Académique Documents
Professionnel Documents
Culture Documents
banques en Tunisie
Mouna BEKRI
Ahmed HACHICHA
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.
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.
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).
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).
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).
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 :
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.
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.
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.
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.
116
Figure 1 : Schéma représentatif de classement des banques selon le risque
de crédit (NPL).
4. RESULTAT ET DISCUSSION
a- Test de corrélation
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.
(1)
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
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
Weighted
Statistic Prob.
t-Statistic Prob.
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)
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.
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.
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.
▪ 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.
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.
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
Statistic Prob.
Group rho-Statistic 1.627912 0.9482
Group PP-Statistic -1.30147 0.0000
Group ADF-Statistic -5.09565 0.0065
t-Statistic Prob.
ADF -1.03513 0.0000
133
Annexe 3: Analyse de causalité:
134