Vous êtes sur la page 1sur 19

Revue internationale de comptabilité et de finance

Vol. 6, n° 1 ; 2021
ISSN 2576-1285 E-ISSN 2576-1293
Publié par CRIBFB, États-Unis

DÉTERMINANTS DU RISQUE DE CRÉDIT

Dr K. Riyazahmed
Maître assistant
Institut Shri Dharmasthala Manjunatheshwara
pour le développement de la gestion
Mysore, Karnataka, Inde
Courriel : riyazahmed@sdmimd.ac.in

Dr Gunja Baranwal
Maître assistant
Alliance School of Business
Alliance University, Bangalore, Karnataka, Inde
Courriel : baranwalgunja@gmail.com

ABSTRAIT
Cette étude vise à examiner empiriquement l'impact de l'efficacité managériale sur le risque de crédit des banques des
secteurs public et privé indiens. Nous considérons le rendement des actifs comme une approximation de l'efficacité
managériale et les actifs non productifs bruts (GNPA) par rapport au total des avances comme une approximation du
risque de crédit. L'étude utilise des effets fixes et des modèles de données de panel dynamiques pour examiner
l'impact. Les estimations du modèle économétrique suggèrent un impact négatif du rendement des actifs sur le risque
de crédit. De plus, nous analysons l'impact du rendement des actifs par l'information de variables microéconomiques et
macroéconomiques dans l'approche dynamique des méthodes des moments généralisées (GMM). Les résultats restent
les mêmes après avoir utilisé un GMM dynamique modélisé avec un risque de crédit décalé et un rendement décalé des
actifs. Davantage, l'effet des variables macroéconomiques telles que le taux des prises en pension et le taux des prises
en pension confirme la théorie. Les contrôles d'hétérogénéité au niveau des régions et des secteurs confirment la
robustesse des résultats.

Mots clés: Risque de crédit, actifs non performants, défauts de paiement, modèle GMM, effets
dynamiques.

Codes de classification JEL : G20, G21.

Reconnaissance: Nous remercions M. Balachandar Kaliappan, TUM School of Management, Munich,


Allemagne, pour ses précieuses suggestions pour le document de recherche.

INTRODUCTION
Les actifs non productifs (NPA) dans les bilans des banques indiennes s'accumulent, entraînant une insuffisance de
capital, une violation des exigences réglementaires et une aggravation du risque de crédit. Un tel scénario de NPA
aboutira à terme à une crise du crédit à l'échelle nationale (Valencia & Laeven, 2008). Par le passé, la crise économique
mondiale induite par le crédit bancaire - 2007 a poussé les économistes et les régulateurs à se pencher plus en
profondeur sur les facteurs à l'origine du risque de crédit, en particulier dans le secteur bancaire (Castro,
2013).
Pour gérer efficacement la stabilité financière des banques indiennes, la compréhension du risque de crédit
est une question de la plus haute importance. Pour protéger les secteurs réels de l'effondrement économique, le
contrôle des facteurs causant le risque de crédit est une nécessité immédiate (Salas & Saurina, 2002).

53
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

Gulati, Goswami et Kumar (2019) ; Das et Ghosh (2007) et Digal, Satpathy et Behera (2015) sont les quelques
travaux de recherche notables axés sur le risque de crédit dans le contexte indien. Cependant, les données prises en
compte pour leur étude ne couvrent que jusqu'à l'année 2010. Depuis 2010, l'économie et le secteur bancaire indiens
ont connu des changements drastiques qui entraînent à leur tour une modification du risque de crédit. Les statistiques
de la Reserve Bank of India (tableau_1) montrent une forte augmentation du risque de crédit des banques indiennes au
cours des cinq dernières années. Ainsi, une analyse empirique avec les données récentes est indispensable pour gérer
efficacement le risque de crédit. Divers facteurs influent sur le risque de crédit. Dans cette étude, nous nous
concentrons sur l'un des principaux facteurs d'efficacité managériale, le retour sur actifs (ROA) un ratio de résultat
opérationnel sur l'actif total moyen. En tant qu'indicateur de performance financière, Le ROA reflète la capacité de la
direction d'une banque à générer des bénéfices à partir des actifs de la banque (Athanasoglou, Delis, & Staikouras,
2006). Ainsi, nous pensons que la capacité des banques à générer des bénéfices (ROA) devrait effectivement contribuer
à réduire les actifs non performants (c'est-à-dire le risque de crédit). Dans cette étude, nous examinons l'impact du ROA
sur le risque de crédit avec divers autres facteurs macroéconomiques, spécifiques aux banques et spécifiques à
l'industrie en utilisant les données de l'année 2010 à 2018.
Dans un premier temps, nous utilisons une approche d'estimation des effets fixes et des méthodes
généralisées des moments (GMM) pour identifier l'impact du ROA sur le risque de crédit. Des variables
macroéconomiques, spécifiques aux banques et spécifiques à l'industrie sont également incluses pour examiner
leur impact sur le risque de crédit, car les normes de prêt dans les banques sont déterminées par les pratiques
de l'industrie et le niveau de concurrence. En outre, l'effet de la région et de la propriété de la banque est
également testé dans l'étude, afin d'examiner la différence significative d'impact due à la région d'exploitation et
à la propriété. Dans le modèle final avec estimation dynamique du GMM, nous avons inclus le risque de crédit
retardé et le ROA retardé en plus des variables mentionnées ci-dessus.

Tableau 1. Tendances des ratios d'actifs non productifs bruts dans le secteur bancaire indien

Année Publique Secteur Secteur privé Tous


Banques Banques Les banques commerciales

2010 2.03 2,99 2,42


2011 1,97 2,48 2,35
2012 2,67 2.09 2,95
2013 3.24 1,77 3.23
2014 4.09 1,78 3,83
2015 5.26 2.1 4.27
2016 10.7 2.8 7.5
2017 12.95 4.05 9.32
2018 14,58 4.62 11.18
Source : calcul de l'auteur à partir des données RBI
Figure 1. Risque de crédit des banques indiennes

Les conclusions de cette étude sont très importantes pour les décideurs, la direction des banques,
et les chercheurs pour mieux comprendre le risque de crédit. En outre, il contribue à la littérature existante en
examinant un large éventail de facteurs déterminant le risque de crédit dans le contexte indien en particulier
dans les années 2010-2018, au cours desquelles aucune étude n'a été menée.
Le document a été divisé comme suit. La section 2 présente la revue de la littérature. Section
3, sur la méthodologie. La section 4 se concentre sur l'analyse des données et interprète les
résultats. La dernière section résume la conclusion du travail de recherche.

REVUE DE LITTÉRATURE
Le risque de crédit fait référence au risque associé à tout type de défaut sur des événements liés au crédit, tels que des
changements dans la qualité de crédit (y compris des dégradations ou des augmentations des notations de crédit),

54
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

les variations des spreads de crédit et l'événement de défaut (Bielecki & Rutkowski, 2004). Dans cette étude, par risque
de crédit, nous entendons le non-paiement des prêts par les emprunteurs des banques commerciales,
c'est-à-dire l'événement par défaut. Entre 2001 et 2010, les études de recherche se sont concentrées sur l'impact des
facteurs principalement macro-économiques sur le risque de crédit (Bielecki & Rutkowski, 2004 ; Tang & Yan, 2006 ;
Hofmann, 2005). Cependant, quelques études se sont concentrées sur l'impact des facteurs spécifiques aux banques
sur le risque de crédit ces dernières années (Gulati et al., 2019 ; Ghenimi, Chaibi, & Omri, 2017).
Les travaux de recherche de Castro (2013) et Nkusu (2011) ont révélé que le produit intérieur brut (PIB),
l'inflation, le marché boursier et le taux de change influençant le risque de crédit. Une étude de recherche de
Turan (2016) a révélé que le risque de crédit est déterminé par la concurrence mondiale, la faillite des
entreprises, l'augmentation du crédit et la baisse de la marge bénéficiaire et des produits dérivés de crédit.

Une étude de recherche de Manab, Theng et Rus (2015) a révélé que la liquidité, la rentabilité et le ratio de
productivité ont un impact significatif sur le risque de crédit. En outre, une étude de recherche de Yurdakul (2014)
ajoute que le taux de croissance et l'indice boursier ISE réduisent le risque de crédit des banques à long terme, tandis
que la masse monétaire, le taux de change, le taux de chômage, le taux d'inflation et le taux d'intérêt augmentent le
risque de crédit. Une étude de Salas et Saurina (2002) a utilisé l'approche GMM pour analyser les déterminants du
risque de crédit. Ils ont constaté que le taux de croissance du PIB, le crédit passé rapide, l'expansion des succursales, la
composition du portefeuille, la taille, la marge d'intérêt nette, le ratio de capital et le pouvoir de marché expliquent de
manière significative le risque de crédit.
Document de recherche de Gulati et al. (2019) a étudié l'impact des variables macroéconomiques réelles, à
savoir le taux de croissance du PIB, le taux d'inflation, le taux de change effectif réel et des variables spécifiques aux
banques telles que la rentabilité des banques, la diversification des revenus, la croissance du crédit, la taille de la
banque et l'inefficacité des coûts, des variables spécifiques à l'industrie comme rapport de concentration, sur les
changements de NPA. En outre, ils ont découvert l'impact de la gestion ou de la propriété, des normes prudentielles et
de la crise financière sur le risque de crédit. Il s'agit d'une contribution importante à la littérature existante dans le
contexte indien. Cependant, la période retenue pour l'étude est de 1999 à 2014, ce qui ne couvre pas les données des 5
dernières années, qui doivent être examinées de manière critique en raison de l'augmentation significative des défauts
de paiement de gros montants.

MÉTHODE
Données

Les données bancaires utilisées pour l'étude sont tirées des rapports financiers de fin d'année (mars) pour une
période de 9 ans de 2010 à 2018. Ceux-ci sont extraits de Capitaline, une base de données numérique
d'entreprise d'entreprises indiennes avec une approche structurée et systématique. présentation des données
financières. Au total, 40 banques sont considérées pour l'analyse, à l'exclusion de cinq banques qui ne disposent
pas de données complètes sur la période prise pour l'étude. Les données relatives aux facteurs macro-
économiques sont tirées des publications de la RBI et d'India Stat, la plus grande source indienne de données
statistiques socio-économiques.

Variables
Le risque de crédit est la variable dépendante, et il est prédit par plusieurs variables indépendantes prises
pour l'étude, qui sont regroupées en variables macroéconomiques, variables spécifiques à la banque,
variables sectorielles et une variable muette (tableau A2).

Variables macro-économiques
Les variables macroéconomiques sont les plus importantes dans l'impact sur le risque de crédit. Nkusu (2011) et Castro
(2013) ont constaté que le taux de croissance du PIB affecte le risque de crédit. Ils soulignent que lorsque la croissance
du PIB diminue, le risque de crédit bancaire augmente. Le taux de croissance de la valeur ajoutée brute (VAB) est utilisé
dans cette étude.
La VAB est une alternative au produit intérieur brut et une meilleure mesure car elle comprend

55
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

tous les revenus primaires (Cai & Leung, 2020). Gulati et al. (2019), Ghenimi et al. (2017), Yurdakul (2014),
Bhattarai (2019) ont constaté que le taux d'inflation affecte largement le risque de crédit. Khemraj et
Pasha (2009) soutiennent que l'appréciation de la monnaie nationale réduira la santé financière des
entreprises exportatrices et, à son tour, réduira leur capacité de service de la dette, ce qui entraînera des
défauts de paiement. Ainsi, à l'instar du taux d'inflation, on peut s'attendre à un impact positif du taux de
change effectif réel (TCER) sur le risque de crédit.
En plus des macro-variables ci-dessus, le taux de prise en pension et le taux de prise en pension inversée sont
inclus dans cette étude. Nous émettons l'hypothèse de l'impact négatif de la prise en pension et de la prise en pension
inversée sur le risque de crédit, car une augmentation des deux variables réduira la masse monétaire ou les prêts,
réduisant ainsi le risque de crédit.

Variables spécifiques à la banque


La rentabilité des banques peut être déterminée par leur ROA, qui montre principalement l'efficacité
managériale à générer des rendements. Un ROA plus élevé signale une meilleure santé financière pour faire face
aux chocs et est lié au risque de crédit. Bhattarai (2018) a constaté que le ROA a un impact significatif sur les
actifs non performants. De même, Gulati et al. (2019) et Ghenimi et al. (2017) ont constaté qu'une rentabilité plus
élevée réduit le risque de crédit. Ainsi, nous émettons l'hypothèse d'un impact négatif du ROA sur le risque de
crédit.
La diversification des revenus est évidente dans le secteur bancaire, car toutes les banques sont désormais
impliquées dans des activités bancaires non traditionnelles telles que la banque d'investissement, la gestion d'actifs,
l'assurance, la souscription, etc. Les revenus de ces activités sont normalement classés comme revenus sans intérêts
(NOI). Cela comprend les frais plutôt que les intérêts. Gulati et al. (2019) soulignent qu'une plus grande diversification
conduit à une augmentation de la probabilité de risque de crédit. Ainsi, nous nous attendons à un impact négatif des
revenus autres que d'intérêts sur le risque de crédit. Le ratio des revenus autres que d'intérêts sur le revenu total est
utilisé comme mesure de la diversification des revenus.
La croissance du crédit est considérée comme l'un des principaux facteurs d'influence du risque de crédit.
Nous comprenons que l'acquisition de plus de banques commerciales réduit les normes de crédit et les taux d'intérêt,
ce qui entraîne automatiquement une diminution de la qualité des prêts et finit par devenir NPA. Gulati et al. (2019) et
Salas et Saurina (2002) ont constaté qu'une croissance plus élevée du crédit augmente la probabilité de défaut dans le
secteur bancaire. Ainsi, nous émettons l'hypothèse d'un impact négatif de la croissance du crédit sur le risque de crédit.
Dans cette étude, nous utilisons les prêts par rapport au total des actifs comme approximation de la croissance du
crédit.
La taille de la banque joue un rôle important dans l'impact du risque de crédit. Plus la taille est grande, plus la
capacité des banques à systématiser les procédures de prêt et ainsi réduire le risque de crédit est grande. En revanche,
Ranjan et Dhal (2003) ont constaté que la taille de la banque affecte négativement le risque de crédit. La raison en est
que les grandes banques s'endettent trop pour acquérir plus d'affaires et réduisent ainsi la qualité des prêts aux
emprunteurs de qualité inférieure. Dans cette optique, dans cette étude, nous émettons l'hypothèse d'un impact
négatif de la taille de la banque sur le risque de crédit.
L'efficacité des coûts est généralement capturée par le ratio des dépenses d'exploitation sur le total des
actifs. Ghosh (2015) et Vasishtha et Rajaraman (2002) ont trouvé un impact négatif sur la rentabilité des créances
douteuses. Plus d'efficacité de la gestion pour contrôler les coûts, moins de chance pour les banques de se
retrouver avec des créances douteuses. Ainsi, nous nous attendons à une relation négative entre la rentabilité et
le risque de crédit. En plus des variables mentionnées ci-dessus, nous avons pris l'âge de la banque et de
l'entreprise par employé pour tester leur importance en termes d'impact sur le risque de crédit. Nous émettons
l'hypothèse de l'impact négatif des deux facteurs sur le risque de crédit puisque les banques ayant des
opérations commerciales plus longues suivraient les pratiques de prêt standard et l'efficacité des employés
réduira également le risque de crédit.

Variable propre à l'industrie


Le risque de concentration est représenté par le rapport de concentration. Il fait référence au degré de marché

56
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

concentration. Plus la concentration des marchés par quelques banques sera importante, moins la concurrence sera.
Gulati et al. (2019) soulignent qu'une concurrence moindre conduit à facturer des intérêts plus élevés, entraînant ainsi
un risque de crédit. Dans cette étude, telle que considérée par Gulati et al. (2019), la part des avances des 10 plus
grandes banques est prise comme ratio de concentration. Nous émettons l'hypothèse d'un impact négatif de la
concentration sur le risque de crédit.

Variable muette – Régime politique


Au cours de la période prise pour l'analyse, le pays a été confronté à deux régimes politiques montrant la différence
dans les mesures de contrôle du risque de crédit. Ainsi, en tant que nouveau facteur, le régime politique est inclus dans
le modèle en tant que variable muette pour étudier l'importance de son impact sur la réduction du risque de crédit.
Nous émettons l'hypothèse d'un impact négatif puisque le changement de régime prendrait des mesures pour réduire
le risque de crédit.

Modèle
Notre modèle de référence ressemble à l'équation (1) dans laquelle nous examinons l'effet du rendement des actifs sur
le risque de crédit ainsi que diverses autres variables explicatives.

Y_it=α_i+??_1_il ??X_1_it+β_itZ_it+ε_it …………………… (1)

Où 'i' fait référence à la banque et 't' fait référence à l'année

Y_it = risque de crédit

X_it= retour sur actifs

Z_it se compose d'une liste de variables micro comme l'entreprise par employé, la rentabilité, l'âge des
banques, les revenus autres que d'intérêts, le ratio de concentration, la taille, la croissance du crédit et des variables
macro comme le taux de prise en pension, la prise en pension inversée, la croissance de la valeur ajoutée brute taux de
change, indice des prix de gros, taux de change effectifs réels et régime politique.

Problème d'endogénéité
Bien que nous puissions obtenir les estimations de l'effet du ROA sur le risque de crédit avec une foule
d'autres variables explicatives, il y a un problème associé à cette équation tout simplement défie à savoir.
le problème de l'endogénéité, la corrélation entre les variables du modèle. Il s'agit d'une anomalie
potentielle dans les modèles économétriques, qui peut entraîner des estimations de paramètres
incohérentes (Guerrero, Guevara et Cherchi, 2020). Ce problème crée de fausses estimations de dans
l'équation (1).
L'endogénéité apparaît dans l'équation (1) en raison de la dépendance du rendement des actifs au risque de
crédit dans le secteur bancaire. Comme indiqué, cela entraînera également des estimations biaisées des paramètres β
en ignorant la dépendance du rendement des actifs vis-à-vis du risque de crédit. Arellano et Bond
(1991) proposent une solution à ce problème en utilisant l'équation suivante :

??= ??1??+ ??2??+ ????…………………….. (2)


??= ??+ ???? ………………………………… (3)

Où « i » fait référence à la banque et « t » à l'année.

L'équation (2) divise les variables explicatives de l'équation (1) en deux parties
qui sont exogènes et endogènes. Où????il intègre notre liste de variables exogènes et

57
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

????héberge une liste de variables endogènes. La liste des variables exogènes ne dépend pas
des actifs non performants bruts alors que la liste des variables endogènes comprend les
variables pouvant dépendre de la valeur des actifs non productifs bruts. ????h intègre également
le décalage de la variable dépendante, supprimant ainsi la corrélation possible avec le
terme d'erreur ??. Ceci est nécessaire pour éliminer toute autocorrélation entre la valeur actuelle de la variable
dépendante et ses valeurs de l'année précédente.
Ainsi, dans notre équation d'estimation, ??_il comprend toutes les variables de niveau macro comme le taux de prise en
pension, le taux de prise en pension inversée, le taux de croissance de la valeur ajoutée brute, l'indice des prix de gros et le taux réel
taux de change effectif. Étant donné qu'il s'agit de toutes les variables de niveau macro, qui sont incluses
dans l'équation en tant que variables exogènes, elles ne devraient pas être affectées par la valeur de la
variable dépendante.
Les variables endogènes sont des variables spécifiques à la banque telles que le rendement des actifs, l'inefficacité
des coûts, l'âge, les revenus autres que d'intérêts, le ratio de concentration, la taille, la croissance du crédit et l'activité.
par employé, qui sont inclus dans ??. Gulati et.al (2019) utilisent également diverses variables macro-économiques
endogènes spécifiques aux banques et exogènes dans une configuration GMM dynamique. Baranwal
(2018) utilisent également une liste de variables macro-économiques comme variables exogènes bien que dans un
contexte différent.

Tableau 2. Sélection d'études sur les déterminants du risque de crédit dans le secteur bancaire

Auteur(s) (Année) De campagne Point final Méthode Dépendant Indépendant Résumé de la


variable variables Résultats

Gulati et al. (2019) Inde 1998/99 Approche GMM GNPA, net Croissance du PIB réel Une rentabilité plus élevée
– NPA taux, l'inflation, et le respect de
2013/14 Vraiment efficace normes prudentielles
taux de change, risque de crédit moindre.
Le rendement des actifs, Grand marché
Non-intérêt concentration, plus
le revenu, Crédit diversification,
croissance, taille, coût une croissance plus élevée du crédit,

inefficacité, Banque et une plus grande banque


concentration, augmentation de la taille les
Normes prudentielles, probabilité de
Crise financière. valeurs par défaut dans les
Indien bancaire
industrie.
Nikolaïdou & Subsaharienne 2000 – OLS et GMM NPA brut taux de croissance du PIB, PIB réel, inflation
Vogiazas (2014) Afrique 2016 Chômage taux, crédit domestique
taux, prêt au secteur privé,
l'intérêt rapport, Indice de volatilité,
inflation taux, ouverture commerciale,
national crédit à crise financière tout
le secteur privé, avoir un impact positif
Indice de volatilité, et significatif sur
Vraiment efficace NPL.
taux de change,
Crise financière
Ghenimi et al. Le Milieu 2006 – Deux étapes moindres carrés de risque, Facteurs internes: Crédit risque et
(2017) Est et 2013 crédit, Risque de liquidité Adéquation des fonds propres le risque de liquidité
Nord Panneau Vecteur rapport (RCA), n'a pas de
africain Autorégression Rendement des capitaux propres économiquement
Région Modèle, GMM (ROE), net significative
approcher Marge d'intérêt réciproque
(NIM), Liquidité contemporain ou
lacunes, retour sur décalé dans le temps

58
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

les atouts (ROA), relation; outre,


Taille des banques, chaque catégorie de risque
croissance des prêts, crise a une importante
mannequin, prêt impact sur la banque
atouts, efficacité, stabilité
Diversité des revenus.
Facteurs externes:
Inflation taux,
PIB.
Turan (2016) dinde 2015 Analytique - - Les facteurs affectant
Processus hiérarchique Le risque de crédit comporte
Méthode, six sous-facteurs. Ces
Rapport de consistance sont mondiaux
concurrence, solidifier

la faillite, les
incrément de crédit
clients, et le
baisse des bénéfices
marge, crédit
produits dérivés,
et d'autres risques.
Misman et al. (2015) Malaisie 1995 – Panneau Les données NPL brut Financement Qualité du financement
2013 analyse, aléatoire expansion, et coussin de fonds propres
Effets la qualité du financement, avoir une importante
Moins généralisé Coussin de capital, impact sur le risque de crédit

carré (RE-GLS) Ratio de capital, net dans tous les modèles.

marge d'intérêt,
Gestion
Efficacité, Journal de
actifs totaux.
Manab et al. (2015) Malaisie 2006 – La logistique La faillite Liquidité rapport, Liquidité,
2012 régression rapport ratio de productivité, rentabilité, et
Ratio de rentabilité, ratio de productivité sont
ratio de levier. important dans
impactant
la faillite
Yurdakul (2014) dinde 1998 – Général à NPL taux de croissance du PIB, Le taux de croissance
2012 spécifique Taux d'inflation, ISE et l'indice ISE sont les
la modélisation, Crédit – 100 index, variables qui réduisent
portefeuille vue chômage risque de crédit des banques
modèle, Grégory taux, change à long terme, tandis que la
Méthode Hansen taux, nominal masse monétaire,
verser l'intérêt change
taux, et taux, chômage
pourcentage taux, taux d'inflation,
changements dans M2. et le taux d'intérêt
sont les variables qui
augmenter banques'
risques de crédit

Curak et al. (2012) Macédoine 2005- Dynamique Panneau ROA Crédit risque, Parmi interne
2010 analyse (GMM solvabilité risque, les facteurs de Banque

technique) Banque Taille, rentabilité, les


risque de liquidité, frais le plus important
revenu, exploitation est une dépense d'exploitation

dépenses, la gestion.
la gestion, De plus, la rentabilité
concentration, est influencé par
indice BERD, risque de solvabilité et
La croissance du PIB liquidité risque.

Concernant les

59
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

externe variables,
économique croissance,

bancaire système
réforme, et
spectacle de concentration
un effet significatif
sur la banque
rentabilité.
Salas et Saurina Espagne 1985- Approche GMM NPA brut Taux de croissance du PIB, Taux de croissance
(2002) 1997 du PIB, taille, intérêt net rapide crédit passé,
marge, succursale exp nsion,
expansion, ratio de capital-
portefeuille, composition du marché, Taille,
pouvoir, crédit passé, marge nette d'intérêt,
inflation, ROA, ratio de capital et
CHEVREUIL. Le pouvoir de marché est
les variables qui
expliquer le risque de crédit.

Vasishtha et l'Inde 1995- Plusieurs NPA brut en fonctionnement profit Banques avec plus-
Rajaraman (2002) 2000 Régression, aux fonds de roulement des NPA supérieurs
Test de Housman à la moyenne (effet temps, s'explique par
effet de groupe) pauvre en fonctionnement

Efficacité.
Source : élaboration de l'auteur

RÉSULTATS ET DISCUSSION
Effets fixes
Nous commençons par estimer notre modèle (équation 1) avec effets fixes. Le tableau 3 présente les résultats
des effets fixes. Nous commençons par estimer notre modèle (équation 1) à effets fixes. Le tableau 3 présente
les résultats de l'estimation des effets fixes. Nous essayons différentes spécifications du modèle. Dans le modèle
1, nous n'avons pris que des microvariables. Nous constatons que le rendement des actifs est négativement lié
au risque de crédit. L'augmentation d'une unité du rendement des actifs entraîne une diminution du risque de
crédit de 2,8 unités. Le coefficient de rapport de concentration s'avère également négatif. Une concentration
plus élevée d'entreprises entraînera des taux d'intérêt plus élevés en raison d'une concurrence moindre, ce qui
entraînera un risque de crédit accru.
La rentabilité est négativement liée au risque de crédit. Cela peut être dû au fait qu'une augmentation de
l'efficacité opérationnelle par une réduction des dépenses d'exploitation entraîne une réduction du risque de crédit. Le
coefficient des revenus autres que d'intérêts est positif. Une augmentation d'une unité des revenus autres que
d'intérêts entraîne une variation de 2,9 unités du risque de crédit. Cela peut se produire en raison de la diversification
des revenus de la banque conduisant à moins de défauts de paiement. Les autres variables telles que la croissance du
crédit et l'activité par employé ne montrent pas d'impact significatif sur le risque de crédit. Ainsi, nous ne trouvons pas
d'effet de détérioration de la qualité des prêts d'une augmentation du crédit.
Dans le modèle suivant (Modèle 2), nous testons l'effet des variables macro-économiques sur le
risque de crédit. Le coefficient de rendement des actifs passe désormais de -2,8 à -3,4. Dans les variables
macro, on retrouve un effet négatif du taux repo sur le risque de crédit. L'augmentation du taux de prise
en pension d'une unité entraîne une diminution du risque de crédit de 9,4 unités. Les résultats sont
conformes à la théorie selon laquelle si les prêts deviennent plus chers en raison d'un taux de pension
plus élevé, les prêts diminueront, entraînant une nouvelle baisse du risque de crédit. L'inverse est vrai
pour le taux de prise en pension inversée qui augmentera le risque de crédit. Lorsque la banque centrale
augmente les prises en pension, les banques peuvent augmenter les taux débiteurs, car il est plus
rentable d'investir dans des titres publics de prises en pension que de prêter de l'argent sous forme de
prêts. Un taux de prêt plus élevé entraînerait des défauts de paiement plus élevés. Comme prévu,
Le taux de croissance de la valeur ajoutée brute est positivement lié au risque de crédit, ce qui reflète qu'à mesure
que l'économie se développe, la demande de crédit augmente, ce qui entraînera également une augmentation des

60
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

le risque de crédit. Une augmentation d'une unité du taux de croissance de la VAB est liée à une augmentation
de 2,1 unités du risque de crédit. Alors que l'inflation est négativement liée au risque de crédit qui peut être
causé par l'augmentation du coût du crédit. Il est donc négativement lié au risque de crédit. Un autre résultat
intéressant est le coefficient de changement négatif du régime politique. Il montre qu'avec l'arrivée d'un
nouveau gouvernement, l'étendue du risque de crédit a diminué de 0,5 unité par rapport au gouvernement
précédent.
Dans le modèle 3, nous incorporons simultanément les variables micro et macro (taux des prises en
pension et des prises en pension uniquement). Les résultats restent les mêmes. Le coefficient du repo et du
reverse repo se réduit à -2,3 et 2,33 respectivement. Dans le modèle 4, nous considérons la liste complète des
variables micro et macro. La significativité des variables est robuste aux changements de spécifications dans les
modèles.

Tableau 3. Effet des variables micro et macro-économiques sur le risque de crédit (Effets fixes
estimation)

Modèle 1 Modèle 2 Modèle 3 Modèle 4


VARIABLES Le risque de crédit Le risque de crédit Le risque de crédit Le risque de crédit

Le rendement des actifs - 2.811*** - 3.425*** - 2.800*** - 2.796***


(-0.591) (-0,532) (-0,685) (-0,689)
Rapport coût-efficacité 229,910** 315.024** 314.873**
(-93.921) (-111.65) (-118.681)
Âge de la banque 1,236*** 0,860*** 0,902***
(-0,254) (-0,216) (-0,192)
Non-intérêt 2.934*** 2,465*** 2.548***
le revenu
(-0.543) (-0,679) (-0,649)
Concentration 0,000** 0,000** 0,000**
risque

0 0 0
Taille de la banque - 25.364* - 6.430*** - 24.472* - 24.601*
(-11.276) (-1,084) (-11.399) (-11.461)
Taille de la banque 1.611 1.619 1.636
au carré
(-1,366) (-1,391) (-1.398)
Croissance du crédit 5.071 5.699 4.647
(-8.064) (-9.914) (-10.045)
Entreprise par - 0,005 0,019 0,013
employé
(-0.189) (-0,198) (-0,204)
Taux de pension - 9.467*** - 2.344*** - 2.415*
(-2.151) (-0,639) (-1.163)
Taux de prise en pension inversée 10,848*** 2.337*** 2.048*
(-2.444) (-0,463) (-1,084)
Brut Valeur 2.142*** - 0,19
Ajoutée
(-0,6) (-0,258)
Inflation - 0,035*** 0,003
(-0,01) (-0.007)

61
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

Taux de change - 0,386*** - 0,027


(-0.113) (-0,068)
Régime politique - 0,508* - 0,154 0,082
(-0,239) (-0,204) (-0,223)
Constant - 7.864 72,662*** 18,87 21.898
- 37.472 (-12.311) (-33,53) (-34.286)

Observations 333 342 333 333


R au carré 0,741 0,721 0,752 0,753
Numéro d'identifiant 37 38 37 37
Erreurs types robustes entre parenthèses
* * * p<0,01, ** p<0,05, *p<0,1

Contrôle d'hétérogénéité
Nous avons vérifié la robustesse des résultats. Tout d'abord, nous considérons la région géographique des
banques. Nous divisons les banques en quatre régions géographiques à savoir. est, ouest, nord, sud, et
testez le même modèle avec des variables micro et macro. Le tableau 4 montre les résultats par région du
même modèle. Nous commençons par la région de l'Est. Le rendement des actifs devient insignifiant pour
cette région ainsi que les taux de prise en pension et de prise en pension. L'effet de la rentabilité, du ratio
de concentration, de l'inflation et des taux de change reste intact.
La région ouest suit des résultats similaires dans l'estimation des effets fixes. Le
le coefficient de rendement des actifs est de -2,92. La rentabilité et les revenus autres que d'intérêts ont un
impact positif et significatif sur le risque de crédit. L'effet des taux de prise en pension et de prise en pension
reste également le même sur le risque de crédit. Le Nord et le Sud ont également des résultats similaires avec un
coefficient de rendement des actifs et un ratio de concentration négatifs et significatifs. La rentabilité et les
revenus autres que d'intérêts ont un effet positif et significatif sur le risque de crédit.

Tableau 4. Effet régional du micro et les variables macro-économiques sur le risque de crédit.

Région est Ouest Nord Sud


(1) (2) (3) (4)
VARIABLES Le risque de crédit Le risque de crédit Le risque de crédit Le risque de crédit

Le rendement des actifs 0,039 - 2.920*** - 3.479*** - 2.702***


(0,849) (0,743) (0,426) (0,478)
Rapport coût-efficacité 7 250,128*** 392.426*** - 3 908,339** 433.968***
(1 394,089) (120.202) (1 421.730) (142.574)
Âge de la banque - 0,092*** 0,034** - 0,028 - 0,051**
(0.022) (0,017) (0,019) (0.022)
Non-intérêt - 2.832 0,702* - 2.015 4.406***
le revenu
(2.228) (0,365) (2.194) (1,195)
Concentration - 0,000*** 0,000 - 0,000* - 0,000***
risque

(0,000) (0,000) (0,000) (0,000)


Taille de la banque - 812.327** 4.190* - 76,577*** - 107.566***
(264.479) (2.182) (23.666) (28.086)
Taille de la banque 88,994*** - 0,436** 8,727*** 12.600***
au carré
(27.042) (0,199) (2.761) (3.194)

62
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

Croissance du crédit 7.353 - 9.959* 16.108 - 9.088


(19.650) (5.935) (17.469) (8.359)
Entreprise par -0,012 0,143* 0,231 - 0,290**
employé
(0.619) (0,077) (0,215) (0,122)
Taux de pension - 7.671 - 5.612** - 5.507** - 4,932***
(5.307) (2.561) (2.034) (1.486)
Prise en pension inversée 9,075 5.501* 5.803** 5.761***
(6.585) (3.231) (2.574) (1.937)
Brut valeur 2.800 0,692 1.492 0,843
ajoutée
(1.927) (1.226) (1.153) (0,756)
Inflation - 0,075** - 0,013 - 0,071** - 0,002
(0,034) (0,034) (0,032) (0,019)
Taux de change - 0,787* - 0,205 - 0,407* - 0,181
(0,368) (0,279) (0,233) (0,154)
Régime politique - 0,712 - 0,537 0,505 - 0,632
(0,834) (0,756) (1.269) (0,663)
Constant 1 933,911** 16.930 231.954*** 249.432***
(660.124) (25.474) (63.912) (66.659)

Observations 27 126 45 135


R au carré 0,986 0,674 0,911 0,799
Erreurs types robustes entre parenthèses
* * * p<0,01, ** p<0,05, *p<0,1

Dans le tableau 5, nous répartissons les banques en catégories privées et publiques. Le modèle
privé montre le résultat pour les banques privées. Le coefficient de rendement des actifs est de -1,92.
Nous trouvons également un effet négatif et significatif de l'activité par employé qui peut avoir été causé
par l'efficacité opérationnelle des banques privées. Les facteurs macroéconomiques sont jugés non
significatifs. Le modèle public montre les résultats pour les banques publiques. Le coefficient de
rendement des actifs est supérieur à celui des banques privées (-2,72). Le taux de concentration et
l'activité par salarié ont un effet négatif et significatif sur le risque de crédit. Il y a un effet négatif et
significatif du taux repo -13,8 et un effet positif du taux repo 15,4 sur le risque de crédit. Le taux de
croissance de la VAB a également un effet positif et significatif (2,99) sur le risque de crédit.

Tableau 5. Effet des variables micro et macro-économiques sur le risque de crédit des
et les banques privées

La possession PRIVÉ PUBLIQUE


(1) (2)
VARIABLES Le risque de crédit Le risque de crédit

Le rendement des actifs - 1.921*** - 2.720***


(0,232) (0,691)
Rapport coût-efficacité 12.993 123.560
(80.787) (124.590)
Âge de la banque 0,013** - 0,015**
(0.006) (0.007)

63
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

Revenu hors intérêts 0,200 0,903


(0,280) (1.078)
Risque de concentration - 0,000 - 0,000***
(0,000) (0,000)
Taille de la banque - 4.484 17,970***
(5.046) (6.126)
Taille de la banque au carré 0,645 - 1.435***
(0.597) (0.508)
Croissance du crédit 2.653 - 10.925
(2.167) (8.823)
Entreprise par employé - 0,134** - 0,259***
(0,059) (0,099)
Taux de pension - 1.580 - 13.876***
(0,970) (3.034)
Taux de prise en pension inversée 1.935 15.403***
(1.209) (3.845)
Valeur ajoutée brute 0,583 2.999**
(0.554) (1.270)
Inflation - 0,020 - 0,055*
(0.016) (0,030)
Taux de change - 0,086 - 0,603**
(0,113) (0,259)
Régime politique - 0,287 - 0,627
(0.556) (0.565)
Constant 19.481 13.645
(13.998) (23.672)
Observations 162 171
R au carré 0,477 0,858
Erreurs types robustes entre parenthèses
* * * p<0,01, ** p<0,05, *p<0,1

Résultats GMM dynamiques


Variables dépendantes retardées : Risque de crédit (risque de crédit t-1) et Retour sur actifs (ROA t-1) sont
incluses en tant que variables retardées dans le modèle GMM pour vérifier l'importance de son impact dans
détermination du risque de crédit.

Le tableau 6 présente les résultats de notre dynamique Estimation GMM (équations 2 et 3). Nous utilisons un groupe
de variables instrumentales (IV). L'ensemble comprend des micro-variables spécifiques à la banque telles que le ROA, la
rentabilité d'une banque, les revenus autres que d'intérêts, la croissance du crédit, le nombre d'entreprises par employé, l'âge
et la taille de la banque. Nous supposons que ces variables spécifiques aux banques sont endogènes à notre système, nous les
utilisons donc comme instruments dans notre estimation. Nous utilisons également un groupe de variables macroéconomiques
exogènes telles que le taux de prise en pension, le taux de prise en pension inversée, le taux de croissance de la valeur ajoutée
brute, l'indice des prix de gros et le taux de change effectif réel et le changement de régime politique (2014).

La colonne 1 du tableau 6 montre les résultats du GMM dynamique avec des micro-variables
comme style GMM et des macro-variables comme style IV. Les résultats suggèrent le coefficient positif et
significatif de la valeur retardée de GNPA. L'effet du taux repo est négatif et significatif sur le risque de
crédit. Ainsi, l'augmentation du taux repo entraîne une diminution du risque de crédit.

64
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

Ceci est également vérifié par le coefficient positif et significatif du taux de prise en pension. Le coefficient de
régime politique est négatif et significatif de la valeur -2,68. Cela peut suggérer que le changement de régime a
contribué à réduire l'occurrence du risque de crédit. La taille de la banque est négative et significative, ce qui
suggère qu'à mesure que la taille augmente, le risque de crédit diminue. Le coefficient des revenus autres que
d'intérêts est également positif et significatif comme nos modèles précédents. Le tableau 6, colonne 2, montre
également des résultats similaires lorsque nous supprimons le terme carré de la taille de la banque de
l'équation. Le coefficient du taux des prises en pension et du taux des prises en pension diminue légèrement de
-10,72 à -10,25 et de 15,877 à 15,02, respectivement.

Tableau 6. L'effet dynamique d'une variable micro et macro-économique sur le risque de crédit (GMM
estimation)
(1)1 (2) (3)2 (4)3 (5)
VARIABLES Crédit Crédit Crédit Crédit Le risque de crédit

risque risque risque risque

L. Risque de crédit 0,813*** 0,816*** 1,034*** 1.018*** 0,877***

(0,123) (0,142) (0,105) (0,286) (0,069)

Taux de pension - 10,720*** -10,250*** -5,442*** - 6.835 - 4.719***

(3.852) (3.858) (1.665) (4.405) (1.626)

Prise en pension inversée 15.877** 15.029** 8,058*** 9.765 6,389**

(6.156) (6.156) (2.604) (7.232) (2.956)

Brut valeur 2.343* 2.181* 0,991* 1.309 0,580


ajoutée
(1.216) (1.223) (0.556) (1.528) (0.585)

Inflation 0,021 0,023 0,021*** 0,024 0,025**

(0,014) (0,014) (0.007) (0,027) (0,010)

Taux de change - 0,286* - 0,277* - 0,084 - 0,190 - 0,055

(0,161) (0,164) (0,082) (0,237) (0,085)

Politique - 2.686** - 2.440* - 1,222** - 1.556 - 0.934


régime
(1.310) (1.309) (0,503) (1.490) (0,855)

L. Retour sur 0,399 0,203 - 0,658 - 1.629


Les atouts

(0.508) (0.572) (0.598) (1.591)

Coût 233,599 105.445 - 85,379 - 273,508 - 101.401


Efficacité
(266.237) (282.240) (204.898) (184.380) (100.747)

1 Les colonnes 1 et 2 utilisent l'option pas de niveau petit avec le style GMM (microvariables) et le style IV (variables macro), L'option Lag (2 2) pas de petit niveau

2 Les résultats de la colonne 3 utilisent le style GMM (microvariables) et le style IV (variables macro), la petite option en deux étapes Lag (2 2).
3
utilise lag (2 2) en deux étapes petit robuste

65
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

Âge du 0,370 0,533 0,031*** 0,016 0,009


Banque

(0,442) (0,496) (0,010) (0,025) (0,010)

Non-intérêt 1.974** 1.747* - 0,278 0,104 0,167


le revenu
(0,972) (1.038) (0,303) (0,606) (0,277)

Concentration - 0,000 0,000 0,000* 0,000 0,000


rapport

(0,000) (0,000) (0,000) (0,000) (0,000)

Taille du - 24.303** - 9.599* 0,110 - 0,290 - 0,279


Banque

(10.385) (4,974) (0,185) (1.012) (0,452)

Taille du 1.692
banque au carré
(1.112)

Croissance du crédit 4.340 - 0,046 14,974** 8.250 2.540

(10.258) (13.055) (5.944) (17.682) (3.786)

Entreprise par 0,007 - 0,084 - 0,105 - 0,143 - 0,033


employé
(0,163) (0,242) (0,095) (0,184) (0,078)

Revenir sur - 1.491***


les atouts

(0,252)

Constant - 14,235** - 0,699 - 5.353

(6.145) (14.645) (10.553)

Observations 259 259 296 296 296


Numéro d'identifiant 37 37 37 37 37
J 69 48 91 78 78
ar2p 0,860 0,921 0,816 0,721 0,978

ar2 - 0,176 - 0,0993 0,233 0,357 0,0271

ar1p 2.09e-07 7.86e-07 0,000276 0,000832 8.73e-09

ar1 - 5.191 - 4.939 - 3.637 - 3.342 - 5.754

Sarganp 0,139 0,00864 0,00139 0,00299 0,00350

Sargan 64,23 55.39 117,0 96,99 96,20

Erreurs types entre parenthèses

* * * p<0,01, ** p<0,05, *p<0,1

66
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

L'effet du taux de prise en pension et du taux de prise en pension reste le même


bien que la valeur des coefficients diminue lorsque nous utilisons une petite option en
deux étapes. L'effet du régime politique reste négatif. Cependant, les coefficients de
croissance du crédit et de l'âge deviennent significatifs maintenant, ce qui suggère qu'à
mesure que la croissance du crédit augmente, le risque de crédit augmentera également.
La colonne 5 montre les résultats des estimations robustes. L'effet du taux de prise en
pension et de prise en pension reste le même avec des coefficients relativement plus
faibles (-4,71 et 6,38). L'effet du rendement des actifs est hautement significatif et positif
confirmant la robustesse des résultats utilisant le GMM dynamique alors que l'effet de la
variable retardée du rendement des actifs devient non significatif dans les colonnes 1-4.

CONCLUSION
En résumant les résultats de l'analyse empirique, nous constatons que le risque de crédit diminue à mesure que les
banques gagnent plus de rendements sur les actifs. Les résultats de l'estimation des effets fixes suggèrent également
que les variables microéconomiques telles que l'efficacité des coûts, l'âge de la banque, les revenus autres que
d'intérêts, le ratio de concentration et la croissance du crédit ont un effet positif sur le risque de crédit. L'effet des
variables macroéconomiques confirme la théorie, alors que le taux repo, l'inflation, les taux de change sont négatifs
avec le risque de crédit, la relation est positive avec le taux de reverse repo et la valeur ajoutée brute.

Les tests d'hétérogénéité montrent que l'effet du rendement des actifs sur le risque de crédit est particulièrement significatif et négatif pour les banques situées dans la région

ouest, sud et nord. Lorsque l'on compare les résultats entre les banques publiques et privées, l'effet du rendement des actifs est plus important pour les banques du secteur public que pour

les banques du secteur privé. L'effet des variables macroéconomiques telles que les taux de prise en pension et de prise en pension devient également insignifiant pour les banques du secteur

privé et significatif pour les banques du secteur public. Cela peut être dû au fait que les banques du secteur public doivent offrir plusieurs prêts liés aux politiques gouvernementales, ce qui

peut augmenter la sensibilité du risque de crédit aux variables macroéconomiques par rapport aux banques privées. Les résultats tiennent également compte de l'endogénéité du système en

considérant les variables microéconomiques endogènes et les variables macroéconomiques exogènes. Les résultats du GMM dynamique confirment la robustesse de notre modèle. On

retrouve des effets significatifs et négatifs du rendement des actifs sur le risque de crédit. Ainsi, les banques rentables peuvent se protéger du risque de crédit. L'effet des variables

macroéconomiques comme le taux de prise en pension (-) et le taux de prise en pension (+) restent également significatifs comme les résultats précédents. Ainsi, un mouvement favorable des

taux directeurs peut être utilisé pour gérer efficacement le risque de crédit. Il est intéressant de noter que l'effet du régime politique est significatif et négatif, ce qui peut suggérer que le

changement de régime a amélioré le risque de crédit du secteur bancaire en Inde. C'est l'une des conclusions uniques de cette étude. les banques rentables peuvent se protéger du risque de

crédit. L'effet des variables macroéconomiques comme le taux de prise en pension (-) et le taux de prise en pension (+) restent également significatifs comme les résultats précédents. Ainsi, un

mouvement favorable des taux directeurs peut être utilisé pour gérer efficacement le risque de crédit. Il est intéressant de noter que l'effet du régime politique est significatif et négatif, ce qui

peut suggérer que le changement de régime a amélioré le risque de crédit du secteur bancaire en Inde. C'est l'une des conclusions uniques de cette étude. les banques rentables peuvent se

protéger du risque de crédit. L'effet des variables macroéconomiques comme le taux de prise en pension (-) et le taux de prise en pension (+) restent également significatifs comme les

résultats précédents. Ainsi, un mouvement favorable des taux directeurs peut être utilisé pour gérer efficacement le risque de crédit. Il est intéressant de noter que l'effet du régime politique

est significatif et négatif, ce qui peut suggérer que le changement de régime a amélioré le risque de crédit du secteur bancaire en Inde. C'est l'une des conclusions uniques de cette étude.

l'effet du régime politique est significatif et négatif, ce qui peut suggérer que le changement de régime a amélioré le risque de crédit du secteur bancaire en Inde. C'est l'une des conclusions uniques de cette étude. l'effet du

LES RÉFÉRENCES
Arellano, M., & Bond, S. (1991). Quelques tests de spécification pour les données de panel : Monte Carlo
Preuve et application aux équations d'emploi. Revue d'études économiques,
58(2), 277. https://doi.org/10.2307/2297968

Athanasoglou, P., Delis, M., & Staikouras, C. (2006). Déterminants de la rentabilité des banques
dans la région du sud-est de l'Europe. Repec du personnel de Munich
Archiver.https://mpra.ub.uni-muenchen.de/id/eprint/10274

Baranwal, G. (2018). Liens entre l'investissement direct étranger et la formation de capital humain :
Preuve du secteur manufacturier en Inde, Le Journal du commerce international &

67
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

Économique Développement, 28(2), 137-160,


https://doi.org/10.1080/09638199.2018.1508304

Bhattarai, BP (2019). Déterminants du commerce Comportement de crédit des banques au Népal.


Revue internationale de comptabilité & La finance Revoir, 4(1), 51-60.
https://doi.org/10.46281/ijafr.v4i1.338

Bhattarai, B. (2018). Évaluation des facteurs internes et macroéconomiques des banques en tant que déterminants
des prêts non productifs : preuves des banques commerciales népalaises. International
Journal de Comptabilité & La finance Revoir, 3(1), 13-32.
https://doi.org/10.46281/ijafr.v3i1.28

Bielecki, TR, & Rutkowski, M. (2004). Risque de crédit : Modélisation, Valorisation et Couverture.
Springer Finance. Springer, Berlin, Heidelberg. https://doi.org/
10.1007/978-3-66204821-4_1

Curak, M., Poposki, K. et Pepur, S. (2012). Les déterminants de la rentabilité du Macédonien


secteur bancaire dans un environnement changeant. Procedia-Sciences sociales et comportementales,
44, 406-416.

Cai, J., & Leung, P. (2020). Une note sur le lien entre la valeur ajoutée brute et l'utilisation finale au
niveau de l'industrie. Recherche sur les systèmes économiques, 32(3), 428
437.https://doi.org/10.1080/09535314.2020.1718617

Castro, V. (2013). Déterminants macroéconomiques du risque de crédit dans le système bancaire :


Cas de les GIPSI. Économique La modélisation, 31, 672-
683.https://doi.org/10.1016/j.econmod.2013.01.027

Das, A., & Ghosh, S. (2007). Déterminants du risque de crédit dans les banques publiques indiennes : un
Enquête empirique. Articles de revues sur les questions économiques, 12(2), 27-46.

Digal, SK, Satpathy, A., & Behera, S. (2015). Facteurs macroéconomiques affectant les PAN
dans le système bancaire indien : une évaluation empirique. The IUP Journal of Bank
Management, 14(1), 57-74.

Ghenimi, A., Chaibi, H., & Omri, MA (2017). Les effets du risque de liquidité et du risque de crédit
sur la stabilité bancaire : données probantes de la région MENA. Revue Borsa Istanbul, 17(4), 238-
248. https://doi.org/10.1016/j.bir.2017.05.002

Ghosh, A. (2015). Déterminants économiques régionaux et spécifiques au secteur bancaire des non-
prêts productifs : preuves provenant d'États américains. Journal de la stabilité financière, 20, 93-104.
https://doi.org/10.1016/j.jfs.2015.08.004

Gulati, R., Goswami, A., & Kumar, S. (2019). Qu'est-ce qui motive le risque de crédit dans le secteur bancaire indien
industrie? Une enquête empirique. https:// Économique Systèmes, 43(1), 42-62.
doi.org/10.1016/j.ecosys.2018.08.004

Guerrero, TE, Guevara, Californie, Cherchi, E., & Ortuzar, JD (2020). Modèles
endogénéité dansstratégique Urbain mode choix d'adressage. Transport.
https://doi.org/10.1007/s11116-020-10122-y

68
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

Hofmann, B. (2005). Procyclicité : l'impact macroéconomique du capital-risque


Exigences. Gestion de portefeuille des marchés financiers, 19, 179-200.
https://doi.org/10.1007/s11408-005-3385-1

Khemraj, T., & Pasha, S. (2009). Les déterminants des prêts non performants : un
Étude de cas économétrique de la Guyane. DansConférence semestrielle du Centre caribéen pour la
banque et la finance sur la banque et la finance, St. Augustine, Trinidad.

Manab, NA, Theng, NY, & Md-Rus, R. (2015). Les déterminants du risque de crédit dans
Malaisie. Procedia - Sciences sociales et comportementales, 172, 301-308. https://
doi.org/10.1016/j.sbspro.2015.01.368

Misman, FN, Bhatti, I., Lou, W., Samsudin, S. et Rahman, NH (2015). Banques islamiques
Risque de crédit : une étude de panel. Économie et finance de Procedia, 31, 75-82. https://
doi.org/10.1016/s2212-5671(15)01133-8

Nikolaidou, E., & Vogiazas, SD (2014). Déterminants du risque de crédit pour le bulgare
Système bancaire. Avancées internationales de la recherche économique, 20(1), 87-102.
https://doi.org/10.1007/s11294-013-9444-x

Nkusu, M. (2011). Prêts non performants et vulnérabilités macrofinancières dans Advanced


Économies. Documents de travail du FMI, 11(161), 1-27.
https://doi.org/10.5089/9781455297740.001

Ranjan, R., & Dhal, S. (2003). Prêts non productifs et conditions de crédit du secteur public
Banques en Inde : une évaluation empirique. Reserve Bank of India
Occasional Paper 24(3), 81-121. Récupéré de
https://rbidocs.rbi.org.in/rdocs/Publications/PDFs/60613.pdf

Salas, V., & Saurina, J. (2002). Risque de crédit dans deux régimes institutionnels : commercial espagnol
et les caisses d'épargne. Journal of Financial Services Research, 22(3), 203-224. https://
doi.org/0.1023/a:1019781109676

Tang, DY et Yan, H. (2006). Conditions macroéconomiques, caractéristiques des entreprises et crédit


Se propage. J Finan Serv Res 29, 177-210.https://doi.org/10.1007/s10693-006-7625-y

Turan, H. (2016). La pondération des facteurs affectant le risque de crédit dans le secteur bancaire.Procédure
Economie et Finance, 38, 49-53. https://doi.org/10.1016/s2212-5671(16)30175-7

Valence, F., & Laeven, L. (2008). Crises bancaires systémiques : une nouvelle base de données.FMI Travail
Documents, 08(224), 1. https://doi.org/10.5089/9781451870824.001

Vasishtha, G., & Rajaraman, I. (2002). Prêts non productifs des banques PSU.économique et
Hebdomadaire politique, 37(5).

Yurdakul, F. (2014). Modélisation macroéconomique du risque de crédit pour les banques.Procedia - Réseaux sociaux
et sciences du comportement, 109, 784-793. https://doi.org/10.1016/j.sbspro.2013.12.544

69
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

ANNEXES

Annexe A : Statistiques descriptives

Variable Obs Signifier Std. Min Max


Dév.
Le rendement des actifs (Roa) 342 . 76 . 81 - 2,33 2.5
Revenu autre que d'intérêts (non-entier) 342 1.22 . 79 . 37 6.15
Croissance du crédit 342 . 07 . 06 0 . 27
Taille 342 5.11 . 65 3.32 7.01
Rapport coût-efficacité (Costineffi) 342 0 0 0 . 01
Risque de crédit (Risque de crédit) 342 4.78 4.86 .2 27,95
Activité par employé (Bperemp) 333 11,74 3.7 3,91 22,2
Rapport de concentration (rapport) 342 . 66 . 01 . 65 . 69
Taux de pension 342 6,97 . 84 5.63 8
Prise en pension inversée 342 6.18 . 76 4.33 7
Âge de l'entreprise (Âge) 342 77.18 33,88 7 153
Taux de croissance de la valeur ajoutée brute (Gvagr) 342 7.08 1 5.4 8,9
Indice des prix de gros (Wpi) 342 158,1 24.38 116,3 183.2
Taux de change effectif réel (REER) 342 111.23 4.66 103.27 119,71

Annexe B : Définition des variables

Variables Définition
Micro
Le risque de crédit Ratio du GNPA aux avances totales
ROA (rendement des actifs) NOI Ratio du revenu net au total de l'actif moyen Ratio

(revenus hors intérêts) Croissance du revenu autre que d'intérêts au total de l'actif

du crédit Ratio des prêts au total de l'actif

Inefficacité des coûts Ratio des charges d'exploitation sur le total des actifs

CR10 (Rapport de concentration) Ratio des avances des 10 premières banques aux avances totales
du secteur bancaire
Entreprise par employé Ratio des acomptes et avances sur le nombre total d'employés

Taille Journal du total des actifs des banques

Âge Nombre d'années d'activité des banques

Source des données : Base de données Capitaline

Macro
Taux de pension Taux de pension de la Banque de réserve de l'Inde Taux de

Taux de prise en pension inversée pension inversée de la Banque de réserve de l'Inde

GVAgr taux de croissance de la valeur ajoutée brute au coût des facteurs


à prix constants
Inflation Indice des prix de gros année de base 2004-2005

REER Taux de change effectif réel 36-Currency Index année


de base 2004-2005

70
https://www.cribfb.com/journal/index.php/ijafr Revue internationale de comptabilité et de finance Vol. 6, n° 1 ; 2021

Régime politique Variable muette =1 pour les années 2014-2018,


0 sinon
Source des données : Banque de réserve de l'Inde
& Indis stat

Droits d'auteur
Les droits d'auteur de cet article sont conservés par l'auteur ou les auteurs, les droits de première
publication étant accordés à la revue. Il s'agit d'un article en libre accès distribué selon les termes et
conditions de la licence Creative Commons Attribution (http://creativecommons.org/licenses/by/4.0/).

71