Le modèle de mesure de la rentabilité bancaire

By 21 January 2014

IV.2.5.3.2 – Modèle de mesure de la rentabilité bancaire

Pour Nouy, (1992) Les autorités prudentielles utilisent plusieurs instruments d’appréciation de la rentabilité. Ces derniers se répartissent en trois grandes catégories :

Une première approche consiste à appréhender la rentabilité du système bancaire par l’examen des soldes intermédiaires de gestion, notamment le produit net bancaire (PNB), le résultat brut d’exploitation (RBE), le résultat d’exploitation ou résultat avant impôt et le résultat net (RN) ainsi que par le poids des frais généraux (F G) sur les performances des résultats bancaires.

La seconde approche de mesure de rentabilité consiste à analyser les coûts, les rendements et les marges. Cela est essentiellement motivé par la nécessité de prendre en compte l’ensemble de l’activité bancaire, y compris les activités de service et de hors-bilan.

La troisième approche comprend l’ensemble des ratios d’exploitation calculés afin de mettre en évidence les structures d’exploitation. Il s’agit notamment du coefficient global d’exploitation qui montre de façon synthétique la part des gains réalisés qui est absorbée par les coûts fixes; Le coefficient de rentabilité (return on equity, ROE) qui exprime le rendement du point de vue de l’actionnaire et ne recoupe pas forcement les besoins de l’analyse financière (Koffi, YAO,). C’est en nous inspirant de cette dernière approche que nous avons définit les variables qui peuvent capter la rentabilité bancaire au sens de cette étude.

IV.2.5.3.2.1 – la rentabilité des fonds propres ou return on equity (ROE)

La littérature attribue aux dépôts un rôle ambigu dans la production bancaire. Tandis que l’approche d’intermédiation les considère comme un facteur de production additionnel qui est nécessaire au financement des activités de crédit, l’approche de production traite plutôt les dépôts comme un produit bancaire (FORTIN et LECLERC, 2010). On suggère notamment que l’approche à privilégier dépend du contexte (Berger et Mester, 1997).

Les variables fonds propres net (FPN), total actif (TA), crédit bancaire (CBanc), dépôts bancaire (DBanc) sont des variables qui ont été loguées (logarithme) pour les ramener à l’échelle. Car elles sont supposées non linéaires (Athanasoglou et al (2008)).

D’où le modèle de long terme suivant :

ROEt = β0 + β1 DBanct + β2 CBanc t + β3 FPSA t + β4 DPSDTt + β5 TA t +
β6 RRSAt + β7 RTCSTDt + β8ETIt + β9FPNt + εt Où
β0, β1, β2, β3, β4 β5, β6, β7, β8 sont les paramètres à estimer
εt est le terme d’erreur.

IV.2.5.3.2.2 – la rentabilité des actifs ou return on asset (ROA)

Ce modèle suit le précédent

ROAt = α0 + α 1DBANCt + α 2 CBanc t + α 3 FPSA t + α 4RRSAt + α 5 ETI t
+ α 6 DPSDTt+ α 7CSDt + α8TAt + α 9FPN + εt
Où les α0, α 1,…, α t sont les coefficients à estimer
εt est le terme d’erreur.

Ce modèle ressort le fait que les déterminants de la rentabilité bancaire peuvent se regrouper en facteurs internes et externes comme on le rencontre dans la littérature économique.

IV.2.5.3.3- Test de cointégration

Dans la littérature, les tests de cointégration les plus utilisés sont ceux de Johansen et Engle et Granger. Ce test permet la vérification d’une relation entre deux ou plusieurs variables en éliminant le risque de régression falacieuse. Puisque le test de cointégration d’Engle et Granger (1987) vérifie la cointégration entre plusieurs variables, c’est ce dernier qui sera utilisé dans la suite de ce travail. Nous allons dans ce travail estimer la relation de long terme par les MCO. Le test de cointégration effectué sur nos deux modèles relève une relation de cointégration dans les deux modèles.

Pour tous les modèles présentés ci-haut, il est important de faire les tests économétriques de diagnostic et de validation des modèles.

IV.2.6 Tests de diagnostic

On distingue plusieurs tests de diagnostic entre autres :

– Test de racine unitaire :

Du fait du problème de rareté de la stationnarité des variables économiques et financière, il est toujours important de vérifier la stationnarité des séries étudiées. Il existe dans la littérature plusieurs méthodes de vérification de la stationnarité ou non d’une série. On note la méthode graphique (qui ne fourni qu’une indication quant’ à la stationnarité ou non), la fonction d’auto corrélation et le test de racine unitaire. Il est donc important de faire un test de racine unitaire. Les tests de Dickey Fuller, de Dickey Fuller augmenté (DFA) et de Phillips Perron sont les plus utilisés pour vérifier la stationnarité des séries. Du fait que le test de Dickey Fuller s’effectue en supposant que les termes d’erreur suivent une loi normale alors, que celui de Dickey Fuller augmenté (DFA) tient compte de l’auto corrélation des erreurs dans le temps, c’est le test de DFA et celui de Phillips Perron qui en plus de l’auto corrélation des erreurs prend en compte la cointégration des variables que nous allons utiliser ici.

– Test de cointégration :

Il est utilisé quand les séries ne sont pas stationnaires à niveau et intégrées de même ordre.

– Test de Ramsey :

Il permet de voir si le modèle soufre de l’omission d’une ou plusieurs variables pertinente en introduisant une variable fictive.

IV.2.7 – Tests de validation du modèle

– Test de l’autocorrélation de Breusch-Godfrey (BG):

L’autocorrelation des résidus rend caduque les commentaires sur la validité des modèles ou des tests statistiques, il convient de tester l’autocorrelation des erreurs par le test de BG.

– Test d’hétéroscédasticité de WHITE :

Il permet de voir si les erreurs sont homoscédastiques ou non. L’hétroscédasticité qualifie les données ou les séries qui n’ont pas une variance constante. Or les séries doivent être homoscdastique pour présenter les meilleurs résultats.

– Test de Student :

Il est utilisé lorsque l’échantillon est inférieur à 30

H0 : le paramètre n’est pas significativement différent de 0
H1 : le paramètre est significativement différent de 0

Le tcal valeur estimée du paramètre =(valeur estimée – valeur réelle)/écart type de la valeur estimée du paramètre.

Le calcul de cette valeur nous permet de la comparer à la valeur lue dans la table qui est : tcal=tα/2(n-k-1) pour une valeur de α choisie. Si tcal<tlue,alors on accepte H0 et on conclut que le paramètre n’est pas significatif

– Test de significativité de Fisher

Il s’effectue sur la base de la valeur du coefficient de détermination R2, on a : FCal = (n-k)R2/(k-1)(1-R2), cette valeur est comparée à celle lue dans la table de Fisher à (k-1,n-k-1)degré de liberté.

H0 : tous les paramètres du modèle sont nuls
H1 : au moins un paramètre est différent de zéro.

– Test de normalité de Jarque-Bera :

Il permet de savoir si les variables du modèle suivent une loi normale ou non. L’hypothèse de normalité précise la distribution statistique des estimateurs.

Lire le mémoire complet ==> (Octroi de crédit et rentabilité des banques commerciales au Cameroun)
Thèse présentée en vue de l’obtention du diplôme de Master of science (M. Sc) en Sciences Economiques.
UNIVERSITE DE DSCHANG – ECOLE DOCTORALE
Unité de Formation Doctorale des Sciences – Economiques et de Gestion