Section 2 :présentation des résultats de
l'étude et suggestions
Cette section a pour objectif de nous montré les
résultats qui ressortent de notre analyse empirique, ceci à
travers la méthode de régression logistique. Nous avons
utilisé les modèles Probit et Logit afin de montrer si les
variables indépendantes qui ont été retenues permettent
à mieux d'expliquer la variable dépendante qui est le risque de
crédit.
A) Présentation des résultats de
l'étude
Comme nous l'avons souligné précédemment
dans la section de présentation de la méthode utilisée (la
régression logistique), avant d'effectuer nos tests dans le tableau de
student ceci dans but de voir la significativité des variables. Nous
avons utilisé les modèles Probit et Logit afin de prédire
ou expliquer le risque de crédit par des variables indépendantes
sus citées.
1) Présentation du résultat du
modèle PROBIT
Il ressort de l'étude empirique par le modèle
probit sur le pouvoir prédictif ou explicatifdes variables
indépendantes du risque de crédit les résultats suivants.
Nous avons testé la significativité de nos variables au seuil de
5%(*) et 10% (**).
Méthode PROBIT
Dependent Variable: RC Method: ML - BinaryProbit
Mémoire rédigé et présenté par
MOUNKAME NDAM Jafarou Page 67
Gestion de l'asymétrie d'information et réduction
du risque de crédit les institutions de
microfinance camerounaises :
cas d'AFIB S.A
Sample: 1901 2000
Included observations: 100
Convergence achievedafter 3 iterations
Covariance matrix computed using second derivatives
|
Variable
|
Coefficient
|
Std. Error z-Statistic
|
Prob.
|
|
FJ
|
-0.396359
|
0.330533 -1.199151
|
0.2305
|
|
SA
|
-0.108829
|
0.302772 -0.359441
|
0.7193
|
|
AC
|
0.465103
|
0.285833 1.627181
|
0.1037
|
|
CO
|
-0.147105
|
0.271948 -0.540931
|
0.5886
|
|
COM
|
-0.326676
|
0.296036 -1.103502
|
0.2698
|
|
EF
|
0.553544
|
0.291102 1.901549
|
0.0572
|
|
HC
|
0.614732
|
0.289294 2.124941
|
0.0336
|
|
TE
|
0.191184
|
0.271728 0.703585
|
0.4817
|
|
AE
|
0.163050
|
0.278069 0.586364
|
0.5576
|
|
LF
|
-0.371660
|
0.295533 -1.257595
|
0.2085
|
|
LR
|
-0.175681
|
0.291292 -0.603109
|
0.5464
|
|
GR
|
0.099603
|
0.284007 0.350706
|
0.7258
|
|
AUTO
|
-0.021745
|
0.308137 -0.070571
|
0.9437
|
|
Meandependent var
|
0.580000
|
S.D. dependent var
|
0.496045
|
|
S.E. of regression
|
0.486708
|
Akaike info criterion
|
1.465085
|
|
Sumsquaredresid
|
20.60896
|
Schwarz criterion
|
1.803757
|
|
Log likelihood
|
-60.25424
|
Hannan-Quinn criter.
|
1.602152
|
|
Avg. log likelihood
|
-0.602542
|
|
|
|
ObswithDep=0
|
42
|
Total obs
|
100
|
|
ObswithDep=1
|
58
|
|
|
Nous précisons ici que le modèle d'estimation
par le probit, a donné les résultats suivants.
Notre résultat traduit la significativité de la
variablehistorique de compte, et montre que c'est un facteur déterminant
du risque de non remboursement.Il permet de mieux prédire ou expliquer
la probabilité du risque de crédit chez un client. Le signe
positif du coefficient attaché à la variable historique de compte
est contraire au signe attendu.Le calcul de probabilité nous montre
qu'un compte avec une probabilité élevée d'impayés
au seuil 5% traduit une augmentation du risque de défaut de 3,36%. Dans
notre cas.Comme nous l'avons dit plus haut, l'historique de compte permet au
chargé d'affaire de contrôler les mouvements des les comptes du
client. De même, il permet au prêteur de déterminer la
capacité de remboursement, l'historique du compte des clients constitue
une niche d'informations très riche pour le prêteur dans son
travail de prédiction et d'explication du risque d'un client.
Pareillement, elle fournie des informations sur les défauts de paiements
et la capacité d'épargne du client, il est significatif dans la
prédiction du risque de crédit dans les
Mémoire rédigé et présenté par
MOUNKAME NDAM Jafarou Page 68
Gestion de l'asymétrie d'information et réduction
du risque de crédit les institutions de
microfinance camerounaises :
cas d'AFIB S.A
institutions financières. De ce fait, il permet
à l'IMF d'expliquer la situation financière des clients afin de
prédire un éventuel défaut de crédit. Dans
l'hypothèse où le compte chèque d'un client revient
parfois impayé traduit le risque de crédit sur ce dernier.
La significativité de la variableexclusivité de
financementimplique que cette est un facteur déterminant du risque de
non remboursement dans le cadre de notre étude. Le signe positif du
coefficientattaché à la variable exclusivité de
financement est contraire au signe prévu. Le calcul de
probabilité nous indique qu'une augmentation de l'exclusivité de
financement d'une firme au seuil de 10 %, traduit une augmentation du risque de
non remboursement ou de défaut de 5,72%. Cette variable a un effet sur
la probabilité de défaut d'un client. Accorder le crédit
à une firme comme institution de financement principale a un impact sur
le risque de crédit d'un client. Nous prenons l'exemple du contexte
où le crédit dot a bénéficié le client ne
soit pas adapté à la réalité de son activité
ou même quand un client en cessation de paiement continue de
bénéficier du financement de l'institution augmentant de ce fait
les charges du client. La significativité de cette variable rejoint les
travaux de (Foglia et al, 1998), citée par (Rim, 2012). Nous avons
précisé plus haut qu'elle est une variable déterminante
dans la prédiction du risque de crédit. Quand une institution
demeure la seule source de financement externe d'un client, elle a la
possibilité de collecter les informations sensibles sur ce dernier. Par
conséquent, évaluer la capacité de remboursement de son
client.
En somme, il ressort de notre analyse que plusieurs variables
indépendantes ne sont pas significatives pour expliquer le risque de
crédit par le modèle Probit, quant n'est-il du modèle
Logit.
| 
