Interprétation des résultats de l’analyse

Il est question pour nous dans cette sous-section de présenter les résultats obtenus, afin de mettre en lumière, les différentes relations statistiques qui existent entre la variable dépendante et les variables explicatives pour chacune de nos équations. Les statistiques descriptives et le test de corrélation montrent que certaines variables sont faiblement corrélées. Les estimations de nos différentes équations nous donnent plusieurs résultats, qu’il est important de présenter dans un tableau récapitulatif.

Compte tenu de la structure de notre modèle et de nos données, nous avons retenu le logiciel statistique et économétrique STATA/SE 12.0, pour estimer nos équations. Les tableaux ci-dessous présentent les éléments essentiels des différentes régressions. Nous y mettons, les coefficients, le t de Student et le degré de significativité.

Tableau n° 5 : Récapitulatif des résultats des estimations avec les variables prises par groupe

Zscore(1) Zscore(2) Zscore(3) Zscore(4) Zscore(5) Zscore(6)

L.zscore 0.457 0.474 0.465 0.438 0.484 0.459 (5.11)*** (4.69)*** (5.25)*** (5.33)*** (4.70)*** (5.19)*** Crnta 0.962 0.135 0.966 1.130 1.010 0.947 (2.24)** (0.29) (2.25)** (2.75)*** (2.11)** (2.20)** Crestcr 0.947 1.243 0.196 1.269 0.937 0.922 (1.44) (1.80)* (0.22) (1.35) (1.11) (1.39) Credtcr 0.904 0.825 1.257 1.204 0.724 0.936 (2.42)** (2.40)** (1.90)* (2.30)** (1.10) (2.51)** Credta -1.737 -1.968 -2.773 -2.197 -1.172 -1.726 (2.04)** (2.62)** (1.86)* (1.66) (1.01) (2.08)** Tcrdep 0.030 (4.53)*** Depta 0.794 (1.94)* Proecred -0.001 (0.15) Proccred -0.002 (1.85)* Proetcr 1.212 (0.70)

Proeta 0.560 (0.30) Fpta -0.712 (0.46) Fptcr 0.334 (1.10) Roa 0.352 (0.36) Roe -0.019 (0.38) Tpib -0.280 (0.42) Ipc 0.825 (0.82) _cons 0.692 0.518 0.671 0.614 0.546 0.679 (4.79)*** (4.37)*** (4.78)*** (4.61)*** (3.08)*** (4.49)*** N 533 533 533 533 533 533 Prob >F 0.000 0.000 0.000 0.000 0.000 0.000 Nombre d’instrument s 8 10 12 14 14 10 Nombre de groupes 41 41 41 41 41 41 Test AR(1) 0.012 0.009 0.011 0.008 0.017 0.011 Test AR(2) 0.887 0.921 0.916 0.882 0.686 0.699 Test Sargan 0.951 0.980 0.931 0.994 0.894 0.946 Test Hansen 0.741 0.983 0.750 0.903 0.727 0.715

Notes : les valeurs entre parenthèses représentent les t statistique de Student calculé et *

p<0.1; ** p<0.05; *** p<0.01

Tableau n° 6 : Récapitulatif des résultats des estimations des équations imbriquées

Zscore(1) Zscore(7) Zscore(8) Zscore(9) Zscore(10)

L.zscore 0.457 0.477 0.519 0.551 0.543 (5.11)*** (4.65)*** (2.64)** (2.58)** (2.49)** Crnta 0.962 0.123 0.115 0.137 -0.060 (2.24)** (0.24) (0.13) (0.08) (0.04) Crestcr 0.947 0.969 1.053 0.968 0.955 (1.44) (0.79) (0.70) (0.67) (0.65) Credtcr 0.904 0.876 1.114 1.700 1.569 (2.42)** (1.20) (1.37) (1.58) (1.55) Credta -1.737 -2.234 -2.545 -3.367 -3.090 (2.04)** (1.38) (1.42) (1.54) (1.48) Tcrdep 0.029 0.031 0.033 0.033 (4.58)*** (4.46)*** (3.10)*** (3.20)*** Depta 0.808 0.672 0.828 1.018 (1.99)* (1.07) (0.64) (0.86) Proecred -0.006 -0.005 0.000 -0.001 (1.45) (1.08) (0.03) (0.11) Proccred -0.004 -0.004 -0.002 -0.001 (3.14)*** (2.44)** (0.29) (0.12) Proetcr 0.511 0.295 0.177 0.539 (0.40) (0.13) (0.08) (0.22) Proeta 0.071 0.657 0.333 -0.577 (0.04) (0.26) (0.10) (0.20) Fpta -0.543 -1.664 -1.166 (0.25) (0.54) (0.42) Fptcr 0.037 0.549 0.419 (0.07) (0.50) (0.40) Roa -0.665 -0.636 (0.59) (0.59) Roe -0.025 -0.036 (0.36) (0.52) Tpib -0.293 (0.33) Ipc 1.226 (0.90) _cons 0.692 0.517 0.488 0.505 0.472 (4.79)*** (4.31)*** (3.47)*** (2.91)*** (3.03)*** N 533 533 533 533 533

Prob >F 0.000 0.000 0.000 0.000 0.000 Nombre d’instruments 8 14 20 26 28 Nombre de groupes 41 41 41 41 41 Test AR(1) 0.012 0.009 0.006 0.010 0.012 Test AR(2) 0.887 0.851 0.907 0.955 0.871 Test Sargan 0.951 0.965 0.997 0.997 0.995 Test Hansen 0.741 0.970 0.894 0.910 0.886

Notes : les valeurs entre parenthèses représentent les t statistique de Student calculé et *

p<0.1; ** p<0.05; *** p<0.01

Source : auteur sur la base des calculs effectués sous Stata/SE 12.0

Nous avons pas à pas effectué plusieurs régressions. Ainsi, il ressort des différentes estimations plusieurs résultats. En effet, nous constatons qu’au niveau de la première estimation, les variables liées à la qualité du portefeuille de crédits donnent des résultats mitigés sur la solidité des banques. Le lien entre les variables représentant la qualité du portefeuille de crédits et le Z-score est dans son ensemble significatif au seuil de 5%, à l’exception contre toute attente, de la variable CRESTCR (le niveau de créances en souffrance par rapport au total de crédits bruts). La variable retardée influence d’une manière positive et significative la solidité de la banque (Z-score) au seuil de 1%, ce qui prouve que la solidité bancaire est dynamique. Par ailleurs, parmi les variables liées à la qualité du portefeuille de crédits, on constate que le taux de distribution de crédits nets (CRNTA) contribue d’une manière significative à la solidité au seuil de 5 % (l’augmentation d’une unité de ce rapport entraine une augmentation de la solidité de la banque d’environ 0,96). Le taux de créances douteuses (CREDTCR) avec un signe positif contredit la prédiction théorique. Cela peut être dû à la qualité des informations fournies par les banques à l’organe de supervision et même à la tarification des produits bancaires dans la zone. La variable représentant l’importance de la dégradation de la qualité des actifs, c’est-à-dire du portefeuille global des actifs de la banque (CREDTA) réduit significativement la solidité bancaire au seuil de 5 % (à ce seuil, une dégradation de la qualité du portefeuille de la banque d’une unité réduit la solidité de cette banque d’environ 1,74), ce qui confirme l’influence négatif de la dégradation du portefeuille de la banque sur la solidité bancaire. La contribution de la variable qui représente la

distribution des crédits nets par la banque (CRNTA) à la solidité bancaire confirme la prédiction théorique.

Nous pouvons ainsi avancer que la solidité d’une banque dépend de sa situation antérieure, de sa capacité à distribuer des crédits et de la qualité de son portefeuille de crédits et des actifs. Il ressort de ce modèle que l’augmentation du niveau des crédits accordés peut approfondir l’exposition des banques au risque de crédit. Cela peut être expliqué, par l’existence d’une corrélation positive entre le taux de distribution de crédits et les créances douteuses et/ou en souffrances. Ceci dit, l’augmentation du taux de distribution de crédit peut entraîner une augmentation du niveau des créances non performantes. Ce résultat rejoint le constat de Rochet (2008) par rapport à certaines crises. Cet auteur constate que certaines crises à l’exemple de la crise japonaise de 1995-1999, ont été précédées par une phase d’expansion spectaculaire du crédit bancaire.

Lorsqu’on ajoute les variables liées au risque de liquidité (DEPTA et TCRDEP), on constate que la variable CRNTA, c’est-à-dire la capacité de distribution des crédits nets par la banque devient non significative. Cependant, les variables CREDTCR et CREDTA liées à la qualité du portefeuille de crédits restent significatives au seuil de 5% avec des influences mitigées. De plus, la variable liée au niveau de créances en souffrance (CRESTCR) devient significative au seuil de 10%. En effet, lorsque le banquier tient compte du niveau de liquidité de sa structure, il peut être laxiste dans le processus d’octroi du crédit, ce qui peut l’amener à octroyer des crédits qui vont augmenter le niveau de ses prêts non performants. Toutes choses étant égales par ailleurs, l’influence de la dégradation de la qualité du portefeuille de crédits représentée par les variables CRESTCR, CREDTA et CREDTCR sur la solidité de la banque devient importante. En effet, on constate une légère augmentation des coefficients de ces variables. Le niveau de couverture de liquidité de la banque (DEPTA) influence positivement la solidité de la banque au seuil de 10% (une augmentation de la liquidité d’une unité entraine une augmentation de la solidité d’environ 0,79 à ce seuil). En même temps la fonction de transformation de dépôts en crédits (TCRDEP) par la banque contribue significativement à la solidité de la banque au seuil de 1% (à ce seuil, une augmentation d’une unité de la capacité d’intermédiation d’une banque accroît la solidité de cette banque d’environ 0,03). L’importance de cette variable dans ce modèle, voudrait dire que la capacité des banques à transformer les dépôts en crédits soit élevée. Ainsi, nous pouvons dire que le fait pour la banque de mettre l’accent sur la gestion de sa liquidité, peut la rendre solide.

En ajoutant à notre équation de départ certains indicateurs de bonne gestion définis par la réglementation COBAC, on constate un changement important dans les résultats. Pour cette équation (estimation 3), la variable liée au niveau de distribution des crédits nets (CRNTA) est significative au seuil de 5%. Les autres variables (CREDTCR et CREDTA) deviennent moins significatives (leurs seuils de significativité baissent en passant de 5% à 10%) en gardant leurs signes. Ceci montre que lorsque la qualité de gestion est bonne, il y a des fortes chances qu’on soit méticuleux dans le processus d’octroi de crédits. Cette attitude permet d’améliorer la solidité de la banque à travers l’augmentation de sa capacité à distribuer les crédits de bonne qualité. De plus, on se rend compte que la variable représentant la dégradation de la qualité du management (PROCCRED) réduit significativement la solidité bancaire au seuil de 10%. Au vu des effets des variables caractérisant la bonne gouvernance des banques dans la CEMAC, on peut dire bien que ces indicateurs soient considérés comme pertinents pour la COBAC, elles le sont moins pour notre modèle. D’où l’importance pour la COBAC de définir aussi des indicateurs qualitatifs de la gouvernance bancaire. Cependant, il faut relever l’importance de la prise en compte de ces variables, car l’introduction de ces variables dans le modèle a permis de réduire la significativité de l’influence négative de la dégradation de la qualité du portefeuille des actifs sur la solidité bancaire. Ceci permet de stabiliser ou d’accroître la solidité bancaire.

En plus des variables liées à la qualité du portefeuille de crédits, on ajoute les variables représentant le niveau de capitalisation de la banque (estimation 4). Les indicateurs du niveau de capitalisation tiennent compte des fonds propres (FPTA et FPTCR). L’activité de la banque étant essentiellement l’octroi de crédits, ces variables peuvent être considérées comme des meilleurs indicateurs de difficultés bancaires (Berger, 2010 ; Gouriéroux et Tiomo, 2007 ; Petey, 2004 et Tartari, 2002). L’introduction de ces variables révèle certains faits majeurs. En effet, la variable représentant la qualité du portefeuille des actifs de la banque (CREDTA) qui avait un signe négatif, devient non significative. Tandis que les autres variables représentant la qualité du portefeuille de crédits dont les signes sont positifs (CREDTCR et CRNTA) restent significatifs au seuil de 5%. Le niveau de significativité de la capacité à distribuer des crédits nets par les banques passe de 5% à 1%, ce qui témoigne de l’accroissement de l’importance de la distribution des crédits dans la CEMAC (une augmentation d’une unité de la capacité de distribution de crédits nets entraine une augmentation de 1,13 la solidité bancaire). Le paradoxe se trouve au niveau de l’influence du taux de créances douteuses sur la solidité bancaire. On constate que cette variable influence positivement la solidité au seuil de

5%, ce qui est contradictoire aux prédictions théoriques. Certes, la variable liée à la qualité des actifs qui influence négativement la solidité est devenue non significative, mais l’effet modérateur du niveau de capitalisation est nuancé par l’influence positive de la variable CREDTCR. En plus, on constate que les variables liées aux fonds propres ne sont pas significatives.

Introduisons les variables liées à la rentabilité de la banque (ROA et ROE) dans l’équation de départ (estimation 5). Il ressort de l’estimation de cette nouvelle équation que, le taux de crédits nets (CRNTA) accroît significativement la solidité bancaire au seuil de 5%. Le

ROE et le ROA c’est-à-dire le ratio résultat net par rapport aux fonds propres et le ratio

résultat net par rapport au total des actifs permettent de quantifier la performance de la banque par rapport à ses fonds propres et à ses actifs. En effet, lorsque la banque octroi des crédits sains, sa rentabilité augmente, indirectement ses réserves augmente et sa solidité s’accroît. En augmentant ses réserves, la banque augmente sa capacité à résister aux chocs défavorables. L’effet modérateur de ces variables est bien perceptible, car toutes les variables liées à la dégradation du portefeuille de crédits deviennent non significatives.

Pour la suite des estimations des équations avec les variables par groupe, nous avons ajouté les variables macroéconomiques. Le premier constat qui vient de cette estimation est le fait que les résultats restent presque les mêmes pour les variables liées à la qualité du portefeuille de crédits (CRNTA, CRESTCR, CREDTCR et CREDTA). Pour ce qui est des variables macroéconomiques, elles ne sont pas significatives dans l’explication de la solidité des banques. Il faut retenir de cette estimation que la pro-cyclicité des banques n’a pas un effet modérateur de l’influence de la dégradation de la qualité du portefeuille de crédits sur la solidité des banques. Une situation pro-cyclique peut plutôt amplifier les effets de la dégradation du portefeuille de crédits sur la solidité bancaire. En effet, on constate qu’avec la prise en compte des indicateurs macroéconomiques, le seuil de significativité de l’influence des variables représentant la dégradation de la qualité du portefeuille de crédits est resté à 5%. Les coefficients des variables significatives sont restés sensiblement égalent à ceux de l’équation de base. Ces remarques nous amènent à dire que la prise en compte des variables macroéconomiques peut entraîner une augmentation de la distribution de crédits, ce qui peut conduire à une hausse du niveau de créances douteuses. C’est pour cette raison que l’influence négative de la dégradation de la qualité du portefeuille des actifs ne baisse pas. Cependant, il faut dire que, malgré la mission principale de la banque qui est le financement de l’économie, le paysage bancaire de la CEMAC est caractérisé par une faible activité de

crédits (Soupmo Badjio, 2009). Certaines études montrent que, cette faible activité de crédits peut être due à des éléments tels que : la difficulté de la diffusion de l’information, l’inadéquation de l’environnement institutionnel et l’inefficacité du système judicaire (Godlewski, 2005). Il n’est donc pas surprenant que les variables mesurant la qualité du portefeuille de crédits des banques soient statistiquement significatives pour un modèle de solidité bancaire dans la CEMAC.

Pour apprécier l’effet collectif de certains indicateurs, nous avons procédé à des estimations des équations imbriquées. Il ressort de ces estimations plusieurs résultats intéressants, car l’effet modérateur ou amplificateur de la prise en compte conjointe de certains groupes de variable est perceptible. En effet, au niveau du tableau n° 6, on constate que le fait de prendre conjointement les variables liées à la liquidité et celles liées à la qualité de gouvernance de la banque (estimation 7) permet de neutraliser les effets néfastes de la dégradation de la qualité du portefeuille de crédits sur la solidité bancaire. Dans cette équation toutes les variables liées à la qualité du portefeuille de crédits deviennent non significatives. Cependant, la fonction de transformation des dépôts en crédits (TCRDEP) est significative au seuil de 1% et le niveau de dépôts dans le total des actifs (DEPTA) au seuil de 5%. Toutefois, la contribution de ces deux variables à la solidité bancaire, peut être réduite significativement jusqu’au seuil de 1% par une mauvaise politique de gouvernance (PROCCRED).

Lorsqu’on y ajoute les variables liées au niveau de capitalisation à l’équation précédente (estimation 8), l’effet modérateur de l’ensemble de ces variables s’améliore. Toutes les variables liées à la qualité du portefeuille de crédits restent non significatives et le seuil de significativité de la variable représentant la mauvaise gouvernance passe de 1% à 5%. Même comme le niveau de dépôt devient aussi non significatif, la fonction de transformation de dépôts reste significative au seuil de 1%. En ajoutant les variables représentant la rentabilité de la banque, on a un modèle presque complet avec l’ensemble des variables liées à la banque (estimation 9). L’estimation de cette équation montre que toutes les variables ayant un signe négatif auparavant deviennent non significatives. Seule la variable liée à la transformation des dépôts en crédits (TCRDEP) est significative au seuil de 1%. Ainsi, l’effet néfaste de la dégradation de la qualité du portefeuille de crédits est réduit, ce qui permet de maintenir ou d’accroître la solidité bancaire. Ce résultat est consolidé par la prise en compte des variables macroéconomiques (estimation 10).

Pour l’appréciation de l’effet modérateur ou amplificateur dans les équations imbriquées, il se dégage deux principaux constats. Premièrement, on constate que la fonction

d’intermédiation représentée par la transformation des dépôts en crédits (TCRDEP) est restée significative au seuil de 1%. Ceci témoigne de l’importance de la finance indirecte dans la CEMAC. Ce résultat démontre que la surliquidité est nocive pour la solidité des banques. Deuxièmement, lorsque toutes les variables internes et les variables macroéconomiques sont conjointement prise en compte, seule la transformation des dépôts en crédits reste significative au seuil de 1% dans le modèle. La prise en considération de ces variables aura permis de neutraliser l’effet néfaste de la dégradation de la qualité du portefeuille de crédits sur la solidité (la différence des variables significatives entre l’estimation 1 et l’estimation 10). Pour cela, les banquiers pour n’est pas subir les effets de la dégradation de la qualité de leurs portefeuilles de crédits, doivent mettre en place des politiques prenant en compte tous les aspects internes de la banque et l’environnement macroéconomique.

Ces résultats conduisent à la validation de notre hypothèse une intitulée : « la prise en compte simultanée des indicateurs individuels de type CAMEL et des indicateurs macroéconomiques améliorent la solidité bancaire ». En effet, on constate que lorsqu’on prend en considération toutes les variables individuelles et les variables macroéconomiques, seule la variable représentant l’activité d’intermédiation bancaire à travers la transformation des dépôts en crédits reste significative au seuil de 1% avec un coefficient positif. Ainsi, tous les effets négatifs des autres variables se trouvent neutralisés par la prise en compte simultanée des variables individuelles et macroéconomiques.

Pour la validité de nos estimations, nous avons effectué plusieurs tests. Il ressort des différentes estimations que la variable retardée de la variable dépendante est significative d’où la confirmation de la qualité dynamique de notre modèle. En plus, pour toutes ces estimations, les tests AR(2) d’Arellano et Bond rejettent au seuil de 5% l’hypothèse d’autocorrélation d’ordre deux, ce qui confirme l’absence d’un effet AR(2). Par ailleurs, les tests de sur-identification de Sargan ou de Hansen, valident le choix des instruments pour toutes nos équations. Le modèle dans sa globalité est significatif au seuil de 1%, selon les résultats du test de Fisher. Pour la robustesse de ces résultats, nous avons utilisé la méthode Least Squares Dummy Variable Corrected (LSDVC). Les résultats obtenus par cette méthode sont relativement proches de ceux obtenus par la méthode de Blundell et Bond (1998).

Conclusion

Pour l’analyse de la relation qui existe entre la qualité du portefeuille de crédits et la solidité bancaire, nous avons opté pour un modèle dynamique du Z-score. En effet, l’indicateur Z-score nous semble contenir toute l’information sur la santé financière de la banque. La performance ajustée du risque et la couverture du risque de portefeuille de crédits par les fonds propres de la banque sont contenues dans cet indicateur (Goyeau et Tarazi, 1992). Ensuite, nous avons défini comme variables explicatives, cinq catégories des variables individuelles : les variables liées à la qualité du portefeuille de crédits ; les variables liées au risque de liquidité ; les variables liées à la qualité de gestion ; les variables liées au niveau de capitalisation et les variables liées à la rentabilité. Compte tenu de l’environnement macroéconomique dans lequel évolue la banque, nous avons ajouté aux variables individuelles deux variables macroéconomiques. Pour apprécier les effets des groupes de variables de contrôle sur la relation établie entre la qualité du portefeuille de crédits et la solidité bancaire, nous avons ainsi procédé à plusieurs estimations. Pour ces estimations, compte tenu du modèle dynamique et du type des données, nous avons utilisé la MMG en système de Blundell et Bond (1998).

Globalement, nous constatons que les différents modèles sont significatifs. De ces différents modèles, il ressort plusieurs constats. Lorsqu’on estime le Z-score en fonction des variables liées à la qualité du portefeuille de crédits, on constate une influence ambiguë et significative de la dégradation de la qualité du portefeuille de crédits au seuil de 5%. Au regard des signes des différentes variables liées à la qualité du portefeuille de crédits, le débat sur la relation qui existe entre la qualité du portefeuille de crédits et la solidité bancaire reste encore mitigé. Ce résultat confirme le débat théorique sur l’influence de la qualité du portefeuille de crédits sur la santé financière de la banque. Les variables liées à la qualité de gestion quant à elles ne sont pas significatives dans l’ensemble, mais leur présence dans le modèle joue un rôle modérateur important. Le degré de significativité de l’influence de la dégradation de la qualité du portefeuille de crédits sur la solidité des banques baisse en présence des variables liées à la qualité de gestion. Pour ce qui est du niveau de capitalisation, l’effet modérateur de la présence de ces variables, reste ambigu. Cependant, la présence de ces variables améliore la significativité de la variable liée à la distribution de crédits et indirectement la solidité bancaire. En prenant en considération les variables macroéconomiques, on constate que l’influence de la dégradation de la qualité du portefeuille de crédits sur la solidité des banques ne s’améliore pas. La prise en compte de ces variables