|
Réglementation prudentielle: incidence sur le capital et le risque. Etude de cas: banques tunisiennespar Oumaima Lassoued Universite Tunis El Manar - Masterère de recherche en sciences de gestion spécialité: finance 2016 |
Section 2 : méthodologie de rechercheI) description d'échantillonnage 1) l'objectif d'étude et les échantillons L'objectif de notre recherche est d'expliquer l'impact de la réglementation prudentielle sur le capital et la prise de risque des banques des banques commerciales Tunisiennes pendant la période 2005 à 2014. Dans cette partie, nous allons tout d'abord, décrire notre échantillon et la période sur laquelle nous avons mené notre étude. Ensuite, nous définissons et identifions les mesures de nos variables (dépendants, indépendants et de contrôle) afin de construire nos modèles. Notre échantillon est constitué de neufbanques tunisiennes qui sont cotées sur la Bourse de Valeur Mobilière (BVMT). Il s'agit de BNA, BH, STB, Attijari Banque, ATB, UBCI, BIAT, BT et L'Amen Bank La limite de nombres de banques dans l'échantillon c'est à cause de l'indisponibilité des données Ainsi,le choix de banques des dépôts se justifie par le fait que ces banques représentes le pole le plus important du système bancaire tunisien 2) Choix de support de collecte de données Notre étude à pour but d'étudier la divulgation des informations financières, c'est pour cela nous préférons les rapports annuels en tant que source principale de collecte. . En effet, en plus de rapports collectés des sites web des banques concernées, nous avons consulté d'autres sites web. On peut citer principalement : Erreur ! Référence de lien hypertexte non valide., www.bvmt.com.tn afin de gâter l' insuffisance d'information qui n'est pas disponible dans les sites de l'établissement concerné. II) Définitions et mesures des variables Nous allons définir en premier lieu, les variables dépendantes et par la suite, les variables explicatives 1) Les variables indépendantes : Risque : Elle est mesurée par le ratio des provisions pour pertes sur prêt devisées par la l'actif totale. Les provisions pour pertes sur prêts représentent les fonds mis de coté par les banques pour couvrir les pertes imprévus causées par les mauvais prêts. Une augmentation du montant de prêt douteux en résulte une augmentation de montant cumulé des dispositions. Cette mesure a été utilisé par Aggrawal et Jacques (2001) pour examiné la qualité de l'actif. Capital : Approché par le rapport entre les fonds propres et le total actif, plusieurs études ce mesure (Shrieves et Dhal (1992) ,Rinx (2001) , Awedeh(2011). 2) Les variables explicatives : La taille : La taille de la banques peut influer sur le capital et le risque grâce à l'économie d'échelle ou par les biais de sa relation avec les diversifications des risques, des opportunités d'investissement et l'Access au capital ( Rime (2001) , Altanbas et al (2007) on utilisé cette approche . Le logarithme nature du l'actif total utilisé pour proxy la taille de la banque Rentabilitédes actifs (ROA) : ROA indique l'efficacité avec laquelle la banque gère ses actifs ; L'utilisation de ROA semble plus approprié que le rendement des capitaux propres (ROE) parce que les actifs ont effet direct sur les dépenses que le revenu . cependant le ROA ignore les activités hors bilan et donne la même importance aux différentes actifs , alors que certains d'entre eux ont un risque plus élevé que l'autre . Nous prédisions une relations positive entre ROA et le Niveau de Capital car banques comptent davantage sur le ressources internes étant donné le développement dans le cadre de marché financière tunisien . ROA est défini comme l résultat opérationnel net rapporté à l'actif total La liquidité : on utilise le ratio de prêt sur l'actif total. Une valeur élevée de ce ratio indique que la liquidité est faible puisque la banque prêté jusqu'à . ainsi une relation positive entre la liquidité et le risque est attendue La pression réglementaire : une variable fictive prenant la valeur de l'unité dans els années où un nouveau cadre réglementaire est mise en oeuvre ( mise en oeuvre de nouvelle exigences de fonds par la BCBS et les autorités de pays ) ou lorsque la banque détient un niveau de capital < 8% , et égale à zero autrement . Nous nous attendons à ce que l'augmentation de la pression réglementaire positive (négative) influer sur le niveau du capital (risque). Tableau5 : descriptions de variables :
3) Présentation de modèle à estimer : Nous sommes intéressés par l'impact de la réglementation prudentielle sur le capital des banques et la prise de risque. Pour cela, nous spécifions un modèle qui relie soit la capitalisation ou le risque à des variables explicatives telles que la taille, la liquidité, ROA, et la pression réglementaire. Contrairement aux hypothèses de l'ajustement partiel effectué dans les études précédentes, dans cet étude , nous supposons que les banques Tunisiennes sont capables d'ajuster instantanément leurs niveaux de risque et de capital. Selon l'hypothèse de la réglementation, une relation positive doit exister entre le niveau de capital et les incitations à prendre des risques. En effet, le capital agit comme un tampon; de sorte que les banques doivent augmenter leur niveau de capital en réponse à une augmentation du risque. Une autre hypothèse est expliquée par le problème de l'aléa moral · Interaction entre le capital réglementaire et le risque : Nous essayons d'identifier les interactions de la réglementation prudentielle sur l'augmentation de capital de la banque et la réduction du risque de crédit. Pour cela, nous allons utiliser les équations simultanées pour capturer l'interrelation entre les changements dans le capital des banques et des risques. La stratégie est que les variables endogènes (risque, capital) peuvent être utilisés comme variables explicatives dans notre modèle. Après Shrieves et Dahl (1992), Rime (2001), et Altunbaset al. (2007), Bougatef et Mgadmi ont spécifié un système d'équations comme suit : Equation1: Equation 2 Risk =
CAP = capital Size = taille Liquidity = liquidité ROA = rendements sur actifs REG = pression réglementaire Les indices (i) et (t) des variables dépendants et de la variables indépendants correspondent respectivement à la banque et à la période de l'étude. Section III : Présentation, Analyse et Interprétation de résultats Dans le cadre de cette section, nous allons tout d'abord présenter, ensuite analyser et interpréter les résultats enlevés via les estimations effectuées sur les variables. Eviewes 8 c'est le logiciel qui sera utilisé pour effectuer les estimations nécessaires. Nous allons débuter par l'analyse statistiques des ces variables, par la suite les testes de spécifications de modèles de régressions I) Analyse descriptive de variables Une présentation descriptive de variables aura lieu avant la présentation de matrice de corrélation 1) Statistiques descriptives de variables Tableau 6 : Statistique descriptive
Dans ce tableau nous étudions la moyenne, les valeurs maximum et minimum ainsi que l'écart type de différents variables. Autant que, nous analysons la normalité qui vise à modéliser les erreurs sur la base de deux dimensions de mesure à savoir le Skewness et le Kurtosis. En effet, le Skewness permet de mesurer le degré de symétrie d'une variable aléatoire. Alors que le Kurtosis c'est la mesure du degré d'aplatissement de la densité considérée. Une variable est dite parfaitement symétrique lorsque le Skewness est égale à zéro alors qu'une variable aléatoire est dite plate lorsque le Kurtosis est inférieur à 3. Comme peut le voir , le niveau de capitalisation varie d'un minimum de -1,62% à un niveau élevé 17 ,48% indiquant qu'il y a au moins une banque dans la quelle le ratio de capita lest largement inferieur au minimum requis . La moyenne de cette variable est égale à 8,25% ce qui suggère que les banques Tunisiennes sont en moyen suffisamment capitalisées .D'où la distribution est pointue donc leptokutotique car le kurtotsis est supérieure à 3 d'où égale à 4, 69 or qu'une asymétrie vers la droite d'où la distribution de Swekness est 0,33. La variable risque varie entre 0,25% et 13,6% .La valeur faible de ce variable indique que les établissements bancaires Tunisiennes ont été très réticents à traiter avec des mauvaises clients, nous remarquons ainsi que les observations de Kurtotsis sont de 3,352 est supérieure à 3 donc une distribution plus atteint un sommet d'un distribution normal à aplatissement positif et les observations de Swekness 0,54 une asymétrie vers la droite car supérieure à 0. La moyenne de retours sur actifs (ROA) est égale à 0,7% ce que suggère que les banques ne sont pas parfaitement profitable. Nous considérons que les distributions de Kurtosis sont 22 ,56 supérieure à 3 donc la distribution est pointue ainsi que les observations de Swekness -2,89 qui sont inferieure à 0 d'où une asymétrie vers la gauche. La moyenne de liquidité est égale à 78,02% ce qui indique que les activités de ces banques ont principalement axées sur la fourniture de prêts. Cette preuve peut être expliquée par le fait que le système financier Tunisien est fortement basé sur la banque . Il est noté également que la taille de la banque est égale en moyenne 22% , elle atteint une valeur minimum 21,2% et une valeur maximum 22,9% 2) Présentation de matrice de corrélation Le coefficient de corrélation r est une mesure d'association (d'indépendance) entre deux variables métriques. Elle mesure l'intensité de la Co-variation entre les deux variables. Cette mesure est standardisée (c'est-à-dire, elle ne dépend pas de l'unité utilisée pour chaque variable), et est comprise entre -1 et +1. Plus que le coefficient est proche de 1 en valeur absolue, plus les variables sont dites corrélées : Si r est proche de 1, ceci signifie que les deux variables varient dans le même sens Si r est proche de -1, ceci signifie que les deux variables dans en sens inverse l'une de l'autre La condition fondamentale de la régression linéaire est l'absence du problème de multiconlinéarité suite à une forte corrélation entre les variables explicatives Tableau7 : Matrice de corrélation de variables
Le tableau nous permet de vérifier l'absence ou non de la corrélation entre les différentes variables de notre modèle. D'après ce tableau, nous remarquons que les corrélations entre les variables explicatives sont faibles indiquant l'absence de multicolinéarité. Un seul coefficient de corrélation est supérieur à 0,5, ce qui nous fait confortable pour les employer simultanément dans les modèles. D'où la variable Liquidité et Retours sur actif (ROA) sont positivement corrélés l'un de l'autre pour atteindre 0,05 ; Nous remarquons ainsi que la pressions réglementaire (PREG) et ROA sont ainsi corrélés avec une valeur qui s'élève à 0,22 ; une corrélation négative entre le risque et toutes les autres variables tandis que le variable capita lest corrélés positivement avec retours sur actifs (ROA) et la pression réglementaire (PREG). II) Les méthodes d'estimations Certains avantages peuvent être avancés pour l'utilisation des données de panel par rapport aux données en coupe ou chronologiques. Les données de panel présentent généralement moins de multicollinéarité que des données en coupe ou des données chronologiques et permettent des estimations plus précises des paramètres. La complexité des comportements des individus étudiés est souvent mieux décrite les problèmes soulevés. Il existe plusieurs méthodes d'estimation. Le choix de la méthode dépend des hypothèses que l'on effectue sur les paramètres et sur les perturbations. Lorsque l'on considère un échantillon de données de panel, la toute première chose qu'il convient de vérifier est la spécification homogène ou hétérogène du processus générateur de données. Sur le plan économétrique, cela revient à tester l'égalité des coefficients du modèle étudié dans la dimension individuelle. Sur le plan économique, les tests de spécification reviennent à déterminer si l'on est en droit de supposer que le modèle théorique étudié est parfaitement identique pour tous les pays, ou au contraire s'il existe des spécificités propres à chaque pays. 1) Test de normalité de résidus on commence tout d'abord par « test de normalité de résidus » Comme chaque testd'hypothèse, il faut poser une hypothèse nulle à valider : H0: les données suivent une loi normale. H1: les données ne suivent pas une loi normale Ici on applique le test de normalité de Jarque Bera dont l'hypothèse nulle est celle de normalité des résidus. La règle de décision consiste à accepter cette hypothèse si la statistique de Jarque Bera JB est inférieure à 5.99. Le tableau () présente les résultats estiment en utilisant la technique de MCO (moindre carrées ordinaires), la statistique de Jarque Bera est égale à 0,052 pour le premier modèle et 0,05 pour le deuxième modèle donc les résidus du modèle sont donc normaux. 2) Test d'existence des effets individuelsIl faut signaler tout d'abord le caractère d'homogénéité ou d'hétérogénéité des nos données. Pour ce faire, le test de Fischer nous permet de conclure la présence ou non des effets spécifiques dans la spécification du modèle. Par ailleurs, si la p-value associée à la statistique du test est inférieure à á% (un seuil de risque choisi), on rejette l'hypothèse nulle d'absence d'effets spécifiques au seuil de risque de á%. Donc, le test est réalisé sous l'hypothèse d'absence d'effets spécifiques (Ui = 0) H0 : á1 = á2 =... = áN = á : pas d'effet spécifique. H1 : Il existe (i, j) € (1,N) tel que ái ? áj : existence d'effet spécifique. Soit la statistique de Ficher (F) associée à ce test qui nous aiderons à vérifier ses hypothèses. Si la Prob (F-statistic) est supérieure à 5%, alors on accepte l'hypothèse nulle d'égalité des constantes (ái). Dans le cas contraire on rejette H0 Tableau 8 : Résultats du test de présence d'effets individuels : A) Equation 1 : CAPITAL
La probabilité jointe à la statistique du teste est égale à 1,1007 qui largement supérieure à 5% ; dans ce cas, on accepte l'hypothèse nulle d'absence d'effets individuels B) Equation 2 : RISQUE
La probabilité associée à la statistique de test est égale à 0,1886 qui est largement inferieure à 5% , dans ce cas nous rejetons l'hypothèse nulle d'absence d'effets individuels. Cela signifie qu'il est préférable d'introduire les effets individuels dans le modèle.En outre, la taille de la banque mesurée par le logarithme naturel de l'actif total a un signe négative et non significatif pour les deux modèles . La liquidité est positivement liée au risque, mais il n'a aucun effet significatif sur le capital. La liquidité est positivement liée au capital, mais il n'a aucun effet significatif sur le risque ; Ce résultat indique que lorsque la banque est prêté jusqu'à, sa liquidité devient faible et à son tour ses augmentations de risque . Enfin, les pressions réglementaires n'ont aucun effet significatif dans les deux modèles. A partir de ce résultat nous confirmons l'existence des effets individuels spécifiques à chaque banque. Dans ce cas et pour connaitre la spécificité de ces effet, la question qui se pose est la suivante : Existe-t-il Effet MCO regroupée un effet fixe ou effet aléatoire » ? Les moindres carrés à deux étages (2MCO) sont utilisés lorsque certaines des variables secondaires de droite sont endogènes. Dans notre étude, nous considérons le capital et le risque en tant que variables endogènes. L'utilisation de 2MCO nécessite la spécification des instruments efficaces qui sont corrélés avec des variables explicatives. Pour cela, nous utilisons la capitale retardée et le risque décalé comme des instruments appropriés. les résultats d'estimation en utilisant 2MCO sont présentés dans l'annexe(1) . Ainsi, l'utilisation des variables dépendantes décalées semble nécessaire de résoudre ce problème. Tout d'abord, nous avons effectué l'équation d'estimation en utilisant la méthode des effets de régression fixe (Dans estimateurs) avec des variables instrumentales. 3) Test Hausman 1987 C'est une test de spécification des effets individuels qui permettre de déterminer si les effets existent des deux estimations (aléatoire et fixe) sont statistiquement différents. Il permet aussi de conclure en faveur de l'un de ces deux effets. Techniquement, il sert à différer les effets fixes de l'effet aléatoires. Ce test vise à vérifier deux hypothèses :
Ainsi, si la Prob (Chi2) est supérieure au seuil de 5%, nous acceptons l'hypothèse nulle ce qui implique l'existence d'un effet aléatoire, et le modèle moindres carrés généralisés sera appliqué. Dans le cas contraire, on affirme l'existence d'un effet fixe et modèle Moindres Carrés Ordinaires sera appliqué. Par la suite, on rejette H0.
Tableau 9 : Résultat Test hausman A) Equation 1 : CAPITAL
B) Equation 2 : RISQUE
4) Test- Wald Mais après l'estimation le test dernier ne nous donne pas un résultat pertinent donc on fait recours à test wald. Le test de Wald, proche du test de score, sert spécifiquement à tester la nullité d'un ou plusieurs coefficients, en particuliers de tous sauf la constante. Dans notre étude on l'utilise pour savoir qu'est le modèle à choisir entre modèle moindres carrés ordinaires regroupes ou modèle à effet fixe · Wald -test, utilisé pour test si variable fictive nulle ou non Le principe du test est le suivant : Ho : modèle moindres carrées ordinaires regroupées (si le p value >5%) H1 : modèle à effet fixe (si non) Tableau 10 : résultats Test-Wald A) Équation 1 : CAPITAL
Donc on constate que probabilité de F-statistic , de chi-square sont inferieure à 5%donc on rejette l'hypothèse nulle et on accepte l'hypothèse 1 car la test nous informe que le modèle fixe et plus approprié pour la modèle 1 ( capital ) B) Equation 2 : RISQUE
Donc on constate que probabilité de F-statistic, de chi-square sont inferieure à 5%donc on rejette l'hypothèse nulle et on accepte l'hypothèse 1 car la test nous informe que le modèle fixe et plus approprié pour la modèle 2 ( Risque ) III) Présentation et interprétation des résultats d'estimation du modèle 1 (capital) 1) Présentation et interprétations des résultats : Méthode d'estimation : Effet Fixe Tableau 11 : résultats Méthode d'estimation : Effet Fixe A) Modèle(1) CAPITAL : Méthode d'estimation : Effet Fixe
L'analyse de tableau nous a permis de ressortir la relation entre Capital et la variable risque retardée d'où dans l'équation de Capital la variable instrumentale risque a un signe négative statistiquement non significative. La rentabilité des actifs mesuré par (ROA) a une signe négative cela peut s'expliquer par le fait que la taille de la banque augmente, moins elle est rentable .cette interprétations est affirmée par plusieurs auteurs d'où les grandes banques en terme de total actif , sont le plus reconnus à être moins performants ( Boy et Runk 1993 , Mak et Ong 1999, Kwar 2003). Taille et Liquidité exercent des effets négligeables et insignifiants sur la Capital . B) Modèle 2 (RISQUE) : Méthode d'estimation : Effet Fixe
D'après la tableau ci-dessus la variable instrumentale Capital n'aucune relation significative avec le risqué ainsi que les autres variables explicatives n'ont aucune relation avec la variable dépendent dans cette équation 2) Présentations et interprétions de résultats des résultats d'estimation : méthodes de moindres carrés ordinaires à troisième stage · Effet interactif direct et indirect de la réglementation Pour détecter les interrelations directes et indirectes entre le capital réglementaire et la prise de risque dans les banques Tunisiennes, nous adoptons la méthode d'équations simultanées. La technique de moindres carrés à troisième étage (MCO3), MCO 2 a été utilisé pour estimer simultanément le système d'équations.MCO 3 est la version MCO 2 de la régression sans corrélation apparente (SUR). L'avantage de méthode est d'estimer les paramètres du modèle en même temps et il est tenu compte d'une éventuelle corrélation entre les termes d'erreur. Le principe de cette méthode est basée sur deux niveaux de la technique de MCO 2 et l'ajout d'une troisième étape consiste à utiliser la méthode de moindres carrés ordinaires pour estimer simultanément tous les coefficients du modèle, et enfin en déduire les effets de la réglementation prudentielle sur le capital bancaire et le niveau de risque. Tableau 12 : Moindres carrés ordinaires à troisième stage
Le tableau montre que les interactions entre la capitalisation et le niveau de risque dans la première équation (capital) positivement à l'ordre de 1% (0,833533 , P value 0,0000 ) , suggérant que les besoins en capitaux augmentent certainement le ratio de fonds propres ,en poussant l'établissement à prendre plus de risque , donc une augmentation de capital est suivie par augmentation de risque , ce résultat corrobore avec les résultats précédents de « Aggarval et Jacques 2001 » pour le contexte Américain ; « Awdeh (2011) » ; « Rime 2001 » pour les Banques Swisses , or que ce résultat contredit avec les résultats « Bougatef et Mgadmi 2015 » pour les pays de MENA ; « Mongid et al 2012 » pour les pays ASEAN. Dans l'équation de Capital, les rendements sur l'actif (ROA) (0,914004, P-value 0,0561) est positivement associé au ratio de capital, cette relation positive est très significative à 1% .Altanbus et al 2007 ont montré que ROA, peut conduire à une amélioration de capital, les banques comptent sur rendements sur actifs pour améliorer leur capital au lieu d'investir dans d'autres activités particulièrement la Titrisation. La variable Taille est positivement significative ( 0,019803 ; P-value 0,0000) ; suggère que les grandes banques facilitent de leurs accès au marché de capitaux, ce qui contredit avec le résultat (Aggrawal et Jacques 2001) ; Bougatef et Mgadmi (2015) La première impression dans la deuxième équation est que tous les variables sont significatifs sauf la pression réglementaire. La variable taille a un signe significatif négatif (-0,009536 ; P-value 0,0000) suggérant que les grandes banques ont tendance à réduire leur niveau de risque. Ce résultat peut être expliqué par le fait que les grandes banques ont plus d'expérience dans la gestion de leurs niveaux de risque par la diversification (Altunbas et al 2007). Ce résultat collabore avec le résultat de (Bougatef et Mgadmi (2015) pour les banques de Pays de MENA). La pression Réglementaire n'a pas un effet significative sur la prise de risque (0,000632 P-value 0,6596) cela s'explique peut être par la faiblesse de cadre institutionnel et réglementaire de la Tunisie ce résultat corrobore avec le résultat de Awdeh et al 2007 pour les banques Libanaises ; Bougatef et Mgadmi 2015 pour les banques de pays de MENA or que la même variable a une relation positivement significative avec la ratio de capital (0,013719 ; P-value 0,0000) donc , les fonds propres de la banques sont plus réglementés plus renforcé sur ce ratio . On peut dire que malgré que les fonds propres sont réglementés mais aucune réglementation significative sur la prise de risque. La variable liquidité est non significative dans la première équation (capital) (0,009252 ; P-value 0,1170) cela (Altundbas et al 2007)) ils ont conclu que plus grand volume de prêts est associée à une plus grande capitalisation (cas des banques commerciales et des banques coopératives) ; or que dans la deuxièmes équation (risque) il existe une relation négativement significative (-0,019960 ; P-value 0,0000). Tableau ( 13): Synthèse des résultats
|
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
et 
= coefficients 
et 
= les effets individuelles