Accepted Manuscript

Title: Modèle d’alerte des crises bancaires basé sur une

approche hybride : Modèle Bayésien – Machines à Vecteurs
Supports

Author: Taha Zaghdoudi Abdelaziz Hakimi Kemais

Zaghdoudi

PII: S2214-4234(16)30022-9
DOI: http://dx.doi.org/doi:10.1016/j.rgo.2016.10.001
Reference: RGO 66

To appear in:

Please cite this article as: Taha ZaghdoudiAbdelaziz HakimiKemais Zaghdoudi Modèle
d’alerte des crises bancaires basé sur une approche hybride : Modèle Bayésien –
Machines à Vecteurs Supports (2016), http://dx.doi.org/10.1016/j.rgo.2016.10.001

This is a PDF file of an unedited manuscript that has been accepted for publication.
As a service to our customers we are providing this early version of the manuscript.
The manuscript will undergo copyediting, typesetting, and review of the resulting proof
before it is published in its final form. Please note that during the production process
errors may be discovered which could affect the content, and all legal disclaimers that
apply to the journal pertain.
 LA REVUE GESTION ET ORGANISATION00 (2014) 000–000

Available online at www.sciencedirect.com

Journal homepage: www.elsevier.com/locate/rgo

Modèle d’alerte des crises bancaires basé sur une approche hybride :

t
Modèle Bayésien – Machines à Vecteurs Supports

ip
Taha Zaghdoudia*, Abdelaziz Hakimib, Kemais Zaghdoudic

cr
a
Faculté des SciencesJuridiques, Economiques et de Gestion de Jendouba, Université de Jendouba (Tunisie}
b
Faculté des SciencesJuridiques, Economiques et de Gestion de Jendouba, Université de Jendouba (Tunisie}

us
c
Faculté des SciencesJuridiques, Economiques et de Gestion de Jendouba, Université de Jendouba (Tunisie}

ARTICLE INFO ABSTRACT

an
Article history: Ces dernières années,la succession des crises bancaires, qui dans la plupart ont été soldées par des
Received 00 December 00 pertes économiques et financières énormes, asuscité l’intérêt de plusieurs chercheurs.
Received in revised form 00 January 00 Empiriquement, ces auteurs ont optépourdes modèles d’alerte précoce (Early Warning System)
Accepted 00 February 00 pour prévenir leurs occurrences.
M
Keywords: L’objectif de ce papier est de construire un Modèle d'alerte des crises bancaires basé sur une
Crises bancaires approche hybride. Sur la base des données relatives à 22 pays qui ont subi des crises bancaires
Modèle d’alerte précoce observés sur la période 1990-2011, nous avons développé un modèle d’alerte des crises bancaires.
Machine à vecteur support Ce modèle est basé sur une approche hybride Bayesian model averaging-Supprt vectors machine.
d

Modèle bayésien
Sur les 25 variables explicatives retenues, les résultats empiriques du modèle hybrideont fait
te

ressortir 9 indicateurs qui sont considérés comme les principaux facteurs déterminants
dudéclanchement des crises bancaires.Ces derniers ont une probabilité postérieure d'inclusion
supérieure à 0.5. Ces indicateurs potentiels sont la rentabilité nette des actifs, la compétitivité de
l'intermédiation bancaire, les provisions sur les créances douteuses, les investissements directs
p

étrangers, la concentration bancaire, la stabilité financière des banques, les produits nets financiers,
le taux d’intérêt réel et le taux d’inflation.
ce

© 2014 Holy Spirit University of Kaslik. Hosting by Elsevier B.V. All rights reserved.
Peer review under responsibility of Holy Spirit University of Kaslik.
Ac

* Corresponding author. Tel.: +216 50935807.

E-mail address: zedtaha@gmail.com
Peer review under responsibility of Holy Spirit University of Kaslik.
2214-4234/$ – see front matter © 2013 Holy Spirit University of Kaslik. Hosting by Elsevier B.V. All rights reserved.
http://dx.doi.org/10.1016/j.rgo.2013.10.012

Page 1 of 12
2 LA REVUE GESTION ET ORGANISATION 00 (2014) 000–0

1. Introduction

Ces deux dernières décennies sont marquées par une vague de crises bancaires et financières remarquables par leurs ampleurs aussi par leurs coûts
financiers exorbitants. En effet, plusieurs pays développés et émergents ont connu des perturbations graves de leurs systèmes bancaires en manifestant
l’insolvabilité des entreprises, la perturbation des flux d’échange allant aux faillites des grandes sociétés. Aujourd’hui, les crises bancaires et financières
font preuve d’une persistance aigue, puisque la plupart des pays touchés par la crise financière internationale de 2008 n’arrivent pas encore à en sortir. Par
ailleurs, la crise actuelle suscite une plus grande attention que celles qui l’ont précédée puisqu’elle revêt un caractère mondiale. Cette crise a touché en

t
particulier les systèmes bancaires, étant considérés comme le cœur de l’activité économique et la principale source de son financement. Dès lors, tout

ip
dysfonctionnement du système bancaire changera le comportement des agents économiques et créera un sentiment de défiances des investisseurs et des
déposants à l’égard des établissements de crédits. En conséquence, de graves perturbations de l’économie réelle s’en résultent.

cr
La redondance de ses crises fait naitre un sentiment d’inhabilitéà l’égard de l’installation d’un phénomène cycliques etchroniques qui épuise tous les
remèdes sans pour au autant y sortir. Dès lors, la mise en place d’un modèle d’alerte avancée des crises bancaires et financière devient plus que nécessaire,
pour mieux prévenir d’éventuelles secousses financières et voir même les évités.

us
Jusqu’ à présent, la majorité des essaies empiriques de détection avancée des crises bancaires sont d’ordre macroéconomiques.Un panel de données
macroéconomiques est alors utilisé pour développer un système d’alerte capable de déceler en avance certaines crises financières. Mais, cette démarche
empirique présente des limites puisqu’elle n’arrive pas à détecter au préalable les fragilités bancaires d’ordre microéconomiques. En effet, nous pensons
que l’intégration de l’approche microéconomique dans la construction d’un modèle d’alerte précoce des crises bancaires pourrait renforcer son pouvoir de

an
détection. Par ailleurs, nous pensons que les événements qui précèdent l’occurrence d’une crise nous permettent d’identifier certains facteurs
déclencheurs.

La plupart des études antérieures qui ont essayé de de construire des modèles d’alerte permettant de détecter la survenance des crises bancaires ont été
M
basées sur des méthodes non-paramétrique et paramétrique. La première approche développée par Kaminsky et Reinhart (1996), et Kaminsky, Reinhart et
Lizondo (1998), est également connu comme la méthode KLR. La seconde approche paramétrique calcule la probabilité de survenance de la crise bancaire
en utilisant des modèles à variables dépendantes discrètes. Elle estime généralement une régression probit ou logit (Demirgüç-Kunt et Detragiache, 1998;
Eichengreen et Rose, 1998). Outre ces deux méthodes, des modèles d’intelligence artificielle et d'apprentissage automatique tel que les réseaux de
d

neurones artificiels (RNA) ont été développés.

te

Après la crise financière internationale 2008, l’échec de ces modèles face à la prévision de ces crises est fortement critiqué. Une question principale a été
posée : Pourquoi les modèles d’alerte existants n’ont pas pu détecter la survenance de cette crise ? Dès lors, il faut penser à d’autres modèles d’alerte
capables de détecter la survenance des crises et par conséquent éviter le coût de ces crises. Dans cette étude, nous proposons d’utiliser une variable
continue définissant la survenue d’une crise au lieu de celles employées couramment par les études antérieures et qui pose un réel problème puisqu’elles
p

ignorent les phénomènes antécédents.

ce

Cette étude est une initiative pionnière utilisant une approche hybride Bayesian model averaging-Supprt vectors machine pour détecter le déclenchement
de crises bancaires. Nous estimons que cette étude peut contribuer à la littérature existante relative à l’étude de détection des crises bancaires. En fait, cette
approche tient compte des deux grandeurs macro et micro-économiques. De même, elle constitue une réponse aux critiques adressées aux méthodes
qualitatives basées sur les variables dummy tel que le modèle logit et le modèle probit.
Ac

Le reste du papier est articulé comme suit: dans une deuxièmesection, nous présentons une revue de littérature des principaux modèles d'alerte avancée
antérieurs ainsi que leurs limites respectives. La troisième section se consacre à la présentation de notre méthodologie selon laquelle est développé notre
modèle hybride. Dans une dernière section, nous présentons les résultats empiriques et nous comparons la capacité prédictive du nouveau modèle avec
ceux antérieurs.

2. Revue de la literature

La vaste littérature fondée sur les modèles de détection des crises a révélé l’existence de deux approches pour la conception de systèmes d'alerte précoce et
qui sont les plus couramment utilisées. La première approche est une approche non-paramétrique dite de signaux. Elle compare le comportement des
indicateurs économiques pour la période avant et pendant la crise. Cette approche a été développée par Kaminsky et Reinhart (1996), et Kaminsky,
Reinhart et Lizondo (1998). Elle est reconnu égalementsous le nom du méthode KLR. La seconde approche est dite paramétrique. Elle calcule la
probabilité de survenance de la crise bancaire en utilisant des modèles à variables dépendantes discrètes. Ces modèles sont estimés généralement sous une
régression probit ou logit (Demirgüç-Kunt et Detragiache, 1998; Eichengreen et Rose, 1998). Outre ces deux approches, il y en a celles basées sur les
modèles d’intelligence artificielle et d'apprentissage automatique qui prennent le devant par leur capacité supérieure en terme de prédiction. Nous pouvons
citerles réseaux de neurones artificielles (RNA) et les machines à vecteurs supports (SVM). Malgré leurs supériorité, ces modèles d'apprentissage
automatiques ne produisent pas d'inférences statistiques interprétables des variables explicatives d'où leur appellation de “ boite noire ”.

Page 2 of 12
 LA REVUE GESTION ET ORGANISATION 00 (2014) 000–000 3

La plupart des modèles non-paramétriques et paramétriques utilisent une représentation discrète des crises, principalement les modèles basés sur
l'approche des signaux et les modèles logit et probit. Avec ces modèles à choix discret, une alarme de survenance de crise est émise quand la probabilité
atteint un certain seuil. Par la suite, ces modèles à reponse binaire logit ou probit appliqués à l'origine par Berg et Pattillo (1999) ont été remplacés par des
modèles multinomiaux par Bussière et Fratzscher (2006). Ces auteurs ont étendu le choix discret de deux états (oui / non) à plusieurs, tels que crise, post-
crise, et des périodes tranquilles. Selon l'approche de signalisation proposé par Kaminsky et al. (1998), une alarme de crise est émise si le voyant
d'avertissement atteint un certain seuil. Le seuil peut être définit en fonction du rapport signal-sur-bruit pour réduire au minimum les erreurs de type I et de
type II (fausses alarmes). Cependant, un inconvenant de taille heurte la performance deces modèles. Il s’agit du caractère discret de la variable explicative.
Cette dernière est souvent crée à partir d'un indice simple ou composé dans une première étape.Il subit une transformation pour la rendre binaire, dans une

t
seconde. Par la suite, un problème d'èchelle ou de seuil à partir du quelnous décidons le critère discret à mettre oui ou non 1 ou 0.

ip
Récemment, des indicateurs continus des crises ont été proposées par Rose et Spiegel (2011); Frankel et Saravelos (2012). Ces nouveaux indicateurs
permettent de d’attribueraux modèles d'alertes avancées la possibilité d'expliquer l'ampleur réelle des couts ou les mouvements nominaux sans la nécessité

cr
de décider si l'échelle est suffisamment élevée pour produire une valeur “ 1 ”. De plus, ces indicateurs continus ne souffrent pas d'un manque de variation
de la variable dépendante en présence d’un faible nombre de situations des crisesest enregistré dans l'échantillon. En outre, il n'y a pas de problème avec la
datation des périodes de début et de fin exactes des crises. Un problème qui est difficile à surmonter dans les approches discrètes.

us
En outre, les modèles d'alertes précoces basés sur les méthodes d’intelligences artificielles et apprentissage automatiques, ne permettent pas de fournir des
résultats interprétables sur les variables explicatives du modèle étudié. Cette limite est soulevées malgré qu'elles surpassent les modèles classiques
paramétriques et non paramétrique en terme de pouvoir prédictif. De même, la performance de ces modèles est impérativement liée au bon choix au

an
préalable des paramètres d'apprentissages (Gamma, Cost) ainsi qu’ à la taille des données d'apprentissage et de test faute d’avoir un résultat moindre ou
sur-ajuster.

En plus de ces problèmes techniques liées à ces méthodes, il existe un réel défit quand au choix des bons indicateurs des crises bancaires pour former la
M
matrice des variables explicatives. Certes, ils existent des méthodes de sélection basées sur les critères d'information BIC et AIC. Toutefois, ces critères
peuvent exclure des variables clés. Par conséquent, ils peuvent fausser les attentes théoriques. Par ailleurs, pour parvenir à palier les limites des approches
antérieurs, nous proposonsdans les sections suivantes la construction d'un nouveau modèle d'alerte précoce des crises bancaire basée sur une approche
hybride. Ce modèle sera capablede sélectionner les meilleurs indicateurs,d'une part. Ainsi il sera apte àfournir des résultats interprétables avec une
meilleure performance prédictive, d'autre part.
d

Récemment, d'autres modèles dits hybrides ont été développé et appliquer en tant que modèles d'alertes avancées des crises financières et de faillites des
te

entreprises. A titre d’exemple, nous pouvons citer LLELocally Linear Embedding-SVM de F. LIN, Ching-Chiang YEH et Meng-Yuan LEE (2013) et
CBR Case-Based Reasoning-SVM de Pei-Chann Chang, Chiung-Hua Huang et Chi-Yang Tsai en (2013). Ces modèles sont qualifiés d’hybride par ce
qu’ils combinent à la fois deux approches différentes pour en faire une seule. De même,ces approches sont utilisées en parallèle. C'est dans cette même
p

procédure que nous nous positionnons empiriquement dans cette étude dans un ultime but qu'est la construction d'un modèle hybride d'alerte avancée des
crises bancaires. Ce modèle sera capable, d'une part de fournir une inférences statistiques interprétables des variables et d'autre part, il offre une capacité
ce

prédictive plus élevée que les modèles précédents.

3. Méthodologie
Ac

Notre modèle hybride d'alerte avancée pour les crises bancaires se compose des trois éléments suivants: Le premier composant est relatif à la sélection des
indicateurs potentiels via l'estimation du modèle Bayésien (BMA). Le second volet repose sur la méthode des machines à vecteurs supports (SVM) pour
déterminer le taux de précision prédictive du modèle construit à partir des variables sélectionnées par (BMA). Le troisième composant évalue le pouvoir
prédictif du modèle hybride BMA-SVM et compare sa performance à d'autres méthodes à savoir, Knn-nearestneighbors, Logistique, NaiveBayes et SVM
classique par l'étude de leurs courbes ROC Receiver Operating Characteristic/fonction d’efficacité des récepteurs respectifs.

3.1. Modèlebayésien

Ce pendant et comme l'a évoqué la littérature sur les modèles d'alertes avancées (MAA) dans la section 2, il existe un réel problème d'incertitude
concernant le choix des bons variables qui doivent êtres inclus dans un MAA. Par conséquent, il est nécessaire de tenir compte systématiquement de cette
incertitude du modèle. Koop (2003), montre qu'en présence d'un grand nombre de variables candidates dans un modèle de régression, les approches
traditionnelles souffrent de deux inconvénients importants. Tout d'abord, mettre toutes les variables possibles dans une régression n'est pas souhaitable,
puisque les erreurs types augmentent si les variables pertinentes sont incluses. Deuxièmement, si nous testons séquentiellement la qualité d'ajustement du
modèle avec les critères d'informations AIC-BIC afin d'exclure les variables sans importance, nous pourrions nous retrouver avec des résultats trompeurs
car il y'a une possibilité d'exclure la variable pertinente chaque fois que le test est effectué.

Le modèle Bayésien (BMA) tient compte de l'incertitude de modèle en passant par toutes les combinaisons du modèle qui peuvent survenir dans un

Page 3 of 12
4 LA REVUE GESTION ET ORGANISATION 00 (2014) 000–0

ensemble donné de variables. Nous sollicitons le modèle BMA pour détecter les indicateurs d'alertes précoce les plus robustes parmi un panel de 25
variables potentiels. Nous considérons le modèle de régression linéaire suivante:

(1)

où y représente la variable de crise binaire, la constante, le vecteur des coefficients et le terme d’erreur bruit-blanc. , désigne un sous-ensemble
de toutes les variables explicatives pertinentes disponibles, dans notre cas d'étude ils représentent les indicateurs potentiels d'alerte avancée. le nombre k

t
de variables explicatives potentielles donne modèles potentiels. L'indice i est utilisé pour se référer à un modèle spécifique de ces modèles.

ip
L'information provenant des modèles est ensuite réparti moyennement à l'aide des probabilités postérieure du modèle qui sont données par le théorème de
Bayes:

cr
p( | y,X) p(y | ,X)p( ) (2)

avec p( | y,X) est la probabilité postérieure du modèle, qui est proportionnelle à la probabilité marginale du modèle p(y | ,X) multipliée par la
probabilité apriori du modèle p( ).

us
La robustesse d'une variable dans l'explication de la variable dépendante peut être capturé par la probabilité qu'une variable donnée est incluse dans la
régression. Pour ce faire nous calculons la probabilité postérieure d'inclusion (PIP), qui est donnée par:

PIP= p( 0 | y)= (3)

an
Le PIP capte la mesure par laquelle nous pouvons évaluer la robustesse de la relation d'une variable explicative potentielle avec la variable dépendante.
Les variables ayant une grande PIP peuvent être considérés comme déterminants robustes de la variable dépendante, tandis que les variables ayant une
faible PIP sont réputés ne pas être liées avec robustesse à la variable dépendante.
M
Par ailleurs, il serait impossible de passer par tout les modèles possibles si on a un nombre très élevé de variables explicatives potentielles, pour cela nous
utilisons la méthode de comparaison des modèle par la chaine de Markov Monte Carlo ( ) développée par Madigan et York (1995). La méthode
est capable de se concentrer sur les régions du modèle où il y' à une forte probabilité de modèle postérieur et est donc en mesure de se rapprocher de
la probabilité a postériori exacte d'une manière plus efficace.
d

3.2. Machines à vecteurs supports

te

La méthode des machines à vecteurs supports (SVM), développée par Vapnik (1998) est une méthode de classification par apprentissage supervisé.
L'apprentissage, c'est de collecter au paravent des informations sur des couples (entrées, sorties) pour pouvoir formuler des hypothèses sur le
comportement du couple au futur. Le but des SVM est de trouver un classificateur optimal nous permettons de séparer les données entre deux classes
p

distinctes. On peut décrire brièvement l’algorithme du SVM comme suit:

M

Soient D des données d’apprentissage, avec D= x i , y i i 1 où x i    M
 
représente la matrice d’entrée et y i   1,1 représente le vecteur de sortie.
Dans le cas où les données sont linéairement séparables, le séparateur optimal prend la forme affine suivante w.x+b=0. Par ailleurs, dans le cas non-
ce

linéaire, on change l'espace où les données sont distribuées et on passe d'un espace à deux dimension à un autre à plus grande dimension appelé espace de
redescription. On fait, plus en augmente la dimension du problème à résoudre on accroit la probabilité de trouver un séparateur linéaire entre les classes.
On appelle cette transformation non-linéaire,  ( x ) . La contrainte d’optimisation s’écrit comme suit:
Ac

1 T M
Min w w  C  i
2 i 1
SC (4)

 y i wT  ( xi )  b   1   i ( i  1, 2,...., M )

 i  0 ( i  1, 2,...., M )

Avec i sont les termes d’erreurs, C le paramètre de contrôle de pénalisation.
Pour résoudre cette contrainte on applique le Lagrangien à (4) on obtient la forme duale suivante:
1 T T
Min  Q  e 
2
SC (5)

0   i  C ( i  1, 2,...., M )
 yT   0

T
Où e est le vecteur de tous les 1, Q représente la matrice semi-définie positive et  i est le multiplicateur de Lagrange. Les éléments

Page 4 of 12
 LA REVUE GESTION ET ORGANISATION 00 (2014) 000–000 5

T
Qij  y i y j K ( x i , x j ) sont des éléments de Q telle que : K ( xi , x j )   ( xi )  ( x j ) est la fonction noyau (kernelfunction). Ils existent plusieurs
autre fonctions noyau, linéaire, polynomiale et le noyau Gaussien de type radial (radial basis function (RBF)).
D’après l’analyse précédente, la fonction de classification du SVM est donnée par:
M
f ( x )  sign (   i y i K ( x i , x j )  b ) (6)
i 1

(
4. Présentation des variables

t
ip
4.1. Variable dépendante

Pour identifier les épisodes de crises bancaires, ils existent deux principales méthodes couramment utilisées dans la littérature. La première, se référe

cr
principalement aux dates des crises en accordant une valeur “ 1 ” à l'année de la crise et “ 0 ” lorsqu'il n'y à pas de crise. Mais cette méthode fixe ne reflète
pas la réalité de la crise qui peut se prolonger sur plusieurs années. La seconde méthode se base sur la construction d'indice de crise. Cette dernière
présente un réel problème qu'est le choix du seuil à partir du quel on transforme la variable continue en une réponse binaire “ 1 ” pour crise et “ 0 ” sinon.

us
Pour notre analyse empirique, la variable dépendante utilisée dans le modèle bayésien est l'indice (IXCR) donné par:

(7)

Cet indice est construit à partir de la variable relative au crédits non performant pour mesurer le niveau de prise de risque des banques. L'hypothèse est que

an
durant la phase précédant une crise bancaire des comportement de prise excessive de risque élevée sont à enregistrer.
Par la suite l'identification d'une crise bancaire ne peut pas revêtir l’aspect binaire puisqu'elle n'est pas le résultat d'une naissance instantané mais plutôt le
résultat d'un cumule d’évènements suspects précédant. C'est pourquoi dans ce qui suit et contrairement à la plupart des études précédentes sur les modèles
d'alertes précoce des crises bancaire, nous allons utilisé une variable continue au lieux d'une binaire.
M
En fin, les données utilisés dans cette étude sont collectés à partir de quatre bases de données relativement, celles de la banque mondiale 2012-2013, le
fond monétaire internationale, Bankscope et celle de Thorsten Beck, Asli Demirgüç-Kunt and Ross Levine, (2011). Ces données sont relatifs à un panel de
22 pays qui ont subit une crise bancaire entre 1990 et 2011: Argentine,Colombie, France, Allemagne, Gréce, Indonésie, Irlande, Italie, Japon, Corée du
Sude, Malaisie, Mexique, Philippines, Pologne, Portugal, Espagne, Thailande, Tunisie, Turquie, Grande Bretagne, Les Etats Unis d’Amérique et
l’Uruguay.
d

4.2. Les Variables éxplicatives

te

Multiples sont les indicateurs candidats pour la construction d'un système d'alerte des crises bancaires. On ce qui concerne notre présente étude nous
sollicitons les principales variables macroéconomiques, microéconomiques et de prises de risques des banques, données par le tableau suivant:
p

Table 1 – Variables éxplicatives.

ce

Indicateurspotentiels Definition Sources

GPIB Taux de la croissance économique World Bank
CAP Capitalisation boursière World Bank
INF Tauxd'inflation World Bank
Tauxd’intérêtreel
Ac

TIR World Bank

M2R Masse monétaire au sens deM2 sur réserves World Bank
en devises
SMTO Rendement du marché des capitaux Thorsten Beck, Asli Demirgüç-Kunt and Ross Levine
database
LernerIndex Compétitivité de l'intermédiationbancaire Thorsten Beck, Asli Demirgüç-Kunt and Ross Levine
database
PF Produit net financier IMF
SMtotTrade Valeur totale des actions échangées sur le Thorsten Beck, Asli Demirgüç-Kunt and Ross Levine
marché financier database
ROA Rentabilité des actifs nets Bankscope
ROE Rentabilité des capitauxpropres Bankscope
ProvNpl Les provisions sur les créances douteuses Bankscope
Zscore La stabilité financière des banques Bankscope
TCH Le taux de change World Bank
TCTD Total crédits sur total des dépôts Bankscope
LIQ La liquiditébancaire Wold Bank
KTA Capitaux propres sur total actif bancaire Bankscope

Page 5 of 12
6 LA REVUE GESTION ET ORGANISATION 00 (2014) 000–0

TD Total depots Bankscope

TDTA Total dépôts sur total actif Bankscope
Crp Crédits accordés au secteur privé Bankscope
CrPTD Le volume des crédits accordés au secteur Thorsten Beck, Asli Demirgüç-Kunt and Ross Levine
privé sur total dépôts database
GDPperKa PIB sur la capitalisation boursière World Bank

En effet, la faiblesse du taux de croissance économique (GPIB) est susceptible de refléter des chocs macroéconomiques défavorables qui nuisent aux

t
banques par des taux plus élevés de prêts non-performants (Demirgüç-Kunt et Detragiache, 1997). Mais, dans une période de croissance économique assez
favorable, les gestionnaires de crédits ont tendance au laxisme en accordant plus de crédits sans pour autant avoir des informations sur la capacité de

ip
solvabilité au préalable de leurs clients. De tels comportements augmentent le risque de crédit et accroit la probabilité de survenance d'une crise bancaire.
Par ailleurs, l'augmentation à court terme du taux d’intérêt réel (TIR) peut être un facteur nuisible aux banques lorsque celles-ci se trouvent incapables de
répercuter cette hausse sur ses clients. Cependant, la baisse du taux d’intérêt réel peut attirer les investisseurs ainsi que les emprunteurs risqueurs. Ces

cr
derniers, malgré les faibles taux empruntent aujourd'hui tout en croyant réaliser des gains plu-tard, mais si ce n'est pas le cas ils deviennent insolvables et
augmentent alors le taux des crédits non-performants des banques ainsi que la probabilité de faillite puis d'un effondrement systémique. En outre, et selon
l'hypothèse de Reinhart et Rogoff, (2008), un taux élevé d'inflation (INF) signifie d'une part, l'imminence d'une mauvaise gestion macroéconomique et

us
d'autre part, la création d'une bulle des prix.

D'un autre côté, le ratio relatif à la masse monétaire par rapport aux réserves de changes de la banque centrale (M2R) nous permet de détecter une possible
sortie soudaine des capitaux étrangers ainsi que la vulnérabilité des pays aux problèmes de balance de payement. Ainsi, un ratio élevé de M2 à des

an
réserves de change est supposée augmenter la probabilité d'une crise bancaire.
La croissance du taux des crédits accordés au secteur privé (Crp) et son volume par rapport aux avoirs en dépôts (TCTD, CrpTD), implique une
augmentation du risque de sélection adverse ainsi qu'une hausse du volume des créances douteuses. En effet, le volume des prêts accordés par les banques
témoigne souvent de la présence d’asymétrie d’information et d’une baisse considérable du contrôle sur les prêts. L’expansion des crédits reflète, d’une
part, l’amélioration de la situation économique du pays dans une période de croissance économique qui est favorable, et d’autre part, la défaillance de
M
gestion bancaire des prêts exposant les banques à des risques de contrepartie et de crédit permettant la survenance de crise. C’est pourquoi l’étude du
volume des prêt est nécessaire dans la mesure où elle nous permet d’évaluer le degré d’exposition des banque aux risques y afférents.

Toutefois, le risque d’illiquidité est souvent mis en premier rang des risques qui peuvent nuire à la santé d’un système bancaire tout entier. L’illiquidité est
d

fréquemment responsable de plusieurs crises bancaires auparavant (l’Argentine, Mexique...) provoquées par une course effrénée aux guichets de la part
des déposants pour retirer leurs avoirs en banque. Cet assèchement, dans tous les cas peut être estompé par le recours à l’aide des autorités monétaires et
te

financières (PDR). Le préteur en dernier ressort comme son nom l’indique, prête aux établissements de crédits des prêts pour financer les crédits de leurs
clients à fin d’éviter une éventuelle fuite entrainant un mouvement de retrait de masse et de panique bancaire qui peut affecter tout le système bancaire.
p

Le recours au prêteur en dernier ressort fréquemment, peut nous renseigner sur la santé des banques. Un système bancaire qui présente des carences en
liquidité devrait se tourner vers la banque centrale pour financer ses crédits. Les banques en difficulté vont alors afficher une fréquence de recours au PDR
ce

un peu élevée que les autres banques, et pour mesurer cette fréquence, nous avons utilisé la variable (CenBa) qui devrait être élevée pour un système
bancaire fragile.

Dans la phase qui précède une crise bancaire et après une ouverture de la finance, survient une période de croissance et de rentabilité forte. Les variables
Ac

mesurant la rentabilité bancaire (ROE, ROA, PF), illustre l’hypothèse que les banques qui spéculent et qui se trouvent en difficulté au moment de la crise
sont celles qui étaient les plus rentables avant la crise. De plus, les banques qui présentent une forte rentabilité sont les banques les plus liquides.

Avant la survenue de la crise, les banques qui étaient à l’abri d’une panique bancaire, peuvent se trouver en manque de liquidité. Les banques qui
spéculaient sont les plus rentables avant la crise mais présentaient une carence en liquidité après. Aussi, les banques qui prennent de plus en plus de risque
dans la recherche du profit sont les banques qui spéculent, principalement, celles qui accordent plus d’intérêt aux activités de hors bilan (PF, SMTO,
SMtotTrade). De plus, les banques qui s'activent hors bilan sont généralement celles qui sont concurrencées par les marchés de capitaux en termes de
financement de l'économie et elles deviennent de moins en moins compétitives (LernerIndex).

5. Résultats et interprétations

5.1. Sélection des indicateurs d’alerte par la méthode bayésienne

La majorité des études empiriques précédentes sur la détection des crises bancaires ou financières se divisent principalement en deux catégories; l’une
employant la totalité des indicateurs potentiels comme variables explicatives et l’autre applique des méthodes de selection basées sur les critères
d’information AIC et BIC pour élimier les variables les moins significatives du modèle. Mais ces deux pratiques montrent leurs limites quisqu’une

Page 6 of 12
 LA REVUE GESTION ET ORGANISATION 00 (2014) 000–000 7

selection pas-à-pas pourrait éliminée des variables sur lesquelles se basent nos attentes théoriques. C’est pourquoi dans cette étude nous nous sommes
basés sur l’idée selon laquelles, une crise bancaire ne pourrait être que lorsqu’il existe des antécédants de faiblesses et de vulnérabilités aux risques. Ces
faiblesses sont principalement cumulées avant le choc et reliées à la situation économique globale et la politique monétaire appliquée influant le
comportement des banques vers de plus en plus de prise de risque. Alors, et pour identifier les facteurs respensables de la prise de risque des banques nous
emplyant la méthode bayésienne pour selectionner à priori leur potentialité d’inclusion postérieure dans le modèle d’alerte.

En effet, la figure 1 affiche les 2000 meilleurs modèles découlant de l'application du modèle bayésien. Ces modèles sont classés en fonction de leurs
probabilités d’inclusion postérieure, par la suite les meilleurs modèles sont affichés sur la gauche. La couleur grise indique un coefficient estimé positif,

t
alors que la couleur noire indique un coefficient négatif et la couleur blanche indique que la variable n'est pas incluse dans le modèle respectif. D'après la

ip
figure 1, on remarque que la majeure partie de la masse du modèle comprend des variables qui ont une probabilité postérieure d'inclusion (PIP) supérieur à
0,5.

cr
us
an
M
d
p te

Fig. 1 –Séléction des indicateurs potentiels d’alerte des crises bancaires.

ce

Graphique effectué par l’auteur à partir du logiciel R 3.0.3

Le Tableau 2 affiche les résultats de l'estimation du modèle bayésien, principalement la probabilité postérieur incluse pour chaque indicateur, la moyenne
postérieure, l'écart-type standardisé et le signe conditionnel postérieur.
Ac

Table 2 - Estimation du modèle bayésien.

Variables PIP Post Mean Post SD Cond.Pos.Sign Idx
ROA 1.00000 -3.253830e-02 4.244807e-03 0.00000000 7
Lernerindex 1.00000 8.938866e-02 8.089334e-03 1.00000000 10
ProvNpl 1.00000 2.585490e-03 3.530887e-04 1.00000000 14
IDE 0.99413 2.127322e-02 5.440216e-03 1.00000000 25
Bcon 0.98858 2.993573e-03 7.809058e-04 1.00000000 9
Zscore 0.97686 -5.835223e-03 1.813897e-03 0.00000000 13
PF 0.86456 -2.802481e-03 1.456647e-03 0.00000000 23
TIR 0.71439 -2.598068e-03 1.964629e-03 0.00000000 22
INF 0.55294 2.013983e-04 2.083543e-04 1.00000000 20
TDTA 0.33889 -3.397488e-04 5.552591e-04 0.00008852 3
LIQ 0.16748 -1.791282e-04 5.745501e-04 0.00173155 5
SMtotTrade 0.16615 -1.668090e-14 4.509113e-14 0.00018056 16
ROE 0.15197 9.210689e-05 2.580281e-04 1.00000000 8
CrP 0.14192 -9.468734e-05 3.656530e-04 0.09653326 1

Page 7 of 12
8 LA REVUE GESTION ET ORGANISATION 00 (2014) 000–0

TD 0.08377 2.151552e-05 4.536223e-04 0.34284350 4

GDPperCap 0.08115 1.529442e-05 7.245582e-05 1.00000000 19
CrPTD 0.07556 6.180793e-06 2.198685e-04 0.50833774 6
GDP 0.06708 8.889442e-06 6.276395e-05 0.92695289 18
Cap 0.06269 -2.316322e-05 1.545825e-04 0.05088531 15
TCTD 0.06122 2.549382e-05 1.702665e-04 0.86899706 12
KTA 0.05342 -2.756236e-04 1.848696e-03 0.07431674 11
M2R 0.05015 2.357611e-06 7.811999e-05 0.63030907 21
SMTO 0.04315 -4.139284e-15 4.716505e-14 0.17589803 17

t
CenBA 0.03859 2.506692e-05 6.435114e-04 0.73050013 2

ip
TCH 0.03239 1.053832e-05 1.808915e-04 0.83389935 24
Source des données: calculs effctués par l’auteur.

cr
Sur les 25 variables explicatives retenues, 9 ont une probabilité postérieure d'inclusion (PIP) supérieure à 0.5. Ces indicateurs potentiels, qui sont les plus
importants, sont la rentabilité nette des actifs (ROA), la compétitivité de l'intermédiation bancaire (LernerIndex), les provisions sur les créances douteuses
(ProvNpl), les investissement directs étrangers (IDE), la concentration bancaire (Bcon), la stabilité financière des banques (Zscore), les produits nets

us
financiers (PF), le taux d’intérêt réel (TIR) et l’inflation (INF).

Les résultats de l'estimation du modèle BMA montre que la plus forte probabilité postérieure d'inclusion est enregistrée par la rentabilité nette des actifs
(ROA). Cette dernière variable affiche un signe négatif. Lorsque la rentabilité de la banque augmente, la probabilité de survenance d'une crise bancaire

an
diminue, et vice versa. En effet, les banques les plus rentables sont capables d’une part, de contrecarer les éventuelles pertes financières engendrées par
des non remboursements et d’autre part, d'honorer leurs engagements envers leurs clients et fournir à temps la liquidité demandée.Au contraire, les
banques les moins rentables sont les plus vulnérables à une ruée bancaire.
M
Par ailleurs, notre résultat confirme l'opinion commune que la détérioration de la compétitivité de l'intermédiation bancaire face aux marchés financiers,
mesurée par la variable LernerIndex, est un indicateur annonciateur précoce des crises bancaires.

L'augmentation de l'indice de Lerner implique la baisse de la compétitivité des banques, qui sont des intermédiaires financiers par excellence. Avec la
désintermédiation, les investisseurs financent leurs projets d'investissement en s’adressant directement aux marchés de capitaux. Les banques ont perdu les
d

clients solvables, ce qui affecte négativement leur rentabilité. Pour contrecarrer cette baisse, les banques ont pris le risque d’offrir plus de crédits à leurs
clients restants pour les accrocher.
te

Cette manœuvre est périlleuse, puisque la probabilité de faire une sélection adverse des demandeurs de crédits sera élevée, principalement les investisseurs
à risque seront les plus attirés par l'offre bancaire. Ce résultat s’aligne avec celui de G. Jiménez, Jose A. Lopez et J. Saurina (2007) qui montrent, dans leur
p

étude sur l'impact de la compétition sur la prise de risque des banques, que l’intensification de la concurrence s’accompagne généralement par une
augmentation des crédits non performants des insitutitions financières bancaires.
ce

Les investissements directs étrangers (IDE) ont des avantages pour les pays d’accueil. Ils procurent la technologie sans coûts excessifs, contribuent à la
qualification de la main d’oeuvre sous forme de savoir-faire, assurent des marchés d’exportation, etc.

Dans cet article, la variable relative aux investissements directs étrangers impacte positivement et significativement la probablité de survenance des crises
Ac

bancaires, c’est-à-dire que lorsque les IDE augmentent, cette probabilité l’est aussi. Cette augmentation peut être considérée comme un indicateur
annonciateur des crises bancaires. Ce résultat avec celui dégagé par Calvo et Mendoza (2000) et Festi et al. (2011).

Ce résultat paradoxal peut être expliqué par le fait que lorsque les IDE augmentent, la demande augmente, l’activité économique augmente et se
diversifie. Étant donné la faiblesse du taux d’intêret, les banques misent sur la quantité de crédit pour améliorer leur marge bancaire (effet quantité), les
prêts domestiques augmentent, le traitement et controle des crédits ne sont pas rigoureux, ce qui conduit à l’augmentation du risque de crédit, à la
croissance des créances douteuses et à la dégradation des portefeuilles des banques. Cette situation bancaire destabilise les investisseurs étrangers, qui
retirent leurs avoirs en banques, qui manqueraient de liquidité. Ce problème d’illiquidité entraine le ralentissement du rythme des activités économiques
dans le pays, se traduit par l'incapacité des emprunteurs à rembourser les prêts.

Outre, la compétitivité, les résultats de l'estimation montrent que la concentration bancaire (Bcon) augmente la probabilité de survenance des crises
bancaires. Ce résultat rejoint le camp des opposants à la thèse selon laquelle la concentration bancaire est synonyme de stabilité. Boyd et De Nicolò (2005)
ont démontré que la concentration des marchés favorise leur stabilité. La puissance du marché génère pour les banques des profits plus élevés. Ces profits
souvent qualifiés de rentes, limitent l’incitation des banques à recourir à des activités risquées origines des fragilités et des crises bancaires.

Le résultat trouvé confirme les travaux qui soutiennent l’hypothèse de concentration-fragilité. Les opérations de concentration bancaire peuvent donner
naissance à de grandes banques, voire même à des conglomérats financiers, qui sont difficiles à contrôler par les autorités prudentielles, étant données leur

Page 8 of 12
 LA REVUE GESTION ET ORGANISATION 00 (2014) 000–000 9

opacité organisationnelle et leur dimension internationale, qui rendent leur activité moins lisible pour le régulateur. Le plus souvent, la concentration
bancaire conduit à l’augmentation du taux d’intérêt. Ce coût élevé de financement favorise les projets les plus risqués à forte probabilité de défaut. Les
créances douteuses des banques augmentent et la qualité de leur portefeuille se détériore menaçant leur stabilité financière conduisant ainsi à une
éventuelle crise bancaire.

Selon Mishkin, (1999), en faisant une comparaison avec les systèmes moins concentrés, les structures plus concentrées reçoivent davantage de
subventions publiques, ce qui pourrait créer un problème d'aléa moral en encourageant les banques d'une plus grande importance à assumer des risques
plus élevés, ce qui augmente la fragilité du système.

t
ip
Quant aux produits financiers nets (PF), ils agissent négativement sur la variable crise. L’augmentation de ces produits immunisent les banques de tomber
en crises. Ces dernières années, et suite à la transformation de la nature des risques bancaires, les banques ont adopté de nouvelles politiques de gestion
des risques. En particulier, elles ont opté pour la gestion externalisée des risques en recourant, entre autres, aux techniques de titrisation des crédits

cr
bancaires et de défaisance, pour extérioriser leurs risques et alléger leurs bilans.

Dans cet article, nous avons approché la stabilité bancaire par l’indicateur Z-score d'Altman (1968) comme plusieurs études empiriques: Beck et Laeven

us
(2006), Laeven et Levine (2006), Hesse et Cihak (2007), demirgüç-Kunt, Detragiache et Tressel (2008), etc. Le résultat trouvé montre que la stabilité
bancaire empeche l’occurrence des crises bancaires. Les banques compensent le risque élevé des prêts accordés en augmentant leurs capitaux propres; ce
qui réduit le risque global. Par conséquent, lorsque Z-score augmente, la probabilité de risque d’insolvabilité des banques et celle de survenance des crises
bancaires diminuent.

an
L'augmentation du taux d'inflation (INF) et la baisse du taux d’intérêt réel (TIR) impactent positivement la probabilité de survenance d'une crise bancaire.
Toute augmentation du taux d’inflation érode la marge bancaire et nuit à la pérennité de la banque, puisque l’inflation redistribue le revenu au détriment
des préteurs et en faveur des emprunteurs.
M
La crise financière et bancaire aux États-Unis en 2007 a été précédée par une baisse du taux d’intérêt réel favorisant l'augmentation des crédits
immobiliers et la formation d'une bulle immobilière qui a fini par s'éclater créant par la suite la crise mondialement reconnue par ses dégâts financiers et
économiques. Au premier abord, un effet de substitution vers des actifs plus risqués est produite après une période de faibles taux d'intérêt. En effet, le
premier canal de prise de risque suppose que pendant une période de baisse du taux d’intérêt réel, les banques deviennent moins averses au risque et leur
d

appétit pour le risque augmente. Cela se traduit par une multitude changements dans le comportement des banques dont, l'augmentation des
investissements dans les actifs risqués. Selon Rajan (2005), des taux d'intérêt sur les placements sans risque pourrait pousser les banques à investir
davantage dans l'investissement à rendement plus élevé qui sont aussi plus risqués.
te

Le canal de la prise de risque met l'accent sur la relation entre les incitations des banques à sélectionner les emprunteurs et le niveau des taux. Plus
précisément, il a été avancé que les banques deviennent de plus en plus laxistes vis-à-vis de l'offre de crédit en diminuant les processus de suivi et de
p

contrôle pendant la période où les taux d’intérêts sont bas. Dell'Ariccia et al. (2010) affirment que la présence d'assouplissement monétaire produit une
réduction du taux d'intérêt sur les prêts bancaires, la banque voit son retour de payement sur les prêts se réduit, ce qui à son tour diminue les incitations
ce

aux contrôles de la banque. Ces revendications suggèrent que parce que la surveillance est une action couteuse, les banques sont confrontées à une
réduction de retour de payement des prêts suite à une politique monétaire accommodante, et décident de réduire leurs couts en réduisant les processus de
suivi et de contrôle. La conséquence est que le risque de portefeuille bancaire tend à augmenter. Ioannidou et al., (2009), montrent empiriquement qu'à des
taux d’intérêts bas, les banques accordent plus de crédit à des profils d'emprunteurs à risque, sans pour autant avoir une idée sur leurs historiques.
Ac

Du reste, par le dépistage et le tri des candidats emprunteurs qui ne respectent pas les normes de prêts satisfaisants, les banques jouent un rôle important
pour limiter les problèmes de sélection adverse dans l'économie. Le défaut de remplir cette fonction conduit à des portefeuilles plus risqués et des bilans
plus vulnérables, avec des conséquences potentiellement négatives pour la stabilité du marché du crédit. Ce-ci affaiblit considérablement les banques et les
rend de plus en plus exposées à la survenue d'une crise bancaire.

5.2. Performance prédictive du modèle hybride

Pour vérifier la performance de notre modèle hybride, nous utilisons la méthode des machines à vecteurs supports décrite précédemment. Pour ce faire,
nous avons procédé à la division égalitaire de notre base de données initiale en deux sous bases, l’une d’apprentissage et l’autre de test. Sauf que cette
fois-ci, notre base de donnée est constituée des indicateurs potentiels de la survenance des crises bancaires sélectionnés par le modèle Bayésien, qui
forment la matrice des variables explicatives. La variable dépendante, donnée par l'indice IXCR, sera transformée en deux étapes binaire puis en réponse
labellisée (T = True, F = False) comme suit :

Page 9 of 12
10 LA REVUE GESTION ET ORGANISATION 00 (2014) 000–0

Dans une première étape et pour détecter le couple optimal ( , C) respectif au modèle le plus performant, nous utilisons la méthode de validation croisée à
dix pas pour un premier modèle M1 .
Les paramètres qui procurent la meilleure précision de la validation croisée correspondent au modèle qui présente la plus faible erreur. Dans cet exercice
et après apprentissage, le couple optimal est tel que =0.25 et C = 64.
Par la suite et dans une seconde étape, nous introduisons le couple optimal ( = 0.25, C = 64) dans le nouveau modèle M2 et après apprentissage, les
précisions prédictives du modèle sont données par le tableau suivant :

t
ip
cr
Table 3 – Précision prédictive du modèle.
Nbr.pas Précision

us
1 96.55172
2 96.55172
3 93.10345
4 89.65517

an
5 93.10345
6 100
7 89.65517
8 89.65517
9 86.2069
M
10 100
Source : Calculs effctués par les auteurs.

Le modèle atteint sa plus haute précision prédictive au sixième et dixième pas de la validation croisée avec une précision de 100%. Par ailleurs,
d

l'apprentissage fournit 79 vecteurs supports dont 45 vecteurs pour la classe F et 34 vecteurs pour la classe T.
L'évaluation du pouvoir prédictif des modèles hybrides MH (SVM / BMA), SVM, Knn, Logistique et NaiveBayes s'effectue par l’étude de l'aire au-
te

dessous de la courbe (AUC) des couves ROC de chaque modèle.

En effet, l'étude de l'aire au-dessous de la courbe ROC (AUC) montre que le modèle hybride est celui qui enregistre l'AUC la plus élevée et la plus proche
de 1; suivi respectivement par les modèles SVM, Knn, Logistique et NaiveBayes. Ceci est clairement illustré par la Figure 2 où nous observons la
p

supériorité de la courbe ROC du modèle hybride SVM /BMA, qui s'affiche en rouge, par rapport à la courbe relative au modèle SVM, qui est au-dessous.
ce

Fig. 2 –Les courbes ROC

Ac

Source : Graphique effectué par les auteurs à partir du logiciel R 3.0.3

Page 10 of 12
 LA REVUE GESTION ET ORGANISATION 00 (2014) 000–000 11

Ces résultats trouvés montrent que l’observation au préalable de la baisse de la rentabilité nette des Actifs (ROA), du taux d’intérêt réel (TIR), des
produits nets financiers (PF), et de la déterioration de la stabilité financière des banques (Zscore) s’érige en signal d’alerte menaçant la survenance d’une
crise bancaire. De même, l’observation au préalable de la hausse de la compétitivité de l'intermédiation bancaire (LernerIndex), des provisions sur les
créances douteuses (ProvNpl), des investissement directs étrangers (IDE), de la concentration bancaire (Bcon) et de l’inflation (INF) permet de donner
l’alerte d’une éventuelle crise bancaire.

Par ailleurs et d'après les résultats affichés par le Tableau 4, on remarque que le modèle qui enregistre la meilleure performance prédictive correspond au
modèle hybride BMA-SVM avec une précision proche de 0.8970931 90%approuvant encore fois sa supériorité.

t
ip
cr
Table 4 – Performances des modèles.

us
Modèles AUC
BMA-SVM 0.8970931
SVM 0.8682839
Knn 0.8542677

an
Logistique 0.7308176
Source : Calculs effctués par les auteurs.

Conclusion
M
Ces dernières décennies, nous avons constaté la prolifération des crises bancaires un peu partout dans le monde. Les recherches se focalisent, entre autres,
sur la détection avancée et trés tôt des indicateurs déclencheurs des crises pour tenter de les éviter.

Différents modèles d'alerte précoce des crises bancaires ont été élaborés. D’abord, les modèles non-paramétriques dits également de signaux. Ces modèles
d

ont été développés par Kaminsky et Reinhart (1996), et Kaminsky, Reinhart et Lizondo (1998). Ils comparent le comportement des indicateurs
économiques pour la période avant et pendant la crise. Ensuite, ceux basés sur une approche paramétrique qui considèrent une crise bancaire comme étant
te

un évènement binaire discret, où il serait possible d’utiliser les approches probit et logit pour estimer leur survenue. Ces modèles donnent des résultats
entre 0 et 1, qui sont interprétés comme étant des probabilités de crises (Frankel et Rose (1996), Demirgüç et Detragiache (1998 a), Eichengreen et Rose
(1998), Davis et Karim (2008b)). Enfin, ceux basés sur l’apprentissage automatique supervisé, principalement les réseaux de neurones artificiels (RNA) et
les machines à vecteurs supports (SVM) (Ching-Chiang YEH et Meng-Yuan LEE (2013) et CBR Case-Based Reasoning-SVM de Pei-Chann Chang,
p

Chiung-Hua Huang et Chi-Yang Tsai en (2013)). Ces modèles sont sollicités d’une part, pour résoudre les problèmes posés par les régressions non
linéaires et d’autre part, pour faire de la prédiction.
ce

Toutefois, ces modèles présentent certaines limites.D’une part, leurs performances sont écorchées par le caractère discret de la variable explicative qui ne
permet pas de refléter la continuité et l’accumulation des faits suspects qui devancent la crise. D’autre part, ils n’exploitent pas assez la pluralité des
facteurs responsables de la survenue d’une crise bancaire. Quant aux modèles basés sur l’apprentissage automatique qualifiés de « boites noires », ils sont
incapables de fournir des inférences statistiques interprétables.
Ac

Cet article se fixe pour objectif de pallier aux limites des modèles antérieurs en proposant la construction d’un nouveau modèle d’alerte précoce des crises
bancaires. Ce modèle se base sur une approche hybride capable d’une part de sélectionner les meilleurs indicateurs, et de fournir des résultats
interprétables avec une meilleure performance prédictive, d’autre part.

Pour atteindre cet objectif, nous nous sommes référés à quatre sources pour collecter des données relatives à 22 pays.Ces pays ont subi des crises
bancaires sur la période allant de 1990 à 2011. Nous avons privilégié un modèle d’alerte des crises bancaires basé sur une approche hybride combinant le
modèle bayésien (Bayesian Model Averaging BMA) et les machines à vecteurs supports(Support Vectors Machine SVM).

Sur les 25 variables explicatives retenues, l’estimation du modèle bayésien a pu dégager 9 plus importants indicateurs d’alerte des crises bancaires.Ces
indicateurs sont ceux qui ont une probabilité postérieure d'inclusion supérieure à 0.5. Il s’agit de la rentabilité nette des actifs, de la compétitivité de
l'intermédiation bancaire, des provisions sur les créances douteuses, des investissements directs étrangers, de la concentration bancaire, de la stabilité
financière des banques, des produits nets financiers, du taux d’intérêt réel et du taux d’inflation.

Plus précisément, l’observation au préalable de la baisse de la rentabilité nette des actifs, du taux d’intérêt réel, des produits nets financiers, et de la
déterioration de la stabilité financière des banques s’érigent en alerte signalant la survenance d’une crise bancaire. De même, l’observation au préalable de
la hausse de la compétitivité de l'intermédiation bancaire, des provisions sur les créances douteuses, des investissements directs étrangers, de la
concentration bancaire et de l’inflation laisse prévoir l’avènement d’une crise bancaire. Ces résultats montrent la supériorité du modèle hybride par rapport aux

Page 11 of 12
12 LA REVUE GESTION ET ORGANISATION 00 (2014) 000–0

autres modèles Knn, Naivebayes, Logistique et SVM en terme de capacité prédictive des crises bancaires. Ce modèle constitue ainsi une meilleure alternative aux
anciens modèles d'alerte précoce des crises bancaires.

Pour se prémunir de l’occurrence des crises, il faut accorder une attention particulière aux 9 indicateurs d’alerte des crises bancaires. Du côté des banques,
elles sont appelées à corriger la défaillance au niveau de leur gouvernance, qui s’érige en un instrument de lutte contre la survenance des crises bancaires.
Du côté des Etats, leur rôle consiste à créer un environnement global propice favorisant la stabilité bancaire, maitrisant l’inflation et rassurant les
investisseurs pour faire confiance envers les économies.

Il est toutefois à signaler que les résultats empiriques de cette étude restent dépendants de l’échantillon de pays retenus. Ces pays sont hétérogènes en

t
termes de structures économique, bancaire, financière, sociale, etc. C’est pourquoi, nous chercherons dans les futurs travaux de recherche d’élargir et de

ip
scinder l’échantillon en groupes homogènes, pour que nous puissions dégager des résultats spécifiques permettant de déceler d’autres indicateurs
déclencheurs des crises bancaires.

cr
REFERENCES

us
Altman, E. 1968. “Financial ratios, discriminant analysis and the prediction of corporate bankruptcy”. The Journal of finance, 23(4):598-608.
Andrew Berg and Catherine Pattillo. 1999. “Are Currency Crises Predictable?A Test.” IMF Staff Papers, Palgrave Macmillan, 46(2): 1.
Andrew K. Rose and Mark M. Spiegel, 2011. “Cross-country causes and consequences of the crisis: an update.” Working Paper Series 2011-02, Federal

an
Reserve Bank of San Francisco.
Barry Eichengreen and Andrew K. Rose. 1998. “Staying Afloat When the Wind Shifts: External Factors and Emerging-Market Banking Crises.”
NEBER Working Paper, 6370, National Bureau of Economic Research, Inc.
Boyd, John H., and Gianni De Nicolò, 2005, “The Theory of Bank Risk Taking and Competition Revisited,” Journal of Finance, 60(3): 1329-343.
Bussiere, Matthieu and Fratzscher, Marcel, 2006. “Towards a new early warning system of financial crises.” Journal of International Money and
M
Finance, Elsevier, 25(6): 953-973.
Carmen M. Reinhart and Kenneth S. Rogoff.2008. “Is the 2007 US Sub-prime Financial Crisis So Different? An International Historical
Comparison”.American Economic Review, American Economic Association, 98(2):339-44.
Carmen M. Reinhart and Graciela L. Kaminsky. 1999. “The Twin Crises: The Causes of Banking and Balance-of-Payments
Problems.”AmericanEconomic Review, American Economic Association, 89(3):473-500.
d

David Madigan, Jeremy York and Denis Allard, 1995, “Bayesian Graphical Models for Discrete Data”, International Statistical Review / Revue
Internationale de Statistique, 63(2):215-232
Demirguc-Kent, Asli and Detragiache, Enrica, 1998.“Financial liberalization and financial fragility.”Policy Research Working Paper Series 1917, The
te

World Bank.
Festic M., Kavkler A. amdRepinaSebastijan. 2011. “The macroeconomic sources of systemic risk in the banking sectors of five new EU member”.
states,Journal of Banking and Finance 35: 310-322.
p

Enrique G. Mendoza and Guillermo A. Calvo. 2000. “Capital-Markets Crises and Economic Collapse in Emerging Markets: An Informational-Frictions
Approach,” American Economic Review, American Economic Association,90(2): 59-64.
Frankel, Jeffrey and Saravelos, George, 2012. “Can leading indicators assess country vulnerability? Evidence from the 2008–09 global financial crisis.”
ce

Journal of International Economics, Elsevier, 87(2):216-231.

Gabriel Jiménez, Jose A. Lopez and Jesus Saurina, 2009. “Empirical Analysis of Corporate Credit Lines,” Review of Financial Studies, Society for
Financial Studies, 22(12): 5069-5098.
Giovanni Dell'Ariccia, Robert Marquez and Luc Laeven, 2010. “Monetary Policy, Leverage, and Bank Risk-Taking.” International Monetary Fund
Working Papers 10-276,
Ac

Ioannidou, V. P., Ongena, S. and J.-L. Peydró.2009. “Monetary Policy, Risk-Taking and Pricing: Evidence from a Quasi Natural Experiment.” European
Banking Center DP 2009-04, September.
Raghuram G. Rajan, 2005, “Has Financial Development Made the World Riskier?”,National Bureau of Economic Research Working Paper Series, No.
11728.
Kaminsky, Graciela L. and Leiderman, Leonardo, 1998. “High real interest rates in the aftermath of disinflation: is it a lack of credibility?.”,Journal of
Development Economics Elsevier, 55(1):191-214.
Thorsten Beck, Aslı Demirgüç-Kunt and Ross Levine.2000, “A New Database on Financial Development and Structure,” World Bank Economic Review
14:597-605.
Vladimir N. Vapnik. 1999, Statistical Learning Theory, ISBN 0-4761-03003-1, John Wiley & Sons.

Page 12 of 12