Vous êtes sur la page 1sur 14

Recherche en commerce international et finance 43 (2018) 1–14

Listes de contenu disponibles sur ScienceDirect

Recherche en commerce international et finance

page d'accueil Journal: www.elsevier.com/locate/ribaf

Article pleine longueur

Inclusion financière et croissance économique dans les pays de l'OCI

Dai-Won Kim une , Jung-Suk Yu b , M. Kabir Hassan c , •


une School of Urban Planning & Real Estate Studies, Dankook University, 152, Jukjeon-ro, Suji-gu, Yongin-si, Gyeonggi-do 448-701, Corée du Sud
b School of Urban Planning & Real Estate Studies, College of Social Science, Dankook University, 152, Jukjeon-ro, Suji-gu, Yongin-si, Gyeonggi-do 448-701, Corée du Sud

c Department of Economics and Finance, College of Business Administration, University of New Orleans, LA 70148, États-Unis

ARTICLEINFO ABSTRAIT

JEL classi fi cation: Cet article examine la relation entre fi l'inclusion financière et la croissance économique dans les pays de l'Organisation de la
C33 coopération islamique (OCI). Afin de tirer des résultats multilatéraux, nous avons mis en place les données du panel pour 55 pays de
C54 l'OCI et estimé non seulement l'estimation du panel dynamique, mais aussi les tests de causalité du panel VAR, IRF et panel
F43
Granger. Sur la base des résultats des estimations de panel dynamiques, nous fi et que fi l'inclusion nancière a un e positif ff ect sur la
O11
croissance économique. Les résultats IFR tirés de l'analyse VAR par panel suggèrent que fi l'inclusion nancière a un e positif ff ects sur
P52
la croissance économique et fi l'inclusion nancière et la croissance économique ont des causalités réciproques basées sur les tests
Mots clés:
de causalité du panel Granger. Par conséquent, il semble raisonnable de conclure que fi l'inclusion nancière a un e positif ff ect sur la
Inclusion financière
croissance économique dans les pays de l'OCI.
Croissance économique

Panel d'estimation dynamique Panel


VAR

1. Introduction

Au cours des dernières décennies, fi l'inclusion financière a reçu beaucoup d'attention de la part des chercheurs, des politiciens et d'autres fi parties prenantes nancières. C'est parce
que les preuves de la recherche internationale e ff orts a révélé qu'il existe une relation entre les niveaux de
fi exclusion financière et croissance économique ou pauvreté. L'inclusion financière, telle que traitée dans cette étude, signifie la facilité d'accessibilité et la disponibilité des fi services financiers,
tels que dépôt bancaire, crédits, assurances, etc., pour tous les participants à une économie. En d'autres termes, un haut niveau d'inclusivité dans un fi société nancière signifie que les
circonstances dans lesquelles la majeure partie d'une économie ' s les participants utilisent des fi les systèmes nanciers leur permettent de bénéficier fi t de fi services financiers et poursuivre la
stabilité de leur capital.
Dans les sociétés à faible taux de fi l'inclusion financière, cependant, de nombreuses personnes fi problèmes financiers dus à l'indisponibilité de fi services nanciers. On sait que plus de
2,5 milliards de personnes se voient refuser l'accès à fi services nanciers dans le monde ( GPFI, 2011 ), ce qui signifie qu'environ 30% de la population mondiale est fi nancièrement exclu et a
des problèmes avec fi stabilité financière. 1

D'un autre côté, les musulmans, qui représentent environ 1/4 du monde ' s population, se permettent volontairement d'être fi exclus financièrement. La raison en est que le courant fi Le
système nancier va à l'encontre du système de règles religieuses islamiques appelé Shari'a. Au cours des dernières décennies, cependant, grâce à l'émergence de la charia fi des produits
financiers et des assurances, qui permettent fi exceptions nancières conformément à un fl interprétation exible de la charia, qui joue un signi fi ne peut pas jouer un rôle dans l’amélioration du
niveau de fi l'inclusion financière des pays islamiques, il y a beaucoup de préoccupations croissantes ( Banque mondiale, 2013; Mohieldin et coll., 2011 ). Les résultats de la recherche sur fi l'inclusion
financière des pays islamiques aura de l'importance pour les raisons suivantes: Premièrement,

• Auteur correspondant.

Adresses mail: dw2613@gmail.com (D.-W. Kim), jsyu@dankook.ac.kr (J.-S. Yu), mhassan@uno.edu (MK Hassan).
1 Selon la Fiche de données de la population mondiale 2013 ( Bureau de référence démographique, 2013 ), la population mondiale a atteint 7.136.796.000 en 2013.

http://dx.doi.org/10.1016/j.ribaf.2017.07.178
Reçu le 30 décembre 2015; Reçu sous sa forme révisée le 25 octobre 2016; Accepté le 6 juillet 2017
Disponible en ligne le 18 juillet 2017
0275-5319 / © 2017 Elsevier BV Tous droits réservés.
D.-W. Kim et coll. Recherche en commerce international et finance 43 (2018) 1–14

s'attendait à ce que la demande prospective de fi les services nanciers augmenteront au fur et à mesure que la variété des plaintes relatives à la charia fi les produits financiers augmentent,
puisque le niveau actuel de participation au fi le marché financier est remarquablement bas. Ainsi, la recherche sur les pays islamiques présentera des informations utiles sur la relation entre fi inclusion
nancière et croissance économique.
Deuxièmement, la plainte de la charia fi la nance a beaucoup retenu l’attention en tant que véhicule d’investissement alternatif car, par rapport aux fi services nanciers, plainte relative à
la charia fi les produits financiers ont des caractéristiques spéculatives relativement faibles. Par conséquent, en examinant le rôle de fi l'inclusion financière dans l'économie islamique sera un
travail significatif, car la plainte de la charia fi les produits nanciers ont su ffi potentiel de développement efficace.

Dans ce contexte, cette étude examine l'in fl uence de fi inclusion nancière sur le di ff utilisation de la charia-plainte fi systèmes nanciers sur le développement économique en estimant la
relation dynamique entre fi inclusion nancière et croissance économique. Afin de remplir fi Dans le but de cette étude, nous examinons la relation dynamique entre fi l'inclusion financière et le
développement économique en utilisant les données de panel des pays de l'Organisation de la coopération islamique (OCI). La procédure de cette étude est organisée comme suit:
Premièrement, nous sélectionnons des variables proxy pour fi l'inclusion financière et le développement économique dans les pays de l'OCI, et mettre en œuvre l'analyse dynamique des
données de panel pour des régions géographiques distinctes.

En appliquant cette approche, on s'attend à ce que nous puissions examiner de plus près fl uence de fi inclusion financière sur le développement économique dans les pays de l'OCI et
extraire des informations utiles. Deuxièmement, afin d'explorer la relation dynamique des variables proxy, nous examinons les fonctions de réponse impulsionnelle (IRF) des méthodologies
d'autorégression vectorielle de panel (VAR). En utilisant cette approche, on s'attend à ce que nous puissions examiner les relations globales des variables et que nous puissions tirer des
informations plus significatives en comparant les résultats de l'analyse dynamique des données du panel. Troisièmement, nous analysons les tests de causalité du panel de Granger afin
d'examiner la direction des variables, nous pouvons ainsi observer s'il existe une relation causale entre fi inclusion nancière et développement économique dans les pays de l'OCI.

Le reste du document est organisé comme suit: Section 2 fournit une revue de la littérature; Section 3 décrit les données et la mesure indirecte de fi inclusion nancière et croissance
économique; Nous décrivons l'estimateur de la méthode généralisée des moments (GMM) par panneau dynamique Arellano-Bond ( Arellano et Bond 1991 ) et la méthodologie Panel VAR
dans la section 4 ; Nous analysons les résultats empiriques dans la section 4 ; et concluez l'article dans la section 5 .

2. Revue de la littérature

Le terme " fi inclusion nancière " a reçu beaucoup d'attention depuis la fin des années 1990, car la question de l'élaboration des politiques des personnes socialement exclues et les
études de recherche sur la fi l'exclusion financière des personnes socialement exclues est apparue ( Leyshon et Thrift, 1993, 1994, 1995; Collard, 2010 ). Plus tard, Kempson et Whyley
(1999) enquêter sur le type de personnes exclues de la fi systèmes de financement en Grande-Bretagne et soulignent qu’une fi Le service financier pour les personnes à faible revenu est un
compte bancaire de base. D'autre part, le rapport prébudgétaire 2004 ( Trésorerie HM, 2004a ) met en œuvre des mesures pour améliorer fi l'inclusion nancière, comme un accès facile à

fi intermédiaires financiers, services de crédit appropriés et conseil en dette en face à face ( Treasury HM, 2004b; Collard, 2010 ). Contrairement au début des années 2000, où les
recherches abordaient la question du concept de base fi l'inclusion financière et les caractéristiques de la fi classes exclues financières, après la fin des années 2000, les études de
recherche ont eu tendance à se centrer sur la question
fi les mesures d'inclusion financière et la relation entre fi inclusion nancière et développement économique.
Naceur et Samir (2007) ont examiné la relation entre fi développement nancier et croissance économique de 11 pays de la région MENA (Moyen-Orient et Afrique du Nord). Bien que
cette étude n'ait pas ' t mentionner directement le terme ' fi inclusion nancière ', l'instrument, tel que ' indice de développement bancaire ' et ' crédit au secteur privé ', pour mesurer fi le niveau de
développement financier a beaucoup de similitude avec le fi inclusion financière. Le résultat empirique de cette étude a montré que le développement des banques avait un e ff ect sur la
croissance économique. A propos de ce résultat, Naceur et Samir (2007) interprété que sous-développé fi Les systèmes nanciers de la région MENA entravent la croissance économique.

Sarma et Pais (2011) examiner la relation entre l'indice de développement humain (IDH) 2 et l'indice d'inclusion financière (IFI) 3 et fi et qu'il existe une corrélation étroite entre eux. En
particulier, ils suggèrent que les facteurs socio-économiques et liés aux infrastructures tels que le revenu, les inégalités, l'alphabétisation, l'urbanisation et l'infrastructure physique pour la
connectivité et l'information jouent un rôle important dans fi inclusion financière.

Pradhan et coll. (2016) a présenté un résultat empirique de la relation entre la pénétration du marché de l'assurance, qui
fi facteurs d'inclusion financière et croissance économique. Cette étude a examiné l'interaction de causalité de la pénétration du marché de l'assurance, de la masse monétaire, de la
capitalisation boursière et de la croissance économique en se concentrant sur le Forum régional (ARF) de l'Association des nations de l'Asie du Sud-Est (ASEAN). Dans le résultat de
l'analyse, il a révélé que toutes les variables sont co-intégrées et mutuellement causales. Cette étude a conclu qu'il existe une causalité bidirectionnelle à court terme entre le marché de
l'assurance et la croissance économique.
D'un autre côté, d'un autre point de vue, Boukhatem (2016) a fourni les résultats de l'analyse fi développement nancier e ff ect sur la pauvreté. Cette étude a examiné la contribution du
niveau de fi développement financier à la réduction de la pauvreté dans 67 pays à revenu faible et intermédiaire - Période 2012. Selon le résultat de cette étude, une amélioration de fi nancier

2 L'IDH (Indice de développement humain) est un indice lié aux vies et aux qualités humaines et publié par le Programme des Nations Unies pour le développement. L'IDH est une statistique composite qui inclut l'espérance de vie,

le niveau d'éducation, les indices de revenu, le taux d'analphabétisme, etc. pour chaque pays et évalue le niveau de développement et de progrès humain.

3 IFI (Index of Financial Inclusion) a été développé par Sarma (2008) et est une méthode de calcul d'un pays ' niveau de fi inclusivité financière. Afin de capturer des informations sur les différents aspects de fi l'inclusion

financière, l'IFI comprend la pénétration bancaire, la disponibilité des services bancaires et l'utilisation du système bancaire ( Sarma et Pais, 2011 ).

2
D.-W. Kim et coll. Recherche en commerce international et finance 43 (2018) 1–14

développement directement e ff effets sur la réduction de la pauvreté. En d'autres termes, une augmentation de la masse monétaire ou du crédit bancaire contribue à améliorer le bien-être
des pauvres et à fi la transaction nancière conduit à une opportunité d'accumulation d'actifs et à une consommation fluide. D'autre part, une autre analyse résulte fi L'instabilité financière
entraîne une augmentation de la pauvreté et une diminution du bénéfice fi t de
fi le développement nancier fournit un justi fi cation pour la stabilité de fi systèmes nanciers.
Afin d'explorer l'état de fi l'inclusion nancière dans la région Moyen-Orient et Afrique du Nord (MENA), Pearce (2011) évalue les obstacles, les opportunités et les priorités pour
améliorer la région ' s fi accessibilité des services financiers. Cette recherche recommande que le gouvernement et les régulateurs établissent des cadres juridiques et de surveillance et
soutiennent fi stratégies d'inclusion financière afin d'améliorer l'accessibilité des fi systèmes nanciers.

Dans le cadre des études de recherche sur l'amélioration fi inclusion nancière, Allen et coll. (2012) a estimé quels types de facteurs et de politiques peuvent accroître l'utilisation des comptes bancaires

formels, en utilisant 124 000 points de données provenant de 123 pays. S'appuyant sur les résultats de l'analyse qui suggéraient que les faibles coûts et la grande accessibilité augmentaient l'utilisation des

comptes, cette recherche suggère de réduire les obstacles par des moyens tels que des comptes à frais modiques, de simples exigences en matière de documentation, etc., pour améliorer fi l'inclusion

financière afin d'élargir le nombre d'utilisateurs de comptes et d'encourager une utilisation plus fréquente des comptes.

Demirguc-Kunt et Klapper (2012) analysé les économies, les crédits, les méthodes de paiement et les méthodes de gestion des risques à l'aide de la base de données Global Financial
Inclusion (Global Findex) de 148 économies. Les résultats de leur analyse montrent qu'environ 50% des adultes ont des comptes en fi institutions financières à travers le monde. En d'autres
termes, la moitié de la population adulte mondiale n'a pas de compte bancaire formel et au moins 35% d'entre eux citent généralement le coût élevé, la distance physique et le manque de
documentation appropriée comme des ff érences de raisons entre les pays.

Van der Wer ff et coll. (2013) déniché la relation entre fi l'inclusion financière et les facteurs sociaux à l'aide des données Global Findex de 31 pays de l'OCDE. Leur recherche a
présenté des preuves empiriques à l'appui de l'idée qu'un niveau élevé de dépendance vis-à-vis du gouvernement et fi les institutions financières augmentent le niveau de fi l'inclusion
financière, alors que l'inégalité des revenus interrompt l'utilisation
fi institutions financières. La conclusion que non- fi les facteurs financiers peuvent être un facteur important d'amélioration fi inclusion financière.

Comme nous pouvons le voir dans les revues de littérature mentionnées ci-dessus, bien que fi L'inclusion financière a récemment attiré beaucoup d'attention de la part des décideurs et des
universitaires, la recherche dans ce domaine en est encore à ses débuts et peu de recherches ont été menées sur ce sujet. Jusqu'à présent, bien qu'il y ait eu des études de recherche qui
explorent la relation entre la croissance économique et fi développement financier, développement boursier, croissance économique, etc. ( Hassan et al., 2011; Yu et coll., 2012 ), 4 relativement
peu de recherches sur la relation entre fi l'inclusion financière et la croissance économique ont été réalisées. Heureusement, la base de données sur l'inclusion financière mondiale récemment
publiée par la Banque mondiale permet aux chercheurs d'examiner fi l'inclusion financière et d'autres facteurs connexes, mais il existe encore une limite, en ce que fi inclusion nancière - les
données connexes ne sont disponibles que pour 2011. Ainsi, il semble nécessaire que des recherches soient effectuées avec d'autres variables proxy pour fi inclusion financière jusqu'à ce que
les données cumulées soient suffisamment importantes.

3. Données et mesures indirectes

3.1. Structurer le jeu de données de panneau

Cette étude explore la relation entre fi l'inclusion financière et la croissance économique des pays de l'OCI dont le niveau de
fi L'exclusion financière est relativement plus élevée que dans d'autres pays. D'après la recherche, on s'attend à ce que nous puissions examiner la relation entre fi l'inclusion financière et la
croissance économique, qui croît proportionnellement avec le développement de fi systèmes nanciers. L'ensemble de données a été compilé à partir de la Banque mondiale ' s Fondation
mondiale pour la démocratie et le développement (GFDD), World Development Indicator (WDI) et FMI ' s Enquête sur l'accès financier (FAS). L'OCI se compose de 57 pays, cependant, le
GFDD et le FAS n'incluent pas la Palestine et toutes les données relatives à la Somalie sont absentes pendant toute la période de leur inclusion. Par conséquent, sur 55 pays de l'OCI,
l'Asie de l'Est et le Paci fi La zone c a trois pays, l'Europe et l'Asie centrale ont huit pays, l'Amérique latine et les Caraïbes ont deux pays, le Moyen-Orient et l'Afrique du Nord ont 18 pays,
l'Asie du Sud a quatre pays et l'Afrique subsaharienne a 20 pays, sans compter la Somalie. Tableau 1 répertorie les pays pour chaque panel. Les périodes d'échantillonnage couvrent de
1990 à 2013 en raison du fait qu'il manque beaucoup de données.

3.2. Mesures de procuration pour fi inclusion nancière et croissance économique

Comme le concept de fi l'inclusion nancière désigne le nombre d'individus et fi utilisation rms fi services nanciers, les facteurs clés pour mesurer
fi l'inclusion nancière sont fi statistiques d'utilisation des services financiers tels que la pénétration des comptes, l'épargne, le crédit, l'assurance, etc. ( Banque mondiale, 2013; Van der Wer ff et al.,
2013; Demirguc-Kunt et Klapper, 2012 ). Comme nous pouvons le voir, des études antérieures et le rapport de la Banque mondiale ont utilisé des numéros de compte fi institutions financières (%, 15
ans et plus), prêts de fi institutions financières au cours de l'année écoulée (%, 15 ans et plus), les moyens électroniques utilisés pour effectuer les paiements (%, 15 ans et plus) et la propriété de la
carte de débit (%, 15 ans et plus), etc.
fi inclusion financière. Bien que la Banque mondiale présente une énorme quantité de fi les données d'inclusion financière dans les pays, car la plupart de ces données ont été collectées récemment,
pour la plupart, seules les données de 2011 et 2014 sont disponibles. Lorsque nous utilisons les données GFDD, WDI et FAS, cette étude utilise les données qui peuvent inclure les aspects clés de fi inclusion
financière et ont des séries chronologiques suffisamment longues pour

4 Bien que de nombreuses recherches aient été menées sur la relation entre fi développement financier et développement boursier et croissance économique, il n’ya toujours pas d’accord général sur le rôle des

différents facteurs ( Yu et coll., 2012 ).

3
D.-W. Kim et coll. Recherche en commerce international et finance 43 (2018) 1–14

Tableau 1

Les pays de l'OCI et les classi de la Banque mondiale fi cation basée sur les régions géographiques et le groupe de revenu.

Région géographique Nom du pays Groupe de revenu

Asie de l'Est et Paci fi c Brunei Revenu élevé: non OCDE


Indonésie Revenu moyen inférieur
Malaisie Revenu moyen supérieur
Europe et Asie centrale Albanie Revenu moyen supérieur
Azerbaïdjan Revenu moyen supérieur
Kazakhstan Revenu moyen supérieur
République du Kirghizistan Faible revenu
Tadjikistan Faible revenu
dinde Revenu moyen supérieur
Turkménistan Revenu moyen supérieur
Ouzbékistan Revenu moyen inférieur
Amérique latine et Caraïbes Guyane Revenu moyen inférieur
Suriname Revenu moyen supérieur
Moyen-Orient et Afrique du Nord Algérie Revenu moyen supérieur
Bahreïn Revenu élevé: non OCDE
Djibouti Revenu moyen inférieur
Egypte Revenu moyen inférieur
L'Iran Revenu moyen supérieur
Irak Revenu moyen supérieur
Jordan Revenu moyen supérieur
Koweit Revenu élevé: non OCDE
Liban Revenu moyen supérieur
Libye Revenu moyen supérieur
Maroc Revenu moyen inférieur
Oman Revenu élevé: non OCDE
Qatar Revenu élevé: non OCDE
Arabie Saoudite Revenu élevé: non OCDE
République arabe syrienne Revenu moyen inférieur
Tunisie Revenu moyen supérieur
Emirats Arabes Unis Revenu élevé: non OCDE
Yémen Revenu moyen inférieur
Asie du sud Afghanistan Faible revenu
Bangladesh Faible revenu
Maldives Revenu moyen supérieur
Pakistan Revenu moyen inférieur
Afrique sub-saharienne Bénin Faible revenu
Burkina Faso Faible revenu
Cameroun Revenu moyen inférieur
Tchad Faible revenu
Comores Faible revenu
Côte d'Ivoire Revenu moyen inférieur
Gabon Revenu moyen supérieur
Guinée Faible revenu
Guinée-Bissau Faible revenu
Mali Faible revenu
Mauritanie Revenu moyen inférieur
Mozambique Faible revenu
Niger Faible revenu
Nigeria Revenu moyen inférieur
Sénégal Revenu moyen inférieur
Sierra Leone Faible revenu
Somalie (omis) Faible revenu
Soudan Revenu moyen inférieur
La gambie Faible revenu
Aller Faible revenu
Ouganda Faible revenu

Note: Sur 57 pays pleins de l'OCI, l'ensemble de données de ce document n'inclut pas la Palestine et toutes les données relatives à la Somalie en raison de l'indisponibilité des données à la Banque

mondiale ' s WDI et FMI ' s Base de données FAS.

analyse appropriée des données du panel.

Par conséquent, nous utilisons le PIB par habitant (PIBPC) comme variable proxy de la croissance économique et avant de mettre en place fi ensemble de données d'inclusion financière, nous utilisons également

des facteurs macroéconomiques pour la régression dynamique de panel afin de contrôler la croissance économique. Par conséquent, nous mettons en place fi cinq variables macroéconomiques, comme dans fl (%

annuel) pour les prix à la consommation (INF), le taux de croissance démographique (POP), le taux de chômage (UNEMP), la scolarisation dans l'enseignement primaire (SEP) et le pourcentage commercial du PIB

(TRADE), en suivant les publications précédentes

Bjork (1999) et Mankiw (2012) . Nous utilisons également les éléments suivants fi cinq variables pour mesurer les principaux facteurs fi inclusion

nancière:

4
D.-W. Kim et coll. Recherche en commerce international et finance 43 (2018) 1–14

Tableau 2

Statistiques récapitulatives des mesures proxy.

Mesures de procuration Signifier Med Dakota du Sud Min Max

Panel A: Données de niveau

GDPPC 4662,94 1010,53 9904,53 115,31 93714,06


INF 15,85 4,85 88,21 - 16.12 1877,37
POP 2,43 2,40 1,77 - 2,96 17,48
SEP 92,51 98,47 23,85 21.12 164,86
COMMERCE 77,77 69,70 39,06 11.09 280,36
UNEMP 9.01 8.10 5,92 0,20 32,50
AU M 16,75 6,73 19,82 0,02 90,50
BRCH 8,86 5,25 8,87 0,13 47.03
DEPO 341,55 170,74 376,68 1.14 1856,59
BORR 136,51 43,82 181,27 0,38 875,05
LINSUR 0,31 0,15 0,64 0,00 7,62
Panneau B: Consigner les données transformées

Ln.GDPPC 7,27 6,92 1,43 4,75 11,45


Ln.ATM 1,86 1,91 1,64 - 4.11 4,51
Ln.BRCH 1,67 1,66 1,09 - 2,07 3,85
Ln.DEPO 5,19 5.14 1,21 0,14 7,53
Ln.BORR 3,92 3,78 1,60 - 0,97 6,77

Remarque: GDPPC, ATM, BRCH, LINSUR sont compilés à partir de la Banque mondiale ' s GFDD, INF, POP, SEP, TRADE, UNEMP proviennent de la Banque mondiale ' s WDI et DEPO, BORR sont du FMI ' s FAS.

le fi Le premier proxy est les guichets automatiques pour 100 000 adultes (ci-après dénommés ATM), qui peuvent être une mesure de la propriété des comptes. On suppose que la
propriété des comptes indique combien de personnes ou fi rms ont des comptes au formel
fi institutions financières. Bien que la meilleure façon de mesurer ce facteur clé soit de compter le nombre de personnes ou fi rms qui ont des comptes, les données de la Banque mondiale sont limitées à 2011.

Par conséquent, nous utilisons ATM comme proxy pour la propriété des comptes. C'est parce que formel fi Les institutions financières émettent généralement soit une carte de débit, soit une carte de guichet

automatique liée à un compte, le taux de pénétration des guichets automatiques représentera indirectement le taux de pénétration des comptes.

La deuxième mesure est celle des succursales bancaires pour 100000 adultes (BRCH) comme approximation du taux de pénétration de fi institutions financières. C'est parce que nous
pourrions déduire le degré de prévalence de fi institutions financières dans les pays à partir du numéro d'agence bancaire.
La troisième mesure concerne les comptes de dépôt auprès des banques commerciales pour 1000 adultes (DEPO) comme indicateur de l'épargne. DEPO peut être un proxy approprié car
DEPO lui-même représente le degré de nombre de personnes qui ouvrent des comptes d'épargne fi institutions financières.
Quatrièmement, nous utilisons les emprunteurs des banques commerciales pour 1 000 adultes (BORR) comme indicateur de crédit. Comme le montre BORR, le crédit des particuliers fi institutions
financières, un niveau élevé de BORR signifie le son fi nancières des particuliers et signifie également un niveau de crédit élevé.

le fi Le cinquième indicateur utilisé est le volume des primes d'assurance-vie par rapport au PIB (LINSUR) comme indicateur de référence pour l'assurance. L'assurance est l'une des méthodes de gestion des risques

les plus importantes fi services nanciers qui peuvent préserver une personne ' s fi stabilité financière face aux accidents imprévisibles. Par conséquent, le volume des primes d'assurance-vie par rapport au PIB peut être une

approximation appropriée du niveau d'assurance.

3.3. Statistiques récapitulatives des mesures proxy

Tableau 2 compare les données de niveau et les données transformées par logarithme de toutes les variables. Il montre que toutes les données de niveau sont extrêmement biaisées du fait que les valeurs

moyennes et médianes de toutes les variables ont beaucoup de di ff érence. D'autre part, les données transformées par logarithme et les données transformées par taux de croissance montrent des similitudes globales

entre les valeurs moyennes et médianes pour toutes les variables, ce qui implique que le degré d'asymétrie est modéré pour toutes les données transformées.

4. Estimations de panel dynamiques et méthodologie VAR de panel

4.1. Estimations dynamiques de panel avec la méthode d'estimation GMM Arellano-bond

Pour estimer les données de panel, si la variable de dépendance a une auto-corrélation en série, la régression avec les variables dépendantes décalées en tant que variables
indépendantes peut réduire l'autocorrélation en série d'un terme d'erreur. Lorsqu'il s'agit de données de panel, une approche similaire peut être adoptée qui considère l'auto-corrélation de la
variable dépendante, cependant, l'estimation sera biaisée en raison de la corrélation entre les variables dépendantes décalées et le terme d'erreur. Pour gérer ce problème, Arellano et Bond
(1991)
a suggéré une méthode de la méthode généralisée des moments (GMM) qui a estimé un modèle de panel dynamique, qui peut supprimer l'auto-corrélation du terme d'erreur et réduire la
corrélation entre les variables endogènes et le terme d'erreur.
Afin d'examiner la relation entre fi inclusion nancière et croissance économique, fi Nous avons d'abord mis en place les modèles de régression des données de panel avec
transformation logarithmique sur GDPPC et fi facteurs d'inclusion financière car les données transformées en logarithme sont des modi fi et l'élasticité de la croissance économique par
rapport à fi l'inclusion financière peut être estimée en utilisant ces données. En explorant les données de cette étude, nous avons constaté que Ln.GDPPC, en tant que variable dépendante,
a une corrélation automatique en série et un proxy

5
D.-W. Kim et coll.

Tableau 3

Tests de racine unitaire de panel pour les estimations de données de panel dynamiques Arellano-Bond.

Ln.GDPPC INF POP SEP COMMERCE UNEMP Ln.ATM Ln.BRCH Ln.DEPO Ln.BORR LINSUR

Coupe transversale Inverse P 125,464 517 789 (0 919,684 223,401 354,535 400,993 189,147 286.846 129,885 117,018 197,793
moyens inclus chisquared (0,149) 000) *** (0,000) *** (0,000) *** (0,000) *** (0,000) *** (0,000) *** (0.000) *** (0,000) *** (0,000) *** (0,000) ***
Normale Z - 2,381 (0,009) *** - 16,980 - 23,336 - 6,519 (0,000) - 11,792 - 13,386 - 6,667 (0,000) - 7,965 (0,000) - 5,470 (0,000) - 4,316 (0,000) - 5,897 (0,000)
inverse (0,000) *** (0,000) *** *** (0,000) *** (0,000) *** *** *** *** *** ***
Logit inverse t L * - 2,228 - 19,704 - 34,016 - 6,894 (0,000) - 12,693 - 14,693 - 7,019 (0,000) - 9,002 (0,000) - 5,551 (0,000) - 4,426 (0,000) - 5,930 (0,000)
(0,013) ** (0,000) *** (0,000) *** *** (0,000) *** (0,000) *** *** *** *** *** ***
Modi fi ed inv. chi Pm 1,043 (0,149) 28,691 54,589 (0,000) 8 500 (0 000) 16,487 (0,000) 19,936 (0,000) 8 899 (0 000) 12,421 (0,000) 6,380 (0,000) 5,766 (0,000) 8,276 (0,000)
carré (0,000) *** *** *** *** *** *** *** *** *** ***
Nombre de 55 53 55 54 55 54 50 53 33 33 48
panneaux

6
Coupe transversale Inverse P 370,654 623,944 868,221 251,985 390,052 348,888 192,045 255,733 145,249 110,372 283,181
signifie enlevé chisquared (0,000) *** (0,000) *** (0,000) *** (0,000) *** (0,000) *** (0,000) *** (0,000) *** (0,000) *** (0,000) *** (0,000) *** (0,000) ***
Normale Z - 12,257 (0,000) *** - 18,794 - 23,374 - 7,535 (0,000) - 12,963 - 11,928 - 7,62 (0,000) - 7,812 (0,000) - 5,257 (0,000) - 4,473 (0,000) - 10,926
inverse (0,000) *** (0,000) *** *** (0,000) *** (0,000) *** *** *** *** *** (0,000) ***
Logit inverse t L * - 13,233 - 23,815 - 32,2 (0,000) - 7,957 (0,000) - 14,143 - 12,637 - 7,702 (0,000) - 8,297 (0,000) - 5,718 (0,000) - 4,395 (0,000) - 11,306
(0,000) *** (0,000) *** *** *** (0,000) *** (0,000) *** *** *** *** *** (0,000) ***
Modi fi ed inv. chi Pm 17.573 36,052 (0,000) 51,119 (0,000) 10,501 (0,000) 18,881 (0,000) 16,39 (0,000) 9,131 (0,000) 10,284 (0,000) 7,782 (0,000) 5,138 (0,000) 14,712 (0,000)
carré (0,000) *** *** *** *** *** *** *** *** *** *** ***
Nombre de 55 53 55 54 55 54 50 53 33 33 48
panneaux

Remarque: 1) Nous avons effectué un test de racine unitaire Dickey-Fuller augmenté sur chaque panneau avec un fi décalage de premier ordre pour toutes les variables. Tous les tests de racine unitaire n'incluent pas la tendance pour toutes les variables, cependant, ils incluent la dérive car la moyenne des variables pour tous les pays est différente de zéro. L'hypothèse nulle pour tous les tests est

que tous les panneaux contiennent des racines unitaires. Les parenthèses impliquent p- valeurs.

2) Nous avons également examiné les moyennes transversales des tests de racine unitaire de panel supprimés pour chaque variable afin d'atténuer l'impact de la dépendance transversale.

3) *, ** et *** indiquent des signi statistiques fi cance aux niveaux de 10, 5 et 1%, respectivement.
Recherche en commerce international et finance 43 (2018) 1–14
D.-W. Kim et coll. Recherche en commerce international et finance 43 (2018) 1–14

Tableau 4

Estimations des données de panel dynamiques Arellano-Bond.

Variable modèle A modèle B modèle C modèle D modèle E

L1. 0,535 0,645 0,605 0,416 0,905


Ln.GDPPC (10,14) *** (10,4) *** (12,39) *** (4,35) *** (34,97) ***
L2. - 0,12 - 0,159 -
Ln.GDPPC (2,16) ** (1,95) *
INF 0,001 0,004 0,004 - 2.4E-04 - 0,003
(0,62) (2,75) *** (2,17) ** ( - 0,11) ( - 2,62) ***
POP - 0,029 - 0,037 0,026 0,038 - 0,008
( - 2,43) ** ( - 3.2) *** (0,88) (1,25) ( - 0,71)
SEP - 0,002 - 0,002 0,002 - 0,001 0,002
( - 0,92) ( - 1,42) (0,95) ( - 0,18) (1,07)
COMMERCE - 0,001 3.2E-04 - 0,001 - 4.8E-04 0,001
( - 1,07) (0,46) ( - 0,68) ( - 0,43) (1,45)
UNEMP - 0,021 - 0,018 - 0,0012 - 0,012 - 0,012
( - 2,37) ** ( - 2,03) ** ( - 1,33) ( - 1,32) ( - 1,93) *
Ln.ATM 0,144 (5,76) *** - - - -
Ln.BRCH - 0,139 (3,57) *** - - -
Ln.DEPO - - 0,175 (4,49) *** - -
Ln.BORR - - - 0,160 (3,95) *** -
LINSUR - - - - 0,038 (0,48)
Les inconvénients. 3,814 2,053 1,908 2,881 0,658
(8,51) *** (7,88) *** (6,46) *** (5,74) *** (2,93) ***
Wald Chi2 1183,14 *** 1739,94 *** 648,17 *** 496,87 *** 1780,75 ***

Remarque: 1) La variable dépendante est Ln.GDPPC et le décalage temporel pour chaque modèle est déterminé en fonction du signi statistique fi cance. Les parenthèses impliquent des valeurs z.

2) *, ** et *** indiquent des signi statistiques fi cance aux niveaux de 10, 5 et 1%, respectivement.

variables pour fi les inclusions financières ont une corrélation entre elles. Nous avons donc mis en place des fi ve modèles Arellano-Bond GMM comme suit pour examiner fi inclusion nancière et
croissance économique:

Ln GDPPC
. il = ∑ α jLn PIBPC
. itj, - + β 1INF il + β 2POP il + β 3SEP il + β COMMERCE il
4
+ β 5UNEMP il je =…1, , NT =…1, , T je
jp= 1

β 6Ln ATM
. β Ln ça
7 ••
BRCH
89
.β Ln c'est
••
+ • • •• DEPO
10
.β Ln ça + ν je + • il
••• •••
BORR .β LINSURça

(1)

où je représente 55 pays transversaux de l'OCI, t est la période de la mesure approximative de 1990 à 2013, ν je est le niveau du panneau e ff ect, et ε il est indépendante et distribuée de
manière identique (iid) sur l'ensemble de l'échantillon avec variance σ ε 2.
Dans ce speci fi cation, la variable dépendante est Ln.GDPPC comme variable de substitution pour la croissance économique, et le fi cinq variables proxy à chaque modèle sont des variables
explicatives pour fi inclusion financière. Le décalage dans le temps j sera déterminé avec un test Arellano-Bond pour la corrélation sérielle à fi ve chaque modèle.

4.2. Méthodologie du Panel VAR

Alors que l'estimation de panneau dynamique peut présenter la dynamique e ff ect de fi les facteurs clés de l'inclusion financière pour la croissance économique, l'examen de la causalité
dynamique, la direction et le calendrier montreront plus de su ffi informations pertinentes sur la relation des variables. La méthode la plus connue pour explorer la relation dynamique des variables
est la méthodologie vectorielle autorégressive (VAR), mais elle n'est applicable que pour les données de séries chronologiques, pas pour les données de panel. Pour utiliser la méthode VAR pour
les données de panel, nous devons utiliser une méthodologie autorégressive de vecteur de données de panel, qui est une méthodologie VAR transformée pour les données de panel. Cette
approche combine l'approche VAR consistant à traiter toutes les variables comme des variables endogènes et contrôle l'hétérogénéité des panels ( Amour et Zicchino, 2006 ). Lors de la mise en
place des modèles de panel VAR, nous avons utilisé des variables de signi fi cance à chaque modèle d'estimation Arellano-Bond, mais le modèle E est omis en raison d'insigni statistique fi cance de
LINSUR. Le modèle VAR de panel pour cette étude est le suivant:

YC
il = + ∑ AYsiège, - + η jed + ct, + et
sm
= 1 (2)

où Oui il se compose de quatre vecteurs, tels que {Ln.GDPPC, POP, UNEMP, Ln.ATM} pour le modèle A, {Ln.GDPPC, INF, POP, Ln.BRCH} 5 pour le modèle B, {Ln.GDPPC, INF, Ln.DEPO} pour
le modèle C, et {Ln.GDPPC, Ln.BORR} pour le modèle D, ré c, t sont spécifiques au pays fi c mannequins de temps,

7
D.-W. Kim et coll. Recherche en commerce international et finance 43 (2018) 1–14

Fig. 1. Nuage de points et courbes de tendance pour GDPPC et variables indépendantes.

5 Bien que l'UNEMP ait des signi statistiques fi cance à Arellano-Bond résultat de l'estimation du panel dynamique ( Tableau 4 ), nous avons omis l'UNEMP de mener une analyse VAR par panel dans

8
D.-W. Kim et coll. Recherche en commerce international et finance 43 (2018) 1–14

Fig. 2. IRF (fonctions de réponse impulsionnelle) pour chaque modèle.

Modèle A: Réponses impulsionnelles pour 1 VAR retard de Ln.GDPPC, POP, UNEMP et Ln.ATM Modèle B: Réponses
impulsionnelles pour 2 VAR retard de Ln.GDPPC, INF, POP et Ln.BRCH Modèle C: Impulsion -réponses pour 1 lag VAR
de Ln.GDPPC, INF et Ln.DEPO Modèle D: Réponses impulsionnelles pour 2 lag VAR de Ln.GDPPC et Ln.BORR

Remarque: 1) Ces IRFs sont les résultats de chaque modèle de panel VAR composé de variables avec des signi statistiques fi cance dans Tableau 4 Résultats de l'estimation des données du panel dynamique Arellano-Bond. Pendant ce temps, UNEMP au modèle

B est omis pour l'optimisation du modèle.

2) À ce stade, le modèle E avec LINSUR est omis car le modèle manque de signi fi cance chez LINSUR.
3) Les erreurs sont de 5% de chaque côté générées par Monte-Carlo avec 500 répétitions.

et s sera déterminé sur la base du test Arellano-Bond pour la corrélation en série de GDPPCG pour les 55 pays de l'OCI. Il faut supposer que tous les individus du panel ont la même

structure si l'approche VAR utilisant des données de panel est applicable. Pour cela, nous avons inclus η je
dans Eq. (2) à envisager fi xed e ff ects, en raison de la variable de dépendance décalée, fi xed e ff les ects seront corrélés avec les régresseurs et créeront un coefficient d'estimation biaisé ffi clients.
Pour corriger ce biais, nous avons utilisé la moyenne directe-di ff erencing, également appelé le " Procédure Helmert "( voir Arellano et Bover, 1995 ), qui est connue pour être une méthode qui
préserve l'orthogonalité entre les variables transformées et les régresseurs ( Amour et Zicchino, 2006 ). Par conséquent, cette étude estime le modèle VAR dynamique avec le système GMM
en utilisant des régresseurs retardés. 6

Après la série d'estimations VAR, nous estimons également les fonctions de réponse impulsionnelle (IRF) afin de saisir la perspective complète sur les interactions dynamiques entre
croissance économique et fi facteurs d'inclusion financière. Lors de l'estimation des IRF, l'ordre des variables est important en raison du problème d'endogénéité entre les variables dans les
modèles. C'est parce qu'une approche VAR a fondamentalement la structure qui échange récursivement les impacts entre les variables dépendantes et indépendantes. En d'autres termes,
dans Eq. (1) , ε il peut échouer à garantir une indépendance avec d'autres variables car il change les variables dépendantes et indépendantes en rond dans le processus récursif. Afin de se
débarrasser de cette endogénéité, la méthode de décomposition de la variance du terme d'erreur utilisant la décomposition de Cholesky est généralement utilisée dans les estimations IRF.
Cependant, il a toujours un fl aw que si l'ordre des variables change, l'ordre d'arrangement des termes d'erreur sera changé, de sorte que cela change finalement les résultats de la
décomposition de la variance. À cela, on sait que le

( note de bas de page suite)

afin d'optimiser le modèle VAR du panneau pour le modèle D.


6 Nous tenons à remercier Ryan Decker et Inessa Love pour le développement et o ff code Stata pour l'analyse VAR du panel. Dans cet article, cependant, nous utilisons le code Stata de Ryan Decker modifiant le code

original d'Inessa Love. Le code de Ryan Decker surmonte les problèmes de corrélation inhérente entre fi xed e ff ects et variables dépendantes décalées ( Fort et coll., 2013 ) et donne un plus fl flexibilité pour la gestion des

FEVD et des graphiques.

9
D.-W. Kim et coll. Recherche en commerce international et finance 43 (2018) 1–14

Fig. 2. ( a continué)

les variables antérieures d'un système sont plus exogènes et les variables ultérieures sont plus endogènes ( Magazzino, 2014 ). A cet égard, nous mettons en place les chocs orthogonalisés des modèles

basés sur une décomposition de Cholesky, avec l'ordre donné dans l'Eq. (1) . Nous avons également mis en place et réalisé les analyses IRF distinctes basées sur chacun des fi les facteurs d'inclusion

financière suite aux analyses du modèle VAR en panel. Dans l'estimation des IRF, la première fi Cinq variables, telles que INF, POP, SEP, TRADE et UNEMP, consistent en des déterminants bien connus

de la croissance économique à travers les littératures mentionnées précédemment dans la partie revue de la littérature. En particulier, bien qu'il soit difficile de mettre des pondérations quantitatives sur

chacun des fi cinq variables, nous plaçons, de manière quelque peu arbitraire, INF ou POP sur la partie antérieure plutôt que TRADE ou UNEMP dans les modèles, car nous avons considéré que ces

variables antérieures ont un autocollant e ff effets sur la croissance économique. Enfin, nous organisons chacun des

fi facteurs d'inclusion nancière à la dernière partie de chaque modèle un par un afin d'examiner les e ff ects de la fi inclusion nancière sur la croissance économique avec le contrôle de
déterminants bien connus.
Pour estimer les fonctions de réponse impulsionnelle (IRF), nous pouvons calculer con fi intervalles de dence utilisant la matrice des IRFs du coe ffi cients du panneau VAR. Pour cela,
nous allons calculer l'erreur standard des IRF et créer des con fi intervalles de référence utilisant l'approche des simulations de Monte Carlo.

4.3. Test de causalité de Panel Granger

Afin d'examiner les directions de causalité entre les variables, nous estimons le test de causalité du panel de Granger. Un test de causalité de Granger qui utilise des données de panel peut être
séparé de deux manières. le fi La première méthode consiste à traiter le panneau comme un grand ensemble de données empilées, dans lequel tous les coe ffi On suppose que les cients sont communs
sur des sections entières. Le test de causalité de Granger ( Granger, 1969 ) est ensuite estimée dans une méthode standard dans laquelle tous les coe ffi les cients sont supposés être les mêmes sur les
panneaux sans avoir à craindre la di ff et les données de panel sont traitées de la même manière que les données de séries chronologiques ordinaires.

La deuxième méthode consiste à examiner le test de causalité de Granger en supposant que tous les coe ffi les clients sont di ff érente sur toutes les sections transversales, ce qui est
adopté par Dumitrescu et Hurlin (2012) . Cette méthode calcule les tests de causalité de Granger standard pour chaque panel et calcule une statistique Zbar à partir de la moyenne des
statistiques de test.
Nous devons examiner le test de causalité de Granger avec le fi première méthode, car bien que nos données de panel aient des différences transversales entre les pays, il y a beaucoup de données

manquantes dans le GFDD, le WDI et le FAS pour que les pays de l'OCI puissent calculer les statistiques de causalité Granger appropriées. En conséquence, nous utilisons l'approche du test de causalité

de Granger qui suppose que toutes les sections transversales ont le même coefficient ffi cients et traite le panneau comme un grand ensemble de données empilées. On s'attend à ce que le test de causalité

de Granger puisse montrer la direction générale de la causalité pour toutes les variables.

dix
D.-W. Kim et coll. Recherche en commerce international et finance 43 (2018) 1–14

Fig. 2. ( a continué)

5. Résultats empiriques

5.1. Tests de racine unitaire de panel pour l'estimation de régression de panel dynamique

Les résultats des tests de racine unitaire de panel de toutes les variables de la régression de panel dynamique sont présentés dans Tableau 3 . Nous examinons le panneau

racine unitaire pour chaque variable à l'aide du test de racine unitaire Dickey-Fuller augmenté avec le fi décalage du premier ordre. Tous les tests de racine unitaire n'incluent pas la tendance, cependant, ils

incluent la dérive car la moyenne des variables pour tous les pays est différente de zéro. Nous examinons également les tests de racine unitaire du panel des moyennes transversales supprimées pour chaque

variable afin d'atténuer l'impact de la dépendance transversale.

Sur quatre tests de moyennes transversales inclus des tests de racine unitaire de panel, seulement deux statistiques de test - P et modi du chi carré inverse fi ed chi-carré inverse Pm - ne
rejetez pas l'hypothèse nulle que Ln.GDPPC a une racine unitaire, cependant, les statistiques inverses normales Z et logit t inverse rejettent l'hypothèse nulle. 7 À l'exception de Ln.GDPPC, tous
les tests pour les variables restantes rejettent fortement l'hypothèse nulle que le panneau a la racine unitaire. D'autre part, tous les résultats de test des tests de racine unitaire de panneau
supprimés des moyens transversaux rejettent également fortement l'existence de la racine unitaire. Par conséquent, nous utilisons Eq. (1) pour l'estimation dynamique du panel Arellano-Bond sans
aucun changement car toutes les variables de la régression dynamique du panel n'ont pas de racine unitaire.

5.2. Analyse de la régression dynamique du panel Arellano-bond

Afin de considérer à la fois la dynamique e ff ect des variables dépendantes et des caractéristiques exogènes des variables dépendantes, nous avons mis en place un modèle de panel
dynamique Arellano-Bond pour l'examen dynamique des données de panel. De plus, afin de contrôler la corrélation entre fi variables d'inclusion financière, nous avons examiné la régression
dynamique de panel avec fi variable d'inclusion financière respectivement.
Pour l'analyse de panel dynamique asymétrique, Tableau 4 montre les résultats de l'estimation dynamique du panel Arellano-Bond. La variable dépendante pour tous les modèles est Ln.GDPPC et
le décalage temporel pour chaque modèle est déterminé en fonction du signi statistique fi cance. Dans tous les modèles,

7 Selon Choi (2001) résultats de la simulation, la statistique Z normale inverse montre un échange exceptionnel ff entre la taille et la puissance que les autres tests. Par conséquent, il recommande d'utiliser le test Z normal inverse pour

les applications empiriques.

11
D.-W. Kim et coll. Recherche en commerce international et finance 43 (2018) 1–14

Fig. 2. ( a continué)

les variables macroéconomiques, telles que INF, POP, SEP, COMMERCE et UNEMP ont des signi statistiques intermittentes fi cance à chaque modèle. INF a un e positif ff ect sur Ln.GDPPC
aux modèles B, C et E. Pendant ce temps, POP et UNEMP ont un e négatif ff ects sur Ln.GDPPC au modèle
A, B et E. Mais la chose notable est que la croissance démographique (POP) a un e négatif ff ect sur la croissance économique (Ln.GDPPC). Bien qu'il soit courant de comprendre que la
population ou la main-d'œuvre et la croissance économique sont positivement liées, cela doit être compris en termes de particularités économiques des pays de l'OCI.

Tableau 4 présente également la relation positive entre fi inclusion nancière et croissance économique. Ln.ATM, Ln.BRCH, Ln.DEPO et Ln.BORR ont un e positif ff ects sur Ln.GDPPC à 1%
signi fi cance, cependant, LINSUR n'a aucun signi statistique fi cance. Quand nous interprétons le coe ffi cient de fi mesures d'inclusion financière, les résultats signifient qu'une augmentation de 1% des
numéros de guichets automatiques, des succursales bancaires, des déposants de banques commerciales et des emprunteurs de banques commerciales conduit respectivement à 0,14%, 0,14%,
0,17% et 0,16% d'augmentation du PIB par habitant dans les pays de l'OCI.

La relation positive entre fi l'inclusion financière et la croissance économique peuvent être vérifiées fi par inspection visuelle entre fi variables d'inclusion nancière et PIBPC. Fig. 1 montre
la relation visuelle entre fi variables d'inclusion financière et PIBPC à l'aide de nuages ​de points et de courbes de tendance. Les diagrammes de dispersion suggèrent également que
Ln.ATM, Ln.BRCH, Ln.DEPO et Ln.BORR ont une forte relation positive avec Ln.GDPPC, cependant, LINSUR a une relation relativement faible avec Ln.GDPPC.

À partir de l'analyse et de la visualisation des données du panneau dynamique ci-dessus, nous fi et la relation positive entre fi inclusion nancière et croissance économique dans les
pays de l'OCI. Surtout, il est à noter que la relation positive entre fi L'inclusion financière et la croissance économique sont si fortes qu'elles peuvent être facilement remarquées par la simple
transformation et visualisation des données.

5.3. IRF de l'analyse VAR de panel

Nous examinons l'analyse VAR du panel afin d'explorer la relation dynamique et le calendrier des variables proxy pour fi inclusion nancière et croissance économique. Fig. 2 montre la
relation dynamique des variables proxy pour fi inclusion nancière et croissance économique. Se concentrer sur la réponse du Ln.GDPPC à fi variables d'inclusion nancière, nous fi nd que les
chocs Ln.ATM, Ln.BRCH, Ln.DEPO et Ln.BORR ont substantiellement un e positif ff ects sur Ln.GDPPC au fil du temps. Par conséquent, il semble raisonnable de conclure que

fi l'inclusion nancière a une e ff ect sur la croissance économique dans les pays de l'OCI au fil du temps selon les résultats des FRI.

5.4. Tests de causalité Panel Granger

Nous rapportons les résultats du test de causalité de Granger pour chaque variable proxy dans Tableau 5 . Se concentrer sur les causalités entre Ln.GDPPC et

12
D.-W. Kim et coll. Recherche en commerce international et finance 43 (2018) 1–14

Tableau 5

Tests de causalité du Panel Granger.

Modèle Hypothèse nulle: Obs Statistique F Prob.

Modèle A POP ne cause pas Ln.GDPPC à Granger 1226 5,575 0,018 **


Ln.GDPPC ne cause pas de POP 1,412 0,235
UNEMP ne fait pas Granger Cause Ln.GDPPC 1153 0,609 0,435
Ln.GDPPC ne fait pas Granger Cause UNEMP 0,496 0,482
Ln.ATM ne fait pas Granger Cause Ln.GDPPC 376 3,189 0,075 *
Ln.GDPPC ne fait pas Granger Cause Ln.ATM 0,229 0,633
UNEMP ne fait pas Granger Cause POP 1183 6,144 0,013 **
POP ne cause pas l'UNEMP à Granger 0,056 0,813
Ln.ATM ne cause pas de POP 380 0,596 0,440
POP ne cause pas Ln.ATM par Granger 0,735 0,392
Ln.ATM ne fait pas Granger Cause UNEMP 368 0,650 0,421
UNEMP ne Granger Cause Ln.ATM 0,553 0,458
Modèle B INF ne cause pas LGDPPCn. 1018 0,927 0,336
Ln.GDPPC ne Granger Cause INF 1,998 0,158
POP ne cause pas Ln.GDPPC à Granger 1226 5,575 0,018 **
Ln.GDPPC ne cause pas de POP 1,412 0,235
Ln.BRCH ne fait pas Granger Cause Ln.GDPPC 466 4,072 0,044 **
Ln.GDPPC ne fait pas Granger Cause Ln.BRCH 2,340 0,127
POP ne cause pas INF 1038 0,023 0,880
INF ne cause pas de POP 1,437 0,231
Ln.BRCH ne fait pas Granger Cause INF 443 0,009 0,926
INF ne fait pas Granger Cause Ln.BRCH 2,770 0,097 *
Ln.BRCH ne fait pas Granger Cause POP 472 0,107 0,743
POP ne fait pas Granger Cause Ln.BRCH 7,525 0,006 **
Modèle C INF ne fait pas Granger Cause Ln.GDPPC 1018 0,927 0,336
Ln.GDPPC ne Granger Cause INF 1,998 0,158
Ln.DEPO ne fait pas Granger Cause Ln.GDPPC 239 7,915 0,005 ***
Ln.GDPPC ne fait pas Granger Cause Ln.DEPO 0,000 0,997
Ln.DEPO ne Granger Cause INF 223 0,190 0,663
INF ne fait pas Granger Cause Ln.DEPO 4.605 0,033 **
Modèle D Ln.BORR ne fait pas Granger Cause Ln.GDPPC 223 3.052 0,082 *
Ln.GDPPC ne fait pas Granger Cause Ln.BORR 0,126 0,723

Remarque: Les résultats suggérés sont les statistiques F et *, ** et *** indiquent des signi statistiques fi cance aux niveaux de 10, 5 et 1%, respectivement.

fi variables d'inclusion nancière, nous fi et que Ln.ATM, Ln.BRCH, Ln.DEPOG et Ln.BORR Granger causent Ln.GDPPC avec 10%, 5%, 1% et 10% avec un signi statistique fi cance
respectivement, mais Ln.GDPPC ne fait pas pour Granger ces fi facteurs d'inclusion financière.
D'après ces résultats, nous fi nd preuve de la causalité globale de fi facteurs d'inclusion nancière sur la croissance économique dans les pays de l'OCI.

6. Conclusions

Bien qu'il y ait des préoccupations croissantes concernant fi l'inclusion financière et son importance au cours des dernières décennies, jusqu'à présent, relativement peu d'études ont été
consacrées à la comparaison fi inclusion nancière et croissance économique. Dans ce contexte, l'objectif de ce document était d'accéder à l'impact fi inclusion financière sur la croissance
économique. En attendant, nous avons prêté attention au fait que l'émergence récente de la chari ' une plainte fi le produit nancier dans les pays islamiques joue un rôle important dans
l'amélioration du niveau de fi inclusion nancière dans les pays islamiques.

Par conséquent, nous avons tenté d'explorer l'e ff ect de fi inclusion nancière sur la croissance économique dans les pays de l'OCI. Tout au long de cette recherche, nous avons tenté d'examiner la

relation entre fi inclusion nancière par le di ff usion de l'islamique fi nance et croissance économique dans les pays de l'OCI. Pour cela, nous avons mis en place les données de panel pour les pays de l'OCI

et effectué une analyse dynamique des données de panel en utilisant le modèle de panel dynamique Arellano-Bond à travers les régions. En outre, nous avons analysé divers modèles de séries

chronologiques multivariées de panel, tels que les tests de causalité de panel VAR, IRFs et panel Granger pour obtenir des résultats multilatéraux.

Les résultats de la régression dynamique du panel montrent que fi signi d'inclusion nancière fi a cantly un e positif ff ect sur la croissance économique dans les pays de l'OCI. En outre, les
résultats des IRF dérivés de l'analyse VAR par panel suggèrent également que fi l'inclusion nancière a surtout des e ff ects sur la croissance économique dans les pays de l'OCI.

En résumé, cet article fournit la preuve empirique de la relation positive étroite entre fi inclusion nancière et croissance économique dans les pays de l'OCI. Spécialement, nous avons
exploré la Banque mondiale ' s GFDD, WDI et FMI ' s Données FAS liées à fi inclusion nancière et croissance économique. Ces données montrent la relation positive évidente entre fi inclusion
nancière et croissance économique dans les pays de l'OCI. À partir des résultats de l'analyse, nous pouvons déduire que le niveau de fi l'inclusion financière est un facteur critique pour la
croissance économique dans les pays de l'OCI et ces résultats peuvent élargir la compréhension de la relation entre fi l'inclusion nancière et la croissance économique dans les pays de
l'OCI pour les universitaires et les décideurs.

Malgré les résultats de cet article, nous proposons plusieurs recommandations pour renforcer la contribution des recherches pour

13
D.-W. Kim et coll. Recherche en commerce international et finance 43 (2018) 1–14

fi inclusion nancière dans les pays de l'OCI.


Premièrement, même si cette étude a révélé la relation positive entre fi l'inclusion financière et la croissance économique dans les pays de l'OCI, il existe encore l'énorme di ff entre
chaque pays et le niveau de fi inclusion nancière dans chaque pays. Cela pourrait être à cause de la di ff niveau de religion, taux d'analphabétisme, taux d'intérêt, inégalité entre les sexes,
niveau de revenu, politiques, etc. Ainsi, en considérant les facteurs qui pourraient e ff ect au niveau de fi L'inclusion financière dans les pays islamiques améliorera la contribution de la
recherche.
Deuxièmement, nous proposons de calculer fi indice d'inclusion nancière utilisant le multiple fi mesures d'inclusion financière. Comme mentionné précédemment,

fi les mesures d'inclusion financière sont liées les unes aux autres, ce qui entraîne plusieurs contraintes, comme la multicolinéarité, en utilisant tous fi mesures d'inclusion nancière dans un
modèle d'analyse. D'autre part, calculer fi indice d'inclusion financière avec les multiples facteurs de fi des mesures d'inclusion financière pourraient permettre de mesurer plus précisément
les fi niveau d'inclusion financière. De plus, les chercheurs pourraient construire des modèles pour examiner l'impact de fi inclusion financière avec les différents facteurs en utilisant fi indice
d'inclusion nancière.

Références

Allen, F., Demirguc-Kunt, A., Klapper, L., Peria, MSM, 2012. Les fondements de fi inclusion financière. Politique de la Banque mondiale Res. Travail. Bouillie. Ser (6290) .
Arellano, M., Bond, S., 1991. Quelques tests de speci fi cation pour les données de panel: preuves de Monte Carlo et application aux équations de l'emploi. Rev. Econo. Goujon. 58 (2) ou
277 - 297 .
Arellano, M., Bover, O., 1995. Un autre regard sur l'estimation des variables instrumentales des modèles de composantes d'erreur. J. Econo. 68 (1) et 29 - 51 .
Bjork, GC, 1999. La façon dont cela a fonctionné et pourquoi cela ne fonctionnera pas: le changement structurel et le ralentissement de la croissance économique aux États-Unis. Groupe d'édition Greenwood .

Boukhatem, J., 2016. Évaluation de l'e ff ect de fi développement nancier sur la réduction de la pauvreté dans un panel de pays à revenu faible ou intermédiaire. Res. Int. Autobus. La finance
37, 214 - 230 .
Choi, I., 2001. Tests de racine unitaire pour les données de panel. J. Int. Argent Finance 20 (2), 249 - 272 .
Collard, S., 2010. Vers fi l'inclusion nancière au Royaume-Uni: progrès et défis. Publ. Money Manag. 27 (1) et 13 - 20 .
Demirguc-Kunt, A., Klapper, L., 2012. Mesure fi inclusion nancière: la base de données mondiale Findex. Politique de la Banque mondiale Res. Travail. Bouillie. Ser (6025) .
Dumitrescu, EI, Hurlin, C., 2012. Test de non-causalité de Granger dans des panels hétérogènes. Econo. Modèle. 29 (4), 1450 - 1460 .
Fort, TC, Haltiwanger, J., Jarmin, RS, Miranda, J., 2013. Comment fi rms répondent aux cycles économiques: le rôle fi âge rm et fi taille rm. IMF Econo. Rév. 61 (3), 520 - 559 .
GPFI (Partenariat mondial pour l'inclusion financière), 2011. Principes du G20 pour une inclusion financière innovante. Alliance pour l'inclusion financière Bangkok Thaïlande .
Granger, CW, 1969. Étude des relations causales par des modèles économétriques et des méthodes interspectrales. Econo: J. Econo. Soc. 37 (3) et 424 - 438 .
Hassan, MK, Sanchez, B., Yu, JS, 2011. Développement financier et croissance économique: nouvelles preuves à partir de données de panel. Q. Rév. Econ. Finance 51 (1), 88 - 104 .
Kempson, E., Whyley, C., 1999. Gardé ou exclu? Comprendre et combattre l'exclusion financière. La presse politique .
Leyshon, A., Thrift, N., 1993. La restructuration du Royaume-Uni fi industrie des services financiers dans le: un renversement de fortune? J. Haras rural. 9 (3), 223 - 241 .
Leyshon, A., Thrift, N., 1994. Accès à fi services nanciers et fi retrait des infrastructures financières: problèmes et politiques. Région 26, 268 - 275 .
Leyshon, A., Thrift, N., 1995. Géographies de fi exclusion nancière: fi abandon financier en Grande-Bretagne et aux États-Unis. Trans. Inst. Br. Geogr. 20 (3) et 312 - 341 .
Love, I., Zicchino, L., 2006. Développement financier et comportement d'investissement dynamique: preuves du panel VAR. Q. Rév. Econ. Finances 46 (2), 190 - 210 .
Magazzino, C., 2014. Une approche VAR par panel de la relation entre la croissance économique, les émissions de CO2 et la consommation d'énergie dans les pays de l'ASEAN-6. Int. J. Énergie
Econo. Règles 4 (4), 546 - 553 .
Mankiw, NG, 2012. Principes de macroéconomie. Apprentissage Cengage du Sud-Ouest .
Mohieldin, M., Iqbal, Z., Rostom, A., Fu, X., 2011. Le rôle de la finance islamique dans le renforcement de l'inclusion financière dans l'Organisation de la coopération islamique (OCI)
Des pays. Banque mondiale .
Naceur, SB, Samir, G., 2007. Marchés boursiers, banques et croissance économique: preuves empiriques de la région MENA. Res. Int. Autobus. Finance 21 (2), 297 - 315 .
Pearce, D., 2011. Inclusion financière au Moyen-Orient et en Afrique du Nord: analyse et recommandations de la feuille de route. Politique de la Banque mondiale Res. Travail. Bouillie. Ser (5610) . Population Reference Bureau, 2013.
Fiche de données sur la population mondiale 2013. http.//www.prb.org/pdf13/2013-population-data-sheet_eng.pdf .
Pradhan, RP, Arvin, BM, Norman, NR, Nair, M., Hall, JH, 2016. Pénétration de l'assurance et lien entre la croissance économique: preuves transnationales de l'ASEAN. Res. Int.
Autobus. Finance 36, 447 - 458 .
Sarma, M., Pais, J., 2011. Inclusion financière et développement. J. Int. Dev. 23 (5) et 613 - 628 .
Sarma, M., 2008. Indice d'inclusion financière. Document de travail ICRIER 215 .
Trésorerie, HM, 2004a. Opportunité pour tous: la force de prendre les décisions à long terme pour la Grande-Bretagne (rapport pré-budgétaire 2004). HM Treasury Londres .
Trésor, HM, 2004b. Promouvoir l'inclusion financière. HM Treasury Londres .
Van der Wer ff, AD, Hogarth, JM, Peach, ND, 2013. Une analyse transnationale de fi inclusion financière au sein de l’OCDE. Consum. Intérêt. Annu. 59, 1 - 12 .
Banque mondiale, 2013. Rapport mondial sur le développement financier 2014: Inclusion financière. Publications de la Banque mondiale .
Yu, JS, Hassan, MK, Sanchez, B., 2012. Un réexamen de fi développement nancier, développement des marchés boursiers et croissance économique. Appl. Econo. 44 (27) ou
3479 - 3489 .

14

Vous aimerez peut-être aussi