UNIVERSITE GASTON BERGER DE SAINT-LOUIS du Sénégal

UFR des sciences Economiques et de gestion (SEG)

Section gestion
Master 2 en sciences de gestion

*********************
Parcours : Etudes Recherche et conseil en management (ERCM)
Option : finance contrôle et comptabilité
7ème Promotion- 2015/2016

*******************

Mémoire de recherche présenté comme exigence partielle du Master 2

en sciences de gestion sous le thème :

« Relation entre le risque systématique et la structure du capital en contexte ouest

africain : cas des sociétés cotées au Ghana Stock Exchange »

Réalisé et Présenté par : sous la direction de :

Bara NDIAYE Mohamed L. MBENGUE

Maitre de conférences

Soutenu publiquement le 01 Mai 2017

i
Remerciements
Je suis redevable envers tous ceux qui m’ont apporté leur précieuse participation pour la
réussite de ce travail de mémoire.

Je remercie particulièrement Monsieur Mohamed Lamine MBENGUE, Maitre de

conférences en sciences de gestion à l’université Gaston Berger de Saint-Louis du Sénégal,
pour son encadrement rigoureux et son engagement inestimable. Les souvenirs de vous avoir
comme encadreur me marqueront à jamais.

J’exprime ma gratitude envers mon directeur de stage, Monsieur Cheikh Tidiane SENE,
Directeur Général de CTS MANAGEMENT. Sa contribution dépasse celle d’un formateur,
son courage dans le travail que j’ai beaucoup admiré et ses sages conseils m’ont
énormément motivé.

Cette recherche n’aboutirait pas sans la contribution du Professeur Oumar SY, professeur
associé en finance à la faculté de gestion de Dalhousie university of Canada. Ses
orientations et les données qu’il m’a fournies me sont précieuses, je le remercie pour sa
disponibilité et sa réactivité.

En bref, j’exprime mes remerciements les plus sincères à tous ceux qui ont participé de près
ou de loin à la réussite de mes projets particulièrement à ma famille, à mon adorable mère
qui nous a élevé dans le respect et la dignité, à mon papa qui a été si brave et courageux
face aux difficiles moments qu’il a pu franchir pour notre réussite, à mes frères et sœurs.

i
Résumé
La présente recherche est appliquée aux sociétés cotées à la bourse ghanéenne et elle porte
sur l’analyse de la liaison entre la structure du capital et le niveau du risque de marché. Cette
problématique est déjà étudiée par des chercheurs qui ont validé empiriquement l’existence
d’une relation (Hamada, 1972 ; Hill et Stone, 1980; Mandelker et Rhee, 1984). Cependant
ces travaux datent de plus de trois décennies et ils ont été faits sur de grands marchés
boursiers comme le NYSE. Sous cette logique, les implications de la structure du capital
sur le risque systématique des sociétés cotées sur les marchés ouest africains nous paraissent
jusqu’ici méconnues. A cet effet, nous testons d’abord le modèle empirique de R. Hamada
(1972). Puis à partir de ce modèle, nous essayons de construire un modèle approfondi qui
permet de pallier des limites de la relation de Hamada. Nous terminons par faire une analyse
comparative des résultats issus des deux modèles.

Nos résultats ont montré une relation positive entre le risque de marché et la structure du
capital lorsque le béta est positif. Dans le cas contraire, la relation devient négative.
L’analyse comparative révèle que le modèle de Hamada surestime légèrement le béta
désendetté.

Mots clés : beta, béta corrigé de l’effet de la dette, structure du capital, modèle de Hamada,
GSE.

Abstract
This research is applied to the companies listed on Ghana Stock Exchange and it analyses
the relationship between the structure of the capital and the level of the market risk. These
problem is already studied by researchers who empirically validated the existence of a
relation (Hamada, 1972; Hill and Stone, 1980; Mandelker and Rhee, 1984). However these
works date of more than three decades and they were made on large stock exchange markets
like the NYSE. Under this logic, the implications of the structure of the capital on the
systematic risk of the companies listed on the African western markets appear to us to be
unknown. To this end, we first test the empirical model of R. Hamada (1972). Then starting
from this model, we try to build a thorough model which makes it possible to mitigate limits
of the relation of Hamada. We finish by making a comparative analysis of the results from
the two models.

ii
Our results show a positive relation between the risk of market and the structure of the capital
when beta is positive. In the contrary case, the relation becomes negative. The comparative
analysis reveals that the model of Hamada over-estimates slightly beta unlevered.

Key words: beta, beta unlevered, structure of the capital, model of Hamada, GSE

iii
Table des matières
Remerciements .................................................................................................................................. i
Résumé .............................................................................................................................................. ii
Abstract ............................................................................................................................................. ii
Liste des figures .............................................................................................................................. vii
Liste des tableaux .......................................................................................................................... viii
Liste des acronymes, sigles et abréviations ................................................................................... ix
Introduction .................................................................................................................................... 10
Chapitre1 : Paysage boursier du GSE.......................................................................................... 15
Section 1 : Historique du GSE ...................................................................................................... 15
Section 2 : Organisation du GSE .................................................................................................. 15
I. Le dépositaire central des titres (CSD) ................................................................................. 16
1. Présentation du CSD .......................................................................................................... 16
2. Mission du CSD .................................................................................................................. 16
3. Rôle du CSD........................................................................................................................ 16
4. Pouvoir du CSD .................................................................................................................. 17
5. Structure de gouvernance du CSD ................................................................................... 18
II. Le principal régulateur du marché : la commission de régulation des titres et des échanges
(SEC). .............................................................................................................................................. 18
1. Présentation du SEC .......................................................................................................... 18
2. Mission de la SEC.............................................................................................................. 18
3. Rôle de la SEC .................................................................................................................... 19
4. Structure de gouvernance de la SEC ................................................................................ 19
Section 3. Les compartiments du GSE ......................................................................................... 20
I. Le marché des capitaux du GSE (Market Equity) .............................................................. 21
1. Les conditions d’admission au marché principal du GSE .............................................. 21
a. Les conditions spécifiques à chaque niveau de cotation................................................. 22
b. Les conditions générales à tous les niveaux de cotation.................................................. 23
II. Le Marché à revenus alternatifs : Ghana Alternative Market (GAX) ............................ 23
1. Les conditions d’admissibilité au GAX ........................................................................... 23
III. Le marché à revenus fixes: Ghana Fixed Income Market (GFIM) .............................. 24
Section 4. Fonctionnement du GSE ............................................................................................. 24
I. Les principaux indices boursiers du GSE ........................................................................... 24
1. GSE Composite Index ........................................................................................................ 25
2. GSE Financial Index .......................................................................................................... 26
II. Les organisations auxquelles adhère le GSE ...................................................................... 26
1. African Securities Exchange Association ......................................................................... 26

iv
 2. West African Capital Markets Integration Council ....................................................... 27
3. World Federation of Exchange ......................................................................................... 27
III. Les intermédiaires commerciaux du GSE ......................................................................... 28
Chapitre II : Revue de la littérature ............................................................................................. 29
Section I : Le béta, mesure et critique .......................................................................................... 29
I. La notion de risque : ............................................................................................................... 29
II. Mesure du risque systématique............................................................................................ 29
III. Les critiques du coefficient béta ......................................................................................... 35
Section 2: Structure du capital ...................................................................................................... 43
I. Le théorème de Modigliani et Miller .................................................................................... 43
II. Théorie du compromis, « Tradeoff theory » ........................................................................ 45
III. Théorie du financement hiérarchisé, « pecking order theory » ........................................ 47
IV. La théorie de « Market timing » ....................................................................................... 49
Section III. La structure du capital et le beta : relation et implications.................................... 51
I. Relation entre béta et structure du capital ........................................................................... 51
II. Implications du niveau du béta et de la structure du capital sur la firme ...................... 52
Chapitre III : Méthodologie .......................................................................................................... 56
Section I : Présentation des données et de la population de recherche ..................................... 56
Section II : Présentation des modèles ........................................................................................... 58
I. Formulation du modèle général ............................................................................................ 59
2. Formulation d’un modèle alternatif (MHR) ........................................................................ 60
3. Justification du choix du modèle........................................................................................... 62
4. Schéma de la recherche.......................................................................................................... 63
Chapitre IV : Présentation et interprétation des résultats empiriques ..................................... 65
Section I : Les statistiques descriptives et la construction d’un panel....................................... 65
Estimations des variables....................................................................................................... 65
Présentation des statistiques descriptives............................................................................. 67
Le modèle économétrique à estimer ..................................................................................... 69
Construction d’un panel de données. ................................................................................... 70
Tests de spécification.............................................................................................................. 71
Section II : Résultats de la recherche ........................................................................................... 72
Estimation des paramètres des modèles. .............................................................................. 72
Test d’hétéroscédasticité de Breush et Pagan ...................................................................... 75
Correction de l’hétéroscédasticité avec la méthode de White ............................................ 76
Test de la normalité des résidus de Jarque-Bera................................................................. 77
Sommaire des résultats .......................................................................................................... 79
Section III : interprétation des résultats ...................................................................................... 80

v
Conclusion....................................................................................................................................... 82
Bibliographie .................................................................................................................................. 84
Annexes ........................................................................................................................................... 88

vi
 Liste des figures
Figure 1.1 : volume des transactions au GSE de 1990 à 2015 ……………………………21

Figure 2.1: Valeurs des indices (GSE-CI et GSE-FI) au terme de 2014 et

2015………………………………………………………………………………………..25
Figure 1.2 : la droite de marché des capitaux………………………………………………33

Figure 2.2 : relation entre risque systématique (𝜷) et rendements (𝝁) : la droite de marché
des titres……………………………………………………………………………………35

Figure 3.2: non corrélation entre rendements et béta ………………………………………43

Figure 4.2 : proposition de MM en présence d’économie d’impôt……...............................45

Figure 5.2 : la théorie du compromis (tradeoff theory)…………………………………….47

Figure 6.2: la théorie du « pecking order », hiérarchisation des sources de financement par
ordre de priorité……………………………………………………………………………49

Figure 1.4 : test de normalité des résidus MH……………………………………………..79

Figure 2.4 : test de normalité des résidus MHR…………………………………………..80

vii
 Liste des tableaux
Tableau 1.3 : présentation de l’échantillon…………………………………………………59

Tableau 1.4 : statistiques descriptives sur les variables du MH…………………………….68

Tableau 2.4: statistiques descriptives sur les variables du MHR…………………………...69

Tableau 3.4 : estimation du MH par l’utilisation d’un modèle à effets fixes (estimateur
Within)……………………………………………………………………………………..74

Tableau 4.4 : estimation du MHR par l’utilisation d’un modèle à effets fixes (estimateur
Within)………………………………………………………………………………….....75

Tableau 5.4 : test d’hétéroscédasticité du modèle MH…………………………………….76

Tableau 6.4: test d’hétéroscédasticité du modèle MHR……………………………………76

Tableau 7.4 : estimation du MH avec correction de l’hétéroscédasticité ………………….77

Tableau 8.4 : estimation du MHR avec correction de l’hétéroscédasticité…........................78

Tableau 9.4 : test de normalité des résidus du MH………………………………………...79

Tableau 10.4 : test de normalité des résidus du MHR……………………………………...79

viii
 Liste des acronymes, sigles et abréviations
ASEA: African Securities Exchange Association

BOG: Bank of Ghana

CAPM: Capital Asset Pricing Model qui signifie MEDAF en français (Modèle d’évaluation

CEDEAO : Communauté Economique des Etats de l’Afrique de l’Ouest

CRSP: Center for Research in Security Price.

CSD: Central Securities Depository des actifs financiers)

FINSSP: Financial Sector Strategic Plan

GAX: Ghana Alternative Market

GFIM: Ghana Fixed Income Market

GSD: Ghana Securities Depository

GSE: Ghana Stock Exchange

GSE-ASI: Ghana Stock Exchange All Share index

GSE-CI: Ghana Stock Exchange Composite Index

GSE-FI: Ghana Stock Exchange Financial Index

IPO: Initial Public Offering

NBMC: National Bond Market Committee

NYSE: New York Stock Exchange

PME: Petite et Moyenne Entreprise

SEC: Securities and Exchange Commission

SGI : Société de Gestion et d’intermédiation

TDS: Thomson Datastream

UEMOA: Union Economique et Monétaire Ouest Africaine

VAN : Valeur Actuelle Nette

WACMIC: West African Capital Markets Integration Council

WFE: World Federation of Exchange

ix
Introduction
Les recherches sur la structure du capital ont fait apparaitre un double questionnement, celui
de la politique financière et celui de ses implications sur le niveau du risque de la firme.

Dans une vision large, le mélange entre les capitaux propres et les dettes de l’entreprise
forme sa structure financière. Une notion largement étudiée en finance de la firme, les
travaux de Modigliani et Miller (1958) constituent le point impulsif. Sous des hypothèses à
peine irréalistes comme l’absence d’impôt, ils affirmèrent dans leurs recherches une
indépendance entre structure du capital et valeur de l’entreprise. Ce débat a fait naitre une
abondante littérature, à commencer par l’article rectificatif de Modigliani et Miller (1963)
qui considère l’endettement comme bénéfique à la firme lorsqu’elle bénéficie d’économie
d’impôt. Mais cette approche est comblée par la contribution de Myers (1984) qui voit la
structure optimale du capital comme un compromis entre les avantages fiscaux obtenus et
les coûts de détresse financière générés par l’endettement. En abordant maintenant la
question de la structure du capital sous l’angle de l’asymétrie d’information entre les
managers et les apporteurs de fonds, Myers et Majluf (1984) ont effectué une pertinente
hiérarchisation des sources de financement en prenant en compte la possibilité d’émettre
un signal sur le marché lorsque de nouvelles actions sont émises. Le débat sur la structure
du capital s’est beaucoup plus enrichi, ses aspects étudiés se sont élargis. Barker et Wurgler
(2002) préconisent à ce sujet que la structure du capital résulte des comportements dans le
passé de l’adaptation du capital aux différentes fluctuations du marché financier. Ces
fluctuations des rendements du marché, sont même considérées comme étant la principale
source du risque de marché des titres.

Le risque est la probabilité que le revenu espéré diffère de celui qui est obtenu. Le risque de
marché encore appelé risque systématique ou risque non diversifiable est alors mesuré par
un coefficient appelé béta, qui estime la variabilité des rendements obtenus des titres par
rapport aux rendements du marché financier. Cette notion de risque constitue un élément clé
dans l’analyse des rendements de la firme et de celle des portefeuilles de titres. Le modèle
d’évaluation des actifs de Sharpe (1964), Lintner (1965), Mossin (1966) l’a bien appréhendé
en considérant le risque non diversifiable comme étant le principal facteur d’estimation des
flux espérés.

10
A cet effet, le contexte de notre travail de recherche s’inscrit dans une double logique.

D’un côté, les théoriciens de la finance ont mis à la disposition des gestionnaires une
panoplie de théories qu’ils appliquent constamment au point qu’elles conditionnent leurs
pratiques de gestion voire leurs comportements managériaux. Parmi tant d’autres exemples
illustratifs, un responsable financier d’une firme se sentira plus à l’aise sur la question de la
structure du capital après qu’il ait défini ce qu’il appelle une structure financière optimale ;
ou encore la théorie sur l’effet de levier financier aussi de l’économie d’impôt sur
l’endettement pourrait lui motiver à formuler des recommandations pour rehausser la part
des capitaux externes.

D’un autre côté, le cycle de vie de l’entreprise n’est pas neutre sur sa politique financière
(Arnould, 2012 ; Vernimmen et al, 2016). Une structure nouvelle présente un risque
spécifique très élevé au regard des financiers, ce qui réduit ses opportunités de se financer
par endettement. Au démarrage, l’essentiel de la structure financière de l’entreprise est formé
de capitaux propres. Lorsque l’activité est en croissance, ses facultés d’accès au financement
externe s’accroissent.

Ces postulats de la théorie financière et ces difficultés de financement liées au cycle de vie
pèsent autant sur la politique financière des entreprises au point qu’elles ne se préoccupent
plus des implications de l’endettement notamment du niveau de risque qu’il peut engendrer.

Certains écrits ont validé empiriquement une liaison entre la structure financière de
l’entreprise et son risque systématique (Hamada, 1972; Hill et Stone, 1980; Mandelker et
Rhee, 1984). Cependant nous remarquons deux points essentiels qui devraient inviter les
managers à utiliser avec mépris les propositions de ces études. D’une part ces recherches
datent de plus de trois décennies, ce qui nous laisse supposer que le contexte des marchés
financiers sur lesquels ces auteurs avaient réalisé leurs tests empiriques a beaucoup évolué
aujourd’hui. D’autre part ces études ont été faites sur de grands marchés boursiers comme
le New York Stock Exchange (NYSE), or les caractéristiques de ces marchés sont très
différentes de celles des bourses ouest africaines comme le Ghana Stock Exchange (GSE).

Le GSE étant la seule bourse des valeurs mobilières ghanéenne, sa structuration actuelle en
trois compartiments a permis la cotation même des titres des PME et des start-ups. Il a
récemment connu pas mal de changements, allant jusqu’à la définition en 2011 d’un indice

11
spécifique aux sociétés du secteur financier. Comme plusieurs marchés africains,
l’hypothèse de l’efficience de la bourse ghanéenne est rejetée par des travaux comme ceux
d’Ayentimi et al (2013) ; Ntim et al (2007) et Frimpong (2008).

Sous cette logique, les implications de la structure du capital sur le risque systématique des
sociétés des marchés ouest africains nous paraissent jusqu’ici méconnues ; car à notre
connaissance aucune étude sur cette problématique n’est encore appliquée sur la bourse
ghanéenne.

Dans le contexte d’un marché ouest africain, quel est la réaction du risque non diversifiable
face au niveau de la structure de financement ? La poursuite de l’objectif ci-après nous aidera
à répondre à cette question centrale de notre recherche.

L’objectif poursuivi dans le cadre de ce mémoire est de déterminer le lien entre la structure
financière et le risque systématique. Plus précisément, nous cherchons à savoir comment la
structure financière d’une entreprise de la bourse du GSE influencerait son risque de marché.

Cet objectif général nous permet d’énoncer les opérations concrètes à mener constituant ainsi
les objectifs spécifiques. Afin de conduire notre projet de recherche, les objectifs spécifiques
que nous cherchons à atteindre sont :

 Analyser le ratio bêta des sociétés cotées au GSE à partir d’un modèle de marché
permettant l’estimation du risque systématique.
 Utiliser le modèle Hamada (1972) et formuler un modèle révisé pour calculer le béta
désendetté de ces sociétés.
 Cerner l’effet de la structure du capital sur le coefficient bêta du risque systématique
en utilisant des techniques d’analyses économétriques en données de panel.

La question de l’effet de la structure du capital sur le niveau du coefficient de sensibilité béta

présente un intérêt au niveau théorique comme pratique ou managérial.

Au plan théorique, les débats sur la structure du capital comme sur le béta du modèle
d’évaluation des actifs financiers connaissent des développements menés par plusieurs
chercheurs. Cependant ils aboutissent souvent à des résultats contradictoires, et ceci depuis
les travaux de Modigliani et Miller (1958) qui ont défendu une indépendance entre cette

12
notion de structure de capital et la valeur de marché d’une firme, aux apports de Damodaran
(1999) qui plaide pour une version du bêta qui reflète les paramètres de la firme pendant la
période courante et non pas ses paramètres historiques. Ou encore aux tests de Boudriga et
El Gharbi (2008) qui ont mis en revue trois modèles différents afin d’identifier la méthode
de calcul du béta qui explique le mieux le risque systématique des titres.

A cet effet, notre travail contribuera à approfondir sur un marché ouest africain comme le
GSE, les études empiriques menées sur les marchés efficients des pays développés et qui
concernent le coefficient bêta et la structure du capital.

Du point de vue pratique, la question de la relation entre le bêta et la structure du capital

permet aux gestionnaires d’avoir un outil déterminant de la politique financière à adopter
afin de mieux concevoir des stratégies de financement adaptées à leur niveau d’aversion au
risque. Elle permettra aussi aux acteurs de la firme d’agir sur le coût prévu des capitaux
propres à investir dans un projet afin de faire un choix rationnel sur ses conditions de
faisabilité financière.

Pour ce faire, notre mémoire est composé de quatre chapitres principaux. Le premier
explique les caractéristiques et le fonctionnement de la bourse ghanéenne.

Entre le début de ses activités en novembre 1990 et la fin de l’année 2015, plus de 3579,795
millions de titres sont échangés au GSE. Son fonctionnement, qui repose principalement sur
son dépositaire central (CSD) et son principal régulateur (SEC), rend l’organisation du
marché assez simple avec trois compartiments de cotation qui allègent les conditions
d’introduction en bourse.

Le second chapitre, présente une revue de la littérature sur le risque de marché, la structure
financière du capital ainsi que leurs interactions. Ce chapitre inclut en bref une revue
conceptuelle sur le coefficient béta ainsi que sa technique de mesure qui est issue du modèle
d’évaluation des actifs financiers. La structure du capital est aussi expliquée par un ensemble
de théories dont les plus marquantes sont le théorème de Modigliani et Miller, la théorie du
compromis, la théorie du financement hiérarchisé et celle du « market timing ».

La présentation de la population de recherche, la définition et la mesure des variables ainsi

que la formulation des modèles à tester sont réalisées dans l’avant dernier chapitre de ce

13
mémoire. En fin le dernier chapitre comporte les tests de l’analyse statistique, la présentation
ainsi que le commentaire des résultats obtenus.

14
Chapitre1 : Paysage boursier du GSE
Les bourses de valeurs mobilières jouent un rôle déterminant dans l’environnement
économique des pays. Elles permettent aux sociétés cotées de trouver des capitaux pour se
faire financer grâce aux titres qu’elles émettent. Parallèlement, les marchés financiers offrent
aux Etats la possibilité de se procurer des fonds par l’émission d’obligations et aux
investisseurs d’acquérir ou de céder des titres financiers à tout moment en vue d’obtenir des
rendements.

Le Ghana Stock Exchange est la bourse électronique ghanéenne. Elle effectue maintenant la
cotation en continu, les négociations s’y passent de façon permanente et en temps réel. Le
volume des transactions qui s’effectuent sur ce marché est assez significatif. En 2013, la
capitalisation boursière au GSE1 a atteint les 61 158,29 milliards de cédis contre 57 264,22
milliards de cédis en 2012, soit une hausse de 6,8%. Cette augmentation de la valeur des
transactions s’est reflétée sur la performance boursière du GSE mesurée par ses indices.

Section 1 : Historique du GSE

Le Ghana Stock Exchange (GSE) a été créé en juillet 1989 comme société à responsabilité
limitée par garantie, en vertu de la loi numéro 179 de 1963 sur le code des sociétés. Seul
marché boursier au Ghana, le processus de la création du GSE est accéléré par la mise en
place en février 1989 d’un comité national. Le rôle du comité national était de renforcer
tous les travaux antérieurs concernant le projet de création, vers une mise en place absolue
de la bourse ghanéenne. En octobre 1990, le GSE est reconnu comme une bourse autorisée,
sous la loi 384 de 1971. Le 12 novembre 1990 les transactions ont débuté après
l’inauguration, ce jour même, du Conseil de la bourse. C’est finalement en avril 1994 qu’a
été officialisé le statut de société publique par garantie2.

Section 2 : Organisation du GSE

Le GSE repose principalement sur deux organes qui lui permettent de gérer pleinement ses
activés. Il s’agit du principal dépositaire (CSD) et de la Commission de régulation (SEC).

1
Rapport annuel d’ASEA de 2014
2
https://gse.com.gh/about/overview consulté le 21 août 2016

15
I. Le dépositaire central des titres (CSD)

1. Présentation du CSD
Dans le but d’attirer les investisseurs, le Ghana a développé en 2000 le Plan Stratégique
du Secteur Financier (FINSSP) qui a fait naitre l’idée de la création d’un dépositaire
ghanéen. Par conséquent, un comité national du marché obligataire chargé de surveiller la
performance du marché des obligations a été créé, (NBMC). En 2002, ce comité
recommanda le gouvernement ghanéen d’appuyer la Bank of Ghana (BOG) et le Ghana
Stock Exchange (GSE) pour la mise en place d’un dépositaire automatique de titres au
Ghana. C’est en 2004 que la BOG est considérée comme le premier dépositaire dans le pays
avec la mise en place du Ghana Securities Depository. Le GSD a obtenu sa licence
d’exploitation le 5 novembre 2008 par la Securities & Exchange Commission et a commencé
ses opérations le 14 novembre 2008.

Le marché des valeurs mobilières du Ghana disposait jusqu’ici de deux dépositaires, le GSE
et le GSD. En 2012, le GSE et le GSD ont fusionné pour former un seul dépositaire, le
Central Securities Depository (CSD). En tant que société à responsabilité limité, le CSD était
majoritairement détenu jusqu’en décembre 2014 par la Bank of Ghana (BOG) à hauteur de
70%. Les 30% étaient sous la propriété du GSE3.

2. Mission du CSD
Le CSD a une mission double4, la détention des titres sous forme électronique et le contrôle
de la régularité des décisions concernant la gestion des titres. En d’autres termes, le CSD
offre des services de dépôts et gère d’une manière efficace le système de règlement et de
compensation des titres.

3. Rôle du CSD
Le Central Securities Depository joue entre autres les fonctions suivantes :

 Etablir et administrer un système de dépositaire central de titres (Central Securities

Depositery System)

3
www.cds.com.gh consulté le 19 août 2016
4
www.orishas-finance.com consulté le 19 août 2016

16
  Faciliter l’admission des titres dans le CSD
 Faciliter l’accès des intermédiaires éligibles dans le système du CSD
 Faciliter les opérations de dépôts et retraits de certificats relatifs aux titres admis dans
le système du CSD
 Gérer l’ouverture, le maintien et la clôture des comptes des titres
 Mettre en place un système efficace et approprié pour la vérification, l’inspection,
l’identification et l’enregistrement des titres dématérialisés5 (book-entry securities)
dans le système du CSD
 Fournir des informations liées à l’introduction des titres aux intermédiaires et autres
personnes conformément à la loi et au règlement du CSD
 Fournir des services en actions organisationnelles aux détenteurs des comptes de
titres.
 Veiller contre la falsification de tout enregistrement ou de tout compte qui doit être
tenu conformément au règlement du CSD
 Faciliter les services de règlement et de compensation lors des transactions des titres
 Accomplir d’autres fonctions nécessaires pour assurer les transactions des titres
admises à la cote que la Commission peut de temps en temps prescrire.

4. Pouvoir du CSD
Dans les textes qui définissent les règlements régissant son fonctionnement général (the CSD
operational rules), le pouvoir du CSD est déterminé par :

 La loi 733 de 2007 sur le CSD

 Le règlement du CSD ou autre agrément ou arrangement avec les intermédiaires
ou toute autre personne
 La loi 333 de 1993 (the Securities Industry Law 333), par amendement.

Sauf indication contraire, le pouvoir confié au CSD conformément à l’article 5 de son

règlement doit être exercé de telle sorte que le conseil puisse être de temps en temps
ordonné. Le CSD peut, en autorisant les intermédiaires (les institutions financières, les
agences et sociétés qui jouent le rôle d’intermédiaire entre le GSE et les investisseurs) à

5
Système par lequel les titres sont électroniquement enregistrés et n’ont plus d’existence papier.

17
accomplir l’une des fonctions approuvées, imposer des exigences ou des conditions qu’il
juge nécessaires pour assurer les ordres de dépôt, les retraits, les transferts des titres
dématérialisés, la transaction et le paiement en liquide des titres.

5. Structure de gouvernance du CSD

Le CSD dispose d’un conseil d’administration qui représente l’organe suprême habilité à
prendre des décisions. Ce conseil est constitué par le GSE et la BOG qui sont les deux
principaux actionnaires du CSD. Afin de renforcer la surveillance, le président du conseil
d’administration ne dispose pas de fonction de directeur général. Les administrateurs du
conseil sont des professionnels qui fournissent des conseils pour les décisions importantes
de gestion et mènent parallèlement une supervision équitable sur les pratiques managériales.
Il est constitué au total de onze (11) administrateurs.6 Les neuf (9) sont des administrateurs
externes et parmi eux, la BOG comme le GSE en nomme deux (2).

II. Le principal régulateur du marché : la commission de

régulation des titres et des échanges (SEC).

1. Présentation du SEC
La SEC (Securities and Exchange Commision) est le principal régulateur du marché
ghanéen, le GSE. Il s’agit de l’ancienne Commission de Régulation des Titres (Securities
Regulatory Commission). La SEC est une commission régie par la loi 333 sur les valeurs
mobilières de 1993 (the securities industry Law 1993, 333). Sa vocation principale est dès
lors, de veiller à la protection de l’investisseur et de devenir un régulateur du marché des
valeurs mobilières internationalement reconnu pour promouvoir l’efficience du marché des
capitaux au Ghana.

2. Mission de la SEC
La mission de la SEC implique une surveillance en permanence et une réglementation du
marché boursier du Ghana. Il s’agit alors de promouvoir régulièrement la croissance et le
développement pour un marché boursier efficient, transparent et équitable dans lequel les
investisseurs et l’intégrité du marché sont protégés par des lois proactives en valeur

6
www.csd.com.gh consulté le 20 Août 2016

18
mobilière. Cette mission nécessite aussi l’instruction (une sensibilisation) des opérateurs du
marché, des décideurs de même que les investisseurs sur leurs droits et obligations respectifs.

3. Rôle de la SEC
Le rôle de la Securities and Exchange Commission (SEC) est :

 De fournir aux sociétés et au grand public des conseils pour interpréter les
dispositions des lois sur les valeurs mobilières, des lois et règlements sur la
cotation des titres, les manipulations des plaintes des investisseurs.
 De fournir des autorisations et de régulations aux conseillers en placements, aux
intermédiaires et représentants selon les règlements de la bourse du Ghana
 Superviser et réguler la gestion des fonds au Ghana et l’application de la loi sur les
valeurs mobilières concernant les investissements collectifs comme les fonds
communs de placement
 Superviser la divulgation de l’information importante par les sociétés au public
investisseur concernant les titres et la cotation sur le GSE
 Effectuer des contrôles post-prospectus sur l’utilisation des fonds collectés par le
biais des souscriptions du public
 Enquêter sur les violations des lois sur les valeurs mobilières et le code des sociétés
 Superviser les offres concernant les fusions et les acquisitions.

4. Structure de gouvernance de la SEC

La loi 333 de 1993 portant sur le secteur des valeurs mobilières (Securities Indutry Law 333,
1993), modifiée par amendement (Loi 590 de 2000) prévoit que la commission de la SEC
est composée d’au maximum onze (11) membres7. Ils sont nommés par le président de la
république du Ghana pour un mandat de trois (3) ans renouvelable une seule fois. La
commission est composée d’un (1) président, d’un (1) directeur général, de deux (2)
directeurs adjoints, d’un (1) représentant de la BOG, d’un (1) représentant du ministère des
finances du Ghana et de quatre (4) autres commissaires.

La SEC est structurée en départements dont chacun joue un rôle bien défini :

7
http://www.sec.gov.gh consulté le 23 Août 2016

19
  Le service juridique qui fournit des conseils juridiques à la commission et enquête
sur les violations des lois sur les valeurs mobilières
 Le département de marché et échanges, chargé d’œuvrer pour une transaction
équitable, efficace et transparente des titres. En particulier, il supervise le marché
secondaire et tous ses acteurs
 Le département de la gestion des fonds qui est responsable de toutes les sociétés
de gestionnaires de fonds, les opérations effectuées par les dépositaires et
gestionnaires des fonds communs de placement
 Département politique, technologie de l’information et de la recherche : ce
département est responsable de l’exécution du rôle de la commission concernant
le développement du marché et la gestion de ses technologies de l’information.
 Département d’émission de titres, « issuer department » : ce service surveille toute
activité concernant l’émission de nouveaux titres, du demandeur initial jusqu’à
l’émetteur.
 Département ressources humaines et relations internationales, chargé d’assurer le
bon fonctionnement, de fournir et de maintenir le soutien nécessaire aux autres
départements de la commission.
 Le département finance et capital chargé de l’administration et de la gestion
financière des fonds de la commission.
 Département de courtage et conseil qui supervise les activités des intermédiaires
financiers (les courtiers) et traite leurs demandes de licence.
 Département audit et gestion du risque, ce département est chargé d’évaluer la
cohérence et l’adéquation dans les techniques comptables et financières ainsi que
du contrôle financier interne de la SEC et de ses entités réglementées afin d’assurer
leur conformité avec les politiques et règlements en vigueur.

Section 3. Les compartiments du GSE

Pour une gestion efficace des opérations boursières, le GSE est subdivisé en trois (3) sous
marchés qui constituent ses compartiments. Il s’agit du marché principal qui est le GSE, du
marché des revenus alternatifs (GAX) et du marché à revenus fixes (GFIM).

20
I. Le marché des capitaux du GSE (Market Equity)
Le Ghana stock Exchange était le seul principal marché boursier du Ghana depuis le début
de ses activités en 1990. En d’autres termes, il n’existait pas de compartiment ou bien de
marché spécifique à de types d’entreprises ou de natures de titres. C’est récemment en 2013
qu’est lancé le premier compartiment : la branche de la bourse ghanéenne dédiée au PME.
L’historique des transactions effectuées au GSE de décembre 1990 à décembre 2015 révèle
un développement rapide du GSE pendant ses 25 ans d’existence marqué par des écarts
énormes entre les volumes annuels de titres échangés (figure 1.1)

600000
Figure 1.1: Volume des transactions au GSE de 1990 à 2015
500000

400000

300000

200000

100000

0
Nov-Dec 1990

Dec 2015
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014

Transactions en volume

Source: Market report GSE december 2015, full year

1. Les conditions d’admission au marché principal du GSE

Le règlement 1.1. 1509 de 1990 du GSE (GSE listing regulations) stipule les conditions
qu’une société désirant être admise à la côte doit présenter. Cependant il existe trois (3)
niveaux de cotations qui n’imposent pas les mêmes exigences, afin de permettre à beaucoup
de sociétés de se faire coter.

21
 a. Les conditions spécifiques à chaque niveau de cotation

La cotation officielle de premier niveau (First Official List)

 le capital minimum requis est de cent (100) millions de cédis ghanéens

 cette société doit émettre au public au moins une valeur de trente (30) millions de
cédis en actions
 pour les titres de créance, la valeur totale des titres ne peut être inférieure à 200
(deux cents) millions de cédis
 le nombre de porteurs ne peut être inférieur à cent (100)
 publier les comptes certifiés relatifs au cinq (5) derniers exercices qui précédent
l’année de la cotation

La cotation officielle de second niveau (Second Official List)

 le capital minimum requis est de cinquante (50) millions de cédis ghanéens

 cette société doit émettre au public au moins une valeur de quinze (15) millions
de cédis en actions
 pour les titres de créance, la valeur totale des titres ne peut être inférieure à 200
(deux cents) millions de cédis
 le nombre de porteurs ne peut être inférieur à cent (100)
 publier les comptes certifiés relatifs au trois (3) derniers exercices qui précédent
l’année de la cotation

La cotation officielle de troisième niveau (Third Official List)

 le capital minimum requis est de vingt (20) millions de cédis ghanéen

 cette société doit émettre au public au moins une valeur de cinq (5) millions de
cédis en actions
 pour les titres de créance, la valeur totale des titres ne peut être inférieure à 20
(vingt) millions de cédis
 le nombre de porteurs ne peut être inférieur à cinq (5)
 publier les comptes certifiés relatifs au dernier exercice qui précédent l’année de
la cotation

22
 b. Les conditions générales à tous les niveaux de cotation

 les actions émises au public représenteront au minimum 25% du total des actions
de la société
 les actions doivent être totalement libérées. Excepté des conditions très
particulières, la bourse refusera la libération partielle des actions.
 Pour les titres émis par l’Etat, il n’y a aucune obligation concernant le nombre
minimale de porteurs ou la valeur minimale des émissions
 Il doit avoir une continuité dans la gestion de la société qui veut être admise à la
cotation
 Etre une société anonyme selon la loi 179 de 1963 relative au code des sociétés

Pour permettre la cotation aux autres entreprises qui ne parviennent pas à remplir les
conditions citées ci-haut, le GSE a lancé au courant de ces cinq (5) dernières années deux
autres marchés parallèles, le GAX et le GFIM

II. Le Marché à revenus alternatifs : Ghana Alternative Market

(GAX)
Lancé au courant du premier semestre de l’année 2013, le GAX est un marché parallèle au
GSE et réservé à l’introduction en bourse des PME et même des start-ups. Un fond d’appui
à la cotation est mis en place pour rendre réalisable le projet lié à la création d’un tel marché.
Un an après son lancement8, 217 titres des trois compagnies cotées au GAX sont échangés
pour une capitalisation boursière totale de 24,13 millions de cédis pendant le mois d’octobre
2015.

1. Les conditions d’admissibilité au GAX

Pour être coté au GAX, les PME et start-ups doivent :

 Avoir un capital minimum de 25 (vingt-cinq) millions de cedis

 Pouvoir émettre dans le public au moins 25% de la valeur totale capitalisée
 Avoir au minimum 20 (vingt) souscripteurs
 Exister pendant au moins une année d’exploitation

8
Rapport mensuel d’octobre 2015 du GSE.

23
  Publier au moins les comptes du dernier exercice d’exploitation
 Pour une start-up, fournir un business plan de 3 ans au moins et démontrer
clairement la viabilité soutenu de l’entreprise
 Avoir la potentialité de réaliser un bénéfice à partir de la troisième année qui suit
la cotation

III. Le marché à revenus fixes: Ghana Fixed Income Market

(GFIM)
Le Marché ghanéen à revenu fixe est lancé récemment en 2015. Le GFIM est conçu pour
faciliter la transaction des titres à revenu fixe dans un marché équitable et transparent. Son
principal régulateur est la SEC. Les titres automatiquement admis sur ce marché sont les
bons du trésor du gouvernement du Ghana ainsi que ses obligations et ses billets mais aussi
les instruments du marché monétaire de la BOG.

Les titres suivants peuvent être admis à la cote au GFIM :

 Les instruments du marché monétaire et les bons des institutions quasi-

gouvernementales du Ghana
 Les bons et billets des sociétés
 Les bons du gouvernement local
 Les bons supranationaux
 Tout autre titre ou instrument du marché monétaire à revenu fixe

Section 4. Fonctionnement du GSE

I. Les principaux indices boursiers du GSE

Un indice boursier est une forme d’indicateur qui représente de manière synthétique la
performance financière d’un marché ou d’un de ses compartiments. Pour mesurer la
performance d’un titre, les investisseurs peuvent comparer sa valeur de marché avec l’indice
boursier. C’est alors une référence qui est utilisée pour mesurer l’évolution du cours des
titres qui le composent. L’indice informe les acteurs sur la tendance du marché. Depuis le
début de ses opérations en 1990, le principal indice du marché boursier du Ghana était le
Ghana Stock Exchange All Share Index (GSE-ASI). A partir du 04 janvier 2011, le GSE

24
lance (2) deux nouveaux indices boursiers, le GSE Composite Index (GSE-CI) et le GSE
Financial Index (GSE-FI)9. A compter de l’année 2011, le GSE-ASI est remplacé par le
GSE-CI et les deux indices de référence restent depuis lors le GSE-CI et le GSE-FI.
Cependant la valeur des deux indices en fin 2015 a chuté10 par rapport à 2014 (figure 2.1),
de 11,77% et 13,98% respectivement pour le GSE-CI et le GSE-FI.

Figure 2.1: VAleurs des indices (GSE-CI et

GSE-FI) au terme de 2014 et 2015

2261,02
GSE-CI GSE-FI

2243,63
1994,91

1930,06

DEC 2015 DEC 2014

Source : Statistiques du Market report du GSE, décembre 2015

1. GSE Composite Index

Le GSE-CI inclut toutes les actions ordinaires cotées au GSE. Les titres des sociétés cotées
à la fois au GSE et sur un autre marché boursier sont exclus du calcul de l’indice. Le GSE-
CI est créé avec une base de 1000 points et la date de référence est le 31 décembre 2010.
Autrement dit, le total de la capitalisation boursière des titres qui constituent l’indice est
ramené à une base de référence égale à 1000.

9
http://topforeignstocks.com/2012/09/22/ghana-stock-exchange-gse-index-returns-by-year-1990-
to-2011/ consulté le 25/08/2016
10
Market report december 2015- full year, GSE.

25
Le GSE-CI est déterminé à partir de la moyenne pondérée de la capitalisation boursière de
tous les titres cotés au GSE, sauf ceux qui sont à la fois cotés au GSE et sur une autre bourse.
Au courant de l’année 2015, cet indice a atteint sa valeur maximale11 de 2386,51 points le
9 juin et son plus bas niveau de 1996,99 points à la date du 9 octobre.

2. GSE Financial Index

Cet indice inclut uniquement les sociétés du secteur financier y compris les banques et les
sociétés d’assurance, à l’exception de celles qui sont cotées à la fois au GSE et sur un autre
marché. A l’image du GSE-CI, la valeur de base est de 1000 points, et la date de référence
le 31 décembre 2010. Le GSE-FI est aussi déterminé à partir de la moyenne pondérée du
total de la capitalisation boursière des titres qui le composent.

II. Les organisations auxquelles adhère le GSE

La bourse Ghanéenne est membre d’organisations internationales et sous régionales, à
savoir African Securities Exchange Association (ASEA), West African Capital Markets
Integration Council (WACMIC) et World Federation of Exchange (WFE).

1. African Securities Exchange Association

Créée en 1993, ASEA travaille avec ses membres pour développer leurs échanges et
permettre une interconnexion et l’échange d’informations entre eux. Sa mission est de
faciliter le processus d’intégration financière et la mobilisation effective des capitaux pour
accélérer le développement économique de l’Afrique. Pour favoriser le potentiel des
marchés africains ASEA œuvre pour:

 Diriger les flux des capitaux vers les marchés africains en attirant la visibilité des
membres au plan international.
 Construire une plate-forme contenant toutes les informations sur les bourses
africaines ainsi que les indicateurs statistiques utiles
 Promouvoir les échanges et initier des stratégies d’alliance entre les membres.

11
D’après le rapport mensuel du GSE fourni au terme du mois d’octobre 2015

26
2. West African Capital Markets Integration Council
Inauguré en janvier 2013, le WACMIC est une organisation créée pour permettre
l’intégration des marchés ouest africains des capitaux. Son objectif est d’établir un
environnement réglementaire harmonisé mais aussi de développer une plateforme commune
pour la transaction et la cotation des titres financiers dans la sous-région. Le rôle12 du conseil
consiste à :

 Superviser les programmes d’intégration du marché des capitaux

 Valider les travaux du comité technique tout en mettant en place des normes
 Coordonner les parties prenantes significatives comme l’UEMOA ou la CEDEAO
 Surveiller et évaluer la préparation des Etats membres dans le processus
d’intégration
 Fournir des fonds et autres ressources pour la mise en œuvre de l’intégration du
marché des capitaux

3. World Federation of Exchange

Le WFE est une organisation internationale basée à Londres contribuant au développement
et à la promotion des marchés financiers qui en adhèrent comme membres. Elle est fondée
en 1961 et initialement nommée The Conference of European Stock Exchanges, c’est
récemment en 2001 que cette organisation est baptisée The World Federation of Exchange
lors de son congrès annuel tenu à Madrid. Le GSE est admis au WFE depuis 2014.

La mission et la vision13 de cette organisation peuvent être résumées aux points suivants :

 Collaborer avec les organismes de régulation pour l’établissement de normes

permettant la bonne marche des marchés financiers dans l’optique de défendre les
intérêts du secteur de l’échange.
 Œuvrer pour la publication en continue d’études de recherches et de statistiques sur
les marchés des capitaux afin d’être une source de référence institutionnelle en
matière de bonnes pratiques dans le secteur mondial des transactions de valeurs
mobilières.

12
D’après le WACMIC e-Brochure consulté le 25 août 2016
13
http://www.world-exchanges.org consulté le 14 novembre 2016

27
  Partager des connaissances, une expertise et de bonnes pratiques pour soutenir le
développement des échanges dans les marchés émergents.
 Promouvoir et assurer la conformité des marchés financiers au respect des normes
internationales en ce qui concerne la gouvernance.
 Soutenir ses membres afin qu’ils s’adaptent en permanence aux évolutions rapides
de l’environnement du marché financier mondial.

III. Les intermédiaires commerciaux du GSE

Comme tout autre marché financier, les investisseurs n’agissent pas directement sur le GSE.
Ils passent leurs ordres de bourse auprès d’un broker (un courtier) au niveau duquel ils
détiennent un compte. Il revient à l’intermédiaire (le broker) de passer les ordres à la bourse
qui les exécute. Avec le développement de la technologie et de la cotation en continu, les
investisseurs agissent en ligne sans le moindre déplacement, et leurs transactions sont
exécutées par le marché dans les minutes qui suivent.

Les principaux intervenants sur le GSE sont :

 Les Sociétés de Gestion et d’Intermédiation (SGI) : ce sont des sociétés ayant

obtenu l’autorisation de négocier de valeurs mobilières sur le GSE. A côté de cette
activité, les SGI peuvent jouer le rôle de conservation de titres pour les
investisseurs, et apporter d’une manière accessoire des conseils financiers.
 Les membres associés qui sont des prestataires de services d’investissement ayant
rempli les conditions requises pour être membre du GSE. Ils ne peuvent pas
émettre des ordres au marché du GSE. Cependant ils peuvent recevoir, transmettre
et exécuter des ordres du marché pour leur compte ou pour le compte de leurs
clients.
 Les négociants de titres gouvernementaux qui sont des entités ayant obtenu
l’autorisation de la BOG pour traiter les titres du gouvernement. Elles jouent le
rôle exclusif de négociation des titres gouvernementaux sur le GSE.

En somme, ce premier chapitre a permis de comprendre le marché boursier du Ghana et son

fonctionnement. Ce qui nous mène à la présentation du second chapitre consacré à la revue
conceptuelle sur les notions de béta, de la structure du capital et de leur relation

28
Chapitre II : Revue de la littérature
Les notions de risque et de la structure du capital sont largement étudiées par les théoriciens
de la finance. Ces deux facteurs ont, par la suite fait l’objet de nombreux tests statistiques
qui aboutissent souvent à des résultats diverses. Ce sont ces aspects qui seront abordés dans
ce chapitre en définissant d’abord la notion de risque avant de présenter le béta et la
structure du capital.

Section I : Le béta, mesure et critique

I. La notion de risque :
La notion de risque est caractérisée en finance dans le CAPM qui a cherché à quantifier sa
relation avec les rendements. Selon Grundy et Malkiel (1996), le risque est généralement
défini comme la probabilité que les rendements issus d’un investissement soient différents
des rendements attendus. L’estimation du risque, avant la modélisation du CAPM, se faisait
alors par une simple mesure de la variabilité des rendements historiques des titres. Les titres
à variabilité de rendements faible étaient considérés comme les moyens risqués. Dès lors, il
est généralement accepté que cette fluctuation résulte de deux principaux facteurs. Le
premier est propre à l’entreprise elle-même, il s’agit du risque spécifique. Le second facteur
nommé risque systématique ou risque de marché, est la variabilité des rendements des titres
ordinaires par rapport aux rendements du marché représentés par le portefeuille de marché.

C’est cette seconde catégorie de risque (le risque systématique) qui intéresse cette recherche
et nous illustrons ci-dessous sa mesure.

II. Mesure du risque systématique

Dans le domaine de la finance, l’aversion d’un individu au risque part d’un constat selon
lequel, tout agent rationnel préférera toujours l’utilité associée à une richesse certaine à celle
procurée par une richesse incertaine.

Mais mesurer le risque par une fonction d’utilité plus connue en microéconomie qu’en
finance semble délicat (Poncet et Portrait, 2009). Une alternative beaucoup plus pertinente
est formulée par Markovitz en 1952, il s’agit d’estimer le risque d’un titre ou d’un

29
portefeuille par la variance des revenus qu’il a généré et ses rendements espérés par leur
espérance mathématique.

Force est de constater que le risque d’un titre individuel est analysé par la contribution de
ce titre au risque global du portefeuille, en calculant une corrélation des rentabilités (entre
ce titre et le portefeuille). Le risque du titre est alors corrélé à celui du portefeuille dans
lequel il appartient. C’est pour cette raison que la théorie de Markovitz le mesure par la
covariance entre les rendements du titre et les rendements de son portefeuille.

Sous l’impulsion de Markovitz en 1952 qui a porté ses analyses sur un portefeuille d’actifs,
un groupe de chercheurs en finance notamment Sharpe (1964), Lintner (1965) et Mossin
(1966) ont prolongé séparément les travaux en menant leurs recherches sur un ensemble de
portefeuilles (un marché financier). Leur principal objectif était de montrer, pour tous actifs
financiers pris isolément, qu’il existe une relation linéaire croissante entre leurs rendements
et leur niveau de risque (Poncet et Portrait, 2009).

Leur analyse est plus réaliste que celle de Markovitz car elle prend en compte la multiplicité
d’acteurs. Sur le marché concurrentiel où interviennent plusieurs acteurs qui cherchent
chacun à minimiser son risque sous contrainte de la rentabilité attendu, il est opportun de
développer un modèle prenant en compte simultanément les comportements de tout acteur
pour exprimer les rentabilités espérées à l’équilibre, c’est le capital asset pricing model
(CAPM).

Peu d’années avant l’apparition du CAPM, James Tobin formula en 1958 la théorie de
séparation des fonds (Poncet et Portrait, 2009). Selon cette théorie, les décisions naissent
d’un arbitrage entre les rendements et le risque couru, à cet effet les agents choisissent une
combinaison d’actifs risqués selon leurs aversions au risque, associée à un actif sans risque.

En désignant par :

M : le portefeuille de marché (ou simplement le marché) intégrant tous les actifs risqués du
marché,

P : un portefeuille efficient quelconque (qui offre une rentabilité maximale à un niveau de

risque donné, ou inversement…)

30
𝝁p = E(P) : le niveau de rentabilité espérée du portefeuille P mesuré par l’espérance
mathématique,

𝝁M = E(M) : le niveau de rentabilité espérée du portefeuille de marché M

𝝈p et 𝝈M : respectivement le risque associé au portefeuille (P) et le risque associé au marché

(M), mesurés par l’écart-type de leurs rentabilités ;

Par la suite, désignons x comme étant la proportion des titres risqués dans le portefeuille (P)
et (1-x) le poids du portefeuille sans risque. En appliquant la théorie de Tobin, le portefeuille
(P) est constitué comme suit :

P = (1-x)rf + x(M) (1)

En raisonnant dans un couple espérance-variance de Markovitz (1952),

 les rendements espérés de ce portefeuille sont calculés comme suit :

E(P) = 𝝁p = E[(1-x)rf] + E[x(M)]

Donc, 𝝁p = (1-x) rf + x 𝝁M (2)

 A partir de la relation initiale (1), il est possible de calculer 𝝈p qui représente le

risque des rendements (P)

𝝈p = 𝝈 [(1-x)rf ] + 𝝈 [x(M)], puisque (1-x)rf est une constante alors,

𝝈p = x 𝝈M
𝝈𝒑
x= (3)
𝝈𝑴

En remplaçant x par sa valeur dans (2), on a :

𝝈𝐩 𝝈𝐩
𝝁p = (1- ) rf + 𝝁M
𝝈(𝑴) 𝝈(𝑴)

31
 𝒓𝒇𝝈(𝑴) − 𝒓𝒇𝝈𝐩 +𝝁𝐌𝝈𝐩 𝒓𝒇𝝈(𝑴)+ 𝝈𝐩(𝝁𝐌− 𝒓𝒇)
𝝁p = =
𝝈(𝑴) 𝝈(𝑴)

𝝁𝑴 – 𝒓𝒇
𝝁p = rf + ( ) 𝝈p (4)
𝝈𝑴

Avec rf la rentabilité de l’actif sans risque. Cette équation (4) permet de représenter
graphiquement la droite de marché des capitaux (capital market line) qui est illustré par la
figure 1.2. suivante.

Figure 1.2 : la droite de marché des capitaux

Droite de
marché des
capitaux (CML)
rendement
esperé

𝝁P

Rf

𝝈P volatillité
Source: Poncet et Portrait (2009)

Cette relation étant seulement vraie pour un portefeuille efficient alors que le modèle
d’équilibre est censé mesurer la rentabilité de tout portefeuille par rapport à celui du marché ;
remplaçons alors la mesure du risque du portefeuille (𝝈p) par sa covariance avec le marché
(𝝈pM) et mesurons aussi le risque du marché par sa variance, la rentabilité espérée ( 𝝁i) de

l’actif (i) est donnée par la relation suivante :

32
 𝝁𝐌 – 𝐫𝐟 𝝈𝒊𝑴
𝝁i = rf + ( ) 𝝈i M = rf+[ (𝝁𝐌 – 𝐫𝐟) ] (5)
𝝈²𝐌 𝝈𝟐 𝑴

Cette relation signifie qu’à l’équilibre, l’investisseur peut choisir d’abord une combinaison
optimale de titres risqués en fonction du niveau de risque qu’il accepte de supporter. Cette
combinaison formera son portefeuille optimal, puis dans un second temps l’investisseur
pourra choisir le montant à investir dans le portefeuille sans risque (rf).
𝝈𝒊𝑴
De l’égalité (5), le rapport représente statistiquement la pente de la droite de
𝝈𝟐 𝑴

régression entre les rendements d’un actif ou d’un portefeuille d’actifs (i ou P) et les
rendements du portefeuille de marché (M). C’est de là qu’est issu le coefficient « bêta » qui
mesure dans le modèle d’équilibre la sensibilité des rendements du titre (i ) aux fluctuations
du marché (M). Donc le risque non diversifiable d’un titre par rapport au marché est
mathématiquement mesuré par les écarts conjoints entre leurs rendements et leurs moyennes
respectives, divisés par le carré des écarts des rendements du marché par rapport à sa
moyenne.

𝝈𝒊𝑴
𝜷𝒊= (5)
𝝈𝟐 𝑴

Béta est l’indice permettant d’évaluer le risque

systématique, c’est-à-dire une mesure de la sensibilité des rendements d’un titre donné aux
fluctuations du marché. Un béta égale à 1 signifie que le portefeuille variera dans le même
sens et dans les mêmes proportions que le marché. De ce fait, le béta du portefeuille de
marché est alors égal à 1. Lorsque le coefficient béta d’un titre est inférieur (supérieur) à 1,
cela veut dire que ce titre sera plus (moins) sensible aux fluctuations du marché. De la même
façon, un titre dont le coefficient béta est négatif fluctue en sens inverse avec le marché,
mais ce dernier cas est rare. La figure 2.2 suivante l’illustre bien, à cet effet tout titre moins
sensible aux fluctuations du marché sera représenté sur la zone graphique inférieure au point
(M) du portefeuille de marché de coordonnées (1 , 𝜇M). Inversement, les titres à risque de
marché supérieur à l’unité seront sur la zone graphique supérieure et sont censés offrir un
rendement supérieur à celui du portefeuille de marché.

33
 Figure 2.2 : relation entre risque systématique (𝜷) et
rendements (𝝁) : la droite de marché des titres .

Droite de marché des actifs

rendement risqués (SML)
esperé

𝝁i
Portefeuille de marché (M)

Rf

1 Béta
Source: Poncet et Portrait (2009)

Sur la figure 2.2, la droite (SML) appelée droite de marché des titres relie l’actif sans risque
(rf) avec le portefeuille optimal choisi par l’investisseur.

Selon la théorie financière, le risque de marché, contrairement au risque spécifique, n’est pas
éliminable par une diversification du portefeuille de titres. En effet, un portefeuille bien
diversifié reste toujours influencé par les variations du marché.

Dans le modèle de marché (MEDAF) le coefficient béta est l’unique facteur de mesure du
risque systématique et les rendements espérés d’un titre forment une fonction linéaire qui est
égale à une prime de risque adaptée au béta, majorée du taux de rendement sans risque.

Beaucoup d’études empiriques ont par la suite invalidé la fiabilité du béta, elles ont formulé
à cet effet pas mal de critiques à son égard.

34
III. Les critiques du coefficient béta
Le beta, coefficient de mesure du risque systématique est largement critiqué par des
théoriciens de la finance.

Parmi tant d’autres chercheurs, Fama et French (1992) ont réalisé un modèle multivarié pour
évaluer les actifs financiers car le seul facteur associé au béta dans le CAPM n’explique pas
les rendements attendus. De même, Bhandari (1988) a mené des tests empiriques afin de
savoir la liaison entre les rendements et le niveau d’endettement en concluant finalement
qu’il est fondamental d’inclure d’autres paramètres comme le ratio d’endettement car le béta
seul n’est pas un ratio adéquat pour expliquer les rendements attendus. Damadoran (1999)
aussi soulève trois anomalies du béta puis propose une méthode alternative permettant de
les pallier. Entre autre, beaucoup d’autres chercheurs ont réalisé des tests empiriques
contredisant le CAPM et son coefficient de risque.

Ces nombreuses critiques ont suscité le questionnement de J. Lakonishok qui demande si le

béta est mort ou s’il est toujours en vie, «Is Beta dead or alive ? », (Lakonishok, 1993).

Ce papier théorique de Lakonishok se contente d’expliquer les implications des tests

empiriques du CAPM et les facteurs institutionnels comme comportementaux déterminant,
qui affaiblissent la relation entre risque et rendements.

Dans son article, Lakonishok (1993) a commencé par se questionner sur l’importance du
coefficient béta. Les tests empiriques sur le CAPM portent sur une période qui ne dépasse
généralement pas une vingtaine d’années dit-il. Cette série temporelle est selon lui
insuffisante pour trouver des résultats pertinents concernant l’importance du béta. Il a aussi
constaté qu’une analyse faite sur des valeurs hétérogènes, en faisant allusion à un écart
important entre des ratios de betas des rendements, conduit à une sorte de « bruit » qui biaise
les résultats obtenus. Dès lors, aucune conclusion ne peut être formulée sur l’importance du
coefficient béta, à moins que la période d’analyse soit longue et que la différence entre les
rendements analysés ne soit large.

Lakonishok (1993) conclut que Fama et French sont allés très loin dans leur papier de 1992
lorsqu’ils disent qu’aucun rapport n’existe entre le béta modélisé dans le CAPM et les

35
rendements des titres, car les données actuelles ne permettent pas de tirer de telles
conclusions sans réserve.

Selon le modèle du CAPM, l’unique facteur béta suffit pour mesurer les rendements
attendus. Cependant d’autres facteurs explicatifs des rendements attendus des actifs ont été
par la suite, empiriquement révélés. Ces révélations contredisent largement le MEDAF selon
lequel les rendements forment une fonction linéaire positive avec le coefficient béta du
risque systématique.

Dans ce contexte, Fama et French (1992) ont réalisé dans leur article de recherche, des tests
statistiques afin de découvrir des facteurs susceptibles d’expliquer les rendements des actifs.
L’objet principal de leur recherche est d’évaluer les rôles communs du béta, la taille du
portefeuille, le ratio d’endettement, le ratio des rendements par rapport aux prix (EP Ratio)
et le ratio de la valeur comptable par rapport à la valeur de marché sur les rendements
attendus des titres.

L’intérêt remarquable de leurs travaux résulte des conclusions qu’ils ont formulées,
permettant le développement d’un modèle à trois facteurs pour évaluer les rendements des
actifs. En effet Fama et French soutiennent que l’unique béta n’explique pas les rendements
espérés des titres. Ce qui leurs a permis de produire deux conclusions négatives sur le
bienfondé des résultats empiriques du CAPM. En effet, ils ont défendu que la relation
univariée entre le béta et les rendements est faible entre 1941 et 1990 lorsque les seules
variations dans le CAPM non liées à la taille du portefeuille sont prises en compte. En plus,
le béta est insuffisant pour expliquer les rendements attendus.

Ces deux conclusions ont ouvert une nouvelle perspective à Fama et French qui ont publié
en 1996 un article dans lequel ils comparent le béta calculé à partir des rendements annuels
au béta des rendements mensuels.

Cet article de Fama et French (1996) s’inscrit toujours dans la logique de contribuer aux
vérifications empiriques des anomalies révélées sur le CAPM et sur son béta. Ils ont montré
que le coefficient béta est insuffisant pour prédire les rendements attendus des titres. Aussi,
Fama et French (1996) ont révélé que Kothari, Shanken, et Sloan en 1995 ont montré une
différence significative dans une analyse en série temporelle, entre le béta d’un portefeuille

36
dont les rendements sont annuels et celui dont les rendements sont mensuels (Fama et
French, 1996).

Cet article de Fama et French (1996) a pour but entre autre, de tester empiriquement les
arguments de Kothari et al (1995) concernant la différence entre le béta mensuel et le béta
annuel. Leurs tests sont d’une importance capitale dans le choix de la périodicité pour les
théoriciens qui voudront ultérieurement faire des analyses en série temporelles sur le béta.

En effet, Fama French confortent les critiques qu’ils avaient formulées en 1992 en rejetant
l’hypothèse centrale du CAPM selon laquelle le coefficient béta suffit pour expliquer les
rendements attendus. Ils invalident aussi les propos de Kothari et al (1995) en s’appuyant
sur les tests statistiques faits à partir d’une base de données des sociétés cotées sur le NYSE
entre 1928 et 1993. Les résultats de ces tests montrent que le béta annuel comme le béta
mensuel conduisent aux mêmes conclusions dans l’analyse des rendements.

Ces propos de Fama et French sur l’insuffisance du béta ont motivé Darmon, Khoury et
Martel (1990) qui ont mené une étude afin d’identifier les facteurs sur lesquels se focalisent
les gestionnaires professionnels québécois de portefeuilles pour mesurer le niveau du risque
des placements d’actions ordinaires.

Le béta est la mesure traditionnelle du risque fournit par les théoriciens du CAPM qui
considèrent le risque et le rendement comme les deux principaux caractères des titres
financiers. Cette réduction de l’analyse au couple risque-rendement est une faiblesse du
modèle. En effet, les investisseurs professionnels font recours, outre que le béta développé
par les théoriciens de la finance, à d’autres mesures dont certaines sont intuitives et non
fondées sur une théorie pour apprécier le risque de leurs portefeuilles. Dès lors, une simple
mesure de la sensibilité d’un portefeuille aux fluctuations du marché ne semble pas suffire
pour mettre en évidence l’ampleur du risque systématique qui parait être multidimensionnel.
Des caractéristiques spécifiques à l’entreprise et qui conditionnent sa relation avec le marché
influencent le risque non diversifiable qui ne peut être cerné complètement par le béta qui
est une mesure unidimensionnelle (Darmon et al. 1990).

Dans une étude exploratoire portant sur un échantillon de 57 managers québécois de

portefeuilles de grande taille, Darmon et al. (1990) se sont intéressés aux gestionnaires de
portefeuilles qui œuvrent au niveau stratégique des décisions d’investissement et qui gèrent

37
des portefeuilles importants et diversifiés, à hauteur de 100 millions de dollars. Les analystes
et les courtiers ainsi que les autres gestionnaires n’ayant pas rempli les caractéristiques
citées, ne sont pas retenus dans l’échantillon car ne satisfont pas à la définition du terme de
praticien donnée par ces auteurs. Ils ont administré un questionnaire de 47 variables dont
certaines sont propres aux actions, d’autres aux entreprises émettrices et le restes est propre
à l’état général de l’économie.

Les résultats des tests de Darmon et al. (1990) montrent que les gestionnaires n’analysent
pas le risque avec les mêmes variables. Cependant, l’indice béta est pris conjointement avec
un certain nombre de facteurs communs à tous les gestionnaires ; comme les perspectives
économiques, les perspectives du secteur de l’entreprise et le degré de dépendance du titre à
l’économie. Le premier groupe de gestionnaire retenu dans l’échantillon se focalise à la fois
sur le béta et sur les perspectives économiques. Alors que l’autre groupe se focalise sur le
niveau d’endettement de l’entreprise et la liquidité du titre pour apprécier le risque. Ces
résultats confortent l’idée de la faiblesse du CAPM et de son unique facteur béta pour
apprécier le risque.

Ils soutiennent aussi l’aspect multidimensionnel du risque non diversifiable d’un portefeuille
de titres de Fama et French (1992).

Pour certains auteurs, l’incapacité du béta à expliquer le risque systématique d’un

portefeuille de titres est simplement due à un faible volume de transaction de ces actifs sur
le marché financier, accentué par l’effet de l’intervalle temporel de calcul (Broudriga et El
Gharbi, 2008; Chorhay, 1990).

D’autres auteurs ont poussé leurs tests de vérification du béta sur des marchés africains. En
effet, Boudriga et El Gharbi (2008) essaient non seulement de vérifier l’existence de biais
dus au non-trading, mais de tester le modèle d’estimation du béta le plus approprié parmi
ceux révélés par la littérature. Ils ont fait leurs tests statistiques sur des données de 34 sociétés
cotées à la bourse tunisienne des valeurs mobilières, entre 2002 et 2006.

Dans certains marchés de valeurs mobilières, tous les titres ne sont pas régulièrement
échangés. Ce phénomène s’appelle la transaction manquante ou non-trading. Lorsque
certains titres ne sont pas cotés à chaque séance boursière, cela entraine une autocorrélation
dans les rendements de l’indice boursier. Un volume de transaction faible entraine dès lors

38
un biais dans l’estimation des paramètres comme le béta. En effet, l’irrégularité de la cotation
fait que les bêtas des titres les plus échangés sont biaisés à la hausse, parallèlement ceux des
titres les moins échangés sont biaisés à la baisse.

Sous ce contexte, des modèles ont été élaborés pour corriger le biais observé dans
l’estimation du coefficient béta par la méthode des moindres carrés ordinaires. L’importance
de l’article de Boudriga et El Gharbi (2008) s’explique par l’extension de cette
problématique du béta et du non-trading sur un marché émergeant à l’instar de la bourse
tunisienne. L’utilité des résultats de l’étude se justifie aussi par leur applicabilité aux autres
marchés africains confrontés au problème de la faiblesse du volume de transaction des actifs,
mais aussi à leur usage par les investisseurs désirant évaluer le risque de leurs titres.

Pour identifier la méthode de calcul du béta qui explique le mieux le risque systématique de
ces titres, Boudriga et El Gharbi (2008) ont mis en revue trois modèles que sont le modèle
de marché (c’est-à-dire le modèle classique d’estimation du béta dans le CAPM), le modèle
proposé par Dimson14 et celui de Fowler et Rorke. Malgré ces techniques d’estimation,
l’utilisation de données historiques à un intervalle de temps plus important (comme la
semaine ou le mois) permet de pallier aux effets de non-trading. Cependant, le coefficient
béta calculé sur une longue période comme une dizaine d’années ne capte pas le changement
de risque intervenu en cours de période (Boudriga et al, 2008).

Les résultats obtenus par Boudriga et El Gharbi (2008) révèlent la présence de non-trading
à la bourse tunisienne. L’effet du non-trading sur les titres et plus particulièrement sur les
ceux à faible capitalisation boursière, consistant à auto-corréler les rendements et à générer
un biais dans l’estimation du béta classique est montré par les résultats. Dans le contexte de
la bourse des valeurs mobilières de Tunis, Boudriga et El Gharbi (2008) suggèrent
l’utilisation du modèle de Fowler et Rorke pour estimer le risque de marché.

14
Pour plus d’informations sur le modèle de Dimson et celui de Fowler et Rorke, consulter leurs articles de
recherche qu’ils ont publiés à cet effet :
 DIMSON, E. (1979), “Risk Measurement when Shares are Subject to Infrequent Trading”, Journal of
Financial Economics, 7, 197-226
 FOWLER, D.J. AND C.H. RORKE (1983), “Risk Measurement when Shares are Subject to
Infrequent Trading: Comments”, Journal of Financial Economics, 12, 279-283.

39
Dans la même logique, pour Chorhay (1990), Lorsqu’un béta est calculé sur des données à
intervalles de temps très courts comme des données journalières, le coefficient de risque
systématique trouvé est généralement sous-estimé pour les entreprises à faible capitalisation
boursière et surestimé pour celles ayant une forte capitalisation. Dès lors, définir une
périodicité optimale pour calculer les bétas est un problème crucial car la longueur de
l’intervalle temporel n’est pas neutre dans les estimations du risque systématique des
entreprises.

A cet effet, Albert Chorhay (1990) a testé le modèle de CHMSW 15 qui permet d’ajuster un
béta biaisé du fait de l’effet de l’intervalle. Puis, il a comparé ce modèle avec celui de
Scholes et Williams16. La méthodologie qu’ils ont adoptée dans leur modèle part de
l’hypothèse d’après laquelle le béta obtenu par une régression linéaire simple tend vers sa
juste valeur lorsque l’intervalle temporel retenu dans les calculs augmente. Puis ils ont testé
dans un second temps le modèle d’ajustement du béta qui consiste à définir une relation
entre l’effet d’intervalle sur ce béta et une mesure du caractère étroit de cet intervalle. Cette
méthode de CHMSW est ensuite utilisée par Chorhay (1990) pour ajuster les bétas de toutes
les entreprises de l’échantillon retenu.

Cet auteur a utilisé des rendements journaliers de 250 sociétés belges qui sont cotées à la
bourse Bruxelloise pour une période allant de janvier 1977 à décembre 1985, soit une durée
de 9 ans. L’indice boursier utilisé pour le calcul du béta est une valeur pondérée sur les
rendements des 250 entreprises retenues dans les tests statistiques.

Les résultats de Chorhay (1990) ont montré que l’intervalle temporel à retenir pour que le
béta soit asymptotique, c’est-à-dire une valeur de béta non biaisée par l’effet de l’intervalle,
se situe entre 15 et 20 jours. L’effet d’intervalle est fortement noté sur le niveau du risque
des entreprises belges à faible capitalisation boursière, et il tend à disparaitre lorsque
l’intervalle retenu augmente.

15
Il s’agit d’un modèle d’ajustement du béta biaisé du fait de l’intervalle temporel choisi (non-trading), ce
modèle est proposé par Cohen, Hawawini, Maier, Schwartz, et Withcomb (CHMSW) en 1983 dans un article
intitulé « estimating and adjusting for the intervalling effect bias in beta», publié dans management
science.
16
Voir l’article de Schole et Williams (1977) « estimating betas from nonsynchronous data», journal of
financial economics, vol 5 pp. 309-327.

40
Alors que pour Damodaran (1999), le béta souffre de trois anomalies à savoir la consistance
de l’erreur-type après régression, le reflet de la structure des activités de la firme d’une
période non courante, le reflet de la structure des charges et du niveau de la dette de la période
historique.

Pour pallier ces limites, Damodaran propose un modèle d’estimation du risque systématique
appelé le bottom-up beta. Ce modèle consiste à faire la moyenne des bétas obtenus par
régression d’un ensemble d’entreprises comparables qui sont cotées, puis corriger ce béta de
l’effet de la structure des charges et de l’effet de l’endettement, en fin estimer un béta par
activé. Ce béta par activité est obtenu en pondérant le béta moyen par le poids de l’activité
dans le total des domaines d’activités de l’entreprise.

A la différence des autres théoriciens, Damodaran ne critique pas le CAPM. Il préconise

seulement une correction du béta pour que le modèle d’évaluation soit valide. Il retient à cet
effet, l’attention sur le choix de l’indice boursier et de la périodicité dans les calculs du béta.

Dans la logique du CAPM, les rendements attendus d’un titre sont proportionnels à son
niveau de risque. Autrement dit, plus un actif soit risqué plus élevés seront ses rendements.
Cependant, certains tests menés (dont certains sont déjà cités ci-haut) sur le CAPM n’ont
pas validé la relation positive entre le niveau du risque et les rendements. « Il s’avère que…,
le rapport réel entre rendements/risque était légèrement surprenant comparé aux prédictions
du CAPM. Les titres les moins risqués paraissent gagner un taux de rendement plus élevé et
les titres à haut risque un plus faible taux de rendement que prédite par la théorie » (Grundy
et Malkiel, 1996). Ces arguments de Grundy et Malkiel (1996) sont expliqués à travers la
figure 3.2 ci-après.

41
 Figure 3.2: non corrélation entre rendements et béta
1,34
1,33
1,32 1,32 1,32
Rendements moyens mensuels en %

1,3 1,3
1,29
1,28
1,27
1,26
1,25 1,25 1,25
1,24

1,22

1,2 1,2

1,18
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8
Betas

source: Fama et French (1992)

En effet, les valeurs représentées sur le graphique 3.2 montrent que les rendements moyens
à long-terme ne sont pas corrélés au béta. Cette illustration de Fama et French (1992) repose
sur les rendements moyens mensuels de 1963 à 1990 des sociétés appartenant à l’indice SP
500. Cette figure montre que des rendements moyens de 1,2% ont un niveau de risque béta
de 1,2, au même moment que des rendements moyens de 1,27% soient associés à un béta
de 1,7.

Malgré cette défaillance dans les prévisions faites par le CAPM, Grundy et Malkiel (1996)
considèrent que les rapports sur la mort du béta sont grandement exagérés. En effet, leurs
résultats montrent que le béta reste cependant un outil utile de prévision du risque à court-
terme. Aussi, le ratio béta est utile pour un investisseur rationnel et ayant une aversion au
risque, qui cherche à identifier une mesure qui pourra déceler les potentiels désavantages du
portefeuille.

42
Comme le coefficient béta, la structure du capital aussi a fait l’objet de plusieurs recherches
en finance d’entreprise. Le point ci-après décrit les théories les plus utilisées sur les sources
de financement de l’entreprise, notamment la dette et les capitaux internes.

Section 2: Structure du capital

Le financement des opérations dans une entreprise provient souvent de plusieurs sources.
Le mélange entre ces différentes sources de financement détermine la structure du capital.
Elle est définie comme « une combinaison entre dettes et capitaux propres permettant
d’atteindre les objectifs managériaux de maximisation de la valeur de marché de
l’entreprise », (Bhalla, 1997). Une telle définition renvoie à la structure optimale du capital
qui est « le mix entre dettes et capitaux internes qui minimise le coût du capital », (Bhalla,
1997).

Dans cette section, nous expliquons cette notion de la structure du capital par un ensemble
de théories financières.

Quatre théories principales ont formé l’essentiel de la littérature sur la structure financière
du capital (Luigi et Sorin, 2009). La plus récente est la théorie de l’adaptation du marché
(market timing theory) de Wurgler et Barker en 2002, mais sa première version est apparue
depuis 1984 par la publication de Myers et Majluf. La première étude considérée comme
impulsive de la théorie financière sur la structure du capital est faite en 1958 puis révisée en
1963 par Modigliani et Miller. Elle est fortement approfondie par Myers (1984) puis par
Majluf et Myers (1984) qui ont réussi à populariser respectivement la théorie du compromis
(tradeoff theory) et la théorie du financement hiérarchisé (pecking order theory).

I. Le théorème de Modigliani et Miller

En posant l’hypothèse de la perfection des marchés financiers et de la possibilité de
regrouper les firmes en des classes homogènes (les rendements des titres dans une même
classe sont équivalents et proportionnels) et qu’il n’y a pas de taxes ni des coûts de
transaction, l’article de Modigliani et Miller a pour objet de développer une théorie
financière de l’investissement et de voir ses implications sur le coût du capital et sur la valeur
de la firme.

43
Dans leur première proposition, ces auteurs affirment que la valeur de marché de la firme
est indépendante de sa structure du capital et elle est obtenue en capitalisant ses rendements
attendus à un taux approprié pour chaque classe de firmes.

Ce taux de capitalisation est obtenu en faisant le rapport entre les rendements attendus des
titres et les capitaux investis dans une même classe de firmes.

Dans la suite de leur article, Modigliani et Miller (1958) ont étendu la direction de leurs
propositions. Ils ont expliqué les implications de la déductibilité des charges d’intérêt sur la
valeur de la firme. Lorsque les charges d’intérêt sont déductibles, la valeur de marché des
firmes dans chaque classe d’entreprises est proportionnelle à l’équilibre, à leurs rendements
nets d’impôt attendus.

En 1963, Modigliani et Miller ont publié dans The American Economic Review un autre
article17 qui constate et corrige une erreur commise dans leur papier de 1958. En effet cette
erreur concerne les implications de la structure du capital sur la valeur de la firme lorsque
les charges d’intérêt de l’endettement sont déductibles. Cette nouvelle proposition est
schématisée dans la figure 4.2 suivante.

Figure 4.2 : Proposition de MM en présence d’économie d’impôt

V V1 : MM (1963), effet des charges d’intérêt déductibles sur V

Economie d’impôts sur la société

V0 : MM (1958), neutralité de la dette sur V.

Source : Kartobi 2013

17
F. Modigliani et M. Miller (1963) ”Corporate Income Taxes and the Cost of Capital: A Correction”; The
American Economic Review, Vol. 53, No. 3; pp. 433-443

44
En introduisant la notion de la fiscalité des entreprises, l’adaptation faite en 1963 consiste à
soutenir que l’endettement a toujours un effet positif sur la valeur de la firme à cause des
charges d’intérêt à l’emprunt qui sont déductibles. La valeur d’une entreprise endettée est
dès lors égale à la valeur au quelle elle serait évaluée en l’absence de dette, majorée des
économies d’impôts sur charges d’intérêt.

En somme, Modigliani et Miller (1963) ont fortement comblé les résultats de leur article
initial sur la structure du capital en 1958 d’après lesquels l’endettement n’a aucun effet sur
la valeur de la firme concernée. Et cette indépendance s’explique par le fait que les bienfaits
de l’augmentation de l’endettement, soient négativement compensés voire annulés, par
l’accroissement du risque de défaillance qu’elle engendre. Ces deux auteurs en 1963
soutiennent que l’endettement a toujours des effets positifs sur la valeur de la firme
lorsqu’elle paie de l’impôt. En effet, les charges d’intérêt de la dette font bénéficier aux
actionnaires une « prime fiscale à l’endettement » lorsqu’elles sont déductibles.

II. Théorie du compromis, « Tradeoff theory »

Dans la logique de poursuivre les recherches initiées sur la structure du capital, Myers
(1984) a contribué à la modélisation d’une nouvelle théorie financière sur la structure du
capital. Partant de la correction de Modigliani et Miller (1963) concernant les implications
du niveau de la dette sur la valeur de la firme en présence d’impôt, cette théorie est
développée dans le but d’expliquer le processus de la recherche d’un ratio d’endettement
optimal. La figure 5.2 suivante montre les fondements théoriques formulés par Myers sur la
structure optimale du capital obtenue par compromis.

Myers (1984) préconise qu’en plus des avantages fiscaux obtenus du fait de la déductibilité
des charges d’intérêt, le financement par endettement augmente les coûts de détresse
financière. Ces coûts font références aux charges de défaillance supportées par l’entreprise,
plus précisément les coûts de faillite et les coûts d’agence qui surviennent lorsque la
solvabilité de l’entreprise est mise en doute.

45
Valeur (V) Figure 5.2 : la théorie du compromis (tradeoff theory)

Valeur de la firme endettée en l’absence de coûts de détresse financière

V1 : Valeur optimale de la firme sous TO theory

V1 L’effet des coûts de détresse financière

L’effet de l’avantage fiscal de l’endettement

V0 V0 : valeur de la firme non endettée

Dette optimale Dette (D)

Source : Myers (1984)

Le ratio d’endettement optimal résulte dès lors, de l’arbitrage effectué entre les avantages
fiscaux de déductibilité des charges d’intérêt et les coûts de défaillance (Myers 1984, 2001).
Cette explication du ratio d’endettement optimal est appelée la théorie du compromis ou
théorie de la structure optimale du capital (tradeoff theory).

La théorie du compromis a pour objet la détermination de la structure optimale du capital

susceptible de maximiser la valeur de la firme. D’après cette théorie, la firme pourra
emprunter jusqu’à un niveau selon lequel l’économie marginale d’impôt procurée par un
endettement additionnel soit juste annulée par la valeur actuelle des coûts de défaillance
supplémentaires, (Myers, 2001).

Dans son article intitulé «capital structure» (2001), Myers explique les résultats des tests
statistiques faits ensemble sur la théorie du financement hiérarchisé (pecking order theory)
et la théorie du ratio optimal d’endettement (tradeoff theory). Sur un échantillon de 157
firmes, Shyam-Sunder et Myers (1999)18 ont fait ces tests de prédictions en séries
chronologiques entre 1971 et 1989. Leurs résultats confortent significativement les deux
théories (pecking order and tradeoff theories) lorsqu’elles sont utilisées ensemble.

18
D’après Myers (2001), «capital structure» journal of finance

46
Cependant ces conclusions suscitent des questions. « Pourrons-nous conclure que ces
théories sont compatibles avec la structure financière des firmes de l’échantillon testé ; ou
encore si une de ces théories est fausse les résultats de l’autre seront-ils erronés ? » (Myers,
2001).

III. Théorie du financement hiérarchisé, « pecking order theory »

Il existe une asymétrie d’information entre le gestionnaire de la firme et les apporteurs de
capitaux. Cette asymétrie se traduit par des comportements opportunistes qui se reflètent sur
la détermination de la structure financière. En effet, le manager préfère le financement par
fonds propre d’abord, puis par endettement et enfin par émission d’actions nouvelles. Cette
hiérarchisation des sources de financement lui permet d’éviter au plus possible les
contraintes liées à une surveillance par les actionnaires et les prêteurs. Quant aux
actionnaires existants, le financement par ouverture du capital à de nouveaux actionnaires
diminue leur participation dans le capital de l’entreprise. Ils préfèrent alors le financement
par emprunt puis l’autofinancement et en fin par augmentation du capital. La question qui
se pose est de savoir la hiérarchisation des sources de financement qu’il faut appliquer.
Autrement dit, comment classer les sources de financement par ordre de priorité. La théorie
du financement hiérarchisé a apporté une réponse à cette problématique, le classement
préconisé est à cet effet montré par la figure 6.2 qui suit.

47
Figure 6.2: la théorie du « pecking order », hiérarchisation des sources de financement par
ordre de priorité.

•le comportement opportinuste du manager fait qu'il choisira d'abbord le

financement interne au détriment des autres sources de financement.
•l'asymétrie d'informations entre managers et apporteurs de capitaux se manifeste. Le
1er. financement par
fonds propres manager évite le plus possible les contraintes de surveillance.

• s'endetter lorsqu'il est impossible de se financer par capitaux propres.

•le manager est beaucoup plus contraint par la surveillance des apporteurs de
2nd. financement capitaux
par endettement

• Le dernier recours est l'ouverture du capital par émission de titres nouvelles, car:
•la part de la participation des anciens actionnaires dans le capital risque de diminuer,
3ème. financement •risque de divulguer sur le marché des informations nuisibles à l'entreprise,
par émissions de •risque de sous/surévaluer les nouvelles actions émises
nouvelles actions

Source : Compilation de l’auteur à partir de Myers et Majluf (1984)

Les travaux de Myers (1984), Myers et Majluf (1984) ont conduit au développement d’une
nouvelle théorie sur la structure financière du capital. Ces chercheurs ont élaboré un modèle
considérant un ensemble de firmes qui sont toutes cotées sur le marché financier. Le marché
détermine la valeur des actions qui est obtenue en faisant la moyenne de la valeur de toutes
les firmes. Pour évaluer un projet d’investissement, les investisseurs s’intéressent à la VAN
ayant un signe positif. Pour financer ce projet, le prix des nouvelles actions émises sera
sous-évalué ou surévalué puisqu’il s’agit d’une valeur moyenne déterminée par le marché
financier. L’asymétrie d’informations se manifeste car les managers connaissent la valeur
de la firme plus que les potentiels investisseurs. Dans une situation pareille, la théorie du
financement hiérarchisé pose une hypothèse selon laquelle les gestionnaires agissent dans
l’intérêt des anciens actionnaires. Elle propose l’utilisation des ressources financières
internes comme source de financement.

Pour les entreprises à faible capacité d’autofinancement, le recours aux ressources externes
par emprunt est prioritaire. L’ouverture du capital en émettant des actions nouvelles est

48
exclue par cette théorie sauf, lorsque les managers ne disposent pas d’informations qu’ils ne
souhaitent pas divulguer au marché ou encore lorsque le prix d’émission est si élevé au point
qu’il ne porte pas atteinte aux actionnaires existants (Myers et Majluf, 1984).

En somme, la théorie du financement hiérarchisé (ou pecking order theory) est un modèle
développé par Myers et majluf (1984) qui est basé sur une asymétrie d’information et des
managers qui agissent sous l’intérêt des actionnaires anciennes au détriment de nouveaux.
Cette théorie explique plusieurs comportements des entreprises y compris la tendance de
s’appuyer sur des fonds internes et de préférer l’endettement au capital lorsque le
financement externe est requis.

IV. La théorie de « Market timing »

Le market timing est une pratique financière qui consiste à faire des prédictions sur les
variations futures du marché pour céder les titres lorsque leur valeur augmente et en acquérir
lorsque leur cours diminue. Le market timing consiste aussi à faire des opérations
d’arbitrage permettant de tirer profit des éventuels écarts existants entre la valeur comptable
et la valeur de marché des titres. Autrement dit, cette méthode réside dans une étude du
marché afin de déterminer le moment opportun que doit intervenir l’investisseur sur le
marché pour vendre lorsque les titres augmentent en valeur, et pour acheter au cas contraire.

Dans leur article publié en 2002, Barker et Wurgler ont analysé comment le principe de
l’adaptation du capital au marché (market timing equity) affecte la structure financière du
capital.

Dans la pratique, l’approche de l’adaptation des capitaux au marché est d’une importance
capitale dans la politique financière de l’entreprise. Des études sur le market timing ont à cet
effet conduit aux résultats suivants.

Premièrement, des analyses actuelles des décisions financières montrent que les entreprises
tendent à émettre des actions au détriment des dettes lorsque leur valeur de marché est en
hausse et en acquérir quand elle baisse.

Ensuite, l’analyse des décisions en finance d’entreprise portant sur les rendements des titres
à long terme révèle que le market timing est en moyenne réussi.

49
Troisièmement, des analyses sur les rendements attendus et les cessions de titres réalisées
défendent que les entreprises ont tendance à céder des actions lorsque les investisseurs sont
dans l’enthousiasme des rendements attendus.

Cet article a développé une nouvelle théorie sur la structure financière du capital. Cette
théorie appelée market timing theory a permis de montrer que la structure du capital découle
d’une accumulation des décisions financières prises dans le passé en fonction du contexte
du marché.

Il existe deux versions de la théorie du market timing qui ont précédé celle de Barker et
Wurgler (2002).

La première développée par Majluf et Myers (1984) considère une rationalité des
investisseurs et des gestionnaires avec des coûts de sélection adverse qui varient avec le
temps ou selon les entreprises. Afin d’expliquer leurs résultats, ces auteurs sont partis d’un
constant selon lequel les fluctuations temporaires du ratio de la valeur de marché sur la valeur
comptable (market-to-book ratio) mesurent les variations de la sélection adverse.

La seconde version du développement du market timing suppose une irrationalité des

investisseurs et des manageurs et ils ne prennent pas les bonnes décisions financières. Dans
cette interprétation de la théorie, ces agents achètent les titres lorsque leurs cours sont en
hausse et les cèdent lorsqu’ils sont en baisse.

Pour expliquer les résultats obtenus sur les effets du market timing, Barker et Wurgler (2002)
supposent que la structure financière du capital est le résultat des tentatives, dans le passé,
de prévisions de la valeur de marché du capital. Dans leur théorie, il n’y a pas de structure
optimale de capital ni de ratio-cible de structure du capital.

Ils ont testé leurs hypothèses à partir de données en panel concernant d’entreprises qui sont
sur la base de données de CAMPUSTAT19 entre 1968 et 1999. Mais ce sont uniquement
les firmes dont leur IPO (date d’introduction en bourse) est connue. Les tests statistiques
sont commencés avec un échantillon initial de 2839 firmes, à la dernière année du panel
l’échantillon est finalement égal à 715.

19
Base de données nord-américaine, d’informations statistiques et financières des entreprises du monde
depuis 1962. Elle inclut même les entreprises inactives

50
Le ratio valeur de marché sur valeur comptable est utilisé pour mesurer les opportunités
perçues par le gestionnaire qui adapte ses décisions d’investissement en fonction du contexte
du marché. Les résultats de Barker et Wurgler (2002) ont montré que les firmes à faible
ratio d’endettement sont souvent celles qui effectuent des levées de fonds (en trouvant des
financements externes par augmentation de capital) lorsque la valeur de marché de leurs
titres augmente. Inversement, les firmes à haut ratio d’endettement sont celles qui ont
tendance à lever des fonds lorsque leur valeur baisse. Les tests statistiques ont aussi révélé
que, les fluctuations des valeurs de marché des titres ont un effet significatif et persistent
pendant au moins une décennie sur la structure du capital.

Nous venons de présenter les théories financières majeures sur la structure du capital. Cette
présentation nous conduit à la dernière section de cette partie théorique consacrée à la
relation entre la structure financière et le béta, ainsi qu’à leurs implications sur la firme.

Section III. La structure du capital et le beta : relation et

implications

I. Relation entre béta et structure du capital

A notre connaissance, il existe peu de recherches qui ont étudié directement la relation
existante entre la structure financière du capital d’une entreprise donnée et le niveau du
risque systématique de ses titres. Ces études sous l’impulsion de Robert Hamada, ont mené
une analyse approfondie sur une problématique transversale entre la finance de marché et la
finance d’entreprise.

Hamada (1972) a développé un modèle statistique qui permet de mettre en évidence les
effets de l’endettement sur le risque systématique. Son modèle permet d’estimer un béta
d’une entreprise désendettée à partir du béta obtenu lorsque cette entreprise s’endette.
Cependant ses tests sont faits sur de grandes entreprises de la base de données de
CAMPUSTAT, la portée de ses résultats dans le contexte d’un marché ouest africain comme
le GSE est méconnue.

Hill et Stone (1980) ont étendu les recherches théoriques et empiriques menées jusque-là, en
s’intéressant à la relation entre le béta du risque systématique obtenu par données comptables
et le béta calculé sur la base de valeurs de marché, mais aussi sa liaison avec la structure

51
financière. Ils ont pu développer dans leur article un modèle économétrique permettant de
tester empiriquement les implications de la structure financière sur le risque systématique,
en partant des travaux de Hamada (1972) et de Modigliani-Miller (1958, 1963). Ils montrent
que la structure financière et le risque opérationnel permettent de prédire la valeur future du
béta car leurs variations affectent, d’une période à une autre, significativement le risque
systématique.

D’autres études comme celles effectuées par Mandelker et Rhee (1984) ; Gahlon et Gentry
(1982) ont aussi abouti aux résultats selon lesquels le niveau du ratio de la structure
financière et celui de la structure des charges expliquent une part importante des variations
du coefficient béta. Ces recherchent considèrent à la fois la structure financière du capital et
la structure des charges comme des déterminants du risque systématique utiles pour les
managers de portefeuilles.

Alaghi (2011) est revenu sur l’intérêt des études comme celle de Mandelker et Rhee (1984)
qui se sont focalisées sur des données comptables pour estimer le risque systématique. Selon
Alaghi, l’instabilité dans le temps du béta calculé par valeurs de marché montre sa faiblesse
à prédire le risque futur, aussi les modèles classiques d’évaluation des actifs comme le
CAPM n’ont pas spécifié les facteurs opérationnels et de contingence qui influencent le
risque. Dans le but d’étudier l’effet de la structure financière sur le risque systématique des
sociétés cotées à la bourse des valeurs mobilières de Téhéran, Alaghi (2011) confirme
qu’une hausse de l’endettement affecte positivement le béta de ces sociétés.

II. Implications du niveau du béta et de la structure du capital

sur la firme
La littérature existante est plus intéressée par les effets de la structure du capital et du béta
sur la valeur de la firme, et particulièrement sur les rendements des titres cotés.

En effet, Bhandari (1988) a réalisé dans ce sens une étude importante sur les données de
CAMPUSTAT de 1948 à 1979 pour analyser l’effet du niveau du ratio d’endettement sur
les rendements attendus des titres ordinaires. Il conclut que les rendements attendus sont
positivement liés au ratio d’endettement qui est contrôlé par le béta et la taille de la firme.
En plus, cette variation d’après Bhandari n’est sensible ni à la technique d’estimation ni aux
variations de l’indice du marché.

52
Une dizaine d’années plus tard (en 1997), Bruto, Merikas et Prasad ont étudié l’efficacité
d’une perspective stratégique de la structure du capital, par une investigation sur le contrôle
du risque systématique des firmes dans le long terme à travers un ajustement de leur structure
financière. La contribution de leur étude est qu’elle examine « l’échange ou le compromis »
qui existe entre la structure des charges et le levier financier pour un contrôle à long terme
du niveau du béta.

Sous la logique de Bruto et al. (1997) la stratégie occupe de plus en plus une place importante
dans la prise des décisions de gestion, dès lors, les objectifs financiers sont conséquents
dans les objectifs stratégiques de l’entreprise.

Après des tests statistiques sur des données d’entreprises cotées et appartenant à l’indice
Standard and Poor’s 500, Bruto et al. (1997) ont montré qu’à travers une sélection de la
structure des actifs et de la dette, le risque systématique est contrôlé et influencé par le
management.

Quant à Aggelidis, Maditinos et Theriou (2004) ils ont limité leurs recherches empiriques
sur la bourse d’Athènes en examinant la relation entre le béta et les rendements des titres.
Leur étude a comme objet d’examiner la capacité du béta à mesurer le risque systématique
selon que le marché soit haussier ou baissier. Le marché est considéré comme
haussier/baissier (up/down market) lorsque la différence entre le taux de rendement d’un
titre ou d’un portefeuille de titres est supérieur/inférieur au taux de rendement sans risque.

Les résultats de l’étude d’Aggelidis et al. (2004) ne confortent pas l’hypothèse du CAPM
selon laquelle il existe une relation linéaire et positive entre les rendements espérés et le
coefficient béta. En effet, une relation positive et significative est notée entre les rendements
des titres et les bétas uniquement lorsque le marché est haussier (up market). Cependant
lorsque le marché est baissier (down market), la relation devient inverse (négative).

Pour que les rendements soient positivement corrélés au béta, il faut deux conditions
fondamentales. La première est que la moyenne de l’excès des rendements de marché
(excess market returns) doit être positive ; l’autre condition est que la prime de risque du
marché haussier et celle du marché baissier doivent être symétriques (Aggelidis et al. ,2004).

53
Des études menées en contexte asiatique ont confirmé les résultats de Bhandari (1988). C’est
le cas de Hutagaol et Sari (2009) qui, à partir des analyses de données de 12 entreprises du
secteur de l’alimentation et de la boisson cotées à l’Indonesian Stock Exchange durant la
période 2003-2008, ont affirmé une influence insignifiante mais positive du ratio
d’endettement sur les rendements de ces entreprises.

Une analyse pareille est faite en contexte français et est arrivée à des résultats contraires à
ceux de Hutagol et Sari (2009) et Bhandari (1988). L’article de Kebewar (2012) qui a pour
objet de déterminer l’effet de la structure du capital sur la profitabilité des entreprises
françaises, a abouti à des résultats selon lesquels la structure du capital n’a aucun effet sur
la profitabilité des entreprises industrielles françaises entre 1999 et 2006, quelle que soit la
taille de l’entreprise.

Plus récemment Chambers, Karaaslan et Sezgin (2013) se sont différenciés de Hamada

(1972). En effet leur but était d’identifier si, le coefficient béta représentant le risque
systématique dans le MEDAF et la structure du capital faisant parti des facteurs spécifiques
à l’entreprise, influencent les rendements des titres.

Les résultats de Chambers et al. (2013) montrent une relation positive statistiquement
signifiante entre le béta et les rendements nominaux comme réels. En outre une
augmentation du béta augmente parallèlement les rendements.

Certaines recherches faites dans le contexte ouest africain et plus précisément sur la bourse
des valeurs mobilières de Ghana (Awunyo-Vitor et Badu, 2012 ; Antwi, Mills et Zhao ;
2012) ont contredit le théorème de Modigliani et Miller (1958).

En effet, Awunyo-Vitor et Badu (2012) ont porté leur recherche empirique sur les banques
cotées au GSE, notamment sur la relation entre la structure de leur capital et leur performance
entre 2000 et 2010. Les banques cotées au GSE sont fortement endettées, en moyenne 87%
de leurs capitaux sont constitués de dettes et il existe une relation négative entre la structure
du capital et la performance de ces sociétés financières, (Awunyo-Vitor et Badu, 2012).

Quant aux résultats de Awunyo-Vitor et Badu (2012), elles sont contraires aux révélations
de Antwi, Mills et Zhao (2012). Ces derniers ont réalisé leurs tests sur une base de données
relative aux informations de 35 sociétés cotées à la bourse du GSE au terme de l’année 2010.

54
Ils cherchaient l’impact de la structure du capital sur la valeur de marché de ces firmes. Selon
Antwi et al. (2012), ces sociétés sont appelées à faire une comparaison entre l’effet positif
marginal de s’endetter à long terme et le coût marginal supporté. En effet, la valeur de
marché des sociétés du GSE est positivement impactée par leurs dettes à long-terme, (Antwi
et al ; 2012).

55
Chapitre III : Méthodologie
Dans cette partie, nous allons expliquer et décrire les données avec lesquelles les tests sont
effectués. Après avoir fait des précisions sur la source de collecte de ces données et mené
des explications sur la population de recherche, la dernière section de ce chapitre sera
consacrée à la présentation des modèles à tester.

Section I : Présentation des données et de la population de

recherche.

La population sur laquelle porte cette étude est composée des sociétés non financières cotées
au marché principal du GSE. En raison du nombre limité des entreprises de ce marché, nous
n’avons retenu aucun critère de sélection portant sur les secteurs d’activité (non financiers)
ou la taille de ces sociétés.

Nous avons choisi la bourse ghanéenne à cause de sa croissance rapide malgré qu’elle ne
soit pas une bourse régionale (voir chapitre I), elle a commencé la cotation en continu depuis
2008. En plus, le GSE a un fonctionnement assez particulier, comparé aux autres bourses
ouest africaines comme la BRVM. Ce fonctionnement est déterminé en partie, par son
compartiment en trois marchés. Le marché principal sur lequel les titres des sociétés sont
cotés sous certaines conditions, est cogéré par deux autres marchés dédiés à la cotation des
titres à revenus fixes et des titres des PME et startups.

Notre étude porte sur les données mensuelles de ces sociétés. La période d’analyse s’étend
sur cinq (5) ans et elle est comprise entre le 01 janvier 2011 et le 31 décembre 2015, soit 60
mois au total.

Nous avons choisi cette période pour deux raisons principales.

Il s’agit d’abord du changement de l’indice boursier, le GSE-ASI qui est remplacé par le
GSE-CI en 2011. Pour éviter de travailler sur deux indices différents, on a choisi de faire
nos analyses sur les données boursières postérieures à l’année 2010.

La seconde raison est le fait qu’il soit souvent recommandé d’utiliser des données sur le
plus d’observations possibles pour estimer le beta du risque systématique. Cependant

56
l’utilisation de données journalières peut causer un effet de transaction manquante (non
trading) lorsqu’un nombre important des titres du marché ne soit pas régulièrement échangé,
entrainant un biais dans les résultats obtenus (Boudriga et El Gharbi ; 2008). Hormis le
nombre d’observations, l’intervalle temporel à retenir n’est pas neutre dans le calcul du béta
(Chorhay, 1990). Bartholdy et Peare (2005) ont montré que l’utilisation de données
mensuelles sur une période de cinq ans permet de faire une meilleure estimation, c’est alors
la durée et la fréquence appropriées.

Toutes les données utilisées dans nos tests sont issues de la base Thomson Datastream à
l’exception des indices boursiers obtenus à partir des rapports mensuels du GSE (monthly
market report).

A partir de l’échantillon de départ de 35 sociétés, on a procédé au nettoyage des données en

utilisant la procédure de Ince et Porter (2006). En effet, Ces auteurs ont évalué la fiabilité
des données issues de la base Thomson Datastream (TDS) qui sont utilisées dans les
recherches académiques, en procédant à une comparaison avec celles de la base de données
Center for Research in Security Prices (CRSP) de l’université de chicago. Leur objectif n’est
pas d’évaluer la valeur relative de ces bases de données, mais plutôt d’identifier les
conséquences significatives de l’utilisation des données puisées au Thomson Datastream
relatives aux titres des marchés non américains.

TDS arrondit les valeurs décimales à l’unité la plus proche, ce qui entraine une indifférence
des données obtenues lorsque leur valeur est très basse (Ince et Porter ; 2006). Pour corriger
cette erreur, nous avons supprimé toutes les observations pour lesquelles les données
mensuelles sont inférieures à 1 dollar U.S.

Nous avons aussi supprimé toutes les données concernant les 10 entreprises du secteur
financier, y compris les banques et les assurances. En effet, ces entreprises ont un caractère
atypique en matière de structure financière de capital. Le secteur financier et
particulièrement les banques, joue un rôle déterminant d’intermédiation financière consistant
à recueillir des ressources et de mettre des fonds à la disposition des tiers. Ce rôle fait du
secteur financier un domaine très réglementé au point que les sociétés qui y évoluent ne sont
pas autonomes dans la détermination financière de la structure de leurs capitaux. Ces
contraintes auxquelles s’ajoutent des aspects comme la surveillance permanente de la

57
Banque centrale qui est le préteur de dernier ressort en cas de crise, expliquent l’aspect
atypique des entreprises financières. Pour ces raisons, les inclure dans notre échantillon
d’analyse risque de biaiser nos résultats en nous conduisant à des interprétations fausses.

Au final, notre échantillon est composé de 16 sociétés non financières, soit 960 observations
au total formant un panel non cylindré sur la période de 2011 à 2015 après suppression des
observations pour lesquelles il y avait beaucoup de variables manquantes et des observations
des entreprises du secteur financier. Les sociétés non financières cotées au GSE étant au
nombre de 25, notre échantillon final en représente 64%, soit plus de la moitié de ces
entreprises.

Le tableau suivant résume l’échantillon final retenu et les raisons pour lesquelles les autres
sociétés y sont écartées.

Tableau 1.3 : présentation de l’échantillon

Nombres de Secteurs Supprimées ou Retenues de Raisons de la

Sociétés l’échantillon suppression

10 Financier Supprimées Caractère financier

9 Secteur non financier Supprimées Beaucoup de

données manquantes

16 Secteur non financier Retenues

(échantillon
final)

Source : compilation de l’auteur à partir des données issues de TDS

Le tableau 1.3 explique les deux raisons principales de la réduction de notre échantillon à 16
sociétés. Ces raisons sont le manque de données nécessaires et l’appartenance au secteur
financier.

Section II : Présentation des modèles

Dans cette section, nous allons présenter le modèle général testable. Notre analyse
personnelle nous pousse à accepter fortement que ce modèle est incomplet, pour cette raison,

58
nous allons tenter dans cette partie de formuler un modèle alternatif en s’appuyant sur des
recherches déjà faites dans ce domaine.

I. Formulation du modèle général

Pour tester la relation entre béta et la structure financière du capital nous allons utiliser le
modèle de Hamada (1972) formulé comme suit :
𝑺
𝜷𝒖 = 𝜷 (𝑺𝒖) (7)

 : représente le coefficient de sensibilité du titre par rapport aux fluctuations du marché,

permettant de mesurer le niveau du risque systématique. La méthode de calcul de  est déjà
formulée dans le second chapitre de ce mémoire, il s’agit de la relation (6).

𝛽𝑢 représente le risque systématique de la firme corrigé de l’effet de la dette financière.

𝑆𝑢 et 𝑆 sont respectivement la valeur de marché des titres avant et après que la firme ne soit
endettée.

Cependant la valeur de marché des titres avant que la firme ne se finance par endettement
(𝑆𝑢) n’est pas directement observable pour une société déjà endettée. C’est à ce niveau que
Hamada (1972) comme Hill et Stone (1980) se sont appuyés sur une hypothèse de
Modigliani et Miller (1958) pour estimer 𝑆𝑢. Dans leur proposition I, Modigliani et Miller
ont considéré que la valeur de marché de n’importe quelle firme est égale à la somme de sa
capitalisation boursière et du montant de sa dette.

En intégrant l’effet de l’impôt sur charges d’intérêt, puisque la firme non endettée perd cet
avantage fiscal, alors 𝑆𝑢 est estimée comme suit :

𝑺𝒖 = 𝑺 − 𝒕𝑫 + 𝑫 = 𝑺 + (𝟏 − 𝒕)𝑫 (8)

Avec D représentant la valeur de marché de la dette et 𝑡 le taux d’imposition.

En remplaçant 𝑆𝑢 par sa valeur dans (7), le modèle général de Hamada formulé permettant
de faire la relation entre 𝛽𝑢 et 𝛽 est présenté comme suit :
(𝟏−𝒕)𝑫
𝜷 = (𝟏 + ) 𝜷𝒖 (9)
𝑺

59
Cependant, ce modèle de Hamada (que nous appelons désormais modèle MH) ne prend pas
en compte les coûts de détresse financière occasionnés par l’endettement. Pour remédier à
ces limites nous allons intégrer dans un autre modèle (appelé désormais Modèle de Hamada
Révisé – MHR-) l’évaluation des coûts de détresse financière faite par Fernandez (2003).

2. Formulation d’un modèle alternatif (MHR)

La relation positive entre l’endettement et la création de valeur de l’entreprise (Modigliani
et Miller ; 1963), est exclusivement basée sur la déductibilité des charges d’intérêt, un
phénomène bénéfique pour l’entreprise. Leur démarche est utilisée par Hamada (1972) alors
qu’elle ne tient pas compte de l’effet négatif éventuel qui découle de la dette (Clère ; 2016).
En effet, la prime fiscale à l’endettement, « tax shield », est accompagnée d’une hausse de
risque de défaut de l’emprunteur (Myers, 1984 ; Clère, 2016) et d’une dispersion des
rendements des capitaux propres (Clère, 2016). Ce compromis entre les avantages fiscaux et
les coûts de détresse financière a réorienté depuis les années 80 les analyses portant sur la
structure du capital. En effet, la théorie du compromis ou tradeoff theory, a suscité un
raisonnement complémentaire aux travaux de Modigliani et Miller (1963) en invitant à une
réflexion sur les conséquences perverses de la dette allant au-delà des bienfaits occasionnés
par les économies d’impôt de l’endettement.

La relation de Hamada (1972) selon laquelle le béta désendetté (𝛽𝑢) est égale au béta endetté
ou de levier financier (𝛽) pondéré par le rapport entre la valeur de la firme endettée et la
𝑆
valeur qu’elle aurait si elle ne disposait pas de dette −𝛽𝑢 = 𝛽 (𝑆𝑢) − est généralement

acceptée et utilisée par les praticiens. Cependant, sa référence à la théorie de Modigliani et

Miller pour estimer la relation entre la valeur de l’entreprise (𝑆) et la valeur qu’elle aurait
sans endettement (𝑆𝑢) lui conduit à un raisonnement incomplet.

En suivant la démarche de Clère (2016), la relation 𝑆𝑢= 𝑆 + (1 − 𝑡)𝐷 formulée par Hamada
(1972) est erronée. Il est nécessaire de tenir compte des coûts de détresse financière dans la
détermination de la valeur de l’entreprise non endettée (𝑆𝑢).

En réalité, l’augmentation de la dette occasionnant une hausse des économies d’impôt sur
les frais financiers accroit parallèlement le risque d’insolvabilité et de faillite dû au surplus

60
d’intérêts à payer et de capitaux à amortir. Cette vision est au cœur de la formulation de la
théorie du compromis.

Selon Fernandez (2003), la valeur de l’entreprise (𝑆) est égale à la valeur qu’elle aurait au
cas où elle n’était pas endettée (𝑆𝑢) ajoutée à la valeur de l’économie d’impôt sur
endettement (𝐸𝑖) à la quelle est déduite le coût de risque de détresse financière (𝐷𝑓).

D’où 𝑆 = 𝑆𝑢 + 𝐸𝑖 − 𝐷𝑓

Pour faire simple, nous allons supposer que la valeur de l’économie d’impôt (𝐸𝑖) et celle
des coûts de détresse financière (𝐷𝑓) sont stables, autrement elles ne sont pas évaluées par
une rente perpétuelle comme dans le cas des formulations faites par Fernandez (2003).
Alors :

𝐸𝑖 = 𝑡𝐷

20𝐷𝑓 = 𝐷(1 − 𝑡)(𝐾𝑑 − 𝑅𝑓)

21𝑆𝑢 = 𝑆 + 𝐷 − 𝑡𝐷 + 𝐷(1 − 𝑡)(𝐾𝑑 − 𝑅𝑓)

𝑺𝒖 = 𝑺 + 𝑫(𝟏 − 𝒕)[𝟏 + (𝑲𝒅 − 𝑹𝒇)] (10)

Avec : 𝐾𝑑 : le coût de la dette

𝑅𝑓 : le taux de rentabilité de l’actif sans risque

Alors que la formule de Hamada (1972), que nous avons déjà présentée, tient compte de
l’économie d’impôt (𝐸𝑖) comme l’unique facteur qui différencie la valeur de l’entreprise

20
Cette évaluation est issue du papier de Clère Roland (2016).
21
Pour comprendre cette relation, il faut partir du principe selon lequel S=Su à l’absence de dette, avec S la
valeur de l’entreprise A et Su la valeur de l’entreprise B. Si A s’endette et que les couts de détresse financière
sont nuls, alors la différence entre les deux entreprises est seulement due aux économies d’impôts que va
bénéficier A : Su=S+D-tD=S+(1-t)D.
En intégrant les coûts de détresse financière qui sont évalués comme suit à l’absence d’impôt : Df=D(Rd-Rf)
alors ces coûts viennent augmenter la valeur de B. Avec un taux d’imposition (t), la valeur supplémentaire de
B occasionnée par l’absence de coûts de détresse financières sera réduite de t et est égale à (1-t)(Rd-Rf) car
elle ne bénéficie pas d’économie d’impôt sur charges d’intérêt. Dès lors la valeur de B est évaluée comme
suit : Su=S+D-tD+(1-t)(Rd-Rf)= Su=S+D(1-t)[1+(Kd-Rf)]

61
endettée à celle totalement financée par fonds propres. La relation (10) a montré que le
modèle de Hamada est incomplet car il n’a pas déduit les coûts de détresse financière qui
réduisent la valeur de l’entreprise endettée.

Nous allons aussi tester dans nos travaux ce dernier modèle que nous appelons modèle
Hamada révisé (MHR) dont sa seule différence avec le premier modèle (MH) réside de la
relation (10), c’est-à-dire de la prise en compte de 𝐷𝑓. L’utilisation des deux modèles nous
permettra de faire à tout moment des comparaisons afin de se prononcer sur la pertinence
des limites constatées sur le modèle général (MH).

3. Justification du choix du modèle

Il existe différentes manières de formuler un modèle testable statistiquement et qui permet
de trouver la liaison entre structure du capital et risque non diversifiable. Beaucoup d’entre
elles sont expliquées par Hamada (1972). Cependant, chacune de ces méthodes présente un
aspect inévitable qui peut rendre difficile l’étude voire impossible.

La première consiste à utiliser l’approche de Modigliani et Miller qui estime le taux de

rendement attendu pour chaque classe de firmes. Ce taux de rendement est aussi interprété
comme étant le taux de capitalisation du marché et est le même pour chaque groupe
d’entreprises comparables dans l’industrie. Ce taux est assimilable au béta du risque
systématique de l’entreprise non endettée. La différence entre ce ratio et le béta obtenu après
changement de la structure du capital peut être due à l’effet de l’endettement.

La seconde approche consiste à identifier des variables comptables et de levier financier

susceptibles d’expliquer le ratio du risque systématique qui est la variable expliquée, puis
faire une régression.

Il est possible aussi de mesurer le risque systématique avant et après que la firme ne soit
endettée. La différence qui existerait entre les deux ratios de risque sera imputable à l’effet
de la dette.

Cependant ces trois méthodologies ne sont pas fiables d’après Hamada (1972). Appliquer
l’approche de MM (1958) nécessite le regroupement des différentes entreprises en classes
de risque. Il faut aussi estimer les rendements attendus. Ces travaux préliminaires sont

62
délicats et impossibles d’être faits avec exactitude, donc la première méthodologie est
inutilisable.

Pour faire une régression, il faut au préalable savoir les variables à inclure dans le modèle et
la nature même du modèle.

En fin, l’écart entre le risque systématique avant et après que la firme ne soit endettée peut
être influencé par d’autres variables différentes de celles de la dette. Pour une telle raison,
cette méthode n’est pas fiable.

Les contraintes associées à ces différentes méthodes nous poussent à choisir le modèle
formulé par Hamada (1972) à partir duquel nous avons construit un modèle approfondi pour
estimer le risque systématique corrigé de l’effet de la dette. L’avantage associé à l’utilisation
de ce modèle est le fait que la condition nécessaire de sa faisabilité est déjà validée. Cette
condition consiste à tester la validité de la proposition de Modigliani et Miller (1958) pour
estimer la valeur de la firme non endettée (𝑆𝑢).

4. Schéma de la recherche
L’objectif du développement de ce dernier point du chapitre est d’expliquer la méthode qui
sera adoptée plus loin pour déterminer la relation entre béta et structure du capital.

Les deux modèles présentés (MH et MHR) seront utilisés pour estimer les coefficients du
risque de marché obtenus (béta) corrigés de l’effet de la dette. Notre objectif n’est pas de
chercher les facteurs qui déterminent la structure du capital et qui sont susceptibles d’avoir
un impact sur le niveau du risque non diversifiable (béta). Nous cherchons plutôt l’existence
d’une relation entre le risque de marché (béta) et la structure du capital, ainsi que le sens de
la relation si elle existe. Pour cette raison, nous allons faire à travers des techniques
statistiques une analyse entre le risque de marché obtenu (𝛽) et le risque de marché corrigé
de l’effet de la dette (𝛽𝑢). Cette analyse nous permettra de se prononcer sur l’effet du niveau
de la structure du capital sur le béta, la différence entre la valeur de 𝛽 et la valeur de 𝛽𝑢 est
exclusivement attribuable à l’effet de la dette.

Cependant, rien ne nous garantit que les modèles d’estimations de 𝛽 sont valides dans notre
contexte. Dans ses tests, Hamada a affirmé la validité de son modèle (qui est notre modèle

63
MH) par une régression entre 𝛽 et 𝛽𝑢, mais les contextes de nos études diffèrent largement.
Pour cela, nous procéderons nous aussi à des tests de validités des modèles (MH et MHR)
formulés. Les deux modèles testés seront considérés comme valides ou aptes à estimer
l’effet de la dette sur le béta lorsque le coefficient de régression en panel est égal à l’unité et
la constante tend vers une valeur nulle (Hamada, 1972).

Le dernier chapitre de ce document est consacré aux tests de nos modèles ainsi qu’aux
résultats obtenus.

64
Chapitre IV : Présentation et interprétation des résultats
empiriques
Dans le premier chapitre de cette partie empirique, nous avons passé en revue les données
collectées ainsi que les modèles à tester. Nous allons à présent effectuer des explorations
basées sur des outils statistiques afin de répondre à la question de cette recherche.

Section I : Les statistiques descriptives et la construction d’un

panel
Pour mieux analyser le lien entre le risque de marché et la structure du capital, nous avons
construit deux bases en données de panel à partir des informations recueillies sur les 16
sociétés de notre échantillon. Comme nous l’avons déjà expliqué dans le chapitre précédent,
le modèle de base (MH) n’intègre pas une mesure des effets négatifs de l’endettement. Pour
cette raison nous testerons en plus du MH, notre modèle révisé (MHR) afin de faire des
comparaisons entre les résultats qui seront obtenus du test des deux modèles. Nous avons
utilisé principalement Microsoft Excel et le logiciel de traitement de données Stata (version
12).

Estimations des variables

Pour estimer les variables des deux modèles (MH et MHR) nous avons calculé pour chaque
société le béta (𝛽), la structure du capital (D_to_S), l’économie d’impôt (Ei), la valeur de
marché de l’entreprise (S) et sa valeur corrigée de l’effet de levier financier (Su), le béta
corrigé de l’effet de l’endettement (𝛽𝑢), les coûts de détresse financière (Df ) et le risque
supplémentaire (effet_dette) observé entre 𝛽 et 𝛽𝑢.

Pour le calcul des 𝛽, nous avons utilisé la capitalisation boursière mensuelle et l’indice
boursier du GSE-CI de chaque mois. Toutes les données en valeur sont exprimées en Dollar
US, la devise ghanéenne est bien entendu le Cédi cependant son taux de change flottant par
rapport au dollar US nous a poussé à éviter toute conversion. Notre étude étant étendue sur
5 ans, chaque béta est calculé sur un historique de 12 mois, soit 5 coefficients pour chaque
entreprise. En divisant la covariance entre, les valeurs historiques sur 12 mois de la
capitalisation boursière et l’indice boursier, par la variance de l’indice boursier ; nous

65
obtenons le coefficient du risque systématique béta. Cette périodicité nous permet de suivre
l’évolution du risque de marché pendant la période d’analyse.

Quant à la capitalisation boursière, elle est obtenue en multipliant le nombre de titres

constituant le flottant (float) par la valeur de marché unitaire de chaque titre. Le capital
flottant n’intègre que le nombre de titres qui sont susceptibles d’être échangés sur le marché
et non le total des titres de la société.

Pour une correspondance des périodes de calcul, nous avons maintenant annualisé toutes les
données. En effet, le béta est obtenu au terme de chaque année puisqu’il est impérativement
calculé à partir de plusieurs données historiques. Pour cette raison, les données mensuelles
relatives à la capitalisation boursière ainsi qu’à la valeur de la dette (D) sont annualisées en
faisant la moyenne simple des valeurs de chaque 12 mois.

Pour définir le taux d’imposition (t), le taux de rendement sans risque (Rf) et le coût de la
dette (Kd), nous nous sommes servis de la version mise à jour en juillet 2016 d’un document
réalisé par Damodaran. Ce document contient des informations sur les spreads et les primes
de risque de plusieurs pays du monde, y compris le Ghana. Sur la base de ces travaux, nous
avons retenu un taux d’impôt (t) sur les sociétés (corporate tax rate) de 25% ainsi qu’un
taux de rendement sans risque de (Kd) de 10,05%.

Cependant la définition d’un coût de la dette (Kd) de chaque société du GSE demande
beaucoup de précautions. En règle générale, Kd d’un projet est calculé en finance
d’entreprise en faisant la moyenne de tous les taux d’intérêt des emprunts contractés pour ce
projet, tout en sachant que ce taux diffère d’un préteur à un autre. Nous ne pouvons pas
obtenir ces informations avec exactitude sur les 16 sociétés analysées. Notre objectif n’est
pas non plus d’avoir un coût de la dette (Kd) spécifique à chaque société, mais plutôt un coût
moyen qui inclut un ensemble de facteurs de risque au Ghana. La dette de ces sociétés est
exprimée en valeur de marché, c’est-à-dire qu’elle est la valeur des obligations non
gouvernementales (corporate bonds) émises sur le marché. De ce fait, le coût de la dette
correspond au taux de rémunération de ces obligations privées. La prime de risque pays du
Ghana est estimée à 10,05% par Damodaran, nous avons retenu un coût de la dette (Kd) de
17,01%. Ce taux est commun à toutes les 16 sociétés et est la somme entre le taux sans risque
(Rf) et la prime de risque pays.

66
L’économie d’impôt (Ei) est analysée comme une valeur perdue par la société non endettée,
et une création de valeur pour celle qui s’est endettée. Sous cette logique, le modèle MH qui
ignore les coûts de détresse financière (Df) considère que deux sociétés de valeurs égales
auront forcément une différence de valeurs estimée à 𝐷(1 − 𝑡) si l’une d’elle contracte une
dette. La variable (Ei) permet alors de calculer la valeur de chaque firme corrigée de l’effet
de la dette.

Dans le modèle MHR, la variable Df permet d’estimer les coûts de détresse financière à
partir de la dette (D), de son coût (Kd), du taux d’impôt (t) et du taux de rendement de l’actif
non risqué (Rf). Contrairement aux sociétés ayant utilisé des capitaux externes, les
entreprises non endettées sont épargnées de ces coûts lorsqu’ils ne résultent que de la dette.
Pour cela, la variable Df permet d’estimer la diminution de valeur des firmes ayant des dettes
financières.

Présentation des statistiques descriptives.

Les tableaux 1.4 et 2.4 suivants présentent les statistiques descriptives sur les variables
retenues dans les tests des deux modèles (MH et MHR). La présentation détaillée de ces
statistiques est aussi annexée à la fin de ce document.

Tableau 1.4 : statistiques descriptives sur les variables du MH

Variables Nbre Moyenne Ecart- Min Max

d’observations type
Beta 80 .081422 1.610889 -7.602 8
Dette 80 433358 1132509 0 4494865
S 80 2991.439 7836.137 .7783333 32732.38
Ei 80 108339.5 283127.2 0 1123716
Su 80 328009.9 855861.1 2.4 3401410
beta_u 80 .0055673 .0623412 -.25 .2935539
D_to_S 80 272.4416 425.2592 0 1952.078

Source : compilation de l’auteur à partir de Stata 12

67
Tableau 2.4: statistiques descriptives sur les variables du MHR

Variables Nbre d’observations Moyenne Ecart-type Min Max

Beta 80 .082172 1.610639 -7.602 8
Dette 80 433358 1132509 0 4494865
S 80 2991.439 7836.137 .7783333 32732.38
Ei 80 108339.5 283127.2 0 1123716
Df 80 32664.36 85362.84 0 338800.4
Su 80 360674.3 941222.9 2.4 3740211
Beta_u 80 .0050886 .0593821 -.25 .2676428
D_to_S 80 272.4416 425.2592 0 1952.078

Source : compilation de l’auteur à partir de Stata 12

Les tableaux 1.4 et 2.4 comportent une synthèse des statistiques descriptives de toutes les
variables utilisées dans la construction des modèles. Ces statistiques montrent d’abord une
faible dispersion du risque de marché (beta) autour de la moyenne de 0.08 caractérisée par
un écart-type de 1,61, ce qui révèle un niveau moyen de risque systématique assez faible
compris entre -7,6 et 8. En moyenne, ces sociétés sont peu sensibles aux fluctuations du
marché puisque le béta moyen est largement inférieur à l’unité.

Cependant la valeur de marché (S) et la valeur de la dette (D) sont assez hétérogènes pour
toutes les sociétés qui composent notre échantillon. En effet, l’écart-type qui mesure la
dispersion de ces variables autour de la moyenne est fort, certaines entreprises ont une
capitalisation boursière faible avec un niveau d’endettement très élevé. Cette hétérogénéité
s’explique par une transaction boursière faible pour les titres de certaines sociétés ce qui
nous invite à analyser avec prudence le ratio de la dette sur la capitalisation boursière qui
atteint une valeur moyenne assez aberrante de 272, autrement dit cette situation diffère de
la structure réelle du capital basée sur des valeurs comptables. Ces statistiques révèlent aussi
que bon nombre d’entreprises non financières cotées au GSE sont lourdement endettées, en
effet la dette moyenne qui atteint une valeur de 433 558 $ US est la variable la plus dispersée
parmi celles utilisées dans la construction de nos modèles. Ce niveau d’endettement explique

68
aussi la valeur importante de la variable Ei qui mesure le niveau de l’économie d’impôt dans
les deux modèles, puisqu’elle est fonction croissante de la valeur de la dette.

Quant aux betas désendettés (beta_u), nous avons constaté que le risque de marché (sans
l’effet de levier financier) estimé dans le modèle MH est légèrement supérieur à celui obtenu
par le modèle MHR. Les différences entre ces niveaux de risques systématiques sont causées
par la particularité de la démarche du modèle MHR pour estimer la valeur de l’entreprise
corrigée de l’effet de la dette (Su). Une omission des coûts de détresse financière dans la
modélisation du béta désendetté (beta_u) entraine alors une surévaluation de sa valeur. En
effet la valeur du béta_u estimée avec le modèle MHR est inférieure de 5% en moyenne aux
valeurs béta_u obtenus du modèle MH.

Les tableaux détaillés des statistiques (annexes 2 et 3) montrent que pour les deux modèles,
beta est supérieur à béta_u (lorsque la valeur de beta est positive) et pour toute la période
d’analyse. Cette différence entre le risque calculé (beta) et le risque corrigé de l’effet de la
dette (beta_u), est mesurée par la variable effet_dette qui est peu dispersée autour de la
moyenne puisque sa variance est de 1,57 pour les deux modèles.

Le modèle économétrique à estimer

Avant de procéder à l’estimation des paramètres, il semble important de rappeler le modèle

testable ci-après sur lequel nous appliquerons nos régressions. Nous reprenons la
formulation qu’avait effectuée Hamada (1972) pour vérifier la validité de l’estimation de
l’effet de la dette sur le risque de marché. S’il n’y a pas de problèmes relatifs aux données
testées ou à leur mesure, cette estimation est valide si les coefficients : 𝑎 tend vers 1 et 𝑏
tend vers 0, Hamada (1972, p. 443). Le modèle économétrique est formulé comme suit :

𝑆𝑢
𝛽 = 𝑎 ( 𝑆 𝛽𝑢) 𝑖𝑡 + 𝑏𝑖𝑡 + 𝑢𝑖𝑡

Avec 𝑎 et 𝑏 les coefficients du modèle,

𝑖 allant de 1 à 16, représente les sociétés retenues dans l’analyse

𝑡 allant de 1 à 5 est le nombre d’années

𝑢𝑖𝑡 = 𝛼𝑡 + 𝛾𝑖 + 𝜀𝑖𝑡 Où :

69
𝛼𝑡 est l’effet temporel,

𝛾𝑖 l’effet individuel et

𝜀𝑖𝑡 le terme d’erreur

Construction d’un panel de données.

Nos analyses statistiques portent sur des données longitudinales ou de panel, c’est-à-dire des
informations portant à la fois sur un ensemble de sociétés observées à plusieurs dates. Nous
avons choisi l’analyse économétrique en données de panel du fait des avantages qu’elle offre
dans son utilisation comme une procédure révélatrice de variables significatives dans
l’explication d’un phénomène donnée. Cette analyse permet de combiner à la fois la
dimension temporelle et la dimension individuelle afin d’expliquer les variations de
comportements dans le temps de chaque individu de la population étudiée. L’atout majeur
des données de panel réside du fait qu’elles permettent d’analyser à la fois l’hétérogénéité
entre les individus et leur comportement dynamique dans le temps.

Dans les bases de données de construction de nos modèles (MH et MHR), nous avons
commencé à cet effet par la déclaration de la variable temporelle et de la variable
individuelle. Pour chaque société composant notre base de données, ses observations
peuvent être corrélées avec le temps. En plus, les observations d’une société sont aussi
indépendantes de celles d’une autre. Ces caractéristiques impliquent la prise en compte de
deux variables particulières pour que les données prennent la dimension d’un panel comme
nous l’avons défini précédemment. Nous avons créé pour cette raison la variable idcode
comme identifiant individuel en se basant sur la variable titres. L’introduction de la variable
annee permet de tenir compte de l’évolution dans le temps du phénomène étudié, c’est notre
identifiant temporel.

Cependant nous sommes obligés de choisir le modèle de régression le plus adapté aux
caractéristiques que présentent les données des entreprises de notre échantillon. Dans un
travail économétrique en panel, il existe toujours des effets individuels qui ne peuvent pas
être intégrés directement dans un modèle parce qu’ils ne peuvent être collectés. Ils s’agissent
de facteurs individuels inobservables causant l’hétérogénéité des individus étudiés. Le

70
modèle à utiliser et qui dépend de l’hétérogénéité des individus est soit un modèle à effets
fixes ou un modèle à effets aléatoires.

En effet, l’estimation des paramètres d’un modèle à effets fixes se fait par une simple
régression par les Moindres Carrés Ordinaire (MCO). Ce modèle suppose qu’à n’importe
quelle période de l’analyse et pour tous les individus analysées, une influence identique des
variables explicatives sur la variable expliquée. Cependant, ce modèle tient compte de
l’existence d’une constante individuelle qui reste identique pour toutes les périodes,
autrement dit la constante déterministe diffère d’un individu à un autre. Les individus
représentant dans notre cas les sociétés du GSE incluses dans notre analyse.

Quant au modèle à effets aléatoires, ses paramètres sont estimés en une régression par la
méthode des Moindres Carrés Généralisés (MCG). Ce modèle suppose que les effets
spécifiques aux individus sont aléatoires.

Tests de spécification

Pour éviter que nos tests soient biaisés, commençons par faire un choix pertinent entre le
modèle à effets fixes et le modèle à effets aléatoires. Ces tests s’appellent tests de
spécification. Nous allons appliquer d’abord le test de Hausman pour voir si les résultats
obtenus permettront de faire ce choix.

En effet, le test de Hausman permet de faire le choix entre les deux modèles mais seulement
lorsque la probabilité obtenue est inférieure à la valeur critique de 10% lue sur la table de
Chi-deux, dans ce cas le modèle à effets fixes est préférable. Dans le cas contraire (la
probabilité obtenue supérieure à 10%), le test de Hausman ne permettra pas de faire la
différence entre les deux modèles. Lorsqu’il est impossible de choisir un modèle après ce
test, un autre argument est de retenir le modèle à effet fixe lorsque la variation intra
individuelle des variables du modèle est plus forte que la variation interindividuelle (le R²
within > R² beetwen).

Les résultats issus du test de Hausman sur les modèles (MH et MHR) indiquent que les effets
individuels sont fixes (annexes 4 et 5). Les deux modèles ont chacun une probabilité de Chi-
deux de 1,01% < 10%. Pour cette raison, nous présenterons nos tests en appliquant le modèle
à effets fixes (estimateur within).

71
Ces analyses nous conduisent à une dernière section comportant la présentation des résultats
de la recherche et la démarche employée pour les obtenir.

Section II : Résultats de la recherche.

Une observation de nos résultats nous conduit à accepter une relation entre le risque de
marché (béta) et la structure du capital.

A partir d’une analyse statistique de l’effet de la dette entrainant le passage de beta à beta_u,
la variable effet_dette estimée permet de vérifier l’existence d’une liaison entre structure du
capital et béta, ainsi que le sens de leur relation. Les résultats obtenus sont doubles. La
variable effect_dette est positive lorsque béta est positif. Parallèlement, si le coefficient béta
est négatif, effect_dette est négatif. Nos résultats suggèrent à cet effet un impact positif de la
dette sur le coefficient du risque systématique, lorsque le beta est positif. Si le coefficient
beta est négatif, alors la dette influe négativement sur le risque systématique. En moyenne,
une hausse du niveau de la dette (ou du coefficient de la structure du capital) augmente à
7,7% et 7,6% le risque de marché béta, respectivement dans les modèles MH et MHR. Une
augmentation de la dette entraine une diminution du risque de marché lorsque le béta obtenu
est négatif.

Il est nécessaire de vérifier l’aptitude de nos modèles à corriger l’effet de l’endettement sur
le béta. Cette vérification qui est faite dans la suite, est basée sur la valeur des paramètres
estimés par des régressions en panel.

Estimation des paramètres des modèles.

Notre formulation théorique du MH est la même que celle du MHR, leur différence réside
uniquement dans l’estimation de la valeur désendettée des firmes et de leurs bétas corrigés
de l’effet de la dette. Du fait des résultats obtenus des tests de spécification, nous allons
utiliser le modèle à effets fixes dans nos estimations. Puisque les variables aléatoires d’un
tel modèle sont corrélées avec les variables exogènes, omettre les effets individuels peut
conduire à un biais sérieux. Pour cela, l’estimateur within est la méthode la plus utilisée pour
obtenir les effets fixes. Elle consiste à utiliser la variable à l’intérieur de chaque groupe
d’observations en faisant une expression de toutes les variables en déviation. Cependant une
telle expression détruit toute variable qui ne varie pas dans le temps.

72
L’estimateur within devrait conduire aux mêmes résultats que l’utilisation de la méthode des
Moindres Carrés Ordinaires (MCO) avec introduction d’une variable muette pour chaque
individu. Cependant leur différence réside dans l’estimation des écart-types. Les tableaux
3.4 et 4.4 suivants comportent les résultats des estimations des deux modèles (MH et MHR).

Tableau 3.4 : estimation du MH par l’utilisation d’un modèle à effets fixes (estimateur
Within)

Fixed-effects (within) regression Number of obs = 80

Group variable: idcode Number of groups = 16
R-sq: within = 0.3615 Obs per group: min = 5
between = 0.1035 avg = 5.0
overall = 0.3304 max = 5
F(1,63) = 35.67
corr(u_i, Xb) = -0.2498 Prob > F = 0.0000

Beta Coef. Std. Err. t P>t [95% Conf. Interval]

beta_u 16.32628 2.733583 5.97 0.000 10.86365 21.78891
_cons -.0094709 .1596269 -0.06 0.953 -.3284599 .3095181
sigma_u .3772978
sigma_e 1.4212432
rho .06583479 (fraction of variance due to u_i)
F test that all u_i=0: F(15, 63) = 0.33 Prob > F = 0.9898

Source : compilation de l’auteur à partir de Stata 12

73
Tableau 4.4 : estimation du MHR par l’utilisation d’un modèle à effets fixes (estimateur
Within)

Fixed-effects (within) regression Number of obs = 80

Group variable: idcode Number of groups = 16
R-sq: within = 0.3333 Obs per group: min = 5
between = 0.0872 avg = 5.0
overall = 0.3028 max = 5
F(1,63) = 31.49
corr(u_i, Xb) = -0.2524 Prob > F = 0.0000

Beta Coef. Std. T P>t [95% Conf. Interval]

Err.
Beta_u 16.49023 2.938409 5.61 0.000 10.61828 22.36217
_cons - .163043 -0.01 0.992 -.3275551 .3240758
.0017396
sigma_u .37795632
sigma_e 1.4521557
rho .06344401 (fraction of variance due to u_i)
F test that all u_i=0: F(15, 63) = 0.32 Prob > F = 0.9917

Source : compilation de l’auteur à partir de Stata 12

Les résultats du test sous le modèle à effets fixes permettent d’avoir une information sur le
niveau de la significativité globale. En utilisant un estimateur Within, Stata fournit à la fois
deux coefficients de détermination (R²). Cependant le R² auquel nous allons tenir compte
dans l’interprétation de nos résultats est le R² Within car il donne une idée de la variabilité
de la variable endogène par rapport aux variations des variables indépendantes. Le R² Within
est de 36% dans le modèle MH et de 33% dans le modèle MHR. Cela signifie littéralement
que lorsque la probabilité du F de Fisher tend vers une valeur infèrieure à 5%, une variation
des variables explicatives de 100 unités explique à 36% et 33% une variation du risque de
marché (beta) respectivement selon le modèle MH et le modèle MHR. Le R² between de
0,1 et 0,08 respectivement pour le modèle MH et le modèle MHR renseigne uniquement sur
la contribution globale des effets fixes aux modèles.

74
Les coefficients obtenus sont très différents de ceux attendus pour que les modèles
d’estimation (MH et MHR) soient valides. En effet, la constante est très proche de 0 dans
les deux modèles, mais le coefficient a est très élevé.

Ces résultats aberrants peuvent être dus à la nature illogique de la structure du capital des
sociétés du GSE dont le ratio dette sur capitalisation boursière de plusieurs d’entre elles s’est
fortement éloigné de la normale. Ils peuvent aussi découler de la formulation du modèle de
Hamada lui-même.

Nous craignons aussi que nos régressions fournissent des variances différentes sur les
variables étudiées. Ce phénomène connu sous le nom d’hétéroscédasticité, est présent
lorsque la variance de l’erreur des variables n’est pas une constante. Les tableaux 5.4 et 6.4
ci-après comportent les résultats du test d’hétéroscédasticité des modèles MH et MHR.

Test d’hétéroscédasticité de Breush et Pagan.

Le test de Breush et Pagan permet de détecter la présence d’hétéroscédasticité dans
l’estimation des modèles. Contrairement au modèle à effets aléatoires, il n’existe pas de
commande sous stata12 qui permet de faire directement ce test. Nous procédons alors par
étape et pour les deux modèles estimés (MH et MHR). La procédure consiste à faire d’abord
une régression en effets fixes, puis prédire le terme d’erreur de la régression afin de créer
une variable dont les valeurs prises seront égales au carré de la variable prédite, en fin
effectuer une régression linéaire du carré de la variable prédite sur l’ensemble des variables
explicatives avant d’appliquer la commande du test.

Tableau 5.4 : test d’hétéroscédasticité du modèle MH

Breusch-Pagan / Cook-Weisberg test for heteroscedasticity
Ho: Constant variance
Variables: fitted values of residucarre
chi2(1) = 68.00
Prob > chi2 = 0.0000

Source : compilation de l’auteur à partir de Stata 12

75
Tableau 6.4: test d’hétéroscédasticité du modèle MHR

Breusch-Pagan / Cook-Weisberg test for heteroscedasticity

Ho: Constant variance
Variables: fitted values of residucarre
chi2(1) = 59.99
Prob > chi2 = 0.0000

Source : compilation de l’auteur à partir de Stata 12

L’hypothèse H0 de variances constantes est rejetée dans les deux modèles. En effet, la
probabilité de Chi-deux obtenue est inférieure au seuil de 10% (0%<10%) ce qui révèle la
présence d’hétéroscédasticité.

Correction de l’hétéroscédasticité avec la méthode de White.

L’application en panel de la méthode de correction de White nécessite au préalable la

spécification de la dimension individuelle même si l’identifiant temporel est déjà déclaré.
Cette spécification va créer des variables indicatrices relatives aux différentes sociétés
incluses dans nos tests.

Tableau 7.4 : estimation du MH avec correction de l’hétéroscédasticité

Linear regression, absorbing indicators
Number of obs 80
F( 1, 63) 5.26
Prob > F 0.0251
R-squared 0.3792
Adj R-squared 0.2216
Root MSE 1.4212
Robust
Beta Coef. Std. Err. T P>t [95% Conf.
Interval]
beta_u 16.32628 7.117503 2.29 0.025 2.103088
30.54948
_cons - .0094709 .1747941 -0.05 0.957 -.358769 .3398273
idcode absorbed (16 categories)

Source : compilation de l’auteur à partir de Stata 12

76
Tableau 8.4: Estimation du MHR avec correction de l’hétéroscédasticité

Linear regression, absorbing indicators

Number of obs 80
F( 1, 63) 4.65
Prob > F 0.0349
R-squared 0.3517
Adj R-squared 0.1871
Root MSE 1.4522
Robust
Beta Coef. Std. Err. T P>t [95% Conf.
Interval]
Beta_u 16.49023 7.647903 2.16 0.035 1.207111
31.77334
_cons -.0017396 .1768674 -0.01 0.992 -.3551808
.3517016
idcode absorbed (16 categories)

Source : compilation de l’auteur à partir de Stata 12

La régression intégrant la méthode de White pour correction de l’hétéroscédasticité a fourni

les mêmes paramètres que la méthode d’estimation à effets fixes. Cependant, cette
estimation robuste a apporté des changements dans le niveau de significativité des variables
indépendante qui passent maintenant à 5%, pour les deux modèles. L’intervalle de confiance
à 95% qui mesure la marge d’incertitude autour des valeurs estimées est réduite d’avantage
et sa borne inférieure est d’autant plus proche de 1.

Nous allons à présent vérifier l’hypothèse de la normalité des résidus de notre estimation.

Test de la normalité des résidus de Jarque-Bera.

Le test de Jarque-Bera permet de savoir si la distribution des effets fixes obtenus suit une
loi normale. En effet, ce test est fait sur la base des caractéristiques de la loi normale
déterminées par un coefficient d’aplatissement (kurtosis) égal à 3 et une asymétrie
(skewness) nulle.

77
 Tableau 9.4 : test de normalité des résidus du MH

Skewness/Kurtosis test de Normalité

Variab Nbre Pr(Skewness) Pr(Kurtosis adj Prob>chi2
les d’obs ) chi2(2)
residu 80 0.6454 0.0000 20.96 0.0000

Figure 1.4 : test de normalité des résidus MH

Kernel density estimate

.8
.6
Density

.4
.2
0

-4 -2 0 2 4
Linear prediction

Kernel density estimate

Normal density
kernel = epanechnikov, bandwidth = 0.0110

Source : compilation de l’auteur à partir de Stata 12

Tableau 10.4 : test de normalité des résidus du MHR

Skewness/Kurtosis test de Normalité

Variables Nbre Pr(Ske Pr(Kurtosi adj Prob>chi2
d’Obs wness) s) chi2(2)
Residu 80 0.6135 0.0000 20.92 0.0000

Source : compilation de l’auteur à partir de Stata 12

78
 Figure 2.4 : test de normalité des résidus MHR

Kernel density estimate

1.5
1
Density

.5
0

-4 -2 0 2 4
Linear prediction

Kernel density estimate

Normal density
kernel = epanechnikov, bandwidth = 0.0101

Source : compilation de l’auteur à partir de Stata 12

La probabilité du test de Jarque-Bera est inférieure à 5% d’autant plus qu’elle est nulle, aussi
bien pour le modèle MH que pour le MHR. Ce qui rejette l’hypothèse de la distribution des
résidus selon une loi normale.

Sommaire des résultats

En somme, nos résultats affirment à la fois une relation positive et négative entre le risque
de marché béta et la structure du capital, respectivement si le béta est positif ou négatif.
Cependant l’effet de la dette sur le béta des sociétés du GSE n’est pas significatif, une
variation de la dette explique seulement à 7,6% et 7,7% la variation du béta, respectivement
pour le modèle MH et le modèle MHR (voir annexes 2 et 3).

Cependant la validité de l’estimation de l’effet de la dette sur le béta conduisant au calcul

des valeurs des variables beta_u et Su n’est pas acceptée (puisqu’après la régression en panel
ait ≠ 1 𝑒𝑡 𝑏𝑖𝑡 ≠ 0 pour les deux modèles). Même si la constante bit est très proche de 0
dans les deux modèles, le coefficient ait estimé en panel s’est fortement éloigné de l’unité
avec des valeurs de 16,32 et 16,49 respectivement pour le modèle MH et le modèle MHR.
Notons aussi que le coefficient de détermination (R²) mesurant la significativité globale du
modèle, n’est pas significatif dans nos régressions car ses valeurs sont inférieures à 50%.

79
Section III : interprétation des résultats
Notre objectif dans cette partie est d’expliquer littéralement les résultats issus des tests
statistiques tout en effectuant une analyse comparative des deux modèles utilisés.

Le modèle de Hamada (1972) permet d’observer l’effet de la dette sur le risque de marché,
nous obtenons notre second modèle (MHR) en prenant en compte les coûts de détresse
financière. Pour les deux modèles et pour toutes les sociétés testées, le risque de marché
(beta) positif ou nul est toujours supérieur ou égal au béta corrigé de l’effet de la dette
(beta_u). La différence entre les valeurs de beta et beta_u est due à l’effet de la dette. Pour
mesurer cet écart, nous avons introduit la variable effet_dette et à partir des analyses
statistiques effectuées une relation peu significative est obtenue entre la dette et le béta. En
effet les résultats signifient que l’endettement supplémentaire augmente le risque de marché
lorsque les titres fluctuent dans le même sens que le marché (béta>0) ; parallèlement il
diminue ce risque si les rendements des titres varient en sens inverse avec le marché (béta<0).

Cependant, pour que ces résultats soient fiables, il est nécessaire de vérifier la validité des
modèles de correction de l’effet de la dette sur le béta. Ces modèles ont permis le passage
du beta au beta_u et de S à Su. Pour faire cette vérification, nous avons effectué des tests et
des régressions en panel.

Afin d’identifier la méthode d’estimation appropriée aux caractéristiques de nos données de

panel, nous avons effectué le test de spécification de Hausman. Les résultats issus de ce test
nous ont permis de choisir le modèle d’estimation à effets fixes (within) au détriment du
modèle à effets aléatoires (between). L’estimation des paramètres de nos modèles a révélé
une faible significativité du modèle global avec un coefficient de détermination (R² Within)
inférieure au seuil de 50%. Il existe une différence légère entre les résultats fournis par les
deux modèles (MH et MHR) dans la correction de l’effet de la dette sur le risque de marché
(voir annexes 2 et 3). Cette différence est due à la surévaluation par le modèle MH de la
valeur de la firme (Su) corrigée de l’effet de levier financier comparée à la valeur estimée
par le modèle MHR. Ce qui parait normale puisque nous avons formulé le modèle MHR en
se basant sur des hypothèses à la fois positives et négatives de l’influence de l’endettement
sur la valeur de la société (Myers, 1984). Or, le modèle MH formulé par Hamada n’a

80
interprété la dette que de son sens de création de valeur pour la firme (Clère, 2016). A cet
effet, si les deux modèles sont valides, il est plus approprié d’utiliser le modèle MHR.

Bien vrai que les résultats confirment un effet de la structure du capital sur le risque de
marché, nous remarquons que cette influence n’est pas consistante et que les paramètres de
notre estimation sont aberrants (ait largement supérieur à 1). Cette aberrance peut être due à
des problèmes sur les données car nous avons des niveaux de ratio illogique de la structure
du capital mesurée par le rapport entre la valeur de la dette et la capitalisation boursière. Ce
ratio est fortement élevé pour la majeure partie de ces sociétés, ce qui révèle la forte
hétérogénéité des résultats de calcul basés sur les données de marchés aux véritables résultats
obtenus à partir des données comptables (Alaghi, 2011). Ce résultat inattendu peut être causé
aussi par une mauvaise spécification de Hamada (1972) dans la construction de son modèle
(MH), ce qui pourrait se refléter sur la validité de notre modèle approfondi (MHR).

81
Conclusion
Ce travail de recherche nous a permis de comprendre la structure financière des sociétés de
la bourse ghanéenne et de savoir comment elle influence leur niveau de risque systématique.

Pour atteindre cet objectif et étendre un tel débat dans le contexte d’un marché ouest africain
nous avons consacré la première partie de ce mémoire à la présentation du paysage boursier
du GSE ainsi qu’à une revue de la recherche sur le béta et les théories de la structure du
capital. La présentation du marché ghanéen porte sur son organisation qui est gérée par une
commission chargée de la régulation du marché et par un dépositaire central chargé de la
détention et de la conservation des titres. Cette présentation contient aussi des statistiques de
ce marché financier ainsi qu’une explication de ses principaux indices et compartiments de
cotation. La revue est partie d’abord de l’explication de la notion de risque de marché béta,
ses origines et les paramètres de sa méthodologie de calcul. Elle a ensuite survolé des
critiques formulées sur le béta notamment son imperfection à mesurer le risque de marché
et son incapacité à lui seul d’être l’unique facteur explicatif des rendements attendus. En fin
la littérature a fourni une explication des théories majeures sur la structure du capital avant
de présenter des recherches faites sur sa liaison avec le risque systématique.

Dans une deuxième partie, nous avons réalisé une étude empirique sur l’estimation du risque
de marché corrigé de l’effet de la dette. L’objectif de cette étude est de vérifier l’écart entre
le béta et sa valeur corrigée de l’influence de l’endettement mesuré par le ratio de la dette
sur la capitalisation boursière. Pour cela, nous avons commencé par expliquer le modèle
général utilisé pour estimer ce risque désendetté avant de s’inspirer de ses critiques pour
formuler un modèle qui tient compte des limites constatées. Ensuite nous avons effectué des
statistiques descriptives sur des bases de données en panel des deux modèles, dans l’optique
d’analyser l’effet du niveau de la dette en se basant sur la valeur de béta et la valeur qu’elle
aurait si la société ne possédait aucune dette financière. Enfin dans cette seconde partie sont
faites des régressions en données de panel avec une estimation des paramètres par le modèle
à effets fixes. L’objet de ce test est de savoir la capacité de nos deux modèles à expliquer
l’effet de la structure du capital vu le caractère des données collectées et le contexte dans
lequel cette étude est appliquée.

82
L’analyse des données a montré que les sociétés non financières de la bourse ghanéenne ont
en moyenne un niveau de dette élevé avec une capitalisation boursière faible. Leur niveau
de risque de marché est faible puisque leur coefficient béta est en moyenne inférieur à l’unité,
ce qui est assez étonnant.

Nos résultats ont aussi révélé l’existence d’une relation positive entre la structure du capital
et le risque systématique uniquement lorsque le béta obtenu est positif. Cette relation devient
négative lorsque le coefficient du risque est négatif. Aussi, les deux modèles utilisés (MH
et MHR) ont convergé vers les mêmes résultats avec une légère différence dans l’estimation
du coefficient béta. La comparaison de ces modèles montre clairement une surévaluation
peu signifiante du béta estimé avec le modèle de Hamada (MH). Cependant les résultats de
la régression n’ont pas supporté l’aptitude de nos modèles à estimer le béta désendetté, les
caractéristiques des données utilisées pourraient en être la cause. Cette faiblesse des modèles
d’estimation a confirmé notre suggestion qui consiste à inviter les praticiens sous régionaux
à utiliser avec prudence les résultats des études faites sur de grands marchés financiers dont
leurs contextes sont très différents du nôtre. Certains marchés africains ont un caractère de
fonctionnement atypique marqué par une inefficience et une distribution non linéaire des
rendements ne suivant pas une loi normale (Mlambo et Biekpe, 2007). L’efficience du
marché ghanéen elle-même n’est pas acceptée par les travaux empiriques effectués à cet
effet ; (Ayentimi et al, 2013 ; Ntim et al, 2007 ; Frimpong, 2008).

Les résultats pouvaient être améliorés à travers la méthodologie empirique adoptée qui
constitue les limites de ce travail. Il serait intéressant d’étendre les tests sur une période
beaucoup plus vaste avec une population de recherche incluant toutes les sociétés non
financières de la bourse de Ghana.

Une prise en compte de toutes ces considérations montre que les théories traditionnelles sur
la structure du capital nécessitent d’être approfondies en les adaptant, au fur et à mesure, au
résultats intéressants des études contemporaines. A cet effet, une recherche ultérieure
pourrait s’intéresser à la création d’un modèle beaucoup plus approprié pour estimer le béta
corrigé de l’effet de la dette. Au-delà des coûts de détresse financière, la structure du capital
intègre d’autres paramètres comme les coûts d’agence dont il semble pertinent de prendre
en compte pour établir un tel modèle d’estimation.

83
Bibliographie
Alaghi K. (2011) « Financial leverage and systematic risk», African Journal of Business
Management Vol. 5(15), pp. 6648-6650

Anuar H. et Chin O. (2016), «The Development of Debt to Equity Ratio in Capital Structure
Model: A case of micro franchising», Procedia Economics and Finance, pp 274-280.

Antwi S., Mills E. et Zhao X. (2012), «Capital Structure and Firm Value: Empirical Evidence
from Ghana», International Journal of Business and Social Science Vol. 3 No.
22.

Awunyo -Vitor D. et Badu J. (2012) « Capital Structure and Performance of Listed Banks
in Ghana », Global Journal of HUMAN SOCIAL SCIENCE, Volume

Ayentimi, Mensah et Naa-Idar (2013), «Stock Market Efficiency of Ghana Stock»

Exchange: An Objective Analysis », International Journal of Management, Economics and

Social Sciences, Vol. 2(2), pp. 54 –75.

Barker et Wurgler (2002), « market timing and capital structure », journal of finance, vol.
LVII, N° 1.

Bartholdy J. et Peare P. (2005) «Estimation of expected return: CAPM vs Fama and French
»; International Review of Financial Analysis.

Bhalla, V. K. 1997. « Financial Management and Policy». Anmol Publications Pvt. Ltd.,
New Delhi: 832.

Bhandari L. C. (1988), « Debt/equity ratio and expected common stock returns: empirical
evidence », journal of finance,

Boudriga A. et Trabelsi – EL Gharbi M. (2008), « Transactions manquantes et mesure du

risque des titres cotés sur le marché boursier tunisien », Revue Libanaise de Gestion et
d’Economie, Vol. 1.

Chambers N., Sezgin F. H. et Karaaslan B. (2013), « An Analysis of the Effects of Capital

Structure and the Beta Coefficient on Stock Returns: A Case Study of the Istanbul Stock
Exchange (ISE) - Manufacturing Industry», International Journal of Business and Social
Science, Vol. 4 No. 7

Charreaux G. (2006), « théorie financière et stratégie financière »,

Chorhay A. (1990) « effet d’intervalle et estimation du risque systématique à la bourse de

Bruxelles », journal de la société statistique de Paris, tome 131 n° 3-4, pp. 69-85

84
CLère R.; (Novembre 2016) « After Modigliani, Miller and Hamada : a new way to estimate
cost of capital?» (Working Paper)

Damodaran A. (1999) « estimating risk parameters»

Darmon R. ; Khoury N. T. et Martel J. (1990), « Facteurs de risque des actions ordinaires :

le point de vue des gestionnaires québécois », L'Actualité économique, vol. 66, n° 3, p. 348-
364.

Fama E. et French K. (1992), the cross-section of expected stock returns, journal of finance,
vol XLVII, N° 2.

Fama E. et French K. (1996); «The CAPM is Wanted, Dead or Alive»; The Journal of
Finance, Vol. 51, No. 5, pp. 1947-1958

Fernandez P. (2003) «Levered and unleverd beta », working paper, university of Navarra

Fripong (2008) « Capital market efficiency: An analysis of weak-form efficiency on the

Ghana stock exchange», Journal of Money, Investment and Banking.

Gahlon; Gentry (1982) « on the relationship between systematic risk and the degrees of
operating and financial leverage », financial and management

Goaied M. (2013), « économétrie des données de panel », Module 3, IHEC.

Grundy K. et Malkiel B. (1996), « reports of beta’s death have been greatly exaggerated»,
journal of portfolio management

Hamada R. (1972) « The effect of the firm’s capital structure on the systematic risk of
common stocks» journal of finance, vol. 27, N°2 pp. 435-452

Hill; Stone (1980), « accounting beta, systematic operating risk and the financial leverage: a
risk-composition approach to the determinants of systematic risk », journal of financial and
quantitative analysis, vol. xv, N° 3.

Ince et Porter (2006), « Individual equity return data from Thomson Datastream: handle with
care! », The Journal of Financial Research• Vol. XXIX, No. 4• Pages 463–479.

Kartobi S. E. (2013) « Déterminants de la structure financière et réactions du marché

boursier aux décisions de financement : cas des sociétés marocaines cotées à la bourse des
valeurs de Casablanca », thèse doctorale universités Cadi Ayyad et Nice Sophia Antipolis

Kebewar M. (2012) : « La structure du capital et la profitabilité, Le cas des entreprises

industrielles françaises », DR LEO 2012-08.

Lakonishok J. (1993), «Is Beta Dead or Alive? », CFA institute publications

85
Lintner J. (1955), «the valuation of risk assets and the selection of risky investments in stock
portfolios and capital budgets», the review of economics and statistics, vol. 41 n°1, pp. 13-
37

Luigi P. et Sorin V. (2009) « a review of the capital structure theories», Annals of faculty of
economics, vol 3, pp. 315-320

Mlambo et Biekpé (2007) «The efficient market hypothesis: Evidence from ten African
stock markets»; Investment Analysts Journal

Mandelker et Rhee (1984), « the impact of degrees of operating and financial leverage on
systematic risk of common stock », journal of financial and quantitative analysis, vol. 19,
N° 1.

Markowitz H. (1952), «Portfolio Selection» the Journal of Finance, Vol. 7, No. 1, pp. 77-91.

Modigliani F. et Miller M. (June, 1958), «the cost of capital, corporation finance and the
theory of investment», the American economic review.

Modigliani F. et Miller M. (1963) «Corporate Income Taxes and the Cost of Capital: A
Correction»; The American Economic Review, Vol. 53, No. 3; pp. 433-443

Mossin J. (1966), «Equilibrium in a Capital Asset Market», Econometrica, Vol. 34, No. 4
pp. 768-783

Myers (1984) «The Capital Structure Puzzle», the Journal of Finance, Vol. 39, No. 3, pp.
575-592.

Myers (2001), « the capital structure », The Journal of Economic Perspectives, Vol. 15, No.
2. pp. 81-102

Myers et Majluf (1984), «corporate financing and investment decisions when firms have
information that investors do not have», Journal of financial economics, pp 187-221

Ntim, Opang et Danbolt (2007), «An Empirical Re-Examination of the Weak Form Efficient
Markets Hypothesis of the Ghana Stock Market Using Variance-Ratios Tests», African
Finance Journal, Volume 9, Part 2, 20070

Poncet P. et Portait R. (2009), « La théorie moderne du portefeuille : Théorie et applications

»

Prasad D., Bruto G.D. et Merikas A. G., (1997) « Long-Run Strategic Capital Structure»,
Journal Of Financial And Strategic Decisions, Volume 10 Number 1

Sari L. A. et Hutagaol Y., (2009), « Debt to equity ratio, degree of operating leverage stock
beta and stock returns of food and beverages companies on the indonesian stock exchange»,
Journal of Applied Finance and Accounting

86
Sharpe W. F. (1964), «Capital Asset Prices: A Theory of Market Equilibrium under
Conditions of Risk», The Journal of Finance, Vol. 19, No. 3 pp. 425-442

Theriou, N., Aggelidis, V. et Maditinos, D. (2004) « testing the relation between beta and
returns in the Athens Stock Exchange », Working paper

Vernimmen, Quiry et Le Fur (2016), « finance d’entreprise», Dalloz, 14ème édition.

87
Annexes
Annexe 1 : listes des références des sociétés analysées ainsi que leurs secteurs d’activité
Références Noms des sociétés secteurs d’activité
GH:AGA AngloGold Ashanti Ltd. Gold Mining
GH:CML Camelot Ghana Ltd. Business Support Svs.
GH:CLY Clydestone Ghana Computer Hardware
GH:GGB Guinness Ghana Brewers
GH:GOI Ghana Oil Integrated Oil & Gas
GH:GSR Golden Star Resources Gold Mining
GH:GWL Golden Web Ltd Oil Equip. & Services
GH:MLL Mechanical Lloyd Co. Ltd. Specialty Retailers
GH:PBC PBC Ltd. Farm Fish Plantation
GH:PZC Cussons Ghana Pharmaceuticals
GH:SPL Starwin Products Automobiles
GH:TOT Total Petroleum Ghana Oil Equip. & Services
GH:TRA Transaction Solutions Divers. Industrials
GH:TLW Tullow Oil Exploration & Prod.
GH:UNI Unilever Ghana Personal Products
GH:ALW Aluworks Aluminum

Annexe 2 : détail des statistiques sur les variables du modèle MH

beta

Percentiles Smallest
1% -7.602 -7.602
5% -.69585 -5.484
10% -.22915 -2.1818 Obs 80
25% -.01422 -.915 Sum of Wgt. 80

50% .00035 Mean .081422

Largest Std. Dev. 1.610889
75% .0992 1.1771
90% .70435 2.945 Variance 2.594962
95% 1.1022 5.7232 Skewness .1958594
99% 8 8 Kurtosis 18.06008

dette

Percentiles Smallest
1% 0 0

88
 5% 0 0
10% 66.58333 0 Obs 80
25% 485.125 0 Sum of Wgt. 80

50% 7745.333 Mean 433358

Largest Std. Dev. 1132509
75% 100397.5 3752981
90% 2427304 3990224 Variance 1.28e+12
95% 3650027 4296166 Skewness 2.594256
99% 4494865 4494865 Kurtosis 8.128878

Percentiles Smallest
1% .7783333 .7783333
5% .99125 .79
10% 1.36 .8275 Obs 80
25% 5.32 .9625 Sum of Wgt. 80

50% 109.2 Mean 2991.439

Largest Std. Dev. 7836.137
75% 712.1233 29699.12
90% 13106.21 30261.49 Variance 6.14e+07
95% 28889.6 31112.68 Skewness 2.865675
99% 32732.38 32732.38 Kurtosis 9.978183

Ei

Percentiles Smallest
1% 0 0
5% 0 0
10% 16.64583 0 Obs 80
25% 121.2813 0 Sum of Wgt. 80

50% 1936.333 Mean 108339.5

Largest Std. Dev. 283127.2
75% 25099.39 938245.4
90% 606825.9 997555.9 Variance 8.02e+10
95% 912506.8 1074042 Skewness 2.594256
99% 1123716 1123716 Kurtosis 8.128878

Su

Percentiles Smallest
1% 2.4 2.4
5% 55.32417 6.519167
10% 169.9658 34.9775 Obs 80

89
25% 403.2437 52.06083 Sum of Wgt. 80

50% 6284.325 Mean 328009.9

Largest Std. Dev. 855861.1
75% 75583.72 2827746
90% 1841814 3006479 Variance 7.32e+11
95% 2759582 3235327 Skewness 2.588506
99% 3401410 3401410 Kurtosis 8.098277

beta_u

Percentiles Smallest
1% -.25 -.25
5% -.052107 -.2298788
10% -.0050938 -.1046919 Obs 80
25% -.0000311 -.0878788 Sum of Wgt. 80

50% 1.73e-06 Mean .0055673

Largest Std. Dev. .0623412
75% .0024044 .125
90% .0419987 .1551829 Variance .0038864
95% .1093231 .1667 Skewness .1172091
99% .2935539 .2935539 Kurtosis 13.48997

effet_dette

Percentiles Smallest
1% -7.514121 -7.514121
5% -.6382808 -5.379308
10% -.1945685 -2.171762 Obs 80
25% -.0069436 -.9107967 Sum of Wgt. 80

50% .0001989 Mean .0766047

Largest Std. Dev. 1.575738
75% .0498074 1.141445
90% .6401937 2.890962 Variance 2.482952
95% 1.070315 5.672282 Skewness .1061438
99% 7.706446 7.706446 Kurtosis 18.02172

D_to_S

Percentiles Smallest
1% 0 0
5% 0 0
10% 5.253614 0 Obs 80
25% 45.85799 0 Sum of Wgt. 80

90
 50% 109.1999 Mean 272.4416
Largest Std. Dev. 425.2592
75% 260.4798 1498.355
90% 963.6913 1540.604 Variance 180845.4
95% 1429.38 1604.045 Skewness 2.378642
99% 1952.078 1952.078 Kurtosis 7.783903

Annexe 3 : détail des statistiques sur les variables du modèle MHR

beta

Percentiles Smallest
1% -7.602 -7.602
5% -.66585 -5.484
10% -.22915 -2.1818 Obs 80
25% -.01422 -.915 Sum of Wgt. 80

50% .00035 Mean .082172

Largest Std. Dev. 1.610639
75% .0992 1.1771
90% .70435 2.945 Variance 2.594159
95% 1.1022 5.7232 Skewness .1946977
99% 8 8 Kurtosis 18.07083

dette

Percentiles Smallest
1% 0 0
5% 0 0
10% 66.58333 0 Obs 80
25% 485.125 0 Sum of Wgt. 80

50% 7745.333 Mean 433358

Largest Std. Dev. 1132509
75% 100397.5 3752981
90% 2427304 3990224 Variance 1.28e+12
95% 3650027 4296166 Skewness 2.594256
99% 4494865 4494865 Kurtosis 8.128878

Percentiles Smallest
1% .7783333 .7783333
5% .99125 .79
10% 1.36 .8275 Obs 80
25% 5.32 .9625 Sum of Wgt. 80

50% 109.2 Mean 2991.439

91
 Largest Std. Dev. 7836.137
75% 712.1233 29699.12
90% 13106.21 30261.49 Variance 6.14e+07
95% 28889.6 31112.68 Skewness 2.865675
99% 32732.38 32732.38 Kurtosis 9.978183

Ei

Percentiles Smallest
1% 0 0
5% 0 0
10% 16.64583 0 Obs 80
25% 121.2813 0 Sum of Wgt. 80

50% 1936.333 Mean 108339.5

Largest Std. Dev. 283127.2
75% 25099.39 938245.4
90% 606825.9 997555.9 Variance 8.02e+10
95% 912506.8 1074042 Skewness 2.594256
99% 1123716 1123716 Kurtosis 8.128878

Df

Percentiles Smallest
1% 0 0
5% 0 0
10% 5.018719 0 Obs 80
25% 36.5663 0 Sum of Wgt. 80

50% 583.8045 Mean 32664.36

Largest Std. Dev. 85362.84
75% 7567.465 282881
90% 182958 300763.1 Variance 7.29e+09
95% 275120.8 323823.5 Skewness 2.594256
99% 338800.4 338800.4 Kurtosis 8.128878

Su

Percentiles Smallest
1% 2.4 2.4
5% 60.34289 6.519167
10% 186.9566 38.41334 Obs 80
25% 422.4393 56.30696 Sum of Wgt. 80

50% 6868.13 Mean 360674.3

Largest Std. Dev. 941222.9
75% 83151.19 3110627

92
90% 2024772 3307242 Variance 8.86e+11
95% 3034703 3559151 Skewness 2.589026
99% 3740211 3740211 Kurtosis 8.101037

Beta_u

Percentiles Smallest
1% -.25 -.25
5% -.0474198 -.2199676
10% -.0046366 -.0952974 Obs 80
25% -.0000282 -.0799379 Sum of Wgt. 80

50% 1.57e-06 Mean .0050886

Largest Std. Dev. .0593821
75% .0021865 .125
90% .0401775 .143884 Variance .0035262
95% .1055742 .1667 Skewness -.1287155
99% .2676428 .2676428 Kurtosis 13.4218

effet_dette

Percentiles Smallest
1% -7.522062 -7.522062
5% -.6391887 -5.388703
10% -.1997902 -2.172675 Obs 80
25% -.0069505 -.911179 Sum of Wgt. 80

50% .000199 Mean .0770834

Largest Std. Dev. 1.578742
75% .0498249 1.144611
90% .6440685 2.895815 Variance 2.492426
95% 1.07315 5.676894 Skewness .1139897
99% 7.732357 7.732357 Kurtosis 18.02938

D_to_S

Percentiles Smallest
1% 0 0
5% 0 0
10% 5.253614 0 Obs 80
25% 45.85799 0 Sum of Wgt. 80

50% 109.1999 Mean 272.4416

Largest Std. Dev. 425.2592
75% 260.4798 1498.355
90% 963.6913 1540.604 Variance 180845.4
95% 1429.38 1604.045 Skewness 2.378642

93
 99% 1952.078 1952.078 Kurtosis 7.783903

Annexe 4 : résultat des tests de spécification sur le modèle MH

---- Coefficients ----
(b)eq1 (B) (b-B) sqrt(diag(V_b-V_B))
Difference S.E.
Su .0011537 -5.64e- .0011542 .0004489
07

b = consistent under Ho and Ha; obtained from xtreg

B = inconsistent under Ha, efficient under Ho; obtained from xtreg
Test: Ho: difference in coefficients not systematic

chi2(1) = (b-B)'[(V_b-V_B)^(-1)](b-B)= 6.61

Prob>chi2 = 0.0101

Annexe 5 : résultat des tests de spécification sur le modèle MHR

---- Coefficients ----
(b)eq1 (B) (b-B) sqrt(diag(V_b-V_B))
Difference S.E.
Su .0011546 -5.13e- .0011551 .0004488
07

b = consistent under Ho and Ha; obtained from xtreg

B = inconsistent under Ha, efficient under Ho; obtained from xtreg
Test: Ho: difference in coefficients not systematic

chi2(1) = (b-B)'[(V_b-V_B)^(-1)](b-B)= 6.62

Prob>chi2 = 0.0101

Annexe 6 : estimation du risque supplémentaire causé par le niveau de la dette : modèle MH

N° titres annee beta effet_dette

1. GH:ALW 2011 .0046 .0045917915
2. GH:ALW 2012 .0052 0
3. GH:ALW 2013 .0091 .0090921311
4. GH:ALW 2014 .009 .0089911877
5. GH:ALW 2015 -.0183 -.0182802714
6. GH:AGA 2011 0 0
7. GH:AGA 2011 -2.1818 -2.171762084
8. GH:AGA 2013 .6779 .6751336392
9. GH:AGA 2014 -.915 -.9107967264

94
10 .GH:AGA 2015 -.0652 -.0648164766
11. GH:CML 2011 0 0
12. GH:CML 2012 .0002 .0001992382
13. GH:CML 2013 .0002 .0001984832
14. GH:CML 2014 .0008 .0007868573
15. GH:CML 2015 0 0
16. GH:CLY 2011 -.4767 -.186821223
17. GH:CLY 2012 .002 .0019867952
18. GH:CLY 2013 0 0
19. GH:CLY 2014 .0004 .0003985804
20. GH:CLY 2015 0 0
21. GH:GCB 2011 -.2083 -.204635535
22. GH:GCB 2012 .1458 .144750562
23. GH:GCB 2013 1.0273 .9991847706
24. GH:GCB 2014 -.3703 -.3591763517
25. GH:GCB 2015 1.1771 1.141444914
26. GH:GOI 2011 -.0417 -.0406846783
27. GH:GOI 2012 0 0
28. GH:GOI 2013 .0734 .0696245558
29. GH:GOI 2014 -.1711 -.1670710259
30. GH:GOI 2015 .2491 .2445401974
31. GH:GSR 2011 -.125 -.1239868264
32. GH:GSR 2012 .0417 .041363281
33. GH:GSR 2013 .0003 .0002980606
34. GH:GSR 2014 -.0031 -.0030731609
35. GH:GSR 2015 .5922 .5886796208
36. GH:GGB 2011 -.01014 -.0100095148
37. GH:GGB 2012 -.2083 -.2023157082
38. GH:GGB 2013 .8369 .8194180159
39. GH:GGB 2014 2.945 2.89096244
40. GH:GGB 2015 .7528 .7411042778
41. GH:MLL 2011 -.0039 -.0038777605
42. GH:MLL 2012 .0026 .0025635819
43. GH:MLL 2013 .013 .0129537713
44. GH:MLL 2014 .0126 .0124198865
45. GH:MLL 2015 .0087 .0070604901
46. GH:PBC 2011 -.0313 -.0312647181
47. GH:PBC 2012 -.0885 -.0884028249
48. GH:PBC 2013 .0003 .000299733
49. GH:PBC 2014 .0583 .0582515794
50. GH:PBC 2015 .0306 .0305791135
51. GH:PZC 2011 .0104 .0101415385
52. GH:PZC 2012 -.0247 -.0239194804
53. GH:PZC 2013 .136 .1342971774
54. GH:PZC 2014 .1471 .1450574725
55. GH:PZC 2015 -.0491 -.0485960411
56. GH:SPL 2011 .0003 .00029884

95
 57. GH:SPL 2012 .0015 .0014895131
58. GH:SPL 2013 -.0003 -.0002965453
59. GH:SPL 2014 -.0197 -.0192969889
60. GH:SPL 2015 .0011 .0010370513
61. GH:TOT 2011 .125 0
62. GH:TOT 2012 .1667 0
63. GH:TOT 2013 .3536 .3084026311
64. GH:TOT 2014 -.3821 -.365764798
65. GH:TOT 2015 .2438 .2370238595
66. GH:TRA 2011 -.0013 -.001294821
67. GH:TRA 2012 0 0
68. GH:TRA 2013 0 0
69. GH:TRA 2014 .004 .0039742859
70. GH:TRA 2015 0 0
71. GH:TLW 2011 0 0
72. GH:TLW 2012 8 7.706446135
73. GH:TLW 2013 -5.484 -5.379308099
74. GH:TLW 2014 -7.602 -7.514121191
75. GH:TLW 2015 5.7232 5.672282127
76. GH:UNI 2011 -.25 0
77. GH:UNI 2012 .2083 .1807519019
78. GH:UNI 2013 .6989 .605253792
79. GH:UNI 2014 .7098 .5546171036
80. GH:UNI 2015 .0388 0

Annexe 7 : estimation du risque supplémentaire causé par le niveau de la dette, modèle MHR

N° titres annee beta effet_dette

1. GH:AGA 2011 -2.1818 -2.172674934
2. GH:AGA 2011 0 0
3. GH:AGA 2013 .6779 .675385332
4. GH:AGA 2014 -.915 -.9111789753
5. GH:AGA 2015 -.0652 -.0648513135
6. GH:ALW 2011 .0046 .0045925399
7. GH:ALW 2012 .0052 0
8. GH:ALW 2013 .0091 .0090928491
9. GH:ALW 2014 .009 .0089919918
10 GH:ALW 2015 -.0183 -.0182820713
11. GH:CLY 2011 -.4167 -.1967325
12. GH:CLY 2012 .002 .0019879938
13. GH:CLY 2013 0 0
14. GH:CLY 2014 .0004 .0003987096
15. GH:CLY 2015 0 0
16. GH:CML 2011 0 0
17. GH:CML 2012 .0002 .0001993075
18. GH:CML 2014 .0008 .0007880395
19. GH:CML 2015 0 0
20. GH:CML 20133 .0002 .0001986207

96
21. GH:GCB 2011 -.2083 -.2049648236
22. GH:GCB 2012 .1458 .1448457716
23. GH:GCB 2013 1.0273 1.001688302
24. GH:GCB 2014 -.3703 -.3601643821
25. GH:GCB 2015 1.1771 1.144611142
26. GH:GGB 2011 -.01014 -.0100212915
27. GH:GGB 2012 -.2083 -.2028479023
28. GH:GGB 2013 .8369 .8209841464
29. GH:GGB 2014 2.945 2.895814847
30. GH:GGB 2015 .7528 .742157256
31. GH:GOI 2011 -.0417 -.0407753437
32. GH:GOI 2012 0 0
33. GH:GOI 2013 .0734 .0699531465
34. GH:GOI 2014 -.1711 -.1674310707
35. GH:GOI 2015 .2491 .2449496704
36. GH:GSR 2011 -.125 -.1240786696
37. GH:GSR 2012 .0417 .041393805
38. GH:GSR 2013 .0003 .0002982367
39. GH:GSR 2014 -.0031 -.0030755926
40. GH:GSR 2015 .5922 .5889993718
41. GH:MLL 2011 -.0039 -.0038797809
42. GH:MLL 2012 .0026 .0025668653
43. GH:MLL 2013 .013 .0129579793
44. GH:MLL 2014 .0126 .0124361209
45. GH:MLL 2015 .0087 .0071841261
46. GH:PBC 2011 -.0313 -.0312679369
47. GH:PBC 2012 -.0885 -.0884116903
48. GH:PBC 2013 .0003 .000299758
49. GH:PBC 2014 .0583 .058255998
50. GH:PBC 2015 .0306 .0305810197
51. GH:PZC 2011 .0104 .0101646075
52. GH:PZC 2012 -.0247 -.0239887065
53. GH:PZC 2013 .136 .1344509116
54. GH:PZC 2014 .1471 .145241644
55. GH:PZC 2015 -.0491 -.048641634
56. GH:SPL 2011 .0003 .0002989456
57. GH:SPL 2012 .0015 .0014904647
58. GH:SPL 2013 -.0003 -.0002968575
59. GH:SPL 2014 -.0197 -.0193331073
60. GH:SPL 2015 .0011 .0010424994
61. GH:TLW 2011 0 0
62. GH:TLW 2012 8 7.732357228
63. GH:TLW 2013 -5.484 -5.388702647
64. GH:TLW 2014 -7.602 -7.522062082
65. GH:TLW 2015 5.7232 5.676894433
66. GH:TOT 2011 .125 0
67. GH:TOT 2012 .1667 0

97
68. GH:TOT 2013 .3536 .3120450866
69. GH:TOT 2014 -.3821 -.367198385
70. GH:TOT 2015 .2438 .2376270028
71. GH:TRA 2011 -.0013 -.0012952922
72. GH:TRA 2012 0 0
73. GH:TRA 2013 0 0
74. GH:TRA 2014 .004 .0039766204
75. GH:TRA 2015 0 0
76. GH:UNI 2011 -.25 0
77. GH:UNI 2012 .2083 .1829616277
78. GH:UNI 2013 .6989 .6127516229
79. GH:UNI 2014 .7098 .5659159952
80. GH:UNI 2015 .0388 0

98