Paragraphe 2 : Méthodologie de recherche
Ce paragraphe est consacré à l'approche
méthodologique qui est utilisée pour analyser l'effet des
services financiers mobiles sur l'inclusion financière et la croissance
des dépôts bancaires dans l'UEMOA. Il comprend les
stratégies empiriques d'estimation et les sources de données.
1. Stratégies empiriques d'estimation
Afin de déterminer l'effet de la technologie mobile sur
l'inclusion financière, cette étude s'inspirera de l'approche de
Andrianaivo et Kpodar (2011, 2012) et Lundqvist et Erlandson (2014) qui ont
investigué la relation entre inclusion financière et mobile money
en utilisant un modèle économétrique de la forme :
Flit = a0 + a1MMit + ? Xit
?? i=1 + £t (1)
Avec Flit le log de l'inclusion financière,
MMit représente le log des indicateurs du mobile money, Xit
les autres variables de contrôle telles que la masse
monétaire au sens large M2, le PIB par tête, la population, le
taux d'inflation, le taux d'alphabétisation et
£tle terme d'erreur aléatoire.
La démarche adoptée dans cette étude
passe par trois étapes. Premièrement, à cause de la
composante temporelle des séries en panel, il est impérieux de
faire d'abord le test de racine unitaire qui n'est rien d'autre qu'une
extension du test de Dicker Fuller Augmenté pour les séries
longitudinales. Les deux types de test de racine unitaire les plus
utilisés en panel sont : le test de Levine, Lin et Chu (LLC) pour les
panels homogènes et le test d'Im, Pesaran et Shin (IPS) pour les panels
hétérogènes (Baltagi, 1995). Etant donné que
l'échantillon est constitué des pays ayant en commun la
même monnaie, c'est-à-dire le FCFA, l'approche de Levine, Lin et
Chu (LLC) s'avère la plus appropriée pour tester les racines
unitaire. Ces auteurs considèrent trois modèles de test de racine
unitaire selon la forme que revêt la composante déterministe.
Modèle1 : 1.Yi,t = PYi,t-i +
£i,t (2)
Modèle 2 : 1.Yi,t = ai +
PYi,t-i + £i,t (3)
Modèle 3 : 1.Yi,t = ai + 13it +
PYi,t-i + £i,t (4)
Réalisé par Dado Fabrice DEGBEDJI
17
Services financiers mobiles, inclusion financière
et croissance des dépôts bancaires dans
l'UEMOA
Avec i = 1, N et t = 1,.....T et où les termes d'erreur
????,?? sont distribués indépendamment
entre les individus i et suivant un processus ARMA
stationnaire et inversible admettant une représentation AR (8) du type
:
8
????,?? = ? ????,?? ????,??-?? + ????,?? (5)
??=1
La deuxième étape consiste à estimer un
modèle à effet fixe ou aléatoire selon les indications du
test de Hausman(1979) sur le choix entre le modèle à effet fixe
ou le modèle à effet aléatoire bien que la dimension
temporelle très courte de notre échantillon d'étude
présage déjà la pertinence du modèle à effet
aléatoire (Andrianaivo et Kpodar, 2011). Cependant, le modèle
à effet aléatoire impose la stricte
exogénéité des variables indépendantes signifiant
qu'elles doivent être non corrélées avec les effets
spécifiques pays et les effets spécifiques temporels. Dans le cas
contraire, le model à effet aléatoire devient biaisé et
inconsistant (Baltagi, 2009). Nous estimons ce modèle statique juste
pour évaluer l'effet de l'implémentation de la finance mobile sur
l'inclusion financière dans l'UEMOA.
La troisième étape de la démarche
économétrique de cette étude consistera alors à
évaluer la robustesse des estimations en permettant une dynamique dans
l'analyse de la relation entre l'inclusion financière et la technologie
mobile dans l'UEMOA. A cet effet, il sera estimé un modèle de
panel dynamique. Selon Baltagi (2005), la plupart des relations
macroéconomiques sont dynamiques en nature et un des avantages de la
modélisation en panel est de permettre au chercheur de bien comprendre
la dynamique des ajustements. L'intérêt de l'introduction de la
dynamique dans cette analyse est de capter les effets dynamiques des chocs
actuels et passés dans le model (Hsiao, 1986), contrôler les
variables inobservées et manquantes et même permettre
l'identification des effets spécifiques pays (Arellano-Bond, 1991;
Pesaran, Smith, Im, Matyas & Sevestre, 1996). Il sera à cet effet
estimé le système GMM. Ce dernier parce que l'inclusion
financière pouvant dépendre de ces valeurs passées
crée le problème d'endogénéité.
De façon plus simple, un modèle de panel dynamique
peut être représenté comme suit :
????,?? = ??????,??-1 + ??????,?? + u??,?? (6)
Où ?? et ?? sont des scalaires et u??,?? est le
iém effet individuel. La spécification empirique du modèle
de panel dynamique peut être écrite comme suit :
???????? = ??0 + ??1??????,??-1 + ??2??????,?? + ?
????????????
?? + ????,?? (7)
??=3
Réalisé par Dado Fabrice DEGBEDJI
18
Services financiers mobiles, inclusion financière
et croissance des dépôts bancaires dans
l'UEMOA
Où FlIt dénote l'inclusion
financière mesurée par le taux global d'utilisation des services
financiers (TGUSF)2 ou taux d'inclusion financière.
FlI,t_1 est la variable de l'inclusion financière
retardée d'une période. MMI,t
représente la mesure le nombre d'abonnés Mobile Money
approximé par le taux d'utilisation des services de monnaie
électronique (TUSME)3. xI??t désigne les
autres variables de contrôle qui sont présentées.
Cependant, incluant la variable dépendante retardée d'une
période dans le modèle, la régression de panel dynamique
est caractérisée par deux sources de persistance temporelles :
L'autocorrélation due à la présence de la variable
dépendante retardée parmi les régresseurs et les effets
individuels caractérisant
l'hétérogénéité parmi les individus
(Baltagi, 2005). La littérature a évoqué un certain nombre
de problèmes qui pourraient entraver la robustesse du modèle.
Ainsi, plusieurs techniques d'estimation telles que le système GMM de
Arellano & Bond (1991), Arellano & Bover (1995), ou encore de Blundell
& Bond (1998) sont proposées pour résoudre le
problème.
Cette étude utilise l'approche de Blundell & Bond
(1998) plutôt que celle d'Arellano & Bond (1991) parce que la
première est plus adaptée lorsque le nombre de périodes du
panel est très petit. De plus, la validité des instruments
utilisés doit être vérifiée pour être sure que
les résultats sont valides. Selon Roodman (2009), le système GMM
doit être utilisé avec beaucoup d'attention et plusieurs tests
doivent être faits pour s'assurer de la consistance des résultats
surtout lorsque le nombre de périodes T est petit et le nombre
d'instruments est élevé. Ceci parce que beaucoup d'instruments
entraineraient des résultats biaisés (Roodman, 2009). Nous
adoptons ainsi le système GMM en deux étapes de Windmeijer (2005)
avec option robuste conforme aux échantillons de petite taille.
Par ailleurs, dans le but d'évaluer l'effet des
services financiers mobiles sur la croissance des dépôts bancaires
cette étude s'inspirera du modèle de Simon Neaime et Isabelle
Gaysset (2017) qui ont examiné comment la pénétration des
banques, l'accès aux services financiers et une intégration
financière accrue peuvent promouvoir la croissance des
dépôts en utilisant un modèle économétrique
de la forme :
2 Taux Global d'Utilisation des Services Financiers
(TGUSF) base comptes de monnaie électronique ouverts = Nombre total de
particuliers titulaires de comptes ouverts au niveau des banques, de la Poste,
des caisses nationales d'épargne, du Trésor, des Systèmes
Financiers Décentralisés (SFD) et des Etablissements de Monnaie
Electronique (EME) sur la population adulte.
3 Taux d'Utilisation des Services de Monnaie
Electronique (TUSME) base comptes ouverts = Nombre de personnes physiques
titulaires de comptes de monnaie électronique auprès des
Etablissements de Monnaie Electronique, des banques émettrices de
monnaie électronique et d'autres institutions financières sur la
population adulte.
Réalisé par Dado Fabrice DEGBEDJI
19
Services financiers mobiles, inclusion financière
et croissance des dépôts bancaires dans
l'UEMOA
crdepotl = a + blTGUSFl + E j1 cliXl1 + pl (8)
où l'indice i représente les pays de
l'UEMOA respectifs, crdepot est l'écart type du taux de
croissance des dépôts bancaires entre 2010 et 2018, TGUSFl
mesure l'inclusion financière digitale, et Xli est un
vecteur de j facteurs se rapportant au pays i comprenant :
(1) le log de la taille de la population ; (2) le log de la croissance moyenne
du revenu national brut, francs CFA constants par habitant ; (3) inflation
moyenne pendant la période 2010-2018. a, bl et clé
sont des paramètres, et pl est un terme d'erreur. La
variable crdepot mesure la volatilité dans les pays i
montants total des dépôts des banques commerciales entre 2010
et 2018. Il est important de souligner que le modèle (8) n'est pas
fonction du temps et ne changent que d'un pays à l'autre. Toutes les
variables seront basées sur leurs valeurs moyennes entre 2010 et 2018.
Pour éviter les problèmes de multicolinéarité, le
modèle est estimé à l'aide de la procédure
d'estimation GLS pour les modèles dans le contexte des données de
panel. La méthode d'estimation du modèle permet la
présence d'autocorrélation de type AR (1) au sein des panels et
la corrélation transversale, ainsi que
l'hétéroscédasticité entre les panels.
| 
