CHAPITRE TROISIEME : ANALYSE ET INTERPRETATION DES RESULTATS

Tout au long de ce chapitre nous allons nous atteler à analyser différentes variables. ; Ainsi, ce chapitre se consacrera en premier plan à la présentation des enquêtés, deuxièmement à l’analyse de la relation des clients avec la MECREBU et troisièmement à l’analyse de l’impact des variables sur les départs des clients afin de percevoir les variables quantitatives et qualitatives de notre étude ;

III.1.   REPARTITIONS DE L’ECHANTILLON

III.1.1.   Répartition selon le sexe des emprunteurs

Figure n^o3 : Répartition des emprunteurs selon leurs sexes

Source : Nos analyses avec Excel 2010

Nous trouvons à partir de ces résultats que 60,0% d’emprunteurs sont constitués des hommes et le reste des femmes. Ce qui explique le faible défaut de remboursement des femmes par rapport aux hommes en matière de crédit.

III.1.2.  Répartition selon la profession des emprunteurs

Figure n^o4 : Répartition selon la profession des emprunteurs

Source : Nos analyses avec Excel 2010

De ce tableau, il ressort que la majorité des membres de notre échantillon (42,7%) pratiquent le commerce, d’autres  sont des agents (41,8%) dans diverses institutions de la place.

III.1.3.   Répartition selon l’objet déclaré du prêt

Figure n^o5 : Répartition selon l’objet déclaré du prêt

Source : Nos analyses avec Excel 2010

La plupart des emprunteurs  ont demandé pour renforcer leurs activités productrices.

III.1.4.   Répartition selon le type de prêt

Figure n^o 6 : Répartition selon le type de prêt

Source : Nos analyses avec Excel 2010

               La plupart des emprunteurs ont demandé le crédit pour exercer certaines activités rémunératrices (prêt à la production) et représentent 68,2%. D’autres ont demandé du crédit pour faire face à certaines dépenses (prêt à la consommation) et représentent (31,8%).

III.1.5.   Répartition selon la catégorie de membre

Figure n^o7 : Répartition selon la catégorie de membre

Source : Nos analyses avec Excel 2010

               Les bons emprunteurs, c’est-à-dire ceux qui ont remboursé la totalité du montant demandé  dans le délai convenu constituent la minorité (24,5%). Les mauvais emprunteurs, ceux qui n’ont pas remboursé la totalité du montant demandé et qui ont déjà 360 jours de retard  de paiement ou plus, ils représentent 75,5%.

III.2.   MODELE DE REGRESSION LINEAIRE MULTIPLE

Tableau n°4 : Tableau des résultats économétriques reprenant toutes les variables : Estimation par la méthode des moindres carrés ordinaires

Variable dépendante: CL
Observations : 110
Variables indépendantes	Coefficient	Std. Error	t-Statistic	Prob.
BI	0.788148	759.0675	1.816898	0.0721
EC	0.334281	0.027885	11.98793	0.0000
TD	0.814260	10.44637	1.928192	0.0565
Constante	166.118	503.6293	-3.300281	0.0013
R-squared	0.600456	Mean dependent var		1578.009
Adjusted R-squared	0.589148	S.D. dependent var		3924.963
S.E. of regression	2515.811	Akaike info criterion		18.53426
Sum squared resid	6.71E+08	Schwarz criterion		18.63246
Log likelihood	-1015.385	F-statistic		53.10086
Durbin-Watson stat	2.037160	Prob(F-statistic)		0.000000

Source : nos confections sur base du logiciel Eviews.3.1

Ces résultats également repris dans l’annexe n°1 donnent la première estimation obtenue en intégrant toutes les variables explicatives du modèle. Il apparaît que toutes les variables retenues jouent un rôle dans l’explication du défaut sur crédits accordés à la MECREBU au seuil de confiance de 10%. En effet, la dernière colonne de ce tableau indique que leurs p-value sont inférieures au seuil de 10% (0,10) et l’avant dernière colonne indique que leurs T-Student calculés sont supérieurs au T-table (1.65). De ce fait, nous n’allons pas procéder à la technique de « backward elimination » préconisée par R. BOURBONNAIS (2009) en éliminant les variables non significatives.

               Nous avons obtenu un coefficient de détermination de 0.600456. Ce qui signifie que 60.04% de variabilité du défaut sur prêt accordé à la MECREBU est expliqué par la variation de la variable indépendante retenue dans ce modèle.

III.3.   TESTS DE VALIDITÉ ÉCONOMÉTRIQUES

 Ces tests porteront essentiellement sur deux volets :

-   Test de significativité des coefficients des variables exogènes

-   Test de normalité des résidus

-   Test d’Hétéroscédasticité des erreurs de White

-   Test de significativité globale du modèle.

III.3.1. Tests de significativité des coefficients exogènes.

A.   Test sur l’intercepte

Dans notre cas, l’intercepte a un ratio de Student égal à -3.300281 en valeur absolue supérieur à la statistique T-lu (au  de degré de liberté 110-2-1=107). La  valeur de la table obtenue par interpolation se chiffre à 1.65 ; par conséquent l’hypothèse Н₁ est acceptée. Le modèle admet la présence de l’intercepte et requiert la forme générale suivante : Y_i= β₀+ β₁x₁+ β₂X₂+ β₃X₃+ β₄X₄+ …. + β_nx_n , avec β_i,, les paramètres du modèle y compris l’intercepte, x_ii les variables  exogènes.

B.   Test sur la variable exogène

Seront alors significatives les variables dont les ratios de Student sont supérieurs à (T_théorique) ^0,10₁₀₇=1.65

Il s’en suit, que toutes les variables retenues sont significatives au seuil de 10%, avec une probabilité véritablement inférieure à 0,10.

III.3.2.   Test de normalité des résidus

Figure n°8 : Tendance des résidus de l’estimation.

Source : notre traitement sur base d’Eviews 3.1

Comme le Skweness (coefficient d’asymétrie) est positif (1.235788), la série des résidus possède une queue de distribution vers la droite. Comme le kurtosis (coefficient d’aplatissement) est supérieur à 0 (36.40389), la distribution des séries possède, dans ce cas, une queue de distribution plus épaisse que celle de la loi normale.

L’examen de la série résiduelle laisse voir que les résidus suivent un processus gaussien.

En effet, nous recourons, pour ce faire, à la statistique de Jarque-Bera (1982) pour effectuer le test de normalité des résidus.

Elle nous est directement fournie par le logiciel Eviews 3.1 et correspond à 5142.171 avec une probabilité lui associée de 0.000. Comme JB calculé est supérieur à JB lu dans la table de X² (Khi-deux) à 2ddl (2 degrés de liberté) au seuil de 5% (5,991), nous acceptons l’hypothèse alternative. Cette décision peut encore être prise  en comparant la probabilité associée à JB au seuil choisi. Nous ne constatons que la valeur du p-value est inférieure à 0.05 (au seuil de 5%). Ainsi donc, les résidus du modèle ne suivent pas une distribution normale.

III.3.3.   Test d’Hétéroscédasticité des erreurs de White

Ce test consiste à vérifier si la variance des  résidus reste constante quel que soit la variation  du temps. Il faudra  que E( ) = .

Les conséquences de l’Hétéroscédasticité sont les suivantes : l’estimateur sans biais ; l’estimateur MCO n’est plus à variance constante.

L’idée de ces tests est de vérifier si le carré des résidus peut être expliqué par les variables explicatives du modèle. Si tel est le cas, il y a une Hétéroscédasticité.

Dans le cadre de cette recherche, nous faisons recours au test de White. L’hypothèse nulle de ce test est que tous les coefficients de la régression des carrées des résidus sont nuls, c’est-à-dire que les variables du modèle n’expliquent pas la variance des termes d’erreurs.

Le résultat nous fournit par le logiciel est présenté dans le tableau ci-dessous.

Tableau n°5 : Test d’Hétéroscédasticité de White

F-statistic	1.52157	Probability	0.261010
Obs*R-squared	11.97186	Probability	0.278928

Source : notre confection avec Eviews 3.1

               Il est évident de constater à partir du tableau ci haut que W = 11.17186 ce résultat, en le comparant à X² (8)[1] lu dans la table de Khi-deux à 5%, on constate que W inférieur à 15,507 et la probabilité affichée est supérieure à 5%. Nous sommes dans ce cas amenés à accepter l’hypothèse nulle, le modèle est donc homoscédastique.

III.3.4. Test de significativité globale du modèle.

                  Nous vérifions ici si le coefficient de détermination(R²) dont la valeur se chiffre à  %, conformément au tableau n°5 est significativement différent de 0 ; autrement dit nous vérifions si le modèle est globalement significatif. Pour ce faire, nous faisons recours au test de Fisher-Snedecor. Ce dernier consiste à comparer la statistique de Fisher calculée à  celle tabulée. Si la première obtenue par la formule F_calculée=  est supérieure à la seconde, l’hypothèse qui stipule la significativité du modèle est acceptée. Dans notre contexte, F_calculé = 53.10086. Ce résultat correspond à la statistique de Fisher présentée à l’annexe n°2.

Ainsi, comparée à la F_th  au degré de liberté k-1 ;n-k ; F_th(2 ;108)_{0,10  ;} dont la valeur obtenue par interpolation, faute de valeur précise dans la table de Fisher est de 2.3879, la F_calculé est supérieure à la F_tabulée ; Le modèle est significatif. Il s’en suit que sa forme retenue est bonne et conforme.

Forme définitive du modèle de la perte sur crédits accordés

Après toutes les corrections opérées sur le modèle initial, le modèle définitif de la perte sur crédits (CL : Credit loss) accordés peut s’écrire :

CL = 166.118 + 0.788148 BI + 0.334281 EC + 0.814260 TP +â„°

           (-3.300281)         (1.816898)               (11.98793)                 (1.928192)

Nous remarquons que toutes les variables exogènes expliquent positivement la perte de crédit. La perte autonome représente 166.

Les chiffres entre parenthèses, représentent les t de Student respectifs à l’intercepte et aux  variables significatives au seuil de 10%.

III.3.5. Détermination du capital à risque

L’espérance du défaut ou défaut attendue de l’échantillon de portefeuille de prêts est estimée à 1578 $ et l’écart-type des pertes de ce portefeuille est de 3924 $. Lapire défaut qu’il puisse survenir avec une probabilité de 99% sur une base annuelle, si l’on suppose que la distribution des défauts obéit à une loi normale, est alors de : 2,33  3924 $ = 9142,92 $. Le défaut non espérée ou le défaut inattendue est alors de : 9142,92 – 1578 = 7564,92 $. C’est là le capital que doit détenir l’institution pour couvrir ses défauts. On nomme ce capital : CaR, soit l’acronyme de : Capital at Risk. Ce résultat nous permet de confirmer notre deuxième hypothèse de recherche qui dit que le montant de capital que doit détenir l’institution pour couvrir ses défauts inespérés sur crédits accordés est le capital à risque. Ce montant du défautinespéré est dans notre cas supérieur au montant du défautespéré, ceci compte tenu des aléas sur le défaut  d’un portefeuille de crédits.

En outre, nous pouvons démontrer le défautinattendue par la formule de z-statistique :

Où z : un résultat x exprimé en fonction de sa distance par rapport à la moyenne de la distribution, c’est un résultat standard appelé « écart réduit »

 : Moyenne de la distribution de l’échantillon des pertes

 Ecart-type de la distribution.

III.4.   MODELE DES DETERMINANTS DU DEFAUT DE REMBOURSEMENT

III.4.1.   ESTIMATION  DU MODELE LOGISTIQUE

Tableau n° 6: Estimation du modèle reprenant toutes les variables

Variables	B	Wald	ddl	Sig.= P-Value	Exp(B)= Odds ratio
Montant reçu	0,003	1,024	1	0,012	1,003
Jrs arriérés	-0,010	1,830	1	0,000	0,990
Montant Demandé	-0,002	1,006	1	0,316	0,998
Degré de rationnement	-0,048	0,000	1	0,085	0,953
Temps (e) Dde et acceptation crédit	0,008	0,068	1	0,795	1,008
Taux d’intérêt	0,066	1,054	1	0,005	1,068
Durée prêts	-0,706	3,835	1	0,050	0,494
Nombre prêts déjà accordés	-0,527	0,949	1	0,030	0,590
Sexe	0,928	0,399	1	0,528	2,528
Epargne caution	-0,001	0,048	1	0,827	0,999
Profession	1,017	2,214	1	0,137	2,766
Objet de prêt	-0,281	0,610	1	0,435	0,755
Constante	6,286	1,540	1	0,015	536,761

Source : Nos confections sur base de logiciel SPSS 20

Les résultats de l’estimation du modèle démontrent que six variables sur douze sont significatives au seuil de 10%. Nous allons éliminer les variables non significatives et estimer de nouveau le modèle[2]. D’où nous avons les résultats suivants :

Tableau n°7 : Résultats de la deuxième régression

Variables	B	Wald		ddl			Sig.= P-Value			Exp(B)= Odds ratio
Montant reçu	0,002	0,021		1			0,084			1,080
Jrs Arriérés	-0,009	1,637	1			0,000		0,991
Degré de rationnement	-2,323	0,636		1	0,025				0,098
Taux d’intérêt	0,653	0,100		1	0,052				1,921
Durée de prêt	-0,521	2,852		1	0,091				0,594
Nombre des prêts déjà accordés	-0,264	0,357		1	0,050				0,768
Constante	7,363	1,474		1	0,125				176,484

Source : Nos confections sur base de logiciel SPSS 20

Les coefficients des variables explicatives ne sont pas statistiquement différents de zéro vu que les statistiques de Wald sont inférieur à                  =                     .

               Considérant un seuil de signification de 10%, les variables qui influencent significativement[3] le défaut de remboursement de crédit sont le montant reçu, les jours des arriérés, le degré de rationnement, le taux d’intérêt, la durée de prêts et le nombre de prêts déjà accordés (cycle).

               Il arrive parfois que tous les coefficients pris individuellement soient non significatifs (R. 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 la table est inférieure au ratio de vraisemblance[4] (LR Stat=37,7). Cela veut dire que les coefficients estimés sont homoscédastique et que l’hypothèse de nullité des coefficients pris globalement est rejetée.

1. DISCUSSION ET INTERPRETATION DE L’EFFET DES FACTEURS RETENUS SUR LA CHANCE D’AVOIR UN DEFAUT DE REMBOURSEMENT DE CREDIT A LA MECREBU

1. Le montant de prêt reçu par l’emprunteur

Ce montant, exerce une influence positive sur la chance de défaut de remboursement d’un emprunteur. A titre d’interprétation, nous dirons que lorsque le montant de prêt reçu par l’emprunteur augmente d’une unité, celui-ci a (1,080-1)*100=8% plus de chance de présenter un défaut de remboursement. Ce résultat confirme nos hypothèses par rapport aux signes attendus.

1. Les jours des arriérés

Les jours des arriérés exercent une influence négative sur le défaut de remboursement. Lorsque le jour des arriérés augmente d’une unité, l’emprunteur a (0,991-1)*100=-0,09% moins de chance d’avoir un défaut de remboursement. Ce résultat est infirmé par nos hypothèses de recherche.

1. Le degré de rationnement

Le degré de rationnement d’un prêt donné exerce une influence négative sur le défaut de remboursement. Lorsque ce degré augmente d’une unité, l’emprunteur a (0,098-1)*100=-90,2% moins de chance d’avoir un défaut de remboursement. Ce résultat correspond aux signes attendus.

Les résultats issus du modèle indiquent que le fait d’être rationné est négativement lié à la probabilité de défaut. Plus on est rationné moins on a la probabilité de défaut. Plusieurs facteurs sont pris en compte dans la décision de rationnement mais les éléments les plus déterminants demeurent le plus souvent la nature de l’activité à fiancer, le niveau de revenus et de richesse qui détermine sa capacité de remboursement. Zeller (1994) cité par Diallo (2006) a obtenu des résultats similaires en analysant les déterminants du rationnement de crédit parmi les prêteurs informels et les groupes de crédit formels au Madagascar.

1. Le taux d’intérêt

Le taux d’intérêt accordé à un emprunteur exerce une influence positive sur le défaut de remboursement. Lorsque le taux d’intérêt augmente d’une unité, la probabilité de défaut de remboursement d’un emprunteur augmente de (1,921-1)*100=92,1%.

               Théoriquement, plus le taux d’intérêt est élevé, plus la probabilité de défaut augmente. Cette hypothèse est confirmée par nos résultats.

1. La durée de prêts

La durée de prêt accordé à un emprunteur exerce une influence négative sur le défaut de remboursement. Lorsque la durée augmente d’une unité, la probabilité de défaut de remboursement d’un emprunteur diminue de (0,594-1)*100=-40,6%. Ce résultat est infirmé par nos signes attendus.

1. Le nombre de prêts déjà accordés (cycle)

Le cycle de prêt d’un emprunteur exerce une influence négative sur le défaut de remboursement. Lorsque le cycle augmente d’une unité, la probabilité de défaut de remboursement d’un emprunteur diminue de (0,768-1)*100=-23,2%. Ce résultat est affirmé par rapport aux signes attendus.

Si p est la probabilité de défaut, l’équation estimative du modèle est la suivante :

La probabilité de défaut est :

III.3.2.   TESTS DE VALIDITE DU MODELE LOGISTIQUE

1. SPECIFICATION ET RECAPITULATIF DU MODELE

Tableau n°8 : Tests de spécification du modèle

	Khi-Chi-deux	ddl	Sig.
Etape	84,841	6	,000
Bloc	84,841	6	,000
Modèle	84,841	6	,000

Source : Nos confections avec SPSS 20

Tableau n°9 : Récapitulatif des modèles

-2log-vraisemblance	R-deux de Cox & Snell	R-deux de Nagelkerke
37,762	,538	,800

Source : Nos confections avec SPSS 20

La valeur dite du « moins 2 log vraisemblance » (en anglais -2 log likelihood, parfois abrégé-2LL) peut être conçue comme une mesure de  l’écart entre les valeurs de Y calculées à partir du modèle et les valeurs de Y telles qu’observées. La statistique de la Log vraisemblance est égale : 37,762 qu’on compare à X² lu dans la table à un seuil de 10%, 6 degré de liberté, soit 10,645. On constate que Log vraisemblance > X²_0.05[5]. Nous rejetons l’hypothèse nulle. Le modèle estimé comporte au moins une variable explicative de significative.

Ce qui importe n’est pas la valeur en soi de cette mesure mais la différence de valeurs entre deux modèles. Pour savoir si cette différence est significative, on procède à un test du khi², avec un degré de liberté égale à la différence du nombre de paramètres entre les deux modèles ainsi comparés (Jean-François BICKEL, 2008).

Ici, le modèle de l’étape 1 avec les variables indépendantes retenues est comparé au modèle vide (=sans variable indépendante). La valeur du « moins 2 log vraisemblance »  pour le modèle de l’étape 1 est de 37,762. La différence de cette valeur avec celle calculée pour le modèle vide est de 84,841.

La significativité de cette différence fait l’objet d’un test du khi2, avec k (ici 6) degrés de libertés correspondants aux variables explicatives. Le résultat du test indique une différence significative (p<.001). On en conclut que le modèle comprenant la variable les variables indépendantes permet de mieux se rapprocher des valeurs de Y observées que le modèle vide.

Les pseudo-R² (ceux de Cox-Snell et Nagelkerke)  indiquent que le défaut de crédit est expliqué à 53,8% et à 80,0% par les variables du modèle.

               Cependant, cette conclusion requiert de la prudence car, contrairement au modèle de régression linéaire pour lequel les paramètres sont choisis de manière à maximiser le cœfficient de la détermination R², les paramètres d’un modèle à choix discrets (Probit ou Logit) n’est pas eux pris de manière à maximiser le pourcentage de prédiction correcte (Greene, cité par Swedi, 2007). C’est pourquoi, il est nécessaire de procéder à l’analyse de la capacité de prédiction du modèle estimé. (Cf. D.

1. SIGNIFICATIVITE GLOBALE DU MODELE

Tableau n°10 : Test de Hosmer-Lemeshow

Khi-Chi-deux	Ddl	Sig.
558,181	8	0,187

Source : Nos confections avec SPSS 20

               Le test du rapport de vraisemblance montre que les coefficients relatifs aux variables indépendantes (βi) ne sont pas tous simultanément nuls, un des coefficients au moins est significativement différent de 0. Etant donné que la p-value (0,187) est supérieure au seuil de signification de 0,10 (10%), nous ne pouvons pas rejeter l’hypothèse alternative de significativité globale du modèle. Le modèle est donc globalement bon. Le modèle est validé, il est compatible avec les données.

1. POUVOIR DE PREDICTION DU MODELE : MATRICE DE CONFUSION

1. La matrice de confusion

Tableau n° 11 : Résultats de classement
Observations			Prévisions
			(CAT) Catégorie emprunteurs				Total		% correct
			Mauvais emprunteurs		Bons emprunteurs
	CAT Total	Mauvais Bons	82 2 84			1 25 26	83 27 110	98,8 92,6
Pourcentage global				97,3

Source : Nos confections avec SPSS 20

Au seuil d’affectation de 0,5. Nous lisons que le modèle permet de classer 97,3% (82+25/110) des emprunteurs correctement. Le modèle a donc un meilleur pouvoir de prédiction.

Ce taux  peut être décomposé  ainsi :

• Le pourcentage des bien classées pour les mauvais emprunteurs est égal à (82/83)100=98,8 %.
• Le pourcentage des bien classés pour les bons emprunteurs est égal à (25/27)100=92,6% ;
• Par contre, le taux d’erreurs (emprunteurs mal classés) est égal (2+1)110=0,02727 %.

Toutefois, on distingue pour ce taux entre:

• l’erreur du premier type (classer un mauvais emprunteur par l’utilisation de la  fonction logistique parmi les bons emprunteurs) : ce taux est égal à 1/83=0,01204=1,2% ;
• et l’erreur du second type (classer un bon emprunteur comme un mauvais emprunteur par le modèle): ce taux est égal à 2/27=0,074=7,4%.

III.4.2. ANALYSE DE CONTINGENCE

1. Défaut de remboursement et sexe de l’emprunteur

Tableau n°12: Tests du Khi-deux

	Valeur	ddl	Signification asymptotique (bilatérale)
Khi-deux de Pearson (Calculé) Khi-deux Table Comparaison	7,529 3,841 7,529>3,841	1	0,006
Décision	Rejet H0

Source : Nos confections avec SPSS 20

La probabilité critique (ici 0,006) inférieure à 0,05 indique une liaison significative entre  le défaut de remboursement et le sexe à  la MECRE. Le sexe influence donc le défaut de remboursement. Ce résultat est similaire à celui de certaines recherches précédentes qui ont montré que les femmes représentent moins de risque de crédit que les hommes notamment dans le contexte africain (Viganò, 1993).

2. Défaut de remboursement et activité exercée par l’emprunteur

Tableau n°13 : Tests du Khi-deux
	Valeur	ddl	Signification asymptotique (bilatérale)
Khi-deux de Pearson (Calculé) Khi-deux Table Comparaison	5,094 9,488 5,094<9,488	4	0,278
Décision	Non rejet H0

 Source : Nos confections avec SPSS 20

La probabilité critique (ici 0,278) supérieure à 0,05 n’indique pas de liaison significative entre  le défaut de remboursement et la profession de l’emprunteur à  la MECRE. L’activité exercée n’influence donc pas le défaut de remboursement.

3. Défaut de remboursement et type de prêt

Tableau n°14 : Tests du Khi-Deux

	Valeur	ddl	Signification asymptote (bilatérale)
Khi-deux de Pearson (Calculé) Khi-deux Table Comparaison	6,620 3,841 6,620>3,841	1	0,010
Décision	Rejet H0

Source : Nos confections avec SPSS 20

La probabilité critique (ici 0,010) inférieure à 0,05 indique une liaison significative entre  le défaut de remboursement et le type de prêt. Le type de prêt influence donc le défaut de remboursement. Le prêt à la production présente une probabilité élevé de défaut de remboursement par rapport au prêt à la consommation.

4. Défaut de remboursement et objet de prêt

Tableau n°15 : Tests du Khi-deux
	Valeur	ddl	Signification asymptotique (bilatérale)
Khi-deux de Pearson (Calculé) Khi-deux Table Comparaison	11,775 15,507 11,775<15,507	8	0,162
Décision	Non rejet H0

Source : Nos confections avec SPSS 20

La probabilité critique (ici 0,162) supérieure à 0,05 n’indique pas de liaison significative entre  le défaut de remboursement et l’objet de prêt. L’affectation de crédit n’influence donc pas le défaut de remboursement.

               Au vu des résultats présentés dans les tableaux ci-haut dans l’analyse de contingence, certaines variables influences positivement et d’autres négativement le risque de défaut de crédit.

               Les variables  qui influencent positivement le défaut sont le sexe et le type de prêt. Celles qui influencent négativement le défaut de paiement  sont la profession et l’objet de prêt.

III.5.   LIMITES DE LA RECHERCHE ET NOUVELLES PISTES DE RECHERCHE

Plusieurs facteurs peuvent influencer la perte sur crédit accordé et le défaut de remboursement ou non remboursement d’un emprunteur. Certains de ces facteurs n’ont pas  malheureusement été pris en compte par manque de données. C’est le cas des variables comme la valeur de la garantie, le niveau d’éducation de l’emprunteur, le statut matrimonial, le montant des conditions financières, les causes de défaut de remboursement.

En vue de consolider ces résultats, de nouvelles recherches peuvent être menées utilisant une méthodologie différente ou incluant certaines des variables non prises en compte dans cette recherche. Quelqu’un utiliserait par exemple le modèle de Credit Scoring pour la distinction entre les bons et mauvais emprunteurs à travers la définition d’un score frontière, l’analyse en composante principale, le Risk of Ruins Models, ou encore chercher à trouver le coefficient de THEIL qui est un coefficient d’inégalité qui permettrait de déterminer si un crédit est bon ou mauvais. Nous avons en l’occurrence déjà proposé la façon dont pouvait se formulait les hypothèses y relatives.

Sur la base des résultats présentés ci-dessus, les recommandations suivantes peuvent être formulées en vue d’améliorer l’évaluation et la gestion du risque de crédit au sein de l’institution.

• Taux d’intérêt: l’introduction de taux d’intérêt subventionné peut créer des distorsions parmi les emprunteurs. L’idée des mécanismes de garantie n’est pas mauvaise en soi mais des précautions doivent être prises dans la gestion de ces mécanismes. Plus spécifiquement, les taux d’intérêt doivent être fixés à des niveaux qui tiennent compte de la pérennité de l’institution. Par ailleurs, il serait utile de bien gérer la communication pour éviter toute confusion pour les employés et pour les emprunteurs.
• Degré de rationnement: dans certains cas, il serait mieux de rejeter un prêt plutôt que d’octroyer la moitié du montant demandé. La réduction du montant demandé peut amener l’emprunteur à changer son plan initial d’utilisation du prêt et cela peut entrainer des problèmes d’alea de moralité et par conséquent des difficultés de remboursement.

Temps d’attente : (Ecart jours entre la demande et l’acceptation de crédit) : même s’il est important de se donner assez de temps pour analyser les demandes, il semble également très utile d’éviter de rendre le processus trop long. Un processus trop long augmenterait les coûts de transactions pour l’emprunteur.

[1] 2*k=2*4=8

[2] Technique de « backward elimination » préconisée par R. BOURBONNAIS (2009)

[3] Les p-valeurs(en gras dans le tableau) sont toutes inférieures au seuil de signification retenu

[4] Cf. Tableau n°5 et n°6.

[5] Table de Khi-deux ou Khi-carré au seuil de signification de 10%