Memoire Online - L'efficacité technique des banques et ses facteurs explicatifs: application à la Commercial Bank-Cameroun

UNIVERSITE CATHOLIQUE D'AFRIQUE CENTRALE
INSTITUT CATHOLIQUE DE YAOUNDE
FACULTE DE SCIENCES SOCIALES ET DE GESTION

Mémoire présenté et soutenu en vue de l'obtention du
Master 2 en Banque et Finance par :

Daniel YOUKNA KAMYAP
Docteur en Sciences économiques
Enseignant associé à l'Université Catholique d'Afrique Centrale

CHAPITRE II : MESURE DE L'EFFICACITE TECHNIQUE DE LA COMMERCIAL BANK - CAMEROUN 25

Section 2 : Résultats et interprétation de l'efficacité technique de la CBC 34

Chapitre III : REVUE DE LITTERATURE : LES FACTEURS EXISTANTS ET LES METHODES POUR LES

Section I : Revue des différents facteurs explicatifs de l'Efficacité technique des banques 45

CHAPITRE IV : LES FACTEURS EXPLICATIFS DE L'EFFICACITE TECHNIQUE : CAS DE LA CBC 61

- IdeCette TCHA3C0113VTE
- Liz TCHA3C0113VTE
- ChristeC~e TCHA3C0113VTE
- Ghandi TCHA3C0113VTE

Ce travail est un fruit exemplaire de Cesprit de courage que nous partage ons.

Nous remercions avant tout le Seigneur Dieu Tout Puissant pour la Grâce offerte de pouvoir réaliser un tel travail.

Nous exprimons notre reconnaissance envers le Dr Daniel YOUKNA KAMYAP, notre Directeur de mémoire, pour nous avoir guidés tout au long de cette étude. Ses encouragements et ses remarques ont été pour nous des éléments nourrissant, nécessaires au progrès.

Un merci particulier à l'endroit du Pr Hubert NGNODJOM, coordonnateur des filières LEG & MBF, pour l'encadrement qu'il garantit avec dévotion à tous ses étudiants. Merci à son Assistante, Mme Laetitia AKUE, ainsi qu'à tous les enseignants de cette filière qui nous ont appris énormément durant notre parcours à l'UCAC.

A Monsieur Pierre David TSANGUE, actuellement Directeur Régional du Grand Nord à la CBC, et à M NANFAH (Analyste) pour l'encadrement attentif et régulier durant et après notre stage au Département des Analystes de la CBC. Merci spécialement à M TSANGUE pour nous avoir guidés dans la recherche des informations à collecter à l'occasion de ce mémoire. A Mme TAGNE, à M PAOUA et à Mme KAMSEU du département de la comptabilité générale de la CBC pour nous avoir permis d'accéder aux informations comptables publiables de la banque.

Au Dr Jean Robert KALA KAMDJOUG, pour ses explications à propos de notre thème. Nous le remercions également de nous avoir prêté le livre de Cooper (2000).

Nous remercions sincèrement M PIEUME, Ingénieur Statisticien - Economiste et Enseignant à l'UCAC pour sa participation active à ce travail, notamment dans la partie économétrique. Nous remercions par ailleurs Monsieur Yves Sévérin KAMGNA, Cadre à la BEAC pour ses réponses à certaines de nos incompréhensions.

Merci particulier à Patrick TIMENE et à Jean Pierre SIGNE-NGUETE pour avoir pris le temps de relire ce travail. Nous ne saurons oublier nos parents, frères, soeurs et nombreux amis pour leurs aides diverses, leurs encouragements et leurs prières.

BICEC : Banque Internationale du Cameroun pour l'Epargne et le Crédit CBC : Commercial Bank - Cameroun

CRS : Constant Return to Scale (modèle à Rendements d'Echelle Constants) DEA : Data Envelopment Analysis (méthode par enveloppement des données) DDL : Degré De Liberté

DMU : Decision Making Unit (unité de décision, unité de production indépendante) FDH : Free Disposal Hull (méthode de disposition libre des données)

SFA : Stochastic Frontier Approach (approche par les frontières stochastiques) SGBC : Société Générale de Banques au Cameroun

Tableau 1 : Scores d'efficacité totale, pure et d'échelle de la CBC Tableau 2 : Facteurs explicatifs de l'efficacité technique totale Tableau 3 : Facteurs explicatifs de l'efficacité technique pure

RESUME

L'une des problématiques d'actualité fait état de la surliquidité des banques camerounaises et de l'insuffisance des crédits qu'elles octroient à l'économie. Face à la concurrence grandissante, le principal challenge de ces banques est le maintien de leur rentabilité. Ce maintien passe notamment par la gestion efficace et efficiente de leurs ressources. Ce travail s'intéresse à la mesure de l'efficacité technique de la CBC (l'une de ces banques) dans la transformation de ses ressources en crédits, ainsi qu'à la détermination des facteurs explicatifs de cette efficacité technique. La méthode DEA est employée pour mesurer cette l'efficacité technique sur la période de janvier 2008 à août 2009, et la régression linéaire sert à identifier ses facteurs explicatifs. Il ressort que le score d'efficacité technique de la CBC s'établit à 29,4% en moyenne sur la période considérée, sous l'hypothèse de rendements d'échelle constants. Les facteurs explicatifs obtenus pour cette efficacité technique (totale) sont la taille de la banque, le coefficient de transformation, le volume de production (de crédits et dépôts) relatif, le niveau de trésorerie et le volume des crédits. Sous l'hypothèse de rendements d'échelle variables, ce score s'établit à 54%. Les facteurs explicatifs de cette efficacité technique (pure) sont le risque de défaut relatif, l'agressivité de la politique commerciale, le volume des dépôts et le volume de production (de crédits et dépôts) relatif.

ABSTRACT

One of the most actual questions is about the overliquidity of the Cameroonian banks and the shortcomings of credits which they grant to the economy. Now, these banks are more and more facing with challenges imposed to them by the increase of the competition. One of these challenges is the preservation of their profitability, and it lies notably on the efficiency of their resources management. This work focuses on the measurement of the technical efficiency of CBC (one of these banks), while transforming its resources to credits, as well as on the identification of the determinants of this technical efficiency. The Data Envelopment Analysis method is used to measure this technical efficiency over the period from January, 2008 till August, 2009, and the linear regression serves to identify its determinants. We show that the score of technical efficiency of the CBC establishes in 29,4% on average over the considered period, if we consider the Constant Returns to Scale model. The determinants obtained for this (total) technical efficiency are the size of the bank, the coefficient of transformation, the relative production level (of credits and deposits), the level of finance and the volume of credits. If we consider the Variable Returns to Scale model, this score becomes established in 54 %. The determinants of this (pure) technical efficiency are therefore the relative risk of default, the aggressiveness of the commercial policy, the volume of the deposits and the relative production level (of credits and deposits).

INTRODUCTION GENERALE

Deux constats majeurs servent de point de départ à notre réflexion : Celui de surliquidité générale des banques camerounaises d'une part et celui de l'amplification de la concurrence dans le secteur bancaire camerounais d'autre part.

Après la crise d'illiquidité bancaire de la fin de la décennie 1980, l'on a assisté à une restructuration profonde des banques et du système bancaire de la CEMAC¹ (TANGAKOU, 2007). La mise sur pied de la COBAC² et la définition de nouvelles règles de gestion prudentielle ont permis de réduire le risque d'illiquidité, et les banques deviennent surliquides à la fin de la décennie 1990 (WANDA, 2007). Le coefficient de liquidité³ dans la sous région atteint un niveau de 217,5% en 1995. (KAMGNA 2008).

Par ailleurs, le marché bancaire connait de plus en plus l'affluence des banques nouvelles, (United Bank for Africa, Oceanic Bank, Banque Atlantique, Banque Marocaine, BGFI Bank, etc.), ce qui vient renforcer la concurrence dans le secteur. En réalité, le nombre de banques commerciales au Cameroun est passé de 8 à 13 entre Janvier 2001 et août 2009, tandis que le nombre de guichets⁴ de banques passait de 84 à 128 dans le même intervalle⁵.

Cette concurrence qui s'accentue de jour en jour aura pour conséquence le nivellement progressif des prix, à la fois des services bancaires et des intérêts sur les crédits. Cette baisse des prix va sans doute affecter la rentabilité des banques, car ces dernières pratiquent actuellement des tarifs jugés excessifs en ce qui concerne les services bancaires notamment (WANDA 2007).

Face à cette situation, l'on s'attendrait à ce que les banques travaillent à accroître leur niveau de production (de services et de crédits) car à prix de vente égal, l'augmentation des

¹ La Communauté Economique et Monétaire de l'Afrique Centrale comprend six pays : le Cameroun, la Centrafrique, le Congo Brazzaville, le Gabon, la Guinée Equatoriale et le Tchad.

⁴ Le nombre de banques reflète le taux de concurrence, et le nombre de guichets l'agressivité commerciale

⁵ Le marché bancaire au Cameroun, document confidentiel du Conseil National du Crédit.

quantités produites peut accroître les bénéfices¹. A défaut d'accroître cette production (faute de ressources), elles devraient optimiser la gestion des ressources dont elles disposent, notamment sur le plan de l'intermédiation bancaire.

A contrario, l'on observe que le comportement d'intermédiation bancaire au Cameroun ne se conforme pas au principe exposé ci-haut. En effet, le volume de crédits bruts distribués par les banques camerounaises est passé de XAF 857 Milliards à XAF 1077 Milliards entre 2004 et 2007, lorsque les dépôts collectés par les mêmes banques passaient de XAF 1 215 Milliards à XAF 1 772 Milliards².

Ainsi, la question de l'inefficacité des banques de notre environnement dans la transformation de leurs ressources en crédit est digne d'intérêt.

En réalité, la mission naturelle des banques est de servir d'intermédiaire entre les agents à capacité de financement et ceux à besoin de financement, en raison de l'éloignement qui subsiste entre ces deux derniers (DESCAMPS, 2002). Elles collectent de l'épargne sous forme de dépôts pour la distribuer sous forme de crédits. Lorsqu'une banque optimise cet exercice, on dit qu'elle est techniquement efficace sous l'optique de l'intermédiation : cette efficacité permettrait aux banques de notre environnement de juguler leur état de surliquidité et d'améliorer leur rentabilité.

Comme exposé ci haut, les banques de notre environnement disposent d'énormes liquidités et ne distribuent pas assez de crédits. De ce fait elles ne participent pas comme il se doit au financement de l'économie. Pourtant, en renforçant leurs activités d'intermédiation, les banques peuvent accroître leurs bénéfices à travers les intérêts sur les crédits.

¹ A condition que cette production soit rentable, et que la banque n'opère pas à rendements d'échelle décroissants : ce qui est le cas pour la plupart de ces banques actuellement (Hugon P. 2007).

A ce stade de l'observation, les différents constats nous laissent penser que les banques de notre environnent sont encore inefficaces dans leur transformation des ressources en crédits.

Cependant, pour se prononcer avec certitude sur cette question, il est nécessaire de mesurer à l'aide d'une technique appropriée l'efficacité technique de ces banques. Dans le cadre de cette étude, nous allons appliquer la démarche de mesure de l'efficacité technique au cas spécifique de la Commercial Bank Cameroun, une des banques de notre environnement. Il sera question de savoir si la Commercial Bank Cameroun distribue le maximum de crédits possible compte tenu des ressources collectées. Nous allons également déterminer quels sont les leviers qui permettraient de faire varier cette efficacité technique.

L'objectif est d'abord de fournir un exemple scientifique de mise en oeuvre de la démarche qui sert à apprécier l'efficacité technique des banques, en appliquant cette démarche à une banque camerounaise, en l'occurrence la CBC. Ensuite, nous voulons déterminer scientifiquement les facteurs qui expliquent le niveau d'efficacité technique d'une banque.

L'intérêt premier est de compléter l'état de la science en explorant un champ nouveau : parmi les nombreuses études menées sur le thème de l'efficacité technique des banques, celles qui s'intéressent précisément aux banques camerounaises sont très rares, voire inexistantes. Nous n'avons pas trouvé d'étude scientifique sur l'efficacité technique de la CBC. De même, cette étude permettra d'actualiser les recherches moins récentes sur le même thème.

Le second intérêt est de servir de guide aux décideurs de la CBC, dans un contexte de restructuration. En effet, après sa mise sous administration provisoire décidée le 03 novembre 2009 par la COBAC, la Commercial Bank Cameroun suit un plan de restructuration qui vise à rétablir ses ratios de fonds propres au niveau réglementaire, notamment¹. Notre étude permettra aux dirigeants de cette banque de savoir quel est leur niveau d'efficacité technique et sur quel(s) levier(s) ils pourront s'appuyer pour améliorer leur efficacité dans la distribution des crédits.

Pour mesurer le niveau d'efficacité de la Commercial Bank Cameroun, nous allons employer la méthode DEA (Data Envelopment Analysis). Cette méthode est l'une des plus courantes dans la littérature pour la mesure de l'efficacité technique des banques. Elle est également adéquate pour les inputs et les outputs du secteur bancaire (AMARA & ROMAIN, 2000). Il s'agira pour nous d'évaluer les niveaux d'efficacité technique de la Commercial Bank Cameroun sur les deux dernières années (par rapprochement du volume des dépôts collectés au volume des crédits distribués), en attribuant à chaque mois un score d'efficacité compris entre 0 et 1. L'échantillon de mesure sera composé des douze (12) banques commerciales en

1 Décision COBAC D-2009/204/portant mise sous administration provisoire de Commercial Bank-Cameroun

exercice au Cameroun sur la période allant de Janvier 2008 à août 2009. Il s'agira ensuite d'établir le lien entre l'évolution des scores d'efficacité de la CBC et celle des variables explicatives potentielles de l'efficacité technique des banques.

Pour cerner les facteurs explicatifs des niveaux d'efficacité de la Commercial Bank Cameroun, nous allons estimer un modèle de régression linéaire. Ce modèle aura pour variable expliquée les scores d'efficacité, et comme variables explicatives les facteurs explicatifs potentiels de l'efficacité technique des banques. Les données utilisées pour l'estimation des scores et l'analyse des déterminants de l'efficacité technique, proviendront du Département de la Comptabilité de la Commercial Bank Cameroun et du document : « le marché bancaire au Cameroun » produit par le Conseil National du Crédit du Cameroun.

La première partie est dédiée d'une part à la présentation du concept d'efficacité technique et sa mesure (chapitre 1). D'autre part, elle se consacre à la mise en pratique de l'évaluation de l'efficacité technique en l'appliquant à la Commercial Bank - Cameroun (chapitre 2).

La seconde partie traite de la connaissance des facteurs explicatifs de l'efficacité technique des banques. Elle commence par recenser les facteurs explicatifs de l'efficacité technique des banques existants dans la littérature et les méthodes pour les déterminer (chapitre 3). Ensuite, elle identifie les facteurs explicatifs de l'efficacité techniques dans le cas de la Commercial Bank - Cameroun (chapitre 4).

INTRODUCTION

La théorie sur l'efficacité technique apparaît en 1957 avec les travaux d'un chercheur nommé Farell¹. Avant cette période, la possibilité que les entreprises puissent exploiter leurs ressources de manière inefficace était implicitement écartée des études empiriques (Amara et Romain, 2000). L'on considérait alors que les entreprises utilisaient toujours leurs ressources de manière efficace, car la mission naturelle des entreprises est de maximiser leur profit. A partir de 1950, les progrès technologiques ont contraint les chercheurs à débattre sur la question de savoir comment utiliser de manière efficace ces nouvelles technologies (Nishimizu et Page, 1982)².

L'efficacité technique ou efficience technique, ou encore efficience³ mesure l'aptitude d'une unité de production à tirer partie au mieux de ses ressources. C'est une notion relativement nouvelle en sciences de gestion, et complexe si l'on considère ses différentes dimensions et les différentes approches existantes pour la mesurer.

L'objectif de cette partie est de présenter globalement le concept d'efficacité technique, et d'appliquer ce concept en mesurant le niveau d'efficacité technique de la Commercial Bank Cameroun.

Le chapitre 1 fournit tout d'abord une définition de l'efficacité technique. Il présente également les concepts théoriques de mesure de l'efficacité technique.

Le chapitre 2 réalise une application de la mesure de l'efficacité technique à la Commercial Bank - Cameroun.

³ Tout au long de notre étude, nous utiliserons aléatoirement l'un ou l'autre de ces termes pour désigner l'efficacité technique.

L'efficacité technique est une notion introduite en 1957 par un chercheur nommé Farrell¹. Au fil du temps, le concept s'est approfondi et s'est doté de plusieurs facettes différentes. Le présent chapitre vise à définir la notion d'efficacité technique en décrivant toutes ces facettes (section 1), puis à présenter les méthodes de mesure de l'efficacité technique (section 2).

Section 1 : Comprendre la notion d'efficacité technique et ses contours

L'efficacité technique est un concept qui part de l'efficacité telle que conçue du point de vue économique (Paragraphe 1). Peu après l'introduction de la notion d'efficacité technique dans les sciences de gestion, les chercheurs ont pu développer plusieurs approches, donnant naissance à plusieurs types d'efficacité technique (Paragraphe 2).

Paragraphe 1 : De l'efficacité économique à l'efficacité technique

Le discours de ce premier paragraphe s'articule en deux points. Le premier aborde l'efficacité économique et le concept d'efficience (1.1), tandis que le second parle de l'efficacité technique et de l'efficacité allocative (1.2).

D'un point de vue général, l'efficacité (en anglais « effectiveness »)² décrit la capacité d'un individu, d'un groupe ou d'un système à atteindre les objectifs qui lui sont attribués avec les ressources prévues. Etre efficace serait donc produire les résultats escomptés et réaliser les objectifs fixés. Au-delà de ce concept, l'efficience (« efficiency ») traduit la qualité d'un rendement qui permet de réaliser les objectifs avec le minimum de moyens engagés : la délimitation entre efficacité et efficience se fait par les notions de non oisiveté des ressources

² Dans certains cas dans la langue anglaise, notamment pour l'efficacité des personnes, les termes « efficacité » et « efficience » se confondent : Ils sont tous désignés par l'appellation « efficiency ».

(plein emploi) et de non gaspillage (utilisation de la juste quantité nécessaire, pas plus) (Guerrien, 2002). En d'autres termes, l'efficacité requiert l'atteinte des objectifs, tandis que l'efficience introduit la minimisation des ressources employées.

Avant les années 1950, les économistes considéraient que les firmes exploitaient toujours leurs ressources de manière efficace et efficiente, en vertu de leur mission qui est de faire des profits. L'efficacité économique (« economic efficiency ») est une notion qui apparaît après les années 1950 (Amara & Romain, 2000). Elle désigne alors l'utilisation des ressources de manière à maximiser la production. En réalité, pour être économiquement efficace, un système doit remplir trois conditions (Sullivan et al 2003)¹ :

- Il faut que son système de production soit à un niveau d'équilibre au sens de Pareto :

c'est-à-dire qu'il doit être tel qu'on ne puisse l'améliorer sans dépenser plus ;

- Il faut qu'aucun input ne puisse être ajouté sans augmentation correspondante

Dans la plupart des lexiques économiques ou financiers, l'efficacité économique est définie comme l'état d'une économie qui obtient un rendement maximal de ressources limitées en considérant les coûts et les bénéfices découlant de diverses décisions. C'est un concept qui englobe à la fois l'efficacité technique et l'efficacité allocative.

1.2- L'efficacité technique et l'efficacité allocative

Une DMU (Decision Making Unit)² est dite techniquement efficace si, à partir du panier d'intrants qu'elle détient, elle produit le maximum d'extrants possible ou si, pour produire une quantité donnée d'extrants, elle utilise les plus petites quantités possibles d'intrants (Atkinson et Cornwell, 1994)³. La mesure du degré d'efficacité d'une DMU permet donc de cerner si cette

² En français unité de décision, nous l'utiliserons dans la suite pour signifier unité de production indépendante

dernière peut accroître sa production sans pour autant consommer plus de ressources, ou diminuer l'utilisation d'au moins un intrant tout en conservant le même niveau de production.

Farrell (1957)¹ fut le premier à donner une définition claire de l'efficacité économique (Efficience - coût) et à faire la distinction entre l'efficacité technique et l'efficacité allocative. Son schéma est le suivant : soit une fonction de production qui présente une combinaison de capital et de travail pour produire un produit donné.

L'isoquant SS' présenté à la Figure 1 représente les différentes combinaisons des facteurs de production qu'une firme parfaitement efficace peut utiliser pour produire une unité d'extrant. Le graphique suggère l'interprétation successive de l'efficacité technique et celle de l'efficacité allocative.

Le point Q représente une firme techniquement efficace, utilisant les deux facteurs de production dans le même rapport que la firme située au point P. Supposons que la firme Q produise la même quantité d'extrant que la firme P en utilisant seulement une fraction OQ/OP des facteurs de production. Le ratio OQ/OP est défini comme étant le niveau d'efficacité technique de la firme située en P. Ainsi, ce ratio est de « 1 » pour une firme parfaitement efficace (située sur SS'), et diminue indéfiniment lorsque les quantités d'intrants pour un même niveau de production deviennent de plus en plus grandes.

Cependant, pour qu'une firme soit économiquement efficace, il est également nécessaire qu'elle utilise les différents facteurs de production dans les bonnes proportions, étant donné leurs prix relatifs. À la Figure 1, si AA' montre une pente égale au ratio des prix des facteurs (courbe d'isocoût), c'est alors Q', et non pas Q, qui est le point optimal de production. En effet, et même si l'efficacité technique est de 100% en ces deux points, les coûts de production à Q' ne représentent que la fraction OR/OQ de ceux au point Q. Ce ratio est alors défini comme une mesure de l'efficacité de prix, ou efficacité allocative, au point Q. Ainsi, si la firme située au point P change la proportion d'utilisation de ses intrants jusqu'à ce qu'elle soit égale à celle donnée au point Q', tout en gardant son indice d'efficacité technique constant, ses coûts seront modifiés par le facteur OR/OQ. Son indice d'efficacité allocative est donc donné par le ratio OR/OQ. Comparée à la firme située en P, la firme parfaitement efficace, techniquement et

allocativement (celle située en Q') montre des coûts qui sont une fraction OR/OP de ceux de cette première firme. Le ratio OR/OP, qui est le produit des deux ratios qui définissent respectivement l'efficacité technique et l'efficacité allocative, reflète le niveau d'efficacité économique (totale) de la firme située en P. Au-delà de cette double appréhension de l'efficacité économique, il existe plusieurs dimensions de l'efficacité technique.

Paragraphe 2 : Typologies de l'efficacité technique

La première catégorisation de l'efficacité technique distingue l'efficacité technique pure de l'efficacité technique d'échelle (2.1). La seconde énumère l'efficacité technique orientée input et l'efficacité technique orientée outputs (2.2)

2.1- L'efficacité technique pure et l'efficacité technique d'échelle

La prise en compte des rendements d'échelle peut permettre la décomposition de la notion d'efficacité technique en une efficacité technique pure et une efficacité technique d'échelle. L'efficacité technique pure reflète la manière dont les ressources de l'unité de production sont gérées. En revanche, l'efficacité d'échelle détermine si l'unité de production opère à une échelle optimale ou non. L'échelle optimale est entendue ici comme étant la meilleure situation à laquelle peut parvenir l'unité de production en augmentant proportionnellement la quantité de tous ses facteurs.

Pour illustrer cette décomposition,¹ considérons le cas d'une DMU qui produit un output y à partir d'un seul input x (figure 1) en supposant la technologie de production à rendements d'échelle variables. Une technologie est à rendements d'échelle variables si à la suite d'une augmentation proportionnelle de tous les facteurs de production, la production varie dans une proportion différente. Par contre, elle est à rendements d'échelles constants si une augmentation proportionnelle de tous les facteurs de production entraîne une augmentation de la production dans la même proportion.

L'efficacité technique des banques et ses facteurs explicatifs : application à la Commercial Bank - Cameroun

La frontière des possibilités de production de cette DMU est représentée par la courbe à rendements d'échelle variables (REV). Sous l'hypothèse de rendements d'échelle constants, cette frontière est représentée par la droite REC.

Au point A''', la DMU est techniquement capable de produire la même quantité d'output en utilisant moins d'inputs, précisément en se plaçant au point A». Elle est par conséquent inefficace dans la mesure où elle peut réaliser une économie d'inputs correspondant à A»A'''. Le niveau d'efficacité technique pure est le rapport AA»/AA'''.

L'efficacité d'échelle quant à elle est fournie par la distance entre les frontières REC et REV et est mesurée par le rapport AA'/AA». Au point B, la DMU atteint « l'échelle optimale » : Audelà de ce point, elle ne peut améliorer son rendement en augmentant sa production. Le produit de l'efficacité technique pure et de l'efficacité d'échelle représentant l'efficacité technique totale, donne le rapport AA'/AA''' et correspond à la mesure de l'efficacité technique dans le cas de rendements d'échelle constants.

L'efficacité technique peut être considérée selon deux principales approches (Kamgna et Dimou, 2008) :

Premièrement, elle mesure l'aptitude d'une unité de production (DMU) à obtenir le maximum d'outputs possible à partir d'une combinaison d'inputs et d'une technologie de production données : c'est sa définition « orientée output », qui répond à la question de savoir : « De combien peut-on modifier les quantités d'output sans modifier les quantités d'input utilisées » (Coelli et al, 1996) ;

Secondement, elle mesure son aptitude à réaliser un niveau d'output donné à partir des plus petites quantités d'inputs possibles : c'est la définition « orientée input », répondant à la question de savoir : « De combien les quantités d'input peuvent être proportionnellement réduites, sans qu'il n'y ait variation de la quantité d'outputs produits » (Idem).

L'inefficacité technique correspond donc soit à une production en deçà de ce qui est techniquement possible pour une quantité d'inputs et une technologie donnée, ou à l'utilisation de quantités d'inputs au dessus du nécessaire pour un niveau d'output donné.

La plupart des méthodes de mesure de l'efficacité technique abordées avant 1980 concernaient généralement la maximisation d'outputs, sous contrainte d'un niveau d'input donné. Dans cette perspective et tel que proposé par Forsund et Hjalmarsson (1979)¹, il serait possible de maximiser le niveau de production pour une utilisation donnée d'intrants. À la Figure 3, la DMU située au point D et qui voudrait conserver un niveau d'utilisation U=1 des intrants pourrait opérer au point C. Ainsi son niveau de production passerait de YD à YC.

Cependant, l'efficacité technique peut être aussi mesurée en regard de l'utilisation des intrants. En effet, il serait également possible de minimiser l'utilisation des intrants pour un niveau de production donné, c'est-à-dire produire le même extrant YD avec moins d'intrants, soit U1 à la Figure 3. Cela placerait la DMU au point B au lieu de D.

Là n'est qu'une augure de l'ampleur des débats qui s'animent autour de la mesure de l'efficacité technique.

Section 2 : Comment mesurer l'Efficacité technique ?

Dans cette section, nous commencerons par évoquer les théories qui décrivent la mesure de l'efficacité technique des unités en général (paragraphe 1). Puis nous marquerons un arrêt sur la méthode principale qui s'emploie le plus souvent pour mesurer l'efficacité technique des banques, à savoir la méthode DEA (paragraphe 2).

Paragraphe 1 : Les deux grandes approches de la littérature

Dans la littérature, deux grandes approches de mesure de l'efficacité technique se distinguent¹ : les approches paramétriques (1.1) et les approches non paramétriques (1.2).

1.1- Les approches paramétriques

Les approches paramétriques proposent une approximation de la fonction de production efficace par une forme fonctionnelle connue a priori (Cobb Douglas, Translog, etc.). C'est-à-dire qu'une équation mathématique donne une forme à la frontière efficiente, indépendamment des données. Ainsi, une spécification plus facile et une meilleure analyse des différentes propriétés algébriques de cette fonction deviennent possible.

Les approches paramétriques peuvent être déterministes ou stochastiques. L'on dit qu'elles sont déterministes lorsqu'elles attribuent tout écart par rapport à la frontière à de l'inefficacité, et stochastiques lorsque l'écart par rapport à la frontière est la résultante de l'inefficacité d'une part, et des aléas et erreurs de mesure d'autre part.

Les spécifications usuelles sont Translog et Cobb-douglas. Si nous désignons par y le niveau d'output réalisé, x le vecteur d'input et f la fonction de production, nous avons la relation :

La fonction de production est en fait une frontière de possibilité (c'est-à-dire le niveau maximal d'output pouvant-être obtenu à un niveau donné d'input). U mesure l'écart entre l'output observé et l'output maximum réalisable. Il mesure l'inefficacité. La mesure de l'efficacité est le rapport :

¹ Berger et Humphrey (1997) Recensent 5 différentes méthodes, dont 3 paramétriques (SFA, DFA et TFA) et deux non paramétriques (DEA et FDH)

Où ß est un estimateur de B, généralement estimé par maximum de vraisemblance. Cette forme est dite déterministe. On peut introduire un terme d'erreur stochastique pour tenir compte des chocs externes non observés. Dans ce cas, on parle de frontières stochastiques. Ce qui correspond à une mesure de la forme :

En ce qui concerne l'approche paramétrique déterministe, plusieurs auteurs (Farell (1957), Timmer (1971), Afriat (1972), Richmond (1974) et Green (1980))¹ proposent des techniques différentes pour trouver une approximation de la frontière efficiente. Cependant l'approche paramétrique et déterministe présente des limites liées notamment à sa forte sensibilité aux observations extrêmes et au caractère restrictif de la forme fonctionnelle attribuée à la fonction frontière.

En ce qui concerne l'approche paramétrique stochastique, elle corrige certaines défaillances de l'approche déterministe, notamment en relativisant l'origine de l'écart par rapport à la frontière efficiente. Elle postule donc que le terme de l'erreur est composé de deux parties indépendantes, soit une composante purement aléatoire (V) qui se trouve dans n'importe quelle relation et qui se distribue de chaque coté de la frontière de production (two-sided error term), et une composante représentant l'efficacité technique (U) et qui est répartie d'un seul coté de la frontière (one-sided error term) (Amara & Romain, 2000).

Dans tous les cas, l'approche paramétrique a ceci de regrettable qu'elle requiert au préalable l'écriture d'une fonction de coût ou de profit de la firme concernée. Or ceci n'est pas toujours possible ou pratique quelque soit le type d'entreprise. Il n'en va pas de même en ce qui concerne l'approche non paramétrique.

Introduite par Farell (1957)¹, l'approche non paramétrique considère une frontière qui n'est liée à aucune forme fonctionnelle : l'isoquant est estimé par les ratios extrants/intrants de chaque DMU. Elle est généralement de type déterministe. La méthode consiste à placer toutes les DMU dans un échantillon, et à représenter chacune de leurs performances par un point sur un graphique. Une frontière efficiente est alors tracée. Dans le cas de la méthode DEA, cette frontière relie tous les points qui enveloppent le nuage de points par le haut : les points de cette frontière représentent les unités efficaces (voir Figure 4). Les autres points - situés en dessous de cette frontière - représentent les unités « inefficaces », ou bien « sous efficaces ». Par ailleurs, la distance qui sépare chaque point de la frontière est une mesure de son niveau d'efficacité technique.

Cette efficacité est relative, dans la mesure où elle dépend des unités les plus performantes de l'échantillon.

La méthode DEA est un exemple édifiant de l'approche non paramétrique. Outre la méthode DEA, l'approche non paramétrique a d'autres méthodes comme la méthode FDH (Free Disposal Hull, ou Ensemble de libre disposition) sur lesquelles nous n'insisterons pas.

L'approche DEA comprend deux principaux modèles sur lesquels nous reviendrons plus bas, qui sont le modèle CRS (Constant Return to scale) et le modèle VRS (Variable return to scale). Le modèle CRS suppose les rendements d'échelle constants, tandis que le modèle VRS table sur l'hypothèse de rendements d'échelle variables.

Selon Coelli et al. (1996), « la différence entre l'indice d'efficacité technique obtenu par le biais de DEA du type CRS et celui de la même firme obtenu par le DEA du type VRS constitue une bonne mesure de l'efficacité d'échelle de cette firme ». Pour obtenir une telle mesure, ils suggèrent d'effectuer, sur la même base de données, une DEA du type CRS et une autre du type VRS. Si pour une firme donnée, il y a une différence dans les indices d'efficacité mesurés par ces deux types de DEA, ceci indique que la firme n'opère pas à une échelle optimale. L'inefficacité d'échelle est alors donnée par la différence entre l'inefficacité technique CRS et l'inefficacité technique VRS.

Cette méthode a permis d'étendre l'analyse de l'efficacité technique à des situations multi produits et de rendements d'échelle non constants (Amara & Romain 2000). Une description plus détaillée de la méthode DEA nous fera comprendre pourquoi.

Paragraphe 2 : La méthode DEA et la mesure de l'efficacité technique des banques

Parmi les différentes méthodes qui servent à mesurer l'efficacité technique, la méthode DEA semble être la plus adéquate pour la mesure de l'efficacité technique des banques selon notre optique. Afin de comprendre pourquoi, nous donnerons une description de la méthode (Paragraphe 1), puis nous développerons quelques subtilités de la mesure de l'efficacité technique des banques (Paragraphe 2).

L'analyse par enveloppement des données (DEA) consiste à utiliser la programmation mathématique pour construire une frontière en fragments (piece-wise surface) à partir de l'ensemble des données des unités de production. L'efficacité d'une unité de production est calculée par rapport à cette frontière en fragments.

2.1.1- Définition littéraire

Plus spécifiquement, Charnes et al. (1978)¹, définissent la DEA comme étant :

" a mathematical programming model applied to observed data [that] provides a new way of obtaining empirical estimates of extremal relationships such as the production functions and/or efficiency production, possibility surfaces that are the cornerstones of modern economics." Traduction: « un modèle de programmation mathématique appliqué aux observations qui fournit un nouveau moyen d'obtenir des estimations empiriques des relations extrêmes à l'instar de la fonction de production, et/ou d'efficience et la surface des possibilités qui sont les pierres angulaires pour les économies modernes ».

En complément, Haag & Jaska (1995)² ajoutent que « c'est un outil analytique permettant d'évaluer l'efficacité technique relative d'un ensemble d'organisations ayant les mêmes inputs et outputs multiples ».

2.1.2- Description mathématique

Il existe plusieurs formes de modèles de la méthode DEA. Dans le but de simplifier au mieux notre exposé, nous allons adopter la présentation suivante, qui emploie la notation proposée par Ion LAPTEACRU, (2000).

² Dans leur article intitulé « interpreting inefficiency ratings », ils font une révélation assez capitale : Plus la valeur des données (des inputs et outputs) est grande, plus les scores d'inefficacité des DMU inefficaces... ...s'abaissent. Pour résoudre ce problème, ils suggèrent de diviser toutes les valeurs par la moyenne de l'échantillon : cela ne

change pas le rapport entre les données des unités différentes. Cette méthode de simplification des données nous sera nécessaire, vu que les chiffres du marché bancaire (crédit et dépôts) que nous aurons à manipuler sont d'un volume important.

Supposons qu'il y ait K facteurs de production et M biens pour chaque banque i (i=1,...,N). Désignons, respectivement, par xi et yi les vecteurs des facteurs de production utilisés par la banque i et les biens offerts par cette même banque. Notons par K×N la matrice des facteurs de production X et par M×N la matrice des biens Y. Pour mesurer l'efficacité technique de chaque banque nous calculons le ratio des quantités produites sur les quantités des facteurs de production exprimé par u'yi /v'xi, où u est le vecteur M×1 des pondérations des quantités offertes et v est le vecteur des pondérations des facteurs de production. Les pondérations optimales se déterminent en résolvant le problème de programmation mathématique suivant :

max (u'y i /v'x i), sous contrainte u' y j / v'x j = 1, j=1,...,N et u, v = 0 .

Cependant cette formulation suppose l'existence d'un nombre infini de solutions, ce qui exige

max( ì'yi ), s.c. ñ'x i = 1, ì'yi - ñ'xj = 0 , j=1,...,N et ì ,ñ = 0 ,

Où les notations u et v ont été, respectivement, changées en u et ñ afin de refléter la transformation. En utilisant la dualité dans la programmation linéaire, une forme équivalente du problème peut être écrite de façon suivante :

Où è est un scalaire et ë est un vecteur de N×1 constantes. La valeur obtenue de è représente le score d'efficience de la banque i et prend des valeurs entre 0 et 1. Le problème doit être résolu N fois, une fois pour chaque banque.

Cette méthode suppose que les rendements d'échelle sont constants (Constant Return to Scale, ou CRS) Cependant, si les rendements d'échelle sont variables (Variable Return to Scale), alors nous pouvons trouver le score d'efficience pure technique et de l'efficience d'échelle, en ajoutant la contrainte de convexité N1'ë = 1 au problème ci-dessus.

La méthode DEA est très souvent convoitée pour la mesure de l'efficacité technique des banques (Joumady O., 2000). Il est difficile de dénombrer les études qui chaque année font appel à cette méthode lorsqu'elles s'intéressent à l'efficience des banques, de par le monde et plus spécifiquement en Afrique francophone. Parmi ces études, l'on peut citer Joumady O. (2000), Tanimoune N. (2003), Kamgna et Dimou (2008), Dannon (2009), Kablan (2009), etc.

Un premier atout de la méthode DEA est qu'elle ne requiert aucune hypothèse à priori concernant la forme fonctionnelle de la frontière estimée. Elle est de ce fait une méthode particulièrement adaptée en cas d'incertitude sur la forme fonctionnelle de la technique de production étudiée. Ce détail élargi le champ de la mesure de l'efficacité technique aux firmes qui ont des fonctions de productions non encore connues ou difficiles à estimer, à l'instar des banques de notre environnement. En effet, ces banques fabriquent des produits et services complexes à base d'inputs et d'outputs multiples, à des échelles très disparates¹. Tout cela complique nettement la détermination théorique de leur frontière efficiente.

De plus, la méthode DEA ouvre la porte à la mesure de l'efficacité technique des firmes combinant plusieurs inputs pour produire plusieurs outputs différents. Encore une fois les banques sont concernées : elles combinent l'épargne collectée - à vue, à court, moyen et long terme, leurs fonds propres, les emprunts pour générer des crédits - à court, moyen et long terme, des engagements par signature, les placements et autres types de produits.

Enfin, la méthode DEA est adaptée pour le cas de petits échantillons (Ludwin W., 1989) : dans notre cas qui concerne le marché bancaire camerounais, nous n'avons que 12 DMU qui représentent les 12 banques commerciales en activité.

Cependant, la méthode DEA présente également quelques limites qui tiennent d'une part à l'extrême sensibilité des données aux éventuelles erreurs, compte tenu du caractère déterministe de la méthode. D'autre part, elle écarte la mesure de l'efficacité allocative, et

¹ Nous reviendrons au chapitre 2 sur l'échelle à laquelle opèrent les différentes banques, notamment lors que nous présenterons le marché bancaire camerounais.

donc ne tient pas compte du coût des différents facteurs. Telle que nous allons l'aborder, la mesure de l'efficacité technique de la CBC n'en demandera pas tant : elle se fera sous une seule des multiples optiques, à savoir l'optique d'intermédiation.

2.2- La mesure de l'efficacité technique des banques : une opération abordable sous plusieurs optiques

L'efficacité technique peut être mesurée de plusieurs façons. On peut distinguer l'optique de la production de l'optique de l'intermédiation ou encore l'efficacité - coût de l'efficacité - profit. Toutes ces optiques contribuent d'une manière ou d'une autre à évaluer la performance des banques. Cependant dès lors que nous avons choisi l'optique de l'intermédiation, la méthode non paramétrique DEA se trouve suffisamment adaptée pour « faire le travail » : elle est utile pour des situations de plusieurs inputs et outputs, elle ne requiert pas l'écriture d'une forme fonctionnelle de la frontière, et enfin nous n'aurons pas à tenir compte du coût des facteurs. Développons néanmoins ce catalogue d'optiques.

2.2.1- L'optique de la production et l'optique de l'intermédiation

Selon l'approche production, le rôle des banques est de fournir des services à leur clientèle. L'output de la banque est le volume des services fournis aux épargnants (comptes gérés) et aux emprunteurs (crédits octroyés). Pour en obtenir, la banque transforme le capital physique et le travail. Les immobilisations et les salaires peuvent donc y être considérés comme inputs. (Kamgna et Dimou, 2008).

Dans l'approche d'intermédiation, le rôle de la banque est de collecter les fonds pour les transformer en crédits. Sa production est dans ce cas évaluée en unité monétaire. Les inputs sont les dépôts collectés et les fonds empruntés, et le volume de crédits accordés constitue le principal output. Les théoriciens introduisent d'ailleurs une nouvelle approche, l'approche

moderne, qui incorpore les éléments de la théorie de l'information dans l'activité des banques, la gestion des risques, etc. (Freixas et al 1999)¹

2.2.2 L'efficacité - coût et l'efficacité - profit

L'efficience - coût (Efficacité allocative) mesure l'aptitude d'une banque à réaliser les coûts les plus proches des « best-practices bank's costs » tout en proposant un niveau et une structure d'outputs donnés.

Pour ce qui est de l'efficacité profit, Berger et Mester (1997) proposent d'en distinguer deux types : l'efficience profit standard et l'efficience profit alternatif.

L'efficience profit standard mesure l'aptitude d'une banque à réaliser les meilleurs profits possibles compte-tenu d'un niveau de prix d'inputs et d'outputs donnés.

L'efficience profit alternative mesure l'aptitude d'une banque à réaliser les meilleurs profits possibles compte-tenu d'une quantité d'outputs donnée plutôt que des prix. Cette dernière forme est utilisable lorsque les conditions pour le calcul de l'efficience profit standard ne sont pas réunies.

Selon lui, l'efficacité profit est en général plus large que l'efficacité orientée coûts pour mesurer la performance des firmes, l'intérêt de la firme étant davantage dans la capacité à améliorer son rendement.

Après les contours de la notion d'efficacité technique et une étude² de ses méthodes de mesure, notre débat théorique sur la question est manifestement épuisé. C'est l'occasion d'aller plus loin, en essayant de valider cette connaissance théorique par la pratique. Le chapitre qui suit présente une application de la mesure de l'efficacité technique des banques à la Commercial Bank - Cameroun, au sein du marché bancaire camerounais.

La mesure de l'efficacité technique de la CBC reprendra le schéma de l'approche non paramétrique - DEA présentée au chapitre 1. Ce sera une application de cette méthode à un cas pratique. Avant d'entamer cette mesure proprement dite (Section 2), il est utile de présenter d'entrée de jeu le modèle empirique auquel s'appliquent nos travaux, à savoir la banque et son marché (Section 1).

Section 1 : Présentation du modèle empirique

Avec la méthode DEA, l'efficacité technique d'une banque mesure la performance de celle-ci au regard des performances des autres banques du même environnement. Dès lors, le modèle que nous présentons comprend en premier le portrait de la Commercial Bank - Cameroun (Paragraphe 1), et en second l'analyse du marché bancaire camerounais (paragraphe 2).

Paragraphe 1 : La CBC : Historique, organisation, produits et services

La CBC a aujourd'hui plus de douze ans d'existence. A cette date, saisissons l'occasion de présenter son historique (1.1), son organisation et son régime fiscal (1.2), son réseau (1.3), et enfin ses produits et services (1.4).

1.1- Historique et mission

La CBC fut agréée par la COBAC le 27 Juillet 1997, et a ouvert ses portes le 25 novembre 1997. Elle fut créée par des opérateurs économiques camerounais et étrangers (Groupe FOTSO, AGF Cameroun, Actionnaires privés Camerounais, DEG (Cologne-Allemagne). Sa création intervient après la fermeture au Cameroun de certaines banques à capitaux étrangers (Crédit Agricole, la BICIC, le Méridien BIAO), suite à la crise du secteur bancaire des années quatre vingt dix.

La Commercial Bank - Cameroun (CBC) est une Institution Financière qui a pour mission principale d'accompagner les entreprises et les particuliers dans leurs opérations domestiques et internationales, et le financement de leurs activités et projets. C'est une société anonyme avec Conseil d'administration. Son capital initial de XAF 03 milliards (300 000 actions de XAF 10 000 chacune), a été porté à XAF 4,5 Milliards le 01 avril 1999, puis à XAF 07 milliards depuis le 16 mai 2002. Depuis cette date, ce capital est détenu à 71,23% par des investisseurs nationaux et à 28,77% par des étrangers : ce capital est entièrement libéré.

Depuis le 3 Novembre 2009, la CBC est placée sous administration provisoire par une décision de la COBAC. Elle suit un plan de restructuration pour une période de 6 mois. Cette restructuration consiste notamment à rétablir les ratios de fonds propres de la banque au niveau réglementaire.

1.2- Organisation et régime fiscal

Avant sa mise sous administration provisoire, la gestion de la Commercial Bank - Cameroun était assurée à la tête par un conseil d'administration (C.A) et une Direction Générale (DG). Actuellement, l'administrateur provisoire dirige seul et rend compte directement à la COBAC. Il est néanmoins assisté par deux directeurs généraux adjoints. En effet, l'organigramme en place traduit une organisation composée de deux filières à savoir : une filière exploitation et une filière ressources coiffées chacune par un directeur général adjoint. L'annexe 1 présente l'organigramme de la CBC au 11/01/2007. Hors mis le remplacement du conseil d'administration et du directeur général par l'administrateur provisoire, l'équipe dirigeante demeure quasiment identique.

La Commercial Bank - Cameroun SA est immatriculée au registre du commerce sous le N° RC/DLA/1997/B 018409 Douala. Elle figure au registre spécial du Conseil National du Crédit (CNC) sous le numéro BC 17. Son siège social est situé à l'Avenue Charles de Gaulles B.P 4004 Bonanjo Douala, Tel : 33 42 02 02, FAX 33 43 38 00, site Web : www.cbc-bank.com, Email : cbcbank@cbc-bank.com.

En sa qualité de Société Anonyme et conformément au Code Général des impôts, la CBC est soumise de plein droit au régime du réel sous le numéro de contribuable : M 08970000860 S. De plus, elle est administrée par la Division des Grandes Entreprise de la Direction Générale des Impôts basée à Yaoundé.

1.3- Le réseau CBC

La Commercial Bank - Cameroun compte à ce jour huit agences régionales et deux guichets Western Union répartis dans les principales villes du Cameroun à savoir : Douala - Bonanjo inaugurée en Novembre 1997, Yaoundé - Avenue Kennedy en Janvier 1998, Bafoussam en Février 1998, Garoua en Octobre 1998, Maroua en Décembre 1998, Douala - Akwa en septembre 2003, Douala -Bonabéri en novembre 2005, Yaoundé - Mokolo en 2007 pour les agences et Douala - Deïdo et Yaoundé - Nlongkak pour les guichets Western Union.

La Commercial Bank - Cameroun (CBC) est la banque mère du Groupe Commercial Bank. Ce groupe est constitué de trois banques filiales dans la sous région CEMAC (Communauté Economique et Monétaire de l'Afrique Centrale) à savoir la Commercial Bank Centrafrique (CBCA), la Commercial Bank - TCHAD (CBT) et la Commercial Bank - Sao Tome et Principe (COBSTP).

A vocation internationale, le réseau bancaire de la CBC est également étendu dans le monde à travers ses correspondants. Ce réseau s'étend à la fois à travers l'Occident et à travers l'Afrique. En France, l'on a comme correspondants HSBC - Crédit Commercial de France(CCF), la BNP Paribas - Paris, NATEXIS. En Allemagne, l'American Express-Bank Francfort ; aux Etats Unis : l'American Express-Bank New York ; en Grande Bretagne : HSBC Bank PLC London, FIMBANK PLC ; au Bénin : l'Ecobank Bénin ; au Mali : la Banque de l'Habitat Bamako ; au Tchad : Financial Bank N'djamena ; en Centrafrique : la Banque Internationale pour la Centrafrique (BICA) ; et au Gabon : la Banque Internationale pour le Commerce et l'Industrie du Gabon(BICIG), BGFI Bank.

Les produits sont des opérations financières réalisées par la banque pour son propre compte et dans lesquelles les capitaux sont l'objet de ces opérations (collecte de ressources octroi de prêts, etc.). Les services quant à eux sont des prestations proposées à la clientèle et exécutées par la banque sur ordre et pour compte de sa clientèle. Les capitaux ne sont que support de ces opérations (encaissements, virement, mise à disposition et gestion des moyens de paiement).

La CBC catégorise ses produits et services en deux sortes : Les produits et services sur les avoirs bancaires, et les produits et services sur les engagements ;

En ce qui concerne les avoirs bancaires, la CBC met à la disposition de ses clients :

- Des produits d'épargne : comptes sur Livret, Bon de Caisse, Express-Account - Des produits de gestion de trésorerie : Dépôt à terme(DAT),

- Des services divers à savoir : le chèque certifié, le Gold Chèque, les virements, les

transferts, le Ramassage de Fonds, la location de Coffre fort clientèle, la Mise à Disposition(MAD), les cartes électroniques et bientôt le e-banking.

- Des services financiers à travers la SFA¹ (transactions sur titres, création des OPCVM, Ingénierie financière)

- Des crédits aux particuliers : crédits d'équipement et crédits immobiliers

- Des crédits aux PME : crédits d'équipement ou d'investissement et crédits immobiliers ; - Des crédits aux grandes entreprises : des crédits d'équipement et d'investissement ; des crédits de trésorerie et des engagements par signature.

Cet éventail est riche. Cela contribue certainement à conforter la place de la CBC au sein du marché bancaire camerounais.

Paragraphe 2 : Analyse du marché bancaire camerounais

Le paysage bancaire camerounais regorge une douzaine de banques commerciales. Parmi ces banques, on note 05 banques à capitaux camerounais, 03 à capitaux français, 02 à capitaux de l'Afrique de l'Ouest, 01 à capitaux anglais et 01 à capitaux américains. Notre analyse portera essentiellement sur l'activité d'intermédiation (collecte des dépôts et octroi des crédits), sur la période d'étude allant de Janvier 2008 à Août 2009. Toutes les données proviennent du Document confidentiel sur le marché bancaire, produit par le Conseil national du Crédit (CNC) du Cameroun. Après un aperçu général du comportement d'intermédiation des banques (2.1), nous approfondirons l'analyse avec d'abord une étude des parts de marché (2.2), puis de la place de la CBC dans cet environnement (2.3).

2.1- L'aperçu général

Le secteur des banques commerciales au Cameroun a produit en moyenne 1 196 Milliards de FCFA de crédit chaque mois en collectant 1 915 Milliards de FCFA de dépôts sur la période qui s'étend de janvier 2008 à août 2009. Le graphique (A) qui suit montre l'évolution comparée des crédits et des dépôts de l'ensemble des banques sur la période.

Graphique A : Evolution des crédits et des dépôts du marché sur l'ensemble de la période

Les dépôts collectés par l'ensemble du secteur ont progressé de XAF 149 Milliards (Passant de XAF 1 827 Milliards à XAF 1 977 Milliards), tandis que les crédits distribués ont progressé de XAF 315 Milliards (Passant de XAF 1 019 Milliards à XAF 1 334 Milliards). Par conséquent, les crédits ont connu une progression totale de 31,94% et les dépôts de seulement 8,21%. Ce constat laisse apparaître qu'il y a eu amélioration globale de la transformation des dépôts en crédit, même si on aperçoit sur le graphique un écart relativement stable entre le niveau des crédits et celui des dépôts.

Afin d'observer la transformation individuelle des banques, l'on peut jeter un regard sur le graphique B ci-dessous. Il présente en moyenne mensuelle les volumes de crédits distribués et de dépôts collectés par les banques entre janvier 2008 et août 2009. L'on peut voir par exemple que la banque qui réalise le plus grand écart moyen entre les crédits et les dépôts est la SCB - Crédit Agricole, tandis que celle qui réalise le plus petit écart est l'ex Amity-Bank, la Banque Atlantique Cameroun.

Les parts de marché individuelles des banques en fin de périodes sont présentées par le

graphique C ci-dessous. La banque BICEC arrive en tête avec 19,25% et la banque Atlantique en queue avec 1,61%.

L'on peut regrouper ces banques commerciales de deux manières, illustrées par les graphiques D et E ci-dessous. Selon le premier regroupement, les banques sont associées en fonction de l'origine de leur actionnariat. On a donc les banques à capitaux français (SGBC, BICEC, SCB-CA), ouest-africains (Ecobank, UBA), camerounais (Afriland, CBC, Amity, NFC et UBC), et puis d'autres pays occidentaux (Standard Chartered et Citibank). Selon le second regroupement, les banques sont associées en fonction de leur taille. En réalité, on peut clairement distinguer¹ 03 grands groupes bancaires : les banques leaders (BICEC, SGBC, Afriland et CA-SCB), les banques montantes ou suiveuses (CBC, Ecobank et Standard Chartered), et les banques queue de file (Citibank, UBA, Amity, NFC et UBC).

¹ A l'annexe 2, le graphique de l'évolution des parts de marché de dépôts sur la période permet de faire cette observation.

L'efficacité technique des banques et ses facteurs explicatifs : application à la Commercial Bank - Cameroun

Graphique F : Evolution des volumes de dépôts de la CBC et des autres banques

- En ce qui concerne les crédits, la CBC a distribué largement plus de crédit que la moyenne des autres banques sur la période, même si vers la fin de ladite période l'écart se resserre et le volume de crédits distribués par la CBC pointe vers le bas.

Graphique G : Evolution des volumes de crédits de la CBC et des autres banques

Graphique H : Evolution des taux d'intermédiations de la CBC et des autres banques

L'analyse qui précède démontre une chose : La Commercial Bank- Cameroun a un taux élevé de transformation des ressources en crédit. Elle est parfaitement au dessus de la moyenne en ce qui concerne sa performance d'intermédiation. Cependant, notre objectif vise à dire si oui ou non elle distribue le maximum de crédits possibles au regard des autres banques de son échantillon : il n'est plus question d'être seulement au dessus de la moyenne, mais plutôt d'être au dessus de toutes les banques. C'est pourquoi dans la section qui suit, nous répondrons à la question de savoir si la CBC est située sur la frontière efficiente, c'est-à-dire si elle techniquement efficace dans sa transformation des ressources en crédit.

Section 2 : Résultats et interprétation de l'efficacité technique de la CBC

Dans cette section, nous mesurons l'efficacité technique de la CBC grâce à la méthode DEA présentée au chapitre ci-dessus. L'orientation choisie pour mesurer l'efficacité technique est celle de l'intermédiation : il est question de la maximisation des crédits (outputs) comptetenu des dépôts (inputs). Vu la concurrence accrue qui sévit sur le marché bancaire, il apparaît que la distribution des crédits est un moyen alternatif (à coté de la vente de services, le moyen le plus prisé actuellement) pour s'assurer une rentabilité. Les données sur les crédits et dépôts

proviennent du Document « Le marché bancaire au Cameroun » (du CNC). Dans un premier paragraphe, nous exposerons la méthodologie et les résultats, puis dans un second paragraphe nous analyserons ces résultats.

Paragraphe 1 : Méthodologie et présentation des résultats

Pour mesurer l'efficacité technique, allons constituer un échantillon des 12 banques commerciales du marché national. La période d'étude s'étend de janvier 2008 à mai 2009. Nous pourrons ainsi disposer de 12 X 20 observations (DMU) sur toute la période, chaque banque étant considérée comme une DMU différente lorsqu'on passe d'un mois à un autre.

En effet, la CBC pendant un mois M constituera une DMU unique, et sera en concurrence avec elle-même (la CBC) au mois M+1, et ainsi de suite.

Après avoir rentré toutes les données dans le logiciel DEA Program® (DEAP) ®¹, nous obtiendrons les scores d'efficiences de chaque DMU. Ces scores prendront des valeurs allant de 0 à 1. Les DMU qui auront le score 1 seront les DMU efficientes, et donc appartiendront à la frontière efficiente. Celles qui auront un score d'efficacité inférieur à 1 seront « inefficientes », et la différence entre leur score d'efficience et 1 sera considérée comme « degré d'inefficience ».

Le modèle d'efficacité technique retenu sera un modèle à rendements d'échelle variables. Ce choix se justifie par le fait qu'il permet de distinguer l'efficacité technique pure de l'efficacité technique d'échelle. Dans notre approche, il est question de la maximisation des outputs sous contrainte du niveau d'input. En effet, l'augmentation de la production de crédits peut permettre à la banque de consolider sa rentabilité.

¹ DEAP^® Logiciel de mesure de l'efficacité technique, développé par Tim Coelli, 1996.

Les résultats obtenus dans cette étude supposent premièrement que toutes les banques de l'échantillon sont placées dans les mêmes conditions, c'est-à-dire utilisent les mêmes inputs pour produire les mêmes outputs. Ils postulent deuxièmement que les banques sont soumises aux mêmes normes réglementaires. Ces résultats supposent enfin la technologie constante (absence de progrès technologique) durant la période d'étude. Pour des raisons de concision, nous ne présenterons pas ici les scores de l'ensemble des DMU de l'échantillon. Nous nous limiterons aux 20 DMU représentant la CBC sur la période. L'annexe 4 présente le tableau des inputs et outputs considérés pour effectuer le tracé de la courbe d'efficience.

Le Tableau (1) ci-dessous présente les scores d'efficacité de la CBC sur la période d'étude. Tableau 1 : Scores d'efficacité totale, pure et d'échelle de la CBC

Il ressort de ce tableau qu'en moyenne, le score d'efficacité technique de la CBC s'établi à 0,294 sur la période d'étude. Plus précisément, si l'on considère l'hypothèse de rendements d'échelle constants (CRS), la CBC a produit en moyenne 29,4% de la quantité d'outputs qu'elle aurait pu produire à partir de ses ressources sur la période considérée. En revanche, en considérant les rendements d'échelle variables (VRS), l'on peut affirmer que la CBC a produit en moyenne 54% de ce qu'elle était capable de produire avec les mêmes ressources sur la période considérée. Le taux d'efficacité d'échelle contribue ainsi au niveau d'efficacité totale à hauteur de 52,1%.

Rappelons que l'efficacité technique totale représente le niveau d'efficacité technique de la banque si l'on fait abstraction de l'échelle opératoire. Dans ce cas, on considère que l'échelle de production n'influe pas sur le niveau d'efficacité. Cette efficacité totale est représentée par la variable CRS (Constant Return to Scale) ou efficacité dans le modèle de rendements d'échelle constants. Dès lors, dans le modèle de rendements d'échelle variables, l'on fait intervenir deux éléments concurrents : l'efficacité pure et l'efficacité d'échelle. Le premier est représenté par la variable VRS (Variable Return to Scale) et exprime la part de l'efficacité totale qui est purement due à l'efficacité technique, comme l'indique son nom. Le deuxième est représenté par la variable SCALE, et exprime la part d'efficacité totale due à l'adéquation de l'échelle de production à laquelle opère la banque¹. Enfin, la variable CRS est obtenue en faisant le produit de VRS par SCALE.

Comme nous pouvons l'observer sur le tableau 1 ci-dessus, la CBC atteint la frontière d'efficience au mois d'août 2008. A cette date, son taux d'efficacité technique est égal 1 : Elle est techniquement efficace. Comme ce n'est pas tout de le dire, essayons d'interpréter l'évolution de l'efficacité technique de la CBC sur toute la période.

1 Voir chapitre 1, section 1, paragraphe 1.1.2.1

Paragraphe 2 : Analyse et Interprétation des résultats

Les résultats présentés ci haut confirment notre hypothèse de départ : La Commercial Bank - Cameroun n'est pas optimale dans la gestion de ses ressources (dépôts). Elle produit (en moyenne sur la période) en deçà de ce qu'elle est en mesure de produire à partir des ressources et de la technologie dont elle dispose. Ces résultats suggèrent également que la CBC a souffert tragiquement de l'inefficacité d'échelle à partir de septembre 2008. Pour décrypter ces deux phénomènes, analysons dans un premier temps l'évolution de l'inefficacité (2.1) et dans un second temps interprétons la source de l'inefficacité totale (2.2).

2.1 Analyse de l'évolution de l'efficacité technique de la CBC

Les scores d'efficacité pure de la CBC sur la période d'étude varient entre 0,035 et 1, tandis que ceux d'efficacité d'échelle varient entre 0,500 et 1. Comme on peut l'apercevoir sur le graphique le graphique I ci-dessous, la banque opère à une échelle optimale entre janvier 2008 et août 2008. Elle est donc dans cette période techniquement efficace sur le plan de l'échelle de production. Par contre, sur le plan de l'efficacité technique pure, elle n'atteint la frontière efficiente qu'en Août 2008. Avant et après, elle est sous efficace, si l'on considère l'efficacité technique pure. Le graphique I ci-dessous laisse apparaître l'évolution des deux types d'efficacité technique sur la période d'étude.

Graphique I : Evolution de l'efficacité technique pure et d'échelle sur la période

Nous pouvons remarquer que le score d'efficacité technique pure (VRS) demeure quasiment stable, se fixant à 0,500 sur presque toute la période, excepté : en août 2008 (où il est de 1), en septembre 2008 (0,638) et en août 2009 où il remonte à 0,658.

A l'opposé, le score d'efficacité technique d'échelle (SCALE) qui était constamment à 1 dégringole à partir de Septembre 2008 à 0,543. Puis il oscille entre 0,035 et 0,195 jusqu'en juillet 2009 avant de reprendre son embellie et atteindre 0,557 en août 2009. Cependant, s'il reste quelque chose à éclaircir dans cette évolution de l'efficacité technique de la CBC, c'est sans doute l'impact ou la contribution des inefficacités techniques pure et d'échelle à l'inefficacité totale.

2.2 Interprétation de l'efficacité et de l'inefficacité technique totale

Comme nous le disions au chapitre premier, la distance qui sépare les points inefficients de la frontière efficiente peut être interprétée comme une mesure de l'inefficacité technique. En d'autres termes, si les points situés sur la frontière ont le score 1, l'inefficacité des points hors de la frontière est de 1 - « leur score d'efficience ». L'on peut donc déduire du tableau 1 que l'inefficacité technique totale en moyenne sur la période s'établit à 70,6%. Soit, l'inefficacité technique pure étant de 46% et l'inefficacité d'échelle de 47,9%.

Si l'efficacité technique totale prend en compte l'efficacité pure et l'efficacité d'échelle, il en est de même pour l'inefficacité technique totale. Pour observer le comportement des efficacités techniques pure et d'échelle vis-à-vis de l'efficacité totale, jettons un regard sur le graphique J ci-après.

En première observation, l'on relève la quasi constance de l'efficacité technique pure. cette constance montre que les pratiques de gestion n'ont pas beaucoup varié durant la période dé l'étude. Nous parlons ici des pratiques qui consistent à l'optimisation de l'emploi des ressources en crédit.

En deuxième observation, l'on ne voit pas apparaître le trait bleu entre janvier 2008 et septembre 2008 : il est masqué par le trait rouge. En effet, lorsque l'efficacité totale (CRS) est égale à l'efficacité pure (VRS), l'on déclare que la banque opère à l'échelle optimale. Dans ce cas, le niveau d'efficacité ne varie pas que l'on soit dans le modèle de rendements constants ou variables. Ici, le score d'efficacité technique totale = score d'efficacité technique pure = 0,5, et c'est pourquoi l'efficacité d'échelle (scale)=1.

Après août 2008, l'on remarque que l'efficacité technique totale suit quasi-strictement la même évolution que l'efficacité d'échelle. L'efficacité technique d'échelle explique donc pratiquement à elle seule l'évolution de l'efficacité technique totale de la CBC sur la période.

Il faut dire que la banque a souffert beaucoup plus de l'inadéquation de l'échelle de production que de problèmes de gestion. En d'autres termes, L'inefficacité est beaucoup plus liée à un problème d'échelle sous optimale qu'à un problème de pratiques de gestion (dans le sens emploi des ressources en crédit). L'échelle de production optimale est par définition celle à laquelle la banque opérait entre janvier 2008 et août 2008. Elle aurait donc dépassé cette échelle en septembre 2008 en augmentant sa production (Conf. Graphique G, page 33), et les conséquences en ont été tragiques pour son niveau d'efficience totale.

Pour renforcer l'argument du poids de l'inefficacité technique d'échelle, calculons le taux de redressement de l'efficacité, en faisant (score d'inefficience/score d'efficience) X 100. L'on obtient que la banque aurait pu augmenter son efficacité technique totale de 240% en maintenant constant le niveau des dépôts, sous l'hypothèse de rendements d'échelle constants. Avec l'hypothèse de rendements d'échelle variables, elle pourrait augmenter son niveau d'efficacité technique pure de 85% seulement.

En ce qui concerne le redressement de l'efficacité technique d'échelle, il est possible de l'accroître de 92% sans changer le taux de transformation des dépôts, mais rien qu'en adoptant une échelle de production optimale.

Dans ce chapitre nous venons de mesurer l'efficacité technique de la CBC. Avec un rang qui vient de passer de 5^ème à 6^ème sur le marché bancaire, son score d'efficacité s'établit à 29,4% sous l'hypothèse de rendements constants, et à 54% sous l'hypothèse de rendements variables en moyenne sur la période considérée.

CONCLUSION

L'objectif qui fut le nôtre au commencement de cette partie était de définir globalement le concept d'efficacité technique et de donner un exemple pratique de sa mesure, en l'appliquant à la Commercial Bank - Cameroun.

Le premier chapitre a fait ressortir que l'efficacité technique est l'aptitude d'une entreprise à obtenir le maximum d'outputs à base d'une quantité fixe d'input, ou inversement, à dépenser le minimum d'inputs dès lors qu'on produit une quantité fixe d'output. Ce chapitre a également montré que la mesure de l'efficacité technique a deux principales approches : l'approche paramétrique et l'approche non paramétrique. La première considère une fonction d'efficience connue a priori, tandis que la seconde considère que la frontière efficiente est déterminée en fonction des meilleures unités de l'échantillon. Il a été suggéré que cette dernière (l'approche non paramétrique) a une méthode (la méthode DEA) qui peut être très utile pour la mesure de l'efficacité technique des banques sous une optique d'intermédiation.

Le deuxième chapitre s'est servi de la méthode DEA pour mesurer le niveau d'efficacité technique des banques camerounaises, et principalement de la CBC. Les résultats ont affiché un score d'efficience moyen de 0,294 sur la période de janvier 2008 à août 2009, si l'on considère l'hypothèse des rendements constants. Sous l'hypothèse des rendements variables, ce score d'efficience moyen serait de 0,54. Il en découle que la CBC est techniquement inefficace dans sa transformation des ressources en crédit sur la période considérée. Cette inefficacité est due en très grande partie à l'inadéquation de l'échelle de production (l'efficacité d'échelle de la CBC est en moyenne de 0,521).

L'évolution de ces niveaux d'efficacité technique mérite d'être analysée. La finalité est de bien cerner le phénomène, et de maîtriser les facteurs sur lesquels ont peut jouer pour influencer cette évolution. Dès lors, la partie qui suit porte sur les facteurs explicatifs de l'efficacité technique.

INTRODUCTION

Une fois que nous savons quel est le niveau d'efficacité technique de la CBC et comment il évolue sur la période, nous avons fait la moitié du chemin, et donc réalisé 50% de nos objectifs. En réalité, il reste à analyser l'évolution de cette efficacité technique.

En effet, l'objectif de cette seconde partie est de déterminer les facteurs explicatifs de l'efficacité technique d'une banque.

Pour atteindre cet objectif, nous allons tout d'abord parcourir la littérature pour examiner quels sont les facteurs qui influencent en général l'efficacité technique des banques, et quels sont les méthodes employées pour déterminer ces facteurs. C'est en quelque sorte le contenu du chapitre 3.

Dans le dernier chapitre (le chapitre 4), nous pourrons effectuer l'application à la Commercial Bank - Cameroun. Nous utiliserons la régression linéaire pour déterminer quels sont les facteurs qui influencent le niveau d'efficacité technique à la Commercial Bank - Cameroun sur la période considérée.

Chapitre III : REVUE DE LITTERATURE : LES FACTEURS EXISTANTS ET
LES METHODES POUR LES IDENTIFIER

Les facteurs explicatifs (ou déterminants) sont entendus dans ce travail comme les facteurs expliquant l'efficacité technique des banques. Ce sont des variables qui en général sont statistiquement corrélés au niveau d'efficacité des banques. Il sera question dans un premier temps de recenser les facteurs de l'efficacité technique des banques présents dans la littérature (section 1), et dans un second temps de présenter les méthodes utilisables pour la recherche et l'identification de ces déterminants (section 2).

Section I : Revue des différents facteurs explicatifs de l'Efficacité technique des banques

Les travaux de recherche analysant les déterminants de l'efficacité technique des banques sont assez nombreux. Pareillement, plusieurs facteurs ont déjà été désignés comme causes de l'efficience ou de l'inefficience des banques. Dans cette section, nous allons faire un essai de classification de ces différents déterminants.

Les différents déterminants recensés dans la littérature peuvent être regroupés en deux familles : les déterminants internes (sous le contrôle de la banque, en paragraphe 1) et les déterminants externes (sous le contrôle de l'environnement, en paragraphe 2).

Paragraphe 1 : Les facteurs internes

Les déterminants de l'efficacité technique considérés comme internes sont liés aux caractéristiques propres de la firme bancaire. L'on a par exemple les chiffres provenant de la comptabilité, ou d'autres éléments non comptables, liés par exemple aux choix stratégiques de la banque.

Les facteurs comptables déjà relevés sont notamment le risque de défaut (évalué par le taux de créances douteuses, les excédents de trésorerie, la proportion des fonds propres dans le total des crédits et dans le total de l'actif, et même le rendement sur actif). En revanche, les

facteurs non comptables relevés sont par exemple la durée des dépôts, le volume des dépôts collectés, la couverture géographique, la taille, les fusions, l'origine ou la composition de l'actionnariat, la politique managériale et commerciale... Présentons quelques études qui aboutissent à ces résultats.

En 2008, Kamgna Y. et Dimou L. mesurent l'efficacité technique des banques de la CEMAC entre 2001 et 2004. En employant la méthode DEA, ils suggèrent qu'en moyenne, sous l'hypothèse de rendements constants, les banques de la CEMAC n'ont produit que 36,9% de la quantité d'output qu'elles auraient pu produire à partir de leurs ressources, et si les rendements étaient plutôt variables, les banques n'auraient produit que 69,3% de leurs capacités. Le modèle à deux étapes qu'ils emploient fait intervenir (à la deuxième étape) la régression linéaire pour analyser les déterminants de l'efficacité technique. Ils montrent qu'au cours de cette période, les facteurs explicatifs de l'évolution de l'efficacité technique de ces banques ont été : 1- le risque de défaut, évalué par la proportion des créances douteuses dans le total des crédits octroyés ; 2- L'importance de la banque, évalué par la proportion des fonds propres dans le total de l'actif de la banque ; 3- le niveau des excédents de trésorerie et 4- la proportion des fonds propres dans le total de l'actif.

En 2009, ces mêmes auteurs reprennent une autre étude centrée cette fois sur les déterminants de l'efficacité technique des banques de la CEMAC sur la période allant de 2001 à 2007. Cette étude montre tout d'abord que le système bancaire de la CEMAC est inefficace selon l'optique de l'intermédiation, et pourtant il est efficace selon l'optique de la production. En déployant la même démarche à deux étapes mais cette fois en se servant du modèle de Tobit à effets aléatoires (à la deuxième étape), ils aboutissent aux résultats suivants : Du point de vue de l'optique production, le niveau d'efficacité est moins important et expliqué par la concentration et l'origine de l'actionnariat. En revanche, selon l'optique de l'intermédiation, on a comme déterminants la solvabilité, la couverture géographique et la couverture des immobilisations. Dans cette optique, les banques publiques paraissent plus efficaces que les banques privées.

Dahmanne (2009) tente un recensement des déterminants de l'efficience des banques tunisiennes, autour des réformes financières. A l'aide d'une estimation par la méthode du maximum de vraisemblance, il arrive notamment à montrer que l'agressivité de la politique commerciale (matérialisée par le taux de croissance des crédits et des dépôts) a un effet positif sur le niveau d'efficacité technique.

Sufian et Habibullah (2009) étudient l'impact des fusions et acquisitions sur le niveau d'efficience dans le secteur bancaire Malaysien. Eux aussi emploient un modèle à deux étapes : Premièrement, ils calculent l'efficacité technique pure et d'échelle sur la période allant de 1997 à 2003 en utilisant la méthode DEA. Dans la seconde étape, ils font des tests paramétriques et non paramétriques pour déterminer les facteurs de ce niveau d'efficacité. Ils démontrent que les fusions et acquisitions ont fortement contribué à l'amélioration de l'efficience de ces banques, à travers l'augmentation de leur taille. En réalité, les banques de petite taille avaient de bonnes qualités de management, mais seulement elles n'opéraient pas à une échelle optimale. Il apparaît donc évident et prouvé que le changement (augmentation) de taille conduit à une meilleure efficacité d'échelle.

L'efficacité technique pure et l'efficacité technique d'échelle sont également influencées par des facteurs d'une nature différente, tels que les facteurs externes au contrôle de la banque.

Paragraphe 2 : Les facteurs externes

Les facteurs externes qui influencent le niveau d'efficacité d'une banque sont ceux qui ne sont pas sous l'emprise de la banque elle-même, mais plutôt sous l'emprise d'un facteur extérieur. On peut en distinguer deux catégories : les facteurs résultants de l'action Etatique (2.1), et les facteurs tributaires de la structure du marché bancaire (2.2).

Parmi les facteurs résultants de l'action étatique, l'on a principalement recensé les différentes réformes ou la libéralisation financière (Hao, Hunter et Young 1999, Cook et al. 2000, Dahmane 2002, etc.).

Hao, Hunter et Young (1999)¹ ont examiné l'efficience productive d'un échantillon de banques coréennes privées après le programme de déréglementation initié par le gouvernement au début de 1980, soit de 1985 à 1995. En considérant un ensemble de variables économiques, structurelles et financières, ils ont démontré que les banques larges, avec des réseaux de branches installés dans tout le pays profitent mieux des mesures de libéralisation et réalisent les niveaux d'efficience les plus élevés. Ces effets étaient toutefois contrebalancés, lorsque ces banques ont payé des niveaux de salaires élevés par rapport au total actif ou employé plus de salariés par rapport au total actif ou également entrepris des investissements larges pour attirer les dépôts des clients, étant donné le pouvoir des unions de travail en Corée.

Cook et al. (2000)² ont eux aussi examiné les effets de la libéralisation financière sur l'efficience du système bancaire tunisien au cours de la période 1992-1997, en utilisant les méthodes DEA. Ils ont procédé par la suite à des analyses de régression pour tester la significativité de la relation hypothétique entre l'efficience et un ensemble de variables relatives à la taille d'actifs, au total des crédits problématiques, à la structure de propriété et au temps. Leurs résultats montrent une relation négative et statistiquement significative entre la taille ainsi que des crédits problématiques et l'efficience. L'effet de la structure de propriété a été trouvé positif et statistiquement significatif. En revanche, aucune relation n'a été trouvée entre l'efficience et le temps. Cook et al. (2000) ont expliqué l'efficience supérieure des banques privées par le fait qu'elles courent moins de problèmes de crédits, enregistrent une participation étrangère dans leur capital et sont généralement plus petites que les banques publiques.

Dahmane (2002) mesure l'efficacité technique des banques tunisiennes pendant la période de réformes financières, de 1983 à 2000 en employant la méthode des frontières stochastiques. Il démontre que la politique monétaire est un facteur explicatif de la performance des banques. En revanche, les réformes entreprises par l'Etat (libéralisation financière) n'ont pas eu d'impact positif sur l'efficience des banques pendant la période. Il souligne également que la taille des banques n'est pas corrélée à leur niveau d'efficacité.

2.2- Résultants de la configuration du marché bancaire

Parmi ceux résultants de la configuration du marché bancaire, l'on peut relever des facteurs tels que la concurrence bancaire (Grigorian A. 2006, Ion Lapteacru 2009), la concentration et l'accessibilité aux services bancaires (Lahyani 2009).

Grigorian (2006) s'atèle à rechercher les facteurs explicatifs de la performance des banques dans des divers pays de l'Europe de l'Est et de l'ex URSS entre 1995 et 1998. A l'aide d'un modèle à deux étapes (méthode DEA et modèle de Tobit), et sur un échantillon de 17 pays soient 1074 unités, il montre que les banques capitalistes placées dans un environnement de concentration génèrent plus d'unités efficientes. Elles ont également des meilleurs taux d'intermédiation, et il décrit leur situation comme étant l'architecture optimale d'un système bancaire. Il montre également, entre autres, que les banques des pays ouverts à l'échange avec le monde extérieur performent mieux que celles des pays appliquant des politiques plus restrictives sur ce point.

Lapteacru (2009) entreprend à son tour de déterminer la relation entre le niveau de la concurrence et le niveau d'efficience des banques. Cet auteur emploie la méthode de Panzar et Rosse pour évaluer le niveau de concurrence des banques, et les deux méthodes (paramétrique et non paramétrique) pour déterminer le niveau d'efficience. A la dernière étape, il utilise la méthode par la régression linéaire pour faire ressortir la corrélation entre les deux, sur la période de 1999 à 2002. Les résultats montrent que l'efficience et la concurrence sont

positivement corrélées pour l'efficience de coût et de profit, et négativement corrélées pour l'efficience de revenu d'intérêt.

Lahyani et Salah (2009) étudient les déterminants de l'efficience des banques commerciales tunisiennes tout au long de la période 1989 - 2006. Ils suggèrent que l'accessibilité aux services bancaires a un effet négatif sur l'efficience des banques. En revanche, les variables de taille et de concentration présentent un coefficient positif et statistiquement significatif. Ils utilisent le modèle à une étape des frontières stochastiques pour trouver le niveau d'efficience et les déterminants.

Après cette revue (non exhaustive¹) des travaux ayant porté sur les déterminants de l'efficience, le moment est venu de présenter en détail les différents modèles permettant d'analyser ces facteurs.

Section 2 : Les modèles d'analyse des facteurs de l'efficacité technique

On distingue deux principales approches pour l'identification des facteurs de l'efficacité technique : Une approche simultanée et une approche à deux étapes. Selon la première approche (Paragraphe 1), le modèle proposé permet d'estimer simultanément la frontière de production et l'impact des facteurs explicatifs des écarts entre les firmes. Dans la seconde approche (Paragraphe 2), On mesure le niveau d'efficacité dans un premier temps. Dans un second temps, on spécifie un modèle de régression mettant en relation l'indice d'efficacité de la firme k et une série de variables socioéconomique ou autres (taille de la firme, formation du gestionnaire, statut de propriété, etc.).

Paragraphe 1 : Le modèle simultané : Les frontières stochastiques

Jusqu'au début des années quatre-vingt-dix, afin d'expliquer les facteurs susceptibles

d'expliquer les indices d'efficacité, toutes les études utilisaient une approche à deux étapes².

² Elle consiste en l'estimation de la frontière stochastique dans un premier temps et la spécification d'un modèle de régression mettant en relation l'indice d'efficacité technique de la firme k au temps t (Ukt) et une série de

Cette procédure en deux étapes a cependant été contestée puisque l'estimation des paramètres dans la seconde étape contredit une hypothèse faite dans la première étape, en l'occurrence l'indépendance des termes d'erreurs lors de l'estimation de la frontière (Amara et Romain, 2000).

Pour pallier cette lacune, plusieurs auteurs ont proposé des modèles qui permettent d'estimer simultanément la frontière de production stochastique et l'impact des facteurs explicatifs des écarts d'efficacité technique entre les firmes (Battese et Coelli (1992), et Huang et Liu (1994))¹. Deux principaux types de modèles ont été proposés.

Le premier type de modèle est celui proposé par Battese et Coelli (1992). Ce modèle permet d'estimer la frontière stochastique tout en tenant compte de la possibilité que l'inefficacité puisse varier dans le temps. Ainsi, le modèle d'inefficacité à variation temporelle (time-varying inefficiency model) traduit la possibilité que les indices d'inefficacité technique des périodes antérieures puissent être dépendants de celui dans la dernière période T. Dans ce modèle, les variables aléatoires associées à l'inefficacité technique des firmes, Ukt, sont exprimées de la façon suivante : Ukt = {exp[-ç(t-T)]}Uk, où ç est un paramètre à estimer et les Uk sont des variables aléatoires indépendantes, non négatives qui possèdent une distribution normale tronquée ayant une moyenne ì et une variance ó2 inconnues. Ce modèle ne tient cependant pas compte des caractéristiques socio-économiques propres à chaque firme.

Le deuxième type de modèle a été proposé par Huang et Liu (1994) et tient compte des interactions entre les variables qui caractérisent l'inefficacité et les facteurs de production : soit le modèle des fonctions frontières stochastiques non neutres «non-neutral stochastic frontier model». Ce type de modèle fait donc en sorte que la frontière stochastique de production ne traduit plus seulement qu'un déplacement neutre de l'ordonnée à l'origine selon la firme ou la période considérée ; l'impact marginal des facteurs de production est fonction des

variables socio-économiques ou autres (niveau de scolarité du gestionnaire ; statut de propriété, taille de la firme, temps, etc.) dans un second temps. Nous y revenons au paragraphe suivant.

caractéristiques spécifiques de chaque entreprise. Ce modèle est défini de la façon suivante : Ukt = äZkt +ä*Z*kt+ Wkt, où Zkt est le vecteur de variables susceptibles d'expliquer les variations des indices d'efficacité technique des firmes. Z*kt est le vecteur des variables traduisant les interactions entre les variables qui caractérisent l'inefficacité et les facteurs de production; ä et ä* sont deux vecteurs de paramètres à estimer; et Wkt est un vecteur de variables aléatoires indépendantes possédant une distribution normale tronquée de moyenne nulle et de variance inconnue ó2, tel que Ukt est non négatif (i.e., Wkt = - äZkt-ä*Z*kt).

Notons que les résultats obtenus de ces deux types de modèles jusqu'ici sont spécifiques à l'échantillon utilisé et ne sont pas généralisables¹. Cependant le principal inconvénient du modèle simultané réside dans le fait que la méthode contraint le chercheur à utiliser l'approche des frontières stochastiques pour mesurer l'efficacité technique. Le champ d'étude est également réduit à l'efficacité dans l'optique de la production (efficacité -coût, efficacité profit). Ces limites sont pourtant dépassées par le modèle à deux étapes, autrefois critiqué.

Paragraphe 2 : Les modèles à deux étapes

Il existe dans la littérature deux principales méthodes à deux étapes pour la modélisation des déterminants de l'efficacité technique. Il s'agit du modèle de Tobit ou Logit (2.1) et la régression linéaire en utilisant les moindres carrés ordinaires (MCO) (2.2).

2.1 - Le modèle de Tobit et logit

Le modèle de Tobit et logit sert à la modélisation des données en panel. Il est spécifiquement approprié lorsque la variable explicative est de nature bornée (Comme dans le cas des niveaux d'efficacité technique, dont la mesure est comprise entre 0 et 1).

Le modèle dichotomique logit admet pour variable expliquée, non pas un codage quantitatif associé à la réalisation d'un évènement, mais la probabilité d'apparition de cet événement, conditionnellement aux variables exogènes. Ainsi, on considère le modèle suivant :

Où la fonction F(.) désigne une fonction de répartition. Le choix de la fonction de répartition F (.) est a priori non contraint. Toutefois, on utilise généralement deux types de fonction : la fonction de répartition de la loi logistique et la fonction de répartition de la loi normale centrée réduite.

Dans le cas de la modélisation des données de panel, le modèle peut s'écrire :

Yit le niveau d'efficience de la banque i à la date t ; Xit la matrice des variables de la banque i à la date t ; ß le vecteur des coefficients fixes, ci l'effet aléatoire qui prend en compte les facteurs non spécifiés de la banque i et _Eit le résidu aléatoire du modèle (Kamgna et Dimou, 2009).

L'inconvénient d'un modèle Tobit dans l'estimation des déterminants de l'efficacité technique est qu'il requiert une hypothèse concernant l'interdépendance des scores les uns par rapport aux autres, condition qui n'est pas vérifiée (Kamgna et Dimou, 2008).

¹ Hurlin C. « Polycopié de cours d'économétries des variables qualitatives, Master en Econométrie et Statistiques Appliquées », Université d'Orléans, France, (Janvier 2003), p 10.

2.2 - La régression linéaire par les MCO (moindres carrés ordinaires)

La régression linéaire permet de déterminer la relation existante entre plusieurs variables économiques. En réalité, dans un problème de régression linéaire, l'on distingue deux types de caractères : l'un d'eux (Y) est le caractère « à expliquer » et les autres (Xi) sont les caractères « explicatifs ». « Expliquer » ici signifie exprimer une dépendance fonctionnelle de Y comme fonction des Xi, de manière à prévoir la valeur de Y connaissant les _Xi. La situation idéale ou Y = f(Xi) n'est jamais rencontrée en pratique. On cherchera plutôt, dans une famille fixée de fonctions, celle pour laquelle les Yi sont les plus proches des f(Xi). La proximité se mesure en général comme une erreur quadratique de la moyenne. On parle alors de régression au sens des moindres carrés. Dans ce paragraphe, nous fournirons la description du modèle linéaire proposée par Estelle Ouellet (2005)¹. La procession de cette description va se déplier ainsi qu'il suit : Nous aborderons successivement la régression linéaire simple et la régression linéaire multiple (2.2.1) ; la spécification du modèle de la régression multiple (2.2.2) ; les procédures de sélection des variables (2.2.3) ; les tests d'hypothèses sur les variables (2.2.4) et enfin les tests d'hypothèse sur les erreurs (2.2.5).

2.2.1 Simple ou multiple ?

La régression linéaire simple permet d'étudier et de mesurer la relation mathématique qui peut exister entre deux variables quantitatives : Une variable expliquée (Y) et une variable explicative (x). La force d'association entre les deux variables est estimée par le coefficient de corrélation (r). Ce coefficient peut aller de -1 à +1. S'il est compris entre 0,8 et 1 (en valeur absolue), la force d'association entre les deux variables est importante, entre 0,5 et 0,8 elle est modérée, entre 0,2 et 0,5 elle est faible, et très faible en dessous. Un signe positif traduit une association positive : la valeur moyenne de y croît avec x. Une association négative traduit l'opposé : la valeur moyenne de y décroît lorsque x croît.

La régression linéaire multiple est une généralisation du modèle linéaire simple dans

lequel figurent plusieurs variables. En réalité, il est rare que l'on puisse expliquer correctement

¹ Ouellet E., « Guide d'économétrie appliquée pour Stata, ECN et FAS », Université de Montréal, Canada (Québec), (Août 2005) pp : 16 - 20

les variations d'une variable par celles d'une seule autre variable. En général, l'étude d'un phénomène met en jeu plusieurs variables explicatives.

2.2.2 Régression linéaire multiple : Spécification et hypothèses

Soit Y la variable endogène (variable expliquée) et x1, x2,... xk les variables exogènes (variables
explicatives). Åi est le terme de l'erreur, ai le coefficient de la variable explicative, k le nombre

de variables explicatives et n le nombre d'observations. Le modèle de régression multiple s'écrit :

Pour gérer les termes de l'erreur, l'on pose un certain nombre d'hypothèses. L'on distingue généralement 05 hypothèses dites stochastiques (qui portent sur les l'erreur et les variables) et 03 hypothèses dites structurelles (qui portent sur les caractéristiques du modèle) :

Les hypothèses stochastiques s'énumèrent de H1 à H5 : elles s'énoncent ainsi :

H5 : X est certaine, c'est-à-dire que les valeurs _xit sont observées sans erreur. Les hypothèses structurelles quant à elles s'énumèrent de H6 à H8

H7 : soit X la matrice des variables explicatives. X'X/n tend vers une matrice finie non singulière ;

H8 : n > k + 1, le nombre d'observations est supérieur au nombre de variables explicatives

2.2.3 Les procédures de sélection des variables explicatives

Dans la pratique, on est souvent confronté au choix de plusieurs variables explicatives. Des procédures purement économétriques permettent de déterminer quelles variables retirer ou ajouter au modèle économique. Néanmoins, cette démarche exclue tout raisonnement économique et elle est donc à manipuler avec prudence.

On retient quatre méthodes de sélection dans la littérature : la sélection mécanique, la procédure Backward, la procédure Forward et la régression pas-à-pas (stepwise regression)

- La régression mécanique consiste à faire toutes les régressions possibles, en sélectionnant les variables significatives l'une après l'autre : méthode très délicate dès que l'on a un nombre important de variables explicatives

- L'élimination progressive (Backward elimination) : A partir du modèle le plus général, il est question d'éliminer de proche en proche toutes les variables qui ne sont pas significatives, après ré-estimation du nouveau modèle

- La sélection progressive (Forward regression) : Dans une première étape, on sélectionne la variable explicative dont le coefficient de corrélation est le plus élevé avec la variable expliquée (la meilleure variable explicative pour la régression simple). La seconde étape consiste à ajouter d'abord une deuxième variable, et tester la

significativité du modèle. Lorsqu'on a déjà k variable, l'on ajoute la variable qui est telle que le modèle à k+1 variable a le meilleur coefficient de significativité parmi les modèles proposés, dont toutes les variables sont significatives. Le processus s'arrête dès lors que la nouvelle variable explicative n'est plus significative.

- La régression pas à pas (Stepwise regression) : Cette procédure est presque identique à la précédente. Elle est un mélange entre Backward et Forward. Elle tient compte du fait que dans Forward, l'ajout d'une variable peut rendre non significatives des variables précédemment ajoutées (et dont le statut n'est plus jamais remis en cause une fois qu'elles sont entrées dans le modèle), et que dans backward, on peut enlever des variables qui auraient été significatives dans le modèle simplifié finalement obtenu (et dont le statut n'est jamais remis en cause non plus une fois qu'elles ont été supprimées du modèle). La seule différence, c'est qu'après avoir incorporé une nouvelle variable explicative l'on vérifie qu'elle n'entraine pas l'expulsion d'une autre variable significative.

2.2.4 Les tests d'hypothèse dans le modèle linéaire

Faire un test d'hypothèse consiste vérifier si l'effet marginal du coefficient (ai ou â) sur la variable dépendante est nul ou non nul en comparant une statistique de test calculée à l'aide de paramètres estimés (ai ou â et ó) à une statistique critique. Dans cette section, nous présenterons les quatre statistiques de test les plus souvent utilisées, soient la t de Student (test de significativité), la f de Fisher (test de contrainte linéaire et significativité globale), la z de la distribution normale standard et la « p-value». Avant de parler plus précisément des quatre statistiques de test, risquons un bref rappel des principes fondamentaux du test d'hypothèse.

La première chose à faire est de formuler l'hypothèse que l'on veut tester. On doit donc définir notre hypothèse nulle (H0) et l'hypothèse alternative. Dans le cadre de régression, H0 consiste, la plupart du temps, en un coefficient égal à zéro (H0 : â=0). En termes économiques, cela veut dire que l'effet marginal des coefficients sur la variable dépendante est nul. L'hypothèse alternative peut aussi prendre diverses formes selon le cas : H1 : â?0, H1 : â>0 ou

H1 : â<0. La formulation de l'hypothèse alternative est très importante puisqu'elle vient influencer la zone de rejet du test. Cette zone est déterminée en fonction du niveau de confiance choisi (á) et de si on fait un test à une ou deux queues. Plus le niveau de confiance est élevé, plus le test est précis. En sciences humaines, on choisi généralement un niveau de 5%. Dans ce cas, il y a 5% des chances que l'on rejette l'hypothèse nulle alors qu'elle est vraie. De plus, quand la situation le permet, il est préférable de privilégier un test bilatéral pour avoir un test plus précis.

La statistique t se calcule ainsi : ^â - â / ó^â. Les logiciels et tableaux statistiques donnent cette statistique dans le tableau des résultats d'une régression par MCO. Alors, avec un niveau de confiance de 95% et un nombre infini de degrés de libertés, si H0 : â=0 et H1 : â?0, la zone de non-rejet sera de -1.96 à 1.96. Ceci est un test bilatéral. Si H0 : â=0 et H1 : â>0, la zone de non-rejet sera de 0 à 1.64. Si H0 : â=0 et H1 : â<0, la zone de non-rejet sera de -1.64 à 0. Ceux-ci sont des tests unilatéraux. Donc, on rejette H0 : â=0 si la statistique t donnée se trouve à l'extérieur de l'intervalle de confiance. Si t est rejeté, cela veut dire que notre coefficient a un impact sur notre variable indépendante, donc qu'elle est statistiquement significative.

En ce qui concerne la statistique z, avec un niveau de confiance de 95%, si H0 : â=0 et H1 : â?0, la zone de non-rejet sera aussi de -1.96 à 1.96. Si H0 : â=0 et H1 : â>0, la zone de non-rejet sera de 0 à 1.645. Si H0 : â=0 et H1 : â<0, la zone de non-rejet sera de - 1.645 à 0. Donc, on rejette H0 : â=0 si la statistique z donnée se trouve à l'extérieure de la zone de non-rejet. Si z est rejeté, cela veut dire que notre coefficient a un impact sur notre variable indépendante, donc qu'elle est statistiquement significative.

Ce test a pour objectif de répondre à la question de savoir si les variables explicatives dans leur
ensemble influencent significativement les variations de la variable endogène. La statistique f
(test de signification conjointe de Fisher) est caractérisée par deux valeurs : q, le nombre de

contraintes, i.e. le nombre de degrés de libertés du numérateur et k, le nombre de coefficients du modèle non-contraint, (n - k) est le nombre de degrés de libertés du dénominateur :

Dans le cas où on a deux contraintes et où (n - k) peut être considéré infini (>100), la valeur critique de la statistique f à 95% est 3.00, i.e. Prob [q,n k F . . f] = 0.95. Ainsi, si la valeur de la statistique f obtenue est supérieure à la valeur critique, on rejette l'hypothèse nulle. Dans le cas contraire, on ne peut rejeter l'hypothèse nulle.

La « p-value » est une probabilité (entre 0 et 1) qui indique la probabilité sous H0 : â=0 d'obtenir la valeur trouvée. C'est la probabilité d'obtenir une statistique plus « extrême » que celle obtenue par les observations de l'échantillon si l'hypothèse nulle était en réalité vraie. Ainsi, si la « p-value » est inférieure au á désiré (5%), on rejette l'hypothèse nulle. Une « p-value » de 0.00001 rejette très fortement l'hypothèse nulle.

2.2.5 Les tests d'hypothèses sur les erreurs : Homoscédasticité vs Hétéroscédasticité

Si, par hypothèse, on assume que le terme d'erreur de notre modèle est homoscédastique, on peut dire que l'on a des coefficients efficaces. L'Homoscédasticité qualifie une variance constante des résidus de données composant l'échantillon. À l'inverse, on dit qu'il y a Hétéroscédasticité lorsque la variance des résidus du modèle n'est pas constante. L'Hétéroscédasticité ne biaise pas l'estimation par MCO des coefficients, mais révèle l'inefficacité des coefficients. En effet, puisque les écarts-types trouvés sont surestimés ou sous-estimés, on ne peut se référer à une table pour comparer la valeur obtenue aux valeurs critiques de la statistique concernée. Cette comparaison est impossible vu que la valeur obtenue n'est pas la bonne.

On dénombre bien d'autres tests sur les erreurs, tels que le test de Normalité de distribution des erreurs, le test d'auto corrélation des erreurs (reproduction des mêmes erreurs à travers le temps), le test de White, de Durbin Watson, etc. Cependant lorsque l'Hétéroscédasticité est démontrée, nous pouvons admettre comme Ouellet (2005) que nous

sommes dans les « conditions de sécurité minimales ». Nous pouvons alors collecter les données et rentrer pleinement dans l'univers empirique.

De la première section de ce chapitre à ce point nous avons parcouru les facteurs qui expliquent l'efficacité technique et les modèles qui servent à les déterminer. Il était question de revoir ce qui s'est fait par le passé et qui existe désormais dans la littérature des facteurs explicatifs de l'efficacité technique. Ce cheminement a nettement fait ressortir les limites des différentes méthodes existantes au regard de notre travail, et surtout de l'approche de conception de l'efficacité technique que nous avons à expliquer. Tandis que le modèle simultané exige d'employer l'approche des frontières stochastiques (approche paramétrique) pour mesurer l'efficacité technique, le modèle de Tobit pose des hypothèses non forcément vérifiables dans notre cas (l'interdépendance des scores les uns par rapport aux autres). Nous pouvons retenir que le modèle de régression linéaire (présenté en dernier) nous garantie le minimum de difficultés pour notre opération. Nous sommes dès lors prêts à l'appliquer pour l'identification des facteurs explicatifs de l'efficacité technique de la Commercial Bank - Cameroun.

CHAPITRE IV : LES FACTEURS EXPLICATIFS DE L'EFFICACITE
TECHNIQUE : CAS DE LA CBC

En dernier ressort, ce quatrième chapitre aborde la question de savoir quels sont les facteurs qui expliquent l'évolution de l'efficacité technique de la CBC. Parmi les deux types de modèle que nous avons cités au chapitre précédent, le modèle de régression linéaire, issu du procédé à deux étapes, nous servira à déterminer ces facteurs explicatifs.

En réalité, nous chercherons ces facteurs parmi les facteurs internes et externes. De multiples variables sont susceptibles d'influencer l'évolution du niveau d'efficience. Mais cependant, nous avons choisi quelques hypothèses que nous allons tester, puis tirer des conclusions.

La section 1 sera consacrée à la présentation des hypothèses et des autres variables introduites dans le modèle. Dans la section 2, nous exposerons les résultats économétriques, puis nous commenterons ces derniers.

Section 1 : Variables et Hypothèses du modèle

La revue de littérature présentée au chapitre précédent a mis en relief l'ensemble des variables qui peuvent expliquer les niveaux d'efficacité technique des banques. Parmi ces variables, nous avons retenu 3 hypothèses pour expliquer l'efficacité technique de la CBC : le risque de défaut, le niveau de fonds propres et le niveau de trésorerie (Paragraphe 1). Nonobstant cela, il est nécessaire d'intégrer au modèle toutes les variables à notre disposition, si l'on peut soupçonner qu'elles sont liées à l'évolution de l'efficacité technique des banques. C'est pourquoi dans la suite, nous présenterons ces variables complémentaires (paragraphe 2).

Paragraphe 1 : Formulation des hypothèses

Dans l'environnement du système bancaire camerounais, les rares études menées jusqu'ici sur l'efficacité technique des banques ne nous lèguent pas un éventail très riche de facteurs explicatifs. Par ailleurs, compte-tenu du fait que notre analyse porte sur une banque

particulière, certaines variables comme l'accessibilité aux services bancaires (nombre d'agences), la concurrence ou l'origine du capital sont d'ores et déjà écartées. En réalité, la banque et son environnement n'ont pas connu de changement majeur sur ces points pendant la période d'étude.

Inversement, les éléments comptables semblent très appropriés comme facteurs explicatifs potentiels du niveau d'efficience, dans la mesure où ces données varient à fréquence mensuelle. En effet, ces éléments varient au même rythme que la production des crédits ou la collecte des dépôts, et partant, que le niveau d'efficacité technique selon notre optique (l'optique d'intermédiation).

Après une brève présentation des hypothèses (1.1), nous observerons sur un graphique le comportement des variables - hypothèses par rapport à la variable expliquée (1.2).

1.1 Présentation des hypothèses

Dès le départ, notre étude se fixe 3 hypothèses : L'efficacité technique de la CBC est influencée par le risque de défaut (1.1), par le niveau de fonds propres (1.2) et par le taux de liquidité (niveau de trésorerie, 1.3). Elles se formulent ainsi qu'il suit :

Un taux de créances douteuses élevé a une influence négative sur le niveau d'efficacité technique. Comme l'expliquent Kamgna & Dimou (2008), plus la proportion des créances douteuses dans les crédits augmente, moins la banque transforme les dépôts en crédit. Lorsqu'une banque accumule les créances douteuses, elle devient réticente à octroyer des crédits et ainsi devient techniquement inefficace. Aussi pourrait-on ajouter que l'augmentation des créances douteuses conduit à une baisse des ressources disponibles pour octroyer davantage de crédits, ce qui réduit la vitesse de transformation.

L'effet du niveau de fonds propres est perceptible de deux manières au minimum :

Tout d'abord, l'on a le poids des fonds propres dans le total des crédits. Cette variable traduit l'état des contraintes réglementaires en matière de capital. En général (Dahmane 2002, Kamgna 2008), cette variable a un impact négatif sur le niveau d'efficience des établissements bancaires. En d'autres termes, plus les fonds propres sont importants dans le total des crédits, moins la banque transforme les dépôts.

Ensuite, le niveau de fonds propres peut signifier la solvabilité de l'établissement. On représente ce facteur par la proportion des fonds propres dans le total de l'actif. A contrario, cette variable a coutume de jouer positivement sur le niveau d'efficience des établissements bancaires (Kamgna 2008). En réalité, un ratio de fonds propres plus élevé traduit une forte capacité à absorber les pertes, et donc une faible aversion pour le risque : Ce sont-là les caractéristiques propres d'une banque qui est prompte à profiter de ses ressources au maximum, en distribuant efficacement des crédits.

Le niveau de liquidité d'une banque est mesuré par ses excédents de trésorerie. En général, l'on calcule ses excédents de trésorerie en faisant la différence entre les emplois et ressources de trésorerie. Dans le jargon de notre système bancaire, c'est le « solde payeur ». D'un autre point de vue, il est possible d'évaluer la trésorerie disponible par la soustraction classique entre le FR (Fonds de roulement) et le BFR (Besoin en fonds de roulement) : Il s'agit bien là du montant de trésorerie qui apparaît au bilan. En comptabilité bancaire, ce poste se nomme « opération interbancaires et trésorerie ».

En réalité, ce poste comporte l'excédent de ressources dont dispose la banque après avoir octroyé les crédits aux clients. Pourtant, le « solde payeur » standard mesure la liquidité disponible après crédits à la clientèle, prêts et emprunts sur le marché interbancaire et à la banque centrale. Il nous apparaît donc plus pertinent de retenir la trésorerie du bilan, car nous sommes en train d'expliquer le phénomène de transformation des dépôts en crédits à la clientèle.

Kamgna et Dimou (2008) affirmaient dans leurs résultats que plus les excédents de trésorerie augmentent, moins la banque est efficace dans sa transformation des ressources. Ils avaient ainsi mesuré la liquidité au regard du solde payeur. Dans cette hypothèse 3, nous postulons à notre tour que l'opulence de la trésorerie (du bilan cette fois) manifeste une faible transformation des ressources. En d'autres termes, l'hypothèse est que l'abondance du niveau de trésorerie agit négativement sur l'efficacité technique.

1.2- Comportements des hypothèses

Il s'agit pour nous ici d'analyser visuellement le comportement des variables hypothèses face à celui de la variable expliquée. Sur le graphique ci-dessous nous représentons la variable expliquée (Efficacité technique, totale et pure) ainsi que les différentes variables hypothèses (taux de défaut, Trésorerie / total actif, Fonds propres / total actif, Fonds propres / total crédits). Les données sur les créances douteuses proviennent du marché bancaire (CNC), et les autres données comptables de la banque proviennent des états financiers mensuels publiables, pris au Département de la Comptabilité générale de la CBC.

Graphique K : Evolution de l'efficacité technique et des variables - hypothèses

Source : Auteur, tiré du tableau de données présenté à l'annexe 3. De ce graphique, il ressort que :

- L'efficacité technique pure et l'efficacité technique totale ont quasiment la même progression, excepté le fait que la chute de l'efficacité totale est plus profonde en septembre 2008.

- L'évolution du Ratio « Trésorerie/Total actif » ne ressemble pas dutout à celle de l'efficacité technique. Bien au contraire, sa courbe tend à descendre lors des période où l'efficacité technique s'élève, comme en août 2008 et en août 2009. Cette simple appréciation visuelle nous présage déjà une relation inverse entre l'efficacité technique et le niveau de trésorerie.

- L'évolution des deux ratios FP¹/Total actifs et FP/Total crédits est la même : les deux variables suivent un parcours stable jusqu'en mai 2009, où l'on observe une plongée vers le bas. Cette déscente intervient à peine deux mois avant la remontée des courbes de l'efficacité technique pure et totale. La relation entre les deux variables (FP/Total actifs et FP/Total crédits) est donc apparament, s'il en existe, une relation inverse.

A cette étape, il n'y a pas de quoi tirer des conclusions. C'est l'une des raisons pour lesquelles dans un même modèle nous mettrons en concurrence ces variables hypothèses avec d'autres variables, dites « contre-hypothèses ».

Paragraphe 2 : Les variables « contre-hypothèses »

Afin d'expliquer l'évolution de l'efficacité technique, comme pour tout phénomène économétrique il est nécessaire de rassembler au départ un certain nombre de variables explicatives². Pour notre étude, nous avons rassemblé les données périodiques de vingt-cinq variables brutes³ que nous pouvons regrouper en sept principales perspectives d'explications :

2 Dès lors que la contrainte qui pèse sur cette opération est celle de trouver des variables qui parviennent à expliquer significativement le phénomène, l'on ne peut aisément se contenter de « quelques variables - hypothèses ». Il faudrait réunir un maximum d'autres variables soupçonnées.

3 En réalité, toutes ces variables ne seront pas forcément retenues après les différents tests de sélection propres à la régression linéaire. C'est pourquoi nous parlons de « variables brutes »

la taille de la banque (2.1), la disponibilité des fonds (2.2), le niveau de production (2.3), l'agressivité de la politique commerciale (2.4), la position concurrentielle (2.5), la qualité de management (2.6) et les chocs externes (2.7).

2.1 La taille de la banque

Comme nous l'avons souligné plus haut dans la littérature, la taille de la banque est potentiellement un facteur qui influence le niveau d'efficience des banques (Lahyani, 2009, Sufian et Habidullah, 2009). La taille est en général matérialisée par le total du bilan de la banque. Ainsi, nous allons représenter cette variable par le total de l'actif de la CBC.

2.2 La disponibilité des fonds

La banque a beau avoir collecté une masse importante de dépôts, mais elle ne peut octroyer des crédits que si les fonds collectés sont directement mobilisables. Il ya bien des cas où l'argent collecté n'est pas « immédiatement disponible » : par exemple, lorsque les dépôts collectés sont majoritairement à vue et les crédits sollicités sont à long terme. Ainsi, nous avons retenu comme variables explicatives : le pourcentage de la trésorerie à terme (Volume de trésorerie à terme sur volume total de trésorerie), la part des créances non mobilisables (créances éligibles au refinancement auprès de la BEAC sur total des créances), et le ratio de transformation à long terme (crédits à long terme sur total des crédits).

2.3 Le niveau de production

Nous avons souligné plus haut¹ l'effet que pourrait avoir l'échelle de production sur le niveau d'efficience. Ici, nous tenterons d'observer l'impact de l'augmentation de la production des crédits sur le niveau d'efficience totale, à travers une méthode différente. Nous retenons comme variables explicatives le total des dépôts, le total des crédits, la somme des crédits et des dépôts, ainsi que le coefficient de transformation (crédits/dépôts).

2.4 L'agressivité de la politique commerciale

Comme nous le disions plus haut dans la revue de littérature, l'agressivité de la politique commerciale caractérisée par le taux de croissance des crédits et le taux de croissance des dépôts peut influencer le niveau d'efficience (Dahmanne, 2009). Ce résultat a été démontré pour les banques tunisiennes, nous essayerons de voir ce qu'il en est pour la Commercial Bank - Cameroun.

2.5 La position concurrentielle

La concurrence bancaire est l'un des facteurs explicatifs les plus courus de l'efficience des banques. (Grigorian, 2006, Lapteacru 2009, Lahyani, 2009, etc.). Dans notre approche, nous introduisons l'analyse de l'effet de la position de la banque par rapport à ses concurrents sur plusieurs plans. Sur le plan des parts de marché, nous retenons les variables : « parts de marché - dépôts » et « parts de marché - crédits ». Sur le plan du risque de défaut, nous retenons les variables « rapport des défauts de la CBC sur les défauts du marché » (en volume puis en taux). Enfin sur le plan du volume de production nous adoptons la variable « rapport volume de production de la CBC sur le volume de production du marché ».

2.6 La qualité de management

La qualité de management est en réalité ce qui devrait expliquer le niveau d'efficacité technique pure¹. Cependant, étant une variable typiquement qualitative, la qualité de management est difficilement mesurable. Heureusement, nous avons ici la possibilité d'analyser l'impact de la nomination du nouveau directeur général accompagné de la mise en place d'un plan de restructuration, en tant que variable qualitative : elle prendra la valeur 0 avant sa date d'occurrence et 1 à partir de cette date.

2.7 Les chocs externes

Une autre série de variables qualitatives applicable à notre cas est bien l'influence des

chocs externes à la banque. Ici, nous allons tenter de mesurer l'impact de l'éclatement de la

¹ Capelle-Blancard et Chauveau, « L'efficacité technique peut-elle contribuer à l'évaluation du risque

d'insolvabilité ? Le cas des grandes banques commerciales européennes », TEAM, université de Paris I, Panthéon - Sorbonne & CNRS, Décembre 2002.

crise financière internationale, et celui de la présence d'au moins un article sur la CBC dans la presse. Nous essayons de savoir si l'un de ces phénomènes externes a eu un impact significatif sur l'évolution du niveau d'efficience de la CBC. Ces variables seront insérées de la même manière que la qualité de management : 0 avant leur date d'occurrence, et 1 après.

L'annexe 5 propose un tableau qui résume l'ensemble des vingt-cinq variables introduites dans le modèle.

Après cette série de précisions, nous pouvons passer à la régression linéaire proprement dite, afin d'obtenir les résultats et les interpréter.

Section 2 : Présentation des résultats et interprétation

Nous expliquerons successivement deux phénomènes : l'efficacité totale (CRS) et l'efficacité pure (VRS). Rappelons que l'efficacité pure est, avec l'efficacité d'échelle (SCALE), une composante de l'efficacité totale. Dans le chapitre 2, nous avons postulé que les variations de l'efficacité totale de la CBC étaient essentiellement dues à celles de l'efficacité d'échelle. Nous disions que l'échelle de production de la banque s'est rendue inappropriée à partir d'une certaine période (septembre 2008), et que ceci a fait dégringoler son niveau d'efficience totale. Cependant, nous ne pouvions pas encore expliquer avec assurance ce qui a provoqué cette inadéquation subite de l'échelle de production. De même, nous n'avons encore rien dit concernant l'explication de l'évolution de l'efficacité technique pure. Dans cette section, à l'aide d'un modèle économétrique linéaire¹, nous expliquerons l'évolution de l'efficacité technique totale par un ensemble de variables explicatives au Paragraphe 1, et nous dénoncerons les variables explicatives de l'efficacité technique pure au Paragraphe 2.

1 Dont la structuration est présentée au chapitre 3 section 2 paragraphe 2

Paragraphe 1 : Explication de l'efficacité technique totale

Le modèle économétrique que nous avons conçu avec les vingt-cinq variables collectées et présentées plus haut à l'état brut ne nous a donné aucune variable significative. Ce constat laissant croire qu'il existe des colinéarités entre les variables, il était question dès lors d'appliquer les procédures de sélection des variables. A l'aide de la procédure Backward, nous avons effectué une sélection optimale de variables. A l'issue de cette procédure, les six (06) variables suivantes ont été retenues : le niveau de trésorerie, le ratio trésorerie sur Total actif, le Total de l'actif, le Total des crédits, le Coefficient de transformation et le Rapport entre le volume de crédits et dépôts de la CBC sur celui du marché entier. Par conséquent, ces variables retenues (selon la proposition du logiciel) sont celles qui sont le moins corrélées entre elles et qui expliquent au mieux le phénomène à expliquer.

Quant aux variables restantes, elles semblent beaucoup moins significatives ou corrélées avec d'autres variables. Par conséquent leur effet explicatif sur l'efficacité totale est négligé.

Score d'efficacité technique totale = F(niveau de trésorerie ; trésorerie/total actif ; total actif ; total crédit ; coefficient de transformation ; volume prod CBC/volume marché)

Resultfinal=lm(formula = donne$score ~ donne$tresorerie + donne$tresTactif + donne$Totalactif + donne$TotalCred + donne$Coeftransf + donne$volcbcvm)

Le tableau qui suit rend compte d'une façon très résumée des résultats obtenus.

Variable	Coefficient	Erreur Standard	T	Value Pr(>\|t\|)	Niveau de significativité
Constante	-1.075e+01	6.469e+00	-1.662	0.1205
Niveau de trésorerie	-1.797e-04	8.984e-05	-2.000	0.0668	*
Trésorerie/total actif	-4.610e+01	2.237e+01	2.061	0.0599	*
Total actif	3.280e-05	2.540e-05	1.291	0.0921	.
Total crédit	-3.145e-05	1.186e-05	-2.652	0.0199	*
Coefficient de transformation	3.380e+00	1.872e+00	1.806	0.0942	.
Volume prod CBC/volume marché	4.000e+01	1.661e+01	2.409	0.0316	*
Erreur résiduelle	0.14 à 13 DDL
R²	0.8082
R² ajusté	0.7196
F- Statistic	0.9128 à 6 DDL
p-value	0.0004841

Il découle de ce résultat que le modèle établit est globalement significatif : la statistique de Fisher donne une p-value de 0.00048<<0.05 avec un R² ajusté de 80%. Toutes les variables de cette sélection finale s'avèrent significatives au seuil individuel de 10%. Ainsi, notre interprétation portera uniquement sur deux types de variables : les variables à influence négative et les variables à influence positive.

Le niveau de trésorerie affiche un coefficient de -0.000179. Le signe négatif de cette variable traduit une influence négative du niveau de trésorerie brute sur le niveau d'efficience totale. Toute chose étant égale par ailleurs, une augmentation de 1% du niveau de trésorerie entrainerait une baisse du niveau d'efficience de l'ordre de 0.0179%. L'interprétation de l'effet du niveau de trésorerie sur l'efficience totale peut être complétée par celle du rapport

trésorerie sur total actif. En effet, le rapport du niveau de trésorerie sur le total de l'actif affiche un coefficient positif de -46.1. Toute chose étant égale par ailleurs, l'augmentation de la proportion de la trésorerie dans le total de l'actif de 1% entrainerait une baisse de l'efficience totale de 4610%. Pour le comprendre, il faut noter que l'augmentation de ce rapport est la résultante de deux facteurs distincts : l'augmentation de la trésorerie proprement dite et la baisse du total de l'actif (immobilisations + crédits + trésorerie). L'influence de ce rapport en tant que variable explicative est donc relative. Pour conclure simplement, nous noterons que le volume de trésorerie simple influence négativement le niveau d'efficacité technique totale.

Le total des crédits donne un coefficient de -0.00003145. Toute chose étant égale par ailleurs, une augmentation du total des crédits de 1% entraine une baisse de l'efficience totale de 0.0031%. En réalité, ceci conforte l'idée selon laquelle la CBC a dépassé son échelle optimale en ce qui concerne la production des crédits. Elle opère (depuis septembre 2008) à une échelle inefficace, et son efficacité totale par contrecoup¹ tend à baisser lorsque la production des crédits augmente.

La taille de la banque est quantifiée ici par le total de l'actif. Cette variable affiche un coefficient de +0.0000380. Toute chose étant égale par ailleurs, une augmentation de 1% du total de l'actif entrainerait une hausse de l'efficience totale de 0.0038%. L'on peut donc conclure que la taille de la banque influence positivement l'efficacité technique totale. Plus la banque grandit en taille (total du bilan), plus elle est efficace. Ce résultat est conforme à celui de Lahyani (2009) et Hauner (2005)², qui ont trouvé une relation positive entre la taille des banques et leur niveau d'efficience.

Le coefficient de transformation affiche un score de + 3.38. Toute chose étant égale par
ailleurs, une augmentation du coefficient de transformation de 1% conduit à un plus

¹ Il est démontré au chapitre 2 section 2 paragraphe 2 que l'efficacité totale est fortement corrélée à l'efficacité d'échelle.

d'efficience totale de l'ordre de 338%. Effectivement, l'augmentation du taux de transformation des ressources en crédit a un effet direct et positif sur l'efficacité technique totale.

Le rapport « volume de production (dépôts + crédits) de la CBC sur volume de production (dépôts+ crédits) de l'ensemble des banques du marché » donne un score de +40. Toute chose étant égale par ailleurs, si ce rapport augmente de 1%, la CBC gagne 4000% en niveau d'efficience totale. Ce qui voudrait dire que l'efficience totale de la CBC est fonction croissante de la place qu'elle occupe sur le marché : plus elle s'impose, plus elle gagne en efficience totale.

A ce niveau, l'analyse peut encore être approfondie, dans la mesure où elle ne porte que sur l'efficience totale (composée de l'efficience d'échelle et de l'efficience pure). Pour cela, il est nécessaire de savoir comment expliquer l'évolution - même de l'efficacité technique pure.

Paragraphe 2 : Explication de l'efficacité technique pure

Afin de déterminer les facteurs explicatifs de l'efficacité technique pure, nous avons adopté textuellement la même procédure que pour déterminer les facteurs explicatifs de l'efficacité technique totale. Nous avons également proposé la même sélection initiale de variables explicatives pour bâtir le modèle.

Après sélection des variables finales parmi les 25 initiales (procédure backward), nous avons retenu 13 variables explicatives. Elles sont : le niveau de trésorerie, le ratio trésorerie sur total actif, le ratio fonds propres sur total crédit, le total des crédits, le total des dépôts, le taux de croissance des crédits, le taux de croissance des dépôts, le coefficient de transformation, la nomination du nouveau directeur général, le rapport défauts CBC sur défauts du marché, et le rapport du volume de production de la CBC sur le volume de production du marché.

Ces variables sont celles que le modèle considère comme sélection optimale, qui comporte les variables les moins corrélées entre elles et qui expliquent au mieux le niveau d'efficacité technique pure.

lm(formula = score2 ~ donne$tresorerie + donne$tresTactif + donne$Totalactif + donne$FPTotalcred + donne$TotalCred + donne$Totaldep + donne$croiscred + donne$croisdep + donne$Coeftransf + donne$nomDG + donne$DefCBDefm + donne$Tdefdefm + donne$volcbcvm.

Variable	Coefficient	Erreur Standard t	Value Pr(>\|t\|)	Niveau de significativité
Constante	3.621e+00	9.121e+00 0.397	0.7051
Niveau de trésorerie	-8.428e-05	6.860e-05 -1.229	0.2652
Trésorerie/total actif	2.067e+01	1.744e+01 1.185	0.2808
Total actif	1.980e-05	1.790e-05 1.107	0.3109
FP/Total crédit	1.112e+00	8.025e-01 1.386	0.2150
Total crédits	8.685e-05	4.477e-05 1.940	0.1004
Total dépôts	-1.119e-04	4.566e-05 -2.452	0.0497	*
Taux de croissance des crédits	2.684e+00	1.076e+00 -2.494	0.0469	*
Taux de croissance des dépôts	8.891e-01	9.965e-01 0.892	0.4066
Coefficient de transformation	-1.545e+01	8.532e+00 -1.810	0.1202
Nouveau DG	1.924e-01	1.992e-01 0.966	0.3715
Défauts CBC/Défauts marché	-6.815e+01	2.533e+01 -2.690	0.0360	*
Taux de défaut CBC/TD Marché	-8.524e+00	3.142e+00 2.713	0.0350	*
Volume CBC/Volume marché	1.153e+02	3.898e+01 2.959	0.0253	*
Erreur résiduelle	0.08253 à 6 DDL
R²	0.8442
R² ajusté	0.5067
F- Statistic	2.501 à 13 et 6 ddl
p-value	0.01338

Ce résultat fait ressortir un modèle globalement significatif, avec une p-value de 0.013 < 0.05 ainsi qu'une statistique de Fisher de 2.5. On distingue dans cette sélection finale 08 variables non significatives et 05 variables significatives au seuil individuel de 5%.

Les variables qui s'avèrent non significatives à 5% sont le niveau de trésorerie, le rapport trésorerie/total actif, le total des crédits, le taux de croissance des dépôts, le coefficient de transformation et l'avènement du nouveau directeur général. Définitivement, ces variables n'influencent pas le niveau d'efficacité technique pure de la CBC.

Quant aux variables significatives, elles sont soit à influence positive soit à influence négative : - Les variables à influence négative

Le risque de défaut est quantifié de plusieurs manières. Parmi les variables que nous avons trouvées, deux d'entre elles se retrouvent significatives : le rapport du volume des défauts de la CBC sur le volume de ceux du marché, ainsi que le rapport du taux de défauts de la CBC sur le taux de défauts du marché. Les coefficients obtenus sont successivement -68.15 pour le premier et -8.524 pour le second. Toute chose étant égale par ailleurs, une hausse de 1% de chacune de ces variables entrainerait une diminution de 6815% de l'efficacité technique pure pour la première et de 852% pour la seconde. Ceci exprime l'effet dégradant qu'a le taux de défauts de la banque par rapport à son environnement sur l'efficacité pure : plus la banque accumule plus de créances non remboursées que les autres banques, plus son niveau d'efficience pure se dégrade. Les travaux de Kamgna et Dimou (2008 et 2009) ont suggéré que le risque de défaut, entendu comme la proportion des créances douteuses dans le total des crédits influence négativement l'efficacité technique. Cette suggestion n'est pas exactement confirmée, vu que le taux de créances douteuses dans nos travaux s'avère non significatif. Seulement, nous pouvons affirmer que le risque de défaut de la banque relatif à celui du marché influence négativement l'efficacité technique pure.

Le total des dépôts donne un coefficient de -0.0001119. Ce coefficient négatif trahit une influence négative du montant total des dépôts sur l'efficacité technique pure. Toute chose étant égale par ailleurs, une augmentation de 1% du total des dépôts entraîne une baisse de 0.0119% de l'efficience pure. L'accentuation de la collecte des dépôts a donc une influence négative sur l'efficacité technique pure, dans la mesure où la transformation des ressources ne suit pas efficacement le même rythme.

Le taux de croissance des crédits affiche ici un coefficient de +2.684. Son signe positif traduit un effet mélioratif de la politique commerciale agressive sur l'efficacité pure. En effet, le rythme élevé de croissance des crédits est une des caractéristiques d'une politique commerciale forte (développement de nouveaux produits d'engagements, canaux de distribution multiples et innovants, qualité de service, taux d'intérêt, etc.). Plus ces facteurs sont renforcés, plus le nombre de demandeurs de crédits augmente et plus la banque est efficace dans sa transformation. Une augmentation du coefficient de la variable « taux de croissance des crédits » de 1% conduit, toute chose étant égale par ailleurs, à une augmentation de l'efficacité technique pure de 268.4%. Ce résultat confirme les travaux de Dahmanne (2009), qui ont suggéré l'existence d'un lien entre l'agressivité de la politique commerciale et l'efficacité technique. En réalité, l'on pourrait aussi quantifier cette agressivité par le taux de croissance du nombre d'agences ou par le taux de croissance du nombre de clients (nombre de comptes ouverts). Nous nous sommes limités à la croissance des crédits, vu que le nombre d'agences n'a pas évolué à la CBC sur la période, et que nous n'avons pas eu accès aux informations exhaustives concernant l'évolution du nombre de comptes ouverts sur la période.

Le rapport du volume de crédits et dépôts de la CBC sur celui du marché affiche un coefficient de +3.389. Comme nous l'avons vu avec l'efficience totale, l'ampleur des volumes de production totaux de la CBC par rapport à l'ensemble des banques du marché a un effet positif sur son efficacité technique.

A travers ce chapitre, nous avons essayé de déterminer les facteurs explicatifs de l'efficacité technique à l'aide du cas de la CBC. Pour ce faire, nous avons expliqué successivement l'évolution de l'efficacité technique totale et celle de l'efficacité technique pure. Nos hypothèses de départ ne sont que partiellement confirmés, dans la mesure où seuls le risque de défaut et le niveau de la trésorerie ont des coefficients significatifs. Le niveau de fonds propres ne donne aucun résultat probant. En outre, d'autres facteurs nouveaux par rapport à ceux qui étaient connus dans la littérature apparaissent significatifs. Il s'agit notamment du volume de production de la CBC par rapport à celui du marché, mesurant l'échelle de production relative de la banque.

Cette analyse des facteurs explicatifs de l'efficience est légèrement biaisée, puisque l'efficience d'une banque est déjà dépendante de celle des autres banques du même échantillon. La performance des autres banques camerounaises est alors le premier déterminant de la performance de la Commercial Bank - Cameroun ainsi mesurée.

Aussi, l'explication de l'efficacité technique de la CBC n'est pas achevée par nos travaux. En réalité, la liste des facteurs possibles que nous avons dressée n'est pas exhaustive. Elle se contente de regrouper la plupart des facteurs à notre disposition au moment des travaux, et dans la limite de notre imagination.

CONCLUSION

Cette partie a été consacrée à montrer quels sont les facteurs qui expliquent l'évolution de l'efficacité technique des banques en général et à la Commercial Bank - Cameroun en particulier.

Dans le chapitre 3, nous avons premièrement fait un inventaire des facteurs explicatifs de l'efficacité technique des banques. Nous avons pu recenser d'une part les facteurs internes (sous le contrôle de la banque, tels que les éléments comptables) et d'autre part les facteurs externes (sous le contrôle de l'environnement, tels que la concurrence ou l'action étatique). En second lieu, nous avons présenté sommairement les méthodes employées par les travaux antérieurs pour expliquer l'efficacité technique. De toutes les méthodes présentées, la méthode par régression linéaire nous a semblé adaptée à notre travail. En effet, le modèle de Tobit présente des limites, et le modèle simultané impose la contrainte de passer par les frontières stochastiques pour mesurer l'efficacité technique.

Dans le chapitre 4, nous avons mis les facteurs explicatifs recensés à l'épreuve de la régression économétrique. Au total vingt-cinq variables quantitatives et qualitatives ont été recensées. A l'aide de cet échantillon, nous avons expliqué successivement l'efficacité technique totale et l'efficacité technique pure. Il ressort que l'efficacité technique totale est déterminée par le niveau de trésorerie, le volume des crédits, la taille de la banque, le coefficient de transformation et le rapport volume de production de la CBC sur Volume de production de toutes les banques. L'efficacité technique pure quant à elle est expliquée par le taux de défauts de la banque relatif à celui du marché, le volume des dépôts, l'agressivité de la politique commerciale (taux de croissance des crédits) et le rapport volume de production de la CBC sur volume de production de toutes les banques.

Dès lors, sur les trois hypothèses explicatives que nous avions au départ, deux seulement d'entre elles sont vérifiées (le risque de défaut et le niveau de trésorerie) et l'une d'entre elle n'est pas vérifiée (le niveau de fond propres).

CONCLUSION GENERALE

Notre travail s'est intéressé à une double question : Celle de savoir quel est le niveau d'efficacité technique de la Commercial Bank sur la période de janvier 2008 à août 2009 ; et celle de savoir quels sont les facteurs qui influencent l'évolution de ce niveau d'efficacité technique.

Notre hypothèse centrale était que la Commercial Bank - Cameroun est en moyenne inefficace dans la transformation de ses ressources en crédit. L'évolution de son efficacité technique, déterminée au regard des performances des autres banques du même environnement, pouvait être influencée par le taux de défaut, le niveau de trésorerie et le niveau de fonds propres.

Au chapitre 2, nous avons pu appliquer la méthode non paramétrique DEA pour évaluer le niveau d'efficacité technique de la Commercial Bank - Cameroun. Puis au chapitre 4 nous avons déterminé, à l'aide de la régression linéaire, les facteurs explicatifs de l'évolution de cette efficacité technique.

En premier lieu, nos résultats montrent que la CBC affiche un score moyen d'efficacité technique de 29,4% si l'on considère l'hypothèse des rendements d'échelle constants (efficacité technique totale). Ce score passe à 54% si l'on considère plutôt l'hypothèse des rendements d'échelle variables (efficacité technique pure). C'est dire que, l'échelle de production de la CBC n'est pas optimale : le score moyen d'efficacité d'échelle est de 52,1%.

En second lieu, nos résultats proposent des facteurs explicatifs de l'efficacité technique totale et de l'efficacité technique pure. L'efficacité technique totale est expliquée positivement par la taille de la banque, le coefficient de transformation et le rapport volume de production de la CBC sur volume de production de toutes les banques. Elle est négativement influencée par le niveau de trésorerie et le volume des crédits. L'efficacité technique pure est expliquée négativement par le taux de défauts relatif de la CBC par rapport à celui des autres banques et

le volume des dépôts. Elle est influencée positivement par l'agressivité de la politique commerciale (taux de croissance des crédits) et le rapport volume de production de la CBC sur volume de production de toutes les banques.

Notre hypothèse concernant l'influence du niveau de fonds propres sur l'efficacité technique est donc la seule à être totalement infirmée.

Cependant l'apport de ce travail est l'introduction d'un nouveau facteur explicatif de l'efficacité technique des banques : le volume de production de la banque relatif à celui de toutes les banques.

L'on note une limite générale à notre raisonnement : notre postulat de départ stipule qu'en améliorant son efficience dans la transformation des ressources en crédit, une banque peut accroître sa rentabilité. Mais en réalité, cet accroissement de la rentabilité est soumis à plusieurs autres conditions : l'existence d'une marge d'intérêt positive et supérieure au coût analytique de mise en place du crédit, la qualité des crédits octroyés (baisse des défauts), l'efficacité du contrôle des risques, etc.

En dernière analyse, relevons que l'optique d'intermédiation est incomplète pour cerner l'efficacité technique d'une banque particulière. En réalité, l'optique de production permet d'aller plus loin dans l'évaluation de la capacité de la banque à transformer ses ressources en produits : elle considère différents inputs (salaires, capital, immobilisations) et différents outputs (Nombre de comptes ouverts, produit net bancaire, résultat net, etc.).

Des travaux de recherches futurs peuvent également s'intéresser à l'efficacité technique des agences de la Commercial Bank - Cameroun. En considérant les inputs qui y sont investis et les outputs que ces agences produisent, l'on pourra déterminer les plus efficientes et les moins efficientes, dans le but d'améliorer leur gestion.

BIBLIOGRAPHIE

BEAUD M, « L'art de la thèse », Editions La découverte, Paris, France, 2006, 202 p.

BERGER A. et HUMPREY D, «Efficiency of financial institutions: international survey and directions for future research», European journal of operational research, vol 98, Janvier 1997, 78 pp. 175-212.

COELLI T, « A guide to DEAP Version 2.1: Data Envelopment Analysis (Computer) Program », CEPA Working Paper 96/08, 50 p.

Commission bancaire d'Afrique Centrale, « Rapport de la Commission Bancaire de l'Afrique Centrale pour l'année 2007», service de la reprographie - BEAC, Yaoundé, Cameroun, 2009, 112 p.

Conseil National du Crédit du Cameroun, « Le marché bancaire au Cameroun », situations mensuelles de Janvier 2008 à août 2009, Document confidentiel.

COOPER et al, «Data Envelopment Analysis: A comprehensive text with models, applications, references and DEA solver software» Kluwer Academic Publishers, Boston, USA, 2000, 318 p.

DANNON H, « Efficacité et productivité des banques de la zone UEMOA dans un contexte de réformes financières, une application de la méthode DEA », Cahiers du Laboratoire de Recherche sur l'Industrie et l'Innovation, ULCO, Dunkerque, France, mai 2009, 42 p.

DESCAMPS C, « Economie et gestion de la banque », Editions EMS, Paris, France, 2002,262 p.

Guerrien B, « Dictionnaire d'analyse économique, microéconomie, macroéconomie, théorie des jeux », La Découverte, Paris, 2002, 568 p.

GRIGORIAN D. et MANOLE V, «Determinants of commercial bank performance in transition: an application of Data Envelopment Analysis», Comparative Economic Studies, 2006, pp. 497-522 (48).

HAAG S. et JASKA P, «Interpreting inefficiency ratings: an application of bank branches operating efficiencies», Managerial and Decision Economics, Vol. 16, No. 1, Janvier - Février 1995, pp. 7-14.

HUGON P, « Rentabilité du secteur bancaire et défaillance du financement du développement. Le cas de la CEMAC », Revue Tiers monde, n°192, oct-déc 2007.

HURLIN C, « Polycopié de cours d'économétrie des variables qualitatives, Master en Econométrie et Statistiques Appliquées », Université d'Orléans, France, Janvier 2003, 57 p.

JOUMADY O, « Efficacité et productivité des banques au Maroc durant la période de libéralisation financière : 1990 - 1996 », Communication aux 17èmes journées internationales d'économie monétaire et bancaire, Université Lumière Lyon 2, France, 7-9 Juin 2000, 25 p.

KABLAN S, « Mesure de l'efficacité des banques dans le cas des pays en voie de développement : le cas de l'Union Economique et Monétaire Ouest - Africaine (UEMOA) » African Development Review, Volume 21, N°2, septembre 2009, pp 367-399 (33).

KAMNYA Y. et DIMOU L, « L'efficacité technique des banques de la CEMAC », MPRA paper, N°9603, Juin 2008, 35 p.

KAMGNA Y. et DIMOU L, « Les déterminants de l'efficacité des banques commerciales de la CEMAC », Document de travail de la BEAC, 2009, 30 p.

LAPTEACRU I. et NYS E, « L'impact de la concurrence bancaire sur l'efficience des banques, cas des Pays de l'Europe Centrale et Occidentale », www.esce.fr/dlw/recherche/ArticlesColl2008/Lapteacru.pdf (le 01/03/2010), France, 2009, 31 p.

LUDWIN W. et GUTHRIE T, «Assessing productivity with Data Envelopment Analysis», Public Productivity Review, Vol. 12, No. 4. (Été 1989), pp. 361-372.

NABIL A. et ROMAIN R, « Mesure de l'efficacité technique : Revue de la Littérature », ISBN, CREA, Université de Laval, Québec, Canada, Septembre 2000, 34 p.

Ouellet E, « Guide d'économétrie appliquée pour Stata », Université de Montréal, Québec, Canada, août 2005, 69 p.

SUFIAN F. et HABIDULLAH SHAH M, «Do mergers and acquisitions leads to a higher technical and scale efficiency?» African Journal of Business Management Vol. 3 (8), août 2009, pp. 340-349 (10).

TANGAKOU R, « Le système bancaire et financier du Cameroun », Sans Ed., 2007, 405 p.

TANIMOUNE N, « Les déterminants de la profitabilité des banques dans l'UEMOA : une analyse sur données de panel » Note d'information statistique (NIS), UEMOA, septembre 2003, 20 p.

ANNEXES

Annexe 2 : évolution des dépôts du marché bancaire

Annexe 3 : évolution des crédits du marché bancaire

Annexe 4 : Tableau des inputs et outputs

Annexe 5 : Tableau des variables explicatives

2.1- L'efficacité technique pure et l'efficacité technique d'échelle 12

Paragraphe 2 : La méthode DEA et la mesure de l'efficacité technique des banques 19

2.2- La mesure de l'efficacité technique des banques : une opération abordable sous plusieurs

CHAPITRE II : MESURE DE L'EFFICACITE TECHNIQUE DE LA COMMERCIAL BANK - CAMEROUN 25

Section 2 : Résultats et interprétation de l'efficacité technique de la CBC 34

Chapitre III : REVUE DE LITTERATURE : LES FACTEURS EXISTANTS ET LES METHODES POUR LES

Section I : Revue des différents facteurs explicatifs de l'Efficacité technique des banques 45

2.2.5 Les tests d'hypothèses sur les erreurs : Homoscédasticité vs Hétéroscédasticité 59

CHAPITRE IV : LES FACTEURS EXPLICATIFS DE L'EFFICACITE TECHNIQUE : CAS DE LA CBC 61