Rentabilité des banques commerciales en R.D. Congo. Une analyse économétrique en données de panel.

SECTION II. PRESENTATION DES RESULTATS

Le traitement des données se fait à l'aide du logiciel E-views 6 et Stata 11. 2.1. STATISTIQUES DESCRIPTIVES

Tableau 3.3. Statistiques descriptives

Variables	Obs.	Moyenne	Ecart-type	Minimum	Maximum
ROA	42	1.346623	1.705477	0.0279251	10.26532
TB	42	25.67214	0.8797342	23.04978	27.12935
RCP	42	0.1055604	0.0395871	0.0480444	0.1947059
RCA	42	0.4039151	0 .1279691	0.2039009	0.8252997
TI	42	19.22143	7.701033	9.3	34.59
LPIBH	42	5.151307	0.0504834	5.077958	5.231206
RTSB	42	4.150651	2.81951	1.479542	9.981854
RCB	42	0.5701738	0.1184107	0.336123	0.6931543

Au regard du tableau ci-haut, nous remarquons que le ROA a été en moyenne positif avec un pic de 10.26532 réalisé par la BCDC en 2009 et un creux de 0.0279251 réalisé par la BIC en 2006.

En moyenne, la taille des banques est presque la même à quelques exceptions près. La RAWBANK est la banque qui détient la plus grande taille avec un score de 27.129 en 2012 et la PROCREDIT BANK détient la plus faible note de 23.04978 en 2006.

Les ratios capitaux propres ont été trop volatiles avec un pic de 0.1947 et un creux de 0.048.

Le ratio crédit accordé a été très volatile et son écart type le prouve bien avec une valeur maximale de 0.048 et un pic de 0.2039

Les restes des variables n'ont visiblement pas trop changé durant la période sous étude.

Egalement pour ce qui est de l'analyse de corrélation, il sied de signaler une absence de la multicolinéraité entre les variables.

^BIC

^BCDC

^BIC

^BIC

^TMB

^BIC

^RAWBANK

^TMB

^BIC

^BCDC

^PROCREDIT

^TMB

^BIAC

^BCDC

^RAWBANK

Page 52

Le graphique ci-après permet de visualiser le comportement tendanciel de la rentabilité des banques exprimée en ROA.

Figure 3.1. Evolution de la rentabilité des banques

^BCDC

^{2006 2008 2010 2012}

^annee

^{ROA Fitted values}

^BCDC

^{PROCREDIT BCDC}

^TMB

^BCDC PROCREDIT RAWBANK

^{PROCREDIT RAWBANK RAWBANK}

BIAC BIAC ^RAWBANK RAWBANK BIC

BIAC BIAC

^PROCREDIT

^BIC

L'évolution de la rentabilité a été presque la même dans toutes les banques excepté la BCDC qui a connu une évolution spectaculaire durant la période 2008 et 2010 pendant la crise financière de subprime.

2.2. RESULTAT DE L'ESTIMATION38

2.2.1. Investigation

L'investigation permet de nous rassurer que nos séries sont stationnaires et de déterminer l'ordre d'intégration. Ainsi, les données collectées doivent être testées avant de les soumettre à l'estimation.

BALTAGI (2001) et HSIAO (1986) indiquent que la méthodologie des données de Panel contrôle l'hétérogénéité individuelle, réduit les problèmes associés avec la multicolinéraité et les biais des estimations, comme elle spécifie une relation variable dans le temps entre les variables indépendantes et celle dépendante³⁹.

³⁸ Notons que les estimations ont été effectuées avec le logiciel E-views 6 et STATA 11, et les outputs des estimations sont placés en annexe.

³⁹ MAMOGHLI C., DHOUIBI R., op cit, P26

Page 53

L'estimation par les moindres carrés ordinaires (MCO) sur des données de panel présuppose l'homogénéité des individus qui composent l'échantillon, sinon les estimateurs seront biaisés.

L'hétérogénéité des valeurs moyennes des variables explicatives et de leurs écarts-types entre les différentes banques de l'échantillon, montre la nécessité de tests complémentaires afin de pouvoir choisir l'estimateur approprié.

A. Test d'homogénéité⁴⁰

L'idée du test d'homogénéité est de vérifier si les données de Panel sont homogènes ou hétérogènes.

L'hypothèse de recherche (H1) stipule que la structure modèle de panel est hétérogène ou présence d'effets par contre l'hypothèse nulle (H0) stipule la structure du modèle de panel est homogène ou absence d'effet.

Puisque la statistique de Fisher calculée est supérieure au Fisher lue dans la table (autrement La probabilité critique de la statistique de Fisher (0.0000) est inférieure au seuil de signification), nous pouvons conclure que la structure du modèle de données panel est hétérogène.

B. test de la bonne spécification du modèle Nous formulons comme hypothèse :

H0 : le modèle est bien spécifié ( =0) H1 : le modèle est mal spécifié ( ?0)

La probabilité associée à la statistique de RAMSEY est supérieure à 0,05 (prob?F=0,0822). (Voir annexes A.2.2.)

⁴⁰ Ce test est également appelé test de la structure de panel. Si la structure est hétérogène, il est recommandé d'abandonner la spécification du modèle de donnée panel et d'estimer, pour chaque groupe d'individus, un modèle de MCO.

La statistique du test d'homogénéité suit une distribution de Fisher à (N-1, NT-N-K) degré de liberté et se calcule comme suit :

= ;

Avec R carré du modèle à effets fixes (MCO dummy variable) =R carré du

modèle pooled (MCO empilé), m=le nombre de variables explicatives du modèle LSDV, k : le nombre de variables explicatives du modèle à effets fixes (LSDV), T est la taille de l'échantillon.

Page 54

C. Le test de HAUSMAN⁴¹

Le test de HAUSMAN nous permet de discriminer les effets fixes des effets aléatoires.

Le test de spécification de Hausman (1978) repose sur le corps d'hypothèses suivant :

H0 : E ( ) = 0 (les estimateurs du modèle à erreurs composées sont efficaces.)

H1 : E ( ) 0 (les estimateurs du modèle à erreurs composées sont biaisées.)

La statistique du test est la suivante : H=

Où MEF et MEC désignent respectivement le modèle à effet fixes et les modèle à erreurs composées.

Etant donné que la probabilité critique (p-value) de la statistique chi-carré (0.9191) est supérieure au seuil de significativité de 5%, nous acceptons l'hypothèse nulle selon laquelle il n'y a pas de différence significative entre les coefficients estimés du modèle à effets fixes et ceux du modèle à effets aléatoires.

Nous pouvons choisir entre le modèle à effets fixes ou aléatoires). D'où il est intéressant de faire le test de Breusch-Pagan pour faire discriminer entre les deux modèles.

Ho : H1 :

Où désigne la variance de l'erreur spécifique à l'individu, )

Le test de Breusch-Pagan ou test du multiplicateur de Lagrange permet de valider empiriquement le choix d'une structure à erreurs composées. Le corps d'hypothèses à tester est le suivant :

⁴¹ Cette statistique est asymptotiquement distribuée selon une chi-deux à K degrés de liberté, soit le nombre de facteurs variables dans le temps, introduits dans le modèle.

Si le test est significatif (p-value < 5%), on retient les estimateurs du Modèle à effets fixes qui sont non biaisés. Dans le cas contraire on peut choisir soit le modèle à effets fixes ou le modèle à effets aléatoires.

Page 55

La statistique du test est basée sur les résidus estimés par les MCO. Elle prend la forme suivante :

LM=

Comme la probabilité du test est 0.0749 0.05, on accepte l'hypothèse nulle.

Le test rejette la spécification d'une structure à erreurs composées. Donc, le modèle retenu est à effets fixes ou Last squares dummy variables.

C'est à ce titre que les tests de diagnostic concernant la stationnarité ou test de racine unitaire seront appliqués. Apres application des tests de racine unitaire, le tableau suivant résume les différents résultats obtenus après la mise en application du test de racine unitaire sur chaque variable.

Tableau 3.4. Test de la racine unitaire en données de panel

VARIABLES		TESTS UTILISES		ORDRE D'INTEGRATION	CONCLUSION
	ADF	PP	Levin, Lin & Chu
ROA	0.0047	0.0346	0.0000	I(0)	Stationnaire à niveau
TB	0.0007	0.0000	0.0000	I(0)	Stationnaire à niveau
RCP	0.3468	0.9407	0.0000	I(0)	Stationnaire à niveau
RCA	0.0004	0.0000	0.0000	I(0)	Stationnaire à niveau
TI	0.8232	0.7622	0.6256	I(1)	Non stationnaire
LPIBH	1.0000	1.0000	0.9931	I(1)	Non stationnaire
RTSB	1.0000	0.9190	1.0000	I(1)	Non stationnaire
RCB	0.0018	0.0000	0.0000	I(0)	Stationnaire à niveau

Le tableau suivant résume les différents résultats obtenus après la mise en application du test de la stationnarité en données de panel portant sur le test de Augmented Duckey-Fuller, Fisher et Khi carré (ADF - Fisher Chi-square), Phillip Perron, Fisher et Khi carré (PP - Fisher Chi-square) ; Fisher, Levin, Lin & Chu ; Breitung ; Im, Pesaran and Shin ; Hadri sur chaque variable.

			Page 56
Tableau 3.5. Résultat de l'estimation
Méthodes d'estimation
Moindres carrés ordinaires (OLS)				Moindres carrés généralisés (GLS)
Modèle	(I)	(II)	(III)	(IV)
Régresseurs
Constante	-10.54	-211.80	-71.03	-231.35
	(-0.08)	(-1.32)**	(-0.54)	(-6.44)***
Taille de la banque	0.49	-2.67	-0.44	-2.69
	(0.78)*	(-1.48)**	(-0.41)	(-10.07)***
Capitaux propres	-4.94	-10.62	-4.85	-10.61
	(-0.72)	(-0.99)*	(-0.56)	(-6.64)***
Crédits accordés	-1.55	-2.26	-1.46	-2.09
	(-0.69)	(-0.78)*	(-0.57)	(-6.13)***
Taux d'inflation	0.07	0.17	0.09	0.18
	(1.10)*	(2.29)***	(1.62)**	(8.93)***
Croissance économique	0.28	55.33	16.66	59.34
	(0.01)	(1.43)**	(0.56)	(7.11)***
Taille du secteur bancaire	0.20	-0.34	-0.25	-0.43
	(-0.37)	(-0.71)*	(-0.52)	(-4.34)***
concentration bancaire	-2.41	-5.55	-3.33	-6.61
	(-0.29)	(-0.74	(-0.46)	(-4.58)***

Obs. 42 42 42 42

Note : les valeurs entre parenthèses renvoient aux statistiques de t de Student. * seuil de signification : 10% ;** seuil de signification : 5% ; *** seuil de signification : 1%. I et II représente respectivement l'estimation du modèle sans effet, à effets fixes et aléatoires. IV représente l'estimation du modèle à effets fixes sur GLS ou la methode SUR (Seemingly Unrelated Regression connu également sous le nom de la régression multi variée ou la méthode de Zellner).