II.3.3 Méthodes et techniques de traitement de
données
Pour le traitement de nos données, nous avons choisi la
méthode empirique. Cette méthode nous a amené à
choisir la technique économétrique. Nous avons choisi de la
régressionlogistique parce qu'elle correspond
parfaitement au traitement de variable nominal et dans le cas présent,
il s'agit de l'accès ou non au financement.
Nous avons choisi de suivre le modèle
présenté par Kertous et Mayoukou(2015)dans leur travail sur
l'accès au crédit individuel par les clients de microfinances au
Congo. Ces derniers ont estimé un modèle probit de la forme
suivante pour la demande :
Pour l'obtention du crédit, ils ont estimé le
modèle probit suivant :
Dans le cas de notre étude, nous allons estimer un
modèle logit pour la demande et l'obtention du crédit
contrairement aux deux auteurs. Nous allons d'abord estimer les facteurs
liés à la demande de crédit, qui sera dans un premier
temps notre variable dépendante. Cette variable prendra la valeur 1 si
la PME a demandé un crédit et 0 si non. Nous voulons voir si
l'inclusion financière et l'auto exclusion sont des facteurs qui
expliquent que les PME n'ont pas accès au financement. Ce modèle
se présentera sous cette forme :
Où
-PSGAR représente le fait de ne pas avoir de garantie
à donner pour emprunter
-DELREM représente le délai de remboursement du
crédit
-AUTOEXCLU représente l'Autoexclusion du demandeur au
crédit bancaire
-BANCA représente le fait que le demandeur soit
non-bancarisé
-SOUSINF représente la sous information du demandeur
par rapport au crédit bancaire
-TXINE représente le fait que les taux soient
élevés
Nous allons ensuite estimer l'obtention du prêt par
rapport aux variables indépendantes que nous avons choisies. Dans ce
deuxième modèle, la variable dépendante prendra la valeur
1 si la PME a obtenu le crédit et 0 si non. Ces variables sont entre
autres l'âge de l'entreprise, l'enregistrement de l'entreprise,
l'appartenance à plusieurs institutions et le secteur d'activité.
Le modèle logit de l'obtention du crédit se présentera
sous la forme suivante :
Où
-Obtentioncred représente l'obtention du
crédit par les pme
-Sexe représente le sexe du demandeur
-AGENTRE représente l'âge de l'entreprise
- DOCOM représente le fait d'être enregistré
ou encore le fait d'avoir les documents commerciaux
-NBINSTDEM représente le nombre d'institution
où la pme a sollicité un crédit.
-SERVICE représente une entreprise évoluant dans le
secteur des services
-COMMERCE représente une entreprise évoluant dans
le secteur commercial
-AUTRES représente les autres secteurs
d'activité
Après estimation de ces modèles, nous nous
attendons à obtenir les résultats suivants selon le signes des
variables :
|
Variable indépendantes
|
Signes attendus
|
|
Autoexclusion
|
-
|
|
Non Bancarisation
|
-
|
|
Taux d'intérêt élevé
|
-
|
|
Délai de remboursement
|
-
|
|
Manque de garantie
|
-
|
|
Manque d'information sur le crédit
|
-
|
|
Enregistrement
|
+
|
|
Age de l'entreprise
|
+
|
|
Nombre d'institutions où on a fait la demande de
crédit
|
+
|
|
Entreprise de service
|
+
|
|
Entreprise commercial
|
+
|
|
Autres entreprises
|
-
|
| 
