Evaluation du risque de crédit et de la stabilité financière des

banques en Tunisie

Mouna BEKRI

Doctorante en sciences économiques

Laboratoire de recherche en économie du développement

Ahmed HACHICHA

Laboratoire de recherche en économie du développement

Faculté de sciences économiques et de gestion de Sfax.

Université de Sfax

ahmedhachicha20@yahoo.fr

105
 Résumé :
Les banques sont au cœur du fonctionnement des économies et de la dynamique de
croissance des pays. Elles assurent l’activité d’intermédiation financière entre ceux qui
ont des excédents et ceux qui ont des besoins de financement. Pour cela, elles sont en
face de plusieurs risques notamment le risque de crédit. Elles cherchent toujours à
assurer leurs stabilités financières.

Ce travail de recherche étudie l'impact du risque de crédit sur la stabilité financière

pour un échantillon composé de 21 banques tunisiennes pour une fréquence annuelle
allant de 2005 à 2015. Notre analyse empirique basée sur l'estimation d'un modèle de
panel co-intégré permet de conclure que le risque de crédit est positivement lié à la
stabilité financière des banques tunisiennes.

Mots-clés : Stabilité financière, risque de crédit, prêts non performants, total des actifs
productifs, rendement des actifs, produit intérieur brut.

Abstract:

Banks are central to the functioning of countries’ economies and guarantee their
development in various fields. They act as financial intermediates between those who
have surpluses and those who are in need of financial support. Accordingly, they may
well face some risks including credit ones and they are always seeking for maintaining
their financial stability.

In this research emphasis was put on the impact of credit risks on the financial stability
of a sample of 21 Tunisian banks for one decade (from 2005 to 2015). Our empirical
analysis which was based on the estimation of a co-integrated panel model led us to
find out that the credit risk is positively related to the financial stability of the Tunisian
banks being dealt with.

Keywords: Financial stability, credit risk, non-performing loans, total earning assets,
return on assets, gross domestic product.

106
INTRODUCTION
Un système financier est formé généralement de trois concepts essentiels ; les marchés
financiers, les intermédiaires financiers et les infrastructures financières. Sa fonction
première est d’assurer le transfert efficace des ressources des prêteurs vers des
emprunteurs. En particulier, il permet de financer la production de l’entreprise et la
consommation des ménages. Il assure donc l’activité d’intermédiation, en évaluant les
risques financiers de façon raisonnable afin d’absorber les chocs financiers et réels.

Dans la plupart du temps, le système financier remplit efficacement ses fonctions.

Dans certains cas, l’instabilité financière des entreprises peut être d’une importante
ampleur telle que les dysfonctionnements qui se transmettent à l’économie.
Néanmoins, quelle que soit la réalité, des conditions monétaires et financières stables
sont nécessaires pour limiter les impacts négatifs des crises financières. Les coûts des
crises financières récentes ont incité à des efforts supplémentaires des autorités pour
identifier les instruments nécessaires à la prévention d’apparition de ces événements.

Les intérêts des chercheurs et des économistes ont porté sur l’identification des
instruments adéquats pour détecter et prévenir les crises financières. Plusieurs
approches ont été adoptées dans le passé, mais restent dépassées en raison de
l’évolution du mode économique et des systèmes de production. Actuellement, la
stabilité financière et les risques financiers sont devenus une source de préoccupation
majeure au plan mondial. La raison principale de cette préoccupation est la
multiplication des crises financières qui pèsent lourdement sur le système financier et
notamment sur les banques. Ces dernières s’exposent à une variété de risques classés
en quatre catégories : risques financiers, risques opérationnels, risques d’exploitation et
risques accidentels (Greuning et Bratanovic, 2004). Le risque de crédit, faisant partie
des risques financiers, est considéré comme le risque principal auquel une banque est
confrontée (Caprio et al. 1998 ; Campbell, 2007). Plusieurs chercheurs ont conclu que
le risque de crédit entraine la défaillance bancaire, par l'accumulation des crédits non
performants (Thomson, 1991 ; Whalen, 1991 ; Cole et Gunther, 1995 ; Barnhill et al.
2002 ; Vazquez et al. 2012).

Face à l’importance du risque de crédit et la soutenabilité de la stabilité financière des

107
banques en Tunisie, ce papier vise à étudier l'impact de risque de crédit sur la stabilité
financière des banques. Pour ce faire, on a adopté aux développements récents de
l’économétrie des séries temporelles en suivant trois étapes : test de racine unitaire,
test de co-intégration de Johansen et test de causalité de Granger dans le cadre d’un
modèle vectoriel à correction d’erreur.

1. REVUE DE LITTERATURE ET HYPOTHESES THEORIQUES

Le risque de crédit est le risque fondamental encouru par une banque. Pratiquement,
toutes les banques dans le monde sont confrontées aux problèmes des créances
irrécouvrables (prêts en cours). Elles doivent donc améliorer constamment leurs
modèles et leurs pratiques dans le domaine de la gestion du risque de crédit, et de
trouver des moyens de le prévenir. Pour couvrir les banques contre ces défaillances, un
certain nombre des études empiriques a été mis en œuvre pour étudier et mesurer la
stabilité des banques, en utilisant différentes techniques, citons par exemple le z-score,
le NPL (non performant loans) ...

Čihák and Hesse (2010) ont étudié la stabilité des banques islamiques et
conventionnelles de 20 pays durant la période 1994 et 2004, en se basant sur la
technique z-score. Plus tard, Beck et al. (2013) ont utilisé la même technique en
comparant l'orientation commerciale ; l'efficience et la stabilité des banques, pour
montrer que les banques islamiques de petite taille ont un risque de crédit plus faibles
que celles de grande taille. Par la suite, Beck et al. (2013) ont utilisé le NPL comme
indicateur de la qualité des actifs. Ils ont révélé que les créances douteuses des banques
islamiques sont inférieures à celles des banques conventionnelles à cause de leur faible
risque de crédit. En parallèle, Abedifar et al. (2013) ont comparé le risque de solvabilité
et le risque de crédit de 553 banques de 24 pays entre 1999 et 2009, en utilisant
différents ratios pour mesurer le risque de crédit, le z-score et le risque de solvabilité.

Les deux dernières décennies ont été témoins de l'élaboration d'une gamme des
techniques de mesure du risque de crédit, regroupée en deux catégories (Altman et
Saunders, 1998 ; Colquitt, 2007 ; Allen et al. Powell, 2011). La première catégorie
fondée sur la comptabilité comprend, mais n'est pas limitée à Z-score d'Altman, le
risque de crédit Z-score et l'analyse NPL. La deuxième comprend les notations

108
externes ; Standard and Poor's, Moody's... Récemment, le risque est mesuré par des
indicateurs fondés sur le marché comme la probabilité de défaut de Merton, Risque
(VaR) et CreditMetrics. Altman et Saunders (1998) et Crouhy, Galai et Mark (2006)
fournissent des enquêtes exhaustives sur les modèles actuels de risque de crédit.

Dans cette étude, on utilise NPL pour mesurer le niveau de risque de crédit dans les
banques (Louzis et al. 2012). L'un des avantages du cette mesure (NPL) est qu'elle
s'agit d'une mesure directe de la solvabilité qui est difficile à gérer et à manipuler, de
plus de sa simplicité (Berger et DeYoung, 1997, Ahmad et Ariff, 2007 ; Ghosh, 2007 ;
Jiménez et al., 2006 ; Fiordelisi et al., 2013). Cette mesure indique la probabilité
accrue d'insolvabilité bancaire.

Les prêts non performants font généralement allusion aux prêts qui, pendant une
période de temps relativement longue, ne génèrent pas des revenus (principal et/ou
intérêts). Aussi, ces prêts désignent également les prêts improductifs ou encore les
créances en souffrance. Cependant, le critère principal d’identification des Prêts non
performants qui est la période de non remboursement varie d’un système financier à un
autre (Fofack, 2005 ; Nkusu, 2011). Les prêts non performants ont été largement
utilisés comme mesure de la qualité des actifs par les établissements de crédit, et ont
souvent été associées à la présence d’un risque de faillite et aux crises financières. Ils
sont considérés comme un indicateur avancé statistiquement significatif de
l'insolvabilité (Lanine & Vennet, 2006). Plusieurs institutions bancaires ont souvent un
niveau important de créances douteuses avant la période de détresse. Les prêts non
performants sont parmi les causes principales des problèmes de stagnation
économiques (Nkusu, 2011). La présence de ces prêts dans un secteur financier a
augmenté la possibilité d’avoir une entreprise en difficulté et non rentable.

Au cours des dernières années, la littérature, qui examine les prêts non performants
(NPL) a attiré l’attention de plusieurs chercheurs pour comprendre les facteurs
responsables de la vulnérabilité financière. Cette vulnérabilité peut être attribuée au
rôle joué par les actifs dépréciés comme en témoigne la forte association entre les NPL
et les crises financières. En effet, Sorge (2004) plaide l’utilisation de telles variables
(les prêts non performants et les provisions pour pertes sur prêts), dans le cadre des

109
stress testes afin d’évaluer la vulnérabilité et la fragilité du système financier.

Nkusu (2011) classe les travaux en trois volets. Le premier volet de la littérature a mis
l'accent sur l'explication des NPL dans les institutions financières, en mettant en
évidence le rôle de la performance macroéconomique, la qualité de gestion et les choix
politiques (Dash & Kabra, 2010 ; Espinoza & Prasad, 2010 ; Louzis, Vouldis, &
Metaxas, 2010). Le deuxième volet de la littérature analyse le lien entre les NPL et les
conditions macro-financières, en mettant en évidence l'impact positif des NPL sur la
probabilité de crise (Caprio & Klingebiel, 1996 ; Kaminsky & Reinhart, 1999). La
troisième branche de la littérature se concentre sur l’explication des NPL au niveau
macro-économique. Ces agrégats peuvent se rapporter soit aux encours totaux des
prêts dans une économie, soit à certains types de prêts (Pesola, 2007 ; Jappelli, Pagano,
& Marco, 2008 ; Nkusu, 2011).

Plusieurs études empiriques ont analysé les causes de faillite bancaire en se

préoccupant à l’étude de différents déterminants de NPL. Les travaux de Sinkey et
Greenawalt (1991), Kwan et Eisenbeis (1997), ainsi que Salas et Saurina (2002)
tiennent compte aux facteurs macroéconomiques aussi bien qu'aux conditions
financières, au niveau des banques américaines et espagnoles. De même, Espinoza et
Prasad (2010), Kabra (2010), Louzis et al (2012) ont montré que les NPL dépendent
des facteurs macro-économiques ainsi qu'aux facteurs spécifiques aux banques. Dans le
même courant de cette littérature, Messai A.S et Jouini. A (2013) ont étudié un
échantillon composé de 85 banques de trois pays pour une période allant de 2004 à
2008 et ont trouvé que les NPL dépendent des facteurs macroéconomiques et des
facteurs spécifiques aux banques. De même, Abida. L, Ouertani N et Zouari S.G (2015)
ont réalisé leurs études sur des banques tunisiennes et ont montré les mêmes résultats.

La littérature académique fournit des preuves qui suggèrent une forte association entre
les NPL et plusieurs facteurs macroéconomiques (Fernandez de Lis et al 2000, Salas&
Saurina, 2002, Caprio et Kingebiel (1996, 2003), Chase, Greenidge, Fofac 2005,
Jimenez et al 2006, Festic & Beko, 2008 ; Khemraj & Pasha, 2009). Ces facteurs, que
la littérature propose comme étant des déterminants importants sont : la croissance
annuelle du PIB, la croissance du crédit, le taux d'intérêt réel, le taux annuel d'inflation,

110
le taux de change réel, le taux de chômage annuel, la masse monétaire et le PIB par
capitaux, etc. Festic & Beko (2008) ont examiné l'importance des variables
macroéconomiques sur les prêts non performants en Hongrie et en Pologne, en utilisant
la méthode de vecteur autorégressif (VAR).

En analysant la relation entre le ratio de solvabilité et les NPL, Berger et De Young

(1997), Bikker (2002), Pain (2003), Chase et al (2005), Quagliariello( 2007), Khemraji
et Pasha (2009),Greenidge et Grosvenor (2010), Misraet Dhal (2010), Louzis, Vouldis
et Metaxas (2010) et Louzis et al (2012) s'accordent qu' outre aux variables
macroéconomiques, les facteurs spécifiques à la banque (tels que la taille de
l'institution, les marges de profit, l'efficacité, la rentabilité, les conditions de crédit, le
profil de risque, et le pouvoir de marché) sont des déterminants importants des NPL.
Salas et Saurina (2002), Barth et al (2002), Hu et al (2004), Micco et al (2004) et
Boubakri et al (2005) ont étudié l'impact de la propriété de la banque ; privée,
publique, ou étrangère, sur le volume des créances douteuses en le comparant entre
eux.

Plusieurs études empiriques réalisées par Salas et Saurina (2002), Rajan et Dhal (2003)
ont prouvé que les banques de grande taille ont une capacité plus grande de réduction
de risque de crédit, alors que Hu et al (2004), Kemraj and Sukrishnallah Pasha (2009)
ont montré que plus que la taille de la banque est grande, plus qu'elle sera exposée aux
risques.

Pour analyser la relation entre profitabilité bancaire et les NPL, Fofack (2005),
Iskandar (2005), Seuraj and Watson (2007), Louzis, Vouldis et Metaxas (2012), ont
utilisé comme mesure de cette dernière le ROE (Return On Equity) et le ROA (Return
On Assets), qui sont aussi utilisés dans la littérature comme un proxy de la qualité du
management des banques. Ces chercheurs ont affirmé que l'augmentation de la
profitabilité entraine une diminution de NPL et inversement.

Le ROA (Return on Assets) est une variable qui représente la rentabilité des capitaux
investis, et exprime la capacité de ces capitaux à créer un certain niveau de bénéfices
opérationnels. Cette mesure a été utilisée par un nombre très important d’auteurs
comme Adams et Santos (2005), Eisenberg et al (1998) pour mesurer la performance,
111
la rentabilité et entre autres la stabilité financière des banques. Suite à cette littérature,
découlent les hypothèses de cette recherche :

H1- Le risque de crédit affecte positivement la stabilité financière des banques.

H2- Le risque de crédit et le total des actifs productifs (TEA) sont en relation
d'équilibre à long terme.
H3- Le risque de crédit cause le TEA.
H4- Le TEA cause le risque de crédit.
H5- Le risque de crédit et le rendement des actifs (ROA) sont en relation d'équilibre
à long terme.

H6- Le risque de crédit cause le ROA.

H7- Le ROA cause le risque de crédit.

H8- Le risque de crédit et le produit intérieur brut (PIB) sont en relation d'équilibre à
long terme.
H9- Le risque de crédit cause le PIB.
H10- Le PIB cause le risque de crédit.
Ces hypothèses amènent à dégager ce modèle de recherche :

2. METHODE DE RECHERCHE
Cette étude se base essentiellement sur l'approche de Pedroni (1999,2004) de test de
racine unitaire et de co-intégration. Ces tests permettent de vérifier l'existence d'une
relation entre les variables de la recherche, ainsi que déduire le sens de causalité entre
eux. Mais, leurs propriétés sont réduites à cause de la période de données des séries
temporelles qui est considérée assez longue.
112
Cette approche suit trois étapes. On commence par une vérification de stationnarité des
variables, en utilisant le test de racine unitaire pour éviter toute corrélation. Ensuite, on
essaye de tester l’existence de relations de co-intégration entre les variables, en
utilisant le test de co-intégration hétérogène en panel développé par Pedroni (1999). Le
test de co-intégration examine si une relation d'équilibre à long terme existe entre les
variables, lorsque les variables individuelles sont non stationnaires dans la nature. A
cause d'hétérogénéité entre les variables, une fois que la relation de co-intégration a été
établi, d’après Apergis et Payne (2009, 2010), on applique le modèle de vecteur à
correction d’erreur (VECM) en Panel pour examiner le sens de la relation de causalité
entre les variables.

3. VARIABLES ET SOURCES DE DONNEES

L'échantillon de notre étude se compose de 21 banques tunisiennes observées pendant

la période allant de 2005 jusqu'à 2015, donc un panel de 231 observations.

Pour étudier l'impact de risque de crédit sur la stabilité financière de ces banques, on a
utilisé trois variables ; à savoir le risque de crédit, Total des actifs productifs « Total
Earning Assets » (TEA), Rendement des actifs (ROA) et Produit intérieur brut « gross
domestic product » (PIB). Le modèle de notre étude est le modèle de panel co-intégré.
Le test de racine unitaire, le test de co-intégration et la causalité de granger seront
réalisés par le logiciel Eviews8.

La variable à expliquer est le risque de crédit. Comme mesure de ce risque, on retient

les prêts non performants NPL. Bien que cette mesure de NPL peut être affectée par des
variables économiques et par des facteurs spécifiques aux banques, reste la mesure la
plus simple et employée comme proxy de la probabilité de défaut ou taux de défaut des
crédits des banques. Concernant nos variables de contrôle, on met en évidence l’effet
de la rentabilité des actifs (ROA), le total des actifs productifs (TEA) et le produit
intérieur brut (PIB) sur la stabilité financière des banques.

Comme on a déjà mentionné que le rôle principal d'une banque est d'octroyer des
crédits et il en va de même que c'est à partir de ces prêts que ces entreprises font des
bénéfices, donc il est crucial pour les banques de mesurer l'impact de la fonction de

113
crédit sur la stabilité. Le rendement des actifs (ROA) est l'expression de la rentabilité
des actifs de la banque. Il rapporte le résultat net au total de bilan. Ce ratio sert à mesurer
la capacité de la banque de rémunérer ses fonds propres. Il permet d'apprécier
l'efficacité opérationnelle de la banque. ROA est le quotient de résultat net et les totaux
des actifs. Son inconvénient majeur est d'une part, il place la totalité des actifs sur un
même plan, alors que les risques correspondants sont différents. D'autre part, il néglige
les activités hors bilan qui prennent de plus de l'ampleur ces dernières années.

Un actif représente un stock des ressources. Les ressources financières concernent les
crédits, les capitaux et les pensions. La capacité, que possèdent les différents actifs à
générer des flux, des revenus et des stocks, permet de les qualifier de ‘productif’
(Barrett et Reardon, 2000). L’analyse économique s’intéresse généralement à ces actifs
productifs en relation avec la croissance économique et le bien-être. En effet, les actifs
productifs ont un effet sur le bien- être c’est à dire ont un effet sur le revenu (Abdelhak
et al. 2012), sur la croissance du revenu et la pauvreté de long terme (Siegel P. B.
2005) et sur la consommation (Katz, Chamoro J. 2003). Par ailleurs, des actifs
productifs comprennent tous les actifs qui génèrent des revenus sans nécessiter de
travail supplémentaire ou d'investissement de la part du propriétaire. Cela comprend
des éléments tels que des comptes portant intérêt, des titres tels que des actions et des
obligations, et tout ce qui paie des dividendes. Une fois la dépense initiale terminée,
l'actif commencera à restituer les fonds, fournissant une source de revenu stable et
sécurisée.

La dernière variable est le produit intérieur brut (PIB). Le PIB est un indicateur
d’évaluation de production de bien et de service. Il mesure l’activité économique d’un
pays. Cet indicateur est considéré comme un déterminant macroéconomique important
d’une banque. Il est mesuré par deux méthodes soit par les revenus, soit par les
dépenses. Une économie en croissance se traduit par une forte croissance de PIB. La
croissance de PIB est reliée à un revenu élevé et un taux de chômage faible ce qui
améliore la capacité de remboursement des emprunteurs.

En 2015, Esa Jokivuolle, Jarmo Pesola et Matti Viren ont examiné les pertes sur prêts
des banques dans neuf pays européens durant la période de 1982 jusqu’à 2012 en

114
utilisant un modèle non linéaire à trois facteurs. Ils ont mesuré les risques de crédit de
la banque en fonction des pertes sur prêts réalisées dans le secteur bancaire et ont les
modélisé avec trois variables macroéconomiques : la production, le taux d'intérêt réel
et le ratio du crédit du secteur privé au PIB par rapport à sa tendance. Ces auteurs
montrent qu'une baisse de la production entraîne une hausse des pertes sur prêts
bancaires de l'endettement antérieur du secteur privé dans un régime élevé. Si le taux
d'endettement est bas, les pertes sur prêts bancaires peuvent rester modérées même
après une très forte baisse de la production, comme cela a été le cas par exemple en
Finland en 2009. Les travaux de ces auteurs ont complété le point de vu des travaux
Drehmann et al. (2011) et Drehmann et Juselius (2014). Les deux études ont examiné
la capacité du PIB creditto ainsi que d'autres indicateurs pour anticiper les épisodes de
crise. Repullo et Saurina (2011) présentent une vue critique de l'utilisation du ratio
crédit / PIB par rapport à sa tendance à créer des amortissements anticycliques du
capital. L’article de Esa Jokivuolle, Jarmo Pesola et Matti Viren (2015) est lié à la
littérature sur les banques de stress avec des variables macroéconomiques ; voir par
exemple Borio et autres (2014), Castrén et al. (2010) et Banque centrale européenne
(2013).

Empiriquement, la relation entre NPL et PIB était l’objet de débat de plusieurs travaux.
Certains travaux valident la relation négative entre ces dernières variables (Salas et
Suarina, 2002 ; Rajan & Dhal, 2003 ; Fofack, 2005), alors que des autres nient cette
relation et affirment l’existence d’un effet positif entre PIB et NPL (Louzis 2012).
Suite à cette littérature, on a inspiré l’idée d’intégrer le produit intérieur brut dans notre
recherche pour étudier l’effet de risque de crédit sur la stabilité financière d’une part et
le produit intérieur brut d’une autre part.

Le tableau ci-dessous résume les statistiques descriptives associées aux 4 variables ;

les prêts non assurés (NPL), les Total des actifs productifs « Total Earning Assets »
(TEA), les Rendement des actifs (ROA) et les produits intérieurs bruts (PIB) qui sont
téléchargées depuis le Bankscope (World Region/Country : TUNISIA).

L'étude empirique est basée sur des observations annuelles. Il est évident d'après le
tableau1, que l'écart type (SD) de ROA est le plus élevé et celui du PIB est le plus bas.

115
L'examen de l'asymétrie de distribution (Skewness) permet de conclure que la
distribution des variables NPL, ROA et TEA est étirée vers la droite puisque toutes
leurs valeurs sont positives avec plusieurs observations sur la gauche, alors que la
distribution de PIB s’éloigne de la distribution normale vers la gauche. La statistique
de Jarque-Bera permet d'évaluer l’hypothèse d’une normalité approximative de la
distribution. Cette hypothèse est confirmée dans notre étude ; c'est à dire que les
variables d'étude ont une distribution normale.

Tableau.1. Statistiques descriptives des variables utilisées

NPL TEA ROA PIB

Mean 49560.57 658263.8 822829.7 5593.924
Median 14100.00 215896.1 269870.2 1948.794
Maximum 513000.0 5711082. 7138853. 48174.90
Minimum - -
9636.882 12046.10
6880.000 146391.4
Std. Dev. 92540.45 1104801. 1381001. 16115.75
Skewness -
2.846014 2.608397 2.608397
4.384499
Kurtosis 10.87934 9.545336 9.545336 49.94613
Jarque-Bera 909.4006 674.2926 674.2926 15775.77
Probability
0.000000 0.000000 0.000000 0.000000
Sum
11448492 1.52E+08 1.90E+08 928591.4
Sum Sq. Dev.
1.97E+12 2.81E+14 4.39E+14 4.29E+10
Observations
231 231 231 231
Risque de crédit mesuré par les prêts non assurés (NPL), Total des actifs productifs « Total
Earning Assets » (TEA), Rendement des actifs (ROA) et Produit intérieur brut (PIB).
La figure 1 montre la distribution de risque de crédit pour les 21 banques durant la période
2005-2012. Selon cette figure, la banque nationale d’agricole possède la valeur la plus élevée
par rapport aux autres banques.

116
 Figure 1 : Schéma représentatif de classement des banques selon le risque
de crédit (NPL).

Source (conception d'auteur)

4. RESULTAT ET DISCUSSION
a- Test de corrélation

La corrélation quantifie la mesure dans laquelle deux variables quantitatives X et Y

varient ensemble. Ce tableau fournit des résultats sur le degré de corrélation entre les
variables utilisées dans cette étude. Le degré de corrélation entre NPL d’une part et
ROA, TEA et PIB d’une autre part est modéré, mais il existe une valeur extrême entre
ROA, TEA et PIB. Ces variables semblent fortement corrélées positivement (0.960540
et 0.905681).

En conclusion, le test de corrélation confirme une relation positive entre le risque de

crédit et la stabilité des banques en Tunisie (0.526436), comme il montre une relation
positive entre NPL et le PIB. Par suite l'hypothèse H1 est confirmée.

Tableau.2. Test de corrélation

NPL ROA TEA PIB

NPL 1.000000 0.526436 0.519719 0.505668
ROA 0.526436 1.000000 0.960540 0.905681
TEA 0.519719 0.960540 1.000000 0.930602
PIB 0.505668 0.905681 0.930602 1.000000
b- Test de racine unitaire

Les tests de racine unitaire permettent d’identifier la présence de racine unitaire dans
une série. Une série chronologique est stationnaire si elle ne comporte ni tendance, ni
saisonnalité. Un certain nombre de tests de racine unitaire en panel a été proposé dans
117
la littérature, y compris Maddala et Wu (1999), Breitung (2000). Récemment,
Hlouskova et Wagner (2006), par une grande échelle de simulation de Monte-Carlo, ont
trouvé que le test de racine unitaire en panel Breitung (2000) est utilisé pour une grande
ou petite taille des distorsions parmi les autres tests.

Les travaux pionniers de Levine-Lin-Chu et Im -Pesaran-Shin ont permis d'apparaitre le

test LLC et le test IPS. Ces tests permettent de vérifier l'ordre d'intégration des
variables, et d'indiquer la position de stationnarité des variables de la série temporelle.
Ils sont fondés sur le principe de l'épreuve classique Dickey-Fuller augmenté (ADF).
Ils explorent l'hétérogénéité des interceptions différemment. Le test LLC l'explore à
travers les membres du groupe, alors que le test IPS l'explore dans le coefficient de
pente.

Le test de racine unitaire Dickey-Fuller augmenté est estimé comme suit :

(1)

Avec ; ; est la série temporelle de panel sur la période ; est

le nombre de retards retenus pour la régression ADF; Δ est le premier différence
; et est une erreur bruit blanc.

Tableau.3. Tests de racine unitaire

Variables NPL ROA TEA PIB

Au niveau
Méthodes
Levin, Lin -2.31773 -1.16555 -1.16555 -30.9960
& Chu t* (0.0102) (0.1219) (0.1219) (0.2491)
Im, Pesaran 0.49119 3.03612 3.03612 -4.29871
and (0.6884) (0.9988) (0.9988) (0.4840)
Shin W-stat
ADF - 43.4732 19.6934 19.6934 118.837
Fisher (0.4085) (0.9987) (0.9987) (0.5012)
Chi-square
PP - Fisher 29.5420 21.2427 21.2427 502.465
Chi-square (0.9262) (0.9968) (0.9968) (0.0086)
1ére différence
Levin, Lin -22.9874* -21.2182* -21.2182* -21.4492*
& (0.0000) (0.0000) (0.0000) (0.0000)
Chu t*
Im, Pesaran -9.43442* -12.3837* -12.3837* -3.66333*
and (0.0000) (0.0000) (0.0000) (0.0000)
Shin W-stat

118
 ADF - 144.031* 198.348* 198.348* 113.967*
Fisher (0.0000) (0.0000) (0.0000) (0.0000)
Chi-square
PP - Fisher 172.063* 233.066* 233.066* 145.000*
Chi-square (0.0000) (0.0000) (0.0000) (0.0000)
Note : *, ** représente une signification aux niveaux de 1% et de 5%, respectivement,
d'importance (entrées en gras). L'hypothèse nulle est que la variable suit un processus
racine unitaire.
Tableau 3 indique la possibilité de présence d'une relation d'équilibre à long terme entre
NPL, TEA, ROA et PIB. Puisque toutes les variables sont stationnaires en premier
niveau, on commente l’existence des relations à long terme.

c- Analyse de co-intégration

L’étude de la co-intégration permet de tester l’existence d’une relation stable à long

terme entre deux variables non stationnaires, en incluant des variables retards et des
variables exogènes. Pour la détection d’éventuelle relation de co-intégration entre les
variables de notre panel, on utilise le test de co-intégration introduit par Granger
(1969), qui est efficace pour la résolution des problèmes rencontrés. Le principe de ce
test est simple ; deux séries temporelles sont dites co-intégrées si la différence entre les
deux séries non stationnaires est lui-même dans le même ordre, qui signifie la
possibilité d'existence d'une relation d'équilibre à long terme entre les variables
utilisées (Engle et Granger, 1987).Ceci amène à déduire que l'absence d'une relation à
long terme est interprété par un manque de co-intégration, qui se traduit par un
déplacement arbitraire des variables; les unes sont placées loin des autres.

Le test de co-intégration de Pedroni (2004) suit l’équation suivante :

LROA it = ϕit+ϒti + ϕ1t NPL it + ϕ2t TEAit + ϕ3t PIBit +μit (2)

Avec i = 1,2, ......., n indique chaque banque en panel, t = 1,2, ......., N désigne la
période du temps peut être utilisé dans le panel.

Les résultats des tests de co-intégration de Pedroni sont détaillés dans le tableau4 :

119
 Tableau.4. Test de co-intégration de Pedroni et Kao

Alternative hypothesis: common AR coefs. (within-dimension) Pedroni

Weighted

Statistic Prob. Statistic Prob.

Panel v-Statistic -2.547182 0.0732 0.771960 1.0000

Panel rho-Statistic 3.001444 0.8702 1.219245 0.9998

Panel PP-Statistic 1.127348* 0.0000 1.352844* 0.0000

Panel ADF-Statistic -1.452241* 0.0000 3.452190* 0.0000

Alternative hypothesis: individual AR coefs. (between-dimension) Pedroni

Statistic Prob.

Group rho-Statistic 1.627912 0.9482

Group PP-Statistic -1.30147 0.0000
Group ADF-Statistic -5.09565* 0.0065
Kao Residual Cointegration Test

t-Statistic Prob.

ADF -1.03513* 0.0000

Notes : *, ** Indiquent le rejet de l'hypothèse nulle à 1%, 5%, où l'hypothèse
nulle est que les variables ne sont pas co-intégrées.
A la lumière des résultats des tests de Pedroni consignés dans la table 4, l’hypothèse
nulle d’absence de relation de co-intégration pour notre panel est rejetée dans la
majorité de tests. En effet, la probabilité d’avoir des relations à long terme entre le
risque de crédit mesuré par les prêts non assurés (NPL), le total des actifs productifs «
Total Earning Assets » (TEA), le rendement des actifs (ROA) et le produit intérieur
brut (PIB) est justifiée. En conclusion H2, H5 et H8 sont confirmées.

Par conséquent, on utilise le test de causalité de Granger afin de détecter les liens
dynamiques entre les différentes variables utilisées.

Dans cette étude, toutes les variables sont intégrées d'ordre 1, soit I (1). Pour
surmonter ce problème, on spécifie un modèle avec une représentation dynamique de
120
correction d'erreur, afin d'estimer un modèle vectoriel à correction d'erreur (VEC) en
augmentant la régression de modèle autorégressive vectorielle (VAR) avec une
période en terme de correction d'erreur.

Le modèle dynamique à correction d'erreur est basé sur les régressions suivantes, pour
détecter les liens de causalité dans une donnée de panel (Apergis et Payne,
(2009)). (3)
∆ROA it = αi1 + Σkp-1μ1ip ∆NPL it -p+ Σkp-1β1ip ∆TEAit –p++ Σkp-1ϒ1ip ∆PIBit –p+ ϕ1iECTit-1+ε1i
∆NPL it = αi2 + Σkp-1μ2ip ∆NPL it -p+ Σkp-1β2ip ∆TEAit –p+ Σkp-1ϒ2ip ∆PIBit –p +ϕ2iECTit-1+ε2it (4)
∆TEA it = αi3 + Σkp-1μ3ip ∆NPL it -p+ Σkp-1β3ip ∆TEAit –p++ Σkp-1ϒ3ip ∆PIBit –p +ϕ3iECTit-1+ε3it (5)

∆PIB it = αi3 + Σkp-1μ4ip ∆NPL it -p+ Σkp-1β4ip ∆TEAit –p++ Σkp-1ϒ4ip ∆PIBit –p +ϕ4iECTit-1+ε4it (6)

Ou ∆ est l’opérateur de différence ; ECT est le terme de correction de l’erreur

provenant de la relation de co-intégration à long terme ;
sont des paramètres d’estimations ; K est l’ordre de retard déterminé par le critère
d'information de Schwarz (SIC).

Tableau.5. Test de non Causality Granger (Pairwise)

Null Hypothesis: Obs F-Statistic Prob.
ROA does not Granger Cause NPL 210 5.02093 0.0454*
NPL does not Granger Cause ROA 1.05746 0.6112
TEA does not Granger Cause NPL 210 5.05900 0.0388*
NPL does not Granger Cause TEA 0.11090 0.7401
PIB does not Granger Cause NPL 210 0.61774 0.0444*
NPL does not Granger Cause PIB 0.41563 0.0211*
TEA does not Granger Cause ROA 210 4.72700 0.6131
ROA does not Granger Cause TEA 12.1821 0.7546
PIB does not Granger Cause ROA 210 0.00223 0.9624
ROA does not Granger Cause PIB 28.3574 0.6338.
PIB does not Granger Cause TEA 210 0.04325 0.8751
TEA does not Granger Cause PIB 30.3738 0.7265.
Notes : *, ** et *** indiquent que les estimations des paramètres sont significatives
aux niveaux de 1%, 5% et 10% respectivement.

D’après le tableau5, il n’existe pas une forte causalité entre le risque de crédit et la
stabilité de banque en Tunisie mesurée par ROA. En effet, qu’il existe seulement une
121
relation unidirectionnelle allant de NPL vers ROA au seuil de 5 %. De même, ce
tableau montre qu’une augmentation de croissance de PIB engendre une augmentation
de volume des prêts douteux et inversement puisque nos résultats sont significatifs au
seuil de 5%. En résumant, la relation entre PIB et NPL est bidirectionnelle.

Bien que dans la littérature économique et financière, le risque de crédit affecte

négativement la stabilité de banque. Dans cette étude, on montre l’inverse ; c-à-d le
risque de crédit pour les banques tunisiennes, n’a pas d’effet négatif significatif sur la
soutenabilité de la stabilité financière de banques.

En effet, le test de Wald basé sur la causalité de granger, présenté dans le tableau6,
montre des résultats similaires que celle de tableau 5. D’après ce tableau, il existe une
relation bidirectionnelle entre la stabilité des banques et le total des actifs productifs au
seuil de 1% à court et à long terme. Ces résultats confirment la grande performance de
banques tunisiennes et surtout les premières banques nommées en Tunisie, à savoir la
banque internationale arabe de Tunisie (BIAT) et banque nationale agricole (BNA).

Pour les trois premières banques, qui sont très nommées en Tunisie, en tête de
classement, la banque internationale arabe de Tunisie (BIAT) a vu son produit net
bancaire évoluer de 8,06% par rapport à 2014. La structure du PNB de la BIAT est
composée d’une marge d’intermédiation de chiffre 53,02% avec une marge de
commission de 24,63% et avec un revenu net de portefeuille de 24,16%.

La banque nationale agricole (BNA), qui est classée deuxième, a vu son PNB baisser
de 0.36% par rapport à 2014. Son PNB a atteint fin 2015 347,5 millions de dinars. La
part de lion du PNB de la BNA a été réalisée par sa marge d’intermédiation qui a
atteint 67,34%.

Aussi la troisième banque, qui est Attijari Bank (AB) avec un PNB d’une valeur de
274,9 millions de dinars, réalise une évolution de 4,64% par rapport à 2014. En effet,
la marge d’intermédiation a atteint les 48,08% du produit net bancaire d’Attijari Bank.

La plus forte hausse du produit net bancaire a été réalisée par l’Arab Tunisian Bank
(ATB). Entre 2014 et 2015, le PNB de l’ATB a évolué de 17,14% pour atteindre une
valeur de 203,4 millions de dinars. Le revenu net du portefeuille de l’ATB a contribué

122
à hauteur de 42,29% de son PNB.

Tableau.6. Test de non Causality Granger (Wald)

Court- terme Long-terme

Excluded variables : block exogeneity

NPL ROA TEA PIB ECMt-1

2.93170 2.82818 8.87911 -0.0247**

- [-4.2676]
NPL (0.1541) (0.1952) ( 0.0052)

0.89284 7.00145 12.25769 -0.12927***

- (0.0231 [-1.7191]
ROA (0.3282) (0.0241)

3.25876 8.32512 15.45682 -0.0229**

- (0.0035) [-1.8132]
TEA (0.42857) 0.0082

PIB 10.25408 11.25146 12.52436 -0.2453***

-
(0.3546) (0.01457) (0.0163) [-2.1257]
Notes : ECT représente le coefficient du terme de correction d'erreur. *, ** et ***
indiquent que les estimations des paramètres sont significatives aux niveaux de 1%,
5% et 10% respectivement.

123
CONCLUSION
Cette recherche s'est donnée en ambition d'étudier l'impact de risque de crédit sur la
stabilité financière des banques pour le cas de l'économie Tunisienne. L'originalité de
ce travail réside dans la validation empirique qu'on a faite avec la littérature théorique
du risque de crédit ainsi qu'à celle de la stabilité financière. Notre étude a permis
d'identifier les relations entre les quatre variables choisies (le NPL, le ROA, le TEA et
le PIB). Elles sont stationnaires en différence première. Elles sont co-intégrées. Elles
évoluent ensemble et affichent par conséquent une relation d'équilibre à long terme au
moins dans une direction. La relation entre le risque de crédit et le rendement des
actifs est unidirectionnelle. Autrement dit, au sens de Granger l'augmentation du risque
de crédit cause une augmentation en rendement des actifs et non l’inverse. Alors que
les risques de crédit et le total des actifs productifs sont en relation bidirectionnelle.
Autrement dit, le risque de crédit cause les actifs productifs et inversement. De même,
le risque de crédit et le produit intérieur brut ont une relation bidirectionnelle ; cela
signifie que le risque de crédit cause le produit intérieur brut et inversement. Ces
résultats ont permis de conclure que le risque de crédit est positivement lié à la stabilité
financière ; c'est à dire qu'une augmentation du niveau du risque de crédit rend le
système bancaire plus immunisé et plus stable. Ce maintien de stabilité financière des
banques tunisiennes malgré l’augmentation du risque de crédit, est dû essentiellement
au dispositif de garantie des dépôts, de partage de risque et des dérivés de risque. Cette
gamme de technique de couverture contre le risque de crédit permet aux banques
d’obtenir le paiement de leurs créances en cas de défaillance.

La littérature relative au domaine bancaire a mis en exergue le rôle joué par le risque
de crédit dans la défaillance bancaire. A l'issue de cette littérature, nous avons
remarqué que les chercheurs s’orientent à étudier le système bancaire pour des pays
développés, alors que peu des études s'intéressent aux pays en développement. De plus,
une abondante littérature dispose de plusieurs familles des indicateurs de la stabilité
financière pour déclencher au bon moment la mise en œuvre d’une politique de
stabilisation de système financier bancaire. Par conséquent, la construction d'un
indicateur globale de cette dernière s'avère difficile à réaliser. Plusieurs études qui sont
réalisées sur différentes périodes, dans différents pays, à des niveaux de stabilités

124
financières différentes, mais aucune de ces études n’a donné un résultat efficace sur un
pays bien précis.

Dans cet article, nous avons étudié l’impact du risque de crédit sur la stabilité
financière des banques, en prenant le cas d'un pays en développement et en prenant
comme indicateur de stabilité le rendement des actifs, le total des actifs productifs et le
produit intérieur brut qui sont en relation direct avec la stabilité financière des banques.

Notre étude suggère plusieurs voies futures de recherche. Une de ces voies consiste à
choisir des autres variables de mesure de risque de crédit et de stabilité financière. De
plus, on peut étudier ce thème en se basant sur des méthodes et des techniques
d'évaluation de risque de crédit plus évoluées notamment les réseaux de neurones.

125
BIBLIOGRAPHIE
▪ Abdelhak S., Sulaiman J. and Mohd S, (2012), The Role of Assets in the
Enhancement of Households’ Income: A Study of PovertyAlleviationamong
Rural Communities of Kelantan and Terengganu, Asian Social Science; Vol. 8,
No. 11.
▪ Abid.L, Ouertani. N, Ghorbel S.Z (2015), Les determinants des NPLs des
menages en Tunisie, la revue gestion et organisation, Volume 7, pp 77-92.
▪ Adams, Renee B. and Santos, João A. C, (2006), Identifying the Effect of
Managerial Control on Firm Performance. Journal of Accounting and
Economics 41, 55-85.
▪ Ahmad, F et Ariff. ,(2007), Corruption and Information Sharing as Determinants
of Non-Performing Loans, Business Systems Research, Vol. 4, No. 1, pp. 87-98.
▪ Allen, R.R. Boffey et R.J. Powell, (2011), The Impact of Contagion on Non-
Performing Loans: Evidence from Australia and Canada D.E. Journal of
Business and Policy Research Vol. 7. No. 2Pp. 13-24.
▪ Altman, E. I. and Saunders, A., (1998), Credit risk measurement: Developments
over the last 20 years, Journal of Banking and Finance, Vol. 21, pp. 11-12 and
1721-1742.
▪ Apergis, N., & Payne, J. E., (2009), Energy consumption and economic growth
in Central America: evidence from a panel cointegration and error correction
model. Energy Economics, 31(2), 211-216.
▪ Barth, J., Lin, C., Lin, P. & Song, F, (2002), Corruption in bank lending to
firms: cross country micro evidence on the beneficial role of competition and
information sharing. Journal of Financial Economics, 91: 361-388.
▪ Barrett C. C. and ReardonT, (2000), Asset, Activity, and Income Diversification
Among Agriculturalists: Some Practical Issues, p41.
▪ Barnhill.T.Met William F. Maxwell, (2002), Modeling correlated market and
credit risk in fixed income portfoliosJournal of Banking & Finance, vol. 26, (2-
3): 347-374.
▪ Beck, T., Demirguec-Kunt, A., and Levine, R, (2013), Bank concentration,
competition, and crises: first results. Journal of Banking & Finance, 30 (5):
1581–1603.
126
▪ Berger, A.N., DeYoung, R, (1997), Problem loans and cost efficiency in
commercial banks. Journal of Banking and Finance, 21(6), 849-870.
▪ Bikker, J.A., Hu, H, (2002), Cyclical patterns in profits, provisioning and
lending of banks and procyclicality of the new Basel capital requirements. BNL
Quarterly Review, 55, 143-75.
▪ Borio, C., Drehmann, M., Tsatsaronis, K., (2014). Stress-testing macro stress
testing:does it live up to expectations? J. Financial Stability 12, 3–15.
▪ Boubakri, N., Cosset, J.C., Fischer, K. and Guedhami, O, 2005, “Privatization
and bank performance in developing countries”. Journal of Banking and
Finance, vol. 29, n° 8, pp. 2015-2041.
▪ Breitung, J, (1999), The local power of some unit root tests for panel data (No.
1999, 69). Discussion Papers, Interdisciplinary Research Project 373:
Quantification and Simulation of Economic Processes.

▪ Castrén, O., Déesa, S., Zaherb, F., (2010.) Stress-testing euro area corporate
default probabilities using a global macroeconomic model. J. Financial Stability
6 (2),64–78.

▪ Chase, Karen and Greenidge, Kevin C. and Moore, Winston and Worrell,
DeLisle, (2005), Quantitative Assessment of a Financial System - Barbados,
IMF Working Paper, Vol., pp. 1-21, 2005.
▪ Campbell, A, (2007), “Bank insolvency and the problem of non-performing
loans”. Journal of Banking Regulation, vol. 9, n° 1, pp. 25-45.
▪ Caprio, et al, (1998), Financial Regulation and Performance: Cross-Country
Evidence (November 1998). World Bank Policy Research Working Paper No.
2037.
▪ Caprio, G., Klingebiel, D, (1996), Bank Insolvencies: Cross Country Experience,
World Bank Policy and Research Working Paper 1574 (Washington).
▪ Cihak and Heiko Hesse, (2010), Islamic Banks and Financial Stability: An
Empirical Analysis.

▪ Journal of Financial Services Research, 2010, vol. 38, issue 2, 95-113.

▪ Cole.R. A., and Gunther.J.W, (1995), Separating the Likelihood and Timing of

127
 Bank Failure, Journal of Banking and Finance 19 1073-1089.
▪ Colquitt, Joett, (2007), Credit Risk Management: How to Avoid Lending
Disasters & Maximize Earnings. 3rd Edition. McGraw-Hill. USA.
▪ Crouhy, Michel, Galai, Dan & Mark, Robert, (2006), The Essentials of Risk
Management. McGraw- Hill. USA.
▪ Dash, M., Kabra, G, (2010), The determinants of non-performing assets in Indian
commercial bank: An econometric study. Middle Eastern Finance and
Economics, 7, 94-106.
▪ Drehmann, M., Borio, C., Tsatsaronis, K., (2011). Anchoring countercyclical
capitalbuffers: the role of credit aggregates. Int. J. Central Banking 7, 189–240.
▪ Drehmann, M., Juselius, M., (2014). Evaluating early warning indicators of
bank-ingcrises: satisfying policy requirements. Int. J. Forecasting 30, 759–780.
▪ Eichengreen, B, (1998), Globalizing Capital, Princeton University Press,
Princeton, NJ.
▪ Espinoza, R., Prasad, A, (2010), Nonperforming Loans in the GCC Banking
Systems and their Macroeconomic Effects, IMF Working Paper 10/224
(Washington: International Monetary Fund).
▪ Fernandez de Lis, S., Martinez Page´s, J. and Saurina, J, (2000), Credit growth,
problem loans and credit risk provisioning in Spain, Working Paper, No. 18,
Banco de Espana, Madrid.
▪ Festic M. et Beko J, (2008), The banking sector and macro indicators some
evidence for Hungary and Poland, Professional Papers, NG, st.5-6/2008.
▪ Fiordelisi, F., & Mare, D. S, (2013). Probability of default and efficiency in
cooperative
▪ banking.

▪ Journal of International Financial Markets, Institutions and Money, 26, 30-45.

▪ Fofack, H, (2005), Non-performing loans in sub-Saharan Africa: Causal

Analysis and Macroeconomic Implications. World Bank Policy Research
Working Paper n° 3769.
▪ Fungáčová, Zuzana and Tigran Poghosyan, (2009), Determinants of Bank
Interest Margins in Russia: Does Bank Ownership Matter? BOFIT Discussion
128
 Paper No.22/09, Bank of Finland.
▪ Geske, R, (1977), The valuation of corporate liabilities as compound options,
Journal of Financial Economics, vol. 7, pp. 63–81.
▪ Greenidge K. et Grosvenor T, (2010), Forecasting non-performing loans in
Barbados. Journal of Business, Finance and Economics in Emerging
Economies, Vol. 5, pp. 80-107
▪ Greuning, Hennie ; Brajovic-Bratanovic, Sonja, (2004), Analyse et gestion du
risque bancaire : un cadre de référence pour l’évaluation de la gouvernance
d’entreprise et du risque financier paper n° 20043, vol, 1.
▪ Hlouskova, J., & Wagner, M, (2006). The performance of panel unit root and
stationarity tests: results from a large scale simulation study. Econometric
Reviews, 25(1), 85-116.
▪ Hu, J.L., Li, Y., Chiu, Y.H, (2004), Ownership and nonperforming loans:
Evidence from Taiwan’s banks. The Developing Economies, 42(3), 405-420.
▪ Iskandar S, (2005), Bank run determinants in Indonesia: Bad luck or
Fundamental factors? Bank Central of Indonesia Working Paper.
▪ Jappelli, T., Pagano M., Marco, M, (2008), Households’ Indebtedness and
Financial Fragility, CSEF Working Paper 208.
▪ Jimenez, G., Saurina J, (2006), Credit cycles, credit risk, and prudential
regulation. International Journal of Central Banking, 2(2), 65-98.
▪ Kabra, G, (2010), The Determinants of Non-Performing Assets in Indian
Commercial Bank: An Econometric Study, Middle Eastern Finance and
Economics, Vol.7, pp. 94-106.
▪ Katz, E. and Chamoro J, (2003), Gender, Land Right and the House hold
Economy in Rural Nicaragua and Honduras, Presented at The Annual
Conference of The Latin America and Caribbean Economics Association,
Puebla, Mexico.
▪ Kaminsky, G., Reinhart, C, (1999), The Twin Crises: The Causes of Banking and
Balance of Payments Problems, The American Economic Review, 89(3), 473–
500.
▪ Khemraj, T., Pasha, S, (2009), The determinants of non-performing loans: An

129
 econometric case study of Guyana. The Caribbean Centre for Banking and
Finance Bi-annual Conference on Banking and Finance, St. Augustine,
Trinidad.
▪ Kwan, S. and Eisenbeis, R.A, (1997), Bank risk, capitalization, and operating
efficiency, Journal of Financial Services Research, Vol. 12 Nos 2-3, pp. 117-31.
▪ Lanine .G et Vennet.R.V, (2006), Failure prediction in the Russian bank sector
with logit and trait recognition models Expert systemes with application . 30(3).
p.463-478
▪ Louzis, D.P., Vouldis, A.T., Metaxas, V.L, (2010), Macroeconomic and bank-
specific determinants of non- performing loans in Greece: a comparative study
of mortgage, business and consumer loan portfolios. Bank of Greece, Working
Paper, n°118.
▪ Louzis, D. P., Vouldis, A. T., et Metaxas, V. L, (2012), Macroeconomic and
Bank-Specific Determinants of Non-Performing Loans in Greece: A
Comparative Study of Mortgage, Business and Consumer Loan Portfolios.
Journal of Banking & Finance, 36(4), 1012-1027.
▪ Maddala, G. S., & Wu, S, (1999), A comparative study of unit root tests with
panel data and a new simple test. Oxford Bulletin of Economics and statistics,
61(S1), 631-652.
▪ Messai.A.H, Jouini. Fathi (2013), Les déterminants de prets nn performants, La
revue gestion et organisation, Volume5, pp9-15.
▪ Micco, A., Panizza, U. and Yan˜ez, M, (2004), Bank ownership and
performance, Working Paper, No. 518, Inter-American Development Bank,
Washington, DC.
▪ Misra B.M. et Dhal S, (2010), Pro-cyclical management of bank's Non-
Performing Loans by the indian public sector banks, Reserve Bank of India,
occasional Working paper.
▪ Nkusu, M, (2011), Nonperforming Loans and Macrofinancial Vulnerabilities in
Advanced Economies, IMF Working Paper WP/11/161.
▪ Pain, D, (2003), The Provisioning Experience of the Major UK banks: A Small
Panel Investigation.

130
▪ Bank of England Working Paper, n° 177.

▪ Pesola, J. (2007), financial fragility, macroeconomic shocks and banks' loan

losses: evidence from Europe. Bank of Finland Research Discussion Papers
n°15.
▪ Quagliarello, M, (2007), Banks’ Riskiness over the Business Cycle: a Panel
Analysis on Italian Intermediaries. Applied Financial Economics, 17(2), 119-
138.
▪ Rajan, R., Dhal, S.C, (2003), Non-performing loans and terms of credit of
public sector banks in India: An empirical assessment. Reserve Bank of India
Occasional Papers, 24(3), 81-121.
▪ Repullo, R., Saurina, J., (2011), The countercyclical capital buffer of Basel III:
A criticalassessment. CEPR discussion paper 8304.
▪ Salas, J. et Saurina, (2002), Credit Risk in Two Institutional Regimes: Spanish
Commercial and Savings Banks Journal of Financial Services Research, 22, pp.
203-224.
▪ Seuraj S. et Watson P.K, (2007), Banking regulation. Does compliance pay?
Evidence from Trinidad and Tobago, Central Bank of Trinidad & Tobago
Working Paper, N 6.
▪ Siegel Paul B., (2005), Using an Asset-Based Approach to Identify Drivers of
Sustainable Rural Growth and Poverty Reduction in Central America: A
Conceptual Framework, World Bank Policy Research WorkingPaper 3475, 33p.
▪ Sinkey, J.F. and Greenawalt, M.B, (1991), Loan loss experience and risk-taking
behaviour at large commercial banks, Journal of Financial Services Research,
Vol. 5 No. 1, pp. 43-59.
▪ Sorge, M, (2004), Stress-testing financial systems: an overview of current
methodologies. BIS Working Papers 165.
▪ Thomson.J.B., (1991), Modeling the Regulator's Closure Option: A Two-Step
Logit Regression Approach, Journal of Financial Services Research 6, 5-23.
▪ Vazquez, F., Tabak, B.M. and Souto, M., (2012), A macro stress test model of
credit risk for the Brazilian banking sector. Journal of Financial Stability, vol. 8,
issue 2, pp. 69-83.

131
▪ Whalen, G., (1991), A proportional hazards model of bank failure: an
examination of its usefulness as an early warning tool, Federal Reserve Bank of
Cleveland: Economic Review Vol. 27 No.1, pp.21- 31.

132
 ANNEXES
Annexe 1: Test de Pedroni
Pedroni Residual Cointegration Test
Series: TEA ROA NPL
Date: 05/11/18 Time: 00:35
Sample: 2005 2015
Included observations: 231
Cross-sections included: 21
Null Hypothesis: No cointegration
Trend assumption: No deterministic trend
User-specified lag length: 1
Newey-West automatic bandwidth selection and Bartlett kernel

Alternative hypothesis: common AR coefs. (within-dimension)

Weighted
Statistic Prob. Statistic Prob.
Panel v-Statistic -2.547182 0.0732 0.771960 1.0000
Panel rho-Statistic 3.001444 0.8702 1.219245 0.9998
Panel PP-Statistic 1.127348 0.0000 1.352844 0.0000
Panel ADF-Statistic -1.452241 0.0000 3.452190 0.0000

Alternative hypothesis: individual AR coefs. (between-dimension)

Statistic Prob.
Group rho-Statistic 1.627912 0.9482
Group PP-Statistic -1.30147 0.0000
Group ADF-Statistic -5.09565 0.0065

Annexe 2: Test de Kao

Test
Kao Residual Cointegration Test
Series: TEA ROA NPL
Date: 05/11/17 Time: 00:39
Sample: 2005 2015
Included observations: 231
Null Hypothesis: No cointegration
Trend assumption: No deterministic trend
Automatic lag length selection based on SIC with a max lag of 2
Newey-West automatic bandwidth selection and Bartlett kernel

t-Statistic Prob.
ADF -1.03513 0.0000

Residual variance 9.54E-06

HAC variance 3.05E-05

133
Annexe 3: Analyse de causalité:

Pairwise Granger Causality Tests

Date: 05/12/18 Time: 08:04
Sample: 2005 2015
Lags : 1
Null Hypothesis: Obs F-Statistic Prob.
ROA does not Granger Cause NPL 210 5.02093 0.0454
NPL does not Granger Cause ROA 1.05746 0.6112
TEA does not Granger Cause NPL 210 5.05900 0.0388
NPL does not Granger Cause TEA 0.11090 0.7401
PIB does not Granger Cause NPL 210 0.61774 0.0444
NPL does not Granger Cause PIB 0.41563 0.0211
TEA does not Granger Cause ROA 210 4.72700 0.6131
ROA does not Granger Cause TEA 12.1821 0.7546
PIB does not Granger Cause ROA 210 0.00223 0.9624
ROA does not Granger Cause PIB 28.3574 0.6338
PIB does not Granger Cause TEA 210 0.04325 0.8751
TEA does not Granger Cause PIB 30.3738 0.7265

134