|
L'analyse de la corrélation de l'intermédiation bancaire sur la croissance économique du Rwanda. période 1990-2009. approche économétrique( Télécharger le fichier original )par Jean Léon SHUMBUSHO Université Libre de Kigali (ULK) - Licence en Economie 2010 |
CONCLUSION PARTIELLEPour ce chapitre, il a été question de décrire l'état de santé et de la performance du secteur bancaire rwandais durant la période de 1990-2009. Dans ce chapitre nous avons montré l'évolution du système bancaire rwandais. Les évolutions de ces variables suivants : la masse monétaire M2, la marge d'intermédiation bancaire ou la marge d'intérêts et le niveau des crédits octroyés au secteur privé sont développés dans ce chapitre dans le but de vérifier la première hypothèse qui stipule qu' il ya eu une amélioration remarquable de l'intermédiation bancaire au Rwanda. Nous avons confirmé notre première hypothèse car nous avons trouvé qu'il ya eu un accroissement de tous les variables ci-hautes énoncées au cours de la période 1990-2009. CHAPITRE 3: L'INFLUENCE DE L'INTERMEDIATION BANCAIRE SUR LA CROISSANCE ECONOMIQUE RWANDAISE 3.1. INTRODUCTION La représentation de l'état de santé et de la performance du secteur bancaire rwandais durant la période de 1990-2009, a été l'objectif du chapitre précédent. Pour le présent chapitre une analyse économétrique de cette situation nous parait indispensable pour bien éclaircir l'effet qu'a apporté ce secteur bancaire sur la croissance économique rwandaise. Nous adopterons donc pour ce faire une méthode économétrique basée sur un modèle linéaire qui nous permettra d'analyser la part des banques dans l'évolution économique du pays. Littéralement, le mot « économétrie » signifie « mesure en économie ». L'économétrie est une branche des sciences économiques qui n'est autre que l'application des méthodes mathématiques et statistiques à l'analyse des données économiques. Flle a comme objectif de tester la validité des théories économiques et permet à un économiste d'infirmer ou de confirmer les théories qu'il construit. Le théoricien (Régis) postule des relations : l'application des méthodes économétriques fournit des estimateurs sur la valeur des coefficients de variables à travers des modèles quantitatifs ainsi que la précision attendue.58 L'économétrie est aussi l'étude des phénomènes économiques à partir de l'observation statistique des grandeurs pertinentes pour décrire ces phénomènes. Son objectif est d'exprimer des relations entre les variables économiques sous une forme permettant la détermination de ces dernières à partir des données observées.59 La première tâche de l'économétrie consiste à formuler un modèle économétrique. Il est délicat de donner une définition unique de la notion du modèle, mais on peut cependant considérer qu'un modèle est une présentation schématique et partielle d'une réalité naturellement plus complexe. Il consiste en une présentation formalisée d'un phénomène sous forme d'équations dont les variables sont des grandeurs économiques. 58 Régis Bourbonnais: « économétrie », 2ème édition, Dunod, juin 1998, p.2 59 http://www.universalis.fr/encyclopedie/econometrie/ visité le 29 Novembre 2010 3.2. LA CONSTRUCTION DU MODELE 3.2.1. Définition et Historique du modèle Le modèle est une construction simplifiée, qui cherche à représenter la réalité économique sous son aspect chiffré. De plus, le modèle est le résultat d'une réflexion théorique appuyée et contrôlée par les mesures statistiques. Tout modèle est donc, par nature, économétrique, l'économétrie étant la théorie économique basée sur la mesure effective chiffrée des phénomènes. Un modèle, représentation de la réalité, doit permettre de mieux saisir les phénomènes, doit expliquer la réalité et doit permettre aussi de la modifier.60 L'étude de modèle décrivant les modalités prises par une ou plusieurs variables qualitatives date des années 1940-1950 (Berkson), les premières applications ont essentiellement été menées dans le domaine de biologie, puis de la sociologie et de la psychologie. Ce n'est que récemment (Fadden 1974) que ces modèles ont été utilisés pour décrire des données économiques. Les applications à ce nouveau domaine ont permis le développement des modèles de type qualitatif des deux directions principales : - Il a souvent été possible de construire ces modèles à partir d'une théorie économique sous-jacente des comportements individuels. Cette approche a permis de mieux comprendre la signification de certains modèles usuels. D'autre part, il est apparu que divers problèmes économiques (consommation de biens durables, analyse des déséquilibres ...), conduisaient à des modèles qui, s'ils n'étaient pas qualitatifs au sens strict du terme, en étaient mathématique proches. Le deuxième apport des applications au domaine économique est l'introduction des variables exogènes. Les modèles sont donc principalement construits dans un but explicatif au modèle linéaire habituel.61 60 http://www.finance-facile.com/modele-econometrique.htm visité le 29 Novembre 2010 61 CHRISTIANT.G. : « Econométrie des variables qualitatives », economico, Paris 1984, p.16 3.2.2. Etapes de construction du modèle En construisant un modèle, le modélisateur a pour objectif dans le cadre de l'économétrie et au travers d'une mesure statistique de permettre aux agents économiques d'intervenir de manière plus efficace. Lors de la construction d'un modèle, le modélisateur doit suivre les étapes suivantes :
- Les relations spécifiées sont valides ; - On peut estimer avec suffisamment de précisions les coefficients ; - Le modèle est vérifié sur la totalité de la période et - Les coefficients sont stables.62 3.2.3. Présentation des variables Les variables sont des grandeurs susceptibles de prendre différentes valeurs. Elles peuvent être soit qualitatives (variables nominales, variables ordinales), soit quantitatives (variables discrètes, variables continues).63 En économie, ces indicateurs sont divers ; mais dans notre cas spécifique, quatre indicateurs provenant de la BNR- Département de recherche et analyse économique ont été retenus sur une période allant de 1990 à 2009 soit 20 années. 62 Régis B. ; « Op.Cit », p.2 63 NELLY ADELINE NGORO : « Op.cit », P.46 Dans cette présentation des variables, nous nous servirons à effectuer une présentation des divers indicateurs aussi bien de la croissance économique que de l'intermédiation bancaire que l'on retrouve le plus souvent au sein de multiples études empiriques. 3.2.3.1. L'indicateur de la croissance économique Dans le cadre de notre étude, la variable expliquée ou encore variable endogène est représentée par la croissance économique qui aura pour principale indicateur le produit intérieur brut réel en abrégé PIB réel. (PIBr) 3.2.3.2. Les indicateurs de l'intermédiation bancaire Trois variables explicatives ou exogènes ont été retenues à savoir :
De même que nous l'avons exposé antérieurement, elle est la différence entre les intérêts payés et les intérêts reçus. Cet indicateur encore appelé marge d'intérêt permet de mesurer l'efficacité des intermédiaires financiers à savoir dans notre cas les banques. (Mi) Ce profit du secteur bancaire est calculé de manière suivante : Cs * Spread 3.2.4. Spécification du modèle Notre modèle dans sa formulation initiale peut s'écrire comme suit : PIB= F (M2 et Mi). Mais le modèle que nous utiliserons, est de la représentation formalisée de notre schéma théorique tel que décrit précédemment. Et, à partir de nos variables codées cidessus, nous obtenons l'équation de régression suivante : PIBrt = B0 +B1 M2t + B2 Mit + £t Avec t = 1990, 1991,..., 2009; n = 20 observations B0; B1; B2 les paramètres du modèles assimilables aux coefficients de régression affectés aux variables exogènes respectives : PIBrt le PIB réel qui est la variable expliquée à l'instant t M2t, la masse monétaire Mit, la marge d'intermédiation £t : le terme d'erreur à l'année t. 3.3. SIGNES ATTENDUS L'hypothèse de base de notre modèle est d'observer la liaison entre le Produit Intérieur Brut et ses facteurs explicatifs à savoir : les crédits au secteur privé, la masse monétaire et la marge d'intermédiation bancaire tout en sachant que, selon la réalité économique, le PIB ne s'explique pas seulement par ces variables ci-hautes retenues, mais, qu'il y a d'autres. PIBrt = f (M2t, Mit), les signes attendus des coefficients sont positives pour tous les variables. B2>0 : C'est-à-dire que la hausse de la marge d'intermédiation bancaire entraîne une hausse du PIB. Cela peut être résumé dans ce tableau suivant :
3.4. TEST DE STATIONNARITE Une des grandes questions dans l'étude de séries temporelles (ou chronologiques) est de savoir si celles-ci suivent un processus stationnaire. On entend par là le fait que la structure du processus sous-jacent supposé évolue ou non avec le temps. Si la structure reste la même, le processus est dit alors stationnaire. Soit un processus temporel à valeurs réelles et en temps discret Z1, Z2, ..., Zt. Il est dit stationnaire au sens fort si pour toute fonction f mesurable:64 f(Z1, Z2, ..., Zt) = f(Z1+k, Z2+k, ..., Zt+k) Soit un processus temporel à valeurs réelles et en temps discret Z1, Z2, ..., Zt. Il est dit stationnaire au sens faible (ou "de second ordre", ou "en covariance") si
Types de stationnarité
Une série est stationnaire en différence si la série obtenue en différenciant les valeurs de la série originale est stationnaire.65 L'opérateur de différence est noté: ÄXt = Xt - Xt - 1 3.4.1. Test de Dickey Fuller Augmenté (ADF) Dans le test de Dickey Fuller nous avons supposé le terme d'erreur (£t) est stationnaire. Il arrive cependant que cette condition ne soit pas vérifiée. Dickey Fuller a proposé d'ajouter dans leurs modèles p termes permettant de rendre £t stationnaire donc un bruit blanc. ADF utilise trois modèles pour tester chaque variable et permettent de blanchir les résidus dans le modèle en incluant un ou plusieurs termes auto régressifs différenciés. p Modèle 1 : ?Xt= öXt-1- ? ? j ' (jXt-j + ut p Modèle 2 : ?Xt= öXt-1-? ? j ' (jX?t-j + c + ut p Modèle 3 : ?Xt= öXt-1- ? ? j ' (jX?t-j + c + ât + ut Pour chaque modèle, nous cherchons le nombre des retards P optimal compris entre 0 et P maximum qui minimise les valeurs de deux critères : Le critère d'Akaike (AIC) et le critère de Schwarz (SCH). D'après ces critères, le modèle préféré doit avoir aussi le minimum de tous les retards. Alors les résultats trouvés après avoir utilisé le logiciel Eviews nous donne :
Rappelons qu'en ce qui concerne le test de racine unitaire deux hypothèses alternatives ont été émises à savoir: H0: absence de la stationnarité H1: présence de la stationnarité Ainsi, nous allons tester la stationnarité de nos variables à l'aide du logiciel Eviews, et nous en dégageons les résultats synthétisés dans le tableau suivant : Tableau 4 : Stationnarité des variables à niveaux
Source: Résultat de notre enquête Dans le tableau ci-haut: Tt : Représente la distribution ADF calculée pour le modèle avec tendance et constante, Tu : Représente la distribution ADF calculée pour le modèle avec constante, Tl : Représente la distribution ADF calculée pour le modèle sans tendance ni constante, Comme le tableau de la stationnarité des variables à niveaux nous l'indique, les variables : LPIB et LMi sont stationnaires à niveau au seuil de 5%, mais quant à la variable M2, elle n'est pas stationnaire à niveau, nous passons à sa première différence. Tableau 5 : Stationnarité de M2 à la première différence
Pour la variable LM2 devient stationnaire après l'avoir différencié une fois c'est-à-dire que la série utilisée de LM2 est intégrée d'ordre (1) et la notons de la manière suivante : LM2-I(1) 3.4.2. Le test de Fischer Il permet de vérifier la signification globale du modèle, il se ramène à la question de savoir s'il existe des variables exogènes significatives pour expliquer la variable endogène. Il s'agit en fait de s'interroger sur la signification globale du modèle c'està-dire de savoir si l'ensemble des variables explicatives à une influence sur la variable endogène. L'on compare ici le F* empirique au F lu sur la table du Fischerschnedecor. Si F* est supérieur au F lu alors on rejette H0 et le modèle est globalement significatif. 3.5. TEST DE COINTEGRATION Comme nos variables ne sont pas stationnaires au même niveau, à partir du logiciel Eviews 3.1, nous allons faire un test de cointégration pour vérifier si nos variables ont une relation à long terme. Soit Xt une série multi-variée dont chacune de Xjt (j=1,..., n) est intégrée d'ordre d. La cointégration fournit ainsi des bases solides pour assurer la cohérence des évolutions entre les variables que l'on cherche à modéliser. Selon la méthode d'Engel et Granger, la cointégration des différents variables contenues dans le modèle est établi lorsque les résidus de l'équation à long terme sont stationnaires c'est-à-dire ils sont cointégrés d'ordre 0. Le test de stationnarité des résidus issus du modèle de long terme, nous donne les résultats résumés dans le tableau suivant : Tableau 6 : Résultats de test de stationnarité des résidus ADF Test Statistic -3.230730 1% Critical Value* -2.7570 5% Critical Value -1.9677 10% Critical Value -1.6285 *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(R) Method: Least Squares Date: 12/06/10 Time: 11:01 Sample(adjusted): 1996 2009 Included observations: 14 after adjusting endpoints
Comme la stationnarité des résidus est vérifiée car ADF calculé=-3.2307 est inférieure à la valeur de ADF lu à la valeur critique de 5% qui est de -1.9677, nous concluons alors que les résidus issus de l'estimation du modèle sont stationnaires et par conséquent les variables LPIBr, LM2 et LMi sont cointégrées. De cela, nous pouvons maintenant passer à la vérification de la relation de long terme. 3.6. RELATION DE LONG TERME Les variables de notre modèle sont : PIB= Cs, M2 et Mi Modèle à estimer : LPIBrt = B0 +B1 LM2t + B2 LMit + £t Ainsi, après l'estimation du modèle, on obtient les résultats ci-dessous qui expliquent l'interdépendance existant entre le PIB, la masse monétaire et la marge d'intermédiation bancaire. Le tableau suivant résume les résultats de l'estimation sur les données annuelles allant de l'année 1990 jusqu'à 2009 :66 Tableau 7 : Résultats de la relation de long terme Dependent Variable: LPIB Method: Least Squares Date: 12/06/10 Time: 13:40 Sample: 1990 2009 Included observations: 20
Le modèle de long terme se présente comme suit : LPIBr = 5.9111 + 0.0821 LM2 + 0.3758 LMi (0.0000) (0.7109) (0.0218) R2=0.8603 soit 86.03% 66 Voir en annexe: Les données annuelles de PIBr, M2 et Mi 1990-2009 3.7. RELATION DE COURT TERME La relation de court terme établie par le modèle à correction d'erreur (ECM) est déduite de la relation de long terme découlant de la méthode d'Enger et Granger. Ce modèle permet d'intégrer les fluctuations de court terme. Par conséquent, il permet également de tester la stabilité du modèle. L'estimation du modèle de court terme donne les résultats suivants : Tableau 8 : Résultats de modèle à correction d'erreur Dependent Variable: DLPIB Method: Least Squares Date: 12/06/10 Time: 13:56 Sample(adjusted): 1991 2009 Included observations: 19 after adjusting endpoints
DLPIB = 0.4214DLM2 + 0.0821DLMi - 0.4396R(-1) - 0.0058 (0.1913) (0.4639) (0.0599) (0.9274) A fin de juger de l'efficacité du modèle, il est nécessaire de procéder à un test de stabilité de celle-ci. Nous avons porté notre choix sur le test de CUSUM. Ce test qui existe sous Eviews 3.1 consiste à étudier la représentation graphique de l'évolution des coefficients dans l'état par rapport au seuil considéré. Lorsque la courbe représentative du modèle se situe entre les deux droites indiquant les seuils critiques, nous disons que le modèle est stable, si non elle est instable. Le graphique ci-dessous est le résultat de notre test : Graphique 4 : CUSUM test
94 96 98 00 02 04 06 08 CUSUM 5% Significance Au vu de l'allure de la courbe de CUSUM, nous voyons que notre modèle est stable, car sa courbe se situe entre les deux droites indiquant les seuils critiques c'est-à-dire de 5%. 3.9. INTERPRETATIONS ECONOMIQUES 3.9.1. Relation de long terme Le modèle de long terme se présente comme suit : LPIBr = 5.9111 + 0.0821 LM2 + 0.3758 LMi (0.0000) (0.7109) (0.0218) R2=0.8603 soit 86.03% Pour le présent modèle, s'agissant les signes attendus des coefficients, les signes observés pour les variables : la variable de la marge d'intermédiation bancaire et la masse monétaire M2 confirment ce qui était attendu. C'est-à-dire que les coefficients B2 et B3 sont supérieurs à 0. Donc, toutes les variables explicatives évoluent dans le même sens que la variable à expliquer. Cas de la marge d'intermédiation bancaire Après avoir fait l'estimation de notre modèle, nous trouvons que la marge d'intermédiation bancaire explique le PIB réel au Rwanda au cours de la période 1990-2009. Ce constat est fait à base de la probabilité significative c'est-à-dire 0.0218<0.05. C'est-à-dire si la marge d'intermédiation bancaire augmente de 1%, le PIB augmente de 37.58%. Cas de la masse monétaire M2 Ainsi, compte tenu de résultats obtenus dans notre modèle de long terme, même si nous avons trouvé le signe qu'on attendait, nous concluons en disant que la masse monétaire M2 n'explique pas le PIB réel au cours de notre période parce que sa probabilité est 0.71 supérieure à 0.05 (toute chose restant égales par ailleurs). Cas des variables prises globalement Nous concluons la significativité de nos paramètres estimés. Ceci est confirmé après avoir vu que les variables explicatives prises globalement expliquent le PIB car en comparant premièrement la Prob (F-statistic) égale à 0.00000 est significativement inférieure à la probabilité de 5%. Deuxièmement, le test de Fisher nous montre que F calculé = 52.36 est aussi supérieur à F lu à 5%, ce qui veut dire que le modèle est généralement explicatif car il doit exister au moins un paramètre significativement de zéro. Ainsi, le coefficient de détermination R2 =0.8603 soit 86.03%. Ce dernier nous renseigne que les variables indépendantes prises globalement (l'intermédiation bancaire) expliquent le PIB (croissance économique) à 86.03% (toute chose restant égale par ailleurs) et nous concluons que le modèle estimé est satisfaisant, ou encore que le modèle estimé est globalement bon. 3.9.2. Relation de court terme DLPIB = 0.4214DLM2 + 0.0821DLMi - 0.4396R(-1) - 0.0058 (0.1913) (0.4639) (0.0599) (0.9274) A court terme, nous constatons qu'aucune de nos variables n'explique le PIB réel à court terme car leurs probabilités sont supérieures à 0.05. Le coefficient des résidus nous montre que les perturbations ou chocs économiques pouvant affecter notre modèle sont corrigés à 43.96% par an. En d'autres termes, si l'économie connait un choc influant l'intermédiation bancaire, les effets de ce choc seront corrigés à 43.96% l'an, toutes choses restant égales par ailleurs. |
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
