Memoire Online - Mesure de l'efficacité technique des banques commerciales de la CEMAC (Communauté Economique et monitaire de l'Afrique Centrale )

L'analyse en composantes principales est une méthode d'analyse des données appliquée sur un tableau rectangulaire individus-variables où N individus sont décrits par P variables quantitatives. Elle a pour but d'obtenir un résumé synthétique des informations contenues dans le tableau de données. Elle permet ainsi d'analyser les proximités entre les individus, les corrélations entre les variables, les individus et les variables simultanément.

Notre objectif dans cette analyse est de pouvoir regrouper les banques qui ont eu des performances similaires durant toute la période de l'étude. Nous disposons ainsi d'un tableau rectangulaire²¹ comportant 24 banques décrites chacune par 48 scores mensuels sur toute la période de l'étude. Les moyennes mensuelles des scores pour tout l'échantillon sur toute la période de l'étude sont consignées dans le tableau ci-dessous.

Janv 01	Févr 01	Mars 01	Avr 01	Mai 01	Juin 01	juil- 01	Août 01	Sept 01	Oct 01	Nov 01	Déc 01
0,716	0,660	0,687	0,718	0,704	0,714	0,695	0,695	0,700	0,672	0,657	0,693
Janv 02	Févr 02	Mars 02	Avr 02	Mai 02	Juin 02	juil- 02	Août 02	Sept 02	Oct 02	Nov 02	Déc 02
0,660	0,718	0,665	0,496	0,753	0,739	0,736	0,722	0,730	0,704	0,703	0,770
Janv 03	Févr 03	Mars 03	Avr 03	Mai 03	Juin 03	juil- 03	Août 03	Sept 03	Oct 03	Nov 03	Déc 03
0,684	0,669	0,661	0,669	0,605	0,679	0,685	0,692	0,444	0,654	0,729	0,715
Janv 04	Févr 04	Mars 04	Avr 04	Mai 04	Juin 04	juil- 04	Août 04	Sept 04	Oct 04	Nov 04	Déc 04
0,688	0,771	0,706	0,693	0,714	0,711	0,724	0,693	0,721	0,728	0,720	0,803

L'application d'une ACP normée à notre tableau rectangulaire sous le logiciel SPAD nous a permis d'obtenir les résultats suivants :

Mois	Numéro	Valeur Propre	Pourcentage	Pourcentage ^cumulé
Janvier	1	27,71	57,74	57,74
Février	2	5,93	12,36	70,10
Mars	3	3,38	7,06	77,16
Avril	4	1,86	3,88	81,04
Mai	5	1,58	3,29	84,.33
Juin	6	1,23	2,58	86,91
Juillet	7	1,10	2,31	89,22
Août	8	0,97	2,04	91,26
Septembre	9	0,92	1,92	93,18
Octobre	10	0,74	1,54	94,72
Novembre	11	0,57	1,19	95,91
Décembre	12	0,40	0,83	96,75

L'inertie totale du nuage des individus et des variables dans une ACP normée est égale au nombre de variables actives (48 dans notre cas). L'examen du tableau des valeurs propres cidessus permet de constater que le premier axe factoriel avec une inertie de 27,71 explique 57,74 % de l'inertie totale du nuage. Le deuxième axe quant à lui n'explique que 12,36 % de l'inertie du nuage. Les deux premiers axes factoriels expliquent ainsi à eux seul 70,10 % de l'inertie totale du nuage. Nous pensons que ce pourcentage d'inertie cumulée est satisfaisant pour pouvoir mener nos interprétations à partir des deux premiers axes factoriels. D'autre part, si chacune des 24 banques contribuait à part égale à la détermination des axes, la contribution de chacune devrait être de 100/24 = 4,16 % pour la détermination de chaque axe.

La matrice donnant les coordonnées des variables sur les axes factoriels (en annexe2) laisse entrevoir que la quasi-totalité des variables sont corrélées positivement au premier facteur. Ce qui signifie que pour toutes les banques bien représentées sur cet axe avec une coordonnée positive, les scores mensuels ont été supérieurs aux moyennes mensuelles pratiquement sur toute la période de l'étude. De même, pour toutes les banques bien représentées sur cet axe, mais plutôt avec une coordonnée négative, les scores mensuels ont été inférieurs à la moyenne presque sur toute la période de l'étude. L'examen du nuage des banques ci-dessous permet de constater que le premier axe factoriel oppose deux groupes de banques à gauche et à droite de l'origine. Le premier groupe situé à droite de l'origine est constitué essentiellement de banques camerounaises et gabonaises dont la plupart ont eu des scores mensuels supérieurs aux moyennes mensuelles des scores sur toute la période.

Le deuxième groupe situé à gauche de l'origine est constitué essentiellement des banques des autres Etats de la CEMAC. Les banques de ce groupe qui sont bien représentées sur le premier facteur, ont eu des scores mensuels inférieurs aux moyennes mensuelles des scores sur toute la période.

Le deuxième axe factoriel quant à lui oppose également deux groupes de banques au dessus et en dessous de l'origine. La matrice des coordonnées des variables sur les axes factoriels montre que toutes les variables correspondants à l'année 2001 sont négativement corrélées au deuxième facteur. Ce qui signifie que pour les banques bien représentées sur cet axe avec une coordonnée négative, les scores mensuels ont été supérieurs aux moyennes mensuelles durant toute l'année 2001. Il s'agit notamment des banques gabonaises situées en dessous de l'origine dont les contributions sur le deuxième facteur sont supérieures à la contribution moyenne de ce facteur. De manière analogue, les banques bien représentées sur cet axe plutôt avec une coordonnée positive, ont eu des scores mensuels inférieurs aux moyennes mensuelles durant toute l'année 2001. L'on constate que la quasi-totalité des autres variables sont faiblement et positivement corrélées au deuxième facteur.

v' Les banques gabonaises et camerounaises (et certaines banques Tchadiennes), dont la plupart ont eu des scores élevés pratiquement sur toute la période de l'étude ;

v' Les banques des autres Etats de la CEMAC dont certaines ont eu des scores tantôt élevés, tantôt faibles, et d'autres des scores faibles sur toute la période de l'étude.

La figure ci-dessous représente l'arbre hiérarchique obtenu en appliquant l'algorithme de Ward à notre tableau rectangulaire constitué des banques en ligne et des scores mensuels en colonne.

Cet arbre met effectivement en évidence une similarité entre la plupart des banques gabonaises et camerounaises ainsi que certaines banques tchadiennes. En effet, en adoptant un regroupement en trois classes, on constate que la première classe est essentiellement constituée

de banques gabonaises et camerounaises ainsi que de deux banques tchadiennes. La deuxième classe quant à elle, est constituée essentiellement de banques camerounaises et tchadiennes, et d'une banque gabonaise (la moins performante au Gabon). Enfin la dernière, comporte toutes les banques centrafricaines et équato-guinéennes, ainsi que l'unique banque congolaise de notre échantillon. On retrouve également dans cette classe, une banque camerounaise (la moins performante au Cameroun), et une banque tchadienne (la moins performante au Tchad).

En définitive, il ressort de ce chapitre que les banques commerciales de la CEMAC ne gèrent pas optimalement les ressources mises à leur disposition. Elles produisent des quantités de crédits inférieures à ce qui est techniquement possible à partir des ressources dont elles disposent. Ce qui justifie le fait que la production des crédits bancaires semble ne pas couvrir entièrement les besoins d'investissements dans la sous-région. Ce chapitre révèle également que les banques gabonaises et camerounaises semblent avoir été dans l'ensemble les plus efficaces dans la transformation de leurs ressources en crédits entre 2001 et 2004.

L'investissement productif étant le moteur de la croissance économique, il convient donc afin d'assurer son financement, de rechercher les facteurs sur lesquels on pourrait agir pour améliorer l'efficacité technique des banques de la CEMAC. Ce qui nous amène à estimer le modèle économétrique présenté au chapitre suivant.

Mesure de l'efficacité technique des banques commerciales de la CEMAC (Communauté Economique et monitaire de l'Afrique Centrale )

2.2 Analyse en composantes principales (ACP) et classification des

banques de la CEMAC