Troisième chapitre : PRESENTATION, ANALYSE ET DISCUTION DES RESULTATS

Ce chapitre présente, analyse et discute les résultats. Il est subdivisé en quatre grandes sections. La présentation des statistiques descriptives est reprise dans la première section et le résultat de la régression logistique dans la deuxième, les résultats de l‟analyse discriminante linéaire en troisième lieu et l‟interprétation des résultats clôture ce chapitre.
4.1. LES STATISTIQUES DESCRIPTIVES
Nous considérons pour notre étude la moyenne et l‟écart-type, le maximum et le minimum des variables indépendantes. Les tableaux repris en annexes (voir les annexes N°2 et N°3) nous en donne de plus amples informations. Il est clair que le portefeuille à risque moyen pour les IMF considérées (en 2011-2012) est de 9,61 et le ratio moyen d‟abandon des créances de 7,82. De même le ratio moyen d‟efficacité opérationnelle de 18,71 pour toutes les IMF au courant de ces 2 ans considérés. Le ratio moyen de fonds propre de 20,83 pour ces 38 IMF considérées, le nombre moyen d‟emprunteurs par agent de crédit de 13,21 pour ces mêmes IMF et un ratio moyen de rendement sur actif de 10,46. Il en résulte de ces annexes qu‟un ratio de rendement du portefeuille de 16,04, un ratio moyen d‟autofinancement opérationnelle de 118,3, le taux moyen d‟encaisse oisive de 20,57, et un taux moyen des immobilisations de 14,78 caractérisent les IMF du Sud-Kivu dans les années 2011 et 2012.
Pour les IMF en faillite le portefeuille à risque moyen est de 30,42% contre 5,7% pour les IMF qui n‟ont pas fait faillite au courant de ces 2 ans. De même le ratio d‟abandon de créance pour les IMF en faillite et en survie est respectivement de 21,5 % et 5,25%. En plus, cette même analyse descriptive renseigne que le ratio d‟efficacité opérationnelle est de 6,11% pour les IMF non en faillite et de 21,17% pour les IMF en faillite. Par ailleurs, le nombre moyen d‟emprunteur par agent de crédit est de 142 contre 76 respectivement pour les IMF non en faillite et les IMF en faillite. La rentabilité moyenne des fonds propres est de 18 % et de 35,8 % pour les deux groupes (IMF non en faillite et en faillite). Le rendement moyen sur actif est aussi respectivement de 10,5 % et 9,9 % pour les deux groupes. Le rendement moyen du portefeuille pour les IMF en faillite est 16,5 % et de 13,3 % pour les IMF non faillite. L‟autosuffisance opérationnelle renferme 122, 9 % pour les IMF non en faillite et 93,75% pour les IMF en faillite.
„ Déterminants de faillite des Institutions de Microfinance du Sud-Kivu ‟
Julien IMANI MUSHAGALUSA Page 30
Le taux moyen d‟encaisse oisive est de 18,34 % et de 33,25 % respectivement pour les IMF en faillite et les IMF non en faillite. Le taux moyen d‟encours de crédit pour les IMF non en faillite est de 80,34% contre 89,25 % le taux moyen d‟encours de crédit pour les IMF en faillite. Enfin, le taux moyen des immobilisations pour les IMF non en faillite est de 13,36 % et pour les IMF en faillite, nous avons trouvé un taux moyen des immobilisations de 29 %. On désire par l‟analyse de la moyenne, savoir si les moyennes observées dans chacun des groupes peuvent être considérées comme des estimateurs de la même moyenne aux fluctuations du hasard près. C‟est-à-dire nous disposons d‟une variable qualitative binaire (faillite) qui permet de définir deux groupes. L‟annexe n°3 donne des informations concernant le test d‟égalité de moyennes de groupes.
Comme nous voulons savoir si les moyennes observées dans chacun des groupes peuvent être considérées comme des estimateurs de la même moyenne aux fluctuations du hasard près. Le test de student qui repose sur des comparaisons de moyennes de deux groupes (Rakotomalala, 2010) va nous permettre de discuter sur ce point. Mais avant de dire un mot sur la différence de moyennes, nous avons fait le test de normalité pour voir si nos variables suivent la distribution gaussienne de la variable Faillite (Droesbek et alii, 2005). Nous avons utilisé le test de Kurtoisis and Skewnes et nous trouvons qu‟à 95 %, la valeur de l‟aplatissement et la valeur de l‟asymétrie est incluse dans l‟intervalle de - 2 et + 2 (Rakotomalala, 2010). Ce qui traduit que nos données suivent une loi normale à 95 %.
Tableau N° 4 : Tests d'égalité des moyennes des groupes
Lambda de Wilks
F
ddl1
ddl2
Signification
PaR
,460
86,923
1
74
,000
RaC
,779
20,947
1
74
,000
ReO
,973
2,089
1
74
,153
RneaC
,758
23,564
1
74
,000
RfP
,892
8,966
1
74
,004
RsA
,999
,085
1
74
,772
RdP
,958
3,212
1
74
,077
RaO
,935
5,144
1
74
,026
TeO
,902
8,032
1
74
,006
TeC
,987
,992
1
74
,323
Tim
,849
13,124
1
74
,001
Source : SPSS vers. 20
Au vu des résultats des tests d'égalité des moyennes des groupes, nous considérons, pour les ratios qui ont un Lambda de Wilks proche de 1, que les moyennes de classe ne semblent pas être différentes. Il s‟agit des tous les ratios considérés sauf le ratio de portefeuille à risque.
„ Déterminants de faillite des Institutions de Microfinance du Sud-Kivu ‟
Julien IMANI MUSHAGALUSA Page 31
Quand nous voulons rejeter H0 pour les variables dont les probabilités critiques sont inférieurs à 0,05(au seuil de 5%) ou à 0,1(au seuil de 10%) comme c‟est le cas pour le ratio d‟abandon de créances (RaC), le ratio de nombre d'emprunteurs par agent de crédit (RneaC), le ratio de fonds propre (RfP), le ratio d‟autofinancement opérationnelle (RaO), le taux d‟efficience opérationnelle (TeO), et le taux d‟immobilisations (Tim), nous trouvons que ces variables ne donnent pas une différence significative entre les moyennes de deux groupes.
En outre, quand nous n‟allons ne pas rejeter H0 pour les ratios dont la probabilité critique est supérieure à 0,05. Cela est le cas pour les variables le ratio d‟efficacité opérationnelle, le rendement sur actif, le rendement du portefeuille et le taux d‟encours de crédits, nous disont que la différence n‟est pas significative entre les moyennes de ces deux groupes.
Ensuite, nous vérifions l‟homogénéité des variances de tous les échantillons (des 6 IMF et de 32 IMF non en faillite). En considérant les statistiques de levene (comme les échantillons de deux groupes sont différents) et nous avons constaté qu‟au seuil de 95 % les variances pour les deux groupes sont égales ou sont homogènes. Etant donné que le niveau de signification de F-test est supérieur à 0,05 cela indique qu‟il n y a pas de différences de variances entre les deux groupes. En d‟autres termes, au moins un des ratios moyens est identique pour les deux groupes. L‟ANOVA à un facteur suppose que toutes les variances des groupes sont égales (voir annexe N°3). Les statistiques descriptives des groupes renseignent que les moyennes de deux groupes sont différentes.
4.2. LES RESULTAT DE LA REGRESSION LOGISTIQUE
Les résultats de la régression logistique nous permettent de constater que toutes les variables incluses dans le modèle sont toutes significatives (Wald = ,000) et de ce fait permettent aussi de présenter une analyse de dépendance entre la variable faillite et les variables présumées déterminants de cette faillite. Le tableau repris en annexe N° 4 synthétise les résultats de dépendance et repère la valeur calculée de dépendance et la significativité de cette valeur calculée au seuil de 5 %. Ces résultats renseignent sur la façon dont la faillite est dépendante des variables indépendantes reconnues comme déterminants de cette faillite. Ces mêmes résultats indiquent une indépendance entre la faillite et quatre variables (p-value supérieure à 0,05) notamment le
„ Déterminants de faillite des Institutions de Microfinance du Sud-Kivu ‟
Julien IMANI MUSHAGALUSA Page 32
portefeuille à risque, l‟abandon des créances, le ratio de fonds propres, et le taux d‟immobilisations.
La probabilité critique (ici 1,000) supérieure à 0,05 n‟indique pas de liaison significative entre la faillite et certains variables considérées pour les IMF de la province du Sud-Kivu. Il apparait une liaison significative entre la faillite et certaines variables comptables. C‟est le cas du portefeuille à risque, du ratio d‟abandon de créance, du ratio de nombre d‟emprunteurs par agent de crédit, du rendement de portefeuille, le taux d‟encours de crédits et du taux des immobilisations (p-value inférieure à 0,05). La liaison entre la faillite des IMF et les variables telles que le taux d‟encaisse oisive, le rendement du fonds propres, le ratio d‟efficacité opérationnelle, le rendement sur actif et le ratio d‟autosuffisance opérationnelle (p-value supérieure à 0,05) n‟ont pas significative. Ces variables influencent donc faiblement le risque de faillite des IMF du Sud-Kivu. Ces résultats ne nous montrent pas une dépendance significative entre l‟activité exercée par les IMF et la faillite.
Les résultats suivants (Exp B) présentent une estimation de la probabilité de faillite par la régression logistique :
Tableau N°5 : Les déterminants de faillite
Source: Nos analyses avec SPSS vers. 20
Les résultats de la prédiction nous disent qu‟au point de coupure de 0,5, le modèle prédit correctement à 77,8 % des cas. Une fixation plus conservatrice du point de coupure de 0.5 n‟améliore pas le pouvoir de prédiction sur les IMF en faillite. Elle affecte toutefois la
B
E.S.
Wald
ddl
Sig.
Exp(B)
IC pour Exp(B) 95%
Inférieur
Supérieur
PaR
2,510
976,761
,000
1
,998
12,309
,000
.
RaC
,198
740,075
,000
1
1,000
1,219
,000
.
ReO
-,588
2016,899
,000
1
1,000
,556
,000
.
RneaC
-,380
149,012
,000
1
,998
,684
,000
4,726
RfP
,144
782,812
,000
1
1,000
1,155
,000
.
RsA
1,229
1344,149
,000
1
,999
3,419
,000
.
RdP
-2,087
1438,872
,000
1
,999
,124
,000
.
RaO
-,166
211,273
,000
1
,999
,847
,000
5,80
TeO
-,434
847,269
,000
1
1,000
,648
,000
.
TeC
,156
381,326
,000
1
1,000
1,169
,000
.
Tim
,371
291,601
,000
1
,999
1,450
,000
2,35
Constant
26,118
81171,777
,000
1
1,000
22031,275
a. Variable(s) entrées à l'étape 1 : PaR, RaC, ReO, RneaC, RfP, RsA, RdP, RaO, TeO, TeC, Tim.
„ Déterminants de faillite des Institutions de Microfinance du Sud-Kivu ‟
Julien IMANI MUSHAGALUSA Page 33
performance globale de prédiction du modèle (Voir à cet effet, Tableau N° 5: Table de prédiction dans les annexes).
Les pseudo-R2 (de Cox et Snell) indiquent que la faillite est expliquée à 58, 2 % par les variables du modèle. Ainsi le p-value est supérieur au risque usuel de 5 %. Le modèle est valide et est compatible avec les données. En d‟autres termes, à 58,2 la variabilité de la faillite est expliquée par les ratios comptables. Il arrive parfois que tous les coefficients pris individuellement soient non significatifs (Rakotomalala, 2009). En revanche, lorsque l‟on teste leur nullité simultanée, on est amené à rejeter l‟hypothèse nulle. Ainsi la statistique khi-deux (lu dans les annexes N°5) est inférieure au ratio de vraisemblance (LR Stat=66,297). Cela veut dire que les coefficients estimés sont homoscedastiques (c‟est-à-dire que leur variance est uniforme) et que l‟hypothèse de nullité des coefficients pris globalement est rejetée.
Les résultats des paramètres issus de la régression logistique tels que présentés dans la colonne de Exp (B), expliquent comment est-ce que les ratios comptables considérés contribuent significativement à l‟explication de probabilité qu‟une IMF détient pour tomber en faillite. Tous les ratios considérés sont significatifs étant donné que leurs Wald sont inférieur au seuil choisi (voir même 1 %). Le ratio portefeuille à risque, le ratio d'abandon des créances, le ratio de rentabilité de fonds propre, le ratio de rendement sur actif et le taux des immobilisations ont une influence positive significative sur la faillite des IMF du Sud-Kivu en 2012. Néanmoins, le ratio d'efficacité opérationnelle, le ratio de nombre d'emprunteurs par agent de crédit, le ratio de rendement du portefeuille ; le ratio d'autosuffisance opérationnelle et le taux d'encaisse oisive ont une influence négative significative sur la faillite.
Les rapports de chance [Exp (B)] soulignent néanmoins que lorsque pour une IMF, le portefeuille à crédit augmente d‟un pourcent, la probabilité que cette institution tombe en faillite est de 12,3 %. Ce qui montre évidemment que l‟augmentation du capital restant dû des crédits ayant au moins un remboursement en retards pour une Institution de Microfinance joue un rôle très capital dans la surgie de faillite des IMF. En plus, lorsque le ratio d‟abandon de créance varie positivement d‟un pourcent, la probabilité qu‟une institution de microfinance tombe en faillite est de 1,22 %. Ce qui traduit aussi que l‟augmentation de Montant des crédits passés en perte durant la période conduit une institution à la faillite.
„ Déterminants de faillite des Institutions de Microfinance du Sud-Kivu ‟
Julien IMANI MUSHAGALUSA Page 34
Lorsque pour une Institution de microfinance, le montant des charges d'exploitations de la période augmente d‟un pourcent, la probabilité de faillite diminue de 0,556 %. Ce qui montre qu‟à toute variation positive du ratio d‟efficacité opérationnelle la probabilité de faillite diminue. Aussi, une Institution de microfinance qui augmente les agents de crédits en fonction du nombre d'emprunteurs actifs diminue la probabilité de faillite de 0,684 %. D‟où le nombre d'emprunteurs actifs doit être reparti en fonction du nombre d‟emprunteurs actifs au sein de l‟institution de microfinance.
L‟augmentation du résultat d'exploitation hors subvention d‟un pourcent, la probabilité de faire faillite pour une institution de microfinance diminue de 1,1 %. Une Institution de Microfinance qui réalise de résultat sans subvention, il est claire qu‟elle diminue le risque de faillite parce le ratio de rentabilité de fonds propre augmente et montre que cette Institution de Microfinance réalise de résultat positif par ses propres fonds, ce qui l‟encourage dans les stratégies de gestion et de conquête de clients.
Une augmentation d‟un pourcent du ratio de rentabilité sur actif pour une Institution de Microfinance diminue la probabilité de faire faillite de 3,42 %. De même l‟augmentation du résultat d'exploitation hors subvention traduit cette diminution et induit techniquement que ce résultat d‟exploitation hors subvention couvre le montant moyen de l'actif pour la période avec évidemment un excèdent.
La diminution du ratio de rendement du portefeuille d‟un pourcent pour une Institution de Microfinance traduit la probabilité de 0,12 % de faire faillite. C‟est parce que le montant des intérêts et des commissions perçues au cours de la période diminue. Ainsi, la quantité de revenus (intérêts et des commissions) fait défaut, l‟institution de Microfinance ne peut plus capable de faire un rendement dans son portefeuille d‟actif. Il est clair, selon les résultats des odds ratios (Exp B) que la diminution du ratio d'autosuffisance opérationnelle d‟une Institution de Microfinance augmente la probabilité de faire faillite de 0,87 %. Par la, il est logique que son montant total des produits d'exploitation a chuté et conduit l‟institution de Microfinance dans le problème de dépenses inutilement les charges d'exploitation.
De plus, lorsque le taux d'encaisse oisive diminue d‟un pourcent, ce qui implique une diminution de Disponibles d‟une Institution de Microfinance, la probabilité que cette IMF fait faillite est de 0,648 %. De même pour une autre mesure de la gestion de bilan qui est le taux d'encours de
„ Déterminants de faillite des Institutions de Microfinance du Sud-Kivu ‟
Julien IMANI MUSHAGALUSA Page 35
crédits. Lorsque pour une Institution de Microfinance, le taux d'encours de crédits augmente d‟un pourcent, ce qui traduit l‟augmentation du montant brut du portefeuille de crédits de la période, la probabilité que cette IMF tombe en faillite est de 1,17 %. Enfin, lorsque pour une IMF le taux des immobilisations augmentent d‟un pourcent, le montant net des immobilisations augmente aussi et induit ainsi une probabilité de 1,45 %.
La probabilité de faillite est donc :
P = – –
4.3. LES RESULTATS DE L‟ANALYSE DISCRIMINANTE
A partir d‟un ensemble de 11 ratios considérés, les résultats suivants vont nous donner les quels de ces ratios sont significatives et ceux d‟entre eux qui sont les plus discriminantes. Le tableau suivant nous donne plus de détails :
Tableau N° 6 : Les ratios discriminants
Fonction standardisée
Fonction non standardisée
1
1
PaR
,822
,688
RaC
,482
,758
ReO
-,065
,338
RneaC
-,446
,267
RfP
-,092
,221
RsA
-,076
,209
RdP
-,110
-,167
RaO
-,046
-,132
TeO
,434
,107
TeC
,219
,074
Tim
,030
-,021
Source: Nos analyses avec Tanagra.
Ce modèle de classement est expliqué par la corrélation canonique. Plus la corrélation canonique est proche de 1, meilleur est le modèle. Dans notre cas, la corrélation canonique est égale à 0,844. Le pouvoir discriminant de la fonction discriminante extraite est de 84,4%. Également, la valeur de Lambda de Wilks8 étant faible (égale à 0, 287) mais significatif (,000) avec un khi-deux ayant
8 Lambda de Wilks est le rapport de la variation intra-groupes à la variation totale. La variation intra-groupes est, pour chaque groupe, la somme des carrées des différences entre les scores discriminants individuels et le centroïde du groupe
„ Déterminants de faillite des Institutions de Microfinance du Sud-Kivu ‟
Julien IMANI MUSHAGALUSA Page 36
un degré de signification moins élevé au seuil de 5% (supérieur à 0,05). Cela veut dire qu‟au niveau global, la différence des moyennes des groupes est significative.
Les ratios les plus discriminants sont ceux dont leurs coefficients non standardisés ont des plus grandes valeurs positives ou négatives. De ce fait, deux ratios s‟avèrent plus discriminants. Il s‟agit de ratios du portefeuille à risque (0,688) et le ratio d‟abandon de créance qui discriminent les deux groupes (avec un coefficient de 0,735). Ces résultats soulignent que contrairement aux Institutions de Microfinance en survie, celles en faillite ont des ratios de portefeuille à risque et d‟abandon de créance, les plus élevés possibles
Le choix entre la fonction discriminante (une seule fonction) et les fonctions de classement (dans notre cas : deux fonctions) nous donne aussi plus de détails. Le traitement de notre base des données par le biais du logiciel SPSS 20 nous a permis d‟identifier la fonction score (voir annexes N°6 : Coefficients des fonctions discriminantes canoniques standardisés). Notre fonction score peut ainsi s‟écrire :
– – L‟affectation aux groupes se fera en fonction des centroïdes de ces derniers, c'est-à-dire par comparaison avec un score discriminant « moyen » pour chaque groupe. Ce score moyen est calculé à partir de la fonction discriminante, où l‟on remplace les valeurs individuelles par les moyens des variables indépendantes pour le groupe dont on s‟occupe.
Chaque score individuel (discriminant individuel) est ensuite comparé aux deux scores moyens et affecté au groupe doit-il est le plus proche (voir annexe N°7 : La fonction aux barycentres des groupes). Mais la question qui se pose est la suivante : à partir de quel score peut-on affecter les IMF au groupe 1 (faillite) et non pas au groupe 0 (pas faillite) ? Pour ce faire, il a été question de déterminer un score qui joue le rôle de frontière entre les groupes. Si les groupes sont de dimensions égales, le score critique est égal à la moyenne des moyennes des scores des groupes. Dans notre cas, ce score est égal : (-0,673+ 3,588)= 2, 915. Le score frontière est de 2,915. La règle de classement de chaque IMF dans l‟un ou l‟autre groupe est alors la suivante :
Score supérieur 2,915 Faillite
Score inférieur - 2,915 Non en faillite
„ Déterminants de faillite des Institutions de Microfinance du Sud-Kivu ‟
Julien IMANI MUSHAGALUSA Page 37
Mais il convient de signaler qu‟il y a une zone d‟incertitude qui se situe entre les deux centres de gravite des deux groupes (-2,915 ; 2,915). Cette zone ne permet pas de trancher définitivement sur la faillite ou non des IMF.
Concernant les fonctions de classement, le tableau des annexes N°8 donne les coefficients de ces deux fonctions de classement fournis par le traitement statistique. Ces coefficients permettent de classer les IMF dans les groupes (faillite=1 et non faillite =0). De ces résultats, il s‟avère aussi qu‟à probabilité égales (50 % de chance d‟être une variable qui explique la différence de groupes), deux variables seulement expliquent la différence de groupe. Il s‟agit du ratio de portefeuille à risque et le ratio d‟abandon de créances. Ces deux variables affichent une différence en termes de signe et influencent négativement les IMF qui n‟ont pas fait faillite, alors qu‟elles influent positivement les IMF qui on fait faillite. En d‟autres termes, ces deux ratios expliquent la différence de deux groupes (des IMF en faillite et Non en faillite).
4.4. INTERPRETATION DES RESULTATS
Au vu des résultats présentés dans les lignes ci-dessus, tous les ratios considérés sont significatifs. Certaines variables ont une influence positive et d‟autres une influence négative. Six variables parmi les onze retenus semblent influencer positivement la faillite des IMF du Sud-Kivu et cinq autres l‟influent négativement. Celles qui influencent positivement la faillite des IMF sont entre autre le ratio de portefeuille à risque, le ratio d‟abandon de créances, le ratio de rentabilité de fonds propres, le ratio de rendement sur actif, le taux d‟encours de crédits et le taux des immobilisations.
Des résultats qui concordent avec les nôtres ont été trouvés : Kablan (2012), trouve qu‟un portefeuille à risque important est un ratio financier très capital dans l‟étude des facteurs qui influent sur faillite des IMF par ce que le retard de paiement affecte directement un problème d‟'illiquidité. Les résultats de Sébastien (2011), sont éclaircissants et soulèvent le fait que la liquidité et la qualité du crédit sont deux variables importantes qui contribuent positivement aux faillites des banques. Le ratio d‟abandon de créances aussi influence positivement la faillite des IMF du fait que lorsqu‟une IMF enregistre beaucoup de crédits non remboursés, elle souffre d‟un problème dans son actif ; ce c‟est qu‟a aussi trouvé Sébastien (2011). Les ratios du portefeuille à risque et d‟abandon de créance donnent une idée sur les caractéristiques des crédits ou sur la composition du portefeuille des crédits par rapport au total bilan et ont une influence positive sur la faillite des Institutions de Microfinance. Avery et Hanweck (1984) Barth et al. (1985) et
„ Déterminants de faillite des Institutions de Microfinance du Sud-Kivu ‟
Julien IMANI MUSHAGALUSA Page 38
Benston (1985) ont aussi trouvé la significativité de ces ratios du portefeuille de crédits sur la défaillance des banques américaines. L‟influence du ratio de portefeuille à risque et de l‟abandon de créance dans l‟explication de faillite vient du fait de son augmentation, ce qui induit en son tour l‟augmentation du capital restant dû des crédits ayant au moins un remboursement en retards, ce qui au finish diminue le montant brut du portefeuille des prêts.
Le ratio de rentabilité de fonds propres a une influence significative sur la faillite Des résultats semblables ont trouvés par Sébastien, (2011). Ce ratio financier a une influence pas négligeable dans l‟explication de faillite des banques. Kablan Sandrine (2012) a trouvé que le ratio de rentabilité des fonds propres influence la faillite des IMF dans la zone UEMOA. Le ratio de rendement sur actif est significatif et influe sur la probabilité de faillite. Ce constant est proche de l‟étude de Bruno (2000) montrant que ces deux ratios expliquent la rentabilité des banques commerciales et sont significatifs comme facteurs de défaillance des Institutions de Microfinance. Martin (1977) souligne que, quand les actionnaires ou les propriétaires des fonds ne voient pas le retour sur leurs investissements effectués dans l'institution, ils constantes déjà un problème de gestion, ce qui justifie la baisse de rentabilité de fonds propres.
Le ratio du taux d‟encours de crédit est significatif et influe sur la faillite des IMF. Lorsque le taux d‟encours de crédit au sein d‟une Institution de Microfinance augmente, ce qui traduit l‟augmentation du montant brut du portefeuille de crédits de la période, elle subit une diminution du total actif de la période, ce qui la fait conduire dans le phénomène de faillite, comme le souligne Sinkey (1975). Si la politique de crédit n‟est pas bien adapté, il va s‟observer une fuite des clients ou un non remboursement des crédits reçus, ce qui peut mettre en péril le travail de l‟IMF. Les études de Rabiou, (2002) et d‟Angora et Tarazi (2008) trouvent le même constant.
Pour ce qui est du ratio des immobilisations, significatif avec une influence positive sur la faillite des IMF. Du fait que le taux élevé indique la valeur des biens physiques présente comme une charge dans la gestion des IMF, ce qui affecte le bilan des IMF. Le ratio d‟efficacité opérationnelle est aussi significatif et a une influence négative sur la faillite des IMF. Les IMF qui ne rationalisent pas le traitement de leurs opérations peuvent se trouver dans un problème de l‟inefficacité opérationnelle, ce que souligne Cordella et alii, (1998).
„ Déterminants de faillite des Institutions de Microfinance du Sud-Kivu ‟
Julien IMANI MUSHAGALUSA Page 39
Le ratio de nombre d'emprunteurs par agent de crédit est signifiactif et a une influence négative sur la faillite. Ceci dit si la manière dont une IMF est parvenue à adapter ses méthodes et procédures pour mener ses activités de crédit n‟est pas effective, elle affecte négativement la rentabilité des IMF et augmente la probabilité de faillite, ce qu‟à constater Altman et al. (1977) comme ratio d‟exploitation d‟un établissement bancaire.
En plus, le ratio d'autosuffisance opérationnelle aussi est significatif avec une influence négative sur la faillite. Ce que montre Sébastien,(2011) en soulignant que, quand les produits d'exploitation sont insuffisants pour couvrir toutes les charges d'exploitation à l'aide de ses revenues opérationnelles, l‟établissement bancaire souffre d‟un problème d‟inefficience opérationnelle. Enfin, le taux d'encaisse oisive est un déterminant significatif de faillite des IMF et l‟influence négativement. Ce qui indique le cas où il y a un faible niveau de l‟actif disponible au sein de l‟IMF.
Les résultats obtenus par un logit montrent également que lorsqu‟il y a augmentation du capital restant dû des crédits ayant au moins un remboursement en retards pour une Institution de Microfinance d‟un pourcent, la probabilité de tomber en faillite augmente. Bruno (2000) trouve que les IMF en faillite sont celles qui ont enregistré les beaucoup de créances qui ont été rarement ou insuffisamment remboursés. En plus, lorsque le ratio d‟abandon de créance varie positivement d‟un pourcent, la probabilité qu‟une institution de microfinance tombe en faillite est de 1,22 %. Ce qui traduit aussi que l‟augmentation de Montant des crédits passés en perte durant la période conduit une institution à la faillite. Bardos (2001) partage ce même avis, et souligne que les IMF en faillite étaient souvent dans une situation financière critique, elles n‟ont pas été en mesure de rembourser les dettes suite à l‟augmentation des crédits perdus.
Ces mêmes résultats de la régression logistique montre que dès lors, pour une Institution de Microfinance, le montant des charges d'exploitations de la période augmente, la probabilité de faillite diminue. Ce qui montre qu‟à toute variation positive du ratio d‟efficacité opérationnelle la probabilité de faillite diminue. Aussi, une Institution de microfinance qui augmente les agents de crédits en fonction du nombre d'emprunteurs actifs diminue la probabilité de faillite. L‟augmentation du résultat d'exploitation hors subvention, la probabilité de faire faillite pour une institution de microfinance diminue. Une Institution de Microfinance qui réalise de résultat sans subvention, il est claire qu‟elle diminue le risque de faillite parce le ratio de rentabilité de fonds propre augmente et montre que cette Institution de Microfinance réalise de résultat positif par ses propres fonds, ce qui l‟encourage dans les stratégies de gestion et de conquête de clients.
„ Déterminants de faillite des Institutions de Microfinance du Sud-Kivu ‟
Julien IMANI MUSHAGALUSA Page 40
Les résultats obtenus permettent de conclure aussi qu‟une augmentation du ratio de rentabilité sur actif pour une Institution de Microfinance diminue la probabilité de faire faillite. De même l‟augmentation du résultat d'exploitation hors subvention traduit une diminution de la probabilité de faire faillite pour les Institutions de Microfinance. La diminution du ratio de rendement du portefeuille pour une Institution de Microfinance traduit une augmentation de la probabilité de faire faillite. C‟est parce que le montant des intérêts et des commissions perçues au cours de la période diminue, mais aussi parce que la quantité de revenus (intérêts et des commissions) fait défaut, l‟institution de Microfinance ne peut plus capable de faire un rendement dans son portefeuille d‟actif. Selon les mêmes résultats de la régression logistique, la diminution du ratio d'autosuffisance opérationnelle d‟une Institution de Microfinance augmente la probabilité de faire faillite.
Une des conclusions à laquelle cette recherche aboutit concerne la diminution du taux d'encaisse oisive. Ceci implique qu‟une diminution de disponibles d‟une Institution de Microfinance, augmente la probabilité de faillite. De même pour une autre mesure de la gestion de bilan qui est le taux d'encours de crédits. L‟augmentation du taux d'encours de crédits augmente la probabilité de faillite. Enfin, l‟augmentation du taux des immobilisations augmente une probabilité.
Les résultats de l‟analyse discriminante relèvent de sa part deux variables parmi les onze présélectionnés expliquant la grande différence des IMF en faillite et celles non en faillite. Il s‟agit du ratio de portefeuille à risque et le ratio d‟abandon de créances. Ces deux variables affichent une différence en termes de signe et influencent négativement les IMF qui n‟ont pas fait faillite, alors qu‟elles influent positivement les IMF qui on fait faillite (avec des Probabilités à priori des groupes égales soit 50 %). Les autres ratios restant les moins discriminants
Ainsi donc, les deux grandes conclusions auxquelles aboutit cette recherche sont telles parmi les 11 ratios testés comme déterminants de la faillite des Institutions de Microfinance au Sud-Kivu, les mêmes 11 ratios s‟avèrent significatifs, et les ratios les plus discriminants significativement sont le ratio du portefeuille à risque et le ratio de l‟abandon de créance. Ce qui nous permet de confirmer nos hypothèses selon lesquelles, les ratios comptables influencent significativement la faillite des IMF du Sud-Kivu enregistrées en fin 2012 et le modèle linéaire discriminant (ADL) nous permet de voir parmi les ratios comptables, les quels sont les plus discriminants ou encore créent la différence entre les deux groupes des IMF (en faillite ou pas). Selon cette analyse
„ Déterminants de faillite des Institutions de Microfinance du Sud-Kivu ‟
Julien IMANI MUSHAGALUSA Page 41
discriminante, les Institutions de Microfinance en faillite ont des ratios de portefeuille à risque et d‟abandon de créance, les plus élevés possibles. Il est donc claire qu‟à travers ces résultats interprétés, l‟objectif de tester l‟apport des ratios comptables est atteint. Ce qui montre que les ratios comptables jouent un grand rôle dans l‟explication de faillite des Institutions de Microfinance.