HÉBERGÉ PAR Disponible en ligne sur www.sciencedirect.

com

ScienceDirect
Examen du financement du développement 8 (2018) 141-153

Déterminants du risque de crédit dans le système bancaire en Afrique subsaharienne

Faites confiance à R. Mpofu??, Eftychia Nikolaïdou

School of Economics, Université du Cap, Rondebosch 7701, Afrique du Sud

Disponible en ligne le 20 août 2018

Abstrait

Cet article étudie les déterminants macroéconomiques du risque de crédit dans le système bancaire de 22 économies d'Afrique subsaharienne. Nous mesurons le risque de crédit
comme le ratio des prêts non performants au total des prêts bruts (PNP) et utilisons des méthodes de données de panel dynamiques sur la période 2000-2016. En utilisant une variété
de spécifications, les résultats montrent qu'une augmentation du taux de croissance du PIB réel a un effet de réduction statistiquement et économiquement significatif sur le ratio des
prêts improductifs au total des prêts bruts. En outre, le taux d'inflation, le crédit intérieur au secteur privé par les banques en pourcentage du PIB, l'ouverture commerciale, le VIX en
tant qu'indicateur de la volatilité mondiale et la crise financière mondiale de 2008/2009 ont tous un impact positif et significatif sur les créances improductives.

© 2018 Africagrowth Institute. Production et hébergement par Elsevier BV Ceci est un article en libre accès sous licence CC BY-NC-ND
(http://creativecommons.org/licenses/by-nc-nd/4.0/).

Classements JEL : E44 ; G21

Mots clés: Prêts non performants; Facteurs macroéconomiques; Système bancaire; Données du panel ; Afrique sub-saharienne

1. introduction L'étude des déterminants macroéconomiques du risque de crédit dans les

Le 2008/2009 global financier crise possède renouvelé
intérêt des chercheurs sur les causes des crises bancaires Compte tenu du
effets dévastateurs qu'ils ont sur l'ensemble de l'économie. Étant donné que le risque de
crédit est le risque majeur auquel les banques sont confrontées, plusieurs études se sont
penchées sur les causes du risque de crédit dans le secteur bancaire. Dans la littérature
pertinente, le risque de crédit est généralement représenté par des prêts improductifs
(NPL) qui sont des prêts et des avances en souffrance depuis 90 jours ou plus à compter
de la date d'échéance. CommeReinhart et Rogoff (2011) prétendent que les créances
improductives sont considérées comme une source majeure de faillites bancaires et
peuvent marquer le début d'une crise bancaire. La plupart des études sur les
déterminants du risque de crédit se concentrent sur les économies avancées et les
marchés émergents probablement en raison de la disponibilité des données alors qu'il
existe un nombre limité d'études empiriques sur la question pour les économies
d'Afrique subsaharienne (ASS). En tant que tel, ce document comble cette lacune en se
concentrant sur les déterminants macroéconomiques du risque de crédit mesurés
comme le ratio des prêts non performants (NPL) au total des prêts bruts en se
concentrant sur 22 pays d'Afrique subsaharienne sur la période 2000-2016.
?? Auteur correspondant.
Adresses mail: t.mpofu@uct.ac.za (TR Mpofu),
e fi .nikolaidou @ uct.ac.za (E. Nikolaidou).
Examen par les pairs sous la responsabilité de l'Africagrowth Institute.
systèmes bancaires des pays d'Afrique subsaharienne est un enjeu important
pour les raisons suivantes : tout d'abord, l'évaluation du risque de crédit dans le
secteur financier est un élément essentiel de la surveillance macroprudentielle qui
permet d'identifier les principales vulnérabilités. dans ce secteur (voir Beck et al.,
2015). Deuxièmement, selon les mêmes auteurs, les stress tests menés après la
crise financière mondiale de 2008/2009 pour restaurer la confiance dans le
secteur financier se sont appuyés sur des hypothèses macroéconomiques.
Troisièmement, la crise financière mondiale de 2008/2009 a affecté négativement
l'Afrique avec un décalage qui a entraîné un arrêt brutal (en 2009) de la croissance
rapide que la région a connue au cours de la période 2000-2008 (Kasekende et al.,
2010). Quatrièmement, la plupart des banques des économies d'Afrique
subsaharienne opèrent encore dans des environnements financiers risqués avec
des institutions juridiques faibles (voirFlamini et al., 2009) tandis que Nikolaidou et
Vogiazas
(2017) prétendent que des risques subsistent en Afrique subsaharienne en raison
des fluctuations des prix des matières premières, de l'inversion des ux de
capitaux et des retombées des chocs externes, entre autres facteurs. De plus,
selonFMI (2017) Le redressement de l'ASS après la crise financière mondiale de
2008/2009 n'est pas encore achevé. Les banques centrales des économies
avancées continuent de suivre des politiques accommodantes pour améliorer leur
croissance tandis que dans le même temps, les économies à faible revenu
élargissent leur accès aux marchés obligataires internationaux grâce à des
conditions financières faciles. A notre connaissance, il n'existe qu'une seule étude (
Fofack, 2005) pour l'Afrique subsaharienne qui

https://doi.org/10.1016/j.rdf.2018.08.001
1879-9337/© 2018 Africagrowth Institute. Production et (http:// hébergement par Elsevier BV Ceci est un article en libre accès sous licence CC BY-NC-ND
creativecommons.org/licenses/by-nc-nd/4.0/).
142 TR Mpofu, E. Nikolaidou / Revue du financement du développement 8 (2018) 141-153
examine les déterminants du risque de crédit en appliquant une analyse de
panel transnationale sur la période 1993-2002. Cependant, cette étude est
dépassée et ignore complètement la dynamique de la méthode d'estimation.
En tant que telle, la présente étude contribue à la littérature sur les
déterminants du risque de crédit en se concentrant sur l'Afrique
subsaharienne, une région qui a été largement négligée dans la
littérature pertinente, en couvrant une période récente allant de 2000
à 2016, une période qui inclut le poste crise financière mondiale de
2008/2009 et en utilisant quatre estimations différentes de panel cross-
country (pooled-OLS, effet fixe, différence GMM et systemGMM). De
cette façon, cet article prend en considération les développements
dans la littérature récente qui met l'accent sur l'importance des effets
dynamiques pour expliquer les causes du risque de crédit et, ainsi,
surmonte la principale limitation deFofack (2005) étude qui utilise
uniquement une estimation à effets fixes en ignorant toute dynamique.
L'étude se concentre sur l'Afrique subsaharienne car le secteur bancaire
dans cette région est encore à de faibles niveaux de développement mais
en croissance rapide par rapport à d'autres régions en développement (
Kasekende et al., 2010 ; BEI, 2013). De plus, certains pays de cette région
(par exemple, le Kenya et le Nigeria) ont connu des crises bancaires dans le
passé. Les faibles niveaux de développement du secteur bancaire ainsi que
sa croissance rapide et l'expérience passée des crises bancaires dans
certains pays d'Afrique subsaharienne, justifient la nécessité de poursuivre
les études empiriques sur les déterminants du risque de crédit dans la
région, afin de proposer des politiques qui minimiser la survenue de crises
bancaires à l'avenir.
En utilisant l'OLS groupé, les effets fixes, la différence en deux étapes et le
système GMM avec des erreurs types robustes utilisant diverses spécifications, les
résultats montrent qu'une augmentation du taux de croissance du PIB réel a un
effet de réduction statistiquement et économiquement significatif sur le ratio des
prêts improductifs au total brut. prêts. En outre, le taux d'inflation, le crédit
intérieur au secteur privé par les banques en pourcentage du PIB, l'ouverture
commerciale, le VIX (Chicago Board Options Exchange Market Volatility Index)
comme indicateur de la volatilité mondiale, et la crise financière mondiale de
2008/2009, ont tous des effets positifs. et un impact significatif sur les prêts non
performants.
Le reste de l'article est organisé comme suit : Section 2
présente une revue de la littérature tandis que la section 3 définit les
données et explique la spécification du modèle et les techniques
d'estimation. Ensuite, Section4 présente les résultats et la Section 5 donne
les principales conclusions.
2. Revue de littérature
La littérature empirique qui analyse les déterminants du risque
de crédit s'appuie sur des modèles théoriques qui traitent du lien
entre les imperfections financières et l'économie au sens large.
L'un de ces cadres théoriques est la théorie de l'accélérateur
financier discutée parBernanke et Gertler (1989), Kiyotaki et Moore
(1997) et Bernanke et al. (1999). Ces études soutiennent que l'amplification
et la propagation d'un choc de crédit se font via des asymétries
d'information entre les emprunteurs et les prêteurs et un effet bilan. Une
augmentation des prix des actifs propulse la valeur nette des entreprises,
des ménages ou des pays et améliore la capacité d'emprunt, ce qui conduit
alors à de nouvelles augmentations des prix des actifs par des effets
d'équilibre général dynamiques. De cette façon,De
Bock et Demyanets (2012) affirment que des bilans solides en période de
prospérité peuvent conduire à une augmentation des prêts contre des
valeurs gonflées des garanties. D'autre part,Diwan et Rodrick (1992)
suggèrent qu'un risque de crédit élevé augmente l'incertitude quant à la
situation du capital des banques et limite leur accès au financement. Cela
augmente encore les taux débiteurs des banques et contribue à une
croissance plus faible du crédit, et peut donc avoir des implications pour
l'activité économique.
En général, la littérature suggère quatre mesures de la qualité des actifs
des banques utilisées pour évaluer le risque de crédit. Il s'agit de l'évolution
des fréquences de défaut attendues (EDF), des provisions pour pertes sur
prêts (LLP), des pertes en cas de défaut (LGD) et des prêts non productifs
(NPL) comme indiqué parBeck et al. (2015). Cependant, les mesures/
approximations du risque de crédit les plus couramment utilisées dans la
littérature pertinente sont les LLP et les NPL. En raison de la disponibilité
des données, cette étude utilise les NPL comme approximation du risque de
crédit. Cependant, en ce qui concerne les facteurs qui déterminent le risque
de crédit, la littérature les regroupe en deux catégories, à savoir les facteurs
systématiques et non systématiques (voir par exemple,Castro, 2013 ; Louzis
et al., 2012). Les facteurs systématiques sont des facteurs qui ont une
inuence sur la probabilité que les emprunteurs s'acquittent de leurs dettes.
Ces facteurs comprennent : tout d'abord, les conditions macroéconomiques
telles que la croissance du PIB, l'emploi, l'indice boursier, le taux d'inflation
et le taux de change, entre autres. Deuxièmement, les changements dans
les politiques économiques tels que les changements dans les politiques
monétaires et fiscales, les changements de législation économique, les
restrictions à l'importation et la stimulation des exportations.
Troisièmement, les changements politiques ou les changements dans les
objectifs des principaux partis politiques. Étant donné les difficultés à
intégrer les deuxième et troisième types de facteurs dans l'analyse
empirique, la plupart des études se concentrent sur les facteurs
macroéconomiques. D'autre part, les facteurs non systématiques renvoient
à des facteurs spécifiques qui affectent les individus (ie personnalité des
individus, solvabilité et capital financiers, assurance-crédit) et les
entreprises (ie management,Keeton et Morris (1987), Berger et DeYoung
(1997), Louzis et al. (2012), Klein (2013), Nikolaidou et Vogiazas (2017), entre
autres, fournir plus de détails sur ces facteurs.
La plupart de la littérature empirique qui analyse les déterminants du
risque de crédit se concentre sur les pays développés et d'autres pays en
développement alors qu'il existe très peu de travaux axés sur l'Afrique
subsaharienne. Les études qui se concentrent sur d'autres régions utilisent
soit l'analyse de séries chronologiques, comme la cointégration ARDL (c'est-
à-direAdebola et al. (2011)pour la Malaisie, Nikolaidou et Vogiazas (2014)
pour la Bulgarie, Nikolaidou et Vogiazas (2013) pour la Roumanie)
ou une analyse de panel transnationale (c'est-à-dire Beck et al.
(2015)pour 75 pays,1 Castro (2013) pour la Grèce, l'Irlande, le
Portugal, l'Espagne et l'Italie, Klein (2013) pour 16 pays d'Europe
centrale, orientale et du Sud-Est, Nkusu (2011) pour 26 pays
avancés, De Bock et Demyanets (2012) pour 25 pays émergents,2
et Espinoza et Prasad (2010) pour les pays du Golfe). Certains goujon-
1 Cette étude comprend quatre pays d'Afrique subsaharienne à savoir : le Gabon, le
Ghana, l'Afrique du Sud et l'Ouganda.
2 Cette étude comprend un pays d'Afrique subsaharienne à savoir : l'Afrique du
Sud.
 TR Mpofu, E. Nikolaidou / Revue du financement du développement 8 (2018) 141-153
ies (c'est-à-dire Ekanayake et Azeez (2015) pour le Sri Lanka et Louzis et al.
(2012)pour la Grèce) utilisent une seule analyse de panel de pays, c'est-à-
dire qu'ils analysent différentes banques commerciales au fil du temps).
D'autres études analysent les effets de rétroaction entre les NPL et les
conditions macroéconomiques à l'aide de la VAR de panel ou de la VAR de
panel structurel (voirKlein, 2013 ; De Bock et Demyanets, 2012 ; Nkusu,
2011 ; Espinoza et Prasad, 2010, entre autres).
En ce qui concerne le nombre limité d'études qui se concentrent sur l'Afrique
subsaharienne, nous pouvons distinguer celles qui utilisent l'analyse de séries
chronologiques (c'est-à-dire l'approche ARDL de la cointégration par
Nikolaidou et Vogiazas (2017) pour le Kenya, la Namibie, l'Afrique du
Sud, l'Ouganda et la Zambie ; GLS parChimkono et al. (2016)pour le
Malawi ; OLS parEtale et al. (2016)pour le Nigéria, Haniifah (2015)
pour l'Ouganda, etWashington (2014) pour le Kenya) ou une analyse de
panel transnationale par Fofack (2005) pour 7 pays CFA et 9 pays non CFA.3
Il existe également quelques études (par ex. Warué, 2012 pour le Kenya ;
Havryltchik, 2010 pour l'Afrique du Sud) qui emploient une analyse de panel
de pays unique et d'autres qui emploient une analyse descriptive (c'est-à-
dire Viswanadham et Nahid, 2015 ; Ombaba, 2013 ;
Waweru et Kalani, 2009).
Les résultats empiriques pour les régions développées et d'autres en développement
les régions sont les suivants. Beck et al. (2015) utiliser le cross-country
analyse de panel sur la période 2000-2010 et trouve que vrai
Le taux de croissance du PIB a une relation négative et significative avec les
créances improductives tandis que les taux de prêt et la croissance du crédit ont
une relation positive. Ils constatent également que la dépréciation (appréciation)
du taux de change entraîne une baisse (augmentation) significative des créances
improductives. En utilisant la même analyse de panel transnationale, des résultats
similaires pour le taux de croissance du PIB réel, les taux débiteurs (taux d'intérêt)
et la croissance du crédit sont trouvés parCastro (2013) sur la période 1997T1–
2011T3, Nkusu (2011) sur la période 1998-2009 et
Espinoza et Prasad (2010) sur la période 1995-2008. De Bock et Demynanets
(2012) utilisent également une analyse transnationale et trouvent une
relation négative significative entre les PNP et le taux de croissance du PIB
réel. Cependant, ils trouvent des valeurs insignifiantes pour le taux d'intérêt
des prêts et pour la croissance du crédit.Castro (2013)
trouve une association positive entre les PNP et l'endettement privé/
public, l'appréciation du taux de change réel, le taux de chômage et la
crise financière mondiale de 2008/2009, mais une relation négative
entre les PNP et l'indice des prix du logement et les cours des actions
qui sont similaires àNkusu (2011) constatations.Klein (2013)
et Nkusu (2011) trouvent également une relation positive et significative entre les
prêts improductifs et le taux de chômage. contrairement àBeck et al.
(2015) et Castro (2013), Klein (2013) constate qu'une dépréciation du taux de
change entraîne significativement une augmentation des créances
improductives. Ce résultat est soutenu parNkusu (2011). Par ailleurs,Klein
(2013) trouve une relation positive entre les NPL et la volatilité
globale (VIX) qui est également soutenue par Espinoza et Prasad
(2010). En ce qui concerne l'impact de l'inflation, les résultats empiriques
sont ambigus (c'est-à-direKlein, 2013 trouve un effet positif tout en
Ekanayake et Azeez, 2015 trouver une relation négative). D'autres études
(voir par exemple,Adebola et al., 2011 ; Louzis et al., 2012 ;
3 Les pays CFA comprennent : le Bénin, le Cameroun, le Tchad, la Côte d'Ivoire, le Mali, le
Sénégal et le Togo. Les pays non-CFA comprennent : le Botswana, le Cap-Vert, l'Éthiopie, le
Kenya, le Malawi, le Rwanda, l'Afrique du Sud, le Swaziland et le Zimbabwe.
143
Nikolaidou et Vogiazas, 2014 ; Ekanayake et Azeez, 2015) utilisent soit des méthodes de
séries chronologiques, soit une analyse par panel d'un seul pays et trouvent des
résultats similaires à ceux qui viennent d'être expliqués ci-dessus.
En utilisant une estimation à effet fixe entre pays pour 16 pays
d'Afrique subsaharienne sur la période 1993-2002, Fofack
(2005) trouve une relation négative significative entre les prêts improductifs et le
PIB par habitant et une relation positive avec l'appréciation du taux de change
réel, le taux d'intérêt réel et la monnaie au sens large (M2). L'étude de Fofack
montre également que l'inflation, le taux de croissance du PIB réel et le crédit
intérieur au secteur privé sont tous insignifiants.Fofack (2005)
est la seule étude pour l'Afrique subsaharienne qui utilise une analyse de
panel pour étudier les déterminants du risque de crédit dans le secteur
bancaire. Cependant, cette étude n'emploie qu'une estimation à effet fixe et
ne prend pas en considération les effets dynamiques. Il s'agit d'une
limitation clé de l'étude étant donné que la littérature récente met l'accent
sur l'importance des effets dynamiques pour expliquer les causes du risque
de crédit.
D'autre part, Warué (2012) utilise une analyse de panel de pays unique
pour le Kenya sur la période 1995-2009 et constate que des facteurs
spécifiques aux banques affectent les NPL avec des ampleurs plus élevées
que les facteurs macroéconomiques. Warué (2012) montre en outre une
relation négative et significative entre le PIB réel, le PIB par habitant et les
créances improductives, tandis que le taux d'intérêt prêteur n'a un effet
positif et significatif que pour les petites banques et que l'inflation n'a un
impact négatif que pour les grandes banques et les banques publiques. De
la même manière,Havrylchyk (2010) utilise une analyse de panel de pays
unique pour l'Afrique du Sud sur la période 2001-2008 et constate que les
facteurs macroéconomiques sont les principaux facteurs de risque de crédit
(mesurés en tant que provisions pour pertes sur prêts). Ceci est en
contraste avecWarue (2012) constatations. Appliquer l'analyse descriptive,
Waweru et Kalani (2009) affirment que le ralentissement économique affecte négativement les
prêts non performants au Kenya au cours de la période 1995-2003 tandis que
Ombaba (2013) et Viswanadham et Nahid (2015) des études pour le Kenya et la
Tanzanie respectivement, trouvent une corrélation négative entre les créances
improductives et le PIB. Une étude récente, parNikolaidou et Vogiazas (2017)
utilise la méthode de cointégration ARDL et constate qu'à long terme, les
créances improductives pour tous les pays, à l'exception de l'Ouganda, sont
principalement causées par des facteurs macroéconomiques plutôt que par des
facteurs spécifiques aux banques. Haniifah (2015) emploie l'OLS et constate que
l'inflation, le taux de change, le taux d'intérêt et la croissance du PIB n'inuencent
pas significativement les prêts non performants en Ouganda au cours de la
période 2000-2013. Washington (2014) applique l'OLS avec un ECM et constate un
effet négatif et significatif du taux de croissance du PIB par habitant, du taux de
change et du crédit intérieur au secteur privé sur les PNP tandis que les taux
d'intérêt des prêts et l'inflation ont eu un effet positif et significatif.
En examinant la littérature empirique, il semble que les PNP soient
principalement déterminés par des facteurs macroéconomiques tant pour
les pays développés que pour les pays en développement. En tant que tel,
cet article complète l'analyse des études qui étudient les causes du risque
de crédit en se concentrant sur les déterminants macroéconomiques en
Afrique subsaharienne. Cette étude est motivée par le fait que la seule
étude (parFofack, 2005) qui a analysé les déterminants du risque de crédit
en se concentrant sur l'ASS à l'aide d'une technique d'estimation de panel
sur la période 1993-2002 est obsolète, ignore la récente crise financière
mondiale et ne considère aucune dynamique dans l'estimation. Ainsi, la
présente étude surmonte les limitations ci-dessus en utilisant
144 TR Mpofu, E. Nikolaidou / Revue du financement du développement 8 (2018) 141-153
un ensemble de données récent couvrant de 2000 à 2016 (une période
qui inclut la période post-crise) et il utilise quatre méthodes
d'estimation de panel différentes qui intègrent la dynamique. En outre,
le faible niveau de développement mais en même temps la croissance
rapide du secteur bancaire en Afrique subsaharienne (par rapport à
d'autres régions en développement) ainsi que le fait que certains pays
de la région ont connu des crises bancaires dans le passé, indiquent la
nécessité d'études plus empiriques car elles peuvent proposer des
politiques possibles pour minimiser les crises bancaires à l'avenir. Les
conclusions de la littérature empirique sont mitigées principalement
pour des variables telles que le taux de change et le taux d'inflation.
Ces résultats mitigés justifient davantage la nécessité de davantage de
travaux empiriques sur les déterminants macroéconomiques du risque
de crédit. La section suivante définit les données que nous utilisons,
3. Données, spécification du modèle et méthode d'estimation
Ce document utilise des données annuelles sur la période 2000-2016
pour un échantillon de 22 économies d'Afrique subsaharienne. Les données
sont obtenues auprès de la Banque mondiale, du FMI et des banques
centrales des économies cibles. La liste des pays inclus dans l'échantillon
apparaît dansTableau A1. Ce tableau montre également le PIB réel, le PIB
par habitant, le taux de croissance moyen et la classification de la Banque
mondiale par revenu pour chacun des pays inclus dans notre échantillon
ainsi que pour l'ensemble de la région de l'Afrique subsaharienne. La
période de temps est limitée par la disponibilité de la variable dépendante
(NPL). En tant que tel, notre échantillon est un panel déséquilibré. Étant
donné que les données de panel offrent l'avantage d'augmenter la taille de
l'échantillon, cela permet l'analyse dans une perspective transnationale, car
il serait impossible d'effectuer une analyse de séries chronologiques pour
une seule économie.
Les variables sont définies comme suit : la variable dépendante est les
créances douteuses (NPL) qui est mesuré comme le ratio des prêts improductifs
sur le total des prêts (bruts) en pourcentage. Les variables indépendantes sont les
suivantes : taux de croissance du PIB (RGPD) est le taux de croissance annuel en
pourcentage du PIB réel basé sur la monnaie locale. Taux de chômage (PNUE) est
le taux de chômage total en pourcentage de la population active totale sur la base
des estimations de l'OIT. Taux d'intérêt des prêts (LIR) est le taux d'intérêt offert
par les banques lorsqu'elles prêtent de l'argent à leurs clients. Taux d'inflation (
INFLCPI)
est la variation annuelle en pourcentage du coût pour le consommateur
moyen d'acquérir un panier de biens et de services. DCPGDP est le crédit
intérieur au secteur privé par les banques en pourcentage du PIB.
VIX est le Chicago Board Options Exchange Market Volatility Index (CBOE)
qui donne une approximation de la volatilité mondiale. Le TCER est le taux
de change effectif réel sous forme logarithmique avec une année de base
de 2010 et défini de telle sorte qu'une augmentation représente une
appréciation du taux de change.FINCRISE est la variable muette pour la
crise financière mondiale de 2008/2009 qui prend la valeur de un pour 2008
et 2009 et de zéro sinon. USGDPGR est le taux de croissance du PIB réel des
États-Unis. Ouverture commerciale (COMMERCE) est la somme des
exportations et des importations de biens et services mesurée en
pourcentage du PIB.
Tableau A2 fournit les statistiques récapitulatives de ces
variables. RegarderTableau A2, il devient évident qu'il existe un
degré élevé d'hétérogénéité entre les pays. Le NPL maximum
(74,1%) est observé au Rwanda en 2001 tandis que le minimum
(0,96 %) est observée au Congo Brazzaville en 2010. Le taux de
croissance du PIB varie de 9,69% en Guinée équatoriale en 2016 à
63,38 % dans le même pays en 2001 alors que le taux de chômage
varie de 0,74 % au Rwanda en 2008 à 37,6 % au Lesotho en
2001.
Pour les pays ayant des périodes plus longues, les moyennes des créances
improductives au cours de la période 2000-2007 dépassent les moyennes pour
2008-2009. Ces économies comprennent le Gabon, le Ghana, le Kenya, le Malawi,
Maurice, la Namibie, le Rwanda, les Seychelles et l'Ouganda. Pour certains pays
(c'est-à-dire la Gambie, le Nigéria, le Swaziland et la Zambie), les moyennes
2008-2009 dépassent les moyennes 2000-2007. D'autre part, des économies
comme le Ghana, le Lesotho, le Malawi, Maurice, les Seychelles et l'Ouganda,
depuis 2010 ont des moyennes plus élevées que celles de 2008-2009. Cela
suggère que les prêts improductifs pour ces économies suivent une tendance à la
hausse depuis 2010.Fig. 1
ci-dessous montre ces moyennes.
Pour éclairer la spécification du modèle, une analyse préliminaire
est effectuée pour établir la stationnarité de toutes les variables que
nous utilisons. Nous appliquons les tests de Fisher-ADF et Fisher-PP
pour tester la stationnarité des variables car les tests de type Fisher ne
nécessitent pas de panel équilibré. Les résultats sont affichés dans
Tableau A3 et ils indiquent que toutes les variables sont stationnaires
en niveaux lors de l'utilisation du Fisher-ADF. Les tests Fisher-PP, en
revanche, indiquent qu'à l'exception du taux d'intérêt prêteur (LIR), du
crédit intérieur au secteur privé par les banques (DCPGDP) et du
COMMERCE, toutes les variables restantes sont stationnaires en
niveaux. De plus, nous appliquons le test Im-Pesaran-Shin (IPS) car ce
test ne nécessite pas non plus l'utilisation d'un panneau équilibré. Les
résultats du test IPS montrent que toutes les variables sont
stationnaires en niveaux sauf DCPGDP et TRADE qui deviennent
stationnaires dans leur première différence. Il n'y a pas de résultats
pour les prêts non performants (NPL) car cette méthode ne génère pas
de résultats lorsque la période de temps pour un seul individu est
inférieure à 10 ans lors de l'application des données annuelles. En tant
que tel,
En analysant les déterminants du risque de crédit dans le système
bancaire en Afrique subsaharienne, nous suivons la littérature (voir par ex.
Nkusu, 2011 ; Castro, 2013 ; Klein, 2013, entre autres) en adoptant une
approche dynamique pour tenir compte de l'effet d'éventuelles omissions
variables explicatives et la persistance temporelle du crédit risque.
Par conséquent, notre équation de régression est comme suit:
??
NPL =il α + K NPL
k − +Xil??k il?? + ??je + ?? il (1)
k=1
où NPL désigne le rapport de prêts improductifs à total
prêts (bruts). Les indices i = 1,. . ., N et t = 2000, . . ., 2016 se réfèrent
aux éléments transversaux et chronologiques des données,
respectivement. Xil est un vecteur de variables explicatives, est un vecteur
de coefficients à estimer, ??je est spécifique au pays non observé
effets, ?? il est le terme d'erreur.
Pour estimer l'éq. (1), nous utilisons quatre technologies d'estimation alternatives
niques. Tout d'abord, nous utilisons le pool-OLS. Cependant, des études comme
Baltagi (2008) déclarer que l'estimateur OLS regroupé est biaisé
et incohérent même lorsque le ?? il n'est pas corrélée en série
alors queAnderson et Hsiao (1981) etArellano et Bond (1991)
montrent que l'estimateur OLS devient biaisé pour les petites valeurs
 TR Mpofu, E. Nikolaidou / Revue du financement du développement 8 (2018) 141-153 145

Fig. 1. Moyennes des prêts improductifs pour 2000-07, 2008-09, 2010-16 pour les pays d'Afrique subsaharienne.
Remarques: Angola (Ang), Botswana (Bot), Cameroun (Cam), Tchad (Cha), Congo Brazzaville (Con), Guinée équatoriale (Equ), Gabon (Gab), Gambie (Gam), Ghana (Gha),
Kenya (Ken ), Lesotho (Les), Malawi (Mal), Maurice (Mau), Namibie (Nam), Nigeria (Nig), Rwanda (Rwa), Seychelles (Sey), Afrique du Sud (Sou), Swaziland
(Swa), Tanzanie (Tan), Ouganda (Uga), Zambie (Zam).
La source: compilation et calculs des auteurs utilisant les données du World Banque, FMI et Banques Centrales des Economies.

ues de T lorsque la variable dépendante retardée est incluse comme
variable explicative. Deuxièmement, nous utilisons le modèle à effets
fixes qui permet de contrôler l'hétérogénéité non observée entre les
pays. D'autre part, cette approche peut donner lieu à des
Nickell (1981) biais (appelé aussi biais de panel dynamique) qui résulte
de l'endogénéité possible de la variable dépendante retardée et des
effets fixes sur le terme d'erreur notamment dans les panels « petit T,
grand N ». Malgré cela, à mesure que T grandit, l'estimateur à effets
fixes devient cohérent. Encore,Judson et Owen (1999) indiquent que
même pour T= 30, le biais peut atteindre jusqu'à 20 % de la valeur
réelle du coefficient d'intérêt. Troisièmement, nous utilisons leArellano
et Bond (1991) méthode des moments généralisée par différence en
deux étapes (GMM). Parmi les deux méthodes GMM disponibles, le
GMM à une étape et le GMM à deux étapes, nous utilisons l'estimateur
GMM à deux étapes car il est asymptotiquement plus efficace que
l'estimateur à une étape. Cette méthode transforme les données en
différences premières pour supprimer l'élément d'effet fixe et utilise
les niveaux retardés des variables de droite comme instruments.
Suivant leArellano et Bond (1991) Dans cette méthode, les différences
des variables explicatives strictement exogènes sont instrumentées
avec elles-mêmes tandis que les variables dépendantes et
prédéterminées ou endogènes sont instrumentées avec leurs niveaux
retardés. Quatrièmement, nous utilisons le système GMM parce que
des études commeEspinoza et Prasad (2010), De Bock et Demyanets
(2012), et Klein (2013) entre autres, affirmer que la différence GMM de
Arellano et Bond (1991) a une faiblesse pour fournir des estimations
avec une faible précision lorsque la période d'échantillonnage a
« petit T » et haute persistance.
4. Résultats
Le conclusions de les régression une analyse
Tableaux A4–A8. Nous commençons notre analyse en regardant e
des prêts économiques généraux environnement sur non performant
(PNP). Nous le faisons b y en utilisant le vrai G DP taux de croissance et
taux de chômage pour évaluer l'environnement économique. Ensuite nous
ajouter d'autres variables macroéconomiques dans notre équation de
régression en appliquant les quatre techniques d'estimation différentes
mentionnées plus haut dans la section 3. Dans cet esprit, nous présentons
d'abord les résultats de la mise en commun des moindres carrés ordinaires
(MCO) et des effets fixes (FE). Ces résultats sont présentés dansTableau A4
(colonnes 1 à 6) pour l'impact de l'environnement économique pendant
Tableaux A5 et A6 nous présentons les résultats avec des variables
macroéconomiques supplémentaires. L'estimateur Arellano-Bond (AB) est
ensuite utilisé pour pallier les lacunes de la méthode d'estimation OLS (
Tableau A4, colonnes 7 à 9 ; Tableau A7). Enfin, nous utilisons le système
GMM pour pallier les inconvénients potentiels associés à l'estimateur AB (
Tableau A4, colonnes 10-12 ; etTableau A8). Éq.(1) est un modèle
dynamique. En tant que tel, nous commençons par interpréter la variable
dépendante retardée. Colonnes 1 à 6 poucesTableau A4
inclure deux retards de la variable dépendante. Seul le premier décalage de la
variable dépendante est statistiquement significatif. La taille du coefficient sur les
NPL retardés varie de 0,787 à 0,801 pour les OLS (colonnes 1 à 3) et de 0,674 à
0,678 pour FE, suggérant ainsi qu'un choc sur les NPL est susceptible d'avoir un
effet prolongé sur le système bancaire. En utilisant OLS et FE pour analyser
l'impact du taux de croissance du PIB réel et du taux de chômage, nous utilisons
deux décalages pour chaque variable (voir les colonnes 1, 2, 4 et 5 dansTableau A4
) pour tenir compte du retard éventuel avec lequel les chocs économiques
affectent la performance des prêts non performants et de la possibilité que ces
deux variables soient étroitement liées. Les résultats enTableau A4 (colonnes 1 à
6) indiquent que lorsque le taux de croissance du PIB réel augmente, le ratio des
prêts improductifs par rapport au total des prêts (bruts) diminue
considérablement pour le deuxième décalage du PIB réel. D'autre part, le taux de
chômage est insignifiant lors de l'utilisation de l'OLS alors qu'il est significatif mais
avec le mauvais signe négatif lors de l'utilisation de FE. La variable muette pour la
crise financière mondiale de 2008/2009 est non significative pour les méthodes
OLS et FE. L'inclusion de variables macroéconomiques supplémentaires conduit à
des résultats similaires de persistance élevée des créances improductives, un taux
sommes dans
de croissance du PIB réel important et un taux de chômage insignifiant. Certaines
e effet cts
des variables supplémentaires sont importantes (voirTableaux A5 et A6),
cependant, nous faisons
146 TR Mpofu, E. Nikolaidou / Revue du financement du développement 8 (2018) 141-153
pas discuter de ces résultats en détail en raison des lacunes des
méthodes OLS et FE regroupées.
Comme mentionné précédemment, l'utilisation d'OLS dans un modèle
dynamique conduit à des estimations biaisées et incohérentes tandis que
l'utilisation de FE peut donner lieu à un biais de panel dynamique dans le panel «
petit T, grand N », ce qui est le cas de notre échantillon. Par conséquent, nous
utilisons l'estimateur Arellano–Bond (AB). Nous utilisons un décalage pour la
variable dépendante et toutes les variables macroéconomiques sont traitées
comme strictement exogènes car elles entrent toutes dans l'équation de
régression avec au moins un décalage. L'utilisation de variables strictement
exogènes permet d'éviter un grand nombre d'instruments. Les tests AR pour la
corrélation en série confirment qu'il n'y a pas de corrélation en série étant donné
les probabilités insignifiantes pour AR (1) et AR (2) comme indiqué dansTableau A4
(colonnes 7-9). La validité des instruments est également confirmée par les
p-values non significatives pour le test de Sargan.
Les résultats en Tableau A4 (colonnes 7 à 9) renforcent la persistance
des créances improductives après des chocs économiques de l'ordre de
0,702-0,713. En utilisant l'estimateur AB, le taux de croissance du PIB réel et
le taux de chômage sont insignifiants. Cependant, l'effet positif de la crise
financière mondiale de 2008/2009 confirme que lorsque l'environnement
économique se dégrade, le risque de crédit augmente. Les résultats
présentés dans les colonnes 7 à 9 deTableauA4 indiquent que les créances
improductives ont considérablement augmenté pendant la crise financière.
En ce qui concerne l'importance économique des conclusions, ceteris
paribus, les résultats suggèrent que pendant la crise financière mondiale de
2008/2009, les NPL ont augmenté en moyenne d'environ 1,93 à 1,94 %
point. L'insignifiance du taux de croissance du PIB réel et du taux de
chômage nous motive à utiliser le système GMM. Les résultats du système
en deux étapesGMMare sont indiqués dans les colonnes 10 à 12 du même
tableau. Ces résultats montrent également la persistance des créances
improductives décalées et l'augmentation d'environ 1,88% des créances
improductives pendant la crise financière. Cependant, les mêmes colonnes
indiquent qu'une augmentation d'un point de pourcentage du taux de
croissance du PIB réel diminue le ratio des prêts improductifs au total des
prêts bruts de l'ordre de 0,13 à 0,16 %, toutes choses restant constantes.
Les résultats pour le taux de chômage sont significatifs avec le mauvais
signe. Les résultats du taux de croissance du PIB suggèrent que le risque de
crédit a tendance à augmenter lorsque l'environnement économique se
détériore, ce qui est similaire aux conclusions deNkusu (2011), Louzis et al.
(2012), De Bock et Demynanets (2012), Castro (2013), et Beck et al. (2015)
mais contrairement à Fofack (2005) (la seule étude pour la même région).
Ces résultats soulignent l'importance de mettre en œuvre des politiques
économiques qui
stimuler la croissance économique pour réduire les ems de cre dit risque dans
problèmes du système bancaire.
Tableau A7 présente les résultats pour AB estimateur lorsque nous
incluent d'autres variables macroéconomiques. Colonnes 1–7 reaf-
affirmer la persistance du NPL à un retard dans la gamme de
0,502-0,725 ainsi que l'impact de la crise financière mondiale de 2008/2009.
Maintenant, le taux de croissance du PIB réel est significatif, comme le montrent
les colonnes 1, 2 et 6. Ces résultats suggèrent qu'une augmentation d'un point de
pourcentage du taux de croissance du PIB réel entraîne une diminution du PNP
d'environ 0,15 à 0,23 %, ceteris paribus. Cependant, les coefficients du taux de
chômage sont encore insignifiants dans toutes les spécifications, ils ne sont donc
pas inclus dans le tableau. Ensuite, nous incluons le crédit intérieur au secteur
privé par les banques (D2CPGDP
(−1)).4 Nous considérons la croissance du crédit car plus le crédit
augmente, plus la probabilité que les défauts augmentent à l'avenir est
élevée. Ainsi, les colonnes 3 et 6 indiquent qu'une augmentation d'un
point de pourcentage du crédit intérieur au secteur privé par les
banques en pourcentage du PIB augmente les PNP d'environ 0,06 à
0,10 %. Ce résultat est similaire àEspinoza et Prasad (2010),
Klein (2013), et Castro (2013) tandis que Fofack (2005) trouve une valeur
insignifiante. La relation positive entre les prêts improductifs et la croissance du
crédit implique une augmentation des prêts risqués accordés aux emprunteurs
pendant les périodes de croissance du crédit, ce qui augmente la probabilité de
défaillances potentielles à l'avenir.
Comme prévu, les résultats en Tableau A7 (colonnes 3) indiquent un impact
positif et significatif de VIX sur le ratio des prêts improductifs sur le total des prêts
bruts. Cette relation positive est en ligne avec les effets de la crise financière. Les
résultats de la colonne 6 indiquent qu'une augmentation d'un point de
pourcentage de l'ouverture commerciale entraîne une augmentation de 0,05 %
des PNP. Ce résultat implique que l'ouverture commerciale croissante en Afrique
subsaharienne peut exposer le système bancaire à des chocs défavorables.
D'autres variables telles que les taux d'intérêt des prêts, le taux de change effectif
réel, le taux d'inflation et le taux de croissance du RGDP américain sont
insignifiantes dans toutes les spécifications.
Compte tenu de ce qui précède, nous ré-estimons l'équation. (1) en utilisant la
technique GMM du système en deux étapes avec des erreurs standard robustes
et en ajoutant d'autres variables macroéconomiques. Les résultats enTableau A8
appuyer les conclusions de Tableau A4 (colonnes 7-12) et Tableau A7. La
persistance du NPL continue d'être statistiquement significative dans la plage de
0,492 à 0,662. En outre, le taux de croissance du PIB réel continue d'avoir une
relation négative et significative avec les NPL. En termes d'importance
économique des résultats, une augmentation d'un point de pourcentage du taux
de croissance du PIB réel diminue les PNP de l'ordre de
0,13-0,17 % points, ceteris paribus. D'autres variables, par exemple la
croissance du crédit intérieur au secteur privé par les banques et la variable
muette pour la crise financière mondiale de 2008/2009, ont également un
impact positif et significatif sur les créances improductives. Résultats dans la
colonne 5 dansTableau A8 montrent l'impact du taux d'inflation sur les
créances douteuses. Ce résultat indique qu'une augmentation d'un point de
pourcentage du taux d'inflation entraîne une augmentation d'environ 0,14
% du ratio des prêts improductifs sur le total des prêts bruts. Notre résultat
pour l'inflation est similaire àKlein (2013) mais différent de Castro (2013)
et Fofack (2005) qui trouvent un coefficient insignifiant. De tels résultats
suggèrent qu'une augmentation du taux d'inflation affaiblit la capacité des
emprunteurs à assurer le service de leurs dettes en diminuant leur revenu
réel, ce qui augmente à son tour la probabilité de défaillance des
emprunteurs.
De plus, nous effectuons une analyse de sensibilité en remplaçant
certaines des variables par d'autres variables connexes qui représentent le
même type d'effet. Ces résultats sont présentés dansTableau A9. Nous
remplaçons le taux d'intérêt prêteur par le taux d'intérêt réel (RIR)5 dans les
colonnes 1 et 6 et par le SPREAD (défini comme le taux débiteur moins le
taux de dépôt) dans les colonnes 2 et 7. Les coefficients pour le RIR et le
SPREAD sont non significatifs. Cependant, en regardant ces mêmes
4 Comme la variable DCPGDP n'est pas stationnaire, on utilise sa différence
première D2CPGDP qui est équivalente à DCPGDP.
5 Le taux d'intérêt réel est le taux d'intérêt prêteur corrigé de l'inflation tel que mesuré par le
déflateur du PIB.
 TR Mpofu, E. Nikolaidou / Revue du financement du développement 8 (2018) 141-153
colonnes (1, 2, 6 et 7), nous observons toujours l'importance de
l'environnement économique tel que représenté par le taux de croissance
du PIB réel dans l'incidence des prêts improductifs, ainsi que l'indicateur de
la crise financière. Ensuite, nous remplaçons la variable muette de la crise
financière (FINCRISIS) qui prend la valeur de un pour 2008 et 2009
uniquement et de zéro sinon par une variable appelée CRISE qui prend la
valeur de un à partir de 2008 et de zéro sinon (voir les résultats dans les
colonnes 3 et 8,Tableau A9). Ainsi, nous utilisons cette variable muette pour
capter un effet permanent de la crise financière. Les résultats pour ce
coefficient sont insignifiants. Deuxièmement, nous utilisons le mannequin
CRISIS dans les colonnes 4 et 9 qui prend un pour 2009 seulement et zéro
sinon. Les résultats sur ce mannequin sont positifs et significatifs. Par
rapport à la variable muette FINCRISIS, les résultats de la variable muette
CRISIS dans les colonnes 4 et 9 ont des amplitudes plus importantes. Cela
suggère que la crise financière a affecté négativement les pays d'Afrique
subsaharienne principalement en
2009.
Comme dernière étape, nous excluons la Guinée équatoriale de l'échantillon
car il s'agit d'une valeur aberrante (elle a le taux de croissance du PIB réel le plus
élevé sur la période d'étude avec une moyenne de 63,38 %6). Les résultats qui
excluent la Guinée équatoriale sont présentés dans TableauA9 colonnes 5 et 10
et, globalement, ils ne sont pas concernés par cette exclusion. Les principales
conclusions concernant l'importance du taux de croissance du PIB réel ainsi que
de la variable muette de la crise financière et de la croissance du crédit restent
valables.
5. Conclusion
La crise financière mondiale de 2008/2009 a ravivé l'intérêt des
chercheurs sur les causes des crises bancaires compte tenu de leurs effets
dévastateurs sur l'ensemble de l'économie. En tant que tel, cet article
examine empiriquement l'impact des facteurs macroéconomiques sur le
ratio des prêts non productifs au total des prêts bruts dans 22 économies
d'Afrique subsaharienne, une région qui a été largement négligée dans
6 La Guinée équatoriale a également la moyenne la plus élevée de 11,42 et la médiane la plus
élevée de 8,31 tandis que la moyenne totale des 22 pays de notre échantillon est de 5,27 et la
médiane totale est de 5,00.
147
la littérature pertinente. Cela découle du fait que plusieurs études qui examinent
les causes du risque de crédit dans le secteur bancaire se concentrent
principalement sur les économies avancées et les grands marchés émergents,
probablement en raison de la disponibilité des données.
Nous appliquons une approche de données de panel dynamique sur la
période 2000-2016 en utilisant des techniques d'estimation groupée-OLS, d'effets
fixes, de différence en deux étapes et d'estimation systemGMM. En utilisant une
variété de spécifications, les résultats montrent qu'une augmentation du taux de
croissance du PIB réel a un effet de réduction statistiquement et
économiquement significatif sur le ratio des prêts improductifs au total des prêts
bruts. Plus précisément, une augmentation d'un point de pourcentage du taux de
croissance du PIB réel réduit les prêts improductifs de l'ordre de 0,13 à 0,23%. En
outre, le taux d'inflation, le crédit intérieur au secteur privé par les banques en
pourcentage du PIB, le VIX en tant qu'indicateur de la volatilité mondiale,
l'ouverture commerciale et la variable muette pour la crise financière mondiale de
2008/2009, ont tous un impact positif et significatif sur les créances
improductives. Globalement, les conclusions de cette étude suggèrent qu'une
détérioration de l'environnement économique entraîne une augmentation du
risque de crédit dans le secteur bancaire en Afrique subsaharienne. Cela implique/
suggère que des politiques qui améliorent la croissance économique devraient
être mises en œuvre car elles pourraient apporter des avantages substantiels au
secteur bancaire en réduisant la probabilité de défaut de paiement, et ainsi, en
minimisant le risque de crédit dans le secteur bancaire et la possibilité de crises
bancaires et la des effets dévastateurs sur l'ensemble de l'économie.
Bien que l'analyse par panel permette aux chercheurs de mener des études
lorsque les points de données ne sont pas adéquats pour un seul pays à l'aide
d'une analyse de séries chronologiques, il est nécessaire d'avoir davantage
d'études de cas sur un seul pays en Afrique subsaharienne qui analysent les
déterminants du risque de crédit dans le secteur bancaire. utilisant à la fois des
facteurs systématiques et non systématiques.
Annexe A.
148 TR Mpofu, E. Nikolaidou / Revue du financement du développement 8 (2018) 141-153

Tableau A1
Liste des pays et leurs performances.

De campagne PIB (en 2010 milliards de dollars US) PIB par habitant (en US$ 2010) Taux de croissance moyen du PIB Classement de la Banque mondiale (par revenu)

Angola 103,92 3606.64 7.14 Milieu inférieur

Botswana 16.61 7383.33 4.19 Moyenne supérieure

Cameroun 31,81 1357.07 3,99 Milieu inférieur

Tchad 12.42 859.65 7.42 Faible
Congo Brazzaville 14.34 2798.07 4.28 Milieu inférieur
Guinée Équatoriale 14.69 12.028.56 11.42 Moyenne supérieure

Gabon 18,95 9569.45 2,42 Moyenne supérieure

Gambie 1.09 532,28 3,41 Faible

Ghana 48.17 1707.66 6.10 Milieu inférieur
Kenya 55.39 1143.07 4,56 Milieu inférieur
Lesotho 3.06 1387,46 3,96 Milieu inférieur
Malawi 8.71 481.53 4.28 Faible
Maurice 12.40 9812.55 4.33 Moyenne supérieure

Namibie 14,93 6020.90 4,70 Moyenne supérieure

Nigeria 457.13 2457.81 7.01 Milieu inférieur

Rwanda 8.80 738,64 7,91 Faible
les Seychelles 1,32 13 963,59 3.24 Haute
Afrique du Sud 419,56 7504.30 2,96 Moyenne supérieure

Swaziland 5.25 3911.40 3.21 Milieu inférieur

Tanzanie 46,77 866,95 6,62 Faible
Ouganda 27,47 662.11 6.40 Faible
Zambie 26,92 1622.41 6.33 Milieu inférieur
Afrique sub-saharienne 1686.11 1632.08 4.84 Tous niveaux de revenus

La source: les auteurs compilation et calcul à partir des données de la Banque mondiale.
Remarques: Les valeurs du PIB et du PIB par habitant sont celles de 2016, tandis que le taux de croissance moyen du PIB est la moyenne sur la période 2000-2016.

Tableau A2 Tableau A3
Statistiques descriptives. Racine de l'unité du panneau essais.

Variables Obs Signifier Dev.Std Min Max Variables IPS Fisher–ADF Fisher-PP
normale inverse normale inverse
NPL 260 8.88 8.38 0,96 74,1
RGPD 374 5.27 5.79 −9.69 63,38 NPL −7.53*** −1,96**
PNUE 374 12.18 9.15 0,74 37,6 RGPD −5.66*** −10,64*** −9,46***
LIR 309 19.11 12.95 7.3 103.16 PNUE −4,76*** −10.05*** −5.00***
INFLCPI 364 9.60 20,67 −9,62 325 LIR −2,25** −7,63*** −0,52
DCPGDP 369 20.72 20.31 1,97 106.26 INFLCPI −6.11*** −10,82*** −10.23***
COMMERCE 358 88.15 46,71 21.12 351.11 DCPGDP 4.00 −2,90*** 2.30
REER 187 4.55 0,18 3,99 5.2 DCPGDP −4.02*** −8.96*** −10,58***
VIX 374 20.18 6,98 11.56 40 COMMERCE −0,71 −6,84*** −1.2034
USGDPGR 374 1,93 1,55 −2,78 4.09 COMMERCE −12.66*** −13,37*** −15,46***
FINCRISE 374 0,12 0,32 0 1 REER −3,53*** −7.11*** −3,28***
VIX −6.34*** −11,42*** −7.04***
Remarques: les variables sont défini dans la section 3. Obs signifie observations.
USGDPGR −3,35*** −9.32*** −9.02***
Std.Dev fait référence à l'écart type. Min est le minimum et max est le maximum.
Remarques: les variables sont définies dans la section 3. Les tests de racine unitaire Im-Pesaran-
Shin (IPS) ne nécessitent pas l'utilisation d'un panel équilibré et sont effectués sur les données
disponibles en considérant une constante et un décalage dans toutes les régressions.
L'hypothèse nulle est que « tous les panels contiennent des racines unitaires ». Les tests de
racine unitaire de type Fisher sont basés sur des tests de Dickey-Fuller (Fisher-ADF) augmentés
avec dérive et un décalage dans toutes les régressions et des tests de Phillips-Perron (Fisher-PP)
avec un décalage dans toutes les régressions. L'hypothèse nulle est que « tous les panels
contiennent des racines unitaires ». Les tests de type Fisher ne nécessitent pas un panel équilibré
car les tests sont effectués pour chaque panel individuellement avant de combiner les valeurs p
de ces tests pour produire le test global. Les statistiques sont rapportées et les valeurs p
respectives sont représentées par les étoiles. ***, ** indiquent un rejet de l'hypothèse nulle à 1%
et 5% respectivement.
ond ) 6 3) ) 7 5) 0

essais ond

(UNE
pour 216(8.37) (− − (− − (− − (7. 0,675*** F
B
0,7107 3,886***
(1,64) 1.574
E
1stand ) , 2 0 .1169**
0 0 0. 079 (4)
indiquer . 07) . 51) .3. 10 09
49)
et )
deux
2e o-étape
les
ordre
1% 0.7049 216(3.50) 3,937***
(1.34) 1.280 (− − (2 − (− − (7.06) 0,678*** F
.20 E
système
, 5% 0,018 0,025
(5)
2.
0,23) 0,44)

autocorrélation
) 084**

, et
g
M dix%
M
(S 0,7195 216(5.06) 5.409***
(1.59) 1.543 (− − (− − (− − (− − (− − (7.75) 0,674*** F
g
niveau de signification E
0,036
3 0 2.07) 0,171**1.53) 0,081 0 0 (6)
M
dans .2. 0 .4. 0
0,54)

fi M 88 02
) 1*** )2
).
premier-différence

T
il
variables
211(2.43) (− − (− − UNE
cancer
0,2513 0,1258 0,1261 3.076**(1.71) 1.926* (11,96) 0,702***

dix 0,81) 0 B
.1. 1 . 071
(7)
24
erreurs.S
obustt-statistiques
sommes
)1

défi

211(1.61) (− − UNE
argan-testreprésente
besoin
0,2397 0,2517 0,1368 1.937 (1.60) 1,813 (0,56) 0,031 (10,95) 0,713***

00 B
dans .6. 0 (8)
S 83
ection sommes )0
dans
3.C()crochets.T
0,2509 0,1242 0,1272 211(2.01) 3.594**(1.75) 1.942* (0.14) 0,007 (− − (− − (− − (11,83) 0,705*** UNE
0.0 1 0 0 0 B
les
des stands
(9)
0,89)
. . 1 . .077
90
41
p-valeur
3 6 )44 )
pour il
m
es inconvénient
o
pour
stant.Népicerie fine0 0 0 2 (3,53.9(5,61,8 (− − (− − (9,50,6 (1 S
r . 90. 13. 12 33 0G
dix 20
e 09 18 59 7) 15 4) 76 .7. 1 .. 4) 44 ) M
e estimation ** ** 0601 ** M
validité
o * * ) 0 2* ) 8 7* *
.O *
bs=ment
de les b
e oui 0 0 0
. 95. 06. 13
2 (2,53.5(− − (0,30.0(− −
33
(6,60,6 (1 S
e m o 0,10,1 16 1.60.0 1G
euhrdin 87 08 85 5) 66 3) 7) 18 ) M
régler
* * 1) 93 6) 69 ** M
breaire * *
F
instru de moins carré

ob
m service 0,90.00,1 23 (3.26.0(0,30,9(0,00.0(− − (− − (− − (6,70,6 (1 S
fr 05 97 34 3 2. . 0 1 0 1 0 2G
1) 57 3) 92 1) 00 2 1 .5. 1 . . 14 0) 27 ) M
uares

ts 4 2 3 ** ** M
93 677
utilisé
(O * ) 0 * *) 9 0 ) 0* *
sa
L
pour S
R ),
 1.61)
(−
2.03)
2.77)
annuler.T annuler.T

il 0. 2 0,170 0,151** − 0,21 −

0 0,687*** F il 233− − − O
E
0,7860 0,139*** 0,207* 0,738***

m 73 m L
83
1,085* 0,291 0,918 0,035*

49 8 .0 (3) S
modèles
(0.14)
* 53 modèles
(3)
(−
(1,74 0,97)
(− (− (1,86)
(2.35)
(− (16.84) (2.64)
(− (15.70)
sommes sommes
0,26) 1.33)
2.09)
) 1.68)

estimation estimation

ment ment
0. 1 − − F 0,5954 12919.410** − 1,861 0,317** − 0 O
w 40.074** 1,848 0,277* 0,547***
E w 0. L
avec 5 2 . 77
3.736**
79
7.825** 0,175
(4) avec 1 S
54 65 (4)
2*
**
(1.21)
robustenorme (1.71) robustenorme
(2.19)
(− (2.01) **
(2.68)
(− 1.62)
(6.09)
(2.24)
(− (− (9.
20
. 1)
1.99)
5
2.47)

4)

12924.083*** − − O
erreurs.R erreurs.R
0,5923 1.785 0,306* 0,741***
0. 1 41,664** − 1.709 0. − 0,539*** F L
52 26 0 E 4.691* 0,063*
S
79
8.018**

36 7 .1 (5) (5)
obustt-statistiques (1.57)
* 41 obustt-statistiques
(1.14)
(1.91)
(2.05)
(− (1.91) (−
(2,6
(8.42)
(2,9 (− 0,7 (5.5 1.6
3) 2.76)
6) 5) 5) 7)

0,7860 2331.702*** 0,100*** 0,789 0,244** − 0 O

sommes sommes 0. L
0. 2 2.262*** 0,088* 0,926 0,241* − 0,700*** F . 75
1 S
dans7 3 E dans 77 (6)
83
0,168*
(6) 1*
**
(0,86)
58
parenthèses.S parenthèses.
**
*
(2.10)
(1,30) (3.53) (2.66)
(1.87) (1,88)

(3.99)
(− (19.06)
(− (17.91)

3.27)
1.95)

ee
non 0,722 2.3 0.0 1.2 0,2 − 0 O
tes 0. 2 3.0 0.0 1.2 0,2 − 0,7 F
E 79 8 91 17 20 05
0.
. 76
L
S
72 0,1 1
dans78
8 45 28 21 12 03 (7)
85 * *
0 ** (0 (1 * 63
0* (7
T 2 ** (1.4 (1,6 * * . 85 . 19 (1 ** )
un B * (1 * ** . 84 **
(5.1 *
(6.3 . 80 ) )
le 8) 7) (− (21 ) (− (17
.
UNE ) 9) 34
4 8) 2.3. 74 .15)
pour 5) ) 8
)
o
là
0,723 2.4− 1 0,2 −0 O
défi 0
.723
3 −
. 170
1
. 06
0
. 22
− 0
0 . 70 E
F
79 3 81
0.0 . 03
12
0.
. 76
L
S
73 . 11 . 17 0 1
m 93 3* 9 0* 1* (8) 9 * * 96 (1 * 43
8* (8
tion * *9 (1 1* * * * (− . 13 (1,8 ** )
(− . 52 (1,8 **
* (4,90,5 *
s. (5.71,0 (− (19 ) 4) (− (17
) 3) .
2.1. 95 9) 3) 23
7) 6) .91)
7) ) 9)
 M 17 B
30
0,212**

(1.55)
M 71 (2)
annuler.T
(− (2) annuler.T

(−
(0,17)
(1.89)
(2.73) (10.51)
0,02) (2.25)
1,89) (− (8.99)

il il 2.41)

m m
modèles modèles

sommes
2. − − S sommes

3 04
0,9782 0.8708 0,1258 0,150 0,163*** 0,627***
g
estimation
3 31 0,850 0,132*
M estimation
0,4133 0.6797 0. 2 0,283 0,153* − 0,095* − 0,654*** UNE
M 11 0. B
11
0,143
825
(0,31) (1.43)

ment (− (3) ment 48 (3)

(3.25)
(− (6.21) (0,33)
0,57) (1,95)
(− (1,67)
(−
w 1,89)
w
avec
(9.61)
avec 1.33) 1.31)

robustenorme robustenorme

1.000 0.5622 0,2885 12 65 − − 0,294 − 0,492*** S

g
.
9 933 11.199 9.069 0,188
M 0.9610 0,0934 0. 1 36.610 − 1,349 0,043 − 0,502*** UNE
M 11 0 B
88
7.071
erreurs.R (1.17) erreurs.R
51
. 188
(4)
(1.55)
(− (− (4)
(− (0,78) (0,85)

0,34) 1.33)
(3.25) (1.13)
(− (−
1.39) (3.10)
0,99) 1.20)
obustt-statistiques obustt-statistiques

2. − S
.33251*
0.8724 0,8264 0,1255 0,144** 0,991** 0,206*** 0,634***
2 g 0,2171 0,4222 0. 12 2.263*** 0,060 1.492 0,082 − 0,701*** UNE
M
0,159*
1260
1 0,133 B
M
sommes sommes
(5)
dans (1.80)
(5) dans (1.02) (1.63) (1.51)
(2.07) (2.46)
(− () (−
() (3.35) (6.59)

1.93) (2.62) (9.48)

crochets.S crochets.S 1.27)

ee ee
m non
0 0 0 2. 0 − 0 − 0 S
. 96. 66. 152 32 . 04 . 150 . 65 g tes 0,30,20. 2 3.0 0.0 1.5 0.0− 0,6 UNE
notes

88 0 dix6 0,1 B
. 08 . 15 M
dans03 75 60 5* 3* 9* 2* M dans23 66 37 27 49 18 58 77 (6
T ** (2.4
2 * * 1* * * T 5 8 1 ** ** (1.4 * * 53 * * )
(− (6) un B * *
capable
(2,8 (3.1(− (6,9 (2.3 (2.1(− *
5) 0.0 le (3 5) (9
1.9 . 32
UNE 9) 3) 5) 0) UNE 0) 0) 1.6. 39
4 0) 4 ) 5) )
pour pour
o o
là là

défi défi
0,80,90,12 . − 1.3 0,1− 0,6 S
3 34 0,1 0,1 g 0,20,40. 2 3.0− 1.3 0.0− 0,6 UNE
m 52 57 23 3 29 62 66 61 m B
tion M tion 94 21 1 1
37 1 36
0,1
42 73
0,1
72 (7)
8 9 9 * * 71 ** * * 37 * * M
* 3 7 8 * * 24 (1,5
20
(1,6 * *
s. (2 (− (2 * * (7) s.
(2,9(− (6,6 * (− (− *
. 371.1 . 05 (2,80,6 1) 0) 1.2(8.5
1
) 7) ) 2) . 782)
6) 5) 8) 6)
)
 (4) les usages
et
et annuler.T 0,3851 0. 0 170(1 3 (− − (1 1.053 (1.91) 0,107* (− − (1 0 UNE
e 5. . .5
4 00 . 2 0. 0 .7 B
(10),E taux d'intérêt
11 15 (3)
(9)
utilisation 05 )4
.6. 40
9 8. 21. 7 29
6 90 08) 08
les il )5 ) 2* ) ** *
*
*
les usages
quatorialG
m
deux
C propagero-étapemodèles
R
EST
EST sommes 0,3027 0. 0 170(1 5 (− − (6 3,686*** (1.47) 0,065 (− − (8 0 UNE
uinea
défi(S
système
9. .4. 2 00. .8. 7 B
21
0,251***

01 71 (4)
3.34)
P
estimation
00 )1
.7. 11 4
R 1 30 63) ) 9***

estbesoin E )6
UNE g ment
commeré M
exclu

une)défiM w
idiot (S avec
besoin g
de m M robustenorme 0,4034 0. 0 170(1 4 (− − (3 1 (1,25) 0,072 (− − (dix UNE
ouicommeM 4. . .5
4 . .5
7 3 0. 1 .7 B
3 1
0,104

63 78 (5)
0,69)

les prêt
variable ). 15 )0 1. 2 .2 2
R 2 22 ) 4***
1321
) 3* ) ** *
sam égressions
*
*
ple.S taux
qui prend

erreurs.R

m
ee (1) et
en nous 0,9992 0. 0 187(2 2 (− − (− − (1.55) 0,201 (− − (dix S
8. . .8 g
Remarques
un 51 7 0,017
00 1 0 0 .6 M
34 .0. 0 .8.1 .5 6
0,46)
obustt-statistiques 63 M
tauxdépôt.R
4 76 ) 1***
25 9512
dans pour )5 ) 5* ) ***
(6)
(6) utilisations

T 2009
capable

UNE
intérêt réel
seulement
4
pour
égressions 0,9892 0. 0 187(1 1 (1.09) 0,140 (0 1 (2.45) 0,220** (− − (7 0 S
et
sommes
5. .0. 8 .7. 3 6 g
31 20.. M
dans 25 56 48 2. 1. 72 30
autre
8 05 )3 )2 0 6 ) *** M
zéro
(7)
parenthèses.Dans ) 5**

défi (3)
autrement
(R
nitions. et IR
(8) ) défi
0,988 0. 0 187(1 2 (0,50,042 (0,07 0,14 (3.00,242 (− − (1 0 S
ise.F

4. . .5 6 g
vous
ses 91 7 1,80 0.
. . 14 M
4 6 2) 0) 1
besoin
DANS régression
25 )9* ) 5
8 7 46 * * 6) 4 72
2)* M
C C comme * *
R R les * * (8)
ESTEST
ESTESTlongueurns
estdéfivacarme(1
une )–

du m ed g 0 0
. 981 . 0.
1 (1 2
87 . .
(0,20.0(6 4 (1,80,1(− − (8 0 S
dans . 67. 42 2.40,1.3. 6
g
(5
m ), 58
90 22 2) 17 6) 88 84 M
m commetester w 58 1 8 ) 4*
ouiune utilisation e 6 77 )1 * 1) 93 ) 3 * * M
** ** *
variableré (9
euh )
e
m ed
ouiun deux
ça prend
v juste
ariab o-étape
0,90. 0 18 (1 2 (0,30.0 (0 1 (3.00,1(− − (7 0 (1 S
6. 7 4. .6 . .5
9 2 0. 0
. .6 0G
le pour 75 1 1 82 2) 21 65 0) 83 . 1 1 14 )M
es e rince ré 7 8 6
2 58 )7 )8 * * 6) 66 ) 4 * * M
ifferen
surattaque * ** *
e rapport

pour
m ce
 TR Mpofu, E. Nikolaidou / Revue de
Les références
Adebola, SS, Wan Yosoff, WSB, Dahalan, J., 2011. Une approche ARDL
aux déterminants des prêts improductifs dans le système bancaire islamique
en Malaisie. Koweït chapitre arabe. J. Bus. Gérer. Rév. 1 (2), 20-30.
Anderson, T., Hsiao, C., 1981. Estimation de modèles dynamiques avec erreur com-
posants. Confiture. Stat. Assoc. 76, 598-606.
Arellano, M., Bond, S., 1991. Quelques tests de spécification pour les données de panel : Monte
Preuve de Carlo et application aux équations de l'emploi. Rév. Econ. Goujon.
58, 277-297.
Baltagi, B., 2008. Analyse économétrique des données de panel, 4e éd. John Wiley &
Fils, Ltd., Chichester, Royaume-Uni.
Beck, R., Jakubik, P., Piloiu, A., 2015. Déterminants clés de la non-performance
prêts : de nouvelles preuves à partir d'un échantillon mondial. Ouvrez Écon. Apocalypse 26, 525-550.
Berger, A., DeYoung, R., 1997. Prêts problématiques et rentabilité dans les
banques. J. Banque. Finances 21, 849-870.
Bernanke, B., Gertler, M., Gilchrist, S., 1999. L'accélérateur financier d'un
cadre quantitatif du cycle économique. Dans : Taylor, JB, Woodford, M. (Eds.),
Manuel de macroéconomie. Elsevier, Amsterdam.
Bernanke, B., Gertler, M., 1989. Frais d'agence, valeur nette et uctua-
tions. Un m. Écon. Apoc 79, 14-31.
Castro, V., 2013. Déterminants macroéconomiques du risque de crédit dans le secteur bancaire
système : le cas du GIPS. Écon. Modèle. 31, 672-683.
Chimkono, EE, Muturi, W., Njeru, A., 2016. Effet des prêts non performants
et d'autres facteurs sur la performance des banques commerciales au Malawi. Int. J.
Écon. Commer. Gérer. IV (2), 549-563.
De Bock, R., Demyanets, A., 2012. Qualité des actifs bancaires dans les marchés émergents :
Déterminants et retombées, Document de travail du FMI 12/71.
Diwan, I., Rodrick, D., 1992. Réduction de la dette, prêts d'ajustement et fardeau
Partage, document de travail NBER n° 4007, Cambridge, MA (mars).
BEI, 2013. Le secteur bancaire en Afrique subsaharienne : défis et opportunités, Euro-
Rapport de la banque d'investissement européenne. Ekanayake, EMNN, Azeez, AA, 2015.
Déterminants de la non-performance
prêts dans des banques commerciales agréées : preuves du Sri Lanka. Écon
asiatique. Financ. Rév. 5 (6), 868-882.
Espinoza, R., Prasad, A., 2010. Prêts non performants dans le secteur bancaire du CCG
Système et leur effet macroéconomique, Document de travail du FMI, 10/224.
Etale, L., Ayunku, PE, Etale, E., 2016.L'impact des prêts non productifs et
performances bancaires au Nigeria. Int. J. Humanité. Soc. Sci. Inventer. 5 (4), 1-5.
Flamini, V., McDonald, C., Schumacher, L., 2009. The Determinants of Com-
commerciale Bank Profitability in Sub-Saharan Africa, Document de travail du FMI,
15. Fofack, H., 2005. Nonperforming Loans in Sub-Saharan Africa: Causal Analy-
sis and Macroeconomic Implication, Document de travail de recherche sur les politiques de la Banque
mondiale, 3769.
Financement du développement 8 (2018) 141-153 153
Haniifah, N., 2015. Déterminants économiques des prêts improductifs en Ouganda
Banque commerciale. Le bus de Taylor. Rév. J. 5 (2), 137-153.
Havrylchyk, O., 2010. Modèle de risque de crédit macroéconomique pour les tests de résistance
Secteur bancaire sud-africain, Document de travail de la Banque de réserve sud-africaine,
10/02.
FMI, 2017. Global Financial Stability Report Octobre : La croissance est-elle menacée ? Judson, R.,
Owen, L., 1999.Estimation de modèles de données de panel dynamiques : un guide pour
macroéconomistes. Écon. Lett. 65, 9-15.
Kasekende, L., Brixova, Z., Ndikumana, L., 2010. Afrique : le contre-
réponses politiques cycliques à la crise. J. Glob. Dév. 1 (1).
Keeton, WR, Morris, CS, 1987. Pourquoi les pertes sur prêts des banques diffèrent-elles, Eco-
Revue économique. Banque de réserve fédérale de Kansas City, pp. 3-21.
Kiyotaki, N., Moore, J., 1997. Cycles de crédit. J. Polit. Écon. 105, 211-248.
Klein, N., 2013. Prêts non performants dans les CESEE : déterminants et impact
sur les performances macroéconomiques, document de travail du FMI 13/72. Louzis,
DP, Vouldis, AT, Metaxas, VL, 2012.Macroéconomique et bancaire-
Déterminants spécifiques des prêts improductifs en Grèce : une étude comparative du
portefeuille de prêts hypothécaires, commerciaux et à la consommation. J. Banque. Finances
36 (4), 1012-1027.
Nickell, S., 1981. Biais dans les modèles dynamiques à effets fixes. Économétrie
49 (6), 1417-1426.
Nikolaidou, E., Vogiazas, SD, 2013. Modélisation du risque de crédit en roumain
système bancaire : preuve d'un modèle ARDL. Dans : Karasavvoglou, A.,
Polychronidou, P. (Eds.), Contributions to Economics : Balkan and Eastern
European Countries in the Midst of the Global Economic Crisis. Springer.
Nikolaidou, E., Vogiazas, SD, 2014. Déterminants du risque de crédit pour le bulgare
système bancaire. Int. Av. Écon. Rés. 20 (1), 87-102.
Nikolaidou, E., Vogiazas, S., 2017. Déterminants du risque de crédit en Afrique subsaharienne
systèmes bancaires : témoignages de cinq pays et enseignements tirés des
pays d'Europe du Centre-Est et du Sud-Est. Rév. Dev. Finances 7, 52-63.
Nkusu, M., 2011. Prêts improductifs et vulnérabilités macrofinancières dans
Économies avancées, document de travail du FMI 11/161. Ombaba, MKB, 2013.
Évaluer les facteurs contribuant aux NPL au Kenya
Banque. EUR. J. Bus. Gérer. 5 (32), 155-163.
Reinhart, CM, Rogoff, KS, 2011. Du krach financier à la crise de la dette. Un m.
Écon. Rév. 101 (5), 1676-1706.
Viswanadham, N., Nahid, B., 2015. Déterminants des NPL dans les banques commerciales :
une étude de la banque NBC Dodoma Tanzanie. Int. J. Finance Banque. Goujon. 4 (1),
70-94.
Warue, BN, 2012. Les effets des facteurs spécifiques aux banques et macroéconomiques sur
prêts improductifs dans les banques commerciales au Kenya : une analyse
comparative de données de panel. Av. Gérer. Appl. Écon. 3 (2), 135-164.
Washington, Géorgie, 2014. Effets des variables macroéconomiques sur le risque de crédit en
le système bancaire kenyan. Int. J. Bus. Commer. 3 (9), 1–26.
Waweru, Nouveau-Mexique, Kalani, VM, 2009. Crises bancaires commerciales au Kenya : causes
et remèdes. Afr. J. Compte. Écon. Banque des Finances. Rés. 4 (4), 12-33.