources mobilisées.

Sinon les actionnaires privilégient la sauvegarde de leur mise, en l’absence d’une forte

propension des fonds externes dans l’activité bancaire. Cette situation traduit la volonté de ne

pas perdre non seulement le contrôle de leur affaire, mais aussi de continuer à percevoir leur

dividende indexé sur la bonne marche de l’activité d’intermédiation de la banque.

33

Deux paradigmes semblent se démarquer du lot et ont trait respectivement à l’encadrement des

fonds propres bancaires afin de rehausser et maintenir la solvabilité. Les premiers, représentés

par Anat Admati et Martin Hellwig15, partisans du relèvement de la norme de solvabilité à 25,

voire 30%. De l’autre, les théories qui prônent le levier financier par un mixage entre les fonds

propres et les ressources d’emprunts (y compris les dépôts). Les fervents défenseurs en sont

Gary Gorton, Harry DeAngelo16. Leur raisonnement est fondé sur le fait que, si l’on impose

aux banques un relèvement des fonds propres, cela se fera au détriment des ressources issues

de la collecte de dépôts, socle de l’intermédiation financière. Pour ce courant de pensée, les

dépôts et les fonds propres sont complémentaires dans le secteur bancaire.

En l’absence de consensus, les praticiens se fondent sur les études empiriques, utilisant des

données historiques sur la capitalisation bancaire, les encours de crédit et la proportion des

financements octroyés par rapport au PIB, pour apprécier l’importance et la place du capital

réglementaire. Un argument souvent mis en avant par les tenants du courant de pensée conduit

par Anat Admati et Martin Hellwig est que le ratio de capitalisation a historiquement été plus

élevé que les années précédant la crise financière de 2007. Hanson et al., (2011) montrent une

baisse drastique du ratio de capitalisation des banques américaines les cent (100) dernières

années, passant de plus de 50 % à moins de 10 %, lors de la survenance de la dernière crise

financière. Toutefois, la situation ainsi décrite ne remet pas en cause la place centrale de la

diversification de risques et le respect de la solvabilité bancaire (Calomiris, 2013).

Les travaux de Miler (1995) assimilant les dépôts à la dette, montrent que le théorème de

Modigliani et Miller (1958), relatif à la neutralité de la structure financière s’applique aussi bien

aux banques qu’aux entreprises non financières. Admati et al. (2011) rejoignent cette analyse

de Miller (1995). Dans leurs travaux, ils partent du postulat que les investisseurs comprennent

que la dette et les fonds propres deviennent moins risqués à mesure que le niveau du capital

augmente. En revanche, la dette et les fonds propres sont plus risqués lorsque le niveau du

capital diminue. Dans ces conditions, les investisseurs sont capables d'évaluer le risque avec

précision. Il en va de soi que le coût de financement d'une banque ne dépende pas de sa structure

de financement.

Dans la pratique, les entreprises essayent de trouver un juste milieu entre fonds propres et

endettement, afin de tirer profit des avantages fiscaux et jouer sur le levier financier. Dans ce

15 Voir leur livre The Bankers’ New Clothes: What’s Wrong with Banking and What to do About it (2013). 16 DeAngelo, H., and Stulz, R., 2013. Why High Leverage is Optimal for Banks. OSU Working Paper.

34

registre, Beltratti et Stulz (2012) notent que les banques, qui ont résisté aux effets de la crise

des subprimes, possédaient entre autres, des fonds propres supérieurs à la moyenne. Les

banques qui ont été durement touchées avaient un levier financier d’endettement élevé avant sa

survenance.

Sur la base des développements précédents, présentant les différentes dimensions controversées

de la solidité, nous concevons le modèle théorique de la recherche au paragraphe suivant.

1.6.3. Modèle théorique de la recherche

Le modèle théorique, présenté à la figure 3, se fonde sur les controverses relatives à la

problématique de la solidité bancaire. Deux leviers (réglementation du capital et qualité des

créances) émergent de la littérature financière relativement à l’appréciation de la solidité du

système bancaire. Les différentes études théoriques utilisent des cadres d’analyse différents et

aboutissent souvent à des résultats mitigés, en fonction de la démarche méthodologique

adoptée. Nous partons de l’asymétrie informationnelle qui entoure l’instruction des requêtes de

financements et identifions différentes catégories de variables pouvant expliquer le modèle

d’analyse envisagé dans le cadre des travaux.

Notre variable à expliquer, le Z score est un proxy dont la valeur doit être la plus élevée possible

pour traduire l’existence d’une solidité. Le coefficient affecté à chaque variable exogène ainsi

que le signe y afférent permettent de donner l’ampleur de la relation correspondante issue de la

modélisation.

La construction de la méthode d’analyse repose sur trois principales étapes : l’échantillonnage,

la sélection des variables expliquant ou susceptibles d’expliquer le modèle et l’analyse

statistique proprement dite, à travers le choix de la technique statistique, qui cadre avec les

objectifs de la recherche.

35

Le modèle théorique de la recherche est présenté à la figure 3 ci-dessous :

Figure 3 : Modèle théorique de la recherche

Source : Auteur (2019), sur la base d’une adaptation de la revue littéraire

^ëóã¨íêáÉ=

ÇÛáåÑçêã~íáçå=

`çåÑá~åÅÉ============Éí=~åí¨êáçêáí¨===========

ÇÉ=ä~=êÉä~íáçå=

páíì~íáçå=é~íêáãçåá~äÉ=Çì=ÅäáÉåí=êÉÑä¨í¨É=é~ê=

äÉë=¨í~íë=Ñáå~åÅáÉêë=

d~ê~åíáÉ=Éå=ÅçìîÉêíìêÉ=Çì=

Åê¨Çáí=çÅíêçó¨=

^ééê¨Åá~íáçå=Çì=

êáëèìÉ=ÇÉ=Åê¨Çáíë=

nì~äáí¨=ÇÉ=éçêíÉÑÉìáääÉ=ÇÉ=

Åê¨Çáíë=

Solidité

Bancaire (Z-Score)

pìáîá=Éí=ëìêîÉáää~åÅÉ=

Çì=Åê¨Çáí=

o≠ÖäÉãÉåí~íáçå=Éí=

ÇáëéçëáíáÑ=éêìÇÉåíáÉä=

káîÉ~ì=ÇÉ=

Å~éáí~äáë~íáçå=

s~êá~ÄäÉë====================

Ä~åÅ~áêÉë=

s~êá~ÄäÉë=

¨ÅçåçãáèìÉë=

oáëèìÉ====

póëí¨ãáèìÉ=

36

Le paragraphe suivant présente nos questions de recherche, constituées par la question

principale et deux (02) questions spécifiques.

1.6.3.1. Questions de recherche

Notre question centrale de recherche est la suivante : « Dans quelles mesures la solidité des

banques s’est -elle améliorée, suite à la modification du capital réglementaire » ?

Cette interrogation de notre part est étudiée en application de la réglementation en vigueur sur

la période considérée, celle issue du dispositif prudentiel17, inspirée de Bâle1.

Dans la démarche adoptée, nous avons identifié deux (02) questions spécifiques dont les

réponses nous permettront d’aboutir aux résultats visualisés en lien avec nos hypothèses. Ces

deux (02) questions sont formulées ci-après :

quel est l’état de la solidité bancaire de l’UMOA suite à la modification de la

réglementation du capital ?

la variation des créances du portefeuille des banques explique-t-elle l’état de la solidité

bancaire ?

La réponse à ces interrogations nous amènera à faire, d’une part, une analyse de la solidité

bancaire en se fondant sur le niveau de capitalisation et, d’autre part, sur la qualité du

portefeuille de créances. Toutes ces réformes sont inspirées des travaux de Calem et Rob

(1999) ; Blum (1999) ; Shrieves et Dahl (1992).

La solidité bancaire adoptée dans le cadre de notre thèse s’appuie sur la solvabilité et la qualité

des créances détenues par les banques. En effet, les banques doivent être solvables à tout

moment et faire face à l’ensemble des engagements contractuels. Pour Bernanke (1991), la

stabilité financière d’une économie dépend, en priorité de la bonne santé financière des

institutions financières et de leur capacité de résilience face aux différents chocs.

17 Adopter au cours de la réunion du Conseil des Ministres (CM) du 17 juin 1999 et dont la mise en application est effective à partir du 1er janvier 2000 par les banques dûment installées et agréées dans l’UMOA

37

Le paragraphe suivant présente les hypothèses de la recherche, au nombre de deux (02).

1.6.3.2. Hypothèses de recherche

En sciences de gestion, chaque thème de recherche se rapporte à un cadre théorique bien défini.

De ce fait, nous ferons appels aux théories issues aussi bien de la banque finance que de

l’économie financière, pour mieux expliquer nos concepts et les relations qui les lient. A cet

effet, la démarche retenue consiste donc à déduire sur la base des hypothèses formulées, les

conséquences observables (prédiction) ou passées (rétrodiction), si les expériences confirment

les théories existantes ou les études empiriques. C’est dans ce contexte que l’hypothèse peut

être validée ou non.

Le travail effectué dans cette thèse permettra d’apporter une contribution, en termes de bilan de

l’application de la réglementation bancaire, suivant les directives issues de Bâle1, qui avaient

cours dans les pays de l’UEMOA. Nous formulons des hypothèses testables comme ci-après :

Hypothèse 1 : la mise en œuvre de la nouvelle norme du capital règlementaire

renforce significativement la capacité de résilience des banques.

Plusieurs travaux ont traité de la solidité bancaire en lien avec la capitalisation, au nombre

desquels (Gammadigbé, 2018 ; Kadandji, 2016 ; Dannon et Lobez, 2014 ; Admati et al., 2013 ;

Berger et al, 2013 ; Beltratti et Stulz, 2012 ; Camara, 2010 ; Calem et Rob, 1999 ; Blum, 1999

; Shrives et Dahl, 1992 ; Modigliani et Miller, 1963).

Hypothèse 2 : Il existe une interaction positive et significative entre la bonne

application de la règlementation prudentielle relative à la gestion du portefeuille

de créances et la solidité des banques.

Le relèvement du seuil du capital réglementaire amplifie à la hausse le potentiel de distribution

de crédits des banques. Cette situation s’enchaine également par un accroissement du ratio

d’intermédiation bancaire, liée à l’accroissement des en-cours de crédits octroyés à la clientèle.

Les banques devront mettre l’accent sur la prise de « bons » risques adossés sur la qualité de la

signature de la contrepartie, sans altérer la qualité du portefeuille de créances. Cela, compte

38

tenu du fait que toute augmentation du ratio d’intermédiation devra nécessiter moins de

provisionnement de créances douteuses.

Pour vérifier cette hypothèse, nous montrerons que la solvabilité bancaire intègre en plus de

l’intensité capitalistique, la qualité de la signature des contreparties. Plusieurs travaux ont traité

cette problématique en y intégrant la qualité des actifs détenus (Kadandji, 2016 ; Admati et

Hellwig, 2013 ; Dannon, 2013 ; Camara, 2010 ; Godlewski, 2009 ; Caprio et Kligebiel, 2003 ;

Shrives et Dahl, 1992).

SECTION 2 : JUSTIFICATION THEORIQUE DE LA SOLIDITE ET MUTATIONS

ENREGISTREES DANS LE SECTEUR BANCAIRE Dans les points qui suivent, nous nous proposons de faire une genèse de la réglementation du

capital, entamée depuis les années 70 au plan international pour déboucher sur les indicateurs

de solidité adossés aux fonds propres. Par la suite, nous faisons un focus sur le dispositif

prudentiel de l’UEMOA, les interactions entre le seuil de capitalisation et les prises de risques

et terminons par une présentation des causes et des implications des crises bancaires.

2.1. Les différentes évolutions de la réglementation du capital :

A l’initiative du G10, le Comité de Bâle pour la Supervision Bancaire (CBSB) fût créé en 1974.

Le CBSB est une instance supranationale dont les objectifs visent la promotion et la coopération

entre les différentes entités ainsi que les acteurs intervenant dans la régulation, le contrôle et la

supervision bancaire. Son objectif est l’amélioration et le maintien de la stabilité financière. Il

constitue le principal organe international qui émet des recommandations sur des

problématiques éprouvées des pratiques bancaires. Les superviseurs peuvent imposer lesdites

recommandations aux banques et établissements financiers relevant de leurs compétences par

la prise de directives (Dumontier et al. 2008). Les différentes recommandations formulées par

le CBSB sont soumises aux pays membres mais n’ont pas force de loi. C’est dans ce contexte

que lors de la création de la CBU, les règles prudentielles édictées ont été inspirées de la

réglementation Bâle 1 et dont la transposition a été contextualisée au regard des réalités de

l’environnement économique et financier de l’époque. Les décisions prises par le Comité ont

été concrétisées par trois (03) principaux dispositifs : allant de Bâle 1 à Bâle 3, en passant par

Bâle 2.

39

Bâle 1 (1988) introduit les premières directives qui portent essentiellement sur la gestion du

risque de crédit. La pression sur les marchés financiers et l’importante croissance de l’activité

d’intermédiation par la prise en compte du risque de marché ont conduit le CBSB à porter un

amendement majeur à Bâle 1 dès 1996. Courant 2001, pour tenir compte des interconnexions

de la banque finance et la globalisation financière, des réflexions ont été menées dans le but de

passer sur un deuxième accord, à l’initiative des banques qui ont exigé entre autres des règles

plus spécifiques des conditions de prise en charge du risque de marché. Ainsi, furent adoptés

par les banques centrales en 2004, les accords de Bâle 2. Ces accords ont été introduits dans la

réglementation prudentielle bancaire internationale en fin 2006. A la suite de la survenance de

la crise des subprimes, un amendement aux Accords de Bâle 2 est effectué courant 2009,

débouchant sur les accords de Bâle 3, approuvés lors du sommet du G20, ténu à Séoul (courant

septembre 2010).

L’évolution des dispositifs prudentiels du Comité de Bâle est assez particulière. Les premiers

accords s’inscrivent essentiellement dans une approche microprudentielle des risques au motif

qu’une supervision efficace des risques individuels garantit une stabilité financière au niveau

global. Cette considération de la réglementation prudentielle est palliée par Bâle 3 qui prévoit

un cadre macroprudentiel d’évaluation des risques financiers.

Les développements qui suivent, analysent succinctement les ajustements apportés aux

dispositifs en vue de faire face aux défis de la réglementation bancaire, marqués par la

globalisation économique et financière. Nous présentons successivement les accords de Bâle 1

à Bâle 3.

2.1.1. Aperçu des accords de Bâle 1

L'accord de Bâle de 1988 est celui ayant règlementé les composantes du ratio de solvabilité

bancaire. Il est plus connu sous le nom de ratio « Cooke » et impose aux banques un niveau

d’exigence en fonds propres au moins égal à 8% des risques pondérés.

La mise en œuvre et le suivi des accords ont poussé les banques à être plus exigeantes sur la

gestion du risque de crédit, en s’intéressant aux bonnes signatures pour limiter les expositions

du niveau des fonds propres. Cette réglementation, au départ appliquée essentiellement dans les

40

pays membres du G10, a été rapidement transposée dans la réglementation d’une centaine de

pays (Dumontier et al. 2008). La BCEAO, dans le cadre de sa politique de régulation s’en est

inspirée pour élaborer le dispositif prudentiel encadrant l’environnement bancaire tel qu’il en

ressort dans le dispositif prudentiel18 de l’année 2000.

L’application des normes issues de Bâle 1 a représenté l’une des actions les plus importantes

entreprises par la BCEAO dans le cadre du maintien de la solidité du secteur bancaire et partant

de la stabilité financière.

L'efficacité de la mise en œuvre de ce ratio s’explique par la diminution des faillites bancaires.

Cependant, cette réglementation, qui a certes limité les faillites bancaires par un assainissement

du portefeuille présente essentiellement trois (03) limites majeures (Hennani, 2016) :

- les capitaux propres minimaux sont déterminés par type d’emprunteurs, et non en fonction

des risques de défaut effectifs ;

- quand bien même le risque de marché a été pris en compte dans une directive additionnelle

en 1996, les conditions de sa transposition ne permettaient pas aux banques de mieux le

dérouler ;

- le risque opérationnel n’était pas pris en compte dans les pondérations de risques .

2.1.2. Aperçu des accords de Bâle 2

Le Comité de Bâle a proposé en décembre 2004 de nouvelles recommandations, au terme

desquelles étaient définies une mesure plus pertinente du risque de crédit qui avait été adoptée

par les gouverneurs des Banques centrales et les superviseurs des pays adhérents au Comité de

Bâle. La crise asiatique de 1997 et le nouvel environnement économique ont conduit les

instances bâloises à faire évoluer la réglementation (Bâle 2) dans le sens d’un renforcement de

la gouvernance. C’est dans ce contexte que le ratio de solvabilité bancaire a fait l’objet d’une

réforme importante à la fin de l’année 2006. Par cette mesure de renforcement, la

réglementation bâloise s’appuie sur les trois (03) piliers décrits dans le tableau 1. Cette mesure

a permis la prise en compte du risque opérationnel dans les pondérations de même qu’un

18 Dispositif prudentiel applicable aux banques et aux établissements financiers de l’UMOA, à compter du 1er janvier 2000.

41

renforcement des exigences en fonds propres (pilier 1) et la surveillance bancaire par le

superviseur en permettant à ce dernier de fixer des exigences individuelles de fonds propres

supplémentaires (pilier 2) et par l’adoption d’une discipline de marché dans la publication des

informations financières (pilier 3).

Dans le tableau 1, nous présentons les différents piliers énoncés.

Tableau 1 : Présentation des trois piliers de Bâle 2

Pilier 1 : exigence de fonds

propres

Pilier 2 : contrôle et surveillance

bancaire

Pilier 3 : discipline de marché

Catégorisation des différents

risques pour la pondération des

actifs :

- Risque de crédit ;

- Risque de marché ;

- Risque opérationnel.

Mise en place d’un accent

particulier sur la surveillance et le

contrôle bancaire, notamment :

- Respect de la norme du capital

réglementaire ;

- Contrôle de la méthode

d’évaluation et de gestion des

risques.

Renforcement de la

communication des reportings

bancaires, notamment en matière

de :

- Risques bancaires ainsi que

des méthodes d’évaluation y

afférents ;

- Opérations de titrisation .

Source : Auteur (2019), sous forme de résumé des différentes directives du CBSB.

Cependant, malgré les transpositions par les Autorités en charge de la supervision, sa mise en

œuvre n’a pas empêché la survenance de la crise financière de 2007 (Hennani, 2016 ; Artus,

2008). Au nombre des faiblesses relevées dans ces accords, nous pouvons citer entre autres :

- l’absence d'une surveillance macroprudentielle;

- la multiplicité des opérations de titrisation par les banques afin de se dérober aux exigences

réglementaires ;

- les risques opérationnels difficiles à évaluer, contrairement aux risques de crédit et de

marché ;

- le phénomène de procyclicité qui s’explique par un boom de la distribution de crédits en

phase haussière du cycle économique sans pour autant que l’accent ne soit forcement mis

sur la qualité de la signature du demandeur.

42

2.1.3. Aperçu sur les accords de Bâle 3

La réforme de Bâle 3 découle d’une mise à jour des accords de Bâle 2, conçue pour

surmonter les chocs ressentis après la crise des Subprimes. En effet, en avril 2008, le CBSB

a pris des directives pour faire évoluer les accords de Bâle 2, notamment le traitement des

dérivés de crédit et les risques de défaut y afférents. Il en a été de même de la prise en

charge durable du risque de liquidité ainsi que de l’évolution technologique dans les

techniques de gestion des risques bancaires. Ces différentes évolutions ont débouché en

novembre 2010 sur les accords de Bâle 3 actés par le sommet du G20 à Séoul et dont l’entrée

en vigueur est intervenue en 2011.

Le renforcement de la réglementation bâloise (Bâle 3) a été initié à la suite de la survenance de

la crise financière de 2007. Ce renforcement a consisté à l’amélioration de la qualité des fonds

propres des banques en définissant plusieurs « coussins » supplémentaires de fonds propres

dans la détermination de la solvabilité. Par ailleurs, Bâle 3 permet une amélioration de la gestion

du risque de liquidité et une diminution de l’effet de levier d’endettement des banques pour

faire face à la procyclicité.

Au nombre des objectifs recherchés par les accords de Bâle 3 (BdF, 2010), on peut citer

entre autres :

- l’amélioration de la qualité et du niveau des fonds propres ;

- la prise en compte, à partir de 2019 du coussin de conservation de 2,5% qui est un matelas

de sécurité ;

- le passage de 8% à 10,5% du ratio de solvabilité (y compris le coussin de conservation) ;

- la gestion efficiente et la maîtrise de l’effet de levier en vue de maîtriser la croissance du

bilan des banques et faire face à la procyclicité des fonds propres.

Le tableau 2 présente les différentes évolutions de la réglementation bâloise.

43

Tableau 2 : Aperçu des points saillants des différentes modifications apportées aux accords de Bâle

Bâle 1 Bâle 2 Bâle 3 Entrée en vigueur 1988 2008 2010 Rôle essentiel Consolider la stabilité du système financier.

(i) Consolider la stabilité du système financier ; (ii) Prise en compte d’une exigence en fonds propres pour couvrir les 03 risques suivants : (i) crédit ; (ii) marché et (iii) opérationnel ;

(i) Consolider la stabilité du système financier ; (ii) Prise en compte du traitement des dérivés de crédit ; (iii) Traitement du risque de liquidité durable.

Contraintes normatives

- Ratio Cooke, impose aux banques une exigence en fonds propres au moins égale à 8% de risques pondérés ;

- (i) Tier 1 (Core Capital) : constitué des fonds propres et réserves. Il doit représenter au moins 50% des fonds propres réglementaires ; (ii) Tier 2 (FPC) : constitués des autres réserves et des emprunts subordonnés. Les éléments le constituant sont pris en compte dans une limite de 50% des fonds propres réglementaires ;

- Une réglementation suivant 03 piliers, à savoir : (i) l’exigence de fonds propres ; (ii) le processus de surveillance prudentielle et (iii) la discipline de marché ;

- (i) Ratio Mc Donough avec une exigence en fonds propres au moins égale à 8% de risques pondérés ; (ii) Tier 1 de 4%, qualifié de vrai capital (sans risque). Il a été décomposé en CET 1 de 2% CET 2 de 2%, constitués de titres hybrides (obligations, dettes subordonnées) ; (iii) Tier 2 de 4% pour lequel la contrainte est moins forte que le Tier 1.

(i) Amélioration de la qualité des fonds propres : CET1 composé d’actions ordinaires, de réserves et de report à nouveau ; (ii) Amélioration du niveau des fonds propres par une augmentation du ratio de fonds propres de base durs « Core Tier One » de 2 à 4,5% ; (iii) Prise en compte de matelas de sécurité (coussin de conservation) de 2,5% en 2019 ; augmentation du ratio de fonds propres de base « Core Tier One » à 7% en 2019 ; (iii) Passage du ratio de solvabilité de 8 à 10,5% (incluant le coussin de conservation de 2,5% alimenté sur la base de profit exceptionnel et et (iv) Introduction d’un ratio de levier exprimant le rapport des fonds propres de base Tier one au total bilan et des éléments hors bilan.

Limites/failles - (i) Le fondement prudentiel n’intègre pas une exigence de la dotation en fonds propres pour couvrir le risque de marché et (ii) les fonds propres sont déterminés en fonction de la nature de la contrepartie et ne prennent pas en compte le risque de défaut effectif.

- (i) Une surveillance focalisée sur le niveau micro prudentiel ; (ii) Un niveau de titrisation important, faisant transférer une grande partie du risque aux individus et aux ménages qui ne sont pas régis par la loi bancaire et (iii) Un pouvoir important des agences de notation qui échappent aux exigences réglementaires si bien qu’il peut y avoir un biais dans la notation.

- (i) Non fiabilité des méthodes d’évaluation des risques : les approches utilisées dans la notation du risque peuvent sous-estimer le profil interne de risque des actifs et cela peut conduire à minimiser le capital réglementaire pour la couverture des risques encourus ; (ii) Variabilité des actifs pondérés du risque : les actifs pondérés peuvent avoir une tendance baissière dans un environnement plus risqué et une tendance haussière le cas échéant. Cette variabilité dans la pondération des actifs peut créer une insuffisance de fonds propres réglementaires.

Source : Auteur (2019), sur la base de la littérature suivant la réglementation bâloise.

44

Au vu des différentes évolutions relevées dans le tableau 2, l’importance de la réglementation

de capital par les instances bâloises se fait voir comme le dit Bieri (2004), selon lequel, il

constitue un des fondamentaux dans l’assainissement de l’environnement financier. A ce titre,

ils jouent un rôle important dans la coordination des efforts conjugués avec la Banque centrale

pour favoriser la croissance et le maintien de la solidité bancaire avec en pôle position les

banques commerciales. La solidité bancaire apparait capitale pour assurer un bon dénouement

des transactions financières.

La globalisation des marchés financiers suppose une étroite collaboration entre les différents

acteurs impliqués dans le contrôle et la surveillance bancaire dans le but de maintenir la stabilité

du système financier. La Banque des Règlements Internationaux (BRI), le Comité de Bâle pour

la Supervision Bancaire (CSCB) et les Banques centrales participent chacun en ce qui le

concerne à l’atteinte de cet objectif.

Les développements qui suivent abondent sur les indicateurs de solidité bancaire adossés à la

consistance des fonds propres.

2.2. Les indicateurs de la solidité bancaire adossés aux fonds

propres

Les fonds propres sont constitués par l’ensemble des ressources couvrant les risques bancaires,

c'est-à-dire celles qui ne seront en principe remboursées qu’avec la liquidation de la banque

(Fonds propres) ou celles qui doivent être remboursées qu’à très long terme (quasi fonds

propres).

Les banques doivent donc posséder des fonds propres suffisants. Leur importance est

conditionnée par différentes réglementations très strictes19 puisqu'ils constituent un « coussin »

dont disposent les banques. Plus le niveau de risque est élevé, plus la banque devra constituer

des fonds propres. Ces derniers doivent permettre d’amortir des pertes sur des opérations

bancaires, et éviter la faillite (Koehn et Santomero, 1980). Si la banque souhaite augmenter son

résultat en prenant plus de risque, elle se trouve dans l’obligation d’augmenter ses fonds

19 Les différentes évolutions de la réglementation de Bâle et précédemment développées dans la présente thèse.

45

propres, ce qui a comme effet de réduire sa rentabilité mesurée par le ratio de rentabilité

financière (ROE). Le bénéfice par action s’en trouvera réduit, ce qui aura un effet contraire sur

la richesse des actionnaires de la banque20. A ces fonctions principales s’ajoutent aussi des

fonctions plus pratiques liées aux exigences juridiques d’un apport de fonds propres, concourant

à la création d’une banque. Par ailleurs, l’indexation de la politique de distribution de

dividendes est de son ressort (Mikdashi,1998).

Klimenko et Rochet (2015) montrent dans l’un de leurs travaux sur la crise des subprimes que

la moyenne des pertes des banques a représentés environ 5% des actifs pondérés. D’autres

estimations indiquent qu’un niveau de fonds propres supplémentaire de 16% aurait permis

d’absorber la plupart des pertes individuelles et une proportion de 24% aurait permis d’absorber

presque toutes les pertes dues aux crises bancaires depuis 1988.

Cependant, le champ temporel de notre étude étant couvert par la réglementation, inspirée de

Bâle 1, nous y fonderons essentiellement nos analyses. Toutefois, nous y avons pris le soin de

présenter dans le tableau 2, l’évolution de la réglementation du capital.

De ces précisions faites sur la structure du capital, il nous semble important de faire une

présentation des Fonds Propres Réglementaires (FPR) dans l’esprit de Bâle 1.

Les Fonds Propres Réglementaires (FPR), encore appelés Fonds Propres Effectifs (FPE) sont

définis comme étant le niveau de capital que doivent détenir les banques en se référant aux

exigences réglementaires définies par les Autorités prudentielles (BRI, 2004). Ces fonds

propres sont connus sous le nom de capital réglementaire et découlent des normes prudentielles

dont l’objectif recherché est d’assurer la solidité et la stabilité du système bancaire.

Sa détermination, telle qu’il en ressort du dispositif prudentiel ancien21 , s’appuie sur les Fonds

Propres de Base (FPB) et les Fonds Propres Complémentaires (FPC), c’est-à-dire:

FPE = FPB + FPC

20 Cf. droit OHADA. 21 Instruction n° 2000/01/RB du 1 er janvier 2000.

46

Ces fonds sont essentiellement constitués des éléments de base ou Tier 1 (T1), complémentaires

ou Tier 2 (T2) et sur-complémentaires ou Tier 3 (T3). Le ratio de solvabilité rapporte ces FPR

(numérateur) aux risques pondérés (dénominateur).

Dans les paragraphes qui suivent, nous passons en revue, les composantes des FPB et celles

relatives aux FPC.

2.2.1. Les Fonds Propres de Base

Selon le dispositif prudentiel de l’UMOA22, ils sont constitués par le capital social

effectivement versé ainsi que les réserves. Par mesure de prudence et de représentativité du

niveau d’activité, le Comité de Bâle a imposé que les FPB doivent représenter au moins 50%

du total des FPE. Par analogie aux travaux du Comité de Bâle pour la Supervision Bancaire

(CBSB23), les FPB correspondent au Tier 1 (T1) de Bâle 1.

Les raisons de l’introduction de T1 dans les FPR s’expliquent par le fait que les éléments le

constituant, ont une maturité plus longue, stable, et ayant une capacité à discipliner la prise

excessive de risque par les banques. Ces éléments devront avoir une maturité plus longue que

les dépôts, de sorte qu’ils soient en mesure d’absorber les éventuelles pertes en cas de défaut.

D’où le caractère de coussin de sécurité ou « Noyau dur » attribué à T1. La disponibilité et la

stabilité des éléments de T1 permettent d’éviter une panique des déposants dans une situation

de détresse. Les FPB jouent le rôle de réduction de l’incitation de l’aléa moral en conduisant à

une prise de risque considérable par les banques systémiques qui ne perdent pas de vue que les

autorités initieront toujours des plans de sauvetage afin de juguler les crises sociales d’une

banqueroute de tout le système.

22 Instruction n° 2000/01/RB du 1 er janvier 2000 23 Encore appelé Basel Committee on Banking Supervision of BIS. C’est à l’initiative de Peter Cooke, Directeur de la banque d’Angleterre, que se réunit un comité de Banques Centrales et d’autorités de supervision des pays du G10 à Bâle. Le Comité Blunden (du nom de son premier directeur) puis Cooke devient par la suite le Comité de Bâle pour la Supervision Bancaire (CBSB). Ce Comité a pour objectif, la supervision des banques et constitue le principal organisme supranational pour la réglementation prudentielle des banques. Ses décisions n’ont pas force de lois. L’application des recommandations que le CBSB formule, repose sur les engagements des pays membres.

47

Dans le contexte du dispositif prudentiel de l’UMOA24, les FPB intègrent :

- les dotations, les réserves, les primes liées au capital ;

- le report à nouveau créditeur,

- les provisions affectées ;

- les fonds pour risques bancaires généraux25 ;

- le résultat net bénéficiaire de l'exercice non approuvé ou non affecté, à hauteur de 15% ;

- le résultat intermédiaire (au 30 juin de l’année en cours), à hauteur de 15%, à condition qu’il

soit calculé, net d’impôt prévisible, après comptabilisation de toutes les charges afférentes

à la période. Ce résultat devra être vérifié par les Commissaires Aux Comptes (CAC).

A cela, il faut considérer les déductions concernant :

- le capital non versé, les frais et valeurs incorporels immobilisés ;

- les pertes en instance d'approbation ou d'affectation ;

- le report à nouveau débiteur ;

- les excédents des charges sur les produits, le résultat intermédiaire déficitaire au 30 juin,

toute provision exigée par la Commission Bancaire et non encore constituée ;

- toutes les participations ;

- toutes les dotations des succursales ;

- tous les emplois constituant des fonds propres ou assimilés chez d’autres banques et

établissements financiers.

La prime de capital, le report à nouveau créditeur, et les fonds pour risques bancaires généraux

font partie des réserves telles que définies par les accords de Bâle. Seules les subventions, les

autres provisions pour risques, le résultat intermédiaire au 30 juin, à hauteur de 15% et le

résultat en attente d’affectation ne sont pas pris en compte dans le T1, contrairement à

l’approche de la CBU qui les intègre dans les FPB.

24 Op cit 25 Elément du Tier 2 depuis l’amendement de février 1991.

48

2.2.2. Les Fonds Propres Complémentaires

Toujours aux termes de la réglementation prudentielle26,, les Fonds Propres Complémentaires

(FPC) visent à absorber les pertes en cas de liquidation. Ils sont encore appelés Tier 2 ou T2.

Les FPC constituent les autres fonds propres issus des accords de Bâle. Le dispositif prudentiel

de l’UMOA impose une limite de 100% du montant des fonds propres de base dans la

détermination des FPC, tandis que le Comité de Bâle ne les intègre que dans un plafond de

50%.

Dans la détermination des FPE, les titres et emprunts subordonnés à durée déterminée sont

plafonnés, quel que soit leur montant, à 50 % du montant des FPB. Cette disposition est

semblable aux accords de Bâle 1. Cependant, les dispositions concernant les provisions pour

risques généraux, qui doivent être à un niveau de 1,25% des risques pondérés ainsi que la décote

de 55% à appliquer sur la différence entre le coût historique et la valeur marchande des réserves

de réévaluation, ne sont pas d’usage dans la réglementation prudentielle de l’UMOA. La

couverture du risque de marché, introduite par le Comité de Bâle en janvier 1996 est laissée à

la discrétion des Autorités Nationales de Régulation (ANR). Compte tenu du niveau marginal

des opérations de marché, cette norme n’a pas été intégrée dans la réglementation prudentielle

de l’UMOA.

Les risques au bilan et hors bilan sont affectés à des coefficients de pondération. Les

pondérations retenues sont à quatre (04) étages (0, 20, 50 et 100%), en fonction de la

contrepartie, en lieu et place de la nature du risque encouru.

Selon la BRI (2008), l’harmonisation des règles de constitution des fonds propres a pour objet

le renforcement de la surveillance exercée par le régulateur sur les banques. Un des ratios de la

surveillance de la capitalisation des banques d’antan, à savoir le ratio Cooke, est au centre de

notre recherche sur la solidité des banques. Son fondement tire sa substance dans la protection

des épargnants.

Contrairement aux pays occidentaux dont la régulation n’était pas fondée sur un même

référentiel comptable et prudentiel (Atik, 2011), les pays de l’UEMOA, à l’entame de la mise

26 Op cit

49

en œuvre de la supervision par l’entremise de la CBU, disposaient déjà d’un même référentiel

prudentiel et comptable. Ces derniers n’ont pas connu les mêmes critiques formulées aux

banques occidentales suite aux disparités constatées dans la mise en œuvre de Bâle 1. En effet,

au lancement des activités de la CBU, un dispositif prudentiel et un référentiel comptable27

faisaient foi dans l’élaboration des reporting à adresser à la BCEAO. Les opérations bancaires

étaient également comptabilisées suivant les mêmes normes, quel que soit le pays.

Dans les développements qui suivent, nous faisons un focus sur le dispositif prudentiel de

l’UEMOA.

2.3. Focus sur le dispositif prudentiel de l’UEMOA

Le système bancaire de l’UEMOA a connu une évolution de sa surveillance, marquée tout

d’abord par un contrôle exercé dans chaque pays par une instance en charge du contrôle de

crédit et rattachée au ministère en charge des finances. Cet organe faisait office de superviseur

des banques exerçant l’activité d’intermédiation. Cette disposition est restée en vigueur jusqu’à

l’adoption du dispositif prudentiel de 2000.

La politique de distribution de crédit se faisait sur la base d’un encadrement sectoriel et par

nature en suivant les besoins, sous la tutelle de la BCEAO. C’est donc ce système qui a marqué

sa déficience, débouchant sur les crises systémiques des années 80 et 90.

En ce qui concerne le cadre institutionnel, un besoin d’harmonisation s’est imposé, tant dans

la structure des systèmes bancaires que dans l'organisation des contrôles. Les différentes

mutations enregistrées ont conduit la BCEAO à faire évoluer le cadre réglementaire par

l’adoption du premier dispositif prudentiel, inspiré de la réglementation Bâle 1, dont la mise en

vigueur remonte au 1er janvier 2000.

La mise à jour de la réglementation s’est imposée et rendue nécessaire par le souci de :

- prendre en considération les évolutions des normes internationales en matière de

supervision bancaire ;

27 PCB-UMOA

50

- assurer la protection accrue des épargnants dans un contexte marqué par le vent de

libéralisation du secteur bancaire, notamment avec le désengagement des Etats de

l’actionnariat des banques ;

- prendre en compte les innovations financières dans les prises de risques ;

- harmoniser le plan comptable bancaire pour faciliter la comparabilité des états financiers

des banques.

En application de l’article 23 de la loi bancaire de l’UMOA, le capital réglementaire était fixé

à 1 milliard (Md) FCFA dans tous les pays. Cette disposition est demeurée jusqu’à la

modification intervenue lors de la réunion du Conseil de Ministre de l’UMOA de septembre

2007, faisant portée le capital social des banques à 10 Mds FCFA en deux (02) phases.

Toutefois, ce dispositif prudentiel a été abrogé avec l’adoption et la mise en œuvre du nouveau

dispositif prudentiel du 24 juin 2016, inspiré de Bâle 2 et Bâle 3, dont la transposition est

effective depuis le 1er janvier 2018.

Le nouveau dispositif vise à promouvoir la préservation d’un système bancaire, solide et

résilient, répondant aux besoins des économies des Etats de l'UMOA, et présentant un profil de

risque maîtrisé. Cette convergence du dispositif prudentiel vers les standards internationaux

s'inscrit dans la poursuite de la mise en œuvre des orientations définies par les Autorités de

l'Union dans le cadre de la réforme institutionnelle du secteur bancaire.

C’est à l’aune de toutes ces évolutions que nous conduisons la présente recherche sur le

secteur bancaire de l’UEMOA.

Les développements précédents ont conduit à faire le lien entre les prises de risques bancaires

et les fonds propres, d’où cette interaction sur la solidité des banques. A cet égard, nous

conduisons une analyse d’interaction dans le paragraphe qui suit.

51

2.4. Interaction capitalisation-prise de risques et solidité

bancaire

Le comité de Bâle a fait de la question de la solvabilité une priorité de la gouvernance bancaire.

Selon les approches développées et au regard des études empiriques (Boyd et Graham, 1988) ;

Kim et Santomero, 1988), le niveau des capitaux propres est considéré comme une condition

nécessaire sans être suffisante pour mieux apprécier la capacité de résilience des banques. Les

fonds propres constituent un gage de sécurité permettant l’absorption des pertes issues de la

dépréciation des créances détenues sur les clients. Ils servent de signaux pour conforter les

épargnants à ne pas céder à la panique bancaire. Cette forme de gouvernance bancaire amène

les dirigeants à s’améliorer dans la gestion du portefeuille de créances, surtout en présence

d’une asymétrie informationnelle non maitrisée. Lorsque la situation financière de l’emprunteur

se dégrade au point de ne pouvoir faire face aux échéanciers du crédit, la banque a la possibilité

de faire une restructuration du crédit pour adapter les échéanciers aux flux de revenus réels de

l’activité de l’emprunteur. Le cas échéant, elle fait appliquer la politique de provisionnement

en vigueur.

A ce titre, l’interaction entre le degré de capitalisation et les risques renvois à deux concepts

utilisés dans l’approximation de la solvabilité bancaire. Ces deux concepts sont constitués par

les fonds propres et les créances, dont des travaux empiriques traitant les controverses, sont

présentés dans les paragraphes qui suivent.

2.4.1. Crédit et Portefeuille de crédits

Le mot crédit provient du Latin et renvoie à la confiance. Il désigne « un acte de confiance »

qui se traduit par un prêt en espèce ou en nature consenti par une personne, en contrepartie

d’une promesse de remboursement dans un délai généralement convenu à l’avance. Sur cette

base, apparait la notion de solvabilité et des mesures de mitigation pour border son non-

remboursement (Martinet et Silem, 2008). Cette définition rejoint celle du Larousse qui le

définit comme étant « un acte par lequel une banque ou un financeur effectue une avance de

fonds, remboursable à un délai convenu à l’avance ».

52

En fait, le crédit bancaire fait émerger le pouvoir d’achat de son bénéficiaire à un seuil difficile

à atteindre à partir de l’épargne uniquement. Ce dernier (personne morale ou physique), peut

grâce aux ressources issues de l’opération d’intermédiation, s’acheter des biens et services. S’en

suit pour lui après coup, le processus de remboursement, ex-post à la mise à disposition des

fonds. Son remboursement comprend le principal du montant prêté et les intérêts facturés,

calculés en fonction du risque emprunteur et sectoriel.

Partant de ce qui précède, on comprend mieux qu’accorder le crédit renvoie à la confiance ou

croire en cette personne. Nous avons fait le choix de nous intéresser à la solidité du système

bancaire en nous appuyant sur deux leviers, à savoir le degré de capitalisation et la qualité des

créances distribuées. Le portefeuille de créances étant défini comme l’ensemble des crédits

accordés par une banque à ses clients, toute maturité confondue (court, moyen et long terme)

ainsi que les engagements par signatures. A l’échelle d’une banque, il s’agit du portefeuille de

créances de la banque, étendu au pays, cela regroupe l’ensemble des créances du système

bancaire national.

De façon traditionnelle, le crédit constitue pour la banque la principale source de revenu

Godlewski (2003). Selon Diamond et al. (1986), l’un des rôles majeurs dans le suivi des

créances bancaires est d’assurer la protection des épargnants. Les ressources de ces derniers

sont utilisées par les banques pour faire des emplois au profit des agents économiques qui en

font la demande et dont la solvabilité a été jugée comme telle par la banque. De ce fait, l’activité

bancaire devrait être centrée essentiellement sur la prise de bons risques pour minimiser les

défauts et éviter le renchérissement de son coût et par ricochet limiter les effets du rationnement.

Etant donné que dans les analyses menées nous nous appuyons d’une part, sur la relation entre

la qualité du portefeuille de créances et la solidité bancaire et d’autre part, entre la capitalisation

et cette même solidité bancaire, nous présentons dans les paragraphes qui suivent les effets

perçus du rôle joué par le capital et le portefeuille dans la solidité.

53

2.4.2. Analyse critique des effets perçus du rôle joué par le capital et le

portefeuille dans la solidité

Au plan théorique, la solvabilité d’une banque représente la capacité de faire face à tout

moment aux opérations débitrices des déposants et pouvoir attester du potentiel de distribution

de crédits. La capacité de réaliser des marges bénéficiaires en découle, surtout que le Produit

Net Bancaire (PNB) tire l’essentiel de sa substance, notamment en Afrique au Sud du Sahara.

Cela compte tenu de l’étroitesse du marché financier (BAD, 2015). Le modèle de contrat

incomplet (Dewantripont et Tirole, 1996) en est le plus significatif. Cette théorie prend en

compte les caractéristiques essentielles de la banque et de son environnement. Comme toutes

les ressources, affectées à la distribution de crédits, n’émanent pas exclusivement des

propriétaires (actionnaires), ces derniers contribuant pour le capital réglementaire, les dirigeants

bancaires s’obligent de recourir aux financements externes (dépôts et prêts interbancaires) en

se conformant au respect de la réglementation prudentielle. Cette situation constitue le premier

fondement des contrats incomplets dans le secteur bancaire, du fait que toutes les décisions de

gestion ne sont pas spécifiées a priori, mais fonction des opportunités du marché. Ainsi

présenté, les dirigeants sont incités aux prises de décisions optimales. Tout cela, sous le regard

du superviseur qui s’assure que les banques sont aptes à faire face à leurs obligations et éviter

les éventuels effets de contagion du marché.

Sur les nombreux papiers relatifs au sujet (Solhi et Mehdi, 2012 ; Blum, 1999 ; Ediz et

Perraudin, 1998 ; Furfine, 2001 ; Kim et Santomero, 1988 ; Boyd et Grahan, 1988 ; Goyeau et

Tarazi,

1992), des controverses subsistent sur la méthodologie d’analyse des difficultés financières des

banques.

Dans les points qui suivent, nous présentons successivement les travaux empiriques relatifs aux

effets perçus de la norme de capitalisation sur la solidité ainsi que les effets perçus de la qualité

des créances.

54

2.4.2.1. Effets perçus du seuil de capitalisation sur la solidité bancaire

Les travaux précurseurs étudiant la réglementation bancaire et ses conséquences sur les fonds

propres sont ceux de Pyle (1971) et Kahane (1977). Leurs travaux s’appuient sur la théorie du

portefeuille rattachée à la probabilité de faillite. Pour cela, ils analysent la composition du

portefeuille des actifs. Les résultats obtenus débouchent sur la fixation d’un seuil minimum de

fonds propres en dessous duquel la banque est présumée être en faillite. Leurs travaux ont été

enrichis par les contributions de Kim et Santomero (1988) de même que Rochet (1992). Ils sont

fondés sur le comportement des banques relatif aux prises de risques. Ils émettent des

hypothèses selon lesquelles les banques ont de l’aversion pour le risque par la maximisation de

leur fonction d’utilité adossée à l’espérance mathématique du rendement des fonds propres.

Dans ce schéma, le régulateur cherche à limiter, autant que possible, la probabilité de

défaillance des banques et éviter une propagation des défauts au plan systémique. L’atteinte de

cet objectif oblige ce dernier à fixer un niveau de fonds propres à condition que la banque ne

change pas la composition de son portefeuille. En effet, lorsque le régulateur exige un volume

important de fonds propres, l’effet de levier de la banque diminue. La structure de financement

(capitaux propres et dettes) se retrouve alors inversée dans une telle situation. L’objectif

recherché par le régulateur atteint sa plénitude dès lors que la proportion des fonds propres

prend le dessus sur le niveau d’endettement. Au regard de la composition du haut de bilan telle

que décrite, le rendement unitaire des titres s’amenuise (Rochet, 1992). Pour contourner cette

situation et faire face au manque à gagner, les dirigeants des banques peuvent être tentés de

modifier la structure du portefeuille en recourant à des actifs plus risqués pour faire augmenter

la marge d’intermédiation.

Dans cette perspective, le régulateur, dans son rôle de protection des épargnants, peut être tenté

d’empêcher par tous les moyens la banque de reconstituer son portefeuille avec des actifs

risqués. Pour abonder dans le même sens que Kim et Santomero (1988), Rochet (1992) met en

avant la nécessité de distinguer différents actifs dans le portefeuille des banques en proposant

l’utilisation du modèle de risques pondérés. Ce modèle se fonde sur les évolutions constatées

sur le marché pour mesurer la consistance du risque. Il aboutit à la conclusion que le degré de

capitalisation ne réduit pas le comportement spéculatif des banques. Aussi s’avère-t-il

nécessaire d’imposer un niveau de fonds propres supplémentaires pour les banques à

portefeuille d’actifs risqués. Un actif plus rentable, donc plus risqué doit être financé avec des

fonds propres importants afin de réduire substantiellement l’effet de levier et la rentabilité des

55

capitaux investis par les actionnaires (Rochet, 1992). Ce mécanisme est dissuasif et constitue

un élément disciplinant pour les banques dans la bonne tenue du portefeuille de créances.

Selon Blum (1999), les règles d'adéquation des fonds propres conduisent au renforcement de

l’intermédiation financière. Il fonde son analyse sur le fait que le relèvement du capital

réglementaire devra accompagner l’activité d’intermédiation pour faire croître le potentiel de

distribution de crédits en lieu et place de l’absorption des pertes d’exploitation. Dans les faits,

la perte de rendement est généralement expliquée par le niveau de dégradation des actifs détenus

en portefeuille. D’où ce lien entre capital et prise de risques adossé aux bonnes signatures. Les

actionnaires ne doivent pas être sollicités pour une recapitalisation occasionnée par des

problèmes de gouvernance, due à une mauvaise appréciation du risque. Plus généralement, les

modifications de capital social émanant des actionnaires, ont un coût énorme et ne peuvent être

réalisées avec récurrence du fait de son encadrement par le superviseur.

S’agissant de Boyd et Graham (1988), ils partent de l’approche de prise de risque adossée à un

« matelas » de fonds propres. Le fait pour la banque de chercher à respecter cette règle de

gestion permet d’une part, de relever le niveau de distribution de crédits, et d’autre part, de faire

face aux éventuelles expositions non couvertes sur la base de la constitution d’un volant de

sécurité. Cette même démarche a été adoptée par Kim et Santomero (1988) qui proposent un

modèle visant à analyser le rôle du capital réglementaire des banques en lien avec la gestion

des risques. Ils aboutissent au même résultat que Boyd et Grahan (1988), selon lequel, le

portefeuille optimal des banques doit être calibré de manière à ce que les capitaux propres soient

proportionnels aux risques encourus. En effet, il existe une forte corrélation entre le niveau des

fonds propres bancaires et la prise de risques.

Les travaux ci-avant présentés font apparaitre le paradoxe entre prise de risques et

capitalisation. Les banques ont tendances à faire une prise de risque excessive en période de

croissance économique ou d’atteindre des objectifs opérationnels sans pour autant mettre un

accent sur la bancabilité des projets financés. Ce paradoxe est aussi légion, lorsqu’en dépit de

la dégradation de la situation financière d’une banque, celle-ci est tentée de développer une

politique expansive de distribution de crédits. Elle s’oblige par cette démarche à réaliser une

grande marge d’intermédiation et être rentable dans le but d’apurer les éventuelles pertes

antérieures. Goyeau et Tarazi (1992) confirment ces résultats dans le contexte bancaire

européen.

56

Sur le marché monétaire de l’UEMOA, la tendance baissière de la marge d’intermédiation28 en

est une des illustrations (Powo, 2000). Compte tenu de la concurrence exercée sur le marché,

les banques, dans leur quête de rentabilité et sous la pression des dirigeants sont souvent

poussées à développer leur portefeuille de crédits sans pour autant adopter le respect de la

réglementation prudentielle encadrant son octroi. Elles s'exposent de cette façon au risque de

crédits de leurs clients. Ce risque a un impact négatif sur la qualité des actifs qui, pourtant

doivent faire l’objet d’une bonne gestion afin de sécuriser les déposants et éviter la survenance

d’une contagion du portefeuille. Un début de réponse est donné dans les travaux de Furfine

(2000) et de Ediz et Perraudin (1998), qui précisent les techniques de substitution dans le

processus d’octroi de crédits à partir de la réglementation du capital, inspirée de Bâle. Cette

disposition conduit les banques à prendre des engagements en conformité des critères normés

au plan international. Ces banques utilisent plusieurs techniques de partage de risques pour

limiter la consommation des fonds propres. Il peut s’agir de la division de risques, le bordage

du risque de concentration ou encore la segmentation de la clientèle pour discriminer l’octroi

d’un financement. Ces pratiques sont courantes dans la gouvernance bancaire. Elles permettent

une consommation marginale des fonds propres tout en améliorant la solvabilité ou tout au

moins son maintien. Les différentes pratiques énoncées ont l’avantage de limiter un niveau de

provisionnement inattendu et de modérer les prises de risques. Les résultats concourent au

renforcement de la solvabilité, élément central dans la surveillance des banques, d’une part pour

la prise de risque et d’autre part pour les éventuelles interventions sur le marché monétaire et

financier.

Dans les travaux de Koehn et Santomero (1980), un niveau de capitalisation élevé n’aboutit pas

nécessairement à une baisse de la probabilité de défaillance. La capacité managériale des

dirigeants dans la bonne mise en œuvre de la réglementation permet d’assainir le portefeuille.

Cela est d’autant vrai que pour Shen et Chih (2005), la solvabilité ne vaut lorsqu’elle permet à

la banque de réaliser sans péril l’intermédiation bancaire. Les dirigeants sont plus enclins à

assurer prioritairement la couverture des risques par les fonds propres. Toujours, abondant dans

la remise en cause de la capitalisation comme levier central de la solidité, Diamond et Dybvig

(1986), perçoivent la banque comme un intermédiaire qui ne peut prévoir avec exactitude la

préférence de ses clients dépositaires de ressources, notamment les retraits qui se font à des

périodicités et suivant les fréquences non maitrisables par la banque. Par conséquent, elle doit

28 Révision des taux directeurs de la BCEAO avec date d’effet 1er janvier 2014

57

toujours disposer d’un volant pour les imprévus et bénéficier d’un levier à activer en cas de

besoin.

De ce qui précède, on peut retenir les conclusions préliminaires ci-dessous :

- le niveau de fonds propres d’une banque est lié au degré de risque de l’ensemble de ses

actifs ;

- le mode de régulation fondé sur un ratio de capital minimum n’est pas efficient. Une

optimisation des fonds propres s’impose face aux risques encourus ;

- la réglementation prudentielle des banques devra être pensée en termes d’incitations du

manager. Dans cette perspective, il convient de transférer le contrôle de banques aux

déposants et au superviseur en tant que représentant de ces derniers, lorsque la

performance de la banque se révèle médiocre.

2.4.2.2. Effets perçus entre la qualité du portefeuille de créances et la solidité

bancaire

L’intermédiation des banques est à l'origine du risque de crédit, dont la gestion doit être

optimisée, en vue d'obtenir un maximum de gains avec un minimum de pertes. Il est important

que les dirigeants de banques dans leur arbitrage aient une meilleure vision des facteurs de

dégradation de la qualité du portefeuille de crédits à travers certains indicateurs d'alerte et avoir

un système de notation du risque de crédit.

Le risque de défaut constitue un risque majeur, appelé également « risque d’insolvabilité de

l’emprunteur29. Selon le PCB (1990), il est défini comme tout manquement ou tout retard sur

le paiement du principal et/ou des intérêts. Il constitue le risque le plus redouté pour les banques

et est principalement expliqué par la solvabilité du client bénéficiaire du crédit. Il en ressort

qu’une entreprise ou tout autre bénéficiaire est considéré solvable, s’il est capable de

rembourser la totalité du crédit décomposé en principal et en intérêt dans les délais prévus et

conformément aux clauses de la convention de crédit.

29 Risque de non remboursement » ainsi que « risque de contrepartie »,

58

Dans la majorité des études, le défaut de paiement est représenté par les crédits non performants

(NPL) ou encore créances douteuses. Un prêt est qualifié de douteux (NPL) lorsqu’il accuse un

retard de remboursement sur trois (03) mois consécutifs, ou varie selon la réglementation 30.

La question des défauts de paiement connaît une attention particulière et un suivi régulier depuis

la survenance des crises bancaires antérieures et au vu de la proportion élevée des encours de

crédits. Il va de soi que la distribution de crédits aux clients de mauvaise qualité contribue au

relèvement du volume de créances douteuses. Il est crucial que chaque banque puisse mettre en

place les meilleurs outils contextualisés à son environnement pour rendre marginale la

détérioration de son portefeuille de crédits. S’il est bien géré, les encours de crédits sains

concourent à l’accroissement du Produit Net Bancaire (PNB) et donc de la rentabilité pour

assurer une viabilité financière à la banque. Dans le cas contraire, la performance et la viabilité

sont compromises. C’est dans cette même dynamique que Karaoglu (2004) a examiné le

portefeuille des banques en s’intéressant à la proportion des prêts non performants. Il aboutit

au résultat qu’un processus de titrisation améliore non seulement la qualité du portefeuille mais

aussi contribue à la profitabilité des banques. Une influence notable est perceptible sur la

capitalisation bancaire grâce aux bénéfices reportés. La pertinence de son analyse réside dans

le fait que les banques utilisent les gains issus des opérations sur le marché financier pour se

créer un matelas de trésorerie, amortisseur des éventuelles pertes sur créances issues de

l’activité de l’intermédiation. Dans le cadre de l’identification des signes avant-coureurs de la

défaillance des banques, Abdenour et Houhou (2008) propose pour les pays émergents comme

ceux du Maghreb, un modèle d’alerte précoce. Ce travail adopte des variables du modèle

CAMEL pour évaluer la capacité de résilience. Les résultats confirment l’importance des

mécanismes de régulation dans le respect des normes prudentielles.

Selon Barth et al. (2007), l’appréciation ex ante de la capacité de remboursement du demandeur

de crédit est essentielle dans l’instruction des dossiers de crédit. Cette préoccupation doit être

de mise du côté du superviseur dans sa quête de rendre marginale la probabilité de défaillance

et éviter un effet de contagion. Leur analyse est fondée sur la fréquence rapprochée de

transmission des reportings de crédit au superviseur et au régulateur pour assurer le monotoring.

30 Normes IFRS et PCB révisées. Dans les règles de provisionnement du PCB (1990), cette limitation temporelle était de 06 mois, juste avant la transposition à Bâle 2 et Bâle 3.

59

S’agissant de Camara (2010), il s’intéresse au coût des faillites bancaires et des mesures des

mitigations. Ces coûts sont non seulement importants pour les déposants mais aussi pour les

actionnaires. Selon Honohan (1997), la résolution de ce type de défaillance entraine un

gaspillage de ressources pour le contribuable, en temps de rareté des ressources, notamment

lorsqu’il s’agit d’une banque d’importance systémique.

Dans les paragraphes qui suivent, nous présentons sommairement les crises bancaires dans la

théorie financière en partant des causes, en vue de déboucher sur les implications.

2.5. Les crises bancaires dans la théorie financière : causes et

implications

La théorie économique et financière rattache l’avènement des crises financières à la complexité

du système capitaliste, au fur et à mesure que les produits dérivés ont été introduits et au vu de

la sophistication des instruments financiers.

Heinrich (2008) et Mishkin (1991) ont présenté les perceptions historiques suivant lesquelles

la récession prolongée et les crises financières sont causées par des dysfonctionnements

réglementaires sur le marché et par des chocs externes affectant négativement les économies.

Relativement à cela, White (2008) fait observer une opposition entre deux (02) courants de

pensée. Le premier, appelé « ce qui se ressemble31 » et le deuxième « ce qui est différent32 ».

Dans cette même veine, Reinhart et Rogoff (2008) considèrent qu’il y a une forte similitude

entre la crise des subprimes et les crises financières antérieures. Pour en arriver à ce résultat, ils

observent prioritairement l’évolution des prix des actifs et la croissance de la dette publique des

pays touchés par la crise.

A l’opposé du deuxième courant animé par Eichengreen (2004), les crises financières n’éclatent

pas dans des pays dont les marchés financiers sont « rudimentaires ». Cette conception de la

crise a eu l’avantage de ne pas faire l’unanimité, surtout si l’on se focalise sur l’étroitesse des

marchés financiers des pays en développement, notamment ceux de l’Afrique au sud du Sahara,

à l’image de l’UEMOA. En effet, des crises bancaires sont apparues dans ces pays au début des

31what is the same 32 what is different

60

années 80 et au milieu des années 90, malgré l’absence et/ou l’étroitesse du marché financier

ou sa quasi-inexistence. Diverses sources ont été à l’origine de la survenance des crises

bancaires en Afrique. Il s’agit entre autres de la dégradation du portefeuille d’actifs, le poids de

la dette intérieure des Etats, le risque de change, etc. (Caprio et Kligebiel, 2003).

Les crises qui ont marqué l’évolution économique ces dernières années sont marquées par une

poussée de la libéralisation dans un contexte de développement des marchés financiers, aux

produits dérivés issus du boom constaté dans la politique de distribution de crédits. Les

imbrications des différentes opérations d’ingénieries financières y sont pour quelque chose.

Les études théoriques et empiriques tendent à montrer qu’il est difficile de délimiter le champ

des différentes crises eu égard au fait que la frontière n’est pas étanche relativement aux

interconnexions. Dans ses études, analysant les crises financières enregistrées au sein de 20

pays (industrialisés et en voie de développement) sur la période de 1970-2002, Kaminsky

(2006) distingue six (06) catégories de crises financières au nombre desquelles, 42% sont

expliquées par le niveau élevé de la dette publique et seulement 5% par des excès financiers

des banques. Mais la contagion du fait des banques se ressent très vite sur toutes les autres

branches du circuit économique. De ce fait, la transmission de la crise par le canal de la banque

devrait intéresser les Pouvoirs Publics plus que tout. En atteste qu’une grande proportion de la

dette publique est constituée de dette intérieure vis-à-vis du système bancaire.

Dans ce qui suit, nous abordons les faits stylisés sur les crises, au plan international et régional

pour mettre en évidence leur nature mais aussi les enseignements tirés.

2.5.1. Au plan international

Les prémices de la crise financière des subprimes ont été énumérées par Goldstein (2005). Le

boom constaté sur le loyer des maisons était tel que, les ménages, asphyxiés par le poids de la

charge locative qui a grimpé, ont voulu investir dans l’immobilier, en sollicitant les banques

pour la mise en place des crédits hypothécaires. Ce phénomène a entrainé un déséquilibre

économique sur le modèle financier des banques qui ont mis l’accent sur la distribution tout

azimut de crédits, sans un véritable lien avec la capacité de remboursement des bénéficiaires.

La concurrence est devenue acerbe. Ces crédits hypothécaires ont débouché sur des titres cotés

61

en bourse (Durand, 2007). Ainsi, d’un prêt contracté par un ménage, des titres ont été créés en

de milliers de parts comme de « petits pains » et désormais détenus par des investisseurs en

bourse.

Dans le mécanisme de titrisation, les banques ont constitué des « paquets » de prêts

hypothécaires plus ou moins risqués. A chaque paquet correspondait un niveau de risque donné,

transféré à un véhicule spécial (écran) (Special Purpose Vehicle – SPV) sous la forme de titres

négociables en bourse. Par cette technique d’ingénierie financière, les banques ont assaini leur

portefeuille en transférant une partie importante du portefeuille de crédits risqués sur des

sociétés écrans. En 2006, les crédits subprimes représentaient au moins 600 Mds USD, soit

environ 20% des prêts hypothécaires accordés aux Etats-Unis (Lasserre, 2007). La Banque de

France (2007) estime à environ 15%, la proportion de ces prêts par rapport à l’encours total des

prêts accordés sur la même période, soit environ 1 300 Mds USD. Une autre cause non moins

importante de la survenance de la crise est relative au déficit de la politique de régulation et de

surveillance exercée par les Autorités. L’aveuglement des Autorités de la Fed sur les pratiques

laxistes de distribution de crédits hypothécaires de Fanny Mae et Freddy Mac33 , a constitué un

des tournants forts de la crise. Du fait des interconnexions des marchés, amplifiés par le

phénomène de contagion, les effets de la crise financière des subprimes se sont étendus aux

autres marchés, augmentant la probabilité d’apparition de la crise des crédits (credit crunch) et

la déstabilisation des grandes places financières mondiales, avec des répercussions négatives

sur les économies.

Hildebrand (2008) considère que la transformation de la crise des subprimes en crise financière

mondiale résulte, non seulement de la déficience de la régulation, mais aussi des difficultés de

gestion du risque de crédit par les banques systémiques. Les coûts partiels enregistrés par les

institutions bancaires ont été présentés par le FMI (2008) dans son rapport sur la Stabilité

Financière dans le monde. L’estimation de ces coûts faisait ressortir pour les banques

européennes et américaines, respectivement 80 Mds USD et 95 Mds USD.

33 Op cit

62

2.5.2. Au plan sous régional

Au milieu des années 80 et dès le début des années 90, le système bancaire (banques

commerciales et de développement) des pays africains est touché par une instabilité ayant

occasionnée une crise sans précédente. La détérioration de la situation économique et financière

des pays est suivie des faillites successives et généralisées du système bancaire. Les différents

travaux sur le sujet ont mis en avant l’inadéquation des mesures de contrôle du crédit par les

Pouvoirs Publics à travers les Autorités Nationales de Crédits (ANC), la mauvaise gouvernance

marquée par une forte interférence du politique dans les prises de décision et un contexte

macroéconomique défavorable (Powo, 2000 ; Eboué, 2007).

Dans la zone UEMOA, le Niger est le premier pays à être touché en 1983. Les périodes

d’entrées en crises des autres pays sont : Mali (1987), Bénin, Burkina, Côte d’Ivoire, Sénégal

(1988) et le Togo en 1993 (Caprio et Klingebiel, 2003 ; Powo, 2000). Sur la période 1980-1995,

ces crises à rebondissement ont entraîné la défaillance de 30 banques sur 79, soit plus du tiers

du système bancaire (Powo, 2000). Concernant la zone CEMAC, au début des années 90, un

tiers des banques a été liquidité (Sandretto et Keou, 1993). Parallèlement, les banques en

activités ne respectaient pas les normes de solvabilité requises par la réglementation mais

fonctionnaient pour juguler les éventuels problèmes et éviter la panique des épargnants.

Selon Powo (2000), la dégradation du portefeuille bancaire, dont les taux oscillaient entre 50 et

80% a été l’élément déclencheur de la survenance de la crise bancaire. Face à l’ampleur de la

situation, marquée par un désaveu des épargnants sur la capacité réelle des banques à jouer

pleinement leur rôle de catalyseur de développement, un train de mesures correctives a été mis

en place. Il a été question d’abord, entre 1988-1999 du rééchelonnement des créances détenues

par les banques sur les grandes entreprises et une remise en cause de la viabilité des banques de

développement.

Les différentes réformes engagées dans le secteur bancaire après les crises systémiques des

années 80 et 90 ont permis d’améliorer le cadre de suivi des risques de nature systémique. Ces

mesures ont visé le renforcement de la capacité de résilience du système financier de l’UMOA.

63

La survenance de la crise des subprimes de 2007 et ses conséquences dommageables pour

l’économie mondiale, a été un fait générateur de deux (02) mesures majeures par les Autorités

de l’Union, à savoir :

- la modification à la date du 17 septembre 2007, du seuil de capital réglementaire des

banques et établissements financiers ;

- la création à la date du 20 mai 2010, du Comité de Stabilité Financière (CSF).

La norme de réglementation du capital imposait aux banques de détenir un niveau de capital

social de 1 Mds FCFA. Cette norme remonte à l’entame de la surveillance communautaire sous

l’égide de la CBU. La principale modification intervenue lors de la réunion du Conseil des

Ministres de l’UEMOA, tenue le 17 septembre 2007, coïncide avec le début de la crise

financière internationale. Cette modification a porté sur le relèvement de la norme de capital à

10 Mds FCFA avec un phasage en deux (02) temps, à savoir une exigence aux banques de faire

porter le capital social à 5 Mds FCFA au 31 décembre 2009 et à 10 Mds FCFA au 1er janvier

2017.

La création du CSF a permis de fédérer les superviseurs de chacune des composantes du

système financier (banque, assurance, prévoyance sociale et marché financier) pour une plus

grande efficacité de la stabilité financière. Son principal objectif est relatif au suivi rapproché

des risques d’envergure systémique et l’émission d’avis et recommandations dans le but

d’assurer et de renforcer la résilience du système financier de l’UMOA.

L’interdépendance du système financier par les banques a pris une tournure telle que la BCEAO

s’évertue à soutenir les différentes places bancaires de l’UEMOA à travers sa politique

monétaire accommodante. Cette politique vise à assurer la liquidité des différentes places

bancaires en procédant à des injections de liquidité, via le guichet de refinancement. C’est en

cela qu’en l’espace d’une décennie, on note une évolution exponentielle des opérations

d’injections monétaires de la BCEAO. D’un encours de 25 Mds FCFA en 2006, le

refinancement de la Banque centrale est passé à 128,6 Mds FCFA en 2007. En 2016, il affichait

3 000 Mds FCFA, soit environ 119 fois ce qu’il était dix (10) ans plutôt. Cette tendance

haussière est observée également sur le marché interbancaire dont les encours en fin 2016

affichent 432 110 Mds FCFA contre 79 781 Mds FCFA en 2006.

64

En 2016, toutes les banques de l’Union ont participé à l’animation de ce marché. La place de

Dakar a été la plus active en termes d'offres de ressources (28,4%), suivie de celles d'Abidjan

(24,1%) et de Lomé (14,7%). Les principales places bénéficiaires34 ont été celles de Dakar

(42,3%), Cotonou (15,9%) et Abidjan (13,1%) (BCEAO, 2016). L’imbrication des marchés

devient de ce fait, une contrainte pour la BCEAO de prendre des mesures idoines pour faciliter

le bon dénouement des opérations et permettre la fluidité des transactions à travers des textes

réglementaires encadrant le marché. Parallèlement, la CBU intervient dans la surveillance

rapprochée à travers ses différentes attributions et missions (contrôle sur pièce et sur place).

Les Autorités de régulation et de surveillance ont un rôle à jouer dans la surveillance des

activités d’intermédiation des institutions bancaires, dans le but d’en identifier celles qui sont

vulnérables aux risques financiers. D’autres mesures sont liées à la responsabilisation des

dirigeants dans l’exercice de la profession bancaire, fondée sur le renforcement de la

gouvernance. Le rôle de la Banque centrale se révèle être considérable, surtout si l’on sait

qu’elle gère d’autres attributions liées entre autres à l’émission monétaire. A ce titre, la stabilité

financière s’avère importante au même titre que la stabilité des prix (Mishkin, 1999).

Dans ce qui suit, nous faisons un détour sur la revue de littérature pour expliquer les différentes

théories auxquelles nous avons eu recourt dans le cadre des travaux.

CONCLUSION PARTIELLE

Dans ce chapitre, le débat a porté sur le cadre théorique marqué par une forte asymétrie

informationnelle et l’appropriation par les dirigeants bancaires de la réglementation

prudentielle dans les anticipations de prises de risques, en vue d’assurer la solidité bancaire.

Dans les approches développées, la réglementation du capital permet de répartir les droits de

contrôle entre les propriétaires/dirigeants et le régulateur sur la base d’un suivi/surveillance des

ratios spécifiques de capitalisation bancaire et de qualité du portefeuille de créances.

L’approche des contrats incomplets a débouché sur la marge de manœuvre des managers dans

le cadre de leur pilotage. Ce qui procure par conséquent un intérêt pour préserver la stabilité

des équilibres bilanciels entre les ressources et les emplois. La bonne approche de la

gouvernance serait plutôt partenariale, visant à protéger les intérêts des parties prenantes contre

les éventuelles dérives. Dans cette veine, la gouvernance à travers une bonne application de la

34 Pour plus de détail, voir rapport annuel de la BCEAO, 2016)

65

réglementation prudentielle et la mitigation de l’asymétrie informationnelle, ont constitué le

point de départ de notre réflexion. Ensuite, nous avons mobilisé les apports de la théorie

d’agence, celle du signal afin d’établir le cadre d’analyse de la recherche.

La théorie d’agence propose une lecture pertinente des enjeux des parties prenantes et du jeu

de pouvoir. Elle met en évidence des mécanismes de contrôle destinés à réduire les conflits

entre les propriétaires et les dirigeants, les épargnants et la banque, le régulateur et le

superviseur et enfin le superviseur et la banque commerciale.

Nous avons aussi présenté les arguments conduisant à la pertinence du capital dans la solidité

et ceux évoquant la solidité découplée du capital. Toutes ces théories concourent à la protection

des parties prenantes (épargnants, actionnaires) pour l’atteinte des objectifs de pérennisation de

l’intermédiation financière dans un environnement règlementé aux standards internationaux.

Toutefois, la revue de la littérature théorique et empirique, traitant de la solidité des banques,

ne débouche pas toute sur un consensus, quant au rôle joué par le capital réglementaire dans la

gouvernance. Il est apparu, non seulement que les fondamentaux de la solidité ne sont pas

uniformisés, mais aussi, les études empiriques y relatives n’aboutissent pas toutes aux mêmes

conclusions, du fait de la pluralité des variables utilisées et suivant les hypothèses formulées

dans les modèles d’analyse.

66

CHAPITRE 2. METHODOLOGIE ET CADRE D’ANALYSE

Le présent chapitre est consacré à la démarche méthodologique de notre thèse. Au niveau du

positionnement épistémologique, l’approche hypothético-déductive a été retenue. Nous

présentons l’ossature du modèle d’analyse, sa spécification ainsi que sa description, avec un

accent sur la définition des variables du modèle théorique de recherche.

Il convient de relever que la spécificité des études bancaires nous a conduit à faire appel à

plusieurs méthodes d’analyses. Il s’agit entre autres, des tests de corrélation, des tests de

stationnarité, les tests de validation de la méthode d’estimation économétrique, des tests

d’égalité des moyennes et les régressions économétriques sur panel. Cette démarche s’est

imposée à nous progressivement au cours de la recherche. L’ensemble des données sur

lesquelles ont porté nos analyses est constitué en un panel cylindré. La démarche a été adaptée

en fonction des contraintes sur la nature des données du secteur bancaire avec les mouvements

de fusion-absorption, de cessions d’actifs, de faillites ou encore de création de nouvelles

banques.

Nous verrons dans les lignes suivantes, à la première section, le choix des variables des travaux

empiriques. Cette section aborde respectivement les sources et la sélection des données, la

justification théorique des variables, le modèle empirique et l’opérationnalisation des variables

ainsi que les conditions de validation des hypothèses. La deuxième section fait une présentation

des méthodes d’analyse économétrique des données de panels avec à l’appui quelques

statistiques descriptives.

L’une des particularités de cette thèse est relative au fait qu’elle soit fondée sur une analyse

économétrique en données de panel. En effet, nous utilisons des données croisées ayant une

dimension temporelle. Ce sont des observations d’individus (représentés par des banques dans

notre cas) à plusieurs moments. Le fait que nous soyons en panel, permet de capter les deux

(02) dimensions individuelles et temporelles. Cette double dimension transversale et temporelle

des données accroît la taille de l’échantillon, à travers le nombre d’observations. Ce qui

améliore la qualité de la robustesse des résultats de la modélisation (Dormont, 1989).

67

Les paragraphes suivants abordent le choix des variables utilisées dans la modélisation

économétrique.

SECTION 1 : CHOIX DES VARIABLES DE L’ETUDE EMPIRIQUE

Les points développés dans ce paragraphe abordent les sources des données de la thèse. Nous

justifions également le choix des variables utilisées dans le modèle d’analyse. Il ressort des

études empiriques que dans le processus de modélisation, le choix des variables endogènes et

exogènes est primordial pour faire tourner le modèle. Pour ne donc pas être en marge, nous y

avons consacré un volet. Ensuite, nous présentons l’opérationnalisation des variables en vue de

la validation des hypothèses formulées dans le chapitre précédent. Pour cela, nous nous sommes

inspiré de la revue de littérature sur le sujet et avons adapté notre choix au contexte, afin de

mieux cerner et opérationnaliser la question de recherche.

1.1. Source et sélection des données de la thèse

Dans les points qui suivent, nous présentons respectivement la source des données et la

construction de la base de données utilisée dans la modélisation économétrique.

1.1.1. Source de données

La collecte des données bancaires a été faite à partir du site web de la BCEAO. Elle a consisté

à faire une compilation de tous les rapports annuels de la CBU, sur la période couverte par

l’étude. Par ailleurs, sur cette même période, les rapports publiés par la BCEAO, sur la situation

financière des banques et établissements financiers de l’UMOA, ont permis d’affiner le recueils

d’information et à faire une triangulation de données. Ensuite, des vérifications ont été faites

pour s’assurer des informations traitées et un traitement informatique s’en est suivi pour affiner

le dépouillement des données.

Les données bancaires exploitées sont extraites des différents rapports publiables de la BCEAO.

Les données économiques sont issues de la base de données de la BCEAO et de l’annuaire

statistique de la Banque mondiale.

68

Le tableau 3 présente la source des données utilisées dans le cadre de nos travaux.

Tableau 3 : Présentation de la source des données de la recherche

variables Sources Période

Variables bancaires - BCEAO : rapport sur le bilan des banques et

établissements financiers de l’UEMOA ;

- BCEAO : rapport annuel ;

- CBU : rapport annuel.

2005-2016

Variables

économiques

- Banque mondiale (World Development

Indicators) ;

- Annuaire statistique de la BCEAO.

2005-2016

Source : Auteur (2019), sur la base d’un dépouillement

1.1.2. Sélection et construction de la base de données

Nous avons construit une base de données des banques agréées et installées dans les huit (08)

pays de l’UEMOA, en nous fondant sur la profondeur du marché (total bilan), qui traduit la part

de marché dans le secteur bancaire. Le choix de la temporalité de douze (12) ans, allant de 2005

à 2016 a été guidé par notre volonté d’adresser la présente recherche à un nombre important de

banques et capter au moins la moitié (50%) du total bilan (indice de profondeur du marché

bancaire) des banques de l’UMOA. Ce choix est relatif à la volonté d’étudier un nombre

important de banques « avant et après » réforme, en faisant distinguer deux (02) sous-périodes

(S/P). Dans cette veine, nous nous sommes intéressé aux effets de la mise en œuvre de la

disposition réglementaire modifiant le capital social des banques, en distinguant donc les deux

(02) sous-périodes (S/P) : S/P1 : 2005-2009 et S/P2 :2010-2016.

Le tableau 4 présente les textes règlementaires visés, encadrant le choix de la collecte de

données.

69

Tableau 4 : Présentation synoptique des textes règlementaires se rapportant à la méthode utilisée

Références de l’instruction Date d’effet Observations Instruction 2000/01/RB portant dispositif prudentiel applicable aux banques et aux établissements financiers de l’UMOA.

1er janvier 2000 Un même dispositif prudentiel était appliqué dans tous les pays de l’UMOA qui disposaient du même référentiel comptable. A cette période, la BCEAO s’est inspirée de Bâle 1, dans la mise en œuvre de la régulation communautaire avec un capital social des banques fixé à 1 Md FCFA.

Avis 01/2007/RB du 2 novembre 2007 aux banques et aux établissements financiers relatif au relèvement du capital social minimum des établissements de crédit de l’UMOA.

Le capital social minimum est porté, dans une première phase, à 5 Mds FCFA pour les banques et à 1 Md FCFA pour les établissements financiers, à compter du 1er janvier 2008. Les banques et établissements financiers en activité doivent se conformer à ces nouveaux seuils au plus tard le 31 décembre 2010.

Nous y avons scindé en 02 Sous-périodes (S/P) correspondant à la période avant mise en œuvre (S/P1 : 2005-2009) et la période après mise en œuvre (S/P2 : 2010-2016) .

Décision n° CM/UMOA/007/06/2013 du 28 juin 2013 portant adoption du projet de loi uniforme portant réglementation des Bureaux d’Information sur le Crédit (BIC)

Lancé au début de l'année 2013, le projet de promotion des BIC dans l'Union s'est achevé avec le démarrage officiel, depuis le 1er février 2016, des activités de la Société CREDITINFO-VOLO, agréée en qualité de BIC dans l'UMOA.

Le lancement opérationnel des activités de la société CREDITINFO-VOLO s’est opéré plus de trois (03) ans après la prise de la décision instituant les BIC. Les outils étant toujours en apprêt, nos travaux ne s’y réfèrent pas.

Décision 013124/06/.2016/CM/UMOA, portant dispositif prudentiel applicable aux établissements de crédit et aux compagnies ftnancie.res de l’UMOA.

1er janvier 2018 Ce dispositif prend en compte Bâle 2 et Bâle 3. Les données bancaires produites ne permettent pas pour l’instant d’avoir une masse critique de série temporelle.

Décision W 357 -11 - 2016 instituant le Plan Comptable Bancaire révisé (PCBR) de l’UMOA.

1er janvier 2018 Le reporting bancaire fondé sur ces normes comptables est indexé sur Bâle 2 et Bâle 3.

Source : Auteur (2019), sur la base de la revue de la littérature

La S/P1 de notre découpage temporel est celle où le seuil du capital réglementaire était fixé à 1

Md FCFA et la S/P2, correspondant à l’application de la norme de capital réglementaire fixée

à 5 Mds FCFA. Une telle décomposition a été jugée importante afin d’apprécier l’évolution des

performances enregistrées sur les deux (02) S/P et envisager des conclusions factuelles des

70

indicateurs de performance. Il apparait que le choix de la période d’analyse résulte de la mise

en relief du vent de la libéralisation du secteur bancaire, entamé avec le désengagement

progressif des Etats de l’actionnariat des banques à capitaux publics. Les opérations de

transmissions ayant favorisé des mouvements de concentration bancaire dans tous les pays de

l’UEMOA35 (BCEAO, 2008).

Dans l’optique d’une maximisation dans l’espace et le temps du nombre d’observations pour

aboutir à un panel cylindré, fonction de l’étendue de la base de données, nous obtenons un total

de huit-cent vingt-huit (828) observations sur la période 2005-2016. Cette période coïncide

également avec l’entrée sur la scène bancaire des groupes Nigérians, Marocains et la création

de groupes bancaires par des intérêts nationaux intra-zone. Par ailleurs, dans le choix de

l’échantillonnage, les banques naissantes sont d’emblées exclues de notre échantillonnage,

puisque n’ayant pas la temporalité requise pour y figurer. Les opérations de fusions-absorptions

ont donné lieu à des tailles bilancielles importantes, au point que l’effet de la systémique a pris

de l’ampleur dans les reportings de la BCEAO et celui de la CBU.

L’échantillon obtenu, en vue de la conduite de l’étude empirique est un extrait des cent-seize

(116) banques en activité au 31.12.2016, dans les huit (08) pays36 de l’UEMOA. Une première

base de données (pays), concernera les différentes banques, disposant de données financières

sur les douze (12) ans couvertes par l’étude. La construction de cette base de données conduira

à une analyse de la solidité du point de vue géographique en s’intéressant à la solidité bancaire

par pays.

Afin de capter le poids relatif des différentes places bancaires, nous avons pu avoir un

échantillon représentatif, dominé par les banques ivoiriennes (14 banques de l’échantillon) et

sénégalaises (12 banques représentées dans notre échantillon).

La part des différentes places bancaires de l’échantillon ressort comme suit, par ordre

décroissant : Côte d’Ivoire (25%), Sénégal (14%), Mali (11%), Bénin (10%), Burkina (9%),

Togo (5%), Niger (4%) et Guinée-Bissau (0,37%). En nous intéressant aux deux (02) premières

places bancaires, les quatorze (14) banques ivoiriennes se composent de huit (08) grandes

banques, trois (03) banques moyennes et trois (03) petites banques. Quant au Sénégal, sur les

35 Cession des filiales de la Banque Régionale de Solidarité (BRS) 36 Bénin, Burkina, Côte d’Ivoire, Guinée-Bissau, Mali, Niger, Sénégal et Togo.

71

douze (12) banques de l’échantillonnage, huit (08) sont classées parmi les grandes banques,

trois (03) dans les moyennes banques et une (01) dans les petites banques. La Guinées Bissau

est juste représentée par deux (02) petites banques.

La base de données construite est composée de données historiques financières bancaires sur la

période 2005-2016. Au terme de l’échantillonnage, la BdD obtenue représente environ 78% du

total bilanciel des banques de l’UMOA au 31.12.2016, essentiellement composé par 39% de

grandes banques37, 23% de moyennes banques38 et 20% de petites banques39.

La géographie du capital des banques de l’échantillon est mixte, repartie respectivement entre

l’Etat, les privés nationaux et les privés non nationaux. Au total onze (11) banques de

l’échantillon ont dans leur actionnariat l’Etat qui détient au moins une minorité de blocage (1/3

du capital). Respectivement en Côte d’Ivoire (BICICI, BNI, et VERSUS), au Togo (UTB et

BTCI), au Mali (BDM et BNDA) au Bénin (BIBE), au Burkina (BCB), au Niger (BIA) et au

Sénégal (BHS). Parmi ces banques, quatre (04) sont entièrement détenues par l’Etat, à savoir :

Côte d’Ivoire (BNI et VERSUS), Togo (BTCI) et Bénin (BIBE).

Relativement à notre démarche, nous faisons une présentation de la caractérisation des banques

de l’échantillon dans le tableau 5 ci-après :

37 Total bilan supérieure ou égale à 200 MFCFA ; 38 Total bilan supérieur ou égale à 100 MFCFA et inférieur à 200 MFCFA ; 39 Total bilan inférieur à 100 MFCFA.

72

Tableau 5 : Caractérisation des banques de l’échantillon par pays

BANQUES Total Bilan %

% Etat

% Privé National

% Non Nationaux Grande Moyenne Petite

BE

NIN

BOA-BN 932 977 26% 0% 43% 56% OUI ECOBANK-BN 660 407 18% 0% 21% 79% OUI ORABANK-BN 219 001 6% 0% 1% 99% OUI BIBE 29 961 1% 100% 0% 0% OUI UBA-BN 194 178 5% 6% 18% 76% OUI DIAMOND-BN 571 222 16% 0% 3% 97% OUI SGBN 194 178 5% 0% 13% 87% OUI BSIC-BN 116 900 3% 0% 0% 100% OUI BHB 26 983 1% 8% 34% 58% OUI BABE 297 396 8% 0% 46% 54% OUI Total 3 594 341

BU

RK

INA

UBA-BF 350 950 8% 10% 9% 81% OUI BICIAB 235 121 5% 25% 24% 51% OUI BCB 124 220 3% 50% 0% 50% OUI SGBB 481 066 11% 15% 17% 68% OUI ECOBANK-BF 823 969 18% 3% 12% 85% OUI BOA-BF 714 127 16% 0% 43% 57% OUI ORABANK-BF 95 158 2% OUI BSIC-BF 142 684 3% 0% 0% 100% OUI Total 4 466 461

CO

TE

D'I

VO

IRE

BIAO 842 504 9% 10% 90% 0% OUI BICICI 643 083 7% 33% 0% 67% OUI SIB 906 235 9% 5% 3% 92% OUI SGBCI 1 421 919 15% 0% 24% 76% OUI CITI-CI 161 212 2% 0% 0% 100% OUI BACI 1 266 660 13% 0% 100% 0% OUI ECOBANK-CI 1 332 408 14% 0% 6% 94% OUI BOA-CI 623 062 6% 0% 94% 6% OUI CIB-CI 19 689 0% 0% 0% 100% OUI STANDART 143 419 1% 0% 0% 100% OUI BNI 623 062 6% 100% 0% 0% OUI BHCI 78 172 1% 52% 46% 2% OUI VERSUS 60 869 1% 100% 0% 0% OUI ORABANK-CI 196 266 2% 2% 0% 98% OUI Total 9 748 900

GUINEE-BISSAU

BAO 77 830 32% OUI ORABANK-GB 43 547 18% OUI Total 244 244

73

BANQUES Total Bilan %

% Etat

% Privé National

% Non Nationaux Grande Moyenne Petite

MA

LI

BDM 710 392 16% 41% 11% 48% OUI BIM 412 898 9% 10% 39% 51% OUI BOA-M 514 000 12% 0% 15% 85% OUI ECOBANK-M 601 029 14% 0% 7% 93% OUI BCS 136 919 3% 3% 0% 97% OUI BCIM 601 029 14% 0% 0% 100% OUI BNDA 406 974 9% 36% 0% 64% OUI BSIC 136 548 3% 0% 0% 100% OUI ORABANK-ML 65 405 2% OUI Total 4 348 594

NIG

ER

SONIBANK 263 831 19% 39% 51% 10% OUI BOA-NIGER 287 083 21% 3% 12% 86% OUI BCN 14 869 1% 6% 0% 94% OUI BIAO-NIGER 144 143 10% 53% 41% 6% OUI BINCI 66 770 5% 8% 0% 92% OUI ECOBANK N 225 040 16% 0% 0% 100% OUI BSIC 124 887 9% 0% 0% 100% OUI ORABANK-NG 34 912 2% OUI Total 1 397 899

SE

NE

GA

L

BICIS 437 397 7% 25% 21% 55% OUI SGBS 772 490 12% 0% 35% 65% OUI CBAO 918 827 14% 8% 51% 41% OUI CITI 106 247 2% 0% 0% 100% OUI CDS 192 935 3% 0% 5% 95% OUI BIS 287 554 5% 6% 61% 33% OUI ECOBANK-S 741 248 12% 0% 20% 80% OUI BHS 325 831 5% 40% 60% 0% OUI CNCAS 257 024 4% 26% 1% 74% OUI BOA-S 522 011 8% 0% 46% 62% OUI BSIC-S 118 763 2% 0% 0% 100% OUI BIMAO 46 831 1% 0% 100% 0% OUI Total 6 361 690

TO

GO

UTB 259 954 10% 100% 0% 0% OUI ECOBANK-TG 397 306 15% 5% 13% 82% OUI BTCI 201 933 8% 92% 8% 0% OUI BIA-TG 103 709 4% 20% 13% 66% OUI SIAB 15 765 1% 6% 0% 94% OUI ORABANK-TG 540 491 21% 2% 98% 0% OUI Total 2 564 093

Source : Auteur (2019), sur la base des dépouillements

74

Les analyses du modèle économétrique porteront sur un total de soixante-neuf (69) banques.

La Côte d’Ivoire, avec quatorze (14) banques, soit environ 20% de l’échantillon arrive en

première place suivie du Sénégal et le Bénin, avec respectivement douze (12) et dix (10)

banques. Le Togo et la Guinée-Bissau sont représentés, respectivement avec six (06) et deux

(02) banques.

Par ailleurs, dans le but d’apprécier la situation financière des groupes bancaires et cerner leur

solidité sous l’angle de la concentration des risques bancaires, nous opérons une démarche

consistant à retenir au moins quatre (04) filiales bancaires en exploitation par groupe bancaire

sur la période de l’étude.

Tableau 6 : Répartition du nombre de filiales par groupes bancaires

Groupes Nbre %

Banque Of Africa 6 18

BNP-Paribas 4 12

BSIC 5 15

Oragroup 7 21

Ecobank 7 21

Société Générale 4 12

Total 33 100

Source : Auteur (2019), sur la base des dépouillements

De soixante-neuf (69) banques échantillonnées et objet de modélisation pour étudier la solidité

bancaire par pays, nous débouchons sur une base de données de trente-trois (33) banques

appartenant à six (06) groupes bancaires. Cette deuxième base de données, présentée dans le

tableau 4 ci-dessus, fera également l’objet d’une modélisation économétrique afin d’apprécier

la portée de la solidité des groupes bancaires.

75

1.2. Justification théorique du choix des variables et sources de

données

Nous présentons dans un premier temps dans le tableau 6, différentes variables utilisées dans le

cadre d’autres études similaires et susceptibles d’expliquer le modèle d’analyse. Ces variables

sont classées en deux grands groupes dans la littérature financière et bancaire, à savoir les

variables :

- microfinancières bancaires ;

- macroéconomiques.

D’un point de vue microéconomique, les variables sectorielles issues de la gouvernance en

banque finances sont essentiellement constituées des ratios prudentiels et de gestion bancaire.

Ces ratios ont trait à la qualité de l’actif, la performance opérationnelle, le niveau de

capitalisation, la solvabilité, la gouvernance et la liquidité.

Les variables macroéconomiques utilisent quant à elles, les indicateurs de performance de la

stabilité économique. La combinaison de l’une ou l’autre variable est fonction de la spécificité

de l’étude, si bien qu’elles ne sont pas exhaustives et répondent à des critères de choix. Dans le

cadre de notre recherche, le choix a été guidé par la formulation de la question de recherche

afin de cerner la problématique.

Le débat sur les indicateurs qui captent au mieux la solidité financière est toujours vif et

d’actualité si bien que la problématique du sujet est vaste et étendue. Afin de le cerner, nous

nous inspirons de la démarche adoptée par le FMI (2006) dans son guide d’appréciation de la

stabilité financière ainsi que certaines études empiriques réalisées (Gammadigbé,

2018 ; Kadandji, 2016 ; Ndiaye, 2014 ; Dannon et Lobez, 2014 ; Camara, 2010 Abdénour ;

2008). Ces différentes études ont utilisé simultanément les variables microfinancières bancaires

et macroéconomiques pour expliquer leur modèle d’analyse.

Les études ont été classées par nature et suivant qu’elles soient en lien directe avec la qualité

du portefeuille, la réglementation du capital et la solvabilité, le potentiel de liquidité ou encore

76

les performances opérationnelles des banques.

Tableau 7: Synthèse des variables utilisées dans la littérature pour des études affiliées

Auteurs Objectifs de l’étude Variables explicatives

Gammadigbe

(2018)

Analyser le rôle des fonds propres

réglementaires dans la survie des

banques de l’UEMOA afin d’en

déduire la pertinence des nouvelles

normes de fonds propres en vigueur

depuis le 1er janvier 2018

-ratio fonds propres effectif ;

-ratio tiers1 ;

-ratio CET1 ;

-indice de concentration ;

-taux de dégradation ;

-crédit sur total actif ;

-frais généraux ;

-part de marché ;

-log PIB ;

-inflation.

Kadandji (2016) Analyser la solidité bancaire dans la

zone CEMAC.

-total de crédits sur total dépôts

-total dépôts sur total actif ;

- provisions sur créances douteuses ;

-provisions sur total crédits ;

-provisions sur total actifs

-ROA ;

-ROE ;

-fonds propres sur total crédits ;

-fonds propres sur total crédits ;

-taux de croissance du PIB ;

-taux d’intérêt réel ;

-inflation.

Dannon et

Lobez (2014)

Efficacité de la régulation prudentielle

des banques de l’UEMOA

-ratio Cooke ;

-tier1 ;

-Tiers2

-prêts sur total actif ;

-dépôts sur total actif ;

-frais de personnel/total actif ;

-taille ;

-structure de propriété ;

-PIB ;

-masse monétaire.

77

Ndiaye (2014) Etudier l’effet des fonds propres tel que

défini par le Comité de Bâle et d’autres

variables de structure sur la faillite des

banques de l’UEMOA.

-fonds propres sur total bilan ;

-capital social sur total actif ;

-crédits octroyé sur total actif ;

-dépôts reçus sur actif ;

- Logarithme népérien de l’actif total ;

-frais de personnel sur total actif

-provisions sur crédits octroyés ;

-dépôts reçus sur fonds propres ;

-PIB.

Trinnou (2013) Implémenter le stress-test macro-

prudentiel du risque de crédit du

secteur bancaire de l’UEMOA

-taux net de dégradation du portefeuille ;

- provisions sur les créances en défaut ;

-taux de croissance du PIB réel ;

-taux d’intérêt réel ;

-indice des termes de l’échange de la zone

UEMOA.

Dannon (2013) Mesurer les effets simultanés des

mécanismes de gouvernance internes et

externes sur l’efficience et la

probabilité de défaillance des banques

de l’UEMOA.

-Gouvernance : (taille du CA, dualité PCA et

DG, pourcentage des administrateurs

étrangers, pourcentage des représentants de

l’Etat, pourcentage des administrateurs

institutionnels) ;

- part des encours moyens de crédits par

rapport au total bilan ;

- part des dépôts dans le total bilan ;

- niveau des fonds propres par rapport au

total bilan ;

- taille de la banque mesurée par le

logarithme népérien du total bilan ;

- Part de marché ;

-Taux de croissance du PIB ;

- taux d’inflation.

Gammadigbé

(2012)

(i) Identifier les déterminants

microfinanciers (essentiellement les

variables bancaires) et

macroéconomiques d’un indicateur

expliquant la rentabilité et

(ii)Apprécier la sensibilité du

Micro financières bancaires

- le taux de croissance du stock des créances

douteuses ;

- l’effort net de provisionnement ;

- les frais généraux ;

- les frais de personnel ;

78

coefficient de rentabilité des banques

aux scénarios macroéconomiques

adverses.

- le taux débiteur moyen sur les crédits

accordés à la clientèle.

Macroéconomiques

- taux de croissance du PIB ;

- taux de progression de l’indice de prix à la

consommation ;

- variation du pourcentage du taux

d’escompte de la BCEAO,

- solde budgétaire global et dette de l’Etat

envers les banques primaires.

Abdénour

(2008)

Proposer un modèle d’alerte précoce

des difficultés bancaires dans les pays

émergents.

Les variables sont constituées

essentiellement de variables qualitatives de

type binaire (audit, assurance dépôt, système

juridique, efficience du système juridique,

instance de supervision bancaire) et de ratios

de type CAMEL comme ci-dessous :

- fonds propres+ provisions sur total bilan ;

- provisions sur total prêts ;

- prêts sur (fonds propres + dépôts à CT) ;

- ROA : Résultat sur total bilan ;

- prêts sur total bilan .

Wanda (2007) Mettre en exergue les facteurs

explicatifs de la surliquidité bancaire

au Cameroun.

- surveillance exercée par le régulateur ;

-risque crédit mesuré par les créances

douteuses sur total crédit ;

- volatilité des ressources mesurées par les

dépôts à vue sur le total des dépôts ;

-tarification des services et produits

bancaires ;

-structure du crédit octroyé mesurée par les

Crédits à court terme sur le total crédit.

Godlewski

(2004)

Etudier le rôle des facteurs

institutionnels dans l’incitation à

prendre des risques et l’apparition des

faillites bancaires dans les pays

émergents.

-capital sur total crédits ;

-frais de personnel sur charges

d’exploitation ;

-marge nette d’intermédiation ;

-actifs liquides sur total bilan ;

-total crédits sur total dépôts.

79

Tanimoune

(2003)

Analyser les déterminants de la

profitabilité des banques de l’UEMOA

-crédit sur total bilan ;

-dépôts sur total bilan ;

-frais généraux sur total bilan ;

-réserves sur total bilan ;

-taux de croissance du PIB réel ;

-taux d’inflation ;

-taux d’escompte réel moyen ;

-l’indice de politique financière.

Powo (2000) Etudier les déterminants de la

probabilité de faillite des banques de

l’UEMOA

-capital sur total bilan ;

-effets de commerce sur total bilan ;

-crédit à court terme sur le total bilan ;

-actifs liquides sur actifs total ;

-dépôts à vue sur actifs total ;

-DAT sur actifs total ;

-refinancement banque centrale sur actifs

total ;

-ROA : résultat net sur le total bilan ;

-total bilan individuel sur total bilan de

l’ensemble des banques ;

-supervision bancaire ;

- gouvernance bancaire.

Source : Auteur (2019), sur la base de la revue de littérature

Dans les point qui suivent, nous présentons la variable à expliquer de notre modèle de recherche.

1.2.1. Variable dépendante

Dans le cadre de la conduite de la présente thèse, nous retenons la mesure de défaillance (Z-

Score) proposée par Roy (1952), Boyd et Graham (1988) et Goyeau et Tarazi (1992).

Les Z-score représentent une méthode de quantification des risques qui caractérisent l’activité

des banques. Elles sont inversement corrélées à la probabilité d’insolvabilité (la probabilité que

la valeur des actifs soit inférieure au passif).

80

Selon cette mesure, la probabilité de défaillance d’une banque correspond à la probabilité que

les pertes d’exploitation soient supérieures aux fonds propres. Ainsi, apparait-il que plus la

valeur du Z-Score est élevée, moins élevé est son risque de défaillance. La valeur du Z score

est obtenue par la formule ci-dessous :

����� = ���� + ���������

Avec : � : probabilité, �� : capitaux propres et � : ratio de rentabilité économique

Boyd et Graham (1988) montrent que les défaillances bancaires sont positivement reliées à une

forte exposition aux risques de portefeuille et à une diminution du degré de couverture. Ils

proposent une décomposition du Z-score en une composante couverture du risque de

portefeuille et une composante performance ajustée du risque.

Dans ce contexte, c’est le rendement des actifs qui est pris en compte et non pas le rendement

des capitaux. Ils partent de l’explication fondamentale sur la défaillance matérialisée par P(R<-

Cp).

Avec :

- R : exprimant la rentabilité de l’exploitation ;

- Cp : les capitaux propres réglementaires.

La probabilité de défaillance prenant en compte les actifs s’écrit comme suit :

P (��<-

��� ) ou encore P (ROA<-

��� )

Avec :

ROA : désignant la rentabilité des capitaux investis

En considérant que les taux de rendements suivent une loi normale de moyenne E�ROA� et

d’écart type δROA et en posant que l’intensité capitalistique matérialisée par ��� = K, alors la

probabilité de défaillance s’écrira comme ci-dessous :

81

P (��� !�"#$�

%"#$ <- & !�"#$�

%"#$ � = (��� !�"#$�

%"#$ <-&

%"#$ + !�"#$�%"#$ ) = (

��� !�"#$�%"#$ <- '_������

Cette dernière équation débouche sur la probabilité de défaillance qui est donnée par :

P (��� !�"#$�

%"#$ > '_������.

Une décomposition de ce ratio a été opérée par Goyeau et Tarazi (1992) en deux parties (Z1+Z2=

Z- Score), comme ci-dessous :

'_����� = ����δROA + K

δROA

- '1 = +�����,��� = représente la rentabilité ajustée du risque, encore appelée ratio Sharpe.

- '2 = &,���: représente le degré de couverture du risque de portefeuille d’actifs par les

fonds propres.

Dans le modèle retenu, les différentes valeurs du Z-Score (variable endogène) représentent le

niveau de rendement et la volatilité du rendement. C’est une variable endogène qui exprime le

risque de défaillance de la banque. Sa forte valeur correspond à un risque de défaillance faible

et traduit à la fois une bonne solidité financière de la banque au plan individuel ou du système

bancaire ? à l’échelle d’un pays ou d’un groupe bancaire dans le cadre d’une analyse sur la

concentration bancaire.

A la suite de la présentation ci-avant, nous abordons dans les lignes qui suivent les différentes

variables explicatives utilisées dans le modèle économétrique.

1.2.2. Variables explicatives

La pertinence des travaux relatives au traitement des données bancaires requiert la sélection des

variables jugées plus « parlantes », leur catégorisation en sous-indices et suivant une méthode

d’agrégation répondant aux standards. Ainsi, il est conseillé de s’inspirer non seulement de la

82

littérature bancaire et financière, mais également des indicateurs contenus dans le guide de

stabilité financière du FMI (2006), en les contextualisant à la réglementation prudentielle en

vigueur. Aussi, avons-nous fait appel à des variables exogènes susceptibles d’avoir un impact

sur la solidité des banques. Ces facteurs de risque recouvrent selon la typologie CAMEL (FMI,

2006), les dimensions suivantes :

(i) l’adéquation du capital au portefeuille de crédit : Capital Adequacy (C);

(ii) la couverture du risque de crédit : Asset Quality (A) ;

(iii) la gestion de la banque : Management Quality (M) ;

(iv) la rentabilité : Earnings (E) ;

(v) la liquidité : Liquidity (L).

L’outil CAMEL est un indicateur d’approximation de la santé financière des banques dont les

premiers usages remonte au début des années 1980 aux USA. Cet outil a été conçu initialement

pour des vérifications de l’Autorité en charge du contrôle et de la surveillance, en testant les

cinq (05) dimensions relevées ci-haut. Ces cinq (05) dimensions sont aussi utilisées dans le

cadre de nos travaux et ont été déterminantes dans le choix des variables de la modélisation.

1.6.3.3. Les variables d’intérêt

Notre choix des variables de contrôle suit la pratique courante dans la littérature financière et

bancaire, en lien avec la solidité financière des banques. Dans ce contexte, nous nous appuyons

sur les Indicateurs de Stabilité Financière (ISF) du FMI (2006), les ISF utilisés par la BCEAO

(2008) dans le cadre de ses stress-tests sur la stabilité du secteur bancaire et bien d’autres,

utilisés dans des études empiriques similaires.

a) Les variables explicatives de la capitalisation

Les travaux théoriques sur le lien entre la capitalisation bancaire, la prise de risques et la qualité

de portefeuille de créances utilisent des cadres d’analyse différents et aboutissent généralement

à des résultats mitigés. Dans certaines études, le renforcement de la capitalisation va dans le

sens voulu par le régulateur. Dans d’autres situations, les exigences peuvent faire augmenter la

prise de risques des banques et entraîner une défaillance si elles ne sont pas contrôlées (Blum,

2003).

83

a.1. Fonds propres sur total prêts

C’est le rapport entre les fonds propres et le total des prêts consentis. Ce ratio mesure l’effet

financier de la politique de distribution de crédits, fonction de la consistance des fonds propres.

Autrement dit, il sert à mesurer l’adéquation des fonds propres compte tenu du respect de la

norme standard du ratio de solvabilité bancaire afin de quantifier le niveau des ressources

propres affecté à l’activité d’intermédiation à travers la politique de distribution de crédits. Son

usage est courant dans la littérature financière et bancaire pour surmonter les difficultés

relatives liées à l’indisponibilité des risques pondérés, utilisés au dénominateur du ratio de

solvabilité (ratio Cooke, suivant Bâle 1). En effet, les seuils de pondérations étant fonction

d’informations souvent confidentielles en rapport avec la nature des garanties détenues par les

banques.

Le débat sur l’indicateur idéal de capitalisation est toujours vif et les études sur le sujet tendent

à penser que toutes les recherches sur l’appréciation de la solidité financière des banques ne

peuvent se contenter de se limiter qu’à un seul indicateur de performance de la capitalisation

des banques (Kadandji, 2016 ; Abdénour, 2008 ; Godlewski, 2004 ; Powo, 2000). En effet, le

contexte du marché bancaire, marqué par la confidentialité des données est telle que la

circulation de l’information est filtrée. L’utilisation de ce ratio (fonds propres/total prêts), se

révèle être pertinent à plus d’un titre, car considérant toutes les créances à leur en-cours. Il suit

la même tendance que le ratio Cooke, en termes d’interprétation. Son signe attendu est positif.

a.2. Fonds propres sur total actif

Ce ratio donne une indication du financement des actifs et traduit l’adéquation des fonds

propres. Autrement dit, il permet de connaître la part de l'actif financé par les capitaux propres

de la banque et donc de mieux évaluer la solidité financière et d’en mesurer les sources de

financement. Jusqu’alors, aucun consensus n’a été trouvé dans l’approximation de la

capitalisation en dehors du calibrage du niveau de risque encouru par les banques, en cas de

défaillance d’un emprunteur (Blum, 1999). Faute de données pour la pondération, d’autres

ratios sont utilisés pour illustrer les effets de la capitalisation bancaire au nombre desquels le

niveau de couverture de l’actif par les fonds propres. Ce ratio a été utilisé par (Kadandji, 2016 ;

Ndiaye, 2014 ; Dannon, 2013 ; Powo, 2000) dans le cadre de l’approximation du seuil

84

réglementaire des fonds propres. Le signe attendu de cette variable est positif.

a.3. Créances en souffrances sur fonds propres

C’est le rapport entre les créances en souffrances et les fonds propres. Une augmentation de ce

ratio traduit une détérioration de la qualité du portefeuille de créances et/ou une diminution des

fonds propres. Ce ratio peut donc donner une idée de la capacité de la banque à faire face aux

pertes liées aux prêts non performants, en s’appuyant sur les fonds propres. Cependant, les

effets de la perte attendue sont incertains dans la plupart des cas, eu égard au fait que pour

diverses raisons, un recouvrement forcé peut être engagé par la banque, lorsqu’elle détient une

garantie sur le client débiteur. Le signe attendu de cette variable est négatif.

a.4 Créances nettes sur total actif

C’est le rapport entre les créances nettes des provisions constituées et le total actif (cnta). Il est

encore connu sous le nom de ratio d’intermédiation et exprime le poids des revenus issus de la

politique de distribution de crédits dans le PNB. Sa forte proportion traduit une dépendance au

crédit et une politique de diversification marginale sur d’autres sources de revenus. En général,

dans les pays d’Afrique au sud du Sahara, marqués par l’étroitesse des activités boursières, ce

ratio est élevé. Le signe attendu de cette variable est positif.

1.6.3.4. Les autres variables de contrôle

Tout comme les variables d’intérêt, notre choix des variables de contrôle suit la pratique

courante dans la littérature financière et bancaire comme ci-dessous.

a. Les variables explicatives de la rentabilité

a.1. Résultat net sur Fonds propres

Il est obtenu par le rapport entre le résultat net et les fonds propres (ROE). Ce ratio mesure

l’efficience avec laquelle les banques font de leur exploitation, notamment l’usage des fonds

mis à leur disposition par les actionnaires propriétaires. Il doit être interprété avec tact. En effet,

son niveau élevé pourrait indiquer une forte rentabilité et/ou une faible capitalisation et

inversement un ratio bas, une rentabilité marginale et/ou une forte capitalisation. Dans l’un ou

85

l’autre cas, le signe de ce ratio peut améliorer ou éroder la surface financière de la banque et

dégrader ou améliorer sa solvabilité. Par le truchement de la répartition du résultat, ce ratio peut

sensiblement améliorer ou éroder les fonds propres de la banque et influer sa capacité de

distribution de crédit (Blum, 1999). Le signe attendu de cette variable est positif.

a.2. Résultat net total actifs

Nous avons retenu ici, le ratio de rentabilité économique. C’est le rapport entre le résultat net

et le total bilan (ROA). Ce ratio mesure la rentabilité de l’exploitation en fonction de l’ensemble

des moyens mis en œuvre. Autrement dit, il est vu comme étant la rentabilité économique, car

intégrant au dénominateur les moyens internes (fonds propres) et externes (endettement). Cet

indicateur a été utilisé dans les études similaires (Kadandji, 2016 ; Abdénour, 2008 ; Powo,

2000) afin de mesurer la profitabilité de la banque comparée aux fonds engagés dans

l’exploitation courante. Le signe attendu de cette variable est positif.

b. Les variables explicatives de la qualité de portefeuille

Deux autres ratios traduisant le portefeuille d’actifs sont utilisés dans les variables explicatives.

Il s’agit du ratio cnta traduisant à la fois la liquidité que le portefeuille d’actifs et du ratio pvtp,

exprimant également la gouvernance bancaire. Ici, nous présentons essentiellement le ratio de

créances en souffrances sur total des prêts, encore connu sous le nom de taux brut de

dégradation du portefeuille. Plus il est élevé, moins bonne est la qualité des créances octroyées.

Il est interprété en parallèle avec le ratio des créances en souffrances sur les fonds propres. Il

constitue un meilleur indicateur d’appréciation de la qualité de portefeuille quoi qu’il soit

calculé ex-post. Le signe attendu de cette variable est ambiguë.

Le consensus sur la pertinence de cette variable ne souffre pas de contestation en ce qu’elle

permet de connaître l’état de dégradation du portefeuille de la banque (Trinnou, 2013 ;

Aggarwal et Jacques, 2001 ; Derming, 1998 ; Shrieves et Dahl, 1992). Dans la présente thèse,

cette variable a été introduite afin de mieux catégoriser les prêts octroyés. Pour Marcucci et

Quagliariello (2008), le ratio de créances en souffrances à un comportement anticyclique : il

diminue en cas d’amélioration conjoncturelle, alors qu’il augmente en cas de détérioration.

86

c. Les variables explicatives de la gouvernance

c.1. Provisions sur total prêts

C’est le rapport entre les provisions constituées et le total brut des prêts consentis. Autrement

dit, il constitue un indicateur du coût du risque et sert à détecter la qualité du portefeuille. Il

détermine la bonne ou mauvaise tenue du portefeuille de créances bancaires. Les provisions

pour pertes permettent de mettre en œuvre la procyclicité des activités de crédit des banques.

Son accumulation matérialise la prise de risques et permet de capturer au mieux les risques

encourus par les banques dus à leur politique de crédits. Au plan prudentiel, tous les prêts

consentis doivent faire l’objet d’une provision individuellement constituée pour couvrir une

perte prévisible ou réellement réalisée. Une hausse de ce ratio peut constituer une dégradation

de la qualité de portefeuille de prêts. Son impact sur les fonds propres est négatif. Le signe

attendu de cette variable est ambiguë.

c.2. Coefficient d’exploitation

Le coefficient d'exploitation bancaire mesure la part des gains réalisés par une banque au regard

de ses coûts fixes. Il est obtenu par le rapport entre les charges d'exploitation et le produit net

bancaire. Il doit être faible pour traduire une meilleure maîtrise des charges d’exploitation. Le

signe attendu de cette variable est ambiguë.

c.3. Réglementation

La variable réglementaire introduite est relative au changement intervenu en 2007 relative à la

modification de la norme de capital réglementaire des banques de l’UMOA. Nous la faisons

intervenir dans le modèle d’analyse sous forme de variable dummy de type binaire pour traduire

la situation avant et après la modification. Le signe attendu de cette variable est positif.

87

d. Les variables explicatives de la liquidité

Nous avons recours à deux (02) variables. La première (cnta) a déjà fait l’objet d’une

présentation dans les variables d’intérêt. Ici, nous présenterons uniquement le ratio dépôts sur

total des prêts (dstp). Ce ratio, encore appelé ratio de transformation, permet de mesurer le seuil

de couverture des prêts sur la base des ressources émanant des épargnants. Autrement dit, il

correspond au ratio de liquidité bancaire. Lorsque les dépôts sont faibles par rapport au volume

des prêts, la banque est tributaire de fonds plus volatils pour couvrir les actifs illiquides de son

portefeuille. Il est donc souhaitable que le degré de couverture soit le plus élevé (proche de

100%). L’utilisation de cet indicateur dans les études portant sur la résistance des banques aux

chocs s’entend, en ce qu’il permet de connaître le degré de couverture des prêts par les

ressources de dépôts de la clientèle (Kadandji, 2016 ; Abdénour, 2008). Le signe attendu de

cette variable est positif.

e. Variables mesurant la taille

Nous utilisons la taille dans la modélisation empirique des données. Elle est mesurée par le

logarithme népérien du total bilan. Comme l’indiquent Beck et al. (2013) ainsi que Heid et al.

(2004), la taille peut influencer les décisions de capitalisation et le risque de défaillance.

L’influence de la taille sera abordée dans les analyses par groupe bancaire pour apprécier le

niveau de la concentration bancaire. Cette approche est indiquée pour l’approximation de la

solidité suivant l’hypothèse de « Too big To Fail 40». En effet, les banques systémiques peuvent

bénéficier d’une assurance implicite, du fait de la taille et augmenter le risque de leurs actifs.

f. Variables macroéconomiques

Les variables macroéconomiques regroupent essentiellement des variables conjoncturelles.

Nous avons identifié essentiellement deux variables, à savoir : le taux de croissance du PIB et

le taux d’inflation pour apprécier la bonne ou mauvaise santé économique, en lien avec le

pouvoir d’achat des ménages et des entreprises.

40 TBTF

88

f.1. Le taux de croissance du PIB

Il est retenu dans la littérature qu’en période d’expansion économique, les banques développent

des initiatives pour faire croître le niveau d’emplois par le truchement de la politique de

distribution de crédits. En effet, la croissance économique favorise l’augmentation du pouvoir

d’achat des ménages qui, en plus de la consommation, dans des biens durables. Cette situation

les amène à solliciter les banques en vue de bénéficier de crédits. En période de récession, ces

derniers recentrent prioritairement leur revenu à la satisfaction des besoins vitaux. Ce qui peut

porter préjudice au secteur bancaire, notamment en ce qui concerne le dégonflement des crédits

octroyés aux clients. Nous nous attendons à ce qu’une éventuelle hausse du PIB soit le reflet

d’une réduction de risque de défaillance. Dans les simulations de scénarios de résistance des

banques (Kadandji, 2016 ; N’Diaye, 2014 ; Trinnou, 2013 ; Gammadigbé, 2012 ; Abdenour et

Houhou, 2008) mesurent la richesse des ménages par la capacité de l’économie à secréter du

cash dans le circuit économique. Cette capacité traduit par ailleurs le pouvoir d’achat des

populations et détermine la bonne ou mauvaise fin de l’intermédiation bancaire. Ces études ont

montré une forte corrélation entre la récession économique et la dégradation du portefeuille des

banques. Nous avons recours à cet indicateur pour apprécier le pouvoir d’achat des ménages.

Le signe attendu de cette variable est positif.

f.2. Le taux d’inflation

La maîtrise du taux d’inflation figure parmi les objectifs des banques centrales. La BCEAO

n’échappe pas à cette règle. En effet, le taux d’inflation est considéré dans la littérature

économique et financière comme étant un indicateur de vulnérabilité macroéconomique

(Abdénour, 2008). Le taux d’inflation fournit des informations sur l’application et

l’applicabilité des politiques économiques et devient intéressant à interpréter dans les mesures

de détection des difficultés du système bancaire. Dans cette veine, un niveau d’inflation faible

augmente la confiance des investisseurs. Le signe attendu de cette variable est négatif.

89

En définitive, les variables de contrôle et d’intérêts sont synthétisées dans les tableaux 8 et 9 ci-

dessous :

Tableau 8 : Synthèse des variables de contrôle et variables d’intérêts

Variables d’intérêt

- crédit net/total actif ;

- créances en souffrances/ fonds propres ;

- fonds propres/total prêts ;

- fonds propres/total actif.

Variables de contrôle

- dépôt/total prêts ;

- provisions constituées/ total prêts ;

- provisions constituées/ créances en souffrances ;

-coefficient d’exploitation ;

-réglementation ;

- créances en souffrances/fonds propres ;

- taux de croissance du PIB ;

- roe (résultats net/ fonds propres ;

- roa (résultat net/total bilan) ;

- taille ;

- taux d’inflation.

Source : Auteur (2019)

90

Tableau 9 : Synthèse des variables explicatives de la recherche

Sous-groupes de variables

Définition de la variable Sigle retenu

Signes attendus

Rôle de la variable dans le modèle Type de variable

Bancaires

créances en souffrances/fonds propres

csfp Négatif Ambiguë (capitalisation, portefeuille)

Intérêt

Fonds propres/total actif

fpta Positif Capitalisation Intérêt

fonds propres/total prêts fptp Positif Ambiguë (capitalisation, portefeuille)

Intérêt

Crédit net/total actif cnta Positif Ambiguë (liquidité, portefeuille) Intérêt

créances en souffrances/ total prêts

cstp Ambiguë Portefeuille Contrôle

Dépôt/total prêts dstp Négatif Liquidité Contrôle Provisions sur créances en souffrances

pvcs Ambiguë Ambiguë (Gouvernance, portefeuille)

Contrôle

réglementation regl Positif Gouvernance Contrôle Taille tail Ambiguë Ambiguë Contrôle Coefficient d’exploitation coex Négatif Ambiguë ( rentabilité,

Gouvernance) Contrôle

résultat net/total bilan rroa Positif Rentabilité Contrôle résultat net/FP rroe Positif Rentabilité contrôle

Macroéconomiques Croissance du PIB vpib Positif Economique Contrôle

Taux d’inflation vinf Négatif Economique Contrôle Source : Auteur (2019)

91

Les différentes variables ci-avant présentés sont complétées par une variable dummy permettant

de capter au mieux, les effets de la modification de la réglementation du capital, dont la mise

en œuvre remonte au 1er octobre 2010. Nous présentons ci-dessous, le mode opératoire de son

codage binaire.

1.3. Variable traduisant les effets induits de la réglementation

Les travaux antérieurs menés dans le secteur bancaire nous ont permis d’isoler les effets induits

de la modification de la réglementation du capital des banques. Nous avons dû constituer pour

cela deux (02) Sous-Périodes (S/P) correspondant chacune à une norme de capital

réglementaire, avant et après la modification.

Pour opérationnaliser les éventuelles incidences sur les scores de solidité, nous avons procédé

à un codage en binaire, comme suit :

- la S/P1 : elle représente la norme de capital réglementaire fixée à 1 Milliard (Md) FCFA

et est codée zéro (0) ;

- la S/P1 : correspond à la mise en œuvre de la réglementation du capital fixée à 5 Mds

FCFA et est codée un (1).

Ceci étant, la variable réglementaire de type dummy se trouve être la variable modératrice de

notre modèle d’analyse. Nous nous référons aux travaux de Dannon et Lobez (2014) et Camara

(2010) pour capter les effets de la réglementation du capital sur la solidité du secteur. Cette

variable vise à clarifier les effets relatifs à la mise en œuvre de la nouvelle réglementation de

capitale et estimer son influence sur les scores de solidité. Elle a ainsi pour but de déceler le

pouvoir de prédiction de la réglementation sur la gouvernance bancaire.

Dans les développements suivants, nous faisons une présentation du modèle empirique de notre

recherche.

92

1.4. Modèle empirique de la recherche

En partant de la littérature financière et bancaire, nous élaborons un modèle empirique (voir

figure 4) cernant la thématique ainsi que les variables opérationnelles comme ci-dessous :

Figure 4 : Modèle empirique de la recherche

Source : Auteur (2019)

Le modèle de recherche retenu dans cette thèse est soumis à une analyse quantitative conduisant

à la vérification de la fiabilité et la validité des instruments utilisés. Ainsi, conformément à leur

activité d’intermédiation, les banques sont exposées à divers risques, dont le plus important

concerne le risque de crédit. Les dépôts bancaires provenant essentiellement des épargnants

personnes physiques (ménages) et institutionnels (assurances, prévoyances sociales, marché

financier), il va s’en dire que lorsque le système est grippé, les risques de contagion touchent

93

tous les acteurs économiques, d’où les interactions ressorties dans les figures 3 & 4.

1.5. Opérationnalisation des variables et conditions de validation

des hypothèses formulées

Dans les analyses menées, les hypothèses formulées seront validées suivant le sens donné par

la théorie économique et financière et également à la lumière des études empiriques. Ainsi, la

signification de chacune des variables de la modélisation permet d’en donner une définition

opératoire. La variable dépendante, le Z-score correspond, nous l’avons mentionnée, au proxy

approximant la solidité bancaire. Les différentes variables micro-financières bancaires

concourent aux explications du modèle d’analyse et postulent que l’environnement bancaire,

en général est susceptible d’être solide ou défaillante en fonction du sens et du signe indiqué

par les différents tests économétriques. Une telle posture devrait être matérialisé par les

variables identifiées et leur en donner une définition opératoire. Tout au long de la démarche,

les analyses sont menées en tenant compte de la contrainte réglementaire qui encadre les

opérations bancaires. Dans ce contexte, le processus de validation des hypothèses sera basé

sur les tests, selon la théorie financière et bancaire, et au regard des signes attendus des

variables de la modélisation. Il s’agira donc de mettre en exergue les résultats obtenus à la

lumière des relations statistiques existantes entre les variables explicatives et la variable à

expliquer, au regard des différentes estimations.

Sur cette base, la définition opératoire des variables est présentée ci-après en fonction de la

nature de l’hypothèse formulée :

Hypothèse 1 : la mise en œuvre de la nouvelle norme du capital réglementaire

renforce significativement la capacité de résilience du système bancaire.

La première hypothèse sera validée sur la base de la significativité de la variable réglementaire

(regl) et son signe attendu qui devrait être positif. Egalement, nous mettrons à contribution, le

score (Z) relevé par les banques, notamment la décomposition qui en est fait, respectivement le

degré de couverture du risque de portefeuille d’actifs (Z1) et la rentabilité nette ajustée du risque

(Z2). Elle sera validée si, à la suite des tests d’égalité des moyennes, suivant l’égalité des

variances, pour les indicateurs relevés, le coefficient est significatif pour les deux (02)

94

catégories de banques (solides et défaillantes) et au vu du renforcement des coefficients entre

les deux (02) sous-périodes (S/P1 : 2005-2009 et S/P2 : 2010-2016). Le sens de l’évolution à

la baisse entre les 02 S/P du coefficient des variables suivantes : créances en souffrances sur le

total des prêts (cstp), le coefficient d’exploitation (coex) ainsi que la hausse du coefficient de

la variable exprimant la rentabilité (rroe). Celles-ci sont de nature à mettre en exergue une

consolidation de la solidité influencée par le relèvement du niveau du capital réglementaire des

banques. Par ailleurs, la significativité du ratio de solvabilité « dur », pondérée à 100%,

exprimée par la variable fonds propres sur total actif (fpta) est mise à contribution pour

apprécier le renforcement de la solidité par les fonds propres à travers son coefficient de signe

positif attendu (Camara, 2010 ; Blum, 1999 ; Calem et Rob, 1999 ; Shrives et Dahl, 1992).

Hypothèse 2 : Il existe une interaction positive et significative entre la bonne

application de la réglementation prudentielle, notamment celle relative à la gestion

du portefeuille de créances et la solidité des banques.

La modification du seuil de capital réglementaire à la hausse se traduisant par une amplification

du potentiel de distribution de crédits (Calem et Rob, 1999), il est attendu que les prises de

risques soient indexées sur de bonnes signatures en vue de garantir le renforcement de la

solidité. Pour cela, on s’intéresse d’abord au signe positif et à la significativité de la variable

matérialisant l’intermédiation par les crédits distribués, à savoir la proportion des créances

nettes sur le total actif (cnta). Dans la théorie, on devrait s’attendre à une hausse des créances

bancaires. Ensuite, on s’intéresse ex-post, à la proportion des créances en souffrances pour

apprécier la bonne tenue du portefeuille d’actifs (Shrives et Dahl, 1992 ; Berger et al., 1991).

Ainsi une évolution négative et marginale du coefficient de la variable traduisant la proportion

des créances en souffrances sur les fonds propres bancaires (csfp), exprime une bonne tenue du

portefeuille ne se traduisant pas par une érosion importante des fonds propres. La vérification

de cette hypothèse s’appuie, entre autres sur le provisionnement des créances douteuses. La

théorie financière impose aux banques et établissements financiers une meilleure couverture

des créances en souffrance dans le cadre de l’assainissement du portefeuille d’actifs. Berger et

al., (2001) montrent qu’elle constitue une mesure complémentaire du risque, en rapport avec la

pondération des risques pris par les banques. Dans ce contexte, les deux (02) coefficients (cnta

et csfp) sont mis en parallèle pour estimer l’apport au score de solidité.

95

Les variables opérationnalisées conduisant à la validation des hypothèses sont présentées dans

la figure 5.

Figure 5: Opérationnalisation des variables du modèle

Source : Auteur (2019)

Opérationnalisation des

variables traduisant la

Capitalisation bancaire :

- variable exprimant la modification de la réglementation (regl);

- coeff et signe du Z-score;

- décomposition du Z-score en ses 02 composantes: Z1 et Z2 pour les 02 classes

de banques (solidides et défaillantes) ;

- tests d'égalité de la moyenne des scores et de certaines variables (gouvernance et

rentabilité) ;

- consistance du coeff du ratio de solvabilité non ponderée (fpta) et son signe

attendu.

Solidité

bancaire

(exprimée par la consistance du score réalisé)

Opérationnalisation des

variables traduisant la qualité

des actifs :

- niveau de consommation marginale des fonds propres bancaires (coeff et

signe de la variable csfp) ;

- niveau marginal du taux de provisionnement des créances en souffrances (pvcs) au régard du potentiel de distribution du crédit,

occasionné par le relèvement du capital règlementaire des banques

- le relèvement du potentiel de distribution de crédit (fptp) ne se traduit

pas par une augmentation disproportionnée de la dégradation du

portefuille bancaire (cstp)

96

La section suivante fait une présentation de techniques économétriques utilisées, conduisant à

l’analyse empirique des données secondaires issues de nos dépouillements.

SECTION 2. METHODES D’ANALYSE ECONOMETRIQUE SUR DONNEES

DE PANEL ET STATISTIQUES DESCRIPTIVES Les points développés dans les paragraphes suivants se rapportent à la présentation de

l’économétrie des données de panels. Il y est également présenté, les statistiques descriptives

des variables utilisées dans la modélisation.

2.1. Econométrie des données de panel Les études réalisées ces vingt dernières années ont montré que l’économétrie des données de

panel a connu à la fois un vif engouement et un profond renouvellement. Engouement qui s’est

traduit par une véritable explosion du nombre de travaux académiques fondés sur des données

de panel. Il est convenu d’illustrer ce propos, en reprenant les chiffres fournis par Hsiao (2007)

qui montrent qu’en 1986 seules vingt-neuf (29) études empiriques recensées dans la « Social

Science Citation Index » correspondaient aux mots clés « panel data », alors que moins de dix

ans plus tard, sept cent trente et trois (733) études empiriques répondaient à ces mêmes mots

clés (Fouquau, 2008). Comment expliquer une telle évolution et un tel engouement ?

C’est sans conteste la disponibilité accrue des bases de données, tant microéconomiques que

macroéconomiques, qui a permis cette bulle académique, sans ignorer le profond

renouvellement des méthodes et des problématiques de l’économétrie des données de panel

dans ses aspects tant statiques que dynamiques. En effet, la plupart des travaux économétriques

s’intéressant aux phénomènes macroéconomiques, se limitent à des analyses statiques.

Toutefois, l’attention des études récentes est portée sur le recours à une autre analyse dite «

dynamique », pour comprendre les décisions en termes d’instauration d’une politique tant

économique que financière, voire institutionnelle.

Dans la modélisation empirique de notre thèse, il est pris en compte plusieurs variables usuelles

en faisant recours à une analyse dynamique en données de panel. Cependant, comme les deux

approches (statique et dynamique) sont complémentaires d’un point de vue économétrique, on

estime qu’il est utile de les présenter afin de choisir la méthode d’estimation la plus appropriée

possible.

97

Les paragraphes suivant traitent de l’analyse des données de panel statique.

1.6.4. Analyse en panel statique

Dans le modèle statique, l’estimation par la méthode de Moindres Carrés Ordinaires (MCO) de

toutes les données empilées suppose l’homogénéité des banques des pays de l’Union. Ce qui

peut conduire à des estimations biaisées. Les différences structurelles de niveau de la solidité

financière entre les banques justifient la source d’hétérogénéité du modèle et par conséquent,

la non validité de l’hypothèse d’homogénéité. Par ailleurs, il apparait important d’introduire

des variables indicatrices temporelles pour contrôler toutes fluctuations qui affecteraient toutes

les banques. L’économétrie de panel permet de contrôler l’hétérogénéité des observations dans

leurs dimensions individuelles, soit par la prise en compte d’un effet spécifique supposé certain

(effets fixes), soit par la prise en compte d’un effet spécifique non observable (effets aléatoires).

La dimension temporelle est prise en compte par l’introduction de variables muettes.

A cet effet, l’estimation par effets fixes qui utilise les écarts aux moyennes individuelles,

élimine les différences persistantes entre les pays. Cette procédure privilégie la variabilité intra

individuelle. En outre, elle présente également l’avantage de pouvoir identifier et mesurer des

effets, qui ne sont pas directement observables en coupe transversale ou en séries temporelles.

Toutefois, le modèle à effets fixes équivaut à introduire des variables muettes pour chaque

individu et il est par conséquent coûteux en termes de degré de liberté (Greene, 1993 ;

Wooldridge, 2008).

Le modèle à effets aléatoires suppose quant à lui l’indépendance entre le terme d’erreurs qui

prend en compte l’effet spécifique et les variables explicatives. De ce point de vue, la littérature

économétrique propose au moins deux tests pour valider la spécification du modèle : un test de

Chow, qui permet de vérifier l’existence d’un effet individuel (Hsiao, 1986) et un test de

Hausman, qui permet de valider l’exogénéité de l’effet spécifique par rapport aux variables

explicatives (Hausman, 1978).

98

Ainsi, le modèle statique en données de panel se présente comme suit :

'.,0 = 1 + 23.,0 + 4. + 5. + �.,0 �1�

Dans ce modèle les variables sont définies comme ci-après :

'.,0 : La variable endogène, qui représente le score de la banque i pour la période t ; 3.,0 : Le

vecteur des variables exogènes ; 4. : Effet spécifique permettant de contrôler les différences

non observables, qui existent entre les banques ; 5. : Effet temporel permettant de contrôler les

chocs conjoncturels; �.,0 : Erreur aléatoire, indépendamment et identiquement distribuée (��641)

et suivant la loi normale d’espérance nulle �0� et de variance 9:.

Deux des principaux problèmes qui peuvent se poser dans le cadre du modèle à effets fixes et

à effets aléatoires sont les suivants :

pour le modèle à effets fixes, le problème provient de la disposition de variables

spécifiques à chaque banque qui étaient constantes au cours du temps.

pour le modèle à effets aléatoires, le problème provient de l’éventuelle corrélation entre

les variables explicatives et les effets individuels. Cette corrélation traduit l’influence

des spécificités individuelles structurelles (a-temporelles) sur la détermination du

niveau des variables explicatives (Cameron, Gelbach et Miller, 2006).

A la suite des développements ci-avant, nous abordons dans les points ci-dessous, l’analyse en

panel dynamique.

1.6.5. Analyse en panel dynamique

Le modèle dynamique se caractérise par la présence d'une ou de plusieurs variables endogènes

retardées parmi les variables explicatives. Dans notre cas, il y a une seule variable endogène

retardée ('.,0 ;). Ce type de modèle se présente de la façon suivante :

'.,0 = 1'.,0 ; + 23.,0 + �. + �.,0 �2�

41 Variables indépendantes et identiquement distribuées

99

Avec, '.,0 la variable endogène ; 3.,0 les variables exogènes ; 1 �� 2 sont les paramètres

d’estimation ; �. est l'hétérogénéité individuelle. C’est un �. �. 6 suivant une loi normale de

paramètre 0 et 9,: et �.,0 le terme d’erreur qui est aussi un �. �. 6 suivant une loi normale de

paramètre 0 et 9=:. Cette approche à l’avantage par rapport aux données en coupe transversale,

parce qu’elle tient compte de deux effets :

l’effet temporel des séries qui permet de contrôler les chocs conjoncturels frappant les

banques et ;

l’effet spécifique permettant de surveiller les différences non observables, qui existent

entre les différentes banques.

De même, la méthode peut être considérée comme l’un des meilleurs moyens pour expliquer

au phénomène de défaillance bancaire car elle fournit des informations dynamiques pour un

grand nombre de banques. Ainsi, après un large brossage des études empiriques et après avoir

examiné les différentes variables susceptibles d’expliquer la solidité, nous avons fait le choix

du panel dynamique pour mieux expliquer le phénomène étudié. Ce choix s’explique au vu des

travaux empiriques et du choix méthodologique relatifs à la validité des hypothèses mobilisant

des données financières bancaires.

C’est à l’aune de toute ces présentations que nous abordons le modèle estimable dont le

développement suit.

1.6.6. Le modèle estimable

On rappelle que la thèse cherche à expliciter la solidité des banques de l’UEMOA. C’est une

analyse fondée sur la qualité de portefeuille et le niveau de capitalisation des banques de

l’Union. En effet, si l’on considère '.,0 comme l’indicateur du risque de défaillance bancaire

(nommé '_>���� .,0), ��.,0 l’ensemble des variables d’intérêt de la banque et 3.,0 un ensemble

des variables de contrôle, le modèle de base s’écrit sous la forme :

'.,0 = 1. + ?.��.,0 + �.'.,0 + 4.,0 �3�

100

�A�� 4.,0 �>� BC �. �. 6. ⟶ E�0; 9G:� ; ∀ � ∈ J1, EK, ∀ � ∈ J1, LK.

Sur le plan économétrique, le test de spécification consiste en premier lieu à préciser la

possibilité de supposer une fonction de la solidité bancaire totalement identique pour toutes les

banques (modèle pooled). Autrement dit, les élasticités des variables d’intérêt, des autres

variables de contrôle et même les facteurs spécifiques �?. = ?, �. = � �� 1. = 1� sont

identiques pour toutes les banques de l’Union. Si l’hypothèse d’homogénéité totale est rejetée,

il convient alors de tester si les élasticités des différents facteurs sont identiques. Si tel n’est pas

le cas, le recours à l’approche en données de panel ne se justifie pas et peut même conduire à

des estimations biaisées. Les estimations se font généralement banque par banque.

Dans la pratique, 1. mesure l’effet spécifique individuel qui renseigne sur l’hétérogénéité

individuelle non observée mais invariante dans le temps tel que, ��1.� = 0 �� ��1.:� = 9M:.

Si l’on suppose qu’il existe une relation identique entre la solidité bancaire et les variables

explicatives pour toutes les banques, le problème d’hétérogénéité du modèle peut provenir des

constantes 1.. Or, rien ne garantit que les banques de la zone UEMOA possèdent les mêmes

caractéristiques de fonctionnement.

La robustesse d’une analyse économétrique étant essentiellement indexée sur la qualité des

estimations réalisées, nous ne saurons terminer sans y faire un focus, abordée dans les

paragraphes qui suivent.

1.6.7. Technique d’estimation : le GMM en système de Blundell et

Bond (1998)

Avant d’aborder la technique d’estimation, on définit '.,0N comme le vecteur des O variables

exogènes incluant les variables d’intérêt (��.,0) et les autres variables de contrôle pertinentes

�X.,0�. Ainsi, 3.,0N = �3;.,0, 3:.,0, 3Q.,0, … , 3&.,0� ; S&.,0 indiquant la O.èU= variable

explicative pour l’individu � à la date �. L’hypothèse d’orthogonalité implique clairement que

�V3.,0N 1.W = 0 �� �V3.,0N 4.,0W = 0. De façon explicite, 3.,0N = X��.,0; 3.,0Y peut se réécrire

comme ci-après :

'.,0 = 1. + Z.'.,0 ; + 3.,0N �. + 4.,0 �4�

101

En fonction du type d’homogénéité individuelle et/ou temporelle, puis compte tenu du retard

de la variable endogène dans les régresseurs, différentes difficultés d’estimation peuvent

émerger et différentes méthodes permettent d’obtenir des estimateurs sans biais et consistants.

Hsiao (2003) expose les principales questions relatives au panel dynamique. Sous l’hypothèse

d’homogénéité des paramètres des régresseurs ��. ≠ �\ �� Z. ≠ Z\� et d’hétérogénéité

individuelle 1. ≠ 1\ , la relation (5) prend une forme courante dans la littérature, pour laquelle,

la spécification du panel peut être estimée avec les inférences classiques.

Outre les problèmes d’hétérogénéité individuelle et temporelle classiques dans les modèles

statiques, l’hypothèse de stricte exogénéité des régresseurs est violée, lorsque la variable

endogène retardée devient explicative, étant donné la corrélation avec les effets spécifiques

individuels. C’est pourquoi, l’estimateur GMM en différences premières d’Arellano et Bond

(1991) considère pour chaque échantillon (sous échantillon), la première différence de

l’équation (5) afin d’en éliminer les effets spécifiques individuels.

L’équation devient alors :

∆Z.,0 = 1. + Z.∆Z.,0 ; + ∆3.,0N �. + ∆4.,0 �5�

Où ∆ indique l’opérateur de différence.

Blundel et Bond (1998) montrent qu’un estimateur GMM en système est plus performant que

celui en différences premières qui donnerait des résultats biaisés dans des échantillons finis

avec des instruments faibles, notamment lorsque |Z| ⟶ 1. Etant donné la taille de

l’échantillon d’analyse, la spécification GMM en système est donc retenue avec le système

formé des équations (5) et (6).

�abb : d '.,0 = 1. + Z.'.,0 ; + 3.,0N �. + 4.,0 ∆Z.,0 = 1. + Z.∆Z.,0 ; + ∆3.,0N �. + ∆4.,0 �6�

Alors que les instruments dans la première équation sont en différence, ils sont en niveau dans

la seconde (Arellano et Bover, 1995). La validité des instruments et du modèle se vérifie avec

le test de corrélation sérielle des résidus dont l’existence invalide l’instrument (Arellano et

Bond, 1991). Les tests de Sargan (1958) pour l’ensemble des instruments et Hansen (1982).

Dans les développements suivant, nous faisons une présentation des statistiques descriptives

des variables de la modélisation.

102

2.2. Statistiques descriptives des variables du modèle

L’échantillon de l’étude est constitué de soixante-neuf (69) banques installées et dûment

agréées par la BCEAO sur la période d’analyse (2005-2016), couverte par l’application du

premier accord de Bâle (ratio Cooke). Les différentes réformes de la réglementation du capital

visent essentiellement à mieux prendre en compte les risques liés aux activités des banques, en

les contraignant à détenir suffisamment de fonds propres pour amortir les chocs ressentis sur le

marché de l’intermédiation. Dans cette veine, nous nous proposons de faire une description

statistique des variables de la modélisation.

103

Nous rappelons dans le tableau 10, le résumé des variables utilisées dans la modélisation ainsi qu’une brève définition comme ci-dessous :

Tableau 10 : Synthèse des variables du modèle d’analyse et brève définition

Sigle Définition des variables de la modélisation Z-score La variable à expliquer ; elle mesure la solidité bancaire

regl Variable dummy traduisant l’évolution du cadre réglementaire. Elle est codée en binaire 0 (avant modification) et 1 (après modification).

fptp

C’est le rapport entre les fonds propres et le total des prêts consentis et permet de quantifier le niveau des ressources propres affectées à l’activité d’intermédiation à travers la politique de distribution de crédits.

fpta

Il est obtenu par le rapport entre les fonds propres et le total bilanciel. C’est un ratio qui permet de connaître la part de l'actif financé par les capitaux propres et de mieux évaluer la solidité bancaire tout en mesurant les sources de financement des actifs.

rroe Il est obtenu par le rapport entre le résultat net et les fonds propres. Ce ratio mesure l’efficience avec laquelle les banques font de leur exploitation, notamment l’usage des fonds mis à leur disposition par les actionnaires.

cstp Ce ratio est obtenu par le rapport des créances en souffrances sur le total des prêts. Il est encore connu sous le nom de taux brut de dégradation du portefeuille. Plus il est élevé, moins bonne est la qualité des créances octroyées.

rroa Ce ratio mesure la rentabilité de l’exploitation en fonction de l’ensemble des moyens mis en œuvre et est obtenu par le rapport entre le résultat net et le total bilan.

pvcs C’est le rapport entre les provisions constituées et le total des prêts en souffrances consentis. Il constitue un indicateur du coût du risque et sert à détecter la qualité du portefeuille, c’est-à-dire la bonne ou mauvaise tenue du portefeuille des créances bancaires.

csfp C’est le rapport entre les créances en souffrances et les fonds propres. Une augmentation de ce ratio traduit une détérioration de la qualité du portefeuille de créances et/ou une diminution des fonds propres.

dstp Il s’obtient par le rapport entre les dépôts et le total des prêts. Encore appelé ratio de transformation, il permet de mesurer le seuil de couverture des prêts sur la base des ressources émanant des épargnants.

tail La taille, mesurée par le logarithme népérien du total bilan. Elle peut influencer les décisions de capitalisation et le risque de défaillance. Son influence sera abordée dans les analyses par groupe bancaire pour apprécier la concentration bancaire.

cnta Il mesure les crédits nets sur le total actif, encore appelé ratio d’intermédiation bancaire

coex Il est obtenu par le rapport entre les charges d’exploitation et le PNB. C’est un indicateur de gestion dont le coefficient devrait être le plus bas possible pour traduire une maîtrise des charges.

vpib La croissance économique, mesurée par le PIB favorise l’augmentation du pouvoir d’achat des ménages. Cette situation les amène à solliciter les banques en vue de bénéficier de crédits. En période de récession, ces derniers recentrent prioritairement leurs revenus à la satisfaction des besoins vitaux.

vinf Cette variable mesure le taux d’inflation. Le taux d’inflation est considéré dans la littérature économique et financière comme étant un indicateur de vulnérabilité macroéconomique. Un niveau d’inflation faible augmente la confiance des investisseurs.

Source : Auteur (2019), sur la base de la revue littéraire

104

Nous présentons dans le tableau 11, les caractéristiques des différentes variables du modèle

d’analyse. Les statistiques descriptives concernent les mesures de tendance centrale (moyenne

et médiane) et de dispersion (écart type), ainsi que les indicateurs de la forme de la distribution

(kurtosis ou encore coefficient d’aplatissement).

105

Tableau 11 : Synthèse des statistiques de l’ensemble des variables utilisées dans la modélisation

Indicateurs Z-score fpta dstp cnta pvcs Csfp rroe fptp rroa coex cstp vpib vinfl

Moyenne 6,001 0,103 1,525 0,476 3,992 0,558 -0,014 0,252 -0,003 1,234 0,194 0,047 0,026

Médiane 3,690 0,095 1,087 0,496 1,575 0,248 0,112 0,165 0,010 0,708 0,154 0,048 0,023

Écart-type 6,826 0,156 2,198 0,420 8,486 3,327 2,608 1,722 0,060 7,670 0,158 0,027 0,031

Variance de l'échantillon 46,590 0,024 4,831 0,177 72,017 11,070 6,803 2,965 0,004 58,825 0,025 0,001 0,001

Coefficient d'aplatissement 1,427 29,732 41,374 164,295 31,365 85,420 146,780 723,027 19,422 767,189 2,529 1,045 0,644

Coefficient d'asymétrie 1,180 -1,487 6,114 10,729 5,057 4,809 -8,367 26,163 -2,131 27,253 1,517 -0,274 0,728

Minimum -8,666 -1,382 0,000 -0,746 0,000 -26,830 -41,291 -1,780 -0,402 -1,611 0,000 -0,044 -0,043

Maximum 39,002 1,178 22,801 7,658 79,681 48,032 23,139 48,081 0,470 217,500 0,874 0,118 0,140

Nombre d'échantillons 828 828 828 828 828 828 828 828 828 828 828 828 828

Source : Auteur (2019), sur la base d’un dépouillement sur Excel

(*) Les valeurs moyennes du tableau 22 sont pondérées en fonction des observations.

106

1.6.8. La variable à expliquer (Z-score)

Le Z-score moyen s’élève à 6,001. On note particulièrement une grande disparité entre les pays

de l’échantillon avec un minimum de -8.67 et un maximum de 39 (Cf. figure 20). Le score

médian affiche 3,69. Ce qui signifie que plus de la moitié des banques a un score au-dessus de

3, 69, tandis que l’autre moitié a un score en dessous. Par ailleurs, la distribution des différents

scores enregistrés par les banques est étalée vers la droite, puisque la moyenne est supérieure à

la médiane. Cette situation signifie que la distribution n’est pas symétrique. Le tableau 12

synthétise les statistiques descriptives des scores moyens par pays.

Tableau 12 : Score moyen par pays

Pays Moyenne Médiane Ecart-type Min Max

Bénin 1,14 0,31 1,43 -0,34 4,31 Burkina 3,25 4,74 3,88 -4,31 10,32 Côte d'Ivoire 8,73 8,33 9,42 -8,67 39 Guinée Bissau 1,56 1,25 1,61 -0,37 5,03 Mali 3,79 3,3 2,77 -1,27 10,43 Niger 5,72 3,86 4,99 -3,52 16,2 Sénégal 12,5 14,13 6,03 0,78 23,6 Togo 4,28 0,48 4,06 -1,58 15,28

Source : Auteur (2019), extrait de dépouillement sur Excel

Une volatilité subsiste entre la moyenne et la médiane. L’évolution des moyennes suit une

tendance erratique et permet un regroupement en deux (02) groupes de pays. Pour le Burkina,

la Côte d’Ivoire, la Guinée Bissau et le Mali, les moyennes sont proches des médianes, ce qui

démontre que les distributions sont symétriques pour ces pays sur la période considérée. Par

ailleurs, deux blocs de pays se dégagent en comparant toujours les moyennes et les médianes.

Il ressort que les scores moyens de six (06) pays (Bénin, Côte d’Ivoire, Guinée Bissau, Mali,

Niger et Togo) sont au-dessus des médianes calculées, ce qui revient à avoir une distribution

étalée vers la droite. En ce qui concerne le Burkina et le Sénégal, les médianes calculées sont

au-dessus des scores moyens réalisés. Cette situation correspondrait à une distribution étalée

vers la gauche. Le Sénégal et la Côte d’Ivoire ont un score moyen se situant au-dessus de la

moyenne communautaire (6,001) avec respectivement 12,5 et 8,73.

107

Les figures 6 illustrent mieux la dispersion des scores enregistrés par pays et par années.

Figure 6 : Volatilité des Scores enregistrés par pays et par période

Source : Auteur (2019), dépouillement sur Stata 14.

1.6.9. Les variables explicatives

Les valeurs prises par la médiane de quatre (04) des douze (12) variables explicatives (cnta,

rroe, rroa et vpib) sont au-dessus de celle de la moyenne. Pour ces différentes variables, la

distribution est étalée vers la gauche, à l’opposé des huit (08) autres variables dont l’étalement

des distributions est à droite, à l’image de celle de la variable à expliquer (Z-score moyen). Le

tableau 13 présente l’évolution des variables exprimant la rentabilité par pays.

Tableau 13: Evolution des variables de rentabilité

Moyenne Pays rroa rroe Coex

Bénin -1% 14% 96% Burkina 0% -2% 67% Côte d'Ivoire -1% 12% 111% Guinée Bissau -3% -7% 129% Mali 0% 13% 315% Niger 0% -7% 116% Sénégal 1% 6% 74% Togo 0% 7% 90%

Source : Auteur (2019), extrait de dépouillement

Les moyennes affichent respectivement -3%, -1,4% et 123%. La dégradation de la rentabilité

est le fait d’une forte disparité du coefficient d’exploitation (coex) dont l’étendue affiche 219%.

Cela est le reflet d’un niveau de charges d’exploitation élevé par proportion du PNB. La forte

-10

01

02

03

04

0z_

sco

re

BN BF CI GB ML NG SN TG

95% CI Fitted values

z_score

-10

01

020

3040

z_sc

ore

2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016

95% CI Fitted values

z_score

108

disparité existante sur le coex est le fait essentiellement de quatre (04) pays pour lesquels le

taux est au-dessus de 100% (Mali : 315%, Guinée Bissau : 129%, Niger : 116% et Côte

d’Ivoire : 111%). Le coefficient moyen le plus bas est relevé au Burkina (67%), suivent ensuite

le Sénégal (74%), le Togo (90%) et le Bénin (96%).

CONCLUSION PARTIELLE

La période concernée par la recherche, nous a permis de constituer des données de panels

cylindrés en distinguant deux (02) S/P, constituées par un échantillon de soixante-neuf (69)

banques sur la période 2005-2016. Cette temporalité nous a permis d’atteindre un nombre

relativement important d’observations pour mieux cerner le comportement de l’environnement

bancaire d’alors, c’est-à-dire suivant la réglementation Bâle 1.

Dans la modélisation empirique de la présente thèse, il est pris en compte plusieurs variables

usuelles en recourant à une analyse dynamique en données de panel42. A partir des tendances

observées des variables du modèle, nous constatons des tendances faisant apparaitre 02 sous-

périodes qu’il convient de prendre en compte dans le cadre des analyses, à savoir :

- la sous-période 2005-2009, marquée par le seuil de capital réglementaire qui s’élève à

1 Md FCFA;

- la sous-période 2010-2016, marquée par l’application du seuil réglementaire de capital

social de 5 Mds FCFA.

Nous adoptons une démarche hypothético-déductive dans le cadre de la présente thèse. Afin de

tester nos hypothèses, nous avons constitué une méthode d’analyse à partir de l’annuaire

statistique des banques agréées par la BCEAO et disposant de données continues sur la période

2005-2016 pour l’ensemble de l’UEMOA. Les données quantitatives micro financières

bancaires sont issues d’une compilation des différents rapports de la Commission Bancaire sur

la période de référence de l’étude (2005-2016). Les données macroéconomiques sont extraites

de la base de données statistique de la BCEAO et de la Banque Mondiale.

42 Ces différentes variables évoluent différemment suivant les deux (02) S/P.

109

L’ensemble des données de l’étude constituent des données de panel. Elles correspondent aux

données croisées ayant deux dimensions : individuelle et temporelle en rapportant les valeurs

des variables concernant un ensemble d’individus sur une suite de périodes. L’individu dont il

est question ici représente les banques exerçant dans l’espace UEMOA.

Nous recourons aux données statistiques et les analysons en montrant l’évolution du système

bancaire. L’objectif recherché étant de mettre en exergue l’historique des indicateurs de

performance des banques. Au moyen des analyses bivariées, nous vérifions l’existence ou non

de liens entre les variables exogènes et la variable endogène du modèle choisi.

110

DEUXIEME PARTIE :

MODELISATION EMPIRIQUE ET ANALYSE DE LA SOLIDITE BANCAIRE

111

La deuxième partie portant sur la modélisation

empirique et l’analyse de la solidité est traitée en

deux (02) chapitres.

Au troisième chapitre, nous faisons une analyse

exploratoire de la performance du système bancaire

à travers la relation solidité, portefeuille et fonds

propres. Les différents indicateurs de performances

analysés nous permettent de capter les composantes

du proxy Z-score, notre indicateur de solidité par une

présentation spécifique des données bancaires issues

de l’échantillonnage de l’étude.

Dans le quatrième chapitre, nous faisons une analyse

approfondie des résultats de la modélisation, sous

forme de discussions. Cela passe dans un premier

temps par des estimations et différents tests

économétriques, en vue de capter les éventuelles

relations entre la solidité bancaire, les fonds propres

et le portefeuille de créances. A la suite, nous passons

à la validation de nos hypothèses de recherche, en

nous appuyant d’une part, sur les travaux

empiriques antérieurs et d’autre part, la théorie

économique et financière.

112

CHAPITRE 3. ANALYSE EXPLORATOIRE DE LA PERFORMANCE DU SYSTEME

BANCAIRE DE L’UMOA

Le système bancaire de l’UMOA affiche un changement considérable depuis ces deux (02)

dernières décennies. Ceci s’inscrit dans un contexte marqué par la mondialisation des services

financiers, insufflés de plus en plus par la concurrence et la conquête de niches par les groupes

bancaires. Les grandes banques43 en réseaux intervenant sur le marché bancaire de l’UMOA

sont des filiales des groupes bancaires français, marocains, nigérians, libyens et Burkinabé. Ces

groupes ont fait leur entrée sur le marché, entre autres, par le vent de la libéralisation, le retrait

des Pouvoirs Publics de la gestion des banques et établissements financiers et les différentes

réformes entreprises par la BCEAO. Ces réformes ont donné un élan à l’essor de la

bancarisation dans les différents pays de l’UEMOA.

La libéralisation devrait amener les banques à définir leur champ d'activités en vue de satisfaire

aux exigences de l'efficience, notamment en termes de rentabilité et de relèvement de part de

marché.

Ce chapitre qui s’articule autour de deux sections s’appuie sur des données secondaires pour

faire une analyse exploratoire de la situation des banques au plan systémique et de façon

intrinsèque. Il pose les jalons et facilite la lecture des résultats de la modélisation qui suit dans

le dernier chapitre. Ainsi, nous présentons, dans une première section, le contexte de la solidité

des banques en se fondant sur les réalités et les défis. Ensuite, nous faisons une analyse de la

capacité de résilience des banques. Cela nous conduit à calculer et analyser les indices de

défaillances des différentes banques et mener une classification suivant la valeur du score

réalisé.

43 Voir détail dans le tableau 4 : les banques par affiliation à un groupe

113

SECTION 1 : CONTEXTE DE LA SOLIDITE DES BANQUES : REALITES ET

DEFIS

Cette section fait un aperçu de l'environnement bancaire de l’UMOA. Elle traite non seulement

de la microstructure, mais aussi de la performance financière du secteur bancaire. La

performance dont il est question, est structurelle et opérationnelle. Elle part de la structure du

capital, de la profondeur du marché ainsi que la capacité de pénétration des banques en se

fondant sur les ressources et les emplois bancaires.

1.1. Microstructure des banques de l’UEMOA

Dans ce paragraphe, nous présentons dans un premier temps la répartition géographique des

banques. Puis dans un deuxième temps, nous faisons une présentation par groupe bancaire et

terminons par la répartition des banques selon le total bilanciel.

1.1.1. Répartition géographique des banques

Le système bancaire et financier de l’UEMOA comptait au 31 décembre 2016, cent trente une

(131) banques et établissements financiers. Dans cette statistique, les établissements financiers

à caractère bancaire représentent seulement 12,76%.

Tableau 14 : Répartition géographique des banques

Pays Nombre Banques Succursales

bancaires Etablissements

financiers Bénin 14 3 0 Burkina 13 2 4 Côte d’Ivoire 25 3 2 Guinée Bissau 4 2 0 Mali 13 1 3 Niger 11 3 1 Sénégal 23 4 3 Togo 13 2 2 Total 116 20 15

Source : extrait des données de la CBU au 31.12.2016

114

En fin décembre 2016, on dénombre au total cent-seize (116) banques en activités dont la

répartition est la suivante :

- soixante-six (66) banques internationales ;

- quarante-sept (47) banques sous régionales ;

- trois (03) banques mutualistes.

1.1.2. Répartition par groupe bancaire

Au 31 décembre 2016, vingt-sept (27) groupes bancaires exercent dans l’Union dont une

douzaine se partagent environ 68% du marché. Ils sont constitués de soixante-treize (73)

établissements de crédit. Les deux (02) premiers sont Ecobank et Banque Of Africa (BOA) avec

respectivement 15% et 11% de part de marché.

Le détail des groupes bancaires en activité dans l’UMOA, détenant chacun au moins 3% des

actifs du système bancaire ressort au tableau 15.

Tableau 15: Répartition des banques par affiliation à un groupe

N° Principaux groupes Maison-mère Nombre d’Ets (*)

Part de marché

1 Ecobank Togo 8 15% 2 Bank Of Africa (BOA) Maroc 8 11% 3 Atlantic Business International (ABI) Maroc 8 9% 4 Société Générale France 5 8% 5 Attijariwafa bank Maroc 9 4% 6 BNP Paribas France 4 4% 7 Coris Bank Internationale (CBI) Burkina 4 4% 8 Oragroup Togo 8 4% 9 Banque Sahélo-Saharienne pour

l’Industrie et le Commerce (BSIC) Libye 7 4%

10 Diamond Bank Nigeria 4 3% 11 United Bank for Africa (UBA) Nigeria 4 3% 12 Banque de Développement du Mali

(BDM) Mali 4 3%

Total 73 68% Source : Extrait des données de la CBU au 31.12.2016 (*) Etablissements

115

Les banques internationales dominent le marché avec environ 58% des actifs bancaires. Ces

banques couvrent 51% du réseau d’agences et détiennent 52% des comptes bancaires. Les

banques sous régionales quant à elles cumulent environ 40% de part de marché et 46% des

comptes de la clientèle.

1.1.3. Répartition selon la taille bilancielle

Le secteur bancaire de l’UMOA se développe à un rythme rapide, dépassant dans certains cas

les prévisions en termes de volume d’activités. À la lumière des informations bilancielles des

dix (10) derniers exercices, le total bilan44 agrégé du secteur a plus que triplé, passant de 7 610

Mds FCFA en 2006 (27% du PIB) à 32 658 Mds FCFA en 2016 (55% du PIB), en augmentation

de 16% par rapport à fin 2015.

Tableau 16 : Répartition du total bilanciel par pays

Pays

Total Bilan

MFCFA Part de marché

Bénin 3 578 645 11%

Burkina 4 422 690 14%

Côte d'Ivoire 9 736 471 30%

Guinée Bissau 240 956 1%

Mali 4 346 449 13%

Niger 1 391 621 4%

Sénégal 6 336 178 19%

Togo 2 561 483 8%

Total 32 658 264 100%

Source : Extrait des données de la CBU au 31.12.2016

Nous remarquons une évolution erratique de l’indicateur portant sur la profondeur du secteur

bancaire (mesuré par le total bilanciel). La Côte d’Ivoire, le Sénégal et le Burkina, avec

respectivement des parts de marché de 30, 19% et 14%, se démarquent des autres pays. Ce taux

ressort à seulement 4% pour le Niger et 1% pour la Guinée Bissau. Ces deux derniers pays ont

44 Souvent utilisé dans les études bancaires pour mesurer la profondeur du marché.

116

le secteur bancaire le moins développé de la sous-région. A titre illustratif, la Guinée-Bissau

compte seulement quatre (04) banques au 31.12.2016.

Sur la base de ces constats, l’évolution du total bilanciel s’explique entre autres, par le

dynamisme de l’activité d’intermédiation, marquée par une hausse des créances et des dépôts.

En effet, les dépôts et les en-cours de crédits octroyés, suivent une même tendance haussière,

passant du simple au triple sur une décennie (2006 et 2016). L’évolution des dépôts s’élève à

219% et les en-cours de crédits affiche 214%, par rapport à ce qu’il représentait en 2006.

Nous présentons dans la figure 7, l’évolution de la taille bilancielle par pays de l’UMOA pour

les années 2005, 2010 et 2016.

Figure 7 : Evolution de la taille bilancielle

Source : Auteur (2019)

Il ressort de la figure 7 que tous les pays de l’UEMOA ont connu une accélération remarquable

en termes de profondeur financière. La Côte d’Ivoire a observé, entre 2005 et 2016, la plus forte

progression. Sur la période 2010-2016, le Togo a connu la meilleure progression avec 66%

suivi du Burkina (64%) et vient ensuite la Côte d’Ivoire (63%). Par contre sur la période 2005-

0

2 000 000

4 000 000

6 000 000

8 000 000

10 000 000

12 000 000

Bénin Burkina Côte d'Ivoire Guinée

Bissau

Mali Niger Sénégal Togo

Evolution du Total Bilan (MFCFA)

2005 2 010 2016

117

2010, la Guinée Bissau a connu la plus forte progression de la taille bilancielle (77%) suivie

par le Niger (64%).

Nous présentons dans les points suivant les performances structurelles issues de l’exploitation

des banques de l’UEMOA.

1.2. Performances structurelles

L’accord sur les fonds propres issus de la réglementation de Bâle 1 s’est essentiellement fixé

deux (02) objectifs fondamentaux à savoir : le renforcement de la solidité bancaire

internationale et l’uniformisation de la présentation de la situation patrimoniale des banques

afin de faciliter la comparabilité des états financiers quel que soit le pays d’origine.

La CBU s’en est inspirée, lors de sa création tout en y ajoutant des spécificités propres aux

différentes économies de l’Union. Entre 1990-2007, le capital réglementaire des banques de

l’UEMOA était fixé à un montant de 1 Mds FCFA.

Le tableau 17 récapitule la situation agrégée de quelques ratios prudentiels du paysage bancaire

de l’UEMOA :

118

Tableau 17: Quelques indicateurs du système bancaire de l'UEMOA

Nombre de

banques Retrait

d'agréments Administration

provisoire

Respect de la réglementation du

capital Couverture risques

Limitation des participations et immobilisations

années nombre (*) nbre nbre nbre proportion nbre proportion nbre proportion

2005 92 0 0 69 75% 66 72% 63 68%

2006 95 0 0 75 79% 75 79% 74 78%

2007 97 1 1 71 73% 72 74% 74 76%

2008 97 2 1 75 77% 80 82% 73 75%

2009 95 1 1 50 53% 69 73% 68 72%

2010 100 0 2 76 76% 83 83% 77 77%

2011 103 0 2 78 76% 82 80% 81 79%

2012 105 0 2 81 77% 82 78% 86 82%

2013 114 0 5 82 72% 87 76% 88 77%

2014 108 1 6 78 72% 96 89% 93 86%

2015 115 0 6 57 50% 88 77% 98 85%

2016 116 0 4 72 62% 101 87% 98 84% Source : Auteur (2019), données retraitées de la CBU

119

Les valeurs prises par les ratios prudentiels des pays de l’UEMOA sont parmi les plus faibles

comparées à d’autres pays africains (FMI, 2015).

Pour le FMI, il est inférieur au ratio minimal exigé de 8 % dans la moitié des pays, si l’on s’en

tient au capital réglementaire de 10 Mds FCFA. Des simulations effectuées lors de son stress

test de 2015, le ratio Cooke ajusté ressort comme suit : Bénin : 4,2 % ; Togo : 6,0 % ; Côte

d’Ivoire : 7,7 % ; Burkina Faso : 7,98 %. La valeur moyenne projetée de ce ratio pour la zone

représente pratiquement la moitié de celui observé dans les pays subsahariens comparables.

Toujours selon le FMI, 10 % des établissements bancaires de l’UEMOA affichaient à la même

période des fonds propres négatifs. Un quart (1/4) des banques n’observait pas l’exigence

minimale de fonds propres. Par ailleurs, la moitié d’entre elles ne se conformait pas à la

limitation des engagements envers un emprunteur unique. Ce qui tient en partie à l’absence de

diversification économique et à la concentration des crédits sur les mêmes acteurs économiques

dans les différents pays. La qualité des actifs est également problématique, si l’on se réfère au

taux relativement élevé de prêts non productifs (15,7 % du total des prêts), assujettis à des règles

de provisionnement moins exigeantes et en retrait des bonnes politiques.

Les résultats ci-avant présentés contrastent avec les performances relevées par la CBU dans son

rapport annuel de 2016, avec seulement deux (02) places bancaires (Côte d’Ivoire : 7,9% et

Togo : 5,8%) ne respectant pas le ratio de solvabilité.

Pour mieux apprécier les règles de solvabilité, nous nous sommes intéressés à trois (03) autres

ratios qui sont utilisés dans les études de solvabilité bancaire (détail au tableau 16). Cette

démarche nous a permis de mettre en exergue le comportement des banques face à l’évolution

de leurs fonds propres et d’en déduire les répercussions sur l’intermédiation bancaire.

Le numérateur de ces différents ratios utilise les fonds propres bancaires constitués du capital

réglementaire et des réserves.

Les travaux empiriques traitant de la réglementation du capital en lien avec les politiques

prudentielles des banques s’appuient généralement sur la mesure de l’intensité capitalistique

exprimée par le rapport entre le capital et les actifs (Shrieves et Dahl, 1992 ; Guidara, 2013 ;

Lee et Hsieh, 2013). Le bon ou mauvais dénouement du crédit peut avoir des incidences sur la

qualité des fonds propres. Selon l’OHADA, en cas de pertes d’exploitation, la valeur

120

correspondante est reportée sur les exercices suivants et vient éroder les fonds propres. A cela,

une réserve spéciale de 15% est constituée sur le bénéfice distribuable (PCB, 1990).

Dans les paragraphes qui suivent, nous présentons successivement l’évolution des ratios

caractéristiques traduisant : (1) la réglementation du capital ; (2) la couverture des risques et (3)

la limitation des participations et l’acquisition des immobilisations par les fonds propres

bancaires.

1.2.1. Evolution de la réglementation du capital social

La norme de réglementation du capital imposait aux banques de détenir un niveau de capital

social de 1 Md FCFA. Cette norme a suivi une évolution dans l’espace temporel entre l’entrée

en vigueur de la régulation communautaire (1990) et la principale modification intervenue lors

de la réunion du Conseil des Ministres de l’UEMOA, tenue le 17 septembre 2007.

Dans l'optique de la promotion d'un système bancaire financièrement solide, le capital social

des banques est passé de 1 à 10 Mds FCFA 45en vue de contribuer efficacement au financement

du développement économique des différents pays. Par avis en date du 2 novembre 2007, la

BCEAO a précisé les conditions de réalisation de l’augmentation du capital réglementaire en

deux (02) phases. Ainsi, le capital social minimum a été porté, dans un premier temps, à 5 Mds

FCFA à compter du 1er janvier 2008, tout en faisant appliquer les nouveaux seuils lors de

l’instruction de nouvelles demandes d'agréments introduites à compter de la date d'entrée en

vigueur de la mesure tandis que les banques en activités devraient s’y conformer au plus tard le

31 décembre 2010. La date d’application de la seconde phase, visant à faire porter le seuil

minimum de la réglementation du capital à 10 Mds FCFA a pris effet depuis le 1er juillet 2017.

Les différentes réformes entreprises rentrent dans le cadre de la mise à jour de la réglementation

bancaire qui y a intégré les améliorations insufflées par le Comité Bâlois en charge de la

réglementation bancaire. La mise en œuvre de cette réforme a visé également l’assainissement

du portefeuille ainsi que la résorption des pertes accumulées par les banques vulnérables, qui

ont été invitées à prendre des dispositions idoines pour respecter les différentes règles

45 Décision prise par le Conseil des Ministres de l'Union Monétaire Ouest Africaine, en sa session ordinaire du 17 septembre 2007.

121

prudentielles applicables. Tout cela explique, la prise en compte de leur problème par le différé

accordé par le régulateur aux banques pour la remise à niveau des fonds propres.

Les fondements de ces dispositions étant la consolidation du système bancaire de l’UMOA,

notamment, une amélioration sensible des FPR à même d’assurer la solvabilité bancaire. Par la

même occasion, nous analysons les répercussions directes du dispositif prudentiel relatif aux

fonds propres, à savoir : la division des risques et la limitation des fonds propres dans les

participations et le financement des investissements.

Dans les analyses qui suivent nous allons nous positionner sur deux (02) sous-périodes, avant

(2005-2009) et après la mise en œuvre de la réforme (2010-2016).

Ainsi, avant l’entrée en vigueur de la modification de capital (2005-2009) qui était à 1 M FCFA,

en moyenne :

- 71% des banques respectaient les normes prudentielles se rapportant à la réglementation

du capital ;

- 76% des banques respectaient la couverture des risques ;

- 74% des banques respectaient la limitation des participations et immobilisations,

adossée aux fonds propres.

Suite à l’entrée en vigueur de la réglementation du seuil de capital social à 5 Mds FCFA, en

moyenne :

- 69% des banques respectaient les normes prudentielles se rapportant à la réglementation

du capital ;

- 81% des banques respectaient la couverture des risques ;

- 82% des banques respectaient la limitation des participations et immobilisations,

adossée aux fonds propres.

122

Le détail de l’évolution des ratios prudentiels traduisant la solvabilité par sous-période est

présenté ci-après :

1.2.1.1. Sous-période 2005-2009

Comme indiqué ci haut (tableau 16), sur cette sous-période, 71% des banques respectaient

l’exigence du capital réglementaire de 1 Mds FCFA. En fin décembre 2005, soixante-neuf (69)

banques (soit 75% du système bancaire) sur un total de quatre-vingt-douze (92) en activités, se

conformaient au seuil réglementaire contre à peine cinquante (50) au 31 décembre 2009,

représentant seulement 53% des banques en activités.

1.2.1.2. Sous-période 2010-2016

Il ressort de cette sous-période que 69% des banques respectent l’exigence du capital

réglementaire qui est passé de 1 à 5 Mds FCFA, soit une baisse de 2 points de pourcentage.

L’augmentation du seuil de capitalisation, même différée afin de permettre aux banques

vulnérables de s’y conformer, ne s’est pas traduite par un respect strict de la norme de

capitalisation. En fin décembre 2010, soixante-treize (73) banques (soit 76% du système

bancaire) sur un total de cent (100) en activités, se conforment à cette disposition contre

soixante-onze (71) banques au 31 décembre 2016 sur un total de cent-seize (116) banques en

activités.

Sur cette sous-période, en moyenne 18% des banques de l’Union ne respectent pas ce dispositif

prudentiel relatif au capital réglementaire. En fin décembre 2010, vingt-quatre (24) banques ne

se conformaient pas à la disposition contre trente-quatre (34) en 2016. A cette même période,

le déficit en fonds propres des banques non conformes est estimé par la CBU à 395 Mds FCFA.

Ces banques totalisent 12 % des actifs et 12% des risques pondérés du système bancaire sous-

régionale.

123

1.2.2. Couverture des risques

La couverture des risques est approximée à l’aide du ratio Cooke. Il est obtenu par le rapport

entre les fonds propres et les risques pondérés. Il permet de mettre en évidence les

caractéristiques du capital des banques en s’interrogeant, non seulement sur leur vulnérabilité

mais aussi, sur la relation avec le profil de risques. Sa norme, un proxy fixé à 8% est perçu par

les dirigeants des banques comme une pression réglementaire (Guidara et al. 2013).

1.2.2.1. Sous-période 2005-2009

Il en ressort du tableau 16 qu’en moyenne 76% des banques respectent la norme prudentielle

de ce ratio. En fin décembre 2005, soixante-six (66) banques en activités sur quatre-vingt-douze

(92) se conforment au respect de la norme contre soixante-neuf (69) en fin 2009.

1.2.2.2. Sous-période 2010-2016

Ce ratio évolue de façon erratique sur cette sous-période et révèle qu’en moyenne 81% des

banques respectent la norme prudentielle. Au 31 décembre 2010, dix-sept (17) banques en

activité sur quatre-vingt-dix-sept (97) ne respectent pas le seuil prudentiel contre quinze (15)

banques sur cent-seize (116) en fin décembre 2016.

La modification du capital réglementaire a certes amélioré l’évolution de la valeur moyenne de

ce ratio de 5 points de pourcentage par rapport à la sous-période avant modification mais, il

n’en demeure pas moins que certaines banques trainent le pas quant à son respect.

124

1.2.3. Limitation des participations et des immobilisations par les fonds

propres

Ce ratio permet de s’assurer du degré de couverture des actifs immobilisés par les fonds propres

bancaires. La norme prudentielle requise est plafonnée à 25% des fonds propres.

1.2.3.1. Sous-période 2005-2009

Au 31 décembre 2005, vingt-neuf (29) banques (soit 24% du système bancaire) sur un total de

quatre-vingt-douze (92) en activités ne respectent pas la disposition contre vingt-sept (27) au

31 décembre 2009 sur un total de quatre-vingt-seize (96). En moyenne, 26% des banques ne

respectent pas ce dispositif prudentiel.

1.2.3.2. Sous-période 2010-2016

Sur cette sous-période, le ratio évolue de façon erratique. Au 31 décembre 2010, vingt-trois

(23) banques (soit 23% du système bancaire) sur un total de cent (100) en activités sont en

retrait de la disposition contre dix-huit (18) au 31 décembre 2016 sur un total de cent-seize

(116) banques en activité. Il en ressort qu’entre les deux (02) sous-périodes, quand bien la

modification du capital réglementaire a amélioré l’évolution de la valeur moyenne de ce ratio,

de 8 points de pourcentage par rapport à la sous-période avant modification, il n’en demeure

pas moins que certaines banques trainent le pas et affichent leur vulnérabilité.

Dans les paragraphes suivants, nous analysons les performances opérationnelles et terminons

par une analyse fondée sur la réglementation du capital et le respect des normes prudentielles.

125

1.3. Performances opérationnelles

Les performances opérationnelles sont analysées essentiellement sur les axes suivants : la

situation agrégée des emplois de la période, la rentabilité, la situation des dépôts et la qualité

du portefeuille de créances bancaires.

1.3.1. Evolution des emplois de la période

Les encours de crédits suivent une tendance haussière et soutenue, passant de 4 291 Mds FCFA

en 2006 à 15 786 Mds FCFA en 2016, soit 268% d’accroissement. Entre 2010-2016, cet

accroissement s’affiche à 131%. Toutefois en volume, la maturité des ressources est

majoritairement à court terme et suit une tendance baissière soit 67%, 59% et 51%,

respectivement en 2006, 2010 et 2016. Cette baisse pourrait être expliquée entre autres, par un

assouplissement de la norme du ratio de couverture des emplois à moyen et long termes par les

ressources d’égale durée qui est passée de 75% à 50% couplée à la hausse du taux de prêt

marginal sur le guichet de refinancement de 3,5% à 4,5%. Cette politique s’est traduite par le

relèvement d’un point de pourcentage. La proportion de l’encours de crédits à long terme

octroyés est passée d’une moyenne de 4% (2006-2015) pour se situer à 5% de l’encours total

de crédits en 2016. Dans la même veine, l’encours de crédits à moyen terme s’est amélioré de

3 points de pourcentage entre 2015 à 2016, affichant 44% du total des encours des crédits

octroyés.

La structure des dépôts observe des progressions similaires, marquées par une forte proportion

de dépôts à vue (plus de la moitié). En 2016, le total des dépôts affiche 20 689 Mds FCFA

contre 13 338 Mds FCFA en 2010 et 5 715 Mds FCFA en 2006. Les dépôts de la clientèle à

l’ouverture des comptes sont ressortis à 13% du PIB au cours de l’exercice 2016, 11% en 2010

contre 10% en 2006.

Dans le même sillage, les crédits mis en place au cours de l’exercice 2016 ont représenté 21%

du PIB, 15% en 2010 et 10% en 2006. L’encours de crédits rapporté au PIB pour les mêmes

périodes s’élève respectivement à 26%, 18% et 15%. Ce qui dénote que le financement des

économies des pays de l’Union suit une tendance haussière et traduit la volonté croissante des

126

banques commerciales de prendre part au financement des investissements des entreprises et

des ménages ainsi que des projets structurants de la région.

1.3.2. Analyse de la rentabilité et des indicateurs du portefeuille de créances

Comme précédemment, dans les analyses qui suivent, nous allons distinguer deux (02) sous-

périodes marquées par les modifications intervenues sur la norme du capital réglementaire.

Tableau 18 : Ratios caractéristiques appréciant la rentabilité : sous période (S/P1) 2005-2009

Indicateurs 2005 2006 2007 2008 2009 S/M

Marge globale 7,24% 7,54% 7,70% 7,84% 7,79% 7,62%

Coefficient d'exploitation 66,81% 75,68% 77,06% 73,35% 76,03% 73,79%

Taux de marge nette 8,98% 5,98% 1,78% 3,65% 8,25% 5,73%

Rentabilité financière 5,64% 3,83% 0,39% 1,26% 5,90% 3,40%

Dégradation nette du portefeuille 8,49% 8,11% 8,41% 6,44% 7,31% 7,75%

Provisionnement des créances en souffrances 66,23% 64,48% 54,28% 65,50% 59,76% 62,05%

Source : Auteur (2019), sur la base des dépouillements (*) S/M : Sous-Moyenne

Tableau 19 : ratios caractéristiques appréciant la rentabilité : sous période (S/P2) 2010-2016

Indicateurs 2010 2011 2012 2013 2014 2015 2016 S/M

Marge globale 7,46% 7,63% 7,44% 7,55% 7,03% 6,39% 6,38% 7,12% Coefficient d'exploitation 73,20% 67,68% 67,03% 67,95% 66,21% 70,06% 68,35% 68,64% Taux de marge nette 12,38% 17,64% 12,34% 8,11% 15,68% 15,83% 23,26% 15,03% Rentabilité financière 6,90% 10,31% 7,89% 5,08% 9,78% 6,86% 14,36% 8,74% Dégradation nette du portefeuille 6,91% 5,74% 8,13% 9,01% 9,34% 5,90% 5,84% 7,27%

Provisionnement des créances en souffrances 60,84% 63,58% 60,76% 60,99% 57,79% 60,45% 62,68% 61,01%

Source : Auteur (2019), sur la base des dépouillements (*) S/M : Sous-Moyenne

Le secteur bancaire de l’UEMOA est caractérisé par une rentabilité financière (ROE) moyenne

de 6,07%. La décomposition entre les deux (02) sous-périodes révèle que cette rentabilité est

passée de 3,4% (2005-2009) à 8,74% (2010-2016), soit une amélioration de plus de 5 points de

pourcentage expliquée, entre autres, par le relèvement du seuil de capital réglementaire de 1 à

5 Mds FCFA et la croissance exponentielle du PNB qui est passé du simple au double pour se

situer à 1 643 Mds FCFA en 2016.

127

La hausse du PNB est déclinée comme suit : sur la première sous-période, sa hausse est de 56%,

passant de 499 Mds FCFA en 2005 à 776 Mds FCFA en 2009. En ce qui concerne la deuxième

sous période, la croissance s’élève à 92%, passant de 856 Mds FCFA à 1 643 Mds FCFA.

Par ailleurs, on constate entre les sous-périodes, une amélioration des performances financières

du système bancaire dans son ensemble. Cette bonne performance est la conjugaison de la

croissance économique, de la hausse des encours de crédits due à une hausse du potentiel de

distribution de crédits, eu égard au relèvement du capital réglementaire ainsi qu’à la

rationalisation des charges d’exploitation qui affiche une moyenne de 71% (entre 2006-2009,

il s’élève à 73,79% contre 68,64% entre 2010-2016, soit une baisse d’environ 5 points de

pourcentage). Les modifications du seuil de capital réglementaire ont permis aux banques de

rehausser la distribution de crédits, en croissance de 131% sur une décennie (l’encours de crédit

a représenté 26% du PIB en 2016 contre 16% du PIB en 2006). La rentabilité financière est

passée de 3,40% (2005-2009) à 8,74% (2010-2016).

Dans ce sillage, le taux de dégradation net du portefeuille s’est amélioré de 0,48 point de

pourcentage en moyenne entre les deux sous périodes pour se situer 5,84% en 2016. La marge

globale évolue de façon erratique, affichant un ratio de 6,8% en 2016 contre 7,46% en 2010 et

7,24 en 2005.

1.3.3. Situation des dépôts de la période

Les dépôts se sont accrus au taux moyen annuel de 12%, passant de 5 026 Mds FCFA en 2005

à 17 308 Mds FCFA en 2016. Afin de soutenir la forte croissance des crédits, la mobilisation

des ressources reste la principale issue pour le système bancaire. Pour y parvenir, une grande

majorité des banques se sont orientées dans la politique de la banque de détail afin de relever

non seulement le taux de bancarisation, mais aussi de mobiliser des ressources auprès d’une

base clientèle élargie.

Sur toute la période, les dépôts couvrent entièrement les crédits accordés aux clients. Le ratio

d’intermédiation46 évolue de façon erratique pour atteindre son pic en 2011 avec une couverture

qui s’affiche à 141%. Le seuil de couverture le plus bas a été relevé en 2005 ; il s’élève à

46 Dépôts/Crédits

128

125%. Les dépôts reçus de la clientèle bancaire couvrent en moyenne 133% des prêts accordés.

A l’absolu, sans faire référence à la maturité des dépôts, on peut dire que ce seuil de couverture

est très appréciable. Il pourrait traduire un meilleur calibrage entre les emplois et les ressources

clientèles.

L’évolution des dépôts, des prêts et du ratio d’intermédiation sont illustrées dans la figure 8 ci-

dessous :

Figure 8 : indicateurs d’appréciation du seuil de couverture des crédits par les dépôts

Source : Auteur (2019)

A la suite des développements précédents, nous analysons la qualité des créances bancaires

détenues par les banques.

1.3.4. Qualité des créances bancaires

L’encours des créances en souffrance est passé de 3 914 Mds FCFA en 2005 pour se fixer à

13 133 Mds FCFA en 2016. Cette progression qui s’élève à 141% est moins importante que

celle des engagements pris auprès de la clientèle dont l’encours de créances a progressé de

236%.

129

Tableau 20 : Evolution des emplois dans le portefeuille global

Source : Auteur (2019), sur la base des dépouillements

En prenant en compte l’impact des provisions constituées, les créances saines (figure 9) suivent

une tendance haussière, en rapport avec la progression des encours de crédits consentis à la

clientèle. Le taux de dégradation brut de portefeuille évolue en dent de scie. Il atteint son pic

en 2012 pour s’afficher à 24% pour un taux de provisionnement de 59%. En 2013, le taux de

provisionnement s’affiche à 95% pour un taux de dégradation de portefeuille de 23%. Pour

l’année 2016, la dégradation brute de portefeuille s’élève à 19%, soit un fléchissement de 5

points de pourcentage par rapport à ce qu’elle était en 2013.

Figure 9: Indicateurs d’appréciation de la qualité des actifs

Source : Auteur (2019)

Années

Crédits

accordés Accroissement

Créances en

souffrances Accroissement

2005 3 913 865 272 844

2006 4 180 733 6,82% 326 077 19,51%

2007 4 696 426 12,33% 346 700 6,32%

2008 5 446 058 15,96% 367 256 5,93%

2009 5 650 802 3,76% 468 822 27,66%

2010 6 555 636 16,01% 437 967 -6,58%

2011 7 141 292 8,93% 461 329 5,33%

2012 7 892 508 10,52% 503 276 9,09%

2013 9 230 010 16,95% 555 683 10,41%

2014 10 431 870 13,02% 642 760 15,67%

2015 11 932 210 14,38% 718 607 11,80%

2016 13 133 489 10,07% 658 835 -8,32%

130

Selon le FMI (2010), le secteur bancaire de l’UEMOA à l’opposé de celui de l’Afrique centrale

n’a presque pas ressenti les effets directs de la crise financière de 2007. L’intervention des

banques dans les opérations spéculatives sur les marchés financiers occidentaux étant

presqu’inexistante du fait, notamment du contrôle exercé par la Banque centrale dans sa gestion

des réserves de change. Par ailleurs, le superviseur a poursuivi une stratégie avant-gardiste de

long terme d’assainissement du secteur bancaire en renforçant les contrôles. Cette stratégie a

conduit à une baisse de la proportion des créances en souffrances. Les banques ont renforcé

leurs efforts en matière de provisionnement, permettant d’améliorer le taux de couverture des

crédits non performants qui ressort en moyenne à 47%. Ce taux également évolue en dent de

scie affichant 22%, 51%, 95%, 51% et 59%, respectivement en 2005, 2012, 2013, 2014 et 2016.

Cependant, force est de reconnaître que malgré des progrès constatés, le taux de dégradation

reste élevé. Le superviseur fait des efforts dans le renforcement des contrôles sur place et sur

pièce afin d’améliorer la qualité des créances bancaires et mieux protéger les épargnant comme

en témoigne, le taux de dégradation du portefeuille moyen sur la période qui s’élève à 20%. En

2016, ce taux affiche 19% contre 24% en 2012 et 16% en 2005. Ceci grâce à un traitement

dynamique des créances, marqué par un renforcement de la réglementation et la fréquence

rapprochée dans la transmission des reportings de crédits.

Le secteur converge vers la concrétisation des objectifs de réduction du taux des créances en

souffrances. Toutefois, malgré cette amélioration, le taux des créances douteuses reste élevé

comparé au Maghreb. En effet, ce taux affiche 16% du total bilan pour les pays de l’UMOA en

2016 contre une moyenne de 5% pour les pays de la méditerranée (FMI47, 2015).

La section suivante fait une analyse de la capacité de résilience actuelle issue des différentes

approximations menées, en s’appuyant sur la théorie financière ainsi que des études empiriques.

47 Rapport sur la solidité du secteur financier, 2015.

131

SECTION 2 : ANALYSE DE LA CAPACITE DE RESILIENCE DES BANQUES

DE L’UEMOA

Plusieurs recherches portant sur la solidité bancaire ont adopté des méthodes multicritères

(Solhi et Mehdi, 2012 ; Angora, 2009 ; Kaminsky et Reinhart,1999). Dans le cadre de cette

thèse, nous y avons fait une adaptation appliquée au contexte du secteur bancaire de l’UMOA.

Le recours aux modèles de prédiction de la solidité consiste à la discrimination des firmes en

groupes distincts constitués de celles qui sont saines et celles à risques. Pour ce faire, une variété

de techniques statistiques a été utilisée par les chercheurs. Pour cela, nous recourons

essentiellement aux méthodes multicritères, permettant une description de la situation

financière par l’appréciation de la volatilité des actifs bancaires et la couverture des risques par

les fonds propres.

Dans les développements qui suivent, nous menons le diagnostic à partir des scores enregistrés

par les banques de l’échantillon.

2.1. Diagnostic des scores enregistrés48

L’indice de défaillance Z-score est utilisé comme proxy pour mesurer la solidité financière. A

chaque score correspond une probabilité théorique de défaut (PoDit), obtenue par la formule ci-

dessous :

PoDit = N ( Zit)

La probabilité théorique de défaut relative à chaque période est approximée sur la base de la

formule ci-dessus, où N représente la fonction de répartition de la distribution de probabilité. Il

est intéressant que la valeur du score soit la plus élevée possible pour traduire une situation

désireuse qui se traduit par la couverture du passif exigible en fonction des actifs nets bancaires.

Lorsque la probabilité calculée est nulle, cela se traduit par une solidité financière avérée et

48 Les analyses menées dans cette partie ont été faites sur des moyennes arithmétiques simples.

132

recommandée par la théorie financière49. En tout état de cause, la probabilité de défaut calculée

devra être la plus basse possible pour traduire la sérénité des déposants et des investisseurs.

Dans les lignes qui suivent, la valeur moyenne de l’indice Z-score est calculée sur la période de

référence pour les banques de l’échantillon. Ensuite, la probabilité moyenne de défaut afférente

aux banques prises individuellement est approximée dans chacun des pays (Comme indiqué

dans le tableau 20).

2.1.1. Analyse des données financières agrégées

L’analyse est conduite sur des données de panel à fréquence annuelle sur la période 2005 à

2016. La valeur des variables utilisées pour la détermination de l’indice Z-score est calculée

pour chaque banque de l’échantillon et pour chaque pays. Ensuite, nous déterminons la

moyenne des Z-Score de l’ensemble des banques par pays. L’évolution temporelle de l’indice

Z-score agrégé est reflétée par la moyenne de l’ensemble des observations disponibles au cours

d’une année et se présente dans la figure 10.

D’une manière générale, les variations de l’indice agrégé Z-score sont caractérisées par une

évolution erratique. Après, un pic au cours de l’année 2005, une évolution erratique est

constatée entre 2006 et 2015, suivie d’un fléchissement avec une tendance baissière observée

en 2016. Cette tendance pourrait être imputable au niveau élevé de la proportion des banques

ne respectant pas la réglementation du capital (au 31 décembre 2016, 38% des banques agrées

ne respectent pas les dispositions réglementaires de capitalisation contre 50% au 31 décembre

2015).

49 Banque centrale de Luxembourg, 2018, Revue de la Stabilité financière

133

La figure 10 présente le résumé de la dispersion des Z-score annuels des banques, et les

probabilités de défaut y afférents.

Figure 10: Dispersion du score moyen agrégé des banques par période et probabilités associées

Source : Auteur (2019), sur la base des dépouillements

Il ressort de la figure 10 que sur la période d’analyse, la probabilité de défaillance est nulle.

Toutefois, ce résultat agrégé est à relativiser, car pouvant cacher des spécificités par pays et

pour chaque banque prise individuellement. En effet, la tendance observée présente une bonne

progression de l’indice qui est supérieur à la moyenne calculée sur la période (5,22) pour une

série de huit (08) ans50. Ces constats peuvent être attribués à une évolution erratique du ratio de

levier, en rapport avec la volatilité des capitaux propres et au rendement des actifs bancaires.

Sur la période d’analyse, le niveau de cet indice a atteint son plus bas niveau historique en 2016

(4,4). A cette phase de fragilité, a succédé une période durant laquelle une baisse du niveau de

l’indice Z-score (2014 et 2015) est enregistrée. Toutefois, le niveau actuel, bien qu’affichant

une tendance baissière, ne remet pas en cause le niveau de solidité approximée, si l’on analyse

la probabilité de défaut qui converge avec un niveau de solvabilité relativement appréciable au

plan systémique. La tendance baissière affichée est reflétée par un élargissement des disparités

des probabilités de défaut individuel des banques et par une progression de leurs niveaux

50 Pour les années 2005, 2006, 2008, 2009, 2010, 2011, 2012, 2013

134

comparativement aux résultats obtenus durant la période précédente. Dans ce dernier cas, la

valeur de l’indice Z-score est supérieure à la moyenne observée.

2.1.2. Analyse des données financières individuelles par pays

L’analyse géographique est conduite également sur des données de panel à fréquence annuelle.

La valeur de l’indice Z-score est d’abord calculée pour chaque banque de l’échantillon et pour

chaque pays. Ensuite, nous déterminons la moyenne des Z-Score par pays et déterminons enfin

la moyenne des probabilités annuelles de défaut afférentes à chaque banque du pays.

L’évolution de l’indice Z-score moyen des banques par pays est présentée dans la figure 11.

Figure 11: Z-Score moyen et probabilités associées à chaque pays

Source : Auteur (2019)

Globalement, les variations de l’indice de défaillance agrégé (Z-score moyen) sont caractérisées

par une évolution erratique. Pour cinq (05) pays de l’échantillon (Bénin : 1,145 ; Burkina : 2,72,

Mali : 3,79, Togo : 4,28, Guinée Bissau : 1,56), sa valeur est en deçà de la moyenne observée

(5,02). En revanche, cet indice s’élève à 8,73 (Côte d’Ivoire), 12,49 (Sénégal) et 5,42 (Niger),

au-dessus de la moyenne communautaire.

135

Il convient de souligner que la nette dégradation de l’indice de défaillance s’est traduite par une

probabilité de défaut de 13% pour le Bénin et 6% pour la Guinée Bissau. Ce constat est le reflet

d’une relative fragilité du secteur bancaire pour ces deux (02) pays, comparée aux six (06)

autres de l’échantillon. Ces valeurs observées cachent des spécificités pour chacun des pays

dont l’analyse de la situation individuelle des banques permettrait de mieux situer les disparités

relevées. La démarche adoptée ici permet d’appréhender le risque induit par des évènements

peu fréquents, affectant le portefeuille bancaire de manière dynamique. Nous utilisons pour se

faire les informations individuelles de chacune des banques de l’échantillon.

Le tableau 21 présente le score moyen des banques prises individuellement :

136

Tableau 21 : Score moyen par banque et probabilités associées

Pays Banques Z_SCORE Probabilité Z_SCORE Z_SCORE

Probabilité Z_SCORE

BE

NIN

BOA-BN 4,040300 0,000027

1,145443 0,126013

ECOBANK-BN 2,467892 0,006796

ORABANK-BN 0,314987 0,376386

BIBE 0,053045 0,478848

UBA-BN -0,076529 0,530501

DIAMOND-BN 1,849997 0,032157

SGBN -0,146660 0,558300

BSIC-BN 0,120416 0,452077

BHB 2,676572 0,003719

BABE 0,154411 0,438643

BU

RK

INA

UBA-BF -0,213477 0,584523

1,672969 0,047167

BICIAB 0,415700 0,338815

BCB 0,936522 0,174502

SGBF 1,356880 0,087410

ECOBANK-BF 2,158867 0,015430

BOA-BF 2,480420 0,006561

ORABANK-BF 2,954165 0,001568

BSIC-BF 3,294673 0,000493

CO

TE

D'IV

OIR

E

BIAO 10,640359 0,000000

8,726854 0,000000

BICICI 11,237443 0,000000

SIB 26,909157 0,000000

SGBCI 24,580282 0,000000

CITI-CI 16,742587 0,000000

BACI 1,134511 0,128290

ECOBANK-CI 10,906484 0,000000

BOA-CI 12,038606 0,000000

CIB-CI 0,627070 0,265307

STANDART 7,006000 0,000000

BNI 3,930157 0,000042

BHCI -1,278245 0,899418

VERSUS -0,516540 0,697261

ORABANK-CI -1,781908 0,962618

GUINEE-BISSAU

BAO 2,121303 0,016948

1,560521 0,059318 ORABANK-GB 0,999739 0,158718

137

Banques Z_SCORE Probabilité Z_SCORE Z_SCORE

Probabilité Z_SCORE

MA

LI

BDM 3,926703 0,000043

3,790250 0,000075

BIM 0,379680 0,352092

BOA-M 3,090248 0,001000

ECOBANK-M 4,868874 0,000001

BCS 8,199785 0,000000

BCIM 7,735659 0,000000

BNDA 3,165289 0,000775

BSIC 2,888661 0,001934

ORABANK-ML -0,142647 0,556715

NIG

ER

SONIBANK 11,388326 0,000000

5,450469 0,000000

BOA-NIGER 4,430658 0,000005

BCN 1,143940 0,126324

BIAO-NIGER 2,394740 0,008316

BINCI 2,929851 0,001696

ECOBANK N 13,878537 0,000000

BSIC 6,743573 0,000000

ORABANK-NG 0,694126 0,243802

SE

NE

GA

L

BICIS 17,364255 0,000000

12,503657 0,000000

SGBS 6,950535 0,000000

CBAO 16,591676 0,000000

CITI Pays 0,000000

CDS 13,166474 0,000000

BIS 16,516675 0,000000

ECOBANK-S 14,586368 0,000000

BHS 13,163539 0,000000

CNCAS 17,471820 0,000000

BOA-S 19,055722 0,000000

BSIC-S 1,898325 0,028827

BIMAO 1,026993 0,152212

TO

GO

UTB 1,497299 0,067158

4,283301 0,000009

ECOBANK-TG 7,953865 0,000000

BTCI 0,628654 0,264788

BIA-TG 9,599719 0,000000

SIAB 3,104449 0,000953

ORABANK-TG 2,915822 0,001774 Source : Auteur (2019), sur la base de dépouillements

138

2.1.2.1. Analyse de l’indice de défaillance des banques du Bénin

Après avoir atteint une probabilité de défaut de 56%, la filiale de la Société générale (SGBN)

apparait comme étant la plus vulnérable. United Bank for Africa (UBA) avec une probabilité

de défaut de 53 % suit immédiatement. Ensuite viennent la Banque Internationale du Bénin

(BIBE), la Banque Sahélo-Saharienne pour l’Industrie et le Commerce (BSIC), la Banque

Atlantique et Orabank avec respectivement des probabilités de défaut de 48%, 45%, 44% et

38%.

L’évolution temporelle de l’indice Z-score moyen des banques et les probabilités associées sont

présentées dans la figure 12.

Figure 12 : Evolution de l’indice Z-Score et probabilités associées

Source : Auteur (2019)

L’indice de défaillance Z-score évolue de façon cyclique, en dessous de la moyenne sur une

occurrence de six (06) ans51. Les probabilités de défaillance y afférents, prennent des valeurs

comprises entre 10% (2009) et 16% (2016).

Pour l’ensemble du système bancaire béninois, la probabilité moyenne de défaillance s’élève à

13%. Ces différents résultats amenuisent la solidité des banques.

51 Pour les années 2009, 2010, 2013, 2014, 2015 et 2016, la valeur du Z-score est en dessous de la moyenne.

139

2.1.2.2. Analyse de l’indice de défaillance des banques du Burkina

Après avoir atteint une probabilité de défaut de 58%, United Bank for Africa (UBA) apparaît

comme la plus vulnérable. La filiale de BNP, avec une probabilité de défaut de 34% suit

immédiatement, ensuite la banque Commerciale du Burkina (BCB) avec une probabilité de

défaillance de 17%.

L’évolution temporelle de l’indice z-score moyen des banques et les probabilités associées sont

présentées dans la figure 13.

Figure 13 : Evolution de l’indice Z-Score et probabilités associées

Source : Auteur (2019)

L’indice de défaillance Z-score évolue de façon cyclique, en dessous de la moyenne sur une

occurrence de cinq (05) ans52. Les probabilités de défaillance afférentes prennent des valeurs

comprises entre 1% (2006 et 2008) et 2% (2009). Sur la place bancaire locale, la probabilité de

défaillance est nulle. La tendance baissière du score moyen entre 2007-2009 s’est répercutée

sur la vulnérabilité des banques sur ladite période.

52 Pour les années 2006, 2007, 2008, 2009 et 2010, la valeur du Z-score est en dessous de la moyenne

140

2.1.2.3. Analyse de l’indice de défaillance des banques de la Côte d’Ivoire

Après avoir atteint une probabilité de défaut de 96%, la filiale de Orabank apparaît comme la

plus vulnérable. La Banque de l’Habitat (BHCI), avec une probabilité de défaut de 90% suit

immédiatement. Ensuite viennent VERSUS Bank, la Compagnie Ivoirienne de Banque (CIB)

et la Banque Atlantique (BACI), avec respectivement des probabilités de défaut de 70%, 27%

et 13%.

L’évolution temporelle de l’indice Z-score moyen des banques et les probabilités associées sont

présentées dans la figure 14.

Figure 14 : Evolution de l’indice Z-Score et probabilités associées

Source : Auteur (2019)

L’indice de défaillance Z-score évolue de façon cyclique, en dessous de la moyenne sur une

occurrence de sept (07) ans53. Toutefois, les probabilités de défaillances relevées sont nulles et

augurent d’un système bancaire solide.

53 Pour les années 2005, 2016, 2014, 2015 et 2016, la valeur du Z-score est en dessous de la moyenne

141

2.1.2.4. Analyse de l’indice de défaillance des banques du Mali

Après avoir atteint une probabilité de défaut de 56%, la filiale de Orabank apparaît comme la

plus vulnérable. La Banque Internationale du Mali (BIM), avec une probabilité de défaut de

35% suit immédiatement.

L’évolution temporelle de l’indice Z-score moyen des banques et les probabilités associées sont

présentées dans la figure 15.

Figure 15: Evolution de l’indice Z-Score et probabilités associées

Source : Auteur (2019)

L’indice de défaillance Z-score évolue de façon cyclique, en dessous de la moyenne sur une

occurrence de cinq (05) ans54. Des probabilités de défaillances calculées, il ressort que la place

bancaire du Mali est financièrement solide.

2.1.2.5. Analyse de l’indice de défaillance des banques du Niger

Après avoir atteint une probabilité de défaut de 24%, la succursale de ORABANK apparaît

comme la plus vulnérable. La Banque Commerciale du Niger (BCN), avec une probabilité de

défaut de 13% suit immédiatement.

54 Pour les années 2009, 2010, 2011, 2012, 2014, 2015 et 2016, la valeur du Z-score est en dessous de la moyenne.

142

L’évolution temporelle de l’indice z-score moyen des banques et les probabilités associées sont

présentées dans la figure 16.

Figure 16: Evolution de l’indice Z-Score et probabilités associées

Source : Auteur (2019)

L’indice de défaillance évolue de façon cyclique, en dessous de la moyenne sur une occurrence

de cinq (05) ans55. Les probabilités de défaillances approximées étant nulles, il ressort que la

place bancaire du Niger est solide.

2.1.2.6. Analyse de l’indice de défaillance des banques du Sénégal

Après avoir atteint une probabilité de défaut de 15%, la BIMAO apparaît comme la plus

vulnérable. La Banque Sahélo-Saharienne pour l’Industrie et le Commerce (BSIC), avec une

probabilité de défaut de 3% complète la liste.

L’évolution temporelle de l’indice Z-score moyen des banques et les probabilités associées sont

présentées dans la figure 17.

55 Pour les années 2007, 2008, 2011, 2013, 2014 et 2015, la valeur du Z-score est en dessous de la moyenne.

143

Figure 17 : Evolution de l’indice Z-Score et probabilités associées

Source : Auteur (2019)

L’indice de défaillance Z-score évolue de façon cyclique, en dessous de la moyenne sur une

occurrence de six (06) ans56. Des probabilités de défaillances calculées, il ressort que la place

bancaire du Sénégal est solide.

2.1.2.7. Analyse de l’indice de défaillance des banques du Togo

Deux (02) banques à capitaux publics, à savoir : l’Union Togolaise des Banques (UTB) et la

Banque Togolaise pour le Commerce et l’Industrie (BTCI) ressortent comme les plus

vulnérables.

Après avoir atteint une probabilité de défaut de 26%, la BTCI apparaît comme la plus

vulnérable. L’Union Togolaise des Banques (UTB), avec une probabilité de défaut de 7%

complète la liste.

L’évolution temporelle de l’indice Z-score moyen des banques et les probabilités associées sont

présentées dans la figure 18.

56 Pour les années 2005, 2006, 2007, 2010, 2015 et 2016, la valeur du Z-score est en dessous de la moyenne.

144

Figure 18 : Evolution de l’indice Z-Score et probabilités associées

Source : Auteur (2019)

L’indice de défaillance Z-score évolue de façon cyclique, en dessous de la moyenne sur une

occurrence de six (06) ans57. Cependant, les probabilités de défaut sont nulles et augurent d’un

système bancaire solide. La tendance baissière des Z-scores, enclenchée en 2012 et accélérée

entre 2014 et 2016 s’est traduite par une hausse de la vulnérabilité du système bancaire entre

2014 et 2016.

2.1.2.8. Analyse de l’indice de défaillance des banques de Guinée Bissau

Après avoir atteint une probabilité de défaut de 16%, la succursale Orabank apparaît comme

vulnérable aux chocs.

L’évolution temporelle de l’indice Z-score moyen des banques et les probabilités associées sont

présentées dans la figure 19.

57 Pour les années 2005, 2006, 2007, 2014, 2015 et 2016, la valeur du Z-score est en dessous de la moyenne.

145

Figure 19: Evolution de l’indice Z-Score et probabilités associées

Source : Auteur (2019)

L’indice de défaillance Z-score évolue de façon cyclique, en dessous de la moyenne sur une

occurrence de sept (07) 58 ans. Toutefois, les probabilités de défaut sont nulles et augurent d’un

système bancaire solide. Cependant, la baisse constatée des scores moyens sur la période 2012

et 2015 a amplifié les risques de vulnérabilité des banques.

L’état de la solidité des banques par pays étant ainsi présentée, il nous semble important de faire

converger cela par d’autres méthodes, dont la présentation est faite dans les points suivants.

2.2. Classification des banques en fonction des critères de

solidité de Altman

Altman (1968), dans ses travaux sur les faillites d’entreprises, définit un intervalle de la valeur

du Z-score. Ces travaux ont été complétés et améliorés par d’autres auteurs (Edmister, 1972 ;

Altman et Lavalée, 1980).

Les caractéristiques de la classification conduisant au modèle sont recensées dans le tableau

22.

58 Pour les années 2010, 2011, 2012, 2013, 2014, 2015 et 2016, la valeur du Z-score est en dessous de la moyenne.

146

Tableau 22 : Présentation des critères de classification de Altman

Intervalle des scores Appréciation Z > 2,99 Excellente solidité 1,81 ≥ Z ≤ 2,99 Modérément solidité avec des incertitudes Z < 1,81 défaillante

Source : Altman (1968)

Dans le cadre de notre recherche, nous adaptons cette classification à l’échantillonnage retenu,

afin d’en juger la situation financière, au point de sa solidité. Pour cela, nous procédons à une

catégorisation par pays et par période. Nous nous intéressons, non seulement à la période de

constatation de la défaillance ou de la solidité mais aussi à la proportion que cela prend d’un

pays à l’autre. Cette classification a l’avantage de permettre une comparaison avec des études

empiriques antérieures sur la thématique.

La classification des banques selon les critères est donnée dans le tableau 23.

147

Tableau 23 : Classification des banques selon les critères de Altman

23.1. Evolution du nombre de banques défaillantes par pays et par période

Bénin Burkina Côte

d’Ivoire Guinée Bissau

Mali Niger Sénégal Togo Total %

2005 7 4 3 2 2 18 26%

2006 7 4 4 2 2 2 1 22 32%

2007 6 4 5 1 2 4 2 24 35%

2008 6 4 5 1 2 3 1 0 22 32%

2009 7 4 5 1 2 4 1 1 25 36%

2010 7 4 3 1 2 1 18 26%

2011 6 4 4 1 2 2 2 21 30%

2012 6 4 5 1 2 3 2 1 24 35%

2013 6 4 3 2 2 2 1 1 21 30%

2014 7 4 4 2 2 3 2 3 27 39%

2015 7 4 5 2 2 1 2 3 26 38%

2016 7 4 5 1 2 1 1 4 25 36%

23.2. Evolution du nombre de banques modérément solides par pays et par période

Bénin Burkina Côte

d’Ivoire Guinée Bissau

Mali Niger Sénégal Togo Total %

2005 1 1 1 1 1 4 9 13%

2006 1 1 1 2 1 2 8 12%

2007 3 1 1 1 3 9 13%

2008 3 1 2 1 2 9 13%

2009 2 2 1 3 8 12%

2010 2 2 3 1 2 10 14%

2011 3 2 1 2 2 1 11 16%

2012 3 1 1 1 0 2 8 12%

2013 3 2 2 2 1 2 12 17%

2014 2 3 1 6 9%

2015 2 2 2 1 7 10%

2016 2 1 2 2 1 0 8 12%

23.3. Evolution du nombre de banques jouissant d’une excellente solidité par pays et par période

Bénin Burkina Côte

d’Ivoire Guinée Bissau

Mali Niger Sénégal Togo Total %

2005 2 4 10 1 6 5 12 2 42 61%

2006 2 4 9 1 5 5 10 3 39 57%

2007 1 4 9 0 6 3 10 3 36 52%

2008 1 4 9 0 7 3 10 4 38 55%

2009 1 4 7 1 7 4 10 2 36 52%

2010 1 4 9 1 7 4 11 4 41 59%

2011 1 4 8 7 4 10 3 37 54%

2012 1 4 9 6 4 10 3 37 54%

2013 1 4 9 5 4 10 3 36 52%

2014 1 4 10 4 5 10 2 36 52%

2015 1 4 9 5 5 10 2 36 52%

2016 1 4 9 5 5 10 2 36 52%

Source : Auteur (2019), sur la base des dépouillements

148

L’état de solidité d’une banque n’étant pas figé, les performances financières réalisées dans les

années antérieures (n-1) ont un impact positif ou négatif sur celles en cours (n). En effet, à

l’exercice clos en 2005, 18 banques sur 69 (soit 26% de l’échantillon) sont défaillantes. Cette

proportion évolue de façon erratique et affiche 36% (soit 26 banques) des établissements

bancaires en fin 2009 (période correspondante à la date butoir de remise à niveau du capital

réglementaire à 5 Mds FCFA). A l’exercice clos en 2016, la proportion des banques défaillantes

affiche 36%. L’évolution par pays montre que la palme d’or de défaillance revient au Bénin,

avec 66% de banques contre 13% pour le Sénégal, le pays le moins touché par la défaillance du

système bancaire. En moyenne, 33% des banques de l’échantillon (23 banques) traversent une

situation financière marquée par une incapacité de couverture du passif exigible.

En analysant la situation par rapport à la modification du capital réglementaire de 1 à 5 Mds

FCFA (effective du 1er janvier 2010 au 31 décembre 2016), il ressort que sur la S/P1 : 2005 et

2009, 55% des banques jouissent d’une excellente solidité contre 54% sur la sous-période 2010

et 2016. Les banques modérément solides représentent respectivement 12% et 13% de

l’échantillon sur les deux sous-périodes. Quant aux banques défaillantes, leur proportion

représente 32% pour la S/P1 : 2005 et 2009 et 34% sur la S/P2 : 2010 et 2016. Ces résultats

font ressortir les premiers paradoxes de la réglementation du capital.

Les résultats ci-avant présentés bien que faisant ressortir des zones d’ombres pour certaines

banques, n’entachent pas forcement la situation financière d’ensemble, illustrée dans le tableau

25 ci-dessous :

Tableau 25 : statistique descriptive des scores des banques de l’échantillon (2005-2016)

Variable | Obs Mean Std. Dev. Min Max

z_score | 828 6.00107 6.825699 -8.665607 39.00192 Source : Auteur (2019), sur la base des dépouillements

Du tableau 24, la moyenne des scores réalisés ressort au-dessus du seuil de 2,99, c’est-à-dire

celui caractérisant les banques qui jouissent d’une excellente solidité financière. Les études

empiriques réalisées par d’autres auteurs et la BCEAO sur la solidité des banques de l’UEMOA

corroborent les résultats trouvés (Gammadigbé, 2018 ; Dannon et Lobez, 2014).

149

La classification ci-avant présentée indique par période, les valeurs prises par les banques qu’il

faille identifiées, si oui ou non d’autres méthodes tendent à illustrer les conclusions. C’est dans

cette veine que nous nous intéressons aux périodes de déclenchement des crises, développées

dans le point suivant.

2.3. Approche de classification fondée sur la période de

déclenchement de la défaillance

Les études sur la solidité bancaire conduisent souvent à des divergences de classification en

fonction de la démarche méthodologique. Pour surmonter cela, en plus de l’utilisation du Z-

score comme indice de défaillance, nous nous sommes inspirés des travaux empiriques de

Caprio et Klingebiel (2003) et Demirguc-Kunt (1998). Leurs approches d’approximation de la

défaillance bancaire utilisent, d’une part, les capitaux propres et d’autre part, le portefeuille

d’actifs, en fonction du total bilanciel.

Caprio et Klingebiel (2003) identifient les périodes de crises comme des crises d’insolvabilité

et de liquidité des actifs. Pour eux, il y a défaillance bancaire dès lors que le ratio des créances

irrécouvrables rapporté au total du bilan est supérieur à celui du ratio de capitalisation (capitaux

propres rapportés au total du bilan).

Le tableau 25 présente les périodes de défaillances par pays et pour chacune des banques de

l’échantillon et donne un aperçu du niveau de fonds propres de quelques banques de

l’échantillon.

150

Tableau 25 : Récapitulatif des périodes de crises bancaires par pays

Pays Période défaillance

Banques concernées (avec la valeur en pourcentage du taux de dégradation

brut du portefeuille entre parenthèse).

Aperçu du niveau des fonds propres de certaines banques

concernées en MFCFA

BENIN

2006 Orabank (34,3) , BIBE (52), UBA (45,3), SGBN (3,4) 21% 2007 Orabank (30,7), BIBE (60,2) BIBE (-508) 2008 Orabank (42,8), BIBE (70,4), UBA (32,1), SGBN (19,9) Orabank (-3184), BIBE (-7741), 2009 Orabank (29,2), BIBE (68,6) Orabank (-4429), BIBE (-7693) 2010 BIBE (68,7) BIBE (-7750) 2011 Orabank (22,7) , BIBE (73,7) Orabank (-7245) , BIBE (-10082) 2012 BIBE (71,3) BIBE (-9254) 2013 Orabank (17,7), BIBE (81,2), UBA (38), SGBN (30,5) Orabank (-2408), BIBE (-11250),

UBA (4151), 2014 Orabank (25,3) , BIBE (70,6) , UBA (49,3) , SGBN (15,3),

Ecobank (17,6), Orabank (-1158) , BIBE (-22229)

2015 Orabank (24,8) , BIBE (65), UBA (50,9) , SGBN (15) 2016 BIBE (60,2) , BSIC (26,9) BIBE (-23990)

BURKINA

2006 BSIC (24,4) BSIC (696) 2007 BSIC (26,3) 2008 Orabank (28,7), BSIC (26,9) Orabank (256), BSIC (643) 2009 UBA (42,8), Orabank (30) Orabank (-916) 2010 UBA (58,5), Orabank (39,2) Orabank (-1294) 2011 Orabank (37,4) Orabank (-1009) 2012 Orabank (40,1) Orabank (-1161) 2013 BCB (33,2), Orabank (30,7) BCB (2122), Orabank (418) 2014 Orabank (15,5) Orabank (353) 2015 BCB (41)

COTE D’IVOIRE

2005 CIB (49,2), BHCI (10,4) CIB (-1129), BHCI (721) 2006 CIB (40,1), BHCI (12,2), VERSUS (26) CIB (-711), VERSUS (-6334) 2007 CIB (46,8), BHCI (11,5), VERSUS (1,7) CIB (-880), VERSUS (721) 2008 BACI (27,6), CIB (47,8), BHCI (18,2), VERSUS (74,7),

Orabank (52,4) BHCI (316), VERSUS (-16807),

Orabank (-2847) 2009 BACI (33,1), BOA (11,3), CIB (35,5), Orabank (54,6) BACI (-4450), CIB (1973),

Orabank (-5041) 2010 BACI (37,5), BHCI (20,9) , VERSUS (11,7), Orabank

(65,2) BHCI (3485) , VERSUS (-4854),

Orabank (-7268) 2011 BACI (65,4) , BHCI (26,1), VERSUS (17,2), Orabank

(64,6) BACI (1106) , VERSUS (-5962),

Orabank (-8843)

MALI

2005 BIM (32,7) 2007 Ecobank (24,8) , BSIC (26,8) 2008 Orabank (9,9) Orabank (788) 2009 BIM (29,7), Ecobank (15,9), Orabank (23) Orabank (-2760) 2010 Orabank (13,1) Orabank (-7633) 2011 Orabank (64,8) Orabank (-13421) 2012 BIM (32,3), Orabank (66,7) Orabank (-14690) 2013 BIM (28,7), Orabank (87,4) Orabank (-13253) 2014 BIM (28,1), Orabank (39,3) Orabank (-6197) 2015 Orabank (28,9) Orabank (-3577) 2016 Ecobank (28,7), Orabank (27,4) Orabank (-3310)

151

Pays Période défaillance

Banques concernées (avec la valeur en pourcentage du taux de dégradation

brut du portefeuille entre parenthèse).

Aperçu du niveau des fonds propres de certaines banques

concernées en MFCFA

NIGER

2005 BINCI (45,7), Ecobank (18) 2006 BCN (58,4), Ecobank (17,4) 2007 BIAO (25,2), BINCI (54,9) 2008 BCN (67,6), BIAO (20,7) , Ecobank (12,9) Orabank (895) 2009 BCN (26,2), BIAO (23,7), BINCI (47,1), Orabank (22,9) BCN (55), BIAO (2711) , BINCI (-

72) , Orabank (-212) 2010 BIAO (30,2), Orabank (37,2) Orabank (212) 2011 BIAO (29), Orabank (45,6) BIAO (3025), Orabank (-430) 2012 Orabank (50,9) Orabank (-1174) 2013 Orabank (49,3) Orabank (335) 2014 Orabank (43,5) Orabank (35)

SENEGAL

2005 CITI (39,6) 2006 CITI (50) 2007 CITI (40,1), BSIC (39,4) 2008 CDS (22,5), BSIC (34,5) 2009 BSIC (38,8) BSIC (335) 2010 CNCAS (26,9) 2011 BSIC (32,7) 2012 BSIC (47,9) BSIC (2559) 2013 BSIC (52,4), BIMAO (51,4) BIMAO (3966) 2014 CNCAS (26,2), BSIC (31,6) , BIMAO (50,1) 2015 Ecobank (16,4), CNCAS (28,8), BSIC (36 2016 Ecobank (22,8), BSIC (44,9), BIMAO (72,2)

TOGO

2005 UTB (33,5), BTCI (26,9), BIA (69,9) BIA (-691) 2006 UTB (28,4), BTCI (25), BIA (64,8) BIA (1682) 2007 UTB (25), BIA (75,5) BIA (1720) 2008 Orabank (50,6) 2009 Orabank (31,1) Orabank (2318) 2013 BTCI (39,2) 2014 Ecobank (15,9), BTCI (37,1) BTCI (-16283) 2015 UTB (29,1), BTCI (40,8) UTB (-13257), BTCI (-24616) 2016 UTB (19,3), BTCI (34,3) UTB (-13326), BTCI (-24879)

Source : Auteur (2019), extrait des dépouillements effectués

Du tableau 25, il ressort que le niveau de capitalisation et la qualité des actifs constituent des

éléments essentiels pour assurer à une banque une exploitation pérenne. Les résultats trouvés

par l’analyse des indices Z-score sont corroborés par les approches développées par Caprio et

Klingebiel (2003) et Demirguc-Kunt (1998). Dans l’une ou l’autre approche, nous retrouvons

les mêmes banques épinglées comme ayant une situation alarmante en termes de solidité. Cette

forme d’analyse s’appuie en réalité sur la solvabilité pour apprécier la solidité bancaire.

Cependant, elle à l’inconvénient d’être statique, car utilisant uniquement les données

bilancielles.

152

En partant des controverses relevées dans la première partie, consacrée à la revue critique de la

littérature, nous envisageons un modèle d’optimisation des fonds propres en couverture des

risques bancaires.

Dans les points développés dans les paragraphes qui suivent, nous nous inspirons des travaux

de Artus (2005) pour opérer une adaptation de l’optimisation des fonds propres adossés aux

encours de crédits, issus de la politique de distribution de crédits des banques. Pour cela, nous

supposons deux (02) catégories de prêts notées respectivement C1 (prêt 1 accordé à la

contrepartie 1) et C2 (prêt 2 accordé à la contrepartie 2). Pour les détails théoriques, se référer

à l’annexe 3.

2.4. Capitalisation et prise de risques : quel impact des fonds

propres sur la couverture des risques bancaires ?

Les fondamentaux de l’intermédiation bancaire adossent la politique de distribution de crédits

à la consistance des fonds propres bancaires (Artus, 2005 ; Calem et Rob, 1999 ; Modigliani

et Miler, 1958). Dans les analyses menées, nous partons de la structure du capital pour

envisager une optimisation des fonds propres. Nous nous fondons sur la relation entre la

réglementation du capital et la politique de distribution de crédits (performance, endettement

et capitalisation). De plus, nous montrons comment les banques opèrent le mix

Dépôt/emprunts, en vue de mieux réussir l’activité d’intermédiation. Dans cette optique nous

avons procédé à une optimisation des fonds propres en couverture des encours des créances et

prenant en compte les marges de transformation et d’emprunts réservées aux banques.

Nous adaptons le modèle d’optimisation théorique développé en annexe 2, en distinguant les

fonds propres, utilisés dans la politique de distribution de crédits des financements externes

sollicités par la banque. Par la suite, une série de simulation est faite, afin d’en mesurer sa

consistance et apprécier le seuil optimal par pays. Il est aussi fait appel aux travaux empiriques

antérieurs (Berger et al., 1991 ; Jokipii et Milne, 2010). Leur démarche s’appuie sur le ratio de

solvabilité non pondéré, en considérant l’intégralité de l’actif. Cette démarche permet de durcir

les exigences en fonds propres, pour ne pas se retrouver avec un dénominateur, amputé des

encours les plus risqués mais qui, par les mécanismes de pondération ne traduira pas forcement

153

l’exhaustivité des risques encourus par la banque. Nous montrons l’effet de levier

d’endettement (en incluant les dépôts dans la politique de mobilisation des ressources

bancaires) en lien étroit avec le respect de la norme de solvabilité (ratio Cooke).

La démarche est adossée au postulat selon lequel, l’ensemble des risques est pondéré à 100%,

certes un cas théorique. Toutefois, de plus en plus, certains auteurs proposent un durcissement

des conditions de pondération pour tenir compte de la proclyclicité des fonds propres et de la

fragilité du système bancaire face aux chocs exogènes (Admati et al., 2013). La démarche

adoptée s’appuie sur des statistiques fournies par la CBU sur l’évolution par pays du ratio

Cooke au 31.12.2016.

Les accords de Bâle 1 prévoient que les banques doivent détenir pour 1 franc (F) prêté au-moins

l’équivalent de 0,08 franc (F) de fonds propres en couverture des engagements pris, d’où une

immobilisation de capital, sensée rester durablement au passif bilanciel. Autrement dit, la

détention de 1 F de fonds propres, permet aux banques de prêter jusqu’à 12, 5 F (plafond). Cela

équivaut pour la banque en la réalisation d’un levier d’endettement (ou une transformation des

dépôts) plafonnés à 11,5 F. Telle que présentée, la mesure du risque permet d’évaluer l’impact

de la variation du capital sur les allocations du portefeuille d’actifs par catégorie.

Le tableau 26 présente pour chaque pays, le ratio moyen de couverture de risque ainsi que des

plafonds (prêt et emprunt théorique) y afférents pour 1F de fonds propres :

Tableau 26: Evolution du ratio de couverture des risques et des plafonds

Pays Ratio moyen Plafond

prêt théorique

Plafond emprunt théorique

Bénin 9,30% 10,75 9,75

Burkina 13,00% 7,69 6,69

Côte d'Ivoire 7,90% 12,66 11,66

Guinée Bissau 20,30% 4,93 3,93

Mali 15,90% 6,29 5,29

Niger 13,90% 7,19 6,19

Sénégal 14,50% 6,90 5,90

Togo 5,80% 17,24 16,24 Source : Auteur (2019), sur la base d’un dépouillement des données

154

Berger et al. (1995) font remarquer que les banques ont un niveau de levier le plus élevé, en

contradiction avec la théorie de Modigliani et Miler (1958). En assimilant les dépôts à la dette,

Miler (1995) démontre que le théorème de MM s'applique aussi aux banques. D'ailleurs, Admati

et al. (2011) rejoignent Miller (1995). Ils rappellent que les investisseurs comprennent que les

dettes et les fonds propres deviennent moins risqués, à mesure que le niveau de capital

augmente. En revanche, la dette et les fonds propres sont plus risqués lorsque le niveau du

capital diminue. Dans ce dernier cas, les investisseurs sont capables d'évaluer le risque avec

précision. Pour ces derniers, le coût de financement d'une banque ne dépend donc pas de sa

structure de financement. Il est important de noter qu’en général les firmes essayent de trouver

un juste milieu entre fonds propres et dettes, afin de tirer profit des avantages fiscaux liés à la

politique d’endettement, tout en minorant les risques de dérapages qui se traduisent par des

difficultés financières pouvant conduire à la faillite. La politique de distribution de crédits est

indexée sur la nature des ressources et leur stabilité. Les dépôts étant transformés en emplois,

la capacité de transformation de la banque prend en compte la maturité desdits dépôts, car les

épargnants peuvent rapidement se ruer aux guichets des banques et mettre en péril la solvabilité

bancaire. Eu égard à cette situation, les banques ont recours à des ressources marchéisées dans

le cadre de leur politique de mobilisation de ressources. D’où l’intérêt des dirigeants et du

régulateur pour l’encadrement du levier. Cela passe par des mesures coercitives des différentes

opérations bancaires sur le marché monétaire ou encore sur le marché financier. Cependant, il

n’en demeure pas moins que des différents marchés cités, seules les ressources mobilisées sur

le marché financier obligataire permettent de mieux amortir les éventuelles pertes de gestion,

de par leur stabilité dans les états financiers. En outre, les ressources apportées par les

actionnaires en compte-courant, peuvent également servir à mitiger les éventuelles pertes.

Sur la base des développements précédents, notre illustration de capital optimum est retracée

dans le tableau 27 ci-après :

155

Tableau 27 : Simulation du capital optimum en couverture des encours de crédits de l’exercice 2016

Source : Auteur (2019), sur la base des dépouillements

Légende de lecture du tableau de simulation

(1) = ratio de solvabilité extrait du rapport annuel de la CBU (2) = 1F/0,08 (5) = (3)-1F (3) = 1F//(1) (6) = (3)* (8) (4) = (2)-(1) (9) = (5)* (8)

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)

Pays

Ratio moyen au 31/12/2016

Plafond prêt

théorique pr 1Fcfa

de FP adossé au

ratio Cooke

plancher (8%)

Plafond prêt

théorique pr 1Fcfa

de FP adossé au

ratio Cooke moyen (2016)

Plafond emprunt théorique pr 1Fcfa

de FP adossé au

ratio Cooke

plancher (8%)

Plafond emprunt théorique adossé au

ratio Cooke moyen (2016)

Plafond théorique de prêts adossés aux FP

nets (en Mds FCFA)

Encours de prêts consentis

(en Mds FCFA)

Fonds propres

nets (en Mds FCFA)

Plafond théorique

des emprunts adossés aux FP

nets (en Mds FCFA)

Dépôts bancaires

(en Mds FCFA)

Bénin 9,30% 12,50 10,75 11,50 9,75 2 172 1 440 202 1 970 2 085

Burkina 13,00% 12,50 7,69 11,50 6,69 2 631 2 230 342 2 289 2 747

Côte d'Ivoire 7,90% 12,50 12,66 11,50 11,66 6 430 5 501 508 5 922 6 173

Guinée Bissau 20,30% 12,50 4,93 11,50 3,93 118 108 24 94 1 505

Mali 15,90% 12,50 6,29 11,50 5,29 2 346 2 203 373 1 973 2 529

Niger 13,90% 12,50 7,19 11,50 6,19 957 800 133 824 829

Sénégal 14,50% 12,50 6,90 11,50 5,90 3 628 3 631 526 3 102 4 138

Togo 5,80% 12,50 17,24 11,50 16,24 2 690 2 694 156 2 534 1 561

156

La lecture du tableau 27, nous permet de faire les constats ci-après :

- hormis la place bancaire de Lomé avec des encours de crédits de 2 694 Mds FCFA

contre des dépôts de 1 561 MFCFA, les dépôts bancaires des sept (07) autres places

couvrent entièrement les encours de crédits ;

- le plafond théorique des prêts adossés aux fonds propres bancaires est en dépassement

de 7 Mds FCFA pour le Sénégal et le Togo, respectivement de 3 Mds FCFA (3 628-3

631) et 4 Mds FCFA (2690-2694). Toutefois, toutes les banques restent en mesure

d’activer le levier d’endettement, soit sur le marché monétaire, soit en procédant en la

transformation d’une partie des dépôts bancaires, en vue de mieux assurer

l’intermédiation financière par la distribution de crédits ;

- la Côte d’Ivoire et le Togo, avec respectivement des ratios Cooke moyen de 7 ,90% et

5,80% ne respectent pas la norme admise qui devrait se situer au-moins à 8% . Pour ces

deux (02) pays, cette situation est la résultante d’une amplification à la hausse du levier

de distribution de crédits indexés aux fonds propres. Pour la Côte d’Ivoire,

l’amplification est marginale et affiche seulement 0,16 F pour 1 F de fonds propres

(12,5-12,66). Quant au Togo, elle représente 4,74 F pour 1 F de fonds propres (12,5-

17,24).

Les résultats ci-avant présentés corroborent les travaux de Beltratti et Stulz (2012) relativement

au respect du ratio de solvabilité bancaire. Du reste, cela a été fondamental lors de la survenance

de la crise des subprimes. Les banques qui possédaient, entre autres, des niveaux de fonds

propres supérieurs à la moyenne, n’ont pas été durement touchées, à l’inverse de celles qui

avaient des niveaux de levier financier élevés avant son déclenchement. Il s’agit pour les

banques de jouer sur le coussin de sécurité, en fonction du cycle des affaires. De plus, de

nombreux travaux (Nier et Baumann, 2006 ; Jokipii et Milne, 2008 ; Shim, 2013 ; Guidara et

al., 2013) ont aussi examiné les déterminants du coussin de sécurité. Ils aboutissent aux mêmes

résultats sur le fait que les banques améliorent leur flexibilité financière en chargeant leurs

coussins de sécurité, pendant les périodes de conjoncture économique favorable pour les utiliser

en temps opportun, c’est-à-dire durant les périodes de détresse financière. D’où l’importance

d’une normalisation du coussin, en vue de faire face à la procyclicité des fonds propres.

157

CONCLUSION PARTIELLE

La meilleure pratique bancaire est au centre de la stabilité financière dans notre monde

« globalisée ». La crise des subprimes a une fois de plus placé les banques au centre des débats,

notamment leur rôle dans le bon dénouement de l’intermédiation financière et leur capacité à

faire face aux chocs exogènes. Cette crise a aussi mis en évidence le rôle essentiel que jouent

les Pouvoirs Publics, le superviseur et les banques centrales pour garantir la stabilité financière.

Un contrôle et une surveillance particulière des indicateurs de performances, notamment les

ratios prudentiels et la mise en œuvre des procédures internes de gestion et de suivi des risques

sont nécessaires pour s'assurer de l'efficacité de l'intermédiation bancaire.

Il est ressorti des analyses menées que, bien qu’elle soit moins stricte que les nouvelles règles

bâloises (Bâle 2 et 3), la réglementation Bâle 1, en vigueur sur la période d’analyse, n’a certes

pas été suffisamment éprouvée dans sa mise en œuvre mais s’est révélée globalement efficace.

Sur cent seize (116) banques en activités en 2016, quarante-quatre (44) ne respectaient pas la

norme de capital réglementaire. Le ratio moyen de solvabilité (Cooke) affiche 11,30 %, au-

dessus de la norme bâloise (8%). Cependant, sa valeur est dégradée et tirée vers le bas pour

deux (02) pays, à savoir : Togo (5,8%) et Côte d’Ivoire (7,9%). Ces résultats, quand bien ils

sont satisfaisants, ne doivent pas masquer certaines défaillances, enregistrées par des banques

qui ont été liquidées ainsi que les sanctions infligées à certains dirigeants de banques épinglées

dans les erreurs de gouvernance. Nous tenterons de corroborer les résultats préliminaires

obtenus sur la base des travaux exploratoires ci-avant présentés.

158

CHAPITRE 4. RESULTATS ET DISCUSSIONS DU MODELE D’ANALYSE

L’objectif du présent chapitre est de présenter une mesure de la solidité du système bancaire de

l’UMOA et d’en discuter des résultats obtenus. Nous y menons une analyse approfondie et

confirmatoire des résultats exploratoires trouvés dans le précédent chapitre. Ce faisant, nous

réalisons une étude empirique basée sur des données de panel couvrant la période 2005-2016

pour les huit (08) pays de l’UEMOA. Le logiciel Stata 14 est utilisé pour réaliser les tests et les

estimations économétriques.

Ce chapitre s’articule autour de deux sections. La première section présente la modélisation.

Dans ladite section, nous faisons une présentation des différents tests économétriques en

validation des résultats obtenus. Ces tests économétriques réalisés, visent essentiellement à

spécifier la nature des effets individuels de l’échantillon à travers le test de Hausman. La

deuxième section discute des résultats de la modélisation et présente les contributions pratiques

de la recherche. Dans un premier temps, nous présentons les résultats des estimations, mettant

en relief l’influence des apports de la solidité du système bancaire sur la stabilité financière.

Ensuite, nous analysons successivement la solidité, du point de vue géographique et au niveau

intra groupe.

SECTION 1 : ESSAI DE MODELISATION

Dans les développements qui suivent, nous présentons les tests de multicolinéarité ainsi que

d’autres tests économétriques (stationnarité en données de panel et spécifications du modèle

ainsi que l’égalité des moyennes).

1.1. Test de multicolinéarité

L’application des modèles de régression multiple, précède le respect d’une condition qui

nécessite l’absence de multicolinéarité entre les variables indépendantes (exogènes). Dans la

pratique, une colinéarité entre les variables explicatives est typiquement une erreur de

modélisation, qui peut se décrire à travers les indices suivants :

- les estimateurs sont sensibles à un petit changement de spécification du modèle (l’ajout

ou le retrait d’une variable provoque de grandes variations dans les estimateurs) ;

159

- le signe des coefficients estimés est illogique ou non consistant ;

- certains estimateurs ont une grande magnitude, mais de signes opposés.

Ces effets peuvent être causés par une instabilité numérique dans l’inversion de la matrice

[3′3]. Afin d’éviter ces effets, il est nécessaire de construire et d’analyser la matrice de

corrélation des variables du modèle empirique, qui peut servir de test de multi-colinéarité. Il

présente la matrice de corrélation des variables incluses dans le modèle. Elle sert de test de

multi-colinéarité entre les variables du modèle. En effet, son analyse indique une faible

corrélation entre les variables, et il en ressort que l’intégralité des variables utilisées présente

des coefficients faibles (inférieurs à 0.5).

Pour tester la robustesse de cette conclusion, nous avons construit la statistique Variance

Inflation Factors (VIF) pour tester la multi-colinéarité. Sa valeur vaut en moyenne 1,21,

inférieure à 5 (Cf. annexes). Les statistiques VIF associées à chaque variable ne dépassant pas

5 (les VIF individuels), on peut conclure une absence de multi-colinéarité entre les variables du

modèle. Ces dernières peuvent donc être maintenues dans un même modèle sans risque de

susciter un biais dans les résultats.

Le tableau 28 présente les coefficients de corrélation de Pearson des différentes variables du

modèle d’analyse.

160

Tableau 28: Matrice de corrélation des variables modélisées

Z-

Score fpta dstp csfp cnta pvcs rroe fptp rroa coex cstp vpib vinf tail

Z-Score 1,0000

fpta 0,1929 1,0000

dstp -

0,0688 0,1923 1,0000

csfp -

0,0220 0,0108 -0,0134 1,0000

cnta 0,1811 0,2585 -0,1177 0,0172 1,0000

pvcs 0,2693 -

0,0898 -0,0852 -0,0108 -0,0271 1,0000

rroe 0,0473 -

0,0530 -0,0258 -0,3189 -0,0049 0,0116 1,0000

fptp -

0,0413 0,0131 0,7931 -0,0096 -0,0563 -0,0226 -0,0082 1,0000

rroa 0,2124 0,8613 0,0891 0,0035 0,2645 -0,0855 -0,0015 -0,0210 1,0000

coex -

0,0970 -

0,0502 0,0207 -0,0171 -0,0515 0,0513 0,0011 0,0416 -0,0469 1,0000

cstp -

0,2147 -

0,4105 -0,0006 0,0062 -0,2713 0,0876 -0,0814 -0,0892 -0,4587 0,1315 1,0000

vpib -

0,1222 0,0511 -0,0325 0,0436 0,0207 -0,1661 -0,0712 0,0241 0,1023 0,0292 -

0,1003 1,0000

vinf 0,0019 -

0,0214 0,0787 -0,0610 0,0211 0,0331 0,0460 0,0742 -0,0305 0,0098 -

0,0132 0,0340 1,0000

tail -

0,0597 -

0,0747 -0,1980 -0,0144 -0,1024 0,1943 0,0860 -0,0665 0,0061 -

0,0362 0,0080 0,0292 -

0,1510 1,0000 Source : Auteur (2019), sur la base des dépouillements sur Stata 14 ; ***, **, * indiquent la significativité des coefficients respectivement au seuil de 1%, 5% et 10%.

161

1.2. Tests de stationnarité en données de panel

La régression économétrique suppose implicitement que les séries sont stationnaires. C’est sur

cette hypothèse stochastique que repose la validité des tests de l’économétrie classique.

Cependant, dans la pratique, la plupart des séries économiques sont rarement des réalisations

de processus aléatoires stationnaires. Il en résulte que l’on fasse des estimations des relations,

sensées être significatives entre plusieurs séries alors qu’en réalité. Ces séries n’ont aucun lien

entre elles, si ce n’est leur tendance commune (Gouriéroux et Montfort, 1995). Pour éviter cette

forme de régression liée à l’utilisation des séries temporelles non stationnaires, il est opportun

de tester la stationnarité des séries dans le cadre de l’estimation des modèles économétriques

mais aussi, l’inférence statistique. Cette condition se révèle encore plus importante avec l’ajout

de la dimension individuelle.

Les tests de racine unitaires sont devenus une démarche courante pour l’analyse de la

stationnarité des séries temporelles. Cependant, la mise en pratique de ces tests sur les données

de panel est récente.

Levin et Lin (1992) montrent que pour des échantillons de petite ou de moyenne taille comme

le nôtre, le test de racine unitaire sur données de panel peut atteindre des puissances

sensiblement meilleures à celles obtenues dans le cas de tests sur séries temporelles

individuelles. En ce qui concerne les tests de la racine unitaire en données de panel, une

distinction est faite entre deux générations. Les tests de la première génération reposent sur

l’hypothèse d'indépendance inter-individuelle et les tests de la seconde supposent la dépendance

interindividuelle.

Dans le cadre de notre modélisation, deux tests de stationnarité courants ont été conduits pour

vérifier l’existence de racine unitaire. Il s’agit du test de spécification homogène de la racine

autorégressive test de Levin, Lin et Chu (2002) et du test de spécification hétérogène de la

racine autorégressive de Im, Pesaran et Shin (2003). Ces deux tests font partie des tests qualifiés

de première génération et prennent en compte une plus grande hétérogénéité de la dynamique

de la série étudiée. Les résultats du test de racine unitaire, en données de panel contenus dans

le tableau 28 montrent aussi bien qu’avec ou sans trend, on enregistre des conclusions

162

concordantes sur toutes les variables (toutes les séries en panel). Ce qui signifie que

statistiquement, l’hypothèse de non stationnarité peut être rejetée.

163

Tableau 29 : Résultats des tests de racine unitaire sur données de panel

Variables z-score fptp fpta csfp cnta dstp cstp pvcs coex rroa rroe infl vpib

Sans trend

Levin, Lin et Chu -8,681 -16,97 -6,905 -11,3 -6,013 -3,43 -6,072 -13,93 -2,612 -9,955 -9,084 -12,253 -7,647

(0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,0003)*** (0,000)*** (0,000)*** (0,0045)*** (0,000)*** (0,000)*** (0,000)*/** (0,000)***

Im, Pesaran et Shin -3,3443 -4,4861 -3,4231 -6,8886 -3,5952 -2,754 -4,1136 -4,1532 -4,1136 -6,8237 -7,4598 -8,5159 -9,5195

(0,0004)*** (0,000)*** (0,0003)*** (0,000)*** (0,00002)*** (0,0029)** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)***

Avec trend

Levin, Lin et Chu -12,2572 -8,5685 -10,2934 -20,1785 -10,0195 -7,4383 -12,8128 -10,2891 -6,061 -14,2895 -11,2063 -23,7514 -10,3206

(0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)***

Im, Pesaran et Shin -6,0558 -7,2209 -6,3555 -7,7277 -7,3942 -5,6598 -6,5427 -7,0694 -5,7132 -9,0475 -9,9835 -10,6792 -10,3534

(0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** Source : Auteur (2019), sur la base d’un dépouillement sur Stata 14 ***, **, * indiquent la significativité des coefficients respectivement au seuil de 1%, 5% et 10%.

164

1.3. Tests de Spécification du modèle

Une des questions fondamentales sur les données de panel est relative à la modélisation des

différences de comportements interindividuelles et leur évolution temporelle (Bourbonnais,

2009). Autrement dit, la prise en compte de l’hétérogénéité et sa modélisation constitue l’un

des enjeux majeurs de l’analyse des données de panel. Afin de surmonter cet obstacle,

généralement deux modèles se distinguent, à savoir : le modèle à effets individuels spécifiques

fixes et le modèle à effets individuels spécifiques aléatoires (modèle à erreurs composées). Nous

faisons appel au test de Hausman, présenté au tableau 30 pour déterminer la nature des effets.

Ce dernier se base sous les hypothèses suivantes :

H 1 : le modèle à effets aléatoires n’est pas convergent

H0 : le modèle à effets aléatoires est efficace et convergent.

Tableau 30 : Test de spécification de Hausman

Variables (b) (B) (b-B)

fptp 7,972909 7,909064 0,063845

fpta 0,0325056 0,0160442 0,0164614

csfp -0,1254422 -0,124702 -0,0007402

cnta 0,3904538 0,399052 -0,0085982

dstp 0,0228029 0,0234212 -0,0006183

cstp -0,1005103 -0,0989174 -0,0015929

pvcs 0,0348172 0,0390616 -0,0042444

coex 1,994519 2,137132 -0,142613

rroa 0,0007097 0,0004518 0,0002579

rroe 0,7918466 0,6555247 0,1363219

infl -9,556746 -9,584797 0,028051

vpib 2,20862 2,256173 -0,047553

Prob<chi2 -2,77

b = consistent under Ho and Ha; obtained from xtreg

B = inconsistent under Ha, efficient under Ho; obtained from

xtreg

Test: Ho: difference in coefficients not systematic

chi2(12) = (b-B)'[(V_b-V_B)^(-1)](b-B)= -2,77 Source : Auteur (2019), sur la base d’un dépouillement sur Stata14

Sous l’hypothèse nulle de spécification correcte, cette statistique est asymptotiquement

distribuée selon un chi-deux à k degrés de liberté, soit le nombre de facteurs variables dans le

temps, introduits dans le modèle. Le test étant significatif (p-value < 1%) dans notre cas, nous

165

pouvons conclure que le test de Hausman permet de retenir les estimateurs du modèle à effets

fixes qui sont non biaisés. Dans le cas contraire, on retient ceux du modèle à erreurs composées,

car jugées efficaces.

Nous avons poursuivi l’analyse relative à la solidité bancaire en estimant un modèle dynamique

dans lequel un retard de la variable dépendante figure parmi les variables explicatives. Pour les

défenseurs de cette approche, un modèle en panel dynamique permet d’apporter des solutions

aux problèmes de simultanéité, de causalité inverse, des variables omises et d’endogénéité.

Concernant spécifiquement l’endogénéité des variables, nous avons eu recours au test

d’endogénéité de Nakamura Nakamura qui se fait en deux étapes. Dans un premier temps,

chaque variable endogène est régressée sur les variables exogènes du modèle et ses instruments.

Dans un second temps, les résidus de la première régression sont récupérés et introduits dans le

modèle initial. La significativité conjointe des coefficients des résidus est alors analysée. Au

total trois (03) variables du modèle sont endogènes59, à savoir csfp, rroa, coex. Pour lesdites

variables, l’hypothèse d’endogéneité ne peut être rejetée.

1.4. Tests d’égalité des moyennes

L’analyse des données de l’échantillon apporte des éclaircissements sur le choix et la nature

des variables à opérationnaliser dans le cadre de la validation du modèle. Etant donné que nous

avons procédé à une segmentation de l’échantillon de base en deux (02) sous-échantillons, nous

menons des tests d’égalité des moyennes des scores obtenus par les banques défaillantes et les

banques solides sous l’hypothèse d’égalité des variances. Pour comparer les moyennes de ces

deux (02) groupes de banques afin d’inférer les éventuelles relations entre les banques solides

de celles défaillantes, nous formulons deux (02) hypothèses. La première, l’hypothèse nulle

(Ho) postule l’absence de différence entre les différentes moyennes. La deuxième hypothèse

est celle alternative (H1). Elle énonce une différence et constitue donc un rejet de Ho, inférant

l’existence d’un lien entre les moyennes des banques solides et celles défaillantes.

59 - Pour certaines variables (csfp, rroa et coex), l’hypothèse d’endogénéité ne peut être rejetée (Cf. annexes).

166

Les résultats relatifs à la variable à expliquer (Z-score), sont présentés dans le tableau 31 :

Tableau 31 : Résultat du test d’égalité des scores

Variables

Moyennes

Diff

P-Values

Bques Solides

Bques Défaillantes

Variances égales

Z-score 8,975 -0,14 (9,116)*** 0,000

Oberv 555 273 Source : Auteur (2019), sur la base d’un dépouillement des données bancaires sur Stata 14 ***, **, * indiquent la significativité des coefficients respectivement au seuil de 1%, 5% et 10%.

Il se dégage du tableau 31 qu’au seuil de significativité de 1%, le score moyen réalisé par les

banques solides de l’échantillon affiche 8,975 contre -0.14 pour les banques défaillantes.

A l’image du test d’égalité des moyennes effectué pour la variable à expliquer, nous procédons

au même type de test en ce qui concerne deux (02) des quatre (04) variables d’intérêt,

significatives au seuil de 1%.

Les résultats des tests relatifs à ces variables explicatives sont présentés dans le tableau 32 :

Tableau 32: Résultat du test d’égalité des moyennes de deux (02) variables explicatives

Variables

Moyennes

Diff

P-Values

Bques Solides

Bques Défaillantes

Variances égales

fpta 0,137 0,034 (0,103)*** 0,000

cnta 0,531 0,363 (-0,169)*** 0,000

Oberv 555 273 Source : Auteur (2019), sur la base d’un dépouillement des données bancaires sur Stata 14 ***, **, * indiquent la significativité des coefficients respectivement au seuil de 1%, 5% et 10%.

Les ratios caractéristiques des banques solides sont nettement au-dessus des valeurs prises par

ceux des banques défaillantes. Le ratio de capitalisation pondéré à 100% des actifs (fpta) dégage

un surplus de 75% par rapport à celui des banques défaillantes. Il en est de même du ratio

d’intermédiation (cnta) des banques solides dont le surplus représente 32% de celui des banques

défaillantes.

167

Toujours dans une démarche comparative, nous testons l’égalité des moyennes, d’une part entre

les deux (02) sous-échantillons (S/P1 : 2005-2009 et S/P2 : 2010-2016) et, d’autre part entre

les banques solides et les banques défaillantes sous l’hypothèse d’égalité des variances. Ces

tests ont concerné les variables caractérisant la rentabilité (rroa, rroe), le portefeuille (cstp) et

une variable exprimant aussi bien la rentabilité que la gouvernance (coex). Les résultats de

cette analyse statistique sont présentés dans le tableau 33.

168

Tableau 33: Résultat des tests d'égalité des moyennes

33-1 S/P1: 2005-2009

Variables

Moyennes

Diff

P-Values

Bques

Solides

Bques

Défaillantes

Variances

égales

rroa 0,008 -0,035 (-0,043)*** 0,000

coex 0,813 1,3 (0,496)*** 0,000

cstp 0,16 0,26 (0,102)*** 0,000

Oberv 234 111

33-2 S/P2: 2010-2016

Variables

Moyennes

Diff

P-Values

Bques

Solides

Bques

Défaillantes

Variances

égales

rroa 0,0122 -0,0255 (-0,037)*** 0,000

coex 0,802 2,668 (1,867)** 0,053

cstp 0,144 0,299 (0,155)*** 0,000

Oberv 321 162

33-3 Echantillon global

Variables

Moyennes

Diff

P-Values

Bques

Solides

Bques

Défaillantes

Variances

égales

rroe 0,153 -0,356 (-0,619)*** 0,008

rroa 0,01 -0,029 (-0,040)*** 0,000

coex 0,802 2,11 (0,02)** 0,021

csfp 0,15 0,283 (0,133)*** 0,000

Oberv 555 273

Source : Auteur (2019), sur la base d’un dépouillement sur Stat 14 ***, **, * indiquent la significativité des coefficients respectivement au seuil de 1%, 5% et 10%.

L’examen du tableau 33 fait ressortir que les banques solides se distinguent des banques

défaillantes au regard des valeurs prises par leurs ratios caractéristiques. Les banques

défaillantes ont des ratios de rentabilité négatifs, en moyenne -0,356 et -0,029 respectivement

pour la rentabilité financière (rroe) et la rentabilité économique (rroa). A contrario, les ratios

moyens des banques solides sont nettement au-dessus des banques défaillantes, affichant

169

respectivement 0,153 (rroe) et 0,01 (rroa). Ces différences sont statistiquement significatives

au seuil de 1%. Le coefficient d’exploitation (coex), indicateur privilégié de maîtrise des

charges fixes bancaires affiche une moyenne de 2,11 pour les banques défaillantes contre

seulement 0, 802 pour les banques solides et significatif au seuil de 5%. Quant au taux de

dégradation du portefeuille (cstp), il affiche une moyenne de 0,283 pour les banques défaillantes

et 0,15 pour les banques solides et significatives au seuil de 1%.

SECTION 2 : DISCUSSIONS DES RESULTATS ET CONTRIBUTIONS

PRATIQUES DE LA RECHERCHE

Dans la dernière section de nos travaux, nous présenterons dans un premier temps, les résultats

obtenus en droite ligne avec la problématique de recherche puis nous mènerons des discussions

autour des résultats obtenus. Ensuite, nous analyserons les résultats issus de la modélisation des

données financières des groupes bancaires avant de déboucher sur les contributions pratiques

de la recherche et les limites qui en découlent ainsi que les perspectives.

2.3. Présentation des résultats

Dans ce paragraphe, nous présentons au prime abord, les résultats des données agrégées des

banques de l’échantillon pour les huit (08) pays de l’UEMOA. Ensuite, nous nous intéressons

à la présentation des résultats du panel dynamique par la méthode de Blundell et Bond.

2.3.1. Analyse des données agrégées des banques de l’UEMOA

Les résultats de la modélisation économétrique sont synthétisés dans le tableau 34. Au total,

nous avons réalisé onze (11) estimations sur des groupes de variables explicatives du modèle

d’analyse, respectivement aux seuils de 1%, 5% et 10%. Cela, d’autant plus que la littérature

abondante sur le secteur bancaire nous renvoie à des débats contradictoires, animés par

différents courants de pensés, notamment en ce qui concerne les variables de mesure de la

solidité bancaire.

170

La combinaison des estimations effectuées est récapitulée ci-dessous :

Estimation des variables d’intérêt (cnta, csfp, fpta, fptp) ;

Estimation intégrant les variables de qualité de portefeuille (cstp, pvcs) et les variables

d’intérêt (cnta, csfp, fpta, fptp) ;

Estimation intégrant les variables de liquidité (dstp) et les variables d’intérêt (cnta,

csfp, fpta, fptp) ;

Estimation intégrant les variables de gouvernance (coex, pvcs) et les variables

d’intérêt (cnta, csfp, fpta, fptp) ;

Estimation avec les variables de capitalisation (csfp, fptp, fpta) ;

Estimation intégrant les variables de rentabilité (coex, rroa, rroe) et les variables

d’intérêt (cnta, csfp, fpta, fptp) ;

Estimation intégrant les variables économiques (vinfl, vpib) et les variables d’intérêt

(cnta, csfp, fpta, fptp) ;

Estimation intégrant simultanément la gouvernance (pvcs,), la liquidité (coex, dstp,

pvcs) et les variables d’intérêt (cnta, csfp, fpta, fptp) ;

Estimation intégrant simultanément la gouvernance, la liquidité (coex, dstp, pvcs) et la

capitalisation (csfp, fptp, fpta) ;

Estimation intégrant simultanément la gouvernance, la liquidité, la rentabilité (coex,

dstp, rroa, rroe, pvcs) et les variables d’intérêt (cnta, csfp, fpta, fptp) ;

Et une estimation avec l’ensemble des variables du modèle.

Les résultats des onze (11) estimations sont présentés dans le tableau 34. Ces résultats sont

obtenus à partir des estimations des modèles à effets fixes60, sous l’option « robust », pour

prendre en compte, aussi bien les effets spécifiques banques que les effets spécifiques groupes

bancaires. La prise en compte de ces deux types d’effets spécifiques nous a permis de mener

une analyse plus approfondie sur la question de la solidité bancaire dans les pays de l’UEMOA.

Le processus de validation des hypothèses est basé sur les tests, suivant la théorie

financière et bancaire, et au regard des signes attendus des variables de la modélisation.

Il s’agira donc de mettre en exergue les résultats obtenus à la lumière des relations

60 - Il convient de relever que précédemment à ces estimations, le test de Hausman a été appliqué. Ce dernier nous a orienté vers des estimations à effets fixes, prenant en compte aussi bien les effets spécifiques banques que les effets spécifiques groupes bancaires (Cf. annexes).

171

statistiques existantes entre les variables explicatives du modèle et la variable à expliquer,

au regard des différentes estimations.

2.3.1.1. Modèle 1 : Variables d’intérêt

La première estimation a concerné les variables d’intérêt au nombre de quatre (04) : crédits nets

sur total actif (cnta), créances en souffrance sur fonds propres (csfp), fonds propres sur total

actif (fpta) et fonds propres sur total prêts (fptp). Statistiquement, trois (03) variables sont

significatives, dont deux (02) au seuil de 1% (fpta, csfp) et une (cnta) à 5%.

2.3.1.2. Modèle 2 : Variables d’intérêt et celles traduisant la qualité de

portefeuille

Le deuxième modèle a consisté en une estimation simultanée des variables d’intérêt et celles

relatives au portefeuille d’actifs. Au total, six (06) variables sont concernées, à savoir : les

provisions sur les créances en souffrances (pvcs), les créances en souffrances sur le total des

prêts (cstp), les fpta, les csfp et les cnta. Il en ressort que quatre (04) variables sont

statistiquement significatives, dont trois (03) au seuil de 1% (fpta, csfp et pvcs) et une au seuil

de 5% (cnta).

2.3.1.3. Modèle 3 : Variables d’intérêt et celles traduisant la liquidité bancaire

La prise en compte des variables de liquidité, associées aux variables d’intérêt nous conduit au

troisième modèle estimé. Les variables de liquidité du modèle d’analyse sont : les dépôts sur le

total des prêts (dstp) et les cnta. Sur ces cinq (05) variables estimées, trois (03) sont

statistiquement significatives, dont deux (02) au seuil de 1% (fpta, csfp) et une à 5% (cnta).

2.3.1.4. Modèle 4 : Variables d’intérêt et celles traduisant la gouvernance

bancaire

La quatrième estimation a concerné les variables d’intérêt (cnta, csfp, fpta, fptp) et les variables

de gouvernance, au nombre de deux (02) dans la modélisation : le coefficient d’exploitation

(coex) et les provisions sur les créances en souffrances (pvcs). Statistiquement, quatre (04)

172

variables sont significatives, dont trois (03) au seuil de 1% (cstp, pvcs et csfp) et une (cnta) à

5%.

2.3.1.5. Modèle 5 : Variables de capitalisation

Trois (03) des variables d’intérêts traduisent la capitalisation bancaire, représentée par csfp, fpta

et fptp. Statistiquement, deux (02) sont significatives au seuil de 1% (fpta et csfp).

2.3.1.6. Modèle 6 : Variables d’intérêt et celles traduisant la rentabilité bancaire

La prise en compte des variables de rentabilité, associées aux variables d’intérêt (cnta, csfp,

fpta, fptp) nous conduit au sixième modèle estimé. Les variables de rentabilité du modèle

d’analyse sont : le coefficient d’exploitation (coex), la rentabilité des fonds propres (rroe) et la

rentabilité économique (rroa). Sur ces sept (07) variables estimées, quatre (04) sont

statistiquement significatives, dont trois (03) au seuil de 1% (csfp, fpta et rroe) et une à 5%

(cnta).

2.3.1.7. Modèle 7 : Variables d’intérêt et les variables économiques

Nous intégrons deux (02) variables économiques (vpib et infl) dans le modèle d’analyse pour

apprécier le pouvoir d’achat des ménages et la capacité des entreprises à créer de la valeur. Cela

nous conduit à opérer une septième estimation autours de six (06) variables explicatives.

Statistiquement, quatre (04) variables sont significatives, dont trois (csfp, fpta, et vpib) au seuil

de 1% et une (cnta) au seuil de 5%.

2.3.1.8. Modèle 8 : Variables d’intérêt et celles traduisant la gouvernance et la

liquidité

Le huitième modèle a consisté en une estimation simultanée des variables d’intérêt (cnta, csfp,

fpta, fptp) et celles relatives à la gouvernance et à la liquidité (coex, dstp, pvcs). Sur les sept

(07) variables concernées, cinq (05) sont statistiquement significatives, respectivement au seuil

de 1% (fpta, csfp, cnta) et deux (fptp, pvcs) au seuil de 5%.

173

2.3.1.9. Modèle 9 : Variables de capitalisation et celles traduisant la gouvernance

et la liquidité

Le neuvième modèle a consisté en une estimation simultanée des variables de capitalisation

(csfp, fpta, fptp), celles relatives à la gouvernance et à la liquidité (coex, dstp, pvcs). Sur les six

(06) variables concernées, trois (03) sont statistiquement significatives au seuil de 1% (fpta,

pvcs, csfp).

2.3.1.10. Modèle 10 : Variables d’intérêt et celles traduisant la gouvernance, la

liquidité et la rentabilité

Dans un dixième modèle, nous procédons simultanément à une estimation des variables

d’intérêts (cnta, csfp, fpta, fptp), des variables de rentabilité (coex, rroa, rroe), la variable de

liquidité (dstp) et des variables de gouvernance (coex, pvcs). Il ressort statistiquement cinq (05)

variables significatives, dont quatre (fpta, pvcs, rroe, csfp) au seuil de 1% et une (cnta) au seuil

de 5%.

2.3.1.11. Modèle 11 : Estimation intégrant l’ensemble des variables

Dans le processus d’estimation, nous avons fait appel à soixante-neuf (69) variables indicatrices

de type dummy pour capter les effets individuels des banques de l’échantillon, en plus des

variables exogènes relevées dans la littérature bancaire et financière. Il ressort statiquement que

sept (07) des variables exogènes sont significatives et susceptibles d’expliquer le modèle

d’analyse. Au seuil de 1%, la significativité est avérée pour les variables : fpta, csfp, pvcs et

vpib tandis qu’au seuil de 5%, la variable cnta est significative. Enfin, la significativité de la

variable rroa est assurée au seuil de 10%.

Les tableaux 34 et 35 présentent en détail les estimations réalisées :

174

Tableau 34 : Synthèse des estimations multiples du modèle d’analyse

Source : Auteur (2019), sur la base d’un dépouillement des données secondaires sur STATA 14 ***, **, * indiquent la significativité des coefficients respectivement au seuil de 1%, 5% et 10%.

Variables Modèle 1 Modèle 2 Modèle 3 Modèle 4 Modèle 5 Modèle 6 Modèle 7 Modèle 8 Modèle 9 Modèle 10 Modèle 11

(0,0,29) (0,202) (0,351) (0,275) (0,393) (0,859) (0,222) (0,375) (0,406) (0,461) (0,404)

fptp 0,037 0,044 0,039 0,038 0,029 0,0013 0,042 0,037 0,035 0,031 0,035

(0,000)****(0,000)**** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)***

fpta 7,83 8,14 7,83 7,92 8,38 7,75 7,87 7,92 8,48 7,82 7,97(0,001)****(0,000)*** (0,000)**** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)* (0,000)*** (0,000)***

csfp -0,09 -0,088 -0,09 -0,086 -0,089 -0,121 -0,097 -0,086 -0,085 -0,12 -0,013(0,029)** (0,014)** (0,030)** (0,018)** (0,05)** (0,031)** (0,019)** (0,033)** (0,036)**

cnta 0,41 0,46 0,41 0,44 0,37 0,402 0,44 0,402 0,39(0,916) (0,984) (0,833) (0,784) (0,617)

dstp -0,0007 0,0013 -0,014 0,0177 0,032

(0,123) (0,022)** (0,183) (0,162)

cstp 0,86 -1,43 -0,84 0,792

(0,001)**** (0,001)*** (0,001)*** (0,001)*** (0,000)*** (0,007)***

pvcs 0,028 0,029 0,029 0,028 0,03 0,02(0,969) (0,859) (0,968) (0,918) (0,979) (0,927)

coex 0,0003 0,001 -0,00031 -0,0008 -0,0002 0,01

(0,347) (0,263) (0,095)***

rroa 1,12 1,32 1,99(0,000)*** (0,000)*** (0,000)***

rroe -0,1 -0,1 -0,1(0,446) (0,300)

infl 1,63 2,2

(0,000)*** (0,000)***

vpib -11,02 -9,56Obv 828 828 828 828 828 828 828 828 828 828 828

175

Tableau 35 : Résultats de l’estimation intégrant l’ensemble des variables explicatives

Source : Auteur (2019), sur la base d’un dépouillement sur stata 14 ; ***, **, * indiquent la significativité des coefficients respectivement au seuil de 1%, 5% et 10%.

Variables Explicatives

(0,404) (0,002)*** (0,000)*** (0,000)*** (0,000)*** (0,003)***

fptp 0,35 dummyBanque3; -2,019 dummyBanque18; -3,59 dummyBanque30; -3,78 dummyBanque49; 11,38 dummyBanque63; -1,97

(0,000)*** (0,000)*** (0,000)*** (0,003)*** (0,000)*** (0,032)***

fpta 7,97 dummyBanque5; -3,213 dummyBanque19; 7,68 dummyBanque31; -1,997 dummyBanque50; 3,26 dummyBanque64; -1,39

(0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,000)***

csfp -0,125 dummyBanque7; -3,25 dummyBanque20; 7,78 dummyBanque32; -2,43 dummyBanque51; -2,34 dummyBanque65; 5,00

(0,036)** (0,000)*** (0,000)*** (0,041)** (0,000)*** (0,013)***

cnta 0,39 dummyBanque8; -2,91 dummyBanque21; 23,64 dummyBanque33; -1,35 dummyBanque52; 14,40 dummyBanque66; -1,62

(0,617) (0,037)** (0,000)*** (0,000)*** (0,000)*** (0,000)***

dstp 0,32 dummyBanque9; -1,36 dummyBanque22; 20,84 dummyBanque34; -2,89 dummyBanque53; 3,05 dummyBanque67; 7,06

(0,162) (0,000)*** (0,000)*** (0,000)*** (0,000)*** (0,008)***

cstp 0,792 dummyBanque10; -2,54 dummyBanque23; 13,21 dummyBanque36; -2,48 dummyBanque54; 13,44 dummyBanque68; -2,80

(0,007)*** (0,000)*** (0,039)** (0,002)*** (0,000)***

pvcs 0,023 dummyBanque11; -2,7 dummyBanque24; -1,36 dummyBanque38; 2,045 dummyBanque55; 8,33

(0,927) (0,000)*** (0,000)*** (0,000)*** (0,000)***

coex 0,001 dummyBanque12; 2,44 dummyBanque25; 8,13 dummyBanque39; 5,11 dummyBanque56; 9,99

(0,095)* (0,000)*** (0,000)*** (0,000)*** (0,000)***

rroa 1,99 dummyBanque13; -4,37 dummyBanque26; 9,82 dummyBanque40; 4,49 dummyBanque57; 13,35

(0,000)*** (0,000)*** (0,000)*** (0,10)* (0,000)***

rroe -0,101 dummyBanque14; 5,33 dummyBanque27; -2,46 dummyBanque42; -1,082 dummyBanque58; 11,95

(0,300) (0,000)*** (0,000)*** (0,000)*** (0,000)***

infl 2,208 dummyBanque15; 3,069dummyBanque28; 3,94 dummyBanque43; -3,57 dummyBanque59; 9,55

(0,000)*** (0,000)*** (0,063)*** (0,000)*** (0,000)***

vpib -9,56 dummyBanque16; 3,74 dummyBanque29; 1,23 dummyBanque44; 7,696 dummyBanque60; 13,94

(0,000)*** (0,000)*** (0,000)***

_Cons 2,200 dummyBanque17; -3,68 dummyBanque61; 15,95

Indicatrices

176

2.3.2. Résultats du panel dynamique avec la méthode de Blundell et

Bond

Dans la modélisation en panel dynamique, on utilise un estimateur calculé par la Méthode des

Moments Généralisés (MMG) ou GMM. Cet estimateur connaît deux variantes : GMM en

première différence (Arellano et Bond, 1991) et GMM en système (Blundell et Bond, 1998).

La MMG en système de Blundell et Bond (1998) consiste à utiliser dans un premier temps les

équations en première différence. Cela consiste pour chaque période en la prise en compte pour

chaque période, la première différence de l’équation à estimer pour éliminer les effets

spécifiques. Dans une seconde phase, on procède à l’instrumentalisation des variables

explicatives de l’équation en première différence par leurs valeurs, en niveau retardé d’une

période ou plus. Par la suite, une combinaison de ladite équation avec celle en niveau (les

variables sont instrumentalisées par leur première différence) est effectuée. L’utilisation de cet

estimateur repose sur une hypothèse de quasi stationnarité des variables de l’équation en niveau

et sur l’absence d’autocorrélation des résidus.

Nous avons utilisé la méthode de Blundell et Bond (1998) en renforçant la robustesse de l’écart

type des erreurs. Sur cette base, la simulation est globalement significative. Le tableau 35

présente l’extrait des tests effectués à cet effet. Nous avons pratiqué une série de tests permettant

de s’assurer de l’efficacité des coefficients de chaque spécification prédéfinie. C’est dans cette

veine que nous avons fait appel au test d’autocorrélation des résidus de Sargan et de Hansen

177

Tableau 36: Résultat du modèle dynamique

Variables

Z-score 0,942

(0,003)***

fptp 0,624

(0,000)***

fpta 2,333

(0,000)***

csfp -0,008

(0,000)***

cnta 1,885

(0,142)

dstp -0,077

(0,000)***

cstp 4,892

(0,185)

pvcs -0,006

(0,676)

coex 0,036

(0,000)***

rroa 9,196

(0,121)

rroe -0,049

(0,00)***

regl 1,208

(0,000)***

vinf 7,265

(0,000)***

vpib -6,455

(0,000)***

_Cons -1,983

Test AR(1) 0,000

Test AR(2) 0,142

Test sargan 0,029

Ttest Hansen 0,002 Source : Auteur (2019), sur la base d’un dépouillement sur Stata 14

***, **, * indiquent la significativité des coefficients respectivement au seuil de 1%, 5% et 10%.

Les coefficients sont estimés selon la méthode des GMM, modèle d’Arellano et Bond two step, Les chiffres entre parenthèses

représentent les p-values. Les tests de Sargan et de Hansen sont les tests de sur-identification des variables instrumentales, les

chiffres entre parenthèses représentent les pvalues de la statistique du test de Sargan. Les tests AR (1) et AR (2) représentent

respectivement les tests d’autocorrélations de premier ordre et de second ordre d’Arellano et Bond des erreurs : les chiffres

entre parenthèses représentent la P-value de la statistique des Tests.

178

Du tableau 36, il ressort que statistiquement, huit (08) des variables exogènes sont significatives

au seuil de 1% et susceptibles d’expliquer le modèle d’analyse. Ce sont les variables suivantes :

fptp, fpta, csfp, dstp, pvcs, cnta, rroe et vpib. Cependant, il est à noter que les signes attendus

de deux (02) des variables significatives ne sont pas ceux obtenus (rroe et vpib).

2.3.2.1. Test de Sargan de validité des instruments

Le test de Sargan permet de tester la validité des instruments utilisés dans le modèle GMM.

C’est un test de sur-identification des instruments. L’hypothèse nulle signifie que les variables

instrumentales ne sont pas corrélées avec certains résidus. Mais elles sont acceptées comme des

instruments valides. L’hypothèse nulle nous permet de déduire que les résidus ne doivent pas

être corrélés avec les variables exogènes si les instruments sont valides. Nous avons pratiqué

ce test sur les modèles GMM spécifiés définis par les différentes variables. Avec la procédure

de choix des hypothèses du test de Sargan, si la probabilité du test est supérieure à 5%,

l’hypothèse nulle est acceptée, donc les instruments sont valides. Le cas échéant, si la p-value

est inférieure à 5%, l’hypothèse nulle est rejetée, donc les instruments ne sont pas valides.

2.3.2.2. Test de Hansen de Validité des instruments

Tout comme le précédent, le test de Hansen permet lui aussi de valider les variables

instrumentales utilisées dans les régressions multiples. Aussi, avons-nous également pratiqué

une série de tests de Hansen sur les différentes régressions. Le test de sur-identification de

Hansen a pour objectif de tester l’orthogonalité des variables instrumentales par rapport aux

résidus. Il permet de confirmer que les instruments sont valides. Les séries de tests de Hansen

pratiquées nous ont conduit à ne pas rejeter l’hypothèse nulle H0, celle de la validité de nos

instruments (p-value supérieure à 5%) ce qui signifie que les modèles que nous avons spécifiés

sont bons et que le choix des instruments est adéquat.

2.3.2.3. Test d’autocorrélation des résidus d’Arellano et Bond

Le test d’autocorrélation des résidus de second ordre AR (2) d’Arellano et Bond (2002) permet

de tester l’hypothèse nulle d’absence d’autocorrélation des résidus. Dans le souci de s’assurer

de l’efficacité de l’estimateur GMM et de la robustesse des résultats de nos estimations, nous

avons pratiqué une série de tests d’autocorrélation des résidus AR (2) selon nos différentes

179

spécifications. La procédure de validation de ces tests est de comparer la p-value de AR (2) à

5%.

En résumé, le récapitulatif des hypothèses est présenté dans le tableau 37 ci-après :

Tableau 37 : Synthèse des résultats de la validation des hypothèses

HYPOTHESES FORMULEES RESULTATS Hyp 1 La mise en œuvre de la nouvelle

norme du capital réglementaire renforce significativement la capacité de résilience des banques.

Validé - une hausse du ratio fpta d’un point entraine une augmentation significative de 2,333 au seuil de 1% de la capacité de la banque à résister aux chocs défavorables ;

- degré de couverture des risques d’actifs est assuré sur la base des fonds propres à hauteur de 7, 407 ;

- Hyp 2 Il existe une interaction positive

et significative entre la bonne application de la règlementation prudentielle relative à la gestion du portefeuille de créances et la solidité des banques.

Validé - Une augmentation du ratio cnta d’un point entraine une amplification de la solidité de 1,885 ;

- Au seuil de 1%, l’impact de la règlementation sur le provisionnement des créances (csfp) impacte négativement la solidité que de -0,008

Source : Auteur (2019), sur la base des dépouillements

En nous référant, d’une part, aux indicateurs de significativité et d’autre part, aux variables

opérationnalisées, le tableau 37, permet de de mettre en exergue la synthèse de la validation des

hypothèses formulées dans le cadre de nos travaux. En comparant les coefficients, on constate

que des interactions existent entre les différents cas de figures pris en charge dans les différentes

dimensions étudiées.

Le diagramme explicatif des liens fonctionnels entre les questions, les hypothèses et les résultats

de la thèse est présenté ci-dessous :

180

Figure 20 : diagramme fonctionnel des liens entre les questions, les hypothèses et les résultats

Source : Auteur (2019), sur la base des résultats de la thèse.

Dans les paragraphes qui suivent, nous discutons des résultats de la modélisation empirique.

181

2.4. Discussions des résultats des données agrégées

Dans les développements qui suivent, nous proposons des explications aux résultats obtenus en

réponse à la problématique de cette thèse. Pour cela, nous faisons distinguer les effets perçus

de la modification du capital, sur la solidité des effets perçus sur la qualité du portefeuille.

Il ressort des différents tests effectués que le modèle est globalement significatif. En effet, non

seulement la variable retardée (Z-score) est significative, mais aussi les variables fptp, fpta,

regl, csfp, cnta, rroa, cstp vinf et vpib sont significatives à 1%. Cependant, certains résultats de

la modélisation relatifs, notamment à l’apport des variables économiques sur la solidité sont en

désaccord avec la théorie, car leur coefficient modélisé ne converge pas sur les signes espérés.

Les résultats du modèle d’analyse montrent un rattachement à trois (03) dimensions pour

expliquer l’instabilité du système bancaire. La première d’entre elles concerne le niveau de

capitalisation. La deuxième dimension est relative à l’état du portefeuille des créances, qui peut

être sain ou dégradé.

2.4.1. Effets perçus de la modification du seuil du capital réglementaire

sur la solidité des banques

La vérification de la première hypothèse passe par celle des différentes dimensions retenues

pour illustrer la solidité. Au nombre des dimensions retenues, figure en bonne place le degré de

capitalisation et la réglementation prudentielle en la matière. Cette hypothèse sera validée au

vu de la significativité de la variable, traduisant la modification de la norme de capital

réglementaire. Son influence positive est matérialisée par son signe positif. Sa proportion dans

la solidité est représentée par le coefficient de la variable. Lorsque le coefficient de la variable

(regl) y relative est élevé, cela traduit une grande proportion de l’influence réglementaire sur la

solidité. Par ailleurs, nous cherchons à nous positionner sur les valeurs prises par les scores

décomposés dans le cadre de la validation ou non de l’hypothèse formulée.

Relativement à la classification des banques en fonction du statut suivant qu’elles soient solides

ou non, Altman (1968) distingue les trois (03) classes suivantes :

- Z-score > 2,99 : banque jouissant d’une excellente solidité ;

182

- 1,81< Z-score< 2,99 : banque modérément solide ;

- Z-score < 1,81 : banque défaillante.

Les résultats illustrés dans les tableaux 31 et 32 indiquent bien la pertinence de la

réglementation du capital des banques de l’UMOA. L'analyse des données indique bel et bien

la différence entre les deux S/P (S/P1 : avant modification et S/P2 : après modification). Cette

situation est l’un des premiers constats de l’importance des fonds propres et la qualité de

portefeuille de créances dans la solidité bancaire. L’examen du tableau 32-2 montre que la

S/P2, marquée par la modification du seuil du capital réglementaire, correspond à la période la

plus performante en termes de consolidation des indicateurs de performance bancaire. Une

comparaison du coefficient moyen des banques solides en est faite par rapport à la S/P1. Ainsi,

la dégradation du portefeuille (cstp) des banques solides a connu une baisse, passant de 0,16

(S/P :1), à 0,144 (S/P : 2), la rentabilité économique (rroe) est en hausse passant de 0,008

(S/P :1), à 0,0122 (S/P : 2), significative au seuil de 1%. Le coefficient d’exploitation (coex),

indicateur privilégié de maîtrise des charges fixes bancaires a connu également une baisse,

passant, de 0,813 (S/P1) à 0,802 (S/P2).

L’évolution des tests d’égalité des moyennes de certaines variables61 du modèle d’analyse

traduisant la gouvernance et débouchant sur la rentabilité, est donnée par les figures 21 et 22

ci-après :

61 Voir tableau 33, pour détail.

183

Figure 21 : Evolution sur les 02 S/P des indicateurs de gouvernance et rendement des banques

défaillantes

Source : Auteur (2019)

Figure 22 : Evolution sur les 02 S/P des indicateurs de gouvernance et rendement des banques solides

Source : Auteur (2019)

Les résultats affichés montrent l’existence d’une relation positive de la modification du seuil

du capital réglementaire sur la solidité du système bancaire. En atteste les coefficients moyens

affichés des indicateurs ci-avant présentés. Cela témoigne non seulement d’une bonne mise en

œuvre des règles prudentielles de bonne gestion, mais aussi d’un meilleur suivi opéré par le

superviseur, qui a mis l’accent sur la fréquence de conduite des contrôles sur place.

(0,43)

(0,04)

1,30

0,26

(0,30)

(0,03)

2,67

0,30

rroe rroa coex cstp

Banque Défaillantes (2005-2009) Banque Défaillantes (2010-2016)

0,19

0,01

0,813

0,16 0,13

0,01

0,802

0,14

rroe rroa coex cstp

Bques Solides (2005-2009) Bques Solides (2010-2016)

184

Dans les paragraphes qui suivent, nous abordons successivement les influences relatives à la

réglementation et les niveaux de fonds propres.

2.4.1.1. Influence de la modification du capital réglementaire

Les résultats de nos analyses montrent que la modification de la réglementation du capital s’est

traduite par un renforcement de la solidité du secteur bancaire. La variable réglementaire (regl)

est significative et explique la solidité bancaire de l’UMOA à 99%. La mise en œuvre de la

nouvelle norme de capital s’est traduite par une amplification de la solidité de 1,208. Ces

résultats sont en accord avec des travaux empiriques (Dannon et Lobez, 2014 ; Camara, 2010).

2.4.1.2. Degré de couverture des risques bancaires par les fonds

propres bancaires

Les Z-scores représentent une méthode de quantification des risques qui caractérisent l’activité

des banques. Cette technique est devenue une méthode prisée pour mesurer la solidité des

banques et institutions financières (Solhi et Mehdi, 2012). C’est un proxy, inversement corrélé

avec la probabilité d’insolvabilité bancaire. S’agissant particulièrement de la variable endogène

(Z-score), le caractère dynamique du modèle d’analyse est validé par une série de onze (11)

régressions.

Les résultats de nos analyses montrent que la solidité bancaire est dynamique, car la variable

retardée (Z-score) est statistiquement significative au seuil de 1%. Ces résultats sont en accord

avec la littérature financière et bancaire (Dannon et Lobez, 2014 ; Solhi et Mehdi, 2012 ;

Goyeau et Tarazi, 1992). Ces auteurs affirment que la solidité courante de la banque est

expliquée par son état initial et par la variable retardée endogène. Il va s’en dire qu’une solidité

antérieure élevée influence positivement et significativement la solidité bancaire en cours et

vis-versa. Ce résultat confirme ceux du test d’égalité des moyennes, présenté au tableau 33. Il

en résulte donc que le niveau de solidité devra être le plus élevé possible pour permettre à la

banque de jouer efficacement son rôle d’intermédiation financière. En décomposant le Z-score

en ses deux (02) composantes (Z= Z1+Z2), l’interprétation de la performance réalisée par les

banques devient intéressante à plus d’un titre pour les managers (Goyeau et Tarazi, 1992). La

première composante (Z1) représente la rentabilité nette ajustée du risque encouru par les

185

banques et la deuxième (Z2), correspond au degré de couverture du risque de portefeuille par

les fonds propres bancaires.

Plusieurs interprétations et enseignements peuvent être tirés de ces estimations. Le paramètre

d’ajustement associé au retard de la variable dépendante est positif et significatif au seuil de

1% pour notre échantillon d’étude. Cette situation traduit bel et bien une dynamique d’évolution

de la solidité bancaire dans les différents pays de l’UEMOA. Celle-ci dépend bien positivement

de son niveau passé et présage de l’avenir. Il en découle que le score réalisé par les banques de

l’UEMOA est largement indexé au degré de couverture du risque de portefeuille d’actifs (7,407)

et pour l’autre partie (1,556) adossée à la rentabilité nette ajustée du risque. Cette rentabilité

nette, ajustée des banques, se distingue clairement selon que la banque soit solide ou défaillante.

En termes relatif, l’écart de rendement entre les banques solides et celles défaillantes est de

112%. Dans la même logique, le degré de couverture du risque de portefeuille d’actifs par les

fonds propres des banques solides excède celui des banques défaillantes de 98%. Le tableau 38

présente le test d’égalité des moyennes de la décomposition du Z-Score.

Tableau 38 : Test d’égalité des scores décomposés

Variables

Moyennes

Diff

P-Values

Bques Solides

Bques Défaillantes

Variances égales

Z1 1,556 -0,185 (1,741)*** 0,000

Z2 7,407 0,168 (7,239)*** 0,000

Oberv 555 273 Source : Auteur (2019), sur la base des dépouillements sur Stata 14

***, **, * indiquent la significativité des coefficients respectivement au seuil de 1%, 5% et 10%.

Il ressort du tableau 38 que, la rentabilité nette ajustée du risque prise par les banques

défaillantes est de -0,185 et celle des banques solides s’élève à 1,556. Dans le même temps, la

couverture du risque de portefeuille par les fonds propres des banques défaillantes affiche 0,168

contre 7, 407 pour les banques solides. Les résultats obtenus ci-dessus corroborent les

conclusions de Gammadigbé (2018), Dannon et Lobez (2014), sur le niveau de capitalisation

appréciable des banques de l’UEMOA.

186

Les variables explicatives d’intérêt de capitalisation (fpta, fptp) et d’intermédiation (cnta) sont

significatives et de signes attendus. Ces résultats rejoignent les conclusions d’une bonne partie

des études empiriques menées dans le secteur bancaire, tant en Occident que dans les pays

émergents. Qu’il s’agisse des études traitant de la cause des crises bancaires ou encore celles

relatives aux crises financières successives en Afrique ou en Occident (Powo, 2000 ; Caprio et

Kligebiel ; 2003 ; Dannon et Lobez, 2014 ; Hennani, 2016), le rôle joué par le degré de

capitalisation occupe une place fondamentale. Ainsi présenté, une hausse du ratio de

capitalisation d’un point se traduit par une augmentation significative au seuil de 1% de la

capacité de la banque à résister aux chocs défavorables à hauteur de 2,333. Ce résultat cadre

bien avec celui de Beltratti et Stulz (2012), selon lequel, les banques qui ont résisté aux effets

de la crise financière de 2007 possédaient, entre autres un degré de capitalisation supérieur à la

moyenne. Par contre, les banques qui avaient joué sur le levier d’endettement avant la crise en

ont été secouées.

Les résultats des tests précisent que le degré de capitalisation des banques constitue un préalable

à une saine pratique de l’activité d’intermédiation bancaire, marquée par un encadrement des

interventions sur le marché (Shrieves et Dahl, 1992 ; Guidara et al., 2013 ; Lee et Hsieh, 2013).

Certes, il ne constitue pas le seul indicateur de performance, mais est déterminant pour la

continuité d’exploitation. Concrètement, les résultats trouvés à la suite de la modélisation

convergent vers la prépondérance de la gouvernance dans les prises de décisions. Une gestion

efficiente du ratio de capitalisation (Berger et al., 2008) équivaut à un respect de la norme

prudentielle en la matière. Les fonds propres bancaires doivent pouvoir couvrir la distribution

de crédits, permettre les levées de ressources sur le marché et faire face aux autres aspects liés

à l’intermédiation financière. Une telle gestion des fonds propres aboutit à la définition d’un

seuil d’optimisation (Artus, 2005 ; Kim et Santomero, 1988). Admati et al. (2013) confirment

les conclusions théoriques de ces auteurs, selon lesquelles, lors de la survenance de la crise

financières des subprimes, les banques vulnérables étaient insuffisamment ou sous-capitalisées.

Pour mettre en exergue le degré de capitalisation des banques de l’UMOA, il apparait bel et

bien que le degré de couverture du risque de portefeuille, par les fonds propres des banques

solides (7,407), confirme les motivations du régulateur pour son appétence sur la

réglementation du capital (Gammadigbé, 2018 ; Kadandji, 2016 ; Dannon et Lobez, 2014).

On peut donc affirmer que les exigences en capital selon la réglementation Bâle 1 semblent

187

avoir porté ses fruits, en ce sens que le degré de couverture des risques d’actifs est assuré sur la base des fonds propres à hauteur de 7, 407 en moyenne, tout en agissant efficacement à l’amélioration de la solidité des banques de l’UMOA. Les développements précédents, nous permettent de valider l’hypothèse 1, formulant que : « la mise en œuvre de la nouvelle

norme du capital règlementaire renforce significativement la capacité de résilience des

banques ».

2.4.2. Effets perçus entre le relèvement du potentiel de distribution de

crédit et les répercussions sur la qualité du portefeuille de

créances

Les résultats de nos analyses attestent l’existence d’une relation significative et positive entre

la variation des créances bancaires à la suite de l’augmentation de la norme de capitalisation et

la qualité des créances.

Les coefficients et signes des variables expliquant la qualité de portefeuille de créances (voir

modèle 2, tableau 31) confirment les résultats obtenus par d’autres travaux empiriques

(Kadandji, 2016 ; Dinamona, 2008 ; Godlewski, 2005). La littérature financière abonde sur le

rôle joué par les fonds propres dans la politique de distribution de crédits (Calem et Rob, 1999 ;

Modigliani et Miller, 1963). Les banques, surtout celles au sud du Sahara, tirent l’essentiel de

leur PNB sur l’activité d’intermédiation par le crédit. Notre échantillon révèle un ratio moyen

d’environ 48% du total bilan. Même une politique expansionniste de crédits ne se traduit pas

par une accumulation de créances en souffrances.

L’importance de la capitalisation dans le maintien de la solidité du secteur bancaire, étudiée par

Calem et Rob (1999) met en exergue, l’optimisation des fonds propres en couverture des actifs.

Ils partent d’une classification des banques en trois (03) groupes distincts (capitalisées,

modérément sous-capitalisées et sous-capitalisées), en simulant des anticipations faites par les

dirigeants des banques sous-capitalisées. Les résultats aboutissent à des prises excessives de

risques pouvant les replonger dans une situation adverse. Ces derniers étant dans une

dynamique de générer plus de marges bénéficiaires, pour rattraper le gap de fonds propres

érodés par les déficits d’exploitation. Egalement, le choix de la pondération prédomine dans

l’approximation de la solvabilité. En la matière, la préférence des managers consiste à

privilégier les prises de risques ne nécessitant qu’une pondération marginale, comparée au

rendement espéré afin de ne pas immobiliser un niveau important de capital (Artus, 2005). Par

188

la même occasion, la variation à la hausse du volume des créances distribuées ne devrait pas se

traduire par une forte dégradation du portefeuille. En effet, la proportion d’érosion de la solidité

due à une diminution, du fait de la variable de provisionnement (csfp) ne représente que -0,008

à chaque augmentation d’un point du ratio csfp. Cette situation est le reflet d’un seuil assez

faible de la consommation de fonds propres en couverture des créances dégradées.

Par ailleurs, il est constaté une plus grande contribution de la distribution de créances,

matérialisée par le ratio (cnta) à la solidité. Une augmentation d’un point de cette variable se

traduit par une amplification de la solidité de 1,885, significatif à 99%. Pour une place bancaire

comme celle de l’UMOA, à forte prédominance de l’intermédiation par le crédit (48% du total

bilanciel de notre échantillon, constitués de créances bancaires), la politique de crédit a toute sa

place. Lorsqu’elle est couplée à la bonne application de la réglementation, le secteur bancaire

garde intact sa résilience.

Les contingences relatives à la gestion des conflits d’agence entre les dirigeants, qui reçoivent

mandat du Conseil d’Administration pour opérationnaliser, les objectifs de rentabilité sont

généralement répercutés sur la résilience des banques. Ce contrat d’agence et incitatif (Jensen

et Meckling, 1976) peut avoir un impact négatif sur la qualité du portefeuille dès lors que les

anticipations de rendements ne se réalisent pas du fait du non remboursement de la créance

consentie. La mesure incitative applicable dans ce cas est relative à l’application de la

réglementation sur le provisionnement des créances en souffrances.

Le résultat présenté ci-dessus est conforme à celui de Kadandji (2016) ; Berger et al., (2008),

selon lequel la couverture des créances en souffrances devrait nécessiter moins de

consommation de fonds propres. Le renforcement par la CBU des contrôles sur pièces et des

contrôles sur place participe en l’enracinement de cette culture managériale de bonne

gouvernance par les dirigeants bancaires. Ce mécanisme de suivi participe à la réduction de la

dégradation de la qualité du portefeuille des actifs, tout en renforçant la solidité bancaire. Au

vu des développements précédents, nous validons l’hypothèse 2 dont la teneur est : « Il existe

une interaction positive et significative entre la bonne application de la règlementation

prudentielle relative à la gestion du portefeuille de créances et la solidité des banques ».

189

2.4.3. Autres analyses des résultats de la modélisation

Les résultats des régressions attestent de la significativité des variables économiques (vpib et

vinf) au seuil de 1%. Cependant, les résultats trouvés sont en désaccord avec la théorie

économique. Ces résultats controversés raniment le débat sur l’apport des variables

économiques couplées à celles micro-bancaires et financières dans les études, traitant du secteur

bancaire (Dannon et Lobez, 2014). Au regard de ces résultats, plusieurs questions se posent :

pouvons-nous penser qu’il n’y a pas de lien entre la solidité et les contingences économiques

des pays de l’UEMOA ? Une raison structurelle et méthodologique pourrait-elle expliquer la

nature de ces résultats ? Une tentative de réponses à ces interrogations se trouverait dans

l’analyse de l’interaction des effets directs et/ou indirects des variables concernées et

l’indicateur de solidité bancaire (Z-score). Les contradictions subsistent, si l’on se réfère aux

signes non espérés à la suite de notre modélisation. Toutefois, ce résultat ne s’écarte pas de

ceux obtenus par les travaux antérieurs sur d’autres modèles ou dans d’autres contrées

(Kadandji, 2016 ; Dannon et Lobez, 2014 ; Caprio et Kligebiel ; 2003). Cependant, nous ne

doutons point de l’existence d’un lien entre le comportement des clients et leur pouvoir d’achat.

Il en est de même des comportements des banques en période de récession ou de boom

économique.

Dans les controverses théoriques et empiriques de la solidité des banques, figurent également

les résultats matérialisant la non significativité de la variable de liquidité utilisée dans notre

modèle (dstp). Autrement dit, notre étude ne fait pas converger le seuil de couverture des crédits

distribués par les dépôts de la clientèle. Toutefois, dans la théorie, une forte proportion de dépôts

en couverture des prêts se manifeste par une montée du niveau de risque, surtout lorsqu’un vent

de panique touche le secteur bancaire en période de récession économique. Cela se traduit par

la ruée des épargnants vers les guichets des banques (Altunbas et al., 2007). Ce constat est en

droite ligne avec le postulat, selon lequel les régulateurs encouragent les banques à détenir à la

fois une grande proportion de fonds propres et de liquidité, notamment lorsque la prise de risque

augmente (Tan et Floros, 2013). Les banques possédant un portefeuille d’actifs risqués doivent

détenir un niveau de capital élevé pour faire face aux risques, ce qui explique la corrélation

positive entre la liquidité et le risque bancaire.

190

Une autre controverse concerne l’apport des variables de rendement, notamment la rentabilité

des fonds propres (rroe). Ce ratio n’explique aucunement la solidité, telle que ressortie dans

nos régressions. Par contre, la rentabilité économique (rroa) explique la solidité pour une

variation positive d’un point du ratio. Sa contribution représente 9,196 sur le score de solidité

des banques.

2.4.4. Contribution individuelle des banques de l’échantillon à la

solidité

Afin d’affiner nos analyses, des variables indicatrices de type dummy ont été générées et

introduites dans les modèles. Ces variables se réfèrent aux banques répertoriées, issues de notre

échantillonnage. Le tableau 39 retrace la correspondance de chaque variable dummy introduite

dans la modélisation et apporte une précision de la contribution individuelle des banques en

termes de solidité.

191

Tableau 39 : Contribution des banques de l’échantillon à la solidité

Dummy Nom Banque Coef Dummy Nom Banque Coef

dummyBanque21 BNP-CI 23,64 dummyBanque42 BSIC-ML -1,082

dummyBanque22 SIB 20,84 dummyBanque33 ORABANK-CI -1,35

dummyBanque61 BOA-S 15,95 dummyBanque9 BH-BN -1,36

dummyBanque52 BNP-S 14,4 dummyBanque24 CITI-CI -1,36

dummyBanque60 CNCAS 13,94 DummyBanque64 UTB -1,39

dummyBanque54 CBAO 13,44 dummyBanque66 BTCI -1,62

dummyBanque57 BIS 13,35 dummyBanque63 BIMAO -1,97

dummyBanque23 SGBCI 13,21 dummyBanque31 BHCI -1,997

dummyBanque58 ECOBANK-S 11,95 dummyBanque3 ORABANK-BN -2,019

dummyBanque49 ECOBANK N 11,38 dummyBanque51 ORABANK-NG -2,34

dummyBanque56 CDS 9,99 dummyBanque32 VERSUS -2,43

dummyBanque26 ECOBANK-CI 9,82 dummyBanque27 BOA-CI -2,46

dummyBanque59 BHS 9,55 dummyBanque36 BDM -2,48

dummyBanque55 CITI-SN 8,33 dummyBanque10 BABE -2,54

dummyBanque25 BACI 8,13 dummyBanque11 UBA-BF -2,7

dummyBanque20 BIAO-CI 7,78 dummyBanque68 SIAB -2,8

dummyBanque44 SONIBANK 7,696 dummyBanque34 BAO -2,89

dummyBanque19 BSIC-BF 7,68 dummyBanque8 BSIC-BN -2,91

dummyBanque67 BIA-TG 7,06 dummyBanque5 UBA-BN -3,213

dummyBanque14 SGBB 5,33 dummyBanque7 SGBN -3,25

dummyBanque39 BCS 5,11 dummyBanque43 ORABANK-ML -3,57

dummyBanque65 ECOBANK-TG 5 dummyBanque17 ORABANK-BF -3,68

dummyBanque40 BNP-ML 4,49 dummyBanque30 BNI -3,78

dummyBanque28 CIB-CI 3,94 dummyBanque13 BCB -4,37

dummyBanque16 BOA-BF 3,74 dummyBanque18 BSIC-BF -3,59

dummyBanque50 BSIC-NG 3,26

dummyBanque15 ECOBANK-BF 3,069

dummyBanque53 SGBS 3,05

dummyBanque12 BNP-BF 2,44

dummyBanque38 ECOBANK-M 2,045

dummyBanque29 STANDART-CI 1,23 Source : Auteur (2019), sur la base des dépouillements sur stata 14

La classification extraite du tableau 39 suit une décroissance de coefficient, en partant des

banques qui contribuent fortement à la solidité jusqu’à celles qui la tire vers le bas.

Il en ressort que le tableau 39 qui reproduit le score intrinsèque des banques de l’échantillon à

la solidité, met en exergue le rôle de la gouvernance dans la solidité. Ce sont plus d’une

trentaine62 de banques contrôlées par des groupes bancaires étrangers qui tirent la solidité

62 Au total trente-quatre (34) banques

192

bancaire vers le haut. Les résultats des estimations économétriques révèlent que les banques

sénégalaises contribuent significativement au seuil de confiance de 99% au renforcement de la

solidité bancaire. En effet, bien que les deux premières contributions au score de solidité

proviennent des banques ivoiriennes avec respectivement 23, 64 (BNP-CI) et 20,84 (SIB) au

seuil de confiance de 99 %, il n’en demeure pas moins que sept (07) banques sénégalaises se

hissent dans les dix (10) premières. En dehors des banques qui mènent leurs opérations en Côte

d’Ivoire et au Sénégal, on note également l’apport significatif des banques telles que

ECOBANK-N, CDS, ECOBANK-CI, BHS, CITI-SN, BACI, BIAO-CI, SONIBANK, BSIC-

BF et BIA-TG, au renforcement de la solidité bancaire.

A contrario, une vingtaine de banques contribuent négativement à la solidité avec une

détérioration moyenne unitaire au-dessus de deux (02) points de base. En pole position se

trouvent Orabank-CI, les filiales de UBA et BSIC. Les résultats montrent que UBA-BN, SGBN,

ORABANK-ML, Orabank-BF, BNI, BCB, BSIC-BF sont les banques qui contribuent au seuil

de 99% à la détérioration de la solidité bancaire. Ces différentes banques représentent 36% de

notre échantillon, au nombre de vingt-cinq (25). En termes d’actionnariat, ce sont

respectivement sept (07) banques entièrement détenues par l’Etat, deux (02) banques

majoritairement détenues par des actionnaires nationaux et seize (16) banques entièrement

contrôlées par des actionnaires étrangers (généralement des groupes bancaires).

Dans les paragraphes qui suivent, nous nous intéressons à l’analyse de la solidité des groupes

bancaires.

2.5. Analyse de la solidité des groupes bancaires de

l’échantillon

Dans le cadre de nos investigations, nous nous sommes intéressés également à l’étude de la

solidité des groupes bancaires de l’échantillon. Dans une logique d’harmonisation

méthodologique, nous avons fixé l’éligibilité à quatre (04) filiales minimales pour être

échantillonné.

193

La taille conduit généralement à une prise de risque élevé dans le secteur bancaire, notamment

dans un environnement marqué par l’étroitesse du marché financier (FMI, 2015). Les banques

dans une recherche de division de risque, privilégient d’abord un partage de risque intra-groupe.

Le secteur bancaire en Afrique sub-saharienne étant fortement tributaire de l’intermédiation par

le crédit. En témoigne la proportion élevée du ratio d’intermédiation de l’échantillon, qui frôle

la moitié du total bilanciel. La relation entre la taille et le risque d’insolvabilité peut être soit

positive, soit négative (Beck et al. ,2013 ; Golliard, 2007). Comme dans d’autres études sur le

secteur bancaire (Beck et al., 2013 ; Lepetit, 2010 ; Golliard, 2007), nous mesurons la taille des

actifs bancaires par le logarithme népérien du total bilanciel (tail). En effet, le total bilanciel

permet de déterminer la part de marché bancaire dans un environnement concurrentiel. Cette

part de marché influence généralement les décisions de capitalisation et peut précipiter le risque

de défaillance. Les grandes banques bénéficient le plus souvent d’un soutien implicite du

superviseur qui, en plus du suivi classique, met en place un suivi rapproché des banques dites

systémiques, eu égard aux conséquences néfastes que leur faillite pourrait engendrer et les

conséquences sur l’économie. Ce phénomène est connu sous le vocable « Too Big To Fail

(TBTF63) ».

Nous construisons pour ce faire notre échantillon des groupes bancaires sur la base des soixante-

neuf (69) banques de l’échantillon d’origine. En discriminant la constitution des groupes

bancaires de l’échantillon, nous avons arrêté l’éligibilité à quatre (04) filiales minimales comme

précédemment annoncé. Au total, nous nous retrouvons avec six (06) groupes bancaires

constitués par trente-trois (33) banques aux caractéristiques suivantes :

- Groupe Ecobank avec au total sept (07) banques ;

- Oragroup : avec au total sept (07) banques ;

- Groupe BOA : avec au total six (06) banques ;

- Groupe BSIC : avec au total cinq (05) banques.

- Groupe Société Générale : avec au total quatre (04) banques ;

- Groupe BNP : avec au total quatre (04) banques ;

63 Très Grande pour Faire Faillite

194

Le tableau 40 présente la synthèse des résultats du modèle dynamique des groupes bancaires :

Tableau 40 : Synthèse des résultats du modèle dynamique des groupes bancaires

Variables

Z-score 0,943

(0,001)***

fptp 0,89

(0,000)***

fpta 0,27

(0,002)***

csfp -0,015

(0,000)***

cnta 1,14

(0,068)*

dstp -0,34

(0,000)***

cstp 2,47

(0,804)

pvcs -0,02

(0,676)

coex -0,01

(0,000)***

rroa 3,6

(0,000)***

rroe -0,19

(0,024)**

tail 0,04

(0,185)

infl -2,89

(0,000)***

vpib -9,45

(0,781)

_Cons -0,09

Test AR(1) 0,003

Test AR(2) 0,426

Test sargan 0,026

Ttest Hansen 0,049 Source : Auteur (2019), sur la base des dépouillements sur stata 14

***, **, * indiquent la significativité des coefficients respectivement au seuil de 1%, 5% et 10%.

Les coefficients sont estimés selon la méthode des GMM, modèle d’Arellano et Bond two step, Les chiffres entre parenthèses

représentent les p-values. Les tests de Sargan et de Hansen sont les tests de sur-identification des variables instrumentales, les

chiffres entre parenthèses représentent les pvalues de la statistique du test de Sargan. Les tests AR (1) et AR (2) représentent

respectivement les tests d’autocorrélations de premier ordre et de second ordre d’Arellano et Bond des erreurs : les chiffres

entre parenthèses représentent la P-value de la statistique des Tests.

195

Au total, neuf (09) variables sont statistiquement significatives. Au nombre d’entre elles,

six (06) le sont au seuil de 1% (fptp, fpta, csfp, sctp, rroa et vpib), la taille (tail) est

significative à 5% et de signe positive et la variable dstp trouve sa significativité à 10%.

La taille des banques (mesurée par le logarithme du total des actifs) a un effet positif sur le

risque (Tan et Floros 2013). Nos résultats confirment l’existence d’une relation positive et

significative entre la taille et la solidité bancaire. En effet, une augmentation de 1% de la taille64

(tail) se répercute par une amplification à hauteur de 4% sur la solidité. Ce résultat est aussi

obtenu par plusieurs travaux (Beck et al., 2013 ; Tan et Floros, 2013) laissant transparaître plus

que jamais une connexion entre l’effet taille et les risques encourus sur les différentes places

bancaires.

Le signe attendu de la variable de capitalisation non pondérée de l’actif est conforme à ce qu’il

aurait dû être. Cette variable (fpta) explique la solidité à 99%, par son apport sur la solidité à

hauteur de 0,27. Les groupes bancaires sont censés être constitués par des banques dont les

ressources peuvent être mutualisées dans les prises de risques. C’est le cas notamment des

partages de risques. Ainsi, une augmentation du ratio d’intermédiation d’un point se traduit par

une amplification de la solidité de 1,14. Les grandes banques sont sur une politique offensive

de distribution de crédits, si l’on se réfère à la réglementation concernant le partage des risques

(BCEAO, 2000).

Le postulat selon lequel les grandes banques ont tendances à prendre beaucoup plus de risques,

tout en comptant sur un plan de sauvetage des Autorités se laisse voir. Ce fut le cas lors de la

crise financière de 2007. Les banques centrales occidentales ont largement participé au

financement des plans de sauvetage (Beck et al., 2013). En effet, au-delà des enjeux

économiques, les problèmes qui apparaissent lorsqu’un établissement important, financier ou

non financier, devient insolvable, est encore plus grave, car débouchant sur des mouvements

sociaux. Les grandes banques, lorsqu’elles sont en difficultés et menacées d’insolvabilité, les

gouvernements viennent à leur rescousse (TBTF). Ce soutien est alloué pour éviter la distorsion

de l’activité économique, protéger les épargnants et éliminer le risque de contagion. Ces actions

engendrent l’aléa moral et c’est pourquoi on rencontre une attitude réservée, lorsqu’il faut

64 Dans le modèle d’analyse, la taille est la seule variable à niveau.

196

attribuer une aide d’urgence à une banque. Cette aide contribue à l’accumulation de dettes de

la banque en difficulté et implique aussi une prise de risques par l’intermédiaire des ressources

publiques.

A la suite des analyses ci-avant, nous débouchons dans les paragraphes qui suivent sur la

contribution de notre recherche.

2.6. Contributions de la recherche

Au terme de cette thèse, plusieurs implications stratégiques, de politiques économiques et

financières sont formulées à l’endroit des Autorités en charge de la réglementation et de la

surveillance bancaire ainsi qu’aux dirigeants de banques. Ainsi, les différents apports peuvent

être regroupés en apports théoriques et managériaux.

1.6.10. Les apports théoriques

Les apports théoriques se situent dans la mise en œuvre de la réglementation prudentielle pour

expliquer notre problématique, certes complexe car faisant intervenir simultanément le

portefeuille de créances et le degré de capitalisation, mais digne d’intérêt pour une plénitude de

la résilience bancaire. En effet, nous avons montré les effets perçus et simultanés du portefeuille

de créances bancaires et du degré de capitalisation sur la solidité par la bonne mise en œuvre

de la réglementation prudentielle (celle relative aux règles de provisionnement et de distribution

de crédits). Cela avait été très peu utilisé par les recherches sur la résilience bancaire, d’autant

plus que les études antérieures se focalisaient en une considération intrinsèque de l’un, sans une

simultanéité avec d’autres leviers (comme par exemple le degré de capitalisation). Nous avons

aussi cherché à évaluer l’apport individuel de chaque banque de l’échantillon au score de la

solidité. En outre, à l’issue d’une littérature diversifiée, nous avons élaboré un modèle de

recherche intégrateur explicatif en opérationnalisant les liens qui existent entre les composantes

du ratio de solvabilité bancaire, à savoir : les effets d’une baisse ou d’une hausse des fonds

propres (au numérateur) et les effets de la variation à la hausse ou à la baisse des créances

bancaires (au dénominateur).

197

1.6.11. Les apports et implications managériaux

Au regard de nos résultats, les principaux apports pratiques de cette thèse débouchent

sur l’assainissement de l’environnement économique et son renforcement par un

dispositif réglementaire contextualisé.

Elles sont articulées autour des cinq (05) axes suivants :

Le besoin de repenser la réglementation du capital des banques et la contextualiser

en se fondant sur les réalités économiques de la zone UEMOA revient avec acuité

dans les analyses menées. L’efficacité de la réglementation du capital dépend du ratio

de capitalisation adossé aux encours. Au 31 décembre 2016, 30% des banques de

l’Union ne respectaient déjà pas la réglementation du capital. La montée en puissance

de l’application de la modification du capital réglementaire actée en septembre 2007

devrait en tenir compte dans son séquençage et s’assurer de sa correcte mise en œuvre.

Cela devrait passer par une graduation : (i) surveillance rapprochée ; (ii) interdiction de

distribution de dividendes aux actionnaires et de bonus aux dirigeants ; (iii) obligation

de recapitalisation sous peine de retrait d’agrément (Brunnermeier et al., 2009).

Exiger impérativement une mise aux normes à la réglementation du capital de

toutes les banques sans dérogation. La mise en œuvre de cette recommandation

pourrait accélérer les mouvements de concentration bancaire par la multiplication des

opérations de fusion-absorption. Par cette action, les banques fragiles et les petites

négocieront leur intégration dans des groupes solides. Progressivement, le secteur sera

oligopolistique et mieux capitaliser dans l’intérêt des épargnants. Cela d’autant plus que

les pays n’ont forcément pas les mêmes réalités économiques. C’est le cas, notamment

lorsqu’une abondance de liquidité (tenant compte de la proximité de certains pays avec

ceux ayant leur propre monnaie) fait naître des disparités du fait de l’harmonisation du

Taux de Réserve Obligatoire (TRO) par la BCEAO. Cette situation peut affecter la

liquidité du secteur bancaire à l’échelle des pays et compromettre la stabilité recherchée.

Par ailleurs, l’étude a révélé que les banques s’adossent sur le levier financier pour bâtir

leur stratégie de mobilisation de ressources. Cette pratique est d’autant plus accentuée

que le marché interbancaire a eu un boom exponentiel sur la période d’analyse. En vue

198

de juguler ce dysfonctionnement, la fixation d’un encadrement en cascade (par palier)

du capital réglementaire en fonction des engagements bancaires. Le mécanisme pourrait

prendre la forme d’un seuil plancher de fonds propres constitués par le « coussin de

trésorerie », en période de forte rentabilité ou alimenté par des dettes subordonnées

émanant des actionnaires, le cas échéant. Ce qui limiterait la proportion de la

transformation des dépôts en emplois.

La nécessité de procéder à une normalisation des indicateurs de performances

(taux de dégradation du portefeuille, taux de provisionnement, coefficient

d’exploitation). Cette recommandation vise à normer les différents ratios de

portefeuille à l’image des seuils fixés sur les ratios de solvabilité. La pratique bancaire

actuelle se focalise à encourager les banques à une maîtrise des charges d’exploitation

(à travers le coefficient d’exploitation) pour tendre vers les bonnes pratiques

managériales, en vue d’exercer un meilleur rendement. Il en est de même du taux de

dégradation du portefeuille, qui devrait être contenu sans pour autant donner le seuil

idéal de façon normative. Pour des pays affectés par la qualité de l’information

financière et à forte asymétrie informationnelle, la fixation d’une norme pourrait être un

référentiel pour les managers des banques. Quant au taux de provisionnement, sa

normalisation viserait à limiter les expositions de prises de risques non couvertes par

des garanties. Le régulateur devrait les contextualiser à son marché et renforcer la

résilience du secteur bancaire.

La nécessité d’imager le secteur bancaire de l’UEMOA en adossant les en-cours

aux fonds propres. Les réglementation s bâloises et leur mise à jour progressive, font

suite à la survenance de différentes crises ayant eu pour socle, l’insolvabilité partielle

ou totale du secteur bancaire à honorer les engagements contractuels. De là, apparaît la

pertinence de la réglementation du capital. Au vu de l’enchainement de la crise

financière de 2007 et des assurances données par les acteurs avisés du marché financier

et bancaire, en passant par les agences de notation, on est en droit de « douter » de la

solvabilité bancaire adossée sur la pondération des risques. En effet, la méthodologie

d’approximation de la pondération des risques est hautement flexible, permettant aux

banques de sous-évaluer certaines expositions. Deux approches peuvent être explorées

pour remédier ce phénomène. L’on pourrait explorer la réduction de la variabilité de la

pondération des risques, en procédant à un relèvement des seuils actuels ou simplement

199

aligner tous les risques à une même pondération de 100%. Dans l’un ou l’autre cas, il

faudrait réunir un montant de capital plus important pour couvrir le même volume de

risques. Le but ultime est de limiter les contra-cycliques et autres leviers de sorte à

maintenir la solvabilité des banques. Il urge donc que place soit faite à la réflexion pour

imager le secteur bancaire de l’UMOA qui allie expansion, prise de risques

exponentielles et recherche permanente de stabilité. Les Autorités doivent définir le plus

rapidement des outils de résilience bancaire adéquats, au regard de l’évolution de

l’environnement rien qu’en se fondant sur l’entrée en scène des banques extra zone,

notamment marocaines et nigérianes pour tenir compte des interconnexions financières.

A l’image d’autres places bancaires comme celles du Kenya, les transpositions de

normes nécessaires à la pérennité du secteur bancaire devront être soutenues par une

réglementation prudentielle bien éprouvée et inspirée des réalités économiques. A titre

illustratif, les enjeux de la surveillance bancaire et le renforcement de la réglementation

devraient viser la protection des épargnants dont les ressources vont grandissant d’année

en année. Les dépôts de la clientèle à l’ouverture des comptes se sont élevés à 13% du

PIB au cours de l’exercice 2016 contre 10% en 2006. Dans le même sillage, les crédits

mis en place au cours de l’exercice 2016 ont représenté 21% du PIB contre 10% en

2006. A l’exercice clos au 31 décembre 2016, l’encours de crédits rapporté au PIB

affichait 26%. Malgré ces enjeux concernant l’évolution du portefeuille d’actifs, force

est de reconnaître qu’une norme communautaire de dégradation du portefeuille n’a

jusque-là pas été définie par le régulateur. Ceci, en dépit des leçons apprises sur les

crises bancaires antérieures dans la zone et au vu des incertitudes relevées sur le marché

du crédit, marqué par une forte asymétrie informationnelle.

La nécessité de revisiter les critères de classification des banques et de définition

claire des banques d’importance systémique. Les critères de classifications des

banques tels qu’arrêtés par la BCEAO, méritent d’être actualisés. En rappel, trois (03)

classes y sont définies : (i) grandes banques : total bilan supérieur à 200 Mds FCFA ;

(ii) banques moyennes dont le total bilan excède 100 Mds FCFA sans dépasser le seuil

plancher des grandes banques et (i) les petites banques pour celles ayant un total bilan

inférieur à 100 Mds CFA. Une telle classification ne cerne pas la nature systémique et

les éventuelles interconnexions bancaires. La surveillance bancaire devrait distinguer

les banques d’importance systémique des autres banques de par leur nature adossée aux

risques encourus par les économies. L’identification de ces banques doit s’appuyer non

200

seulement sur la taille bilancielle, mais également sur les risques de contagion (donc les

interactions de part et d’autres). Cette identification doit concerner aussi bien les

banques que d’autres institutions financières (assurances, etc.). Une fois que les critères

seraient définis, il appartiendra au régulateur d’en fixer les seuils limites de

capitalisation.

Au-delà des résultats significatifs obtenus et des recommandations formulées, cette thèse

présente certaines limites énoncées dans les développements ci-dessous :

2.7. Limites et perspectives

Notre champ de recherche se trouvant à l’interface de plusieurs champs scientifiques, nous

avons délibérément cherché de travailler sur des données de panels cylindrés. La démarche

menée exclut d’emblée des banques qui ont connu des mouvements de restructuration comme

les retraits d’agréments, les fusions-absorption, l’installation de nouvelles banques. Notre

démarche permet d’éviter la déperdition des données en assurant leur uniformité, en une même

temporalité, dans le panel. Cela nous interroge sur la généralisation des résultats obtenus. Nous

sommes ainsi passé de cent-seize (116) banques en activité65 à un échantillon de soixante-neuf

(69) banques. Le cylindrage du panel a pu engendrer un biais dans l’échantillonnage. Toutefois,

il était opportun de réduire l’échantillon pour se focaliser uniquement sur les banques pour

lesquelles, il était bien possible d’avoir toutes les données. Si cette singularité constitue une des

richesses de ce travail, car fondée sur les données réelles uniquement et non estimées par

ailleurs, elle apporte aussi certaines limites, sans entacher pour autant la pertinence des analyses

menées. Egalement, compte tenu du caractère confidentiel du phénomène étudié, de la difficulté

d’accès à certaines informations (telles que les informations relatives à la pondération des

risques bancaires, la répartition de la dégradation du portefeuille d’actifs par type de clients et

de façon sectorielle) ne nous a pas permis d’affiner avec précision les résultats obtenus.

Dans cette recherche, nous avons apprécié l’intensité capitalistique par une pondération de

l’actif à 100% en faisant abstraction de la qualité de la contrepartie. Ce qui a conduit à ignorer

également le recueil des garanties en couverture des engagements. Il s’agit donc d’une

appréciation « renforcer » de la solvabilité bancaire que nous avons d’ailleurs préconisée dans

nos recommandations.

65 Au 31 décembre 2016

201

Enfin, la méthode présente des limites inhérentes, entre autres, à l’absence de normalité de

certaines variables et à une dispersion inégale des individus de l’échantillon à analyser, si bien

que la transposition des résultats devient délicate (Malécot, 1981).

En partant du focus fait sur les limites relevées, cette thèse peut donc être améliorée sur la base

des données bancaires individuelles de toutes les banques dûment agréées et en activités pour

chaque pays sur une série encore plus longue. Si l’étude est effectuée sous cet angle, elle

permettrait d’explorer de façon explicite la question de la transposition des résultats sur tout le

paysage bancaire. En dehors, la présente thèse suscite un certain nombre d’interrogations qui

peuvent se décliner également en perspectives de recherche. Ces interrogations sont en lien

avec : d’abord (1) la disponibilité des données protégées par les banques, notamment les

différentes garanties constituées sur les prêts ; (2) un affinement de la pondération des risques

à travers une meilleure précision de la répartition de la dégradation du portefeuille. Il est

également ensuite question, (3) des règles de notation des risques par les différentes banques ;

et enfin (4) la disponibilité des rapports sur la stabilité financière de l’UMOA, dont la dernière

version publiée par la BCEAO est celle au 31.12.2008. Ces axes de recherche peuvent être

creusés afin d’accompagner notre thèse.

CONCLUSION PARTIELLE

Le présent chapitre avait pour objet d’exposer et de discuter les résultats issus de la

modélisation. En premier lieu, nous avons effectué un essai de la modélisation qui nous a

conduit à présenter les résultats. Préalablement, nous avons présenté les résultats des différents

tests conduisant à la validation des hypothèses de recherche. Dans un second temps, les

différents résultats obtenus ont été discutés à travers leur confrontation à ceux de la littérature.

Les résultats auxquels a abouti l’étude, attestent bel et bien d’une relation de causalité entre la

solidité bancaire et la capitalisation d’une part, entre la solidité et la qualité du portefeuille

d’actifs, d’autre part. Nous remarquons un coefficient positif et significatif pour le ratio de

capitalisation couplé à un fort degré de couverture des risques de portefeuille par les fonds

propres. Nous obtenons également un coefficient négatif et significatif pour la variable de

provisionnement en lien étroit avec la consommation marginale des fonds propres bancaires.

Quand bien même le ratio d’intermédiation augmente et de signe positif espéré, les

202

répercussions en termes de dégradation du portefeuille restent mitigées. D’où un secteur

bancaire solide avant la transposition aux nouvelles normes (Bâle 2 et Bâle 3).

203

CONCLUSION GENERALE

L’objectif de notre thèse était d’ « expliquer l’amélioration de la solidité des banques de

l’UMOA dans un contexte marqué par la modification du capital règlementaire ». Elle a

été conduite sur la base en se fondant sur la réglementation en vigueur avant la transposition

aux nouvelles normes prudentielles (Bâle 2 et Bâle 3). En sus de nos travaux, nous avons fait

un focus sur la solidité des groupes bancaires opérant sur le marché de l’Union. Pour y parvenir,

nous avons réalisé une série de tests et de régressions, afin d’étudier le sens de la solidité des

banques sur la période d’analyse (2005 à 2016).

Nous avons constaté lors des analyses des indicateurs de performances, que la réglementation

du capital selon les encadrements des instances bâloises, telle qu’appliquée sur la place bancaire

de l’UMOA, a permis de limiter les faillites bancaires et éviter les effets de contagion comme

ceux survenus lors de la crise bancaire des années 80 et 90.

Nous avons pu proposer un cadre d’analyse nous permettant de répondre à notre question

principale de recherche, à savoir : « Dans quelles mesures la solidité des banques s’est -elle

améliorée, suite à la modification du capital réglementaire » ?

Plus précisément, nous avons présenté des arguments en faveur d’une possible contribution

des fonds propres et la bonne application de la réglementation prudentielle dans le renforcement

de la solidité du secteur bancaire. De fait, nous avons pu montrer qu’une application des règles

de provisionnement de créances et un bon suivi du portefeuille contribuaient au renforcement

de la qualité des créances. Elle permet la diminution des charges d’exploitation (matérialisées

par une baisse du coefficient d’exploitation) et assure de facto un renforcement de la rentabilité

des banques.

Souhaitant étudier la relation entre la solidité bancaire et le capital réglementaire d’une part, la

solidité bancaire et la qualité des créances, d’autre part, nous avons procédé à l’identification

des déterminants de cette solidité, en effectuant différents tests économétriques en la matière.

Avant d’apporter nos contributions empiriques, nous avons jugé nécessaire de décrire les

principaux travaux, aussi bien théoriques qu’empiriques, réalisés autour de ces deux concepts.

Dans la majeure partie des cas, les résultats obtenus sont conformes aux travaux antérieurs

(Powo, 2000 ; Dannon et Lobez, 2014, Gammadigbé, 2018), donc en lien avec une partie de

notre revue de littérature commentée dans le cadre théorique. Les résultats des travaux

204

empiriques permettent de dégager un consensus sur le lien entre la solidité et l’intensité

capitalistique. Il en est de même de la place prépondérante de la qualité des créances détenues

adossées à une bonne mise en œuvre des politiques prudentielles.

Les analyses menées dans nos investigations ont mis en exergue l’importance du rôle

managérial dans la gouvernance des banques. Autrement dit, une bonne réglementation devrait

être couplée à sa bonne application par les managers. Les résultats de notre recherche, quand

bien même, montrent un lien significatif entre la solidité, le degré de capitalisation et la qualité

des créances, convergent sur la bonne gouvernance, c’est-à-dire le rôle joué par le management

dans la mise en œuvre de la réglementation. En effet, les normes prudentielles inspirées de la

réglementation de Bâle ont permis de réduire les défaillances bancaires et d’en garantir la

solidité.

Dans la controverse théorique de la réglementation bancaire et traitant de la solidité, les résultats

de nos travaux montrent qu’il faut le dépasser pour situer le débat sur la compréhension

profonde des motivations (aléa moral, anti sélection, contrat d’agence) des acteurs

économiques. Autrement dit, la thèse soutenue est celle d’un lien positif entre la solidité et la

réglementation qui met en évidence le rôle managérial. Les résultats obtenus mettent en

évidence la significativité de la réglementation bancaire, à savoir l’adéquation des fonds propres

en couverture des risques bancaires et la qualité du portefeuille de créances détenues. De plus,

l’instauration d’une réglementation prudentielle à l’échelle communautaire en vue

d’harmoniser et faire converger les différentes approches de la surveillance bancaire entre les

pays de l’UEMOA, a permis de renforcer la solidité des banques. En effet, l’adoption de ces

normes par les pays a fortement réduit les interférences dans la gouvernance du secteur bancaire

comme ce fut le cas dans les années 80. Sous le leadership de la BCEAO, les réformes engagées

ont permis de converger vers un même dispositif prudentiel, permettant un renforcement

subséquent de la résistance du secteur bancaire. Elles ont aussi permis aux banques de disposer

d’un niveau de fonds propres à même de supporter les en-cours de crédits. Ces normes ont

permis une meilleure adéquation entre les fonds propres et les actifs risqués du portefeuille et

favorisé l’émergence des banques régionales, panafricaines au début des années 2000, avec le

vaste mouvement de libéralisation du secteur bancaire.

205

Le premier apport de notre travail a été de décrire des approches micro prudentielles

susceptibles de garantir la solidité des banques face aux turbulences financières provoquées par

les imperfections du marché d’intermédiation. Ces imperfections sont marquées, entre autres,

par une forte asymétrie d’informations et des coûts d’agence sous la contrainte réglementaire.

Une des originalités, décrite dans la première partie, a consisté à faire une optimisation des

fonds propres en couverture des encours de crédits. L’illustration de la méthode a été adossée

aux statistiques de la CBU sur l’évolution moyenne des risques pondérés par pays. La seconde

contribution a été de mener des études économétriques faisant appel à soixante-neuf (69)

variables indicatrices de type dummy, pour capter les effets individuels des banques de

l’échantillon. Cette mesure de la solidité a été faite par le truchement du coefficient estimé et

au regard des signes obtenus. Elle a permis de classifier les banques qui y contribuent des

banques qui la dégradent.

Concernant l’étude sur l’approximation de la solidité des groupes bancaires, les mêmes

conclusions ont été vérifiées avec une significativité de la variable de mesure de la taille (tail)

exprimée par le logarithme du total bilanciel. Les résultats des travaux empiriques dans l’axe

de cette problématique concluent à l’existence d’un consensus de l’apport de cette variable dans

l’appréciation de la solidité.

Nous avons pu vérifier les hypothèses relatives à la réglementation du capital et à la qualité du

portefeuille de créances. Au regard des analyses menées, le secteur bancaire était bel et bien

solide lors de la transposition aux nouvelles normes prudentielles (Bâle 2 et Bâle 3).

Les résultats de nos travaux ne prétendent en aucune manière à l’universalisme, en raison de la

complexité des profils des banques de l’échantillon et de la politique de l’adéquation des fonds

propres dans les différentes places bancaires.

206

BIBLIOGRAPHIE

ARTICLES

Abdenour F, H. S. (2008). "Un modèle d'alerte précoce de difficultés bancaires pour les pays

émergents"., la documentation française, Economie Internationale, pp. 69-92.

Abdou, R. (2002). "Les déterminants de la dégradation du portefeuille des banques : une

approche économétrique et factorielle appliquée au système bancaire nigérien",

BCEAO, NIS, 528, 28p.

Admati, A. R., & Hellwig, M. F. (2013). "The Bankers’ New Clothes : What’s Wrong with

Banking and What to Do about I"t. Princeton, N J : Princeton University Press.

Aggarwal, R., & Jacques, K. (2001). "The impact of FDICIA and prompt corrective action on

bank capital and risk: Estimates using a simultaneous equations model", Journal of

Banking and Finance, 25, pp.1139-1160.

Akerlof, G. (1970). "The Market for Lemons: Qualitative Uncertainty and the Market

Mechanism”, Quarterly Journal of Economics, volume 84, pp.488-500.

Allen, W., & Wood, G. (2006). Defining and Achieving Financial Stability, dans « Journal of

Financial Stability », Vol. 2, Issue 2, pp.152-172.

Altman, E. I. (1968). "Financial ratios, discrominant analysis and the prediction of corporate

bankruptcy", journal of finance, vol 23, pp.589-609.

Altunbas, Y. S., Carbo, E. P., Gardener, M., & Molyneux, P. (2007). “Examining the

Relationships between Capital , Risk and Efficiency in European Banking. European

Financial Management 13 (1), pp.49-70.

Arellano, M., & Bond, S. (1991). "Some tests of specification for panel data: Monte Carlo

evidence and an application to employment equations”, Review of Economic Studies",

vol. 58, pp. 277-297.

Arrow, K. (1968). The economics of moral hazard furfther comment. The American Economic

Review, vol 58, pp.537-539.

Artus, P. (1991). "Ratios de fonds propres et comportement des Banques", Recherches

Économiques de Louvain / Louvain Economic Review, vol. 57, pp. 189-204.

Artus P. (2005). "De Bâle 1 à Bâle 2, effets sur le marché du crédit". Revue économique, vol

56, pp.77-97.

Atik, J. (2011). "Basel II : A Post-crisis post-mortem", Transnational Law & Contemporary

Problems, vol. 19, pp.731-758.

Barrell R, D. E. (2010). Bank regulation, property prices and early warning systemsfor banking

crises in OECD contries. Journal of banking & Finance, vol 34 N°34, pp.2255-2264.

Beaver, W. (1967). "Financial Ratio as Predictors of Failure, Empirical Research in Accounting

207

Selected Studies", Journal of Accounting Research, 4, pp.71-111.

Beaver, W. H., & Engel, E. (1996). "Discretionary behavior with respect to allowances for loan

losses and the behavior of security prices " Journal of Accounting and Economics 22,

1-3 (AugustDecember), pp.177-206.

Beck, T., De Jonghe, O., & Schepens, G. (2013). "Bank Competition and Stability: Cross-

Country Heterogeneity", Journal of Financial Intermediation, vol. 22, pp. 218-244.

Beltratti, A., & Stulz, R. (2012). "The credit crisis around the globe : Why did some banks

perform better?", Journal Financial Economics, 105; pp.1- 17.

Berger, A. N., & Bouwman, C. H. (2013). "How does capital affect bank performance during

financial crises ? " Journal of Financial Economics 109, pp.146–176.

Berger, A. N., & Humphrey, D. B. (1991). “The dominance of inefficiencies over scale and

product mix economies in banking”, Journal of Monetary Economics, Vol. 28, N°1,

pp.117-148.

Berger, A., Herring, R., & Szego, G. (1995). "The Role of Capital in Financial Institutions";

Journal of Banking and Finance, 19, pp.393- 430.

Bester, H. (1995). “A Bargaining Model of Financial Intermediation”, European Economic

Review, Vol. 39, N°. 02, pp. 211-228.

Blum, J. M. (1999). "Do capital adequacy requirements reduce risks in Banking? " Journal of

Banking and Finance, 23, pp.755-771.

Borio, C., & Drehmann, M. (2009). Assessing the risk of banking crises – revisited. BIS

Quarterly Review, March, pp.29–46.

Boyd, J. H., & Graham, S. L. (1988). "The profitability and risk effects of allowing bank holding

companies to merge with other financial firms: a simulation study”, Quaterly Review,

Federal Reserve bank of Minneapolis, Printemps.

Boyd, J. H., & Prescott, E. C. (1986). “Financial intermediary Coalitions”, Journal of Economic

Theory, Vol. 38, N°. 02, pp. 211-323

Calem, P. e. (1999). The impact of capital based regulation on bank risk taking, pp.317-352.

Journal of Financial Intermediation, pp.317-352.

Calomiris, C. W. (2013). "Reforming Banks Without Destroying Their Productivity and Value",

Journal of Applied Corporate Finance, 25, pp.14-20.

Cartapanis, A. (2011). " La crise financière et les politiques macroprudentielles ", Revue

économique, vol 62, pp.349-382.

Charreaux, G. (1997). "Gouvernement des entreprises et efficacité des entreprises publiques";

Revue Française de Gestion, n° 115 (septembre- octobre), pp.38-56

38-56.

Charreaux, G. (1998). " Le rôle de la confiance dans le système de gouvernance des

entreprises ", Économies et Sociétés, Sciences de Gestion, N°8-9, pp.47-65.

208

Couppey, J., & Madiès, P. (1997). "L’efficacité de la réglementation prudentielle des banques

à la lumière des approches théoriques ", Revue d’Economie Financière, N°39, pp. 95-

124.

Dannon, P., & Lobez, F. (2014). "La régulation bancaire dans l’Union économique et monétaire

ouest africaine est-elle efficace ?" Revue d’Economie Financière, vol 4, N°116, pp.279-

304.

De Bandt, O., & Oung, V. (2004). "Bilan des stress tests menés sur le système bancaire

français", Banque de France, Revue de la Stabilité Financière, N°5, Novembre, pp.55-

72.

Demirgüç, K. A.et Detragiache, E. (1998). "The determinants of banking crises in developing

and developed countries", IMF Staff papers, vol 45, pp.81-109.

Dewantripont, & Tirole. (1996). "Governance Structures : Implications for Banking Regulation.

" Vol. 20.

Diamond, D. W. (1984). "Financial Intermediation and Delegated Monitoring", The Review of

Economic Studies, Vol. 51, N°3, pp. 393-414.

Diamond, D. W. (1984). “Financial intermediation and delegated monitoring”, Review of

Economic Studies, Vol. 51, N°3, pp.393-414.

Diamond, D. W., & Dybvig, P. H. (1986). "Bank Theory, Deposit Insurance, and Bank

Regulation " The Journal of Business, Vol. 59, N°1 pp. 55-68.

Diamond, D. W., & Rajan, R. (2000). "A theory of bank capital”, Journal of Finance, 6, pp.

2431-2465.

Dinamona, D., & Fortin, M. (2008). "Sensibilité des banques aux chocs macroéconomiques :

la diversification apporte-t-elle toujours des gains ? Cas des banques canadiennes ",

GREDI, cahier de recherche, pp.8-24.

Distinguin, R. P., & Tarazi, A. (2006). "Contrôle prudentiel et détection des difficultés

financières des banques : quel est l’apport de l’information de marché ? ", Revue

Economique, vol. 57, N° 3, pp.497-505.

Dormont, B. (1989). "Petite apologie des données de panel" . Economie et prévision, N° 87,

pp.19-32.

Dumontier, P. M. (2006). "Adoption volontaire des IFRS, asymétrie d'information et fourchettes

de prix: l'impact du contexte informationnel ". Comptabilité Contrôle Audit, Vol 12, N°2,

pp.216-245.

Durand, D. (2007). "La crise financière de l’été 2007, un révélateur des antagonismes

fondamentaux d’un régime économique dominé par la finance ", Economie et politique,

N°. 636-637, pp.18-20.

Eboué. (2007). "Les coûts réels des crises bancaires en Afrique : Quels enseignements pour

l'UEMOA", Revue Economique et Monétaire, BCEAO, N°01, Juin, pp.39-76.

209

Ediz, T., Michael, I., & Perraudin, W. (1998). "The impact of capital requirements on U.K. “

Bank Behaviour”, Economic Policy" Review, Federal Reserve Bank of New York,

pp.15-22.

Edmister, R. (1972). "An empirical test of financial and quantititive analysis for small business

failure prediction, journal of financial and quantitaive analysis", vol 7, pp.1477-1493.

Furfine, G. (2001). Bank Portfolio Allocation: The impact of capital requirement, regulator

monotoring and Economic Condition. Journal of Financial Services Research, 20,

pp.33-56.

Furlong, F. T, & Keeley, M. C. (1989). "Capital Regulation and bank risk-taking: A note",

Journal of Banking and Finance, 13, pp.883-891.

Gammadigbé, V (2012). "Stress test macroéconomique du système bancaire de l’UEMOA ",

MPRA Paper, N°39 214, 20p.

Gammadigbé, V (2018). "Survie des banques de l’UEMOA : les nouvelles exigences de fonds

propres sont-elles pertinentes " ? Vol 24, NIS/BCEAO, pp.9-48.

Gatfaoui, H. (2002). "Risque de défaut et risque de liquidité : une étude de deux composantes

du spread de crédit ", 35p.

Gbénou, A., & Amoussouga, F. (2017). "Mesure et prévision du stress financier du système

bancaire des pays de l’UEMOA", revue Finance et Finance internationale, N°7, 23p.

Goddard, J., Molyneux, P., & Wilson, J. O. (2004). “The Profitability of European Banks : A

Cross-Sectional and Dynamic Panel Analysis” The Manchester School 72, pp.363-81.

Godlewski, C. J. (2009). "Le traitement de l’information par les analystes de crédit dans les

banques", Revue du Financier, N° 177, pp.51-59.

Goyeau, D., & Tarazi, A. (1992). "Evaluation du risque de défaillance bancaire en Europe ",

Revue d’économie politique, N° 2, Vol 102, pp. 249-280.

Guidara, A., Van, S. L., & Tchana, F. (2013). "Banks’ Capital Buffer, Risk and Performance in

the Canadian Banking System: Impact of Business Cycles and Regulatory Changes.”

Journal of Banking and Finance 37 (9). Elsevier B.V. : 3.

Hanson, S. G., Kashyap, A. K., & SteIn, C. J. (2011). "A Macroprudential Approach to Financial

Regulation ", Journal of Economic Perspectives, 25, 3-2.

Heid, F., Porath, D., & S

Hennani, R. (2016). "L’évolution des accords de Bâle : d’une approche microprudentielle à un

cadre macroprudentielle, revue d’analyse économique.

Hildebrand,P. (2008), "Is Basel II enought? The benefits of a leverage ratio". London School

Of Economics.

Jeitschko, T. D., & Jeung, S. D. (2005). "Incentives for risk-taking in banking - A unified

approach", Journal of Banking and Finance, 29, pp.759-777.

Jensen, M. C., & Meckling, W. (1976). "Theory of the firm: Managerial behaviour, agency costs,

210

and capital structure", Journal of Financial Economics, 3, pp.305-360.

Jokipii, T., & Milne, A. (2008). "The Cyclical Behaviour of European Bank Capital Buffers",

Journal of Banking and Finance, vol. 32, pp.1440-1451.

Jokipii, T., & Milne, A. (2010). "Bank capital buffer and risk adjustement decision", Journal of

Financial Stability.

Kahane, Y. (1977). "Capital Adequacy and the Regulation of Financial Intermediaries”, Journal

of Banking and Finance, 1, pp.207-218.

Kaminsky, G. (2006). "Currency crises: Are they all the same? dans « Journal of International

Money and Finance" , Vol. 25, pp.503-527. .

Kaminsky, G., & Reinhart, C. (1999). "The Twin Crises: the Causes of Banking and Balance

of Payments Problems", The American Economic Review, Vol. 89 N°3, pp.473-500.

Kim, D., & Santomero, A. M. (1988). "Risk in banking and capital regulation", Journal of

Finance, 43, pp.219-1233.

Keeley, M. C., & Furlong, F. T. (1990). "A Reexamination of the Mean-Variance Analysis of

Bank capital Regulation”, Journal of Banking and Finance, 14, pp.69-84.

Koehn, M., & Santomero, A. M. (1980). "Regulation of bank capital and portfolio risk" Journal

of Finance, vol. 35, pp. 1235-244.

Miller, M. (1995). "Do the M&M propositions apply to banks?", Journal of Banking and Finance,

19; pages? pp.483-489. .

Milne, A. (2002). "Bank capital regulation as an incentive mechanism: Implication for portfolio

choice”, Journal of Banking and Finance, 26, pp.1-23.

Modigliani, F., & Miller, M. H. (1958). "The cost of capital, corporation finance and the theory

of investment"; American Economic Review, 48, pp.261- 297.

Modigliani, F., & Miller, M. H. (1963). "The cost of capital, corporation finance and the theory

of investment", American Economic Review, 48.

Moyer, S. E. (1990). "Capital adequacy ratio regulations and accounting choices in commercial

banks " Journal of Accounting and Economics, vol 13, N°2, pp.123-154.

Mishkin. (1999). Global financial instability framework, events isues. Journal Of Economic

Prspective, vol 13, N°4, pp 3-20.

Nier, E., & Baumann, U. (2006). "Market discipline, disclosure and moral hazard in banking";

Journal of Financial Intermediation, 15, pp.332-361.

Plihon, D. (2008). “Lutter Contre L’instabilité Financière : Pour Un Aggiornamento de La

Théorie et de La Régulation Financières.” Revue D’économie Financière, pp.1-6.

Plihon, D., Couppey-Soubeyran, J., & Saidane, D. (2006). "Les banques acteurs de la

globalisation financière", Paris, La documentation Française.

Powo. (2000). " Les déterminants des faillites bancaires dans les Pays en voie de

211

Développement: Le cas de l’UEMOA ", Université de Montréal.

Pyle, D. H. (1971). "On the Theory of Financial Intermediation”, Journal of Finance, 26, 737.

Rochet, J. C. (2008). "Procyclicité des systèmes financiers : est-il nécessaire de modifier les

règles comptables et la réglementation actuelles ? ", RSF, Banque de France, N° 12,

Octobre, pp.105-110.

Rochet, J. C. (2010). "Risqué systémique: une approche alternative", revue de la stabilité

financière, 14, pp.107-115.

Rochet, J.-C. (1992). "Capital Requirements and the Behavior of Commercial Banks.”

European Economic Review 36 (5), pp.1137.1170.

Roy, A. D. (1952). Safety first and the holding of assets, Econometric, vol 20, pp.431-449.

Shen, C., & Chih, H. (2005). " Investor Protection, Prospect Theory and earnings management;

An international comparison of the banking industry " Journal of Banking & Finance 29,

pp.2675-2697.

Shim, J. (2010). “Capital-Based Regulation, Portfolio Risk and Capital Determination:

Empirical Evidence from the US Property-Liability Insurers.” Journal of Banking and

Finance 34 (10). Elsevier B.V, pp.2450–2461.

Shim, J. (2013). "Bank capital buffer and portfolio risk: The influence of business cycle and

revenue diversification"; Journal of Banking and Finance, 37, pp.761-772.

Shrieves,E, Dahl, D. (1992). "The relationship between risk and capital in commercial banks ",

Journal of Banking and Finance, 16, pp. 439-457.

Spence, M. (1974). "Market Signaling: Informational Transfer in Hiring and Related Screening

Processe", Cambridge, Harvard University Press.

Stiglitz, J. E., & Weiss, A. (1981). "Credit rationing information", American Economic Review.

Stiglitz, J. E., Weiss, & A. (1983). “Incentive effects of terminations: Applications to the credit

and labor markets”, American Economic Review, Vol. 73, N°. 05, pp.912-927.

Tan, Y., & Christos, F. (2013). “Risk, Capital and Efficiency in Chinese Banking.” Journal of

International Financial Markets, Institutions and Money 26 (1). Elsevier B.V, pp.378–

393.

Tanimoune, N. A. (2003). "Les Déterminants de la profitabilité des banques dans l’UEMOA :

une analyse sur données de panel", BCEAO, NIS, N°539, pp.3-23.

Trinnou, M. G. (2013). "Implémentation du « stress-test » macro-prudentiel du risque de crédit

bancaire dans l’UEMOA", REM, 39p.

Vernimmen, P. (1978). "Panorama des recherches portant sur le risque du créancier", Analyse

financière, N°1 pp.54-61.

Vilanova, L. (1997). " La décision de prêt bancaire comme signal imparfait sur l'emprunteur" ,

Revue d'économie financière, N°41, pp. 219 – 246.

Wanda, R. (2007). "Risques, comportements bancaires et déterminants de la surliquidité" , La

212

Revue des Sciences de Gestion, N° 228, pp.93-102.

White, W. R. (2008). "Past financial crises, the current financial turmoil, and the need for a new

macrofinancial stability framework", dans Journal of Financial Stability , Vol. 4, Issue 4,

pp.307-312.

Wibaut, S. (2008). "Quelles leçons tirer de la crise financière", regard économiques, N°64.

WORKING PAPER, COMMUNICATIONS

Bernanke, B. S., & Blinder, A. S. (1988). "Credit, Money, and Aggregate Demand ", American

Economic Review, American Economic Association, vol. 78, pp 435-439, May. Papers

and proceedings of the 100th Annual Meeting of the American Economic Association.

Bieri, D. S. (2004). "The Basel Process and Financial Stability ", Virginia Polytechnic Institute

& State University.

Blum, J. (2003). "The Impact of Capital Requirements on Banks’ Incentive to Monitor and Hold

Excess Capital”, Swiss National Bank.

Borio, C., & Drehmann, M. (2008). "Towards an operational framework for financial stability:

“fuzzy” measurement and its consequences", Financial stability, monetary policy and

central banking – 12th Annual Conference of the Banco de Chile », Santiago, 6-7

November.

Brunnermeier M.K.C, G. C. (2009). The fundamental principles of financial regulation.

Communication CEPR/ICMB.

Camara, B. (2006). "Régulation du capital et risque de défaillance des banques européennes

: une analyse empirique", Document de travail LAPE, 21 p.

Camara, B. (2010). "Impact des ratios de capital pondérés et non pondérés du risque sur le

risque de défaillance des banques européennes" , Document de travail, LAPE.

Camara, B., Lepetit, L., Tarazi, A. (2010). "Changes in capital and risk: an empirical study of

Europeanbanks", Document de travail, LAPE .

Caprio, G., & Klingebiel, D. (1996). “Bank Insolvencies: Cross Country Experience,” World

Bank Policy and Research Working Paper 1574 (Washington).

Caprio, G., & Klingebiel, D. (2003). " Episodes of Systemic Borderline Crises ", The World

Bank Group, Working papers, January 22.

CBSB. (1990). "Note sur les bonnes pratiques dans la mesure et le contrôle des grands risques

de crédit".

CBSB. (1999). "Nouveau dispositif d’adéquation des fonds propres ".

CGAP. (1995). "Comment maximiser l’étendue du financement des microentreprises : ce que

nous enseignent les institutions performantes", Focus N°5, octobre 1995.

Coleman, W. D. (2001). Governing global finance: Financial derivatives, liberal states and

213

transformative capacity, Institute on Globalization and the Human Condition, WP/2.

Eichengreen, B. (2004). "Financial Instability", Copenhagen Consensus, 25-28 May.

Fofack, H. (2005). "Non-performing loans in sub-Saharan Africa: Causal Analysis and

Macroeconomic Implications.” World Bank Policy Research Working Paper N°3769,

November.

Godbillon-Camus, B., & Godlewski, J. C. (2005). "Gestion du risque de crédit dans la banque

: information hard, information soft et manipulation" , Miméo, LaRGE, Université Robert

Schuman, Strasbourg 3.

Godlewski, C. J. (2003). "Modélisation de la prévision de la défaillance bancaire : une

application aux banques des pays émergents", mimeo, LaRGE, Université Robert

Schuman.

Godlewski, C. J. (2004). "Le rôle de l’environnement réglementaire, légal et institutionnel dans

la défaillance des banques : le cas des pays émergents", working paper LaRGE N° 64,

Université Robert Schuman .

Goldstein, M. (2005). "What Might the Next Emerging-Market Financial Crisis Look Like? ",

Institute for International Economics, WP/7.

Goodhart, C. A. (2004). "Some New Directions for Financial Stability? ", BIS α Per Jacobsson

Foundation.

Gourièroux, C., & Tiomo, A. (2007). "Risque de crédit : une approche avancée", Les cahiers

du CREF, CREF-07-05.

Tolz, S. (2004). ”Does Capital Regulation Matter for Bank Behavior? Evidence for German

Savings Banks” Discussion Paper Series 2: Banking and Financial Studies 2004, 03,

Deutsche Bundesbank.

Hellwing, M. (2015). "Liquidity Provision and Equity Funding of Banks ", Discussion Paper,

Max Planck Institute.

Karaoglu, E. (2004). "Regulatory Capital and Earnings Management in Banks : The case of

loan sales and securization " University of southern California Working Paper 2004.

Klimenko, N. (2015). "Tail Risk, Capital Requirements and the Internal Agency Problem in

Banks ", Working Paper.

Lasserre, M. (2007). Crise des crédits immobiliers et turbulences financières mondialisées,

dans « Attac18 info », N°.5.

Lee, C. C., & Hsieh, M. F. (2013). “The Impact of Bank Capital on Profitability and Risk in Asian

Banking.” Journal of International Money and Finance 32 (1).

Lepetit, J.-F. (2010). “Rapport Sur Le Risque Systémique.”

Mishkin, F. S. (1991). "Financial Crisis: Systemic or Idiosyncratic", The Jerome Levy

Economics Institute, Bard College, WP/51.

Mishkin, F. S. (1997). "The Causes and Propagation of Financial Instability: Lessons for

214

Policymakers", FED of Kansas.

Mishkin, F. S. (2001). "The transmission mechanism and the role of asset prices in monetary

policy", NBER, WP/8617

N'Diaye M, P. (2014). Prévention du risque de défaillance des banques de l'UEMOA: impact

des fonds propres sur le risque de défaillance, communication au colloque l’AETA.

Orléan, A. (2009). "De l’euphorie à la panique : penser la crise financière ", Opuscules du

CEPREMAP, N° 16, CEPREMAP.

Patat, J. P. (2000). La stabilité financière, nouvelle urgence pour les banques centrales, dans

" Bulletin de la Banque de France ", Banque de France, N°. 84.

Pollin, J. P. (2006). "La régulation bancaire face au dilemme du Too Big To Fail : mécanismes

et solutions", AFSE Strasbourg.

Sandretto R, K. F. (1993). La faillite du système bancaire africain, autopsie et implication d'un

désastre: l'exemple camérounais. Information et Commentaires, N°83.

Solhi, S., & Mehdi, A. (2012). « Prévention du risque de défaillance des banques de la région

MENA : analyse par équations simultanées en données de panel », ERF 18th Annual

Conference, Caire, Égypte, mars.

Tony, L. (1997). "Causes and management of banking crises, Handbook in central banking",

Bank of England.

Tordjman, D. (2004). "Risque de système et dispositif prudentiel de la zone euro, " Université

Paris Sud XI.

Trichet, J. C. (2011). "Les défis intellectuels qui se posent à l’analyse de la stabilité financière

à l’ère de la surveillance macro-prudentielle", BDF, Revue de Stabilité Financière.

Takatsohi, I., & Sasaki, Y. N. (1998). "Impacts of the Basle Capital Standard on Japanese

Bank’s Behavior ". NBER Working Paper,.

THESES

Angora, A. E. (2009). "Système d’alerte avancée des crises bancaires : une approche fondée

sur les modèles multinomiaux", thèse de Doctorat en Sciences Economiques,

Université de Limoges, 281p.

Camara, B. N. (2010). "Réglementation prudentielle et risque bancaire : incidence de la

structure et du niveau du capital réglementaire", thèse de Doctorat en Sciences

Economique, Université de Limoges, 210p.

Conan, J., & Holder, M. (1979). "Variables explicatives de performances et contrôle de gestion

dans les PMI", thèse d’Etat, Université Paris Dauphine.

Godlewski, J. (2005). "Information, organisation et prise de risque dans la banque", thèse de

215

Doctorat de Sciences de Gestion, Université Robert Schuman Strasbourg 3, 222p.

Golliard, L. P. (2007), "Structure financière optimale du capital dans le secteur bancaire ",

thèse pour le Doctorat en Sciences de Gestion, Université Paul Cézanne, 381 p.

Kadandji.A. (2016). Qualité du portefuille de crédits, capitalisation et solidité bancaire dans la

zone CEMAC, Thèse de Doctorat. Université gaston Berger,218p.

OUVRAGES SPECIALISES

Bruslerie, H. (1999). "Analyse financière et risque crédit", éd. Dunod ;.

Calvet, E. (2002). "Méthodologie de l’analyse financière des établissements de crédit",

éd.Economica, 461p.

De Coussergues, S. (1994). "La banque, structures, marchés, gestion", éd. Dalloz, 134p.

De Coussergues, S. (2005). "La gestion de la banque : du diagnostic à la stratégie", éd. Dunod,

265 p.

Dewantripont, M., & Tirole, J. (1994). "The Prudential Regulation of Bank", Cambridge, MA,

MIT Press, 262p.

Heremans, D. (2000). "Regulation of Banking and Financial Markets", in Encyclopedia of Law

and Economics, Volume I, The History and Methodology of Law and Economics

Bouckaert, Boudewijn and De Geest, Gerrit (eds.),. Cheltenham, Edward Elgar, 2000,

1094 p.

Holder, M., Loeb, J., & Portier, G. (1984). "Le score de l’entreprise, " Paris, Nouvelles édition

fudiciaire. .

Hsiao, C. (1986). "Analysis of panel data", Econometric Society Monographs, 2ème Ed.

Levasseur, M., & Quintart, A. (s.d.). "Finance", 2ème éd., Economica, Paris, 1992.

Manchon, E. (2001). "Analyse bancaire de l’entreprise", éd. Economica.

Mikdashi, Z. (1998). Les banques à l’ère de la mondialisation, Économisa, 365 p.

Mucchielli. (2004 ). La conduite des reunions. ESF Editeur.

Simon, Y. (2017). "Notation et agence de rating", éd.Economica.

Wooldridge, J. M. (2013). "Introduction à l'économétrie : une approche moderne" éd de boeck.

Zoupounidis, C. (1995). "Evaluation du risque de défaillance de l’entreprise : Méthode et cas

d’application", éd Economica.

216

RAPPORTS

BAD (2015), "Le système bancaire en Afrique : principaux faits et défis", volume 6, numéro 5

BCEAO, "Différents rapports annuels de CBU ".

BCEAO, " Différents rapports annuels de la BCEAO".

BCEAO, " Bilans et comptes de résultats des établissements de crédits de l’UMOA ".

BCEAO, "Différents rapports sur les conditions de banques".

BCEAO, "Revue de la stabilité financière ".

BCEAO, "Annuaire des banques et établissements financiers"

BCEAO "Bulletin mensuel de statistiques economiques de L'UEMOA"

SITOGRAPHIE

HTTPS://ACPR.BANQUE-FRANCE.FR/

HTTPS://WWW.BCEAO.INT/

HTTPS://WWW.BANQUE-FRANCE.FR/

HTTP://WWW.BCL.LU/FR/STABILITE_SURVEILLANCE/INDEX.HTML

HTTPS://WWW.BANQUEMONDIALE.ORG/

HTTP://WWW.BRVM.ORG/

HTTPS://WWW.CAIRN.INFO/REVUE-D-ECONOMIE-FINANCIERE-2014-4-PAGE

279.HTM?CONTENU=AUTEURS

HTTPS://WWW.ECB.EUROPA.EU/ECB/HTML/INDEX.FR.HTML

HTTPS://WWW.IMF.ORG/EXTERNAL/FRENCH/

HTTPS://WWW.UMOATITRES.ORG/FR/

217

TABLE DES MATIERES AVERTISSEMENT .................................................................................................................. i

REMERCIEMENTS ................................................................................................................ ii

DEDICACES ......................................................................................................................... iv

SOMMAIRE ............................................................................................................................ v

SIGLES ET ABREVIATIONS................................................................................................. vi

LISTE DES TABLEAUX ...................................................................................................... viii

LISTE DES FIGURES ........................................................................................................... ix

INTRODUCTION GENERALE ............................................................................................... 1

1. Contexte de la recherche ............................................................................................... 1

2. Problématique ................................................................................................................ 4

3. Objectifs de la thèse ....................................................................................................... 9

4. Posture épistémologique ...............................................................................................10

5. Démarche .....................................................................................................................10

6. Structuration de la thèse................................................................................................11

PREMIERE PARTIE : ...........................................................................................................12

CADRE THEORIQUE ET METHODOLOGIQUE DE LA RECHERCHE ...............................12

CHAPITRE 1. FONDEMENTS DE LA SOLIDITE BANCAIRE : LES CONTROVERSES THEORIQUES ET EMPIRIQUES .........................................................................................14

Section 1 : Revue et analyse critique de la litterature ...........................................................14

1.1. Fondements théoriques de la stabilité .............................................................15

1.1.1. Clarification du concept de la stabilité financière .................................................15

1.1.1.1. La stabilité financière dans la littérature .................................................15

1.1.1.2. Place de la stabilité financière dans le circuit économique .....................17

1.1.1.3. La solidité bancaire dans finance bancaire ............................................18

1.1.1.4. Rôle de la Banque centrale dans la solidité bancaire .............................20

1.2. La régulation à l’épreuve de la gouvernance bancaire.....................................21

1.2.1. Réglementation du capital et surveillance bancaire ............................................22

1.2.2. Mise en œuvre de la réglementation bancaire ....................................................23

1.3. L’asymétrie d’information ................................................................................24

1.3.1. L’asymétrie ex-ante ............................................................................................25

1.3.2. L’asymétrie ex-post .............................................................................................26

1.3.3. Le rationnement du crédit ...................................................................................27

1.4. La théorie d’agence .........................................................................................28

1.5. La Théorie du signal ........................................................................................30

1.6. Paradigme de la recherche et controverse sur la solidité bancaire ..................30

1.6.1. Positionnement épistémologique ........................................................................31

1.6.2. Controverses sur la solidité bancaire ..................................................................31

1.6.3. Modèle théorique de la recherche .......................................................................34

218

1.6.3.1. Questions de recherche .........................................................................36

1.6.3.2. Hypothèses de recherche .......................................................................37

Section 2 : Justification théorique de la solidité et mutations enregistrées dans le secteur bancaire ...............................................................................................................................38

2.1. Les différentes évolutions de la réglementation du capital : .............................38

2.1.1. Aperçu des accords de Bâle 1 ............................................................................39

2.1.2. Aperçu des accords de Bâle 2 ............................................................................40

2.1.3. Aperçu sur les accords de Bâle 3 .......................................................................42

2.2. Les indicateurs de la solidité bancaire adossés aux fonds propres..................44

2.2.1. Les Fonds Propres de Base ...............................................................................46

2.2.2. Les Fonds Propres Complémentaires .................................................................48

2.3. Focus sur le dispositif prudentiel de l’UEMOA .................................................49

2.4. Interaction capitalisation-prise de risques et solidité bancaire .........................51

2.4.1. Crédit et Portefeuille de crédits ...........................................................................51

2.4.2. Analyse critique des effets perçus du rôle joué par le capital et le portefeuille dans la solidité ...........................................................................................................................53

2.4.2.1. Effets perçus du seuil de capitalisation sur la solidité bancaire ..............54

2.4.2.2. Effets perçus entre la qualité du portefeuille de créances et la solidité bancaire ..............................................................................................................57

2.5. Les crises bancaires dans la théorie financière : causes et implications ............. ........................................................................................................................59

2.5.1. Au plan international ...........................................................................................60

2.5.2. Au plan sous régional .........................................................................................62

Conclusion partielle ..............................................................................................................64

CHAPITRE 2. METHODOLOGIE ET CADRE D’ANALYSE .................................................66

Section 1 : Choix des variables de l’étude empirique ............................................................67

1.1. Source et sélection des données de la thèse ..................................................67

1.1.1. Source de données .............................................................................................67

1.1.2. Sélection et construction de la base de données ................................................68

1.2. Justification théorique du choix des variables et sources de données .............75

1.2.1. Variable dépendante ...........................................................................................79

1.2.2. Variables explicatives .........................................................................................81

1.6.3.3. Les variables d’intérêt ............................................................................82

1.6.3.4. Les autres variables de contrôle ............................................................84

1.3. Variable traduisant les effets induits de la réglementation ...............................91

1.4. Modèle empirique de la recherche ..................................................................92

1.5. Opérationnalisation des variables et conditions de validation des hypothèses formulées ...................................................................................................................93

Section 2. Méthodes d’analyse économétrique sur données de panel et statistiques descriptives ..........................................................................................................................96

2.1. Econométrie des données de panel ................................................................96

219

1.6.4. Analyse en panel statique ...................................................................................97

1.6.5. Analyse en panel dynamique ..............................................................................98

1.6.6. Le modèle estimable ...........................................................................................99

1.6.7. Technique d’estimation : le GMM en système de Blundell et Bond (1998) ........ 100

2.2. Statistiques descriptives des variables du modèle ......................................... 102

1.6.8. La variable à expliquer (Z-score) ...................................................................... 106

1.6.9. Les variables explicatives ................................................................................. 107

Conclusion partielle ............................................................................................................ 108

DEUXIEME PARTIE : ......................................................................................................... 110

MODELISATION EMPIRIQUE ET ANALYSE DE LA SOLIDITE BANCAIRE ..................... 110

CHAPITRE 3. ANALYSE EXPLORATOIRE DE LA PERFORMANCE DU SYSTEME BANCAIRE DE L’UMOA ..................................................................................................... 112

Section 1 : Contexte de la solidité des banques : réalités et défis ....................................... 113

1.1. Microstructure des banques de l’UEMOA ...................................................... 113

1.1.1. Répartition géographique des banques ............................................................ 113

1.1.2. Répartition par groupe bancaire ........................................................................ 114

1.1.3. Répartition selon la taille bilancielle .................................................................. 115

1.2. Performances structurelles ............................................................................ 117

1.2.1. Evolution de la réglementation du capital social ................................................ 120

1.2.1.1. Sous-période 2005-2009...................................................................... 122

1.2.1.2. Sous-période 2010-2016...................................................................... 122

1.2.2. Couverture des risques ..................................................................................... 123

1.2.2.1. Sous-période 2005-2009...................................................................... 123

1.2.2.2. Sous-période 2010-2016...................................................................... 123

1.2.3. Limitation des participations et des immobilisations par les fonds propres ........ 124

1.2.3.1. Sous-période 2005-2009...................................................................... 124

1.2.3.2. Sous-période 2010-2016...................................................................... 124

1.3. Performances opérationnelles ....................................................................... 125

1.3.1. Evolution des emplois de la période.................................................................. 125

1.3.2. Analyse de la rentabilité et des indicateurs du portefeuille de créances ............ 126

1.3.3. Situation des dépôts de la période .................................................................... 127

1.3.4. Qualité des créances bancaires ........................................................................ 128

Section 2 : Analyse de la capacité de résilience des banques de l’UEMOA........................ 131

2.1. Diagnostic des scores enregistrés ................................................................. 131

2.1.1. Analyse des données financières agrégées ...................................................... 132

2.1.2. Analyse des données financières individuelles par pays ................................... 134

2.1.2.1. Analyse de l’indice de défaillance des banques du Bénin .................... 138

2.1.2.2. Analyse de l’indice de défaillance des banques du Burkina ................. 139

2.1.2.3. Analyse de l’indice de défaillance des banques de la Côte d’Ivoire ........... ............................................................................................................ 140

220

2.1.2.4. Analyse de l’indice de défaillance des banques du Mali ....................... 141

2.1.2.5. Analyse de l’indice de défaillance des banques du Niger ..................... 141

2.1.2.6. Analyse de l’indice de défaillance des banques du Sénégal ................ 142

2.1.2.7. Analyse de l’indice de défaillance des banques du Togo ..................... 143

2.1.2.8. Analyse de l’indice de défaillance des banques de Guinée Bissau ........... ............................................................................................................ 144

2.2. Classification des banques en fonction des critères de solidité de Altman .......... ...................................................................................................................... 145

2.3. Approche de classification fondée sur la période de déclenchement de la défaillance ............................................................................................................... 149

2.4. Capitalisation et prise de risques : quel impact des fonds propres sur la couverture des risques bancaires ? ......................................................................... 152

Conclusion partielle ............................................................................................................ 157

CHAPITRE 4. RESULTATS ET DISCUSSIONS DU MODELE D’ANALYSE ...................... 158

Section 1 : Essai de modélisation ....................................................................................... 158

1.1. Test de multicolinéarité ................................................................................. 158

1.2. Tests de stationnarité en données de panel .................................................. 161

1.3. Tests de Spécification du modèle .................................................................. 164

1.4. Tests d’égalité des moyennes ....................................................................... 165

Section 2 : Discussions des résultats et contributions pratiques de la recherche ................ 169

2.3. Présentation des résultats ............................................................................. 169

2.3.1. Analyse des données agrégées des banques de l’UEMOA .............................. 169

2.3.1.1. Modèle 1 : Variables d’intérêt ................................................................ 171

2.3.1.2. Modèle 2 : Variables d’intérêt et celles traduisant la qualité de portefeuille .............................................................................................................. 171

2.3.1.3. Modèle 3 : Variables d’intérêt et celles traduisant la liquidité bancaire .. 171

2.3.1.4. Modèle 4 : Variables d’intérêt et celles traduisant la gouvernance bancaire .............................................................................................................. 171

2.3.1.5. Modèle 5 : Variables de capitalisation ................................................... 172

2.3.1.6. Modèle 6 : Variables d’intérêt et celles traduisant la rentabilité bancaire .... .............................................................................................................. 172

2.3.2. Résultats du panel dynamique avec la méthode de Blundell et Bond ............... 176

2.3.2.1. Test de Sargan de validité des instruments ........................................... 178

2.3.2.2. Test de Hansen de Validité des instruments ......................................... 178

2.3.2.3. Test d’autocorrélation des résidus d’Arellano et Bond ........................... 178

2.4. Discussions des résultats des données agrégées ......................................... 181

2.4.1. Effets perçus de la modification du seuil du capital réglementaire sur la solidité des banques ........................................................................................................................ 181

2.4.1.1. Influence de la modification du capital réglementaire ............................ 184

2.4.1.2. Degré de couverture des risques bancaires par les fonds propres bancaires ............................................................................................................. 184

221

2.4.2. Effets perçus entre le relèvement du potentiel de distribution de crédit et les répercussions sur la qualité du portefeuille de créances ................................................. 187

2.4.3. Autres analyses des résultats de la modélisation .............................................. 189

2.4.4. Contribution individuelle des banques de l’échantillon à la solidité .................... 190

2.5. Analyse de la solidité des groupes bancaires de l’échantillon ........................ 192

2.6. Contributions de la recherche ........................................................................ 196

1.6.10. Les apports théoriques ..................................................................................... 196

1.6.11. Les apports et implications managériaux .......................................................... 197

2.7. Limites et perspectives .................................................................................. 200

Conclusion partielle ............................................................................................................ 201

CONCLUSION GENERALE ............................................................................................... 203

BIBLIOGRAPHIE ................................................................................................................ 206

TABLE DES MATIERES .................................................................................................... 217

ABSTRACT ............................................................................................................................. i

RESUME ................................................................................................................................ ii

i

ANNEXES

ANNEXE 1 : Liste des banques de l’échantillon de la thèse et capital social au 31.12.2016

ANNEXE 2 : Méthode d’analyse économétrique sur données de panels adoptée dans le cadre des travaux

ANNEXE 3 : Modèle d’optimisation des fonds propres bancaires

ANNEXE 4 : Tests de stationnarité

ANNEXE 5 : Tests de corrélation des variables utilisées dans les régressions pays Estimation effets fixe banque

ANNEXE 6 : Estimations effets fixe banque

ANNEXE 7 : GMM en système BdD pays

ANNEXE 8 : Tests de Hausman BdD pays

ANNEXE 9 : Tests de corrélation des variables utilisées dans les régressions Groupes bancaires

ANNEXE 10 : Estimations effets fixe BdD groupes bancaires

ANNEXE 11 : GMM en système BdD groupes bancaires

ANNEXE 12 : Tests de comparaison des moyennes

ii

ANNEXE 1

LISTE DES BANQUES DE L’ECHANTILLON DE NOTRE THESE ET CAPITAL

SOCIAL AU 31.12.2016

Pays N° Banques Capital social

Bénin

1 Banque Of Africa 10 073 2 Ecobank 10 000 3 Orabank 9 136 4 Banque Internationale du Bénin 9 000 5 United Bank for Africa 10 997 6 Diamond Bank 20 450 7 Société Générale de Banque 32 000 8 Banque Sahélo-Saharienne pour l‘Industrie et

le Commerce 9 620

9 Banque de l’Habitat 5 000 10 Banque Atlantique 11 000

Burkina

1 United Bank for Africa 18 556 2 Banque Internationale pour le Commerce et

l’Industrie 10 000

3 Banque commerciale du Burkina 21 125 4 Société Générale de Banque 6 400 5 Ecobank 11 818 6 Banque Of Africa 11 000 7 Orabank 0 8 Banque Sahélo-Saharienne pour l‘Industrie et

le Commerce 12 212

Côte-d’Ivoire

1 Banque Internationale pour l’Afrique Occidentale

20 000

2 Banque Internationale pour le Commerce et l’Industrie

16 667

3 Société Ivoirienne des Banques 10 000 4 Société Générale de Banque 15 556 5 CitiBank 10 000 6 Banque Atlantique 14 963 7 Ecobank 21 900 8 Banque Of Africa 10 000 9 Cofipa Investement Bank 5 000 10 Standart 10 300 11 Banque Nationale d’Investissement 20 500 12 Banque de l’Habitat 6 776 13 VERSUS Banque 3 000 14 Orabank 44 444

Guinée Bissau

1 Banco África Ocidental

6 478

2 Ecobank 6 800

iii

Pays N° Banques Capital social

MALI

1 Banque de Développement du Mali 25 000 2 Banque Internationale pour le Mali 10 006 3 Banque Of Africa 10 300 4 Ecobank 10 000 5 Banque Commerciale du Sahel 14 300 6 Banque Commerciale pour le Commerce et

l’Industrie 5 000

7 Banque Nationale de Développement Agricole 23 514 8 Orabank 0 9 Banque Sahélo-Saharienne pour l‘Industrie et

le Commerce 11 000

Niger

1 Société Nigérienne de Banque 12 000 2 Banque Of Africa 10 000 3 Banque Commerciale du Niger 16 450 4 Banque Internationale pour l’Afrique

Occidentale 14 000

5 Banque Islamique pour le Niger du Commerce et l’Industrie

12 500

6 Ecobank 5 100 7 Banque Sahélo-Saharienne pour l‘Industrie et

le Commerce 11 000

8 Orabank 0

Sénégal

1 Banque Internationale pour Commerce et l’Industrie du Sénégal

10 000

2 Société Générale de Banque 10 000 3 Compagnie Bancaire de l’Afrique de l’Ouest 11 450 4 CitiBank 17 549 5 Crédit du Sénégal 10 000 6 Banque Islamique du Sénégal 10 000 7 Ecobank 16 777 8 Banque de l’Habitat 10 000 9 Caisse Nationale du Crédit Agricole du Sénégal 10 000 10 Banque Of Africa 12 000 11 Banque Sahélo-Saharienne pour l‘Industrie et

le Commerce 23 500

12 Banque des Institutions Mutualistes d’Afrique de l’Ouest

10 000

Togo

1 Union Togolaise de Banque 10 000 2 Orabank 10 019 3 Ecobank 4 Banque Togolaise pour le Commerce et

l’Industrie 7 000 (‘**)

5 Banque Internationale pour l’Afrique 8 822 6 Société Inter Africaine des Banques 6 635 (‘**)

Source : extrait des données de la CBU

iv

ANNEXE 2

PRESENTATION DE LA METHODE D’ANALYSE ECONOMETRIQUE SUR DONNEES DE PANELS APPLIQUEE DANS LE CADRE DE LA PRESENTE RECHERCHE

v

ANNEXE 3

MODELE D’OPTIMISATION DES FONDS PROPRES Dans le modèle développé par Artus (2005), l’exigence du capital est donnée par l’équation (1) ci-dessous : Of = Og + h��; + �:� (1) Dans cette equation (1):

- Of, représente les capitaux propres bancaires; - Og, le niveau de fonds propres incompressibles que la banque doit détenir en dehors de sa

politique de distribution de credits; - C1 et C2 représentent les deux categories de prêts dans le portefeuille (avec C1, peu risqué

que C2); Le crédit offert peut être financé par les fonds propres Of, ou par des ressources liquides L (dépôts, emprunts sur le marché monétaire…) remunéré au taux d’intérêt sans risque r. L’offre de crédit se présente comme ci-dessous : Of + i = ��; + �:� (2)

Le rendement du capital de la banque (noté ε) résulte des situations illustrées ci-dessous :

si le prêt 1 octroyé à la contrepartie 1 (peu risquée) se rembourse normalement, donc en l’absence de défaut, la banque reçoit �;�1 + �;�. En cas de défaut, la banque saisit la totalité de l’actif de l’entreprise (son capital productif et son revenu), matérialisé par j�1 + ;� ( avec B représentant le besoin de financement de l’investissement à réaliser et ;, le rendement espéré) .

les sources de financement de cet investissement peuvent être également un mixte de

ressources, comme suit : fonds propres (O+� et ressources d’emprunts (� � B = O++� (avec O+ , les fonds propres de l’entreprise bénéficiaire du crédit).

S’agissant de la contrepartie 2 (plus risquée), la banque reçoit �:�1 +�:� �C �k> 6� ��lm�B�>��C� C��lkn, ou j�1 + :� �C �k> 6� 6é�kB�; Dans tous les cas présentés ci-haut, la banque supporte le coût du portage relatif au paiement de la rémunération des ressources liquides (dépôts, ressources monétaires…). Le coût y relatif est : L(1+r). On a donc, pour l’espérance du rendement (noté ε) de la banque :

��4� = p �q �;r .q�&s

rt�q �; (;� 6; +

p f �;r �q�&s

�q t ∗ �; (;� 6; +

p �v �;r .v�&s

rt�v �: (:� 6: +

p f �;r �v�&s

�v t �: (:� 6:

− ��q r �v &s� �;rx�&s

(3)

Dans l’équation (3), si l’on considère le prêt 1, sans défaut (R1>R0), le revenu espéré par la banque est : �;�1 + �;�. �C �k> 6� 6é�kB�, n� ��û� >B�����é �>� ∶ j�1 + ;�. Le dernier terme de l’équation (3) représente le coût des ressources liquides de la banque où �. est la densité de probabilité de Ri, où Of est donné par l’équation (1). Il s’en suit d’une part que le capital exigé croît avec le crédit et d’autre part, la probabilité de défaut P(D) croît avec le niveau de l’encours de crédit.

vi

(3) implique pour �; { ��4�

{�; = | 1 + �;Ofrt

�q �; �;� 6;

− | �;�1 + �;�Of:

rt�q

{Of{�; �; �;� 6;

− | j�1 + ;�Of:

�q

t {Of{�; �; �;� 6;

− p �v�;r .v�&sv

rt�v ∗ }&s

}�q �: �:� 6:

− | j�1 + :�Of:

�v

t {Of{�; �: �:� 6:

− ;rx&s + ��qr �v� �;rx�

&sv }&s}�q

(4)

Il s’en suit de (4) que la maximisation du rendement anticipé du capital de la banque détermine les offres de crédit. On peut réécrire (4) comme ci-après : {��4�

{�; = ~| 1 + �;Of �; �;� 6; − �1 + ��Of

rt�q

� �1 − �;Of {Of{�; �

− �:Of {Of{�; ∗ �| 1 + �:Of ∗ �:rt

�v �:� 6: − 1 + �

Of �

(5)

− {Of{�; ∗ 1Of: ~| j �1 + ;��; �;�6; + | j �1 + :� �: 6�:��v

t�q

t�

}+�G�

}�q est la variation du rendement anticipé du capital de la Banque due à une hausse marginale des

prêts C1.

le premier terme de l’équation (5) représente la variation du rendement anticipé du capital de la banque qui vient de ce que C1 est accru, lorsqu’il n’y a pas défaut (R1>R0) ; le coût de financement (au taux d’intérêt r) est toujours subi et supporté par la banque ; la hausse du

rendement anticipé E(ε ) est réduite par la hausse du capital exigé (d’où le terme }&�q ).

le second terme explique l’accroissement du capital exigé Of de la banque du fait de la hausse du crédit C1. Le rendement anticipé du capital de la banque provenant du prêt 2 est réduite du fait du relèvement du dénominateur (hausse de Of�.

le troisième terme explique la hausse du capital exigé Of de la banque adossée à la hausse du

crédit C1 ( }&}�q� > 0. Cette situation se traduit par une réduction du rendement anticipé du capital

de la banque en cas de défaut (R1<R0 ; R2<R0 ). Si tel est le cas, en cas de faillite, l’actif des

vii

emprunteurs B(1+ Ri) revient à la banque dans le cadre de son processus de recouvrement (forcé ou amiable) du prêt accordé.

En partant toujours de l’équation (1) sur l’offre de crédit des banques, nous calibrons les règles de capital exigé de Bâle adossées à la politique de distribution. Of = Og + h��; + �:� (1) L’exigence de capital est proportionnelle au crédit distribué, quel que soit le niveau de risque de l’emprunteur. Le comportement de la demande de crédit est semblable à celui développé dans l’équation (4) . Cette offre est décrite ci-dessous : {��4�

{�; = ~| 1 + �;Of �; ; 6; − 1 + �Of

rt�q

� ∗ �1 − �;Of ∗ h�

− �:Of ∗ h ~| 1 + �:Ofrt

�v �: �:�6: − 1 + �

Of �

− h ∗ jO: ~|�q

t�1 + ;��; �;�6;� + | �1 + :��: :6:

�v

t� = 0

(6)

L’expression identique du prêt 2 est donnée comme suit : }+�G�

}�v , qui se substitue à l’équation (5).

Il se dégage de cette équation que la hausse du crédit fait croître l’exigence de capital, d’où :

une baisse du rendement du capital de la banque due à la distribution de crédit ; une baisse du rendement du capital due à la hausse du capital exigé par la banque (donc une

hausse du dénominateur en un mot sur l’ensemble des revenus de la banque).

}+�G�

}�q , est sans ambiguïté réduit par le lien entre le crédit et le capital, d’où une baisse de l’offre de crédit

intervenue suite à la mise en œuvre du ratio de solvabilité bâlois. On a : {��4�

{�; − {��4�{�: = ~| 1 + �;Of �; �;� 6; − 1 + �

Ofrt

�q�

= ~| 1 + �:Of �: �:�6: − 1 + �Of

rt�v

� (7)

L’espérance d’excès de rendement des prêts est la même pour les deux types d’emprunteurs. On peut réécrire l’équation (6), en ce qui concerne le prêt 1 comme suit :

O ∗ {��4�{�; = ~| �1 + �;��; �;� − �1 + ��rt

�q�

∗ �1 − �; + �:Of ∗ h�

−hjOf ~| �1 + ;��;�;�6; + | �1 + :��::6:

�v

t��

t� = 0

(8)

Ri est le seuil de défaut correspondant au niveau de crédit Ci.

On a donc �.�.� = � ��� ��∗�� � où g est la distribution de la probabilité de la loi normale.

La probabilité de défaut est : � ��� ��∗�� � où G est la fonction de répartition de la loi normale.

viii

� ��v �v∗�v � > � ��q �q∗

�q �

La probabilité de défaut est plus grande pour l’entreprise risquée. La réduction de l’offre de crédit due à la mise en place d’un ratio de capital exigé de type Bâle1 (k>0) est plus grande pour les entreprises peu risquées (type1) que pour les entreprises risquées (type2). Ceci dénote, comme le montre l’équation (6), que l’introduction du ratio de capital exigé réduit la probabilité de défaut. Celle-ci étant marginale pour l’entreprise peu risquée (Prêt1) cela implique qu’il faut une forte réduction de la distribution de crédits pour envisager une nette réduction de la probabilité de défaut. Cette situation constitue l’effet pervers de la réglementation de capital à travers Bâle 1 qui tend à amplifier l’effet de levier et amenant les banques à mettre un accent particulier sur la distribution de prêts risqués afin d’atteindre une forte rentabilité. Nous illustrons dans le chapitre 3 (au point 2.3.2, tableau 19), les effets pervers annoncés liés à l’application de cette politique. Avec :

- Og : niveau de capital incompressible (hors distribution de crédits) - Of : le capital de la banque - O+ : capital de l’entreprise - k : coefficient de distribution de crédit ; - 4 : rendement du capital - �; : taux d’intérêt du crédit 1 - �: : taux d’intérêt du crédit 2 - r taux d’intérêt sans risque en rémunération des dépôts et des emprunts interbancaires - . : seuil de rendement en dessous duquel, il y a un défaut - B : besoin de financement de l’entreprise - C : crédit octroyé par la banque - �. : densité de probabilité de .

ix

BdD PAYS

ANNEXE 4 //====================== TEST DE STATIONNARITE EN DONNEES DE PANEL ===================// . //sans trend// . xtunitroot llc z_score Levin-Lin-Chu unit-root test for z_score ---------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Not included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -16.2823 Adjusted t* -8.6813 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc fpta Levin-Lin-Chu unit-root test for fpta ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Not included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -15.5835 Adjusted t* -6.9045 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc dstp Levin-Lin-Chu unit-root test for dstp ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Not included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -13.9206 Adjusted t* -3.4335 0.0003 ------------------------------------------------------------------------------ . xtunitroot llc csfp Levin-Lin-Chu unit-root test for csfp ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12

x

AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Not included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -19.9600 Adjusted t* -11.3008 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc cnta Levin-Lin-Chu unit-root test for cnta ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Not included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -14.5184 Adjusted t* -6.0129 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc pvcs Levin-Lin-Chu unit-root test for pvcs ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Not included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -21.0271 Adjusted t* -13.9300 0.0000 ------------------------------------------------------------------------------ . *xtunitroot llc pvtp . xtunitroot llc rroe Levin-Lin-Chu unit-root test for rroe ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Not included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -18.6050 Adjusted t* -9.0839 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc fptp

xi

Levin-Lin-Chu unit-root test for fptp ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Not included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -26.0375 Adjusted t* -16.9739 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc rroa Levin-Lin-Chu unit-root test for rroa ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Not included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -19.6351 Adjusted t* -9.9550 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc coex Levin-Lin-Chu unit-root test for coex ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Not included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -16.8187 Adjusted t* -2.6121 0.0045 ------------------------------------------------------------------------------ . xtunitroot llc cstp Levin-Lin-Chu unit-root test for cstp ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Not included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -14.0614

xii

Adjusted t* -6.0724 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc vpib Levin-Lin-Chu unit-root test for vpib ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Not included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -17.9517 Adjusted t* -7.6470 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc vinfl Levin-Lin-Chu unit-root test for vinfl -------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Not included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -20.1986 Adjusted t* -12.2526 0.0000 ------------------------------------------------------------------------------ . . //avec trend// . xtunitroot llc z_score, trend Levin-Lin-Chu unit-root test for z_score ---------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -22.5740 Adjusted t* -12.2572 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc fpta, trend Levin-Lin-Chu unit-root test for fpta ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Included ADF regressions: 1 lag

xiii

LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -20.8441 Adjusted t* -10.2934 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc dstp, trend Levin-Lin-Chu unit-root test for dstp ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -18.8807 Adjusted t* -7.4383 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc csfp, trend Levin-Lin-Chu unit-root test for csfp ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -29.4814 Adjusted t* -20.1785 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc cnta, trend Levin-Lin-Chu unit-root test for cnta ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -22.8546 Adjusted t* -10.0195 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc pvcs, trend Levin-Lin-Chu unit-root test for pvcs ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0

xiv

Panel means: Included Time trend: Included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -22.9501 Adjusted t* -10.2891 0.0000 ------------------------------------------------------------------------------ . *xtunitroot llc pvtp, trend . xtunitroot llc rroe, trend Levin-Lin-Chu unit-root test for rroe ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -25.0120 Adjusted t* -11.2063 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc fptp, trend Levin-Lin-Chu unit-root test for fptp ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -23.9311 Adjusted t* -8.5685 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc rroa, trend Levin-Lin-Chu unit-root test for rroa ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -27.0477 Adjusted t* -14.2895 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc coex, trend Levin-Lin-Chu unit-root test for coex

xv

------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -21.3832 Adjusted t* -6.0611 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc cstp, trend Levin-Lin-Chu unit-root test for cstp ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -22.8234 Adjusted t* -12.8128 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc vpib, trend Levin-Lin-Chu unit-root test for vpib ------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -22.4579 Adjusted t* -10.3206 0.0000 ------------------------------------------------------------------------------ . xtunitroot llc vinfl, trend Levin-Lin-Chu unit-root test for vinfl -------------------------------------- Ho: Panels contain unit roots Number of panels = 69 Ha: Panels are stationary Number of periods = 12 AR parameter: Common Asymptotics: N/T -> 0 Panel means: Included Time trend: Included ADF regressions: 1 lag LR variance: Bartlett kernel, 7.00 lags average (chosen by LLC) ------------------------------------------------------------------------------ Statistic p-value ------------------------------------------------------------------------------ Unadjusted t -34.7897 Adjusted t* -23.7514 0.0000 ------------------------------------------------------------------------------

xvi

end of do-file . //sans trend// . xtunitroot ips z_score Im-Pesaran-Shin unit-root test for z_score ------------------------------------------ Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Not included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.0143 -1.740 -1.670 -1.640 t-tilde-bar -1.5995 Z-t-tilde-bar -3.3443 0.0004 ------------------------------------------------------------------------------ . xtunitroot ips fpta Im-Pesaran-Shin unit-root test for fpta --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Not included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.0989 -1.740 -1.670 -1.640 t-tilde-bar -1.6064 Z-t-tilde-bar -3.4231 0.0003 ------------------------------------------------------------------------------ . xtunitroot ips dstp Im-Pesaran-Shin unit-root test for dstp --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Not included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.2755 -1.740 -1.670 -1.640 t-tilde-bar -1.5474 Z-t-tilde-bar -2.7544 0.0029 ------------------------------------------------------------------------------ . xtunitroot ips csfp Im-Pesaran-Shin unit-root test for csfp --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity

xvii

Panel means: Included sequentially Time trend: Not included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.5749 -1.740 -1.670 -1.640 t-tilde-bar -1.9126 Z-t-tilde-bar -6.8886 0.0000 ------------------------------------------------------------------------------ . xtunitroot ips cnta Im-Pesaran-Shin unit-root test for cnta --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Not included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.0223 -1.740 -1.670 -1.640 t-tilde-bar -1.6216 Z-t-tilde-bar -3.5952 0.0002 ------------------------------------------------------------------------------ . xtunitroot ips pvcs Im-Pesaran-Shin unit-root test for pvcs --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Not included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.2205 -1.740 -1.670 -1.640 t-tilde-bar -1.6709 Z-t-tilde-bar -4.1532 0.0000 ------------------------------------------------------------------------------ . *xtunitroot ips pvtp . xtunitroot ips rroe Im-Pesaran-Shin unit-root test for rroe --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Not included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.7892 -1.740 -1.670 -1.640 t-tilde-bar -1.9631 Z-t-tilde-bar -7.4598 0.0000 ------------------------------------------------------------------------------

xviii

. xtunitroot ips fptp Im-Pesaran-Shin unit-root test for fptp --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Not included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -3.6535 -1.740 -1.670 -1.640 t-tilde-bar -1.7004 Z-t-tilde-bar -4.4861 0.0000 ------------------------------------------------------------------------------ . xtunitroot ips rroa Im-Pesaran-Shin unit-root test for rroa --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Not included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.6724 -1.740 -1.670 -1.640 t-tilde-bar -1.9069 Z-t-tilde-bar -6.8237 0.0000 ------------------------------------------------------------------------------ . xtunitroot ips coex Im-Pesaran-Shin unit-root test for coex --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Not included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -3.0138 -1.740 -1.670 -1.640 t-tilde-bar -1.6674 Z-t-tilde-bar -4.1136 0.0000 ------------------------------------------------------------------------------ . xtunitroot ips cstp Im-Pesaran-Shin unit-root test for cstp --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Not included ADF regressions: No lags included ------------------------------------------------------------------------------

xix

Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.2340 -1.740 -1.670 -1.640 t-tilde-bar -1.6862 Z-t-tilde-bar -4.3263 0.0000 ------------------------------------------------------------------------------ . xtunitroot ips vpib Im-Pesaran-Shin unit-root test for vpib --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Not included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -3.1284 -1.740 -1.670 -1.640 t-tilde-bar -2.1451 Z-t-tilde-bar -9.5195 0.0000 ------------------------------------------------------------------------------ . xtunitroot ips vinfl Im-Pesaran-Shin unit-root test for vinfl ---------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Not included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.6938 -1.740 -1.670 -1.640 t-tilde-bar -2.0564 Z-t-tilde-bar -8.5159 0.0000 ------------------------------------------------------------------------------ . //avec trend// . xtunitroot ips z_score, trend Im-Pesaran-Shin unit-root test for z_score ------------------------------------------ Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.4187 -2.390 -2.320 -2.290 t-tilde-bar -1.8390 Z-t-tilde-bar -6.0558 0.0000 ------------------------------------------------------------------------------

xx

. xtunitroot ips fpta, trend Im-Pesaran-Shin unit-root test for fpta --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.5365 -2.390 -2.320 -2.290 t-tilde-bar -1.8655 Z-t-tilde-bar -6.3555 0.0000 ------------------------------------------------------------------------------ . xtunitroot ips dstp, trend Im-Pesaran-Shin unit-root test for dstp --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.7953 -2.390 -2.320 -2.290 t-tilde-bar -1.8040 Z-t-tilde-bar -5.6598 0.0000 ------------------------------------------------------------------------------ . xtunitroot ips csfp, trend Im-Pesaran-Shin unit-root test for csfp --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.7654 -2.390 -2.320 -2.290 t-tilde-bar -1.9867 Z-t-tilde-bar -7.7277 0.0000 ------------------------------------------------------------------------------ . xtunitroot ips cnta, trend Im-Pesaran-Shin unit-root test for cnta --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Included ADF regressions: No lags included

xxi

------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.6579 -2.390 -2.320 -2.290 t-tilde-bar -1.9573 Z-t-tilde-bar -7.3942 0.0000 ------------------------------------------------------------------------------ . xtunitroot ips pvcs, trend Im-Pesaran-Shin unit-root test for pvcs --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.6827 -2.390 -2.320 -2.290 t-tilde-bar -1.9286 Z-t-tilde-bar -7.0694 0.0000 ------------------------------------------------------------------------------ . *xtunitroot ips pvtp, trend . xtunitroot ips rroe, trend Im-Pesaran-Shin unit-root test for rroe --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -3.2979 -2.390 -2.320 -2.290 t-tilde-bar -2.1860 Z-t-tilde-bar -9.9835 0.0000 ------------------------------------------------------------------------------ . xtunitroot ips fptp, trend Im-Pesaran-Shin unit-root test for fptp --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -3.8396 -2.390 -2.320 -2.290 t-tilde-bar -1.9420 Z-t-tilde-bar -7.2209 0.0000 ------------------------------------------------------------------------------

xxii

. xtunitroot ips rroa, trend Im-Pesaran-Shin unit-root test for rroa --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -3.1028 -2.390 -2.320 -2.290 t-tilde-bar -2.1033 Z-t-tilde-bar -9.0475 0.0000 ------------------------------------------------------------------------------ . xtunitroot ips coex, trend Im-Pesaran-Shin unit-root test for coex --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -3.6622 -2.390 -2.320 -2.290 t-tilde-bar -1.8088 Z-t-tilde-bar -5.7132 0.0000 ------------------------------------------------------------------------------ . xtunitroot ips cstp, trend Im-Pesaran-Shin unit-root test for cstp --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.6148 -2.390 -2.320 -2.290 t-tilde-bar -1.8821 Z-t-tilde-bar -6.5427 0.0000 ------------------------------------------------------------------------------ . xtunitroot ips vpib, trend Im-Pesaran-Shin unit-root test for vpib --------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Included ADF regressions: No lags included

xxiii

------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -3.3219 -2.390 -2.320 -2.290 t-tilde-bar -2.2187 Z-t-tilde-bar -10.3534 0.0000 ------------------------------------------------------------------------------ . xtunitroot ips vinfl, trend Im-Pesaran-Shin unit-root test for vinfl ---------------------------------------- Ho: All panels contain unit roots Number of panels = 69 Ha: Some panels are stationary Number of periods = 12 AR parameter: Panel-specific Asymptotics: T,N -> Infinity Panel means: Included sequentially Time trend: Included ADF regressions: No lags included ------------------------------------------------------------------------------ Fixed-N exact critical values Statistic p-value 1% 5% 10% ------------------------------------------------------------------------------ t-bar -2.9510 -2.390 -2.320 -2.290 t-tilde-bar -2.2475 Z-t-tilde-bar -10.6792 0.0000 ------------------------------------------------------------------------------

xxiv

ANNEXE 5

TESTS DE CORRELATION

z_score fpta dstp csfp cnta pvcs rroe fptp rroa coex cstp vpib vinfl

z_score 1fpta 0,234 1dstp -0,1539 0,1173 1csfp -0,0544 -0,0183 -0,035 1cnta 0,2163 0,4202 -0,139 -0,024 1pvcs 0,0986 0,0034 0,0216 -0,037 -0,139 1rroe 0,0572 -0,0001 -0,016 -0,398 0,0113 0,0603 1fptp 0,0065 0,1469 0,3188 -0,009 -0,042 -0,012 -0,004 1rroa 0,2986 0,2809 -0,228 -0,034 0,3657 -0,046 0,1459 -0,011 1coex -0,0638 -0,003 0,0517 -0,013 -0,053 0,0292 -0,004 0,0459 -0,074 1cstp -0,3347 -0,3294 0,136 0,0553 -0,336 0,1083 -0,086 -0,084 -0,429 0,1031 1vpib -0,0557 0,0318 0,0319 -0,064 0,013 -0,132 0,0502 0,0282 0,0473 0,0196 -0,085 1vinfl 0,0242 -0,0109 -0,027 -0,039 0,0095 0,0043 0,0233 0,0439 -0,039 -5E-04 0,0203 0,048 1

Variables VIF 1/VIF

cnta 1,41 0,70874rroa 1,41 0,710081fpta 1,39 0,718458cstp 1,38 0,724393dstp 1,25 0,801975rroe 1,22 0,816492csfp 1,2 0,83438fptp 1,15 0,866237pvcs 1,06 0,946176vpib 1,04 0,966083coex 1,02 0,982627vinfl 1,01 0,987968Mean VIF 1,21

xxv

ANNEXE 6 ======================= ESTIMATIONS - EFFET FIXE BANQUE ====================// . xi: xtreg z_score fptp fpta csfp cnta dstp dummybanque* note: dummybanque69 omitted because of collinearity Random-effects GLS regression Number of obs = 828 Group variable: code_banque Number of groups = 69 R-sq: Obs per group: within = 0.3460 min = 12 between = 1.0000 avg = 12.0 overall = 0.9477 max = 12 Wald chi2(73) = 13655.33 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

--------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | 1.6352268 rho | 0 (fraction of variance due to u_i) ------------------------------------------------------------------------------- . xi: xtreg z_score cstp pvcs fptp fpta csfp cnta dstp dummybanque* note: dummybanque69 omitted because of collinearity Random-effects GLS regression Number of obs = 828 Group variable: code_banque Number of groups = 69 R-sq: Obs per group: within = 0.3581 min = 12 between = 1.0000 avg = 12.0 overall = 0.9486 max = 12 Wald chi2(75) = 13890.81 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

_cons | 1.695095 .4932111 3.44 0.001 .728419 2.661771 --------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | 1.6221374 rho | 0 (fraction of variance due to u_i) -------------------------------------------------------------------------------

MODELE1

Variables Coef. Std. Err z P>|z|

fptp 0,039 0,042 0,930 0,351 -0,043 0,122fpta 7,834 0,514 15,240 0,000 6,827 8,841csfp -0,090 0,018 -5,040 0,000 -0,125 -0,055cnta 0,412 0,190 2,170 0,030 0,039 0,784dstp -0,007 0,065 -0,110 0,916 -0,135 0,121

[95% Conf. Interval

MODELE2

Variables Coef. Std. Err z P>|z|

cstp 0,881 0,564 1,560 0,119 -0,226 1,987pvcs 0,028 0,008 3,360 0,001 0,012 0,045fptp 0,050 0,043 1,180 0,240 -0,033 0,133fpta 8,139 0,529 15,380 0,000 7,102 9,177csfp -0,088 0,018 -4,950 0,000 -0,123 -0,053cnta 0,458 0,189 2,420 0,015 0,087 0,828dstp -0,015 0,066 -0,230 0,815 -0,144 0,114

[95% Conf. Interval

xxvi

. xi: xtreg z_score dstp cnta csfp cstp fptp dummybanque* note: dummybanque69 omitted because of collinearity Random-effects GLS regression Number of obs = 828 Group variable: code_banque Number of groups = 69 R-sq: Obs per group: within = 0.1496 min = 12 between = 1.0000 avg = 12.0 overall = 0.9320 max = 12 Wald chi2(73) = 10327.65 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

_cons | 2.362349 .5647087 4.18 0.000 1.25554 3.469157 --------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | 1.8646513 rho | 0 (fraction of variance due to u_i) ------------------------------------------------------------------------------- . xi: xtreg z_score coex cnta csfp cstp fptp dummybanque* note: dummybanque69 omitted because of collinearity Random-effects GLS regression Number of obs = 828 Group variable: code_banque Number of groups = 69 R-sq: Obs per group: within = 0.1497 min = 12 between = 1.0000 avg = 12.0 overall = 0.9320 max = 12 Wald chi2(73) = 10327.93 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

_cons | 2.317209 .5577635 4.15 0.000 1.224013 3.410405 --------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | 1.8646279 rho | 0 (fraction of variance due to u_i) -------------------------------------------------------------------------------

MODELE3

Variables Coef. Std. Err z P>|z|

dstp -0,037 0,076 -0,490 0,627 -0,185 0,111cnta 1,700 0,195 8,730 0,000 1,318 2,082csfp -0,105 0,020 -5,130 0,000 -0,145 -0,065cstp -1,336 0,625 -2,140 0,033 -2,560 -0,111fptp 0,114 0,049 2,340 0,019 0,019 0,209

[95% Conf. Interval

MODELE4

Variables Coef. Std. Err z P>|z|

coex 0,005 0,009 0,510 0,613 -0,013 0,022cnta 1,711 0,194 8,840 0,000 1,332 2,091csfp -0,104 0,020 -5,120 0,000 -0,145 -0,064cstp -1,404 0,616 -2,280 0,023 -2,612 -0,195fptp 0,101 0,040 2,550 0,011 0,023 0,179

[95% Conf. Interval

xxvii

. xi: xtreg z_score csfp fptp fpta dummybanque* note: dummybanque69 omitted because of collinearity Random-effects GLS regression Number of obs = 828 Group variable: code_banque Number of groups = 69 R-sq: Obs per group: within = 0.3419 min = 12 between = 1.0000 avg = 12.0 overall = 0.9473 max = 12 Wald chi2(71) = 13600.36 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

_cons | 2.047009 .4754356 4.31 0.000 1.115172 2.978845 --------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | 1.6382407 rho | 0 (fraction of variance due to u_i) ------------------------------------------------------------------------------- . xi: xtreg z_score coex rroa rroe cnta csfp cstp fptp dummybanque* note: dummybanque69 omitted because of collinearity Random-effects GLS regression Number of obs = 828 Group variable: code_banque Number of groups = 69 R-sq: Obs per group: within = 0.1758 min = 12 between = 1.0000 avg = 12.0 overall = 0.9341 max = 12 Wald chi2(75) = 10651.10 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

_cons | 2.345936 .5498845 4.27 0.000 1.268183 3.42369 --------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | 1.8381818 rho | 0 (fraction of variance due to u_i) -------------------------------------------------------------------------------

MODELE5

Variables Coef. Std. Err z P>|z|

csfp -0,089 0,018 -4,980 0,000 -0,124 -0,054fptp 0,030 0,035 0,850 0,393 -0,038 0,097fpta 8,377 0,451 18,590 0,000 7,493 9,260

[95% Conf. Interval

MODELE6

Variables Coef. Std. Err z P>|z|

coex 0,004 0,009 0,430 0,664 -0,014 0,021rroa 4,946 1,355 3,650 0,000 2,291 7,601rroe -0,100 0,028 -3,520 0,000 -0,155 -0,044cnta 1,535 0,196 7,820 0,000 1,150 1,920csfp -0,136 0,022 -6,150 0,000 -0,179 -0,092cstp -0,790 0,628 -1,260 0,208 -2,021 0,441fptp 0,100 0,039 2,540 0,011 0,023 0,176

[95% Conf. Interval

xxviii

. xi: xtreg z_score vinfl vpib cnta csfp cstp fptp dummybanque* note: dummybanque69 omitted because of collinearity Random-effects GLS regression Number of obs = 828 Group variable: code_banque Number of groups = 69 R-sq: Obs per group: within = 0.1732 min = 12 between = 1.0000 avg = 12.0 overall = 0.9338 max = 12 Wald chi2(74) = 10629.48 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

_cons | 2.93665 .5660584 5.19 0.000 1.827196 4.046104 --------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | 1.8398457 rho | 0 (fraction of variance due to u_i) ------------------------------------------------------------------------------- . xi: xtreg z_score coex dstp pvcs cnta csfp cstp fptp dummybanque* note: dummybanque69 omitted because of collinearity Random-effects GLS regression Number of obs = 828 Group variable: code_banque Number of groups = 69 R-sq: Obs per group: within = 0.1565 min = 12 between = 1.0000 avg = 12.0 overall = 0.9325 max = 12 Wald chi2(75) = 10390.73 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

_cons | 2.313107 .5635096 4.10 0.000 1.208649 3.417566 --------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | 1.8595335 rho | 0 (fraction of variance due to u_i) -------------------------------------------------------------------------------

MODELE7

Variables Coef. Std. Err z P>|z|

vinfl 1,516 2,460 0,620 0,538 -3,306 6,337vpib -11,320 2,430 -4,660 0,000 -16,082 -6,557cnta 1,684 0,191 8,810 0,000 1,309 2,058csfp -0,111 0,020 -5,480 0,000 -0,150 -0,071cstp -1,693 0,611 -2,770 0,006 -2,891 -0,496fptp 0,103 0,039 2,620 0,009 0,026 0,179

[95% Conf. Interval

MODELE8

Variables Coef. Std. Err z P>|z|

coex 0,004 0,009 0,390 0,698 -0,014 0,021dstp -0,029 0,075 -0,390 0,697 -0,177 0,118pvcs 0,024 0,010 2,430 0,015 0,005 0,043cnta 1,735 0,195 8,910 0,000 1,353 2,116csfp -0,102 0,020 -4,970 0,000 -0,142 -0,061cstp -1,430 0,625 -2,290 0,022 -2,654 -0,206fptp 0,113 0,049 2,310 0,021 0,017 0,208

[95% Conf. Interval

xxix

. xi: xtreg z_score coex dstp pvcs csfp fptp fpta dummybanque* note: dummybanque69 omitted because of collinearity Random-effects GLS regression Number of obs = 828 Group variable: code_banque Number of groups = 69 R-sq: Obs per group: within = 0.3514 min = 12 between = 1.0000 avg = 12.0 overall = 0.9481 max = 12 Wald chi2(74) = 13755.78 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

_cons | 2.012314 .4812404 4.18 0.000 1.0691 2.955528 --------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | 1.629613 rho | 0 (fraction of variance due to u_i) ------------------------------------------------------------------------------- . xi: xtreg z_score coex dstp rroa rroe pvcs cnta csfp cstp fptp dummybanque* note: dummybanque69 omitted because of collinearity Random-effects GLS regression Number of obs = 828 Group variable: code_banque Number of groups = 69 R-sq: Obs per group: within = 0.1838 min = 12 between = 1.0000 avg = 12.0 overall = 0.9347 max = 12 Wald chi2(77) = 10733.65 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000 -------------------------------------------------------------------------------

_cons | 2.306417 .555086 4.16 0.000 1.218469 3.394366 --------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | 1.8317232 rho | 0 (fraction of variance due to u_i) -------------------------------------------------------------------------------

MLODELE9

Variables Coef. Std. Err z P>|z|

coex -0,0008126 0,0079185 -0,100 0,918 -0,0163326 0,0147074dstp -0,0136998 0,0649402 -0,210 0,833 -0,1409802 0,1135807pvcs 0,0280157 0,0084792 3,300 0,001 0,0113968 0,0446346csfp -0,0854376 0,0178671 -4,780 0,000 -0,1204564 -0,0504187fptp 0,0348658 0,042002 0,830 0,406 -0,0474565 0,1171881fpta 8,483676 0,4529919 18,730 0,000 7,595829 9,371524

[95% Conf. Interval

MODELE10

Variables Coef. Std. Err z P>|z|

coex 0,0026272 0,008916 0,290 0,768 -0,0148479 0,0201023dstp -0,0016281 0,0745389 -0,020 0,983 -0,1477217 0,1444655rroa 5,097879 1,354463 3,760 0,000 2,443182 7,752577rroe -0,1015878 0,0282642 -3,590 0,000 -0,1569846 -0,0461911pvcs 0,025798 0,0095548 2,700 0,007 0,007071 0,044525cnta 1,563698 0,1967665 7,950 0,000 1,178043 1,949354csfp -0,1325976 0,0219767 -6,030 0,000 -0,1756711 -0,0895241cstp -0,8439507 0,6333419 -1,330 0,183 -2,085278 0,3973767fptp 0,1006473 0,0479573 2,100 0,036 0,0066527 0,1946418

[95% Conf. Interval

xxx

. xi: xtreg z_score fpta dstp csfp rroe cnta pvcs fptp rroa coex cstp vpib vinfl dummybanque* note: dummybanque69 omitted because of collinearity Random-effects GLS regression Number of obs = 828 Group variable: code_banque Number of groups = 69 R-sq: Obs per group: within = 0.3904 min = 12 between = 1.0000 avg = 12.0 overall = 0.9512 max = 12 Wald chi2(80) = 14569.01 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

MODELE11 Variables Coef. Std. Err z P>|z| [95% Conf. Interval

fpta 7,972909 0,527319 15,120 0,000 6,939383 9,006436 dstp 0,0325056 0,064961 0,500 0,617 -0,0948155 0,1598268 csfp -0,1254422 0,0190846 -6,570 0,000 -0,1628475 -0,088037 rroe -0,1005103 0,0245013 -4,100 0,000 -0,1485319 -0,0524887 cnta 0,3904538 0,1864666 2,090 0,036 0,0249859 0,7559216 pvcs 0,0228029 0,0084535 2,700 0,007 0,0062344 0,0393714 fptp 0,0348172 0,0417502 0,830 0,404 -0,0470116 0,116646 rroa 1,994519 1,19575 1,670 0,095 -0,3491083 4,338146 coex 0,0007097 0,007738 0,090 0,927 -0,0144564 0,0158759 cstp 0,7918466 0,5664374 1,400 0,162 -0,3183504 1,902044 vpib -9,556746 2,155339 -4,430 0,000 -13,78113 -5,33236 vinfl 2,20862 2,128852 1,040 0,300 -1,963854 6,381094 dummybanque1 1,062906 0,6516868 1,630 0,103 -0,2143763 2,340189 dummybanque2 -0,3048267 0,651191 -0,470 0,640 -1,581138 0,9714843 dummybanque3 -2,019387 0,6560159 -3,080 0,002 -3,305155 -0,7336195 dummybanque4 -0,7634832 0,7068394 -1,080 0,280 -2,148863 0,6218966 dummybanque5 -3,212745 0,6627422 -4,850 0,000 -4,511695 -1,913794 dummybanque6 -1,029705 0,6521477 -1,580 0,114 -2,307891 0,2484806 dummybanque7 -3,250129 0,6620798 -4,910 0,000 -4,547782 -1,952477 dummybanque8 -2,906356 0,6502264 -4,470 0,000 -4,180777 -1,631936 dummybanque9 -1,362006 0,652933 -2,090 0,037 -2,641731 -0,0822803 dummybanque10 -2,535818 0,651566 -3,890 0,000 -3,812864 -1,258772 dummybanque11 -2,701976 0,6518177 -4,150 0,000 -3,979516 -1,424437 dummybanque12 2,442453 0,6490649 3,760 0,000 1,170309 3,714597 dummybanque13 -4,374413 0,6563287 -6,660 0,000 -5,660793 -3,088032 dummybanque14 5,335932 0,6499939 8,210 0,000 4,061968 6,609897 dummybanque15 3,069472 0,6502262 4,720 0,000 1,795052 4,343892 dummybanque16 3,736857 0,6507686 5,740 0,000 2,461374 5,01234 dummybanque17 -3,676191 0,6502619 -5,650 0,000 -4,950681 -2,401701 dummybanque18 -3,591946 0,6497818 -5,530 0,000 -4,865495 -2,318397 dummybanque19 7,683468 0,6559641 11,710 0,000 6,397802 8,969134 dummybanque20 7,783905 0,6639852 11,720 0,000 6,482517 9,085292 dummybanque21 23,64246 0,6604513 35,800 0,000 22,348 24,93692 dummybanque22 20,84321 0,6756182 30,850 0,000 19,51902 22,1674 dummybanque23 13,20911 0,6553707 20,160 0,000 11,92461 14,49361 dummybanque24 -1,360832 0,6583292 -2,070 0,039 -2,651133 -0,0705304 dummybanque25 8,131372 0,6569642 12,380 0,000 6,843746 9,418998 dummybanque26 9,824602 0,6599457 14,890 0,000 8,531132 11,11807 dummybanque27 -2,461655 0,6930877 -3,550 0,000 -3,820082 -1,103228 dummybanque28 3,939161 0,6580355 5,990 0,000 2,649435 5,228887 dummybanque29 1,235199 0,6655457 1,860 0,063 -0,0692468 2,539645 dummybanque30 -3,782602 0,8626959 -4,380 0,000 -5,473455 -2,091749 dummybanque31 -1,997573 0,6704101 -2,980 0,003 -3,311552 -0,6835931 dummybanque32 -2,428033 0,6680518 -3,630 0,000 -3,737391 -1,118676

xxxi

dummybanque33 -1,346059 0,659274 -2,040 0,041 -2,638213 -0,053906 dummybanque34 -2,889983 0,6814157 -4,240 0,000 -4,225533 -1,554432 dummybanque35 0,9089518 0,6586482 1,380 0,168 -0,381975 2,199879 dummybanque36 -2,479703 0,6586235 -3,760 0,000 -3,770582 -1,188825 dummybanque37 0,2959419 0,6570402 0,450 0,652 -0,9918333 1,583717 dummybanque38 2,045042 0,6571882 3,110 0,002 0,7569766 3,333107 dummybanque39 5,118856 0,6593225 7,760 0,000 3,826608 6,411104 dummybanque40 4,490324 0,6586719 6,820 0,000 3,199351 5,781297 dummybanque41 -0,1170224 0,6578831 -0,180 0,859 -1,40645 1,172405 dummybanque42 -1,082307 0,6585652 -1,640 0,100 -2,373071 0,208457 dummybanque43 -3,573309 0,6979603 -5,120 0,000 -4,941286 -2,205332 dummybanque44 7,695742 0,6670315 11,540 0,000 6,388384 9,0031 dummybanque45 -1,128811 0,6991464 -1,610 0,106 -2,499113 0,2414909 dummybanque46 -0,9918119 0,7163161 -1,380 0,166 -2,395766 0,4121418 dummybanque47 -0,1890152 0,6552127 -0,290 0,773 -1,473209 1,095178 dummybanque48 -1,091371 0,7087894 -1,540 0,124 -2,480573 0,2978305 dummybanque49 11,375 0,6527523 17,430 0,000 10,09563 12,65437 dummybanque50 3,26202 0,6530832 4,990 0,000 1,982 4,54204 dummybanque51 -2,335079 0,6642128 -3,520 0,000 -3,636912 -1,033246 dummybanque52 14,3979 0,6501138 22,150 0,000 13,1237 15,6721 dummybanque53 3,050173 0,6505542 4,690 0,000 1,77511 4,325236 dummybanque54 13,4441 0,6497117 20,690 0,000 12,17068 14,71751 dummybanque55 8,333358 0,6561819 12,700 0,000 7,047266 9,619451 dummybanque56 9,995385 0,6496363 15,390 0,000 8,722121 11,26865 dummybanque57 13,3542 0,6496451 20,560 0,000 12,08092 14,62748 dummybanque58 11,94959 0,6510251 18,360 0,000 10,67361 13,22558 dummybanque59 9,554538 0,6498721 14,700 0,000 8,280812 10,82826 dummybanque60 13,93592 0,6523974 21,360 0,000 12,65724 15,21459 dummybanque61 15,95128 0,6515476 24,480 0,000 14,67427 17,22829 dummybanque62 -0,9314557 0,657487 -1,420 0,157 -2,220106 0,3571951 dummybanque63 -1,96686 0,6579004 -2,990 0,003 -3,256321 -0,6773991 dummybanque64 -1,388237 0,6489411 -2,140 0,032 -2,660138 -0,1163361 dummybanque65 5,003154 0,6507346 7,690 0,000 3,727737 6,27857 dummybanque66 -1,61971 0,6511698 -2,490 0,013 -2,895979 -0,3434403 dummybanque67 7,062087 0,6557981 10,770 0,000 5,776747 8,347428 dummybanque68 -2,796271 1,047998 -2,670 0,008 -4,850309 -0,742234 dummybanque69 0 (omitted)

_cons | 2.200237 .4952788 4.44 0.000 1.229509 3.170966 --------------+------------------------------------------------------------------------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | 1.5860874 rho | 0 (fraction of variance due to u_i) -------------------------------------------------------------------------------

xxxii

//11// . xi: xtreg z_score fpta dstp csfp cnta pvcs rroe fptp rroa coex cstp vpib vinfl regl dummybanque* note: dummybanque69 omitted because of collinearity Random-effects GLS regression Number of obs = 828 Group variable: code_banque Number of groups = 69 R-sq: Obs per group: within = 0.3910 min = 12 between = 1.0000 avg = 12.0 overall = 0.9513 max = 12 Wald chi2(81) = 14562.41 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

z_score Coef, Std, Err, z P>|z| [95% Conf, Interval

fpta 7,931451 0,5300311 14,96 0 6,892609 8,970293

dstp 0,0344718 0,0650243 0,53 0,596 -0,0929735 0,1619171

csfp -0,1259905 0,0191019 -6,6 0 -0,1634295 -0,0885515

cnta 0,3935545 0,1865538 2,11 0,035 0,0279158 0,7591932

pvcs 0,0230616 0,0084618 2,73 0,006 0,0064767 0,0396465

rroe -0,1011437 0,0245204 -4,12 0 -0,1492027 -0,0530847

fptp 0,0327897 0,0418386 0,78 0,433 -0,0492125 0,1147918

rroa 2,067986 1,199625 1,72 0,085 -0,2832349 4,419207

coex 0,0007757 0,0077403 0,1 0,92 -0,0143951 0,0159465

cstp 0,8020116 0,5667227 1,42 0,157 -0,3087445 1,912768

vpib -9,092353 2,233895 -4,07 0 -13,47071 -4,714

vinfl 1,851474 2,176426 0,85 0,395 -2,414243 6,117191

regl 0,0946228 0,1192445 0,79 0,427 -0,1283377 0,139092

dummybanque1 1,072912 0,6519704 1,65 0,1 -0,2049261 2,350751

dummybanque2 -0,2943424 0,6514865 -0,45 0,651 -1,571232 0,9825477

dummybanque3 -2,011175 0,6562602 -3,06 0,002 -3,297421 -0,7249287

dummybanque4 -0,7686962 0,7070452 -1,09 0,277 -2,154479 0,617087

dummybanque5 -3,203567 0,6630074 -4,83 0 -4,503038 -1,904097

dummybanque6 -1,017656 0,6524861 -1,56 0,119 -2,296505 0,2611931

dummybanque7 -3,240071 0,6623653 -4,89 0 -4,538283 -1,941859

dummybanque8 -2,894347 0,6505637 -4,45 0 -4,169429 -1,619266

dummybanque9 -1,344222 0,6534793 -2,06 0,04 -2,625018 -0,0634263

dummybanque10 -2,524644 0,6518797 -3,87 0 -3,802305 -1,246983

dummybanque11 -2,706793 0,6520076 -4,15 0 -3,984705 -1,428882

dummybanque12 2,438564 0,6492444 3,76 0 1,166068 3,711059

dummybanque13 -4,37744 0,6565025 -6,67 0 -5,664161 -3,090719

dummybanque14 5,331622 0,6501778 8,2 0 4,057297 6,605947

dummybanque15 3,065043 0,6504114 4,71 0 1,79026 4,339826

dummybanque16 3,731759 0,6509616 5,73 0 2,455897 5,00762

dummybanque17 -3,67908 0,6504333 -5,66 0 -4,953905 -2,404254

dummybanque18 -3,594555 0,6499512 -5,53 0 -4,868436 -2,320674

dummybanque19 7,696593 0,6563352 11,73 0 6,4102 8,982986

dummybanque20 7,796166 0,6643296 11,74 0 6,494104 9,098228

dummybanque21 23,65499 0,6608038 35,8 0 22,35984 24,95014

dummybanque22 20,85377 0,6759168 30,85 0 19,529 22,17855

dummybanque23 13,2278 0,6559563 20,17 0 11,94215 14,51345

dummybanque24 -1,345236 0,6587857 -2,04 0,041 -2,636432 -0,0540396

dummybanque25 8,145845 0,6573801 12,39 0 6,857404 9,434287

dummybanque26 9,840996 0,6604325 14,9 0 8,546572 11,13542

dummybanque27 -2,44926 0,6934355 -3,53 0 -3,808368 -1,090151

dummybanque28 3,956239 0,6585505 6,01 0 2,665504 5,246974

dummybanque29 1,248906 0,6659348 1,88 0,061 -0,0563025 2,554114

xxxiii

dummybanque30 -3,78587 0,8629197 -4,39 0 -5,477161 -2,094578

dummybanque31 -1,9964 0,6705779 -2,98 0,003 -3,310708 -0,6820913

dummybanque32 -2,418468 0,6683262 -3,62 0 -3,728364 -1,108573

dummybanque33 -1,327061 0,6598719 -2,01 0,044 -2,620386 -0,033736

dummybanque34 -2,861054 0,682559 -4,19 0 -4,198845 -1,523263

dummybanque35 0,9251805 0,6591289 1,4 0,16 -0,3666885 2,217049

dummybanque36 -2,463712 0,6590949 -3,74 0 -3,755514 -1,17191

dummybanque37 0,3127908 0,6575461 0,48 0,634 -0,9759758 1,601557

dummybanque38 2,062049 0,6577004 3,14 0,002 0,7729797 3,351118

dummybanque39 5,136501 0,6598608 7,78 0 3,843198 6,429804

dummybanque40 4,50856 0,6592359 6,84 0 3,216482 5,800639

dummybanque41 -0,0995245 0,6584156 -0,15 0,88 -1,389995 1,190946

dummybanque42 -1,057954 0,659443 -1,6 0,109 -2,350439 0,2345301

dummybanque43 -3,547768 0,698875 -5,08 0 -4,917538 -2,177998

dummybanque44 7,700065 0,6672191 11,54 0 6,392339 9,00779

dummybanque45 -1,118627 0,6994375 -1,6 0,11 -2,489499 0,2522453

dummybanque46 -0,9753442 0,7167942 -1,36 0,174 -2,380235 0,4295466

dummybanque47 -0,1839384 0,6554064 -0,28 0,779 -1,468511 1,100635

dummybanque48 -1,083976 0,7090264 -1,53 0,126 -2,473642 0,3056908

dummybanque49 11,38127 0,652962 17,43 0 10,10149 12,66105

dummybanque50 3,2742 0,6534255 5,01 0 1,993509 4,55489

dummybanque51 -2,323313 0,664543 -3,5 0 -3,625793 -1,020832

dummybanque52 14,40476 0,6503325 22,15 0 13,13013 15,67939

dummybanque53 3,058542 0,650801 4,7 0 1,782995 4,334088

dummybanque54 13,45213 0,6499516 20,7 0 12,17825 14,72601

dummybanque55 8,347295 0,6565796 12,71 0 7,060423 9,634167

dummybanque56 10,00432 0,6498951 15,39 0 8,730554 11,2781

dummybanque57 13,36274 0,6498953 20,56 0 12,08897 14,63651

dummybanque58 11,95689 0,6512515 18,36 0 10,68046 13,23332

dummybanque59 9,565845 0,6501894 14,71 0 8,291497 10,84019

dummybanque60 13,94648 0,6526951 21,37 0 12,66723 15,22574

dummybanque61 15,95937 0,651789 24,49 0 14,68189 17,23685

dummybanque62 -0,9217476 0,6577638 -1,4 0,161 -2,210941 0,3674457

dummybanque63 -1,950555 0,6583842 -2,96 0,003 -3,240965 -0,6601461

dummybanque64 -1,390715 0,6491095 -2,14 0,032 -2,662947 -0,1184841

dummybanque65 4,998692 0,6509203 7,68 0 3,722911 6,274472

dummybanque66 -1,625809 0,6513766 -2,5 0,013 -2,902483 -0,3491339

dummybanque67 7,064763 0,6559694 10,77 0 5,779087 8,35044

dummybanque68 -2,806768 1,048341 -2,68 0,007 -4,861478 -0,7520573

dummybanque69 0 (omitted)

_cons 2,232019 0,497018 4,49 0 1,257881 3,206156

xxxiv

ANNEXE 7

======================================== GMM EN SYSTEME ============================== SIMULATION 1 xtabond2 z_score z_score_1 fpta dstp csfp cnta pvcs rroe fptp rroa coex cstp vpib vinfl, gmm( fpta, lag(4 8)eq(level)) gmm( cstp, lag(4 4)e > q(level) collapse) iv(csfp_3 fptp_3 cnta pvcs csfp rroe fptp rroa vpib vinfl z_sc

z_score Coef, Std, Err, z P>|z| [95% Conf, Interval

fpta 7,931451 0,5300311 14,96 0 6,892609 8,970293

dstp 0,0344718 0,0650243 0,53 0,596 -0,0929735 0,1619171

csfp -0,1259905 0,0191019 -6,6 0 -0,1634295 -0,0885515

cnta 0,3935545 0,1865538 2,11 0,035 0,0279158 0,7591932

pvcs 0,0230616 0,0084618 2,73 0,006 0,0064767 0,0396465

rroe -0,1011437 0,0245204 -4,12 0 -0,1492027 -0,0530847

fptp 0,0327897 0,0418386 0,78 0,433 -0,0492125 0,1147918

rroa 2,067986 1,199625 1,72 0,085 -0,2832349 4,419207

coex 0,0007757 0,0077403 0,1 0,92 -0,0143951 0,0159465

cstp 0,8020116 0,5667227 1,42 0,157 -0,3087445 1,912768

vpib -9,092353 2,233895 -4,07 0 -13,47071 -4,714

vinfl 1,851474 2,176426 0,85 0,395 -2,414243 6,117191

regl 0,0946228 0,1192445 0,79 0,427 -0,1283377 0,139092

dummybanque1 1,072912 0,6519704 1,65 0,1 -0,2049261 2,350751

dummybanque2 -0,2943424 0,6514865 -0,45 0,651 -1,571232 0,9825477

dummybanque3 -2,011175 0,6562602 -3,06 0,002 -3,297421 -0,7249287

dummybanque4 -0,7686962 0,7070452 -1,09 0,277 -2,154479 0,617087

dummybanque5 -3,203567 0,6630074 -4,83 0 -4,503038 -1,904097

dummybanque6 -1,017656 0,6524861 -1,56 0,119 -2,296505 0,2611931

dummybanque7 -3,240071 0,6623653 -4,89 0 -4,538283 -1,941859

dummybanque8 -2,894347 0,6505637 -4,45 0 -4,169429 -1,619266

dummybanque9 -1,344222 0,6534793 -2,06 0,04 -2,625018 -0,0634263

dummybanque10 -2,524644 0,6518797 -3,87 0 -3,802305 -1,246983

dummybanque11 -2,706793 0,6520076 -4,15 0 -3,984705 -1,428882

dummybanque12 2,438564 0,6492444 3,76 0 1,166068 3,711059

dummybanque13 -4,37744 0,6565025 -6,67 0 -5,664161 -3,090719

dummybanque14 5,331622 0,6501778 8,2 0 4,057297 6,605947

dummybanque15 3,065043 0,6504114 4,71 0 1,79026 4,339826

dummybanque16 3,731759 0,6509616 5,73 0 2,455897 5,00762

dummybanque17 -3,67908 0,6504333 -5,66 0 -4,953905 -2,404254

dummybanque18 -3,594555 0,6499512 -5,53 0 -4,868436 -2,320674

dummybanque19 7,696593 0,6563352 11,73 0 6,4102 8,982986

dummybanque20 7,796166 0,6643296 11,74 0 6,494104 9,098228

dummybanque21 23,65499 0,6608038 35,8 0 22,35984 24,95014

dummybanque22 20,85377 0,6759168 30,85 0 19,529 22,17855

dummybanque23 13,2278 0,6559563 20,17 0 11,94215 14,51345

dummybanque24 -1,345236 0,6587857 -2,04 0,041 -2,636432 -0,0540396

dummybanque25 8,145845 0,6573801 12,39 0 6,857404 9,434287

dummybanque26 9,840996 0,6604325 14,9 0 8,546572 11,13542

dummybanque27 -2,44926 0,6934355 -3,53 0 -3,808368 -1,090151

dummybanque28 3,956239 0,6585505 6,01 0 2,665504 5,246974

dummybanque29 1,248906 0,6659348 1,88 0,061 -0,0563025 2,554114

dummybanque30 -3,78587 0,8629197 -4,39 0 -5,477161 -2,094578

dummybanque31 -1,9964 0,6705779 -2,98 0,003 -3,310708 -0,6820913

dummybanque32 -2,418468 0,6683262 -3,62 0 -3,728364 -1,108573

dummybanque33 -1,327061 0,6598719 -2,01 0,044 -2,620386 -0,033736

dummybanque34 -2,861054 0,682559 -4,19 0 -4,198845 -1,523263

dummybanque35 0,9251805 0,6591289 1,4 0,16 -0,3666885 2,217049

xxxv

dummybanque36 -2,463712 0,6590949 -3,74 0 -3,755514 -1,17191

dummybanque37 0,3127908 0,6575461 0,48 0,634 -0,9759758 1,601557

dummybanque38 2,062049 0,6577004 3,14 0,002 0,7729797 3,351118

dummybanque39 5,136501 0,6598608 7,78 0 3,843198 6,429804

dummybanque40 4,50856 0,6592359 6,84 0 3,216482 5,800639

dummybanque41 -0,0995245 0,6584156 -0,15 0,88 -1,389995 1,190946

dummybanque42 -1,057954 0,659443 -1,6 0,109 -2,350439 0,2345301

dummybanque43 -3,547768 0,698875 -5,08 0 -4,917538 -2,177998

dummybanque44 7,700065 0,6672191 11,54 0 6,392339 9,00779

dummybanque45 -1,118627 0,6994375 -1,6 0,11 -2,489499 0,2522453

dummybanque46 -0,9753442 0,7167942 -1,36 0,174 -2,380235 0,4295466

dummybanque47 -0,1839384 0,6554064 -0,28 0,779 -1,468511 1,100635

dummybanque48 -1,083976 0,7090264 -1,53 0,126 -2,473642 0,3056908

dummybanque49 11,38127 0,652962 17,43 0 10,10149 12,66105

dummybanque50 3,2742 0,6534255 5,01 0 1,993509 4,55489

dummybanque51 -2,323313 0,664543 -3,5 0 -3,625793 -1,020832

dummybanque52 14,40476 0,6503325 22,15 0 13,13013 15,67939

dummybanque53 3,058542 0,650801 4,7 0 1,782995 4,334088

dummybanque54 13,45213 0,6499516 20,7 0 12,17825 14,72601

dummybanque55 8,347295 0,6565796 12,71 0 7,060423 9,634167

dummybanque56 10,00432 0,6498951 15,39 0 8,730554 11,2781

dummybanque57 13,36274 0,6498953 20,56 0 12,08897 14,63651

dummybanque58 11,95689 0,6512515 18,36 0 10,68046 13,23332

dummybanque59 9,565845 0,6501894 14,71 0 8,291497 10,84019

dummybanque60 13,94648 0,6526951 21,37 0 12,66723 15,22574

dummybanque61 15,95937 0,651789 24,49 0 14,68189 17,23685

dummybanque62 -0,9217476 0,6577638 -1,4 0,161 -2,210941 0,3674457

dummybanque63 -1,950555 0,6583842 -2,96 0,003 -3,240965 -0,6601461

dummybanque64 -1,390715 0,6491095 -2,14 0,032 -2,662947 -0,1184841

dummybanque65 4,998692 0,6509203 7,68 0 3,722911 6,274472

dummybanque66 -1,625809 0,6513766 -2,5 0,013 -2,902483 -0,3491339

dummybanque67 7,064763 0,6559694 10,77 0 5,779087 8,35044

dummybanque68 -2,806768 1,048341 -2,68 0,007 -4,861478 -0,7520573

dummybanque69 0(omitted)

_cons 2,232019 0,497018 4,49 0 1,257881 3,206156 ore_1,eq(level) pass) two small Favoring space over speed. To switch, type or click on mata: mata set matafavor speed, perm. Dynamic panel-data estimation, two-step system GMM ------------------------------------------------------------------------------ Group variable: code_banque Number of obs = 759 Time variable : années Number of groups = 69 Number of instruments = 36 Obs per group: min = 11 F(13, 68) = 4505.85 avg = 11.00 Prob > F = 0.000 max = 11

xxxvi

_cons | -1.616633 .1333871 -12.12 0.000 -1.882802 -1.350463 ------------------------------------------------------------------------------ Warning: Uncorrected two-step standard errors are unreliable. Instruments for levels equation Standard csfp_3 fptp_3 cnta pvcs csfp rroe fptp rroa vpib vinfl z_score_1 _cons GMM-type (missing=0, separate instruments for each period unless collapsed) DL4.cstp collapsed DL(4/8).fpta ------------------------------------------------------------------------------ Arellano-Bond test for AR(1) in first differences: z = -3.54 Pr > z = 0.000 Arellano-Bond test for AR(2) in first differences: z = 1.62 Pr > z = 0.104 ------------------------------------------------------------------------------ Sargan test of overid. restrictions: chi2(22) = 28.12 Prob > chi2 = 0.041 (Not robust, but not weakened by many instruments.) Hansen test of overid. restrictions: chi2(22) = 31.85 Prob > chi2 = 0.028 (Robust, but weakened by many instruments.) Difference-in-Hansen tests of exogeneity of instrument subsets: gmm(cstp, collapse eq(level) lag(4 4)) Hansen test excluding group: chi2(21) = 23.84 Prob > chi2 = 0.301 Difference (null H = exogenous): chi2(1) = 8.01 Prob > chi2 = 0.005 iv(csfp_3 fptp_3 cnta pvcs csfp rroe fptp rroa vpib vinfl z_score_1, passthru eq(level)) Hansen test excluding group: chi2(13) = 11.87 Prob > chi2 = 0.538 Difference (null H = exogenous): chi2(9) = 19.98 Prob > chi2 = 0.018 ------------------------------------------------------------------------------

SIMULATION 1:

Variables Coef, Std, Err z P>|z|

z_score_1 0,944908 0,0076604 123,350 0,000 0,929622 0,9601939fpta 1,365904 0,5510084 2,480 0,016 0,266384 2,465424dstp -0,04686 0,0489644 -0,960 0,342 -0,14457 0,0508486csfp -0,08556 0,024113 -3,550 0,001 -0,13368 -0,037442cnta 1,021057 0,0763458 13,370 0,000 0,868712 1,173403pvcs -0,00584 0,0036641 -1,590 0,115 -0,01315 0,0014696rroe -0,06102 0,0204134 -2,990 0,004 -0,10175 -0,0202815fptp 0,782572 0,1354103 5,780 0,000 0,512365 1,052779rroa 10,97623 0,7315956 15,000 0,000 9,516352 12,4361coex 0,002466 0,0265059 0,090 0,926 -0,05043 0,0553574cstp 5,880604 0,5415667 10,860 0,000 4,799925 6,961284vpib -0,96616 1,071776 -0,900 0,371 -3,10486 1,172533vinfl 4,464898 1,035344 4,310 0,000 2,398901 6,530894_cons -1,61663 0,1333871 -12,120 0,000 -1,8828 -1,350463

[95% Conf, Interval

xxxvii

. // simulation 1// xtabond2 z_score z_score_1 fpta dstp csfp pvtp rroe fptp rroa coex cstp vpib vinfl regl, gmm( fpta, lag(4 8)eq(level)) gmm( cstp, lag(4 4) > eq(level) collapse) iv(pvtp csfp rroe fptp rroa vpib vinfl z_score_1,eq(level) pass) two small Favoring space over speed. To switch, type or click on mata: mata set matafavor speed, perm. Dynamic panel-data estimation, two-step system GMM ------------------------------------------------------------------------------ Group variable: code_banque Number of obs = 759 Time variable : années Number of groups = 69 Number of instruments = 36 Obs per group: min = 11 F(14, 68) = 4318.11 avg = 11.00 Prob > F = 0.000 max = 11

Variables Coef. St Std. Err. z P>|z| [95% Conf. I nterval]

z_score_1 0,9415703 0,007975 118,07 0,000 0,9256564 0,9574842

fpta 2,333229 0,6139992 3,8 0,000 1,108013 3,558446

dstp -0,0767432 0,0516118 -1,49 0,142 -0,179733 0,0262467

csfp -

0,00837936 0,0315885 -2,65 0,010 -0,1468274 -0,0207599

cnta 0,8852055 0,0726056 12,19 0,000 0,7403233 1,030088

pvcs -0,0057681 0,0043119 -1,34 0,185 -0,0143724 0,0028361

rroe -0,0488174 0,0310713 -1,57 0,121 -0,1108192 0,0131844

fptp 0,6240115 0,2061513 3,03 0,003 0,212643 1,03538

rroa 9,196258 1,077056 8,54 0,000 7,047026 11,34549

coex 0,0361268 0,0309578 1,17 0,247 -0,0256486 0,0979022

cstp 4,891831 0,6539624 7,48 0,000 3,586869 6,196793

vpib -6,455128 1,086246 -5,94 0,000 -8,622697 -4,287558

vinfl 7,265322 0,9459725 7,68 0,000 5,377663 9,15298

regl 1,207641 0,2563354 4,71 0,000 0,6961318 1,719151

_cons -1,982995 0,326898 -6,07 0,000 -2,63531 -1,33068

xxxviii

SIMULATION 2 . xtabond2 z_score z_score_1 fpta dstp csfp cnta pvcs rroe fptp rroa coex cstp vpib vinfl, gmm( fpta, lag(4 8)eq(level)) gmm( cstp, lag(4 4) > eq(level) collapse) iv(csfp_3 fptp_3 cnta pvcs csfp rroe fptp rroa vpib vinfl, eq(level) pass) two small Favoring space over speed. To switch, type or click on mata: mata set matafavor speed, perm. Dynamic panel-data estimation, two-step system GMM ------------------------------------------------------------------------------ Group variable: code_banque Number of obs = 759 Time variable : années Number of groups = 69 Number of instruments = 35 Obs per group: min = 11 F(14, 68) = 708.00 avg = 11.00 Prob > F = 0.000 max = 11

Variables Coef. St Std. Err. z P>|z| [95% Conf. Interval

z_score_1 0,8559326 0,0333742 25,65 0,000 0,7893355 0,9225298

fpta 3,400861 0,6386679 5,32 0,000 2,126419 4,675304

dstp -0,0500568 0,0668524 -0,75 0,457 -0,1834586 0,083345

csfp -0,0791485 0,0275093 -2,88 0,005 -0,1340424 -0,0242545

cnta 0,7464569 0,0675072 11,06 0,000 0,6117485 0,8811654

pvcs -0,0002758 0,0100811 -0,03 0,978 -0,0203924 0,0198408

rroe -0,0491266 0,0285 -1,72 0,089 -0,1059975 0,0077443

fptp 0,3399175 0,2232594 1,52 0,133 -0,1055897 0,7854248

rroa 8,789702 1,236827 7,11 0,000 6,321653 11,25775

coex 0,0107515 0,0434999 0,25 0,806 -0,0760512 0,0975541

cstp 2,676958 0,8602648 3,11 0,003 0,9603258 4,393589

vpib -6,569341 1,331031 -4,94 0,000 -9,225371 -3,91331

vinfl 6,286799 1,683369 3,73 0,000 2,927689 9,645909

regl 0,5473635 0,4530151 1,21 0,231 -0,356614 1,451341

_cons -0,6509738 0,5870102 -1,11 0,271 -1,822335 0,5203869 Warning: Uncorrected two-step standard errors are unreliable. Instruments for levels equation Standard cnta pvcs csfp rroe fptp rroa vpib vinfl _cons GMM-type (missing=0, separate instruments for each period unless collapsed) DL4.cstp collapsed DL(4/8).fpta ------------------------------------------------------------------------------ Arellano-Bond test for AR(1) in first differences: z = -3.47 Pr > z = 0.001 Arellano-Bond test for AR(2) in first differences: z = 1.58 Pr > z = 0.114 ------------------------------------------------------------------------------ Sargan test of overid. restrictions: chi2(20) = 9.19 Prob > chi2 = 0.038 (Not robust, but not weakened by many instruments.) Hansen test of overid. restrictions: chi2(20) = 27.33 Prob > chi2 = 0.026 (Robust, but weakened by many instruments.) Difference-in-Hansen tests of exogeneity of instrument subsets: gmm(cstp, collapse eq(level) lag(4 4)) Hansen test excluding group: chi2(19) = 24.43 Prob > chi2 = 0.010 Difference (null H = exogenous): chi2(1) = 2.90 Prob > chi2 = 0.049 iv(cnta pvcs csfp rroe fptp rroa vpib vinfl, passthru eq(level)) Hansen test excluding group: chi2(12) = 9.65 Prob > chi2 = 0.046 Difference (null H = exogenous): chi2(8) = 17.68 Prob > chi2 = 0.024

xxxix

ANNEXE 8 //============================= TEST DE HAUSMAN ================================= ***===================MCO===================================================== . xtreg z_score fpta dstp csfp cnta pvcs rroe fptp rroa coex cstp vpib vinfl, fe Fixed-effects (within) regression Number of obs = 828 Group variable: code_banque Number of groups = 69 R-sq: Obs per group: within = 0.3904 min = 12 between = 0.0350 avg = 12.0 overall = 0.0604 max = 12 F(12,747) = 39.87 corr(u_i, Xb) = 0.0374 Prob > F = 0.0000

-------------+---------------------------------------------------------------- sigma_u | 6.4900347 sigma_e | 1.5860874 rho | .94364055 (fraction of variance due to u_i) ------------------------------------------------------------------------------ F test that all u_i=0: F(68, 747) = 171.62 Prob > F = 0.0000 . est store fixed ***===================MCG===================================================== . xtreg z_score fpta dstp csfp cnta pvcs rroe fptp rroa coex cstp vpib vinfl, re Random-effects GLS regression Number of obs = 828 Group variable: code_banque Number of groups = 69 R-sq: Obs per group: within = 0.3903 min = 12 between = 0.0435 avg = 12.0 overall = 0.0658 max = 12 Wald chi2(12) = 472.64 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000 ------------------------------------------------------------------------------

MCO

Variables Coef, Std, Err z P>|z|

fpta 7,972909 0,52732 15,120 0,000 6,937706 9,008113dstp 0,0325056 0,06496 0,500 0,617 -0,09502 0,1600334csfp -0,125442 0,01908 -6,570 0,000 -0,16291 -0,0879763cnta 0,3904538 0,18647 2,090 0,037 0,024393 0,7565148pvcs 0,0228029 0,00845 2,700 0,007 0,006208 0,0393982rroe -0,10051 0,0245 -4,100 0,000 -0,14861 -0,0524107fptp 0,0348172 0,04175 0,830 0,405 -0,04714 0,1167788rroa 1,994519 1,19575 1,670 0,096 -0,35291 4,341949coex 0,0007097 0,00774 0,090 0,927 -0,01448 0,0159005cstp 0,7918466 0,56644 1,400 0,163 -0,32015 1,903845vpib -9,556746 2,15534 -4,430 0,000 -13,788 -5,325504vinfl 2,209 2,129 1,040 0,300 -1,971 6,388_cons 5,149 0,220 23,410 0,000 4,717 5,581

[95% Conf, Interval

xl

-------------+---------------------------------------------------------------- sigma_u | 5.852032 sigma_e | 1.5860874 rho | .93156856 (fraction of variance due to u_i) ------------------------------------------------------------------------------

------------------------------------------------------------------------------ b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test: Ho: difference in coefficients not systematic chi2(12) = (b-B)'[(V_b-V_B)^(-1)](b-B) = -2.77 chi2<0 ==> model fitted on these data fails to meet the asymptotic assumptions of the Hausman test; see suest for a generalized test

MCG

Variables Coef, Std, Err z P>|z|

fpta 7,909464 0,530888 14,900 0,000 6,868943 8,949986dstp 0,016044 0,0646253 0,250 0,804 -0,11062 0,1427074csfp -0,1247 0,0192514 -6,480 0,000 -0,16243 -0,0869699cnta 0,399052 0,1878881 2,120 0,034 0,030798 0,767306pvcs 0,023421 0,0085136 2,750 0,006 0,006735 0,0401075rroe -0,09892 0,0247152 -4,000 0,000 -0,14736 -0,0504765fptp 0,039062 0,0419257 0,930 0,351 -0,04311 0,1212345rroa 2,137132 1,205795 1,770 0,076 -0,22618 4,500448coex 0,000452 0,0078047 0,060 0,954 -0,01485 0,0157488cstp 0,655525 0,5697771 1,150 0,250 -0,46122 1,772267vpib -9,5848 2,173773 -4,410 0,000 -13,8453 -5,32428vinfl 2,256173 2,145672 1,050 0,293 -1,94927 6,461613_cons 5,200002 0,7445462 6,980 0,000 3,740718 6,659285

[95% Conf, Interval

HAUSMAN EFFETS FIXES sqrt(diag(V_b-V_B))

S,E,

(b) (B) Difference

, b-B

fpta 7,972909 7,909464 0,0634 ,

dstp 0,032506 0,0160442 0,0165 0,007csfp -0,12544 -0,124702 -0,0007 ,cnta 0,390454 0,399052 -0,0086 ,pvcs 0,022803 0,0234212 -0,0006 ,rroe -0,10051 -0,0989174 -0,0016 ,fptp 0,034817 0,0390616 -0,0042 ,rroa 1,994519 2,137132 -0,1426 ,coex 0,00071 0,0004518 0,0003 ,cstp 0,791847 0,6555247 0,1363 ,vpib -9,55675 -9,584797 0,0281 ,vinfl 2,20862 2,256173 -0,0476 ,

xli

ANNEXE 9

BdD GROUPES BANCAIRES

TESTS DE CORRELATION

z_score fpta dstp csfp cnta pvcs rroe fptp rroa coex cstp vpib vinfl tail

z_score 1.0000fpta 0.1929 1.0000dstp -0.0688 0.1923 1.0000csfp -0.0220 0.0108 -0.0134 1.0000cnta 0.1811 0.2585 -0.1177 0.0172 1.0000pvcs 0.2693 -0.0898 -0.0852 -0.0108 -0.0271 1.0000rroe 0.0473 -0.0530 -0.0258 -0.3189 -0.0049 0.0116 1.0000fptp -0.0413 0.0131 0.7931 -0.0096 -0.0563 -0.0226 -0.0082 1.0000rroa 0.2124 0.8613 0.0891 0.0035 0.2645 -0.0855 -0.0015 -0.0210 1.0000coex -0.0970 -0.0502 0.0207 -0.0171 -0.0515 0.0513 0.0011 0.0416 -0.0469 1.0000cstp -0.2147 -0.4105 -0.0006 0.0062 -0.2713 0.0876 -0.0814 -0.0892 -0.4587 0.1315 1.0000vpib -0.1222 0.0511 -0.0325 0.0436 0.0207 -0.1661 -0.0712 0.0241 0.1023 0.0292 -0.1003 1.0000vinfl 0.0189 -0.0214 0.0787 -0.0610 0.0211 0.0331 0.0460 0.0742 -0.0305 0.0098 -0.0132 0.0340 1.0000tail -0.0597 -0.0747 -0.1980 -0.0144 -0.1024 0.1943 0.0860 -0.0665 0.0061 -0.0362 0.0080 0.0292 -0.1510 1.0000

Variable VIF 1/VIF

fpta 4.45 0.224955rroa 4.28 0.233516dstp 3.59 0.278195fptp 3.25 0.307554cstp 1.44 0.693238cnta 1.18 0.847758tail 1.18 0.849498rroe 1.15 0.867702csfp 1.12 0.894436pvcs 1.10 0.911630vpib 1.07 0.932872vinfl 1.04 0.958443coex 1.03 0.969960

xlii

ANNEXE 10

ESTIMATIONS BdD GROUPES BANCAIRES ================================================================================ xi: xtreg z_score fpta dstp csfp rroe cnta pvcs fptp rroa coex cstp vpib vinfl tail dummybanque* note: dummybanques33 omitted because of collinearity Random-effects GLS regression Number of obs = 396 Group variable: code_banque Number of groups = 33 R-sq: Obs per group: within = 0.4326 min = 12 between = 1.0000 avg = 12.0 overall = 0.9537 max = 12 Wald chi2(45) = 7216.73 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

sigma_u | 0 sigma_e | 1.5663641 rho | 0 (fraction of variance due to u_i) --------------------------------------------------------------------------------

Modèle estimé Groupe bancaire

Variables Coef. Std. Err z P>|z|

fpta 1,454013 0,270839 5,370 0,000 0,923178 1,984848dstp -0,58652 0,213 -2,750 0,006 -1,003992 -0,169047csfp -0,158786 0,032113 -4,940 0,000 -0,221726 -0,095847rroe -0,147996 0,038116 -3,880 0,000 -0,222702 -0,07329cnta 1,436153 0,177592 8,090 0,000 1,088078 1,784227pvcs 0,053383 0,015136 3,530 0,000 0,023718 0,083048fptp 0,279352 0,084649 3,300 0,001 0,113444 0,44526rroa -0,77127 1,074893 -0,720 0,473 -2,87802 1,335481coex 0,001546 0,007749 0,200 0,842 -0,013641 0,016733cstp 0,907982 0,92848 0,980 0,328 -0,911806 2,72777vpib -14,43835 3,26277 -4,430 0,000 -20,83327 -8,043441vinfl 2,76721 3,13761 0,880 0,378 -3,382394 8,916813tail -0,236225 0,179157 -1,320 0,187 -0,587366 0,114917dummybanques1 1,978367 2,176087 0,910 0,363 -2,286685 6,243419dummybanques2 7,071385 2,34478 3,020 0,003 2,475701 11,66707dummybanques3 1,42115 0,660034 2,150 0,031 0,127507 2,714794dummybanques4 11,26585 0,641005 17,580 0,000 10,0095 12,52219dummybanques5 3,115458 2,24583 1,390 0,165 -1,286288 7,517203dummybanques6 1,406732 2,369019 0,590 0,553 -3,23646 6,049925dummybanques7 9,165139 2,277152 4,020 0,000 4,702003 13,62827dummybanques8 -2,960694 0,653841 -4,530 0,000 -4,242199 -1,679189dummybanques9 -3,94819 0,703538 -5,610 0,000 -5,327099 -2,569282dummybanques10 12,83423 0,657689 19,510 0,000 11,54519 14,12328dummybanques11 -4,578877 1,972998 -2,320 0,020 -8,445883 -0,711871dummybanques12 -6,019383 0,654381 -9,200 0,000 -7,301946 -4,73682dummybanques13 -3,905597 0,657596 -5,940 0,000 -5,194462 -2,616732dummybanques14 0,289989 0,652385 0,440 0,657 -0,988663 1,56864dummybanques15 12,60832 0,652298 19,330 0,000 11,32984 13,8868dummybanques16 8,207978 0,64759 12,670 0,000 6,938725 9,47723dummybanques17 2,568336 2,279248 1,130 0,260 -1,898908 7,03558dummybanques18 -0,518444 2,299539 -0,230 0,822 -5,025457 3,98857dummybanques19 7,528186 2,367168 3,180 0,001 2,888622 12,16775dummybanques20 -0,945713 0,651709 -1,450 0,147 -2,223039 0,331613dummybanques21 8,751756 0,652017 13,420 0,000 7,473825 10,02969dummybanques22 2,053363 0,660422 3,110 0,002 0,758959 3,347767dummybanques23 -4,680888 1,821769 -2,570 0,010 -8,251489 -1,110287dummybanques24 -2,29495 2,293276 -1,000 0,317 -6,789688 2,199789dummybanques25 -3,598548 1,843375 -1,950 0,051 -7,211496 0,0144dummybanques26 -3,740878 0,847368 -4,410 0,000 -5,401688 -2,080067dummybanques27 -6,441755 0,701027 -9,190 0,000 -7,815743 -5,067768dummybanques28 -5,756236 0,666474 -8,640 0,000 -7,0625 -4,449972dummybanques29 -2,880213 0,647007 -4,450 0,000 -4,148322 -1,612103dummybanques30 4,510109 2,22055 2,030 0,042 0,157912 8,862307dummybanques31 20,22576 2,462171 8,210 0,000 15,4 25,05153dummybanques32 -2,796643 2,091301 -1,340 0,181 -6,895519 1,302232dummybanques33 0 (omitted)Cons 6,332468 0,572239 11,070 0,000 5,210901 7,454035

[95% Conf. Interval

xliii

ANNEXE 11

//=========================== GMM EN SYSTEME ================================// Simulation 1 . xtabond2 z_score z_score_1 fpta dstp csfp cnta pvcs rroe fptp rroa tail coex cstp vpib vinfl, gmm( vinfl, lag(4 8)eq(level)) gmm( tail, lag > (4 4)eq(level) collapse) iv(fpta_3 cstp_3 csfp_3 fptp_3 cnta pvcs csfp rroe fptp rroa cstp vpib fpta, eq(level) pass) two small Favoring space over speed. To switch, type or click on mata: mata set matafavor speed, perm. Warning: Number of instruments may be large relative to number of observations. Warning: Two-step estimated covariance matrix of moments is singular. Using a generalized inverse to calculate optimal weighting matrix for two-step estimation. Difference-in-Sargan/Hansen statistics may be negative. Dynamic panel-data estimation, two-step system GMM ------------------------------------------------------------------------------ Group variable: code_banque Number of obs = 297 Time variable : années Number of groups = 33 Number of instruments = 38 Obs per group: min = 9 F(14, 32) = 111548.94 avg = 9.00 Prob > F = 0.000 max = 9 ------------------------------------------------------------------------------

------------------------------------------------------------------------------ Warning: Uncorrected two-step standard errors are unreliable. Instruments for levels equation Standard fpta_3 cstp_3 csfp_3 fptp_3 cnta pvcs csfp rroe fptp rroa cstp vpib fpta _cons GMM-type (missing=0, separate instruments for each period unless collapsed) DL4.tail collapsed DL(4/8).vinfl ------------------------------------------------------------------------------ Arellano-Bond test for AR(1) in first differences: z = -2.92 Pr > z = 0.003 Arellano-Bond test for AR(2) in first differences: z = 0.80 Pr > z = 0.426 ------------------------------------------------------------------------------ Sargan test of overid. restrictions: chi2(23) = 32.77 Prob > chi2 = 0.026 (Not robust, but not weakened by many instruments.) Hansen test of overid. restrictions: chi2(23) = 29.21 Prob > chi2 = 0.049 (Robust, but weakened by many instruments.) Difference-in-Hansen tests of exogeneity of instrument subsets: gmm(tail, collapse eq(level) lag(4 4)) Hansen test excluding group: chi2(22) = 15.73 Prob > chi2 = 0.829 Difference (null H = exogenous): chi2(1) = -1.36 Prob > chi2 = 1.000 iv(fpta_3 cstp_3 csfp_3 fptp_3 cnta pvcs csfp rroe fptp rroa cstp vpib fpta, passthru eq(level)) Hansen test excluding group: chi2(12) = 14.43 Prob > chi2 = 0.274 Difference (null H = exogenous): chi2(11) = -0.05 Prob > chi2 = 1.000 ------------------------------------------------------------------------------ . xtabond2 z_score z_score_1 fpta dstp csfp cnta pvcs rroe fptp rroa tail coex cstp vpib vinfl, gmm( vinfl, lag(4 8)eq(level)) gmm( tail, lag

GMM : Simulation 1

Variables Coef. Std. Err z P>|z|

z_score_1 0,942914 0,01014 93,030 0,000 0,922269 0,963559fpta -0,272183 0,13861 -1,960 0,058 -0,554525 0,01016dstp -0,339759 0,18008 -1,890 0,068 -0,706566 0,027048csfp -0,147594 0,04458 -3,310 0,002 -0,238394 -0,056794cnta 1,144384 0,03603 31,760 0,000 1,070992 1,217777pvcs -0,00228 0,00911 -0,250 0,804 -0,020827 0,016267rroe -0,188241 0,03686 -5,110 0,000 -0,263314 -0,113168fptp 0,890096 0,23084 3,860 0,001 0,419893 1,3603rroa 3,596708 0,34473 10,430 0,000 2,894508 4,298908tail 0,036243 0,01528 2,370 0,024 0,005112 0,067375coex -0,008669 0,02054 -0,420 0,676 -0,050498 0,03316cstp 2,468759 0,33245 7,430 0,000 1,79158 3,145938vpib -9,450556 1,45442 -6,500 0,000 -12,41311 -6,488003vinfl -2,886293 2,13261 -1,350 0,185 -7,230272 1,457687_cons -0,091122 0,32558 -0,280 0,781 -0,754297 0,572053

[95% Conf. Interval

xliv

> (4 4)eq(level) collapse) iv(tail_3 vinfl_3 csfp_3 fptp_3 cnta pvcs csfp rroe fptp rroa cstp vpib fpta z_score_1, eq(level) pass) two small Favoring space over speed. To switch, type or click on mata: mata set matafavor speed, perm. Warning: Number of instruments may be large relative to number of observations. Warning: Two-step estimated covariance matrix of moments is singular. Using a generalized inverse to calculate optimal weighting matrix for two-step estimation. Difference-in-Sargan/Hansen statistics may be negative. Dynamic panel-data estimation, two-step system GMM ------------------------------------------------------------------------------ Group variable: code_banque Number of obs = 297 Time variable : années Number of groups = 33 Number of instruments = 39 Obs per group: min = 9 F(14, 32) = 189238.92 avg = 9.00 Prob > F = 0.000 max = 9 ------------------------------------------------------------------------------

------------------------------------------------------------------------------ Warning: Uncorrected two-step standard errors are unreliable. Instruments for levels equation Standard tail_3 vinfl_3 csfp_3 fptp_3 cnta pvcs csfp rroe fptp rroa cstp vpib fpta z_score_1 _cons GMM-type (missing=0, separate instruments for each period unless collapsed) DL4.tail collapsed DL(4/8).vinfl ------------------------------------------------------------------------------ Arellano-Bond test for AR(1) in first differences: z = -2.81 Pr > z = 0.005 Arellano-Bond test for AR(2) in first differences: z = 0.92 Pr > z = 0.358 ------------------------------------------------------------------------------ Sargan test of overid. restrictions: chi2(24) = 33.08 Prob > chi2 = 0.030 (Not robust, but not weakened by many instruments.) Hansen test of overid. restrictions: chi2(24) = 27.91 Prob > chi2 = 0.048 (Robust, but weakened by many instruments.) Difference-in-Hansen tests of exogeneity of instrument subsets: gmm(tail, collapse eq(level) lag(4 4)) Hansen test excluding group: chi2(23) = 19.13 Prob > chi2 = 0.694 Difference (null H = exogenous): chi2(1) = -2.59 Prob > chi2 = 1.000 iv(tail_3 vinfl_3 csfp_3 fptp_3 cnta pvcs csfp rroe fptp rroa cstp vpib fpta z_score_1, passthru eq(level)) Hansen test excluding group: chi2(12) = 14.40 Prob > chi2 = 0.276 Difference (null H = exogenous): chi2(12) = 2.14 Prob > chi2 = 0.999

GMM Simulation 2

Variables Coef. Std. Err z P>|z|

z_score_1 0,934362 0,00807 115,850 0,000 0,917934 0,95079fpta -0,12595 0,15814 -0,800 0,432 -0,448076 0,196176dstp -0,639387 0,16526 -3,870 0,001 -0,97601 -0,302764csfp -0,094788 0,04542 -2,090 0,045 -0,187313 -0,002263cnta 1,112986 0,03993 27,870 0,000 1,031648 1,194324pvcs -0,011508 0,00771 -1,490 0,145 -0,027215 0,004198rroe -0,172104 0,03203 -5,370 0,000 -0,237338 -0,106871fptp 0,911225 0,3281 2,780 0,009 0,242914 1,579537rroa 3,388997 0,41774 8,110 0,000 2,538092 4,239902tail 0,012335 0,01268 0,970 0,338 -0,013491 0,03816coex 0,020704 0,02071 1,000 0,325 -0,021476 0,062883cstp 2,329244 0,43939 5,300 0,000 1,434233 3,224255vpib -10,99235 1,33871 -8,210 0,000 -13,71921 -8,265497vinfl -2,510612 1,59157 -1,580 0,125 -5,75253 0,731306_cons 0,386213 0,29858 1,290 0,205 -0,221975 0,9944

[95% Conf. Interval

xlv

ANNEXE 12

TESTS DE COMPARAISON DES MOYENNES Resultat selon le statut de la banque . ttest Z_Score, by(Stat_Solidite) Two-sample t test with equal variances ------------------------------------------------------------------------------ Group | Obs Mean Std. Err. Std. Dev. [95% Conf. Interval] ---------+-------------------------------------------------------------------- 0 | 273 -.1403718 .0900936 1.48859 -.3177412 .0369975 1 | 555 8.975362 .2729779 6.430933 8.439164 9.51156 ---------+-------------------------------------------------------------------- combined | 828 5.969812 .2377941 6.842522 5.503061 6.436563 ---------+-------------------------------------------------------------------- diff | -9.115734 .3944253 -9.889928 -8.34154 ------------------------------------------------------------------------------ diff = mean(0) - mean(1) t = -23.1114 Ho: diff = 0 degrees of freedom = 826 Ha: diff < 0 Ha: diff != 0 Ha: diff > 0 Pr(T < t) = 0.0000 Pr(|T| > |t|) = 0.0000 Pr(T > t) = 1.0000 . ttest csfp, by(Stat_Solidite) Two-sample t test with equal variances ------------------------------------------------------------------------------ Group | Obs Mean Std. Err. Std. Dev. [95% Conf. Interval] ---------+-------------------------------------------------------------------- 0 | 273 .7237737 .3138234 5.185213 .1059421 1.341605 1 | 555 .4762566 .0771568 1.817693 .3247011 .6278122 ---------+-------------------------------------------------------------------- combined | 828 .5578655 .1156259 3.327134 .3309108 .7848203 ---------+-------------------------------------------------------------------- diff | .2475171 .2459542 -.2352517 .7302859 ------------------------------------------------------------------------------ diff = mean(0) - mean(1) t = 1.0064 Ho: diff = 0 degrees of freedom = 826 Ha: diff < 0 Ha: diff != 0 Ha: diff > 0 Pr(T < t) = 0.8427 Pr(|T| > |t|) = 0.3145 Pr(T > t) = 0.1573 . ttest rroe, by(Stat_Solidite) Two-sample t test with equal variances ------------------------------------------------------------------------------ Group | Obs Mean Std. Err. Std. Dev. [95% Conf. Interval] ---------+-------------------------------------------------------------------- 0 | 273 -.3556906 .260421 4.302861 -.8683876 .1570064 1 | 555 .1535643 .0420043 .9895553 .0710571 .2360714 ---------+-------------------------------------------------------------------- combined | 828 -.0143422 .0906419 2.608218 -.1922574 .1635729 ---------+-------------------------------------------------------------------- diff | -.5092549 .192112 -.8863401 -.1321697 ------------------------------------------------------------------------------ diff = mean(0) - mean(1) t = -2.6508 Ho: diff = 0 degrees of freedom = 826 Ha: diff < 0 Ha: diff != 0 Ha: diff > 0 Pr(T < t) = 0.0041 Pr(|T| > |t|) = 0.0082 Pr(T > t) = 0.9959 . ttest rroa, by(Stat_Solidite) Two-sample t test with equal variances ------------------------------------------------------------------------------ Group | Obs Mean Std. Err. Std. Dev. [95% Conf. Interval] ---------+-------------------------------------------------------------------- 0 | 273 -.0292496 .0052768 .0871876 -.0396383 -.018861 1 | 555 .0103797 .0014053 .0331069 .0076194 .0131401 ---------+-------------------------------------------------------------------- combined | 828 -.0026865 .0020799 .0598492 -.006769 .001396 ---------+-------------------------------------------------------------------- diff | -.0396294 .0042068 -.0478866 -.0313722 ------------------------------------------------------------------------------

xlvi

diff = mean(0) - mean(1) t = -9.4204 Ho: diff = 0 degrees of freedom = 826 Ha: diff < 0 Ha: diff != 0 Ha: diff > 0 Pr(T < t) = 0.0000 Pr(|T| > |t|) = 0.0000 Pr(T > t) = 1.0000 . ttest coex, by(Stat_Solidite) Two-sample t test with equal variances ------------------------------------------------------------------------------ Group | Obs Mean Std. Err. Std. Dev. [95% Conf. Interval] ---------+-------------------------------------------------------------------- 0 | 273 2.112315 .8019777 13.25085 .5334423 3.691188 1 | 555 .802355 .0432592 1.01912 .7173828 .8873271 ---------+-------------------------------------------------------------------- combined | 828 1.234262 .2665427 7.669764 .7110823 1.757442 ---------+-------------------------------------------------------------------- diff | 1.30996 .5654913 .1999911 2.419929 ------------------------------------------------------------------------------ diff = mean(0) - mean(1) t = 2.3165 Ho: diff = 0 degrees of freedom = 826 Ha: diff < 0 Ha: diff != 0 Ha: diff > 0 Pr(T < t) = 0.9896 Pr(|T| > |t|) = 0.0208 Pr(T > t) = 0.0104 . ttest cstp, by(Stat_Solidite) Two-sample t test with equal variances ------------------------------------------------------------------------------ Group | Obs Mean Std. Err. Std. Dev. [95% Conf. Interval] ---------+-------------------------------------------------------------------- 0 | 273 .2831099 .0119936 .1981675 .2594977 .3067221 1 | 555 .150009 .0046518 .1095888 .1408717 .1591463 ---------+-------------------------------------------------------------------- combined | 828 .1938937 .0054818 .1577376 .1831339 .2046535 ---------+-------------------------------------------------------------------- diff | .1331009 .0107092 .1120804 .1541214 ------------------------------------------------------------------------------ diff = mean(0) - mean(1) t = 12.4286 Ho: diff = 0 degrees of freedom = 826 Ha: diff < 0 Ha: diff != 0 Ha: diff > 0 Pr(T < t) = 1.0000 Pr(|T| > |t|) = 0.0000 Pr(T > t) = 0.0000 . end of do-file . Resultats selon la sousperiode . ttest Z_Score, by(Code_SousPetiod) Two-sample t test with equal variances ------------------------------------------------------------------------------ Group | Obs Mean Std. Err. Std. Dev. [95% Conf. Interval] ---------+-------------------------------------------------------------------- 0 | 345 6.196037 .3897456 7.239203 5.429453 6.962622 1 | 483 5.808223 .2979147 6.547349 5.222851 6.393595 ---------+-------------------------------------------------------------------- combined | 828 5.969812 .2377941 6.842522 5.503061 6.436563 ---------+-------------------------------------------------------------------- diff | .3878145 .4824376 -.5591334 1.334762 ------------------------------------------------------------------------------ diff = mean(0) - mean(1) t = 0.8039 Ho: diff = 0 degrees of freedom = 826 Ha: diff < 0 Ha: diff != 0 Ha: diff > 0 Pr(T < t) = 0.7891 Pr(|T| > |t|) = 0.4217 Pr(T > t) = 0.2109

xlvii

. ttest csfp, by(Code_SousPetiod) Two-sample t test with equal variances ------------------------------------------------------------------------------ Group | Obs Mean Std. Err. Std. Dev. [95% Conf. Interval] ---------+-------------------------------------------------------------------- 0 | 345 .6838006 .2022811 3.757204 .2859372 1.081664 1 | 483 .4679119 .1357356 2.983098 .2012052 .7346186 ---------+-------------------------------------------------------------------- combined | 828 .5578655 .1156259 3.327134 .3309108 .7848203 ---------+-------------------------------------------------------------------- diff | .2158888 .2345538 -.2445028 .6762804 ------------------------------------------------------------------------------ diff = mean(0) - mean(1) t = 0.9204 Ho: diff = 0 degrees of freedom = 826 Ha: diff < 0 Ha: diff != 0 Ha: diff > 0 Pr(T < t) = 0.8212 Pr(|T| > |t|) = 0.3576 Pr(T > t) = 0.1788 . ttest rroe, by(Code_SousPetiod) Two-sample t test with equal variances ------------------------------------------------------------------------------ Group | Obs Mean Std. Err. Std. Dev. [95% Conf. Interval] ---------+-------------------------------------------------------------------- 0 | 345 -.0106407 .1626641 3.021351 -.3305821 .3093006 1 | 483 -.0169862 .1033299 2.270908 -.2200188 .1860465 ---------+-------------------------------------------------------------------- combined | 828 -.0143422 .0906419 2.608218 -.1922574 .1635729 ---------+-------------------------------------------------------------------- diff | .0063454 .1839664 -.3547511 .367442 ------------------------------------------------------------------------------ diff = mean(0) - mean(1) t = 0.0345 Ho: diff = 0 degrees of freedom = 826 Ha: diff < 0 Ha: diff != 0 Ha: diff > 0 Pr(T < t) = 0.5138 Pr(|T| > |t|) = 0.9725 Pr(T > t) = 0.4862 . ttest rroa, by(Code_SousPetiod) Two-sample t test with equal variances ------------------------------------------------------------------------------ Group | Obs Mean Std. Err. Std. Dev. [95% Conf. Interval] ---------+-------------------------------------------------------------------- 0 | 345 -.0058653 .0033258 .0617748 -.0124068 .0006763 1 | 483 -.0004159 .002657 .0583937 -.0056366 .0048049 ---------+-------------------------------------------------------------------- combined | 828 -.0026865 .0020799 .0598492 -.006769 .001396 ---------+-------------------------------------------------------------------- diff | -.0054494 .0042171 -.0137269 .0028281 ------------------------------------------------------------------------------ diff = mean(0) - mean(1) t = -1.2922 Ho: diff = 0 degrees of freedom = 826 Ha: diff < 0 Ha: diff != 0 Ha: diff > 0 Pr(T < t) = 0.0983 Pr(|T| > |t|) = 0.1966 Pr(T > t) = 0.9017 . ttest coex, by(Code_SousPetiod) Two-sample t test with equal variances ------------------------------------------------------------------------------ Group | Obs Mean Std. Err. Std. Dev. [95% Conf. Interval] ---------+-------------------------------------------------------------------- 0 | 345 .9632812 .0517679 .9615457 .8614597 1.065103 1 | 483 1.42782 .4554263 10.00902 .5329537 2.322686 ---------+-------------------------------------------------------------------- combined | 828 1.234262 .2665427 7.669764 .7110823 1.757442 ---------+-------------------------------------------------------------------- diff | -.4645387 .5407329 -1.525911 .5968336 ------------------------------------------------------------------------------ diff = mean(0) - mean(1) t = -0.8591 Ho: diff = 0 degrees of freedom = 826 Ha: diff < 0 Ha: diff != 0 Ha: diff > 0 Pr(T < t) = 0.1953 Pr(|T| > |t|) = 0.3905 Pr(T > t) = 0.8047

xlviii

. ttest cstp, by(Code_SousPetiod) Two-sample t test with equal variances ------------------------------------------------------------------------------ Group | Obs Mean Std. Err. Std. Dev. [95% Conf. Interval] ---------+-------------------------------------------------------------------- 0 | 345 .1909942 .0076328 .1417725 .1759814 .206007 1 | 483 .1959648 .0076593 .1683304 .1809151 .2110145 ---------+-------------------------------------------------------------------- combined | 828 .1938937 .0054818 .1577376 .1831339 .2046535 ---------+-------------------------------------------------------------------- diff | -.0049706 .0111244 -.0268061 .0168649 ------------------------------------------------------------------------------ diff = mean(0) - mean(1) t = -0.4468 Ho: diff = 0 degrees of freedom = 826 Ha: diff < 0 Ha: diff != 0 Ha: diff > 0 Pr(T < t) = 0.3276 Pr(|T| > |t|) = 0.6551 Pr(T > t) = 0.6724 . end of do-file

i

STUDY OF THE BANKING SOLIDITY RELATIONSHIP AND REGULATORY REFORM OF WAMU BANKS 'CAPITAL: THE ISSUE OF THE CREDIT PORTFOLIO

ABSTRACT

This thesis contributes to literature related to the WAMU's banking sector, particularly its soundness. In the analyzes, we have highlighted the paradoxes of soundness through the controversies surrounding the new capital adequacy and its consequences on the portfolio of the banks.

The context of our thesis is marked by the transposition to the new prudential rules, inspired by Basel 2 and Basel 3 and its particularity lies not only in the choice to know the financial health of WAMU banks during the implementation of the prudential framework N ° 2000/01 / RB of January 1, 2000, but also in the fact that it focuses on the contribution of each bank to the score of soundness. Indeed, we have shown the perceived and simultaneous effects of the portfolio of receivables and the degree of capitalization on solidity. This hadn't been much used by research on the resilience of the WAMU banking sector, especially since earlier studies focused on an intrinsic consideration of one, without simultaneity with other levers (such as the degree of capitalization, the degree of banking concentration). Thus, we empirically model the data relating to sixty-nine (69) banks from the eight (08) WAMU countries to identify the problem of the thesis. The related results are interesting and made it possible to capture the individual contribution of the sample banks to the approximate strength. This approach is also innovative in the sense that previous studies in the banking sector have looked at aggregate data without, however, placing particular emphasis on individual banks. In addition, we conducted a reflection on the strength of banking groups resulting from an extraction of data from the initial sample to assess the strength of thirty-three (33) subsidiary banks as part of a TBTF analysis.

We have presented the arguments leading to the relevance of capital in soundness and those referring to the decoupled solidity of capital alone by emphasizing the role of the manager in the application of prudential rules. The various theories referenced in this work (information asymmetry, agency theory, signal theory) contribute to the protection of the stakeholders (savers, shareholders) for the achievement of the objectives of perpetuating the financial intermediation in an environment regulated by international standards.

We could verify the assumptions related to capital and receivables. In view of the analyzes carried out, the banking sector was indeed solid when it was transposed to the new prudential standards (Basel 2 and Basel 3).

Keywords: Basel 1, Basel 2, Basel 3, bank, bank soundness, capital regulation, quality of the

receivables portfolio, prudential framework, WAMU.

.

ii

ETUDE DE LA RELATION SOLIDITE BANCAIRE ET RÉFORME REGLEMENTAIRE DU CAPITAL DES BANQUES DE L’UMOA :

L’ENJEU DU PORTEFEUILLE DE CREANCES

RESUME

Cette thèse contribue à la littérature sur le secteur bancaire de l’UMOA, notamment le volet concernant sa solidité. Dans les analyses, nous avons fait ressortir les paradoxes sur la solidité à travers les controverses relatives à la réglementation du capital et ses conséquences sur le portefeuille de créances. Le contexte de notre recherche est marqué par la transposition aux nouvelles règles prudentielles, inspirées de Bâle 2 et Bâle 3. Sa particularité réside non seulement dans le choix de connaître la santé financière des banques de l’UMOA au cours de la mise en œuvre du dispositif prudentiel N° 2000/01/RB du 1er janvier 2000, mais aussi dans le fait qu’elle s’intéresse à l’apport individuel de chaque banque au score de la solidité. En effet, nous avons montré les effets perçus et simultanés du portefeuille de créances et du degré de capitalisation sur la solidité. Cela avait été très peu utilisé par les recherches sur la résilience du secteur bancaire de l’UMOA, d’autant plus que les études antérieures se focalisaient sur une considération intrinsèque de l’un, sans une simultanéité avec d’autres leviers (comme par exemple le degré de capitalisation, le degré de concentration bancaire). Ainsi, nous modélisons de façon empirique les données relatives à soixante-neuf (69) banques provenant des huit (08) pays de l’UMOA pour cerner la problématique de la thèse. Les résultats y relatives sont intéressants et ont permis de capturer l’apport individuel des banques de l’échantillon à la solidité approximée. Cette démarche est aussi novatrice en ce sens que les études antérieures dans le secteur bancaire se sont intéressées aux données agrégées sans pour autant mettre un accent particulier aux banques prises individuellement. Par ailleurs, nous avons mené une réflexion sur la solidité des groupes bancaires issus d’une extraction des données de l’échantillon initial pour apprécier la solidité de trente-trois (33) banques filiales dans le cadre d’une analyse TBTF. Nous avons présenté les arguments conduisant à la pertinence du capital dans la solidité et ceux évoquant la solidité découplée du seul capital en mettant l’accent sur le rôle du manager dans l’application des règles prudentielles. Les différentes théories appelées dans le cadre des travaux (asymétrie informationnelle, théorie d’agence, théorie du signal) concourent à la protection des parties prenantes (épargnants, actionnaires) pour l’atteinte des objectifs de pérennisation de l’intermédiation financière dans un environnement règlementé aux standards internationaux. Nous avons pu vérifier les hypothèses relatives au capital et aux créances. Au regard des analyses menées, le secteur bancaire était bel et bien solide lors de la transposition aux nouvelles normes prudentielles (Bâle 2 et Bâle 3).

Mots-clés : Bâle 1, Bâle 2, Bâle 3, solidité bancaire, réglementation du capital, qualité du

portefeuille de créances, dispositif prudentiel, UMOA, BCEAO, CBU, UEMOA.