Facteurs de non accès au financement des PME dans la ville de Lubumbashi

III.2 Estimation des modèles, interprétation et validation des résultats

Dans cette section, nous allons présenter les différents modèles et les résultats que notre étude nous a permis d'obtenir. Nous commencerons d'abord par présenter le modèle de la demande de crédit et nous présenterons ensuite le modèle de l'obtention du crédit.

III.2.1 Modèle économétrique de la demande de crédit

Pour obtenir les résultats économétriques de la demande de crédit, nous avons estimé le modèle 1qui est détaillé dans la méthodologie de notre travail. Cette estimation nous a donné les résultats du tableau suivant :

Tableau 18 Résultats de l'estimation de la demande de crédit

Variable explicatives	Coefficient	P-value
Pas de Garantie à donner	-0,0242983	0,001
Délai de remboursement	-0,0138802	0,052
Autoexclusion	-0,0257574	0,004
Non bancariation	-0,0126813	0,025
Sous information	-0,0119194	0,090
Taux d'intérêt élevés	-0,0138208	0,054
	R^2 de McFadden=0,9020
	R^2 ajusté=0,8753
	Khi-deux=471,693 [0,0000]

Dans notre étude, nous avons choisi six variables pour expliquer la demande de crédit. Il s'agit de Pas de garantie à donner, Délai de remboursement, Autoexclusion, Non Bancarisation, sous information sur le crédit et taux d'intérêt élevé. De manière générale tous les coefficients de ces variables ont un impact négatif sur la demande de crédit.

Pour déterminer la significativité de nos variables nous allons nous référer à la p-value. Le seuil de signification que nous avons choisi pour mener cette étude est de 5%. Une variable est considérée comme significative si sa p-value est inférieure au seuil de signification choisi. Les variables significatives de ce modèle sont : pas de garantie à donner, Autoexclusion, Non Bancarisation. La probabilité qu'une PME fasse une demande de crédit diminue respectivement de 2% à mesure que l'entreprise n'a pas de garantie à fournir, de 3% à mesure que l'entreprise s'autoexclue et de 1% à mesure que l'entreprise n'est pas bancarisée.

La régression que nous avons faite nous a donné la valeur du coefficient de détermination (R²). Le R² nous permet de mesurer la qualité de la prédiction de notre modèle. Dans le cas d'une régression multiple, le R² ne saurait fournir une qualité de prédiction fiable puisqu'il devient sensible au nombre de variable explicatives qu'on choisit. Voilà pourquoi on recourt au R² ajusté.Ce dernier n'est pas sensible au nombre de variable. Ce dernier augmente uniquement dans le cas oùla nouvelle variable ajoute une bonne capacité de prédiction au modèle. Dans ce premier modèle, la valeur du R² ajusté est de 0,88. Cela signifie que les variables que nous avons choisies expliquent la demande de crédit à 88%. En plus du R², nous avons le test de Khi-deuxqui nous renseigne sur la significativité de notre modèle. Puisqu'il est inférieur à 5% on peut conclure que notre modèle est significatif. Nous pouvons, au vu de ses résultats, dire que notre modèle est adapté.

Le modèle estimé a prédit99,48% de bonnes réponses. Sur les 226 PMEs qui ont sollicité le crédit (Demande=1), nous avons eu 225 bonnes réponses et sur les 158 PMEs qui n'ont pas sollicité le crédit (Demande=0), nous avons eu 157 bonnes réponses.