Beruflich Dokumente
Kultur Dokumente
Modélisation de la rentabilité
des institutions de
microfinances:
Une application de la
méthodologie de données de
panel dynamique
*, **
*
Lâma DAHER, doctorante à l’École de
gestion de la Sorbonne (PRISM)
**
Erwan LE SAOUT, professeur de
marchés financiers et de
risqueanagement chez Ecole de
Management
de la Sorbonne (PRISM & LABEX
REFI)
Abstrait
le secteur de microfinance est qui
passe à traversgh une fondamental
transformation cette empiète sur ses
opérations des acteurs et
performaNces. Avec la rareté
croissante des financements bon
marché et la
de plus en plus investisseurs de
exigeants,institutions de
microfinance tournent vers
l'amélioration their
financier perendement en ordre à
grangée etattracte nouvelles sources
de financement non libres de l'
extérieur
Marchés financiers. Le but de cela le
papier est enquêter les conducteurs
de financier performance de
au sein de la microfinance
institutions et leur macro-
économique contexte. Coût
inefrigueur et
imprévu inflation sembler à être la
plus important des risques cette
microfinance les institutions avoir à
gérer. Aditionellement,nous
suggestons que les bénéfices sont
persistants d'un période à un autre et
que
microfinance les institutions avoir
assez faible niveaux de
compétitivité. En outre, nous trouver
cette la
rentabilité de la microfinance les
institutions est sensible à difficultés
financières globales, en référence au
crise monétaire de 2007-2008.
Empirically, une panneau
dynamique analyse de données, en
utilisant standard et
système-GMM, est effectuée sur un
données du panneau ensemble de
362 miinstitutions de crédit à partir
de 73 des pays
dans 5 régions de 2005 à 2011.
Mots clés
institutions de microfinance,
rentabilité, persistance du profit,
déterminants, facteurs internes,
macro-
facteurs économiques, facteurs
macro-institutionnels, crise
financière mondiale, régression
dynamique par panel
Codes de classification JEL
G21, G23, O16
Adresses mail
Lâma DAHER:
lama.m.daher@gmail.com
Erwan LE SAOUT:
erwan@lesaout.com
adresse postale
Lâma DAHER
PRISM Sorbonne - Université Paris
1 Panthéon Sorbonne
17 rue de la Sorbonne
75231 Paris Cedex
France
2
introduction
La pauvreté le soulagement est le
offici engagement présumé
poursuivi par la industrie de la
microfinance
puisque ses conception. Existant
microfinance les institutions (IMF),
comme well comme Nouveau les
participants sont plus
et plus attiré par la potentiel
bénéfices cette pouvez être atteint en
dehors de microfinance Activités.
UNE
nombre croissant des IMF is change
sa objectif principal de, fournissant
le pet plus vulnérable
avec des services de microfinance et
des produits pour aider améliorer
leur vie, à maximiser leur propre
rentabilité à travers entretien Moins
pauvre populations et abattre leur
frais. Ce dénote
la soi-disant mission dérive de la
microfinance(Baptiser, 2001;
Baptiser et Canard, 2002; Mersland
et Strom, 2010; Armendaris et
Szafarz, 2011).
Progressivement, la mise au point de
ces institutions est étendu sur
l'amélioration leur financier
performance avec
l' objectif d' attirer des exsources
de financement internes . Fonds d'
investisseurs privés et publics ,
surtout capital étranger
investissements, ainsi comme, prêts
commerciaux bles fourches sont
tournées vers
investissements générateurs de
revenus. Ces nouvelles sources de
marché le financement a un mettre
l'accent sur la rentabilité
(Ghosh et Van Tassel, 2011), qui
représente le moins cher source de
Capitale - bénéfices réinvestis
dans l' IMF - nécessaire pour une
IMF pour attirer ex capitale
ternelle . Cependant, la montée
commercialisation de MLes IF
soulèvent de nouveaux risques. Ce
sont principalement risques macro-
économiques causés by le
interaction croissante avec formelle
Marchés financiers, à savoir le taux
de change risque et la
risque d'effondrement des marchés
financiers.
Le présent L’étude a trois
objectifs.Tout d'abord, nous
vérifions les déterminants de
Financière des IMF
performance. Seconde,nous
examinons le persistance de théritier
profite de temps. Troisièmement,
nousexaminer le
impact de la récente crise
monétaire mondiale sur les
bénéfices des IMF . Les
déterminants de la finance
performance comprendre les deux
fspécifique à l'irm aDakota du Nord
spécifique au pays les facteurs. Til
anciens facteurs étant
sous la contrôle de IMF mun
âgement, tandis que la dernier
facteurssont en relation à leur des
pays'
environnement macro-économique
et macro-institutionnel. Tester la
persistance des profits des IMF
nous permet évaluer le vitesse de
convergence des bénéfices vers leur
équilibre à long terme niveaux,
et donner preuve de la level de
compétitivité dans la microfinance
secteur. Évaluer la
impact du crise donne preuve sur la
diplôme de la commercialisation de
IMF et leur dépendance
sur des sources de financement
externes.
le papier est organisé comme suit.
Dans la prochaine section, nous
examiner la existant Littérature sur
la
déterminants de la financier
performance deIMF. Suivant, nous
present notre Les données et notre
empirique
des modèles et définir notre
variables et hypothèses.
Ensuite,nous présent et discuter la
résultats de nôtre
modèles et conclure.
1. Déterminants de la
performance financière
Notre analysis vise unt en train
d'étudier si et combien divers les
concepts peuvent vérifier l'IMFs '
financier
performance. Parmi les chercheurs
qui ont tenté de déterminer les
moteurs de la financecial
performance dans le microfinance
secteur, nous avoir Nawaz
(2010),Cull et Al. (2011), Ahlin et
Al.
(2011) et Kar (2013). À
traversrevoir l'exlittérature
empirique existante
1
, nous l'intention de mettre en
évidence
les principales conclusions des
études existantes et éclairent les
résultats très mitigés obtenus. le
les déterminants de la performance
financière sont classés en facteurs
internes et facteurs externes.
1
Milana et Ashta (2012) et Daher et Le
Saout (2013) ont également interrogé mais
partiellement tla littérature liée au
performance financière du secteur de la
microfinanceUstry.
3
1.1. Facteurs internes
Facteurs internes aré défini comme
indicateurs basés sur les entreprises.
Ils peuvent être trié en cinq
composantes:
structure de financement, risque de
crédit, efficacité, portée sociale et
taille de l'entreprise.
Il y a preuves empiriques ce
financementinfluence de la
structurele financier performance de
MFjes.
Hartarska et Nadolnyak (2007)
trouvé que financière des IMF
performance (mesurée par
opérationnel
autosuffisance ou OSS) est affectée
par le capital sur actif ratio. Leurs
résultats suggère que Moins
Les IMF à effet de levier ont une
meilleure performance financière.
Ce résultat est accrédité par
Ngendahayo (2008),
qui a trouvé cette effet de levier a
Un négatif influence sur OSS et sur
rentabilité (mesurée en retour
sur les atouts ou ROA)de privé MFI
seulement. En contraste résultats
sont attribuableted à Kar (2012), qui
a trouvé Un négatif et effet
significatif de la ratio capital / actif
sur profit efficacité (mesurée
par retour sur capitaux propres ou
CHEVREUIL). Cela implique que
toute augmentation deun effet de
levier augmenterait le profit des IMF
Efficacité.
Les resultats de la littérature ne sont
pas homogènes en ce qui
concernel'impact de la qualité du
portefeuille sur
performance financière. Mersland et
Strøm (2009), Kar (2012) et Nawaz
(2010) n'ont trouvé aucune
important impact de le portefeuille à
risque plus de 30 journées rapport
sur ROA. While, Kar (2013) a
trouvé une
relation négative et significative
entre le ratio du portefeuille à risque
sur 30 jours et financière
performance - mesuré par un
composite facteur obtenu par
analyse factorielle impliquant
plusieurs
variables mesurant la rentabilitéy
(ROA) et financial durabilité (OSS
et autosuffisance
index ou SSI).
En terme de la rentabilité ,Kar
(2013) trouvé ce coût par dollar
rapport prêté une influence négative
sur financier performance. Tandis
que,Cull et Al. (2007)a prétendu que
le efait des coûts sur le ROA
dépend de la méthodologie de prêt
de l'entreprise.
Empirique retrouver dansgs En ce
qui concerne les deux composants de
rayonnement social, c'est à dire
profondeur de la sensibilisation et
étendue de atteindre, sont mixed.
L'impactde profondeurde
sensibilisation is mesuré à travers la
variable
taille du prêt. Mersland et Strøm
(2009) ont trouvéce ROA augmente
avec la taille moyenne du prêt, et
Ngendahayo (2008) 's résultats
suggéré un important et positif
impact de cette variable sur ROA
mais seulement pour privé IMF.
Bien que,ce résultat est incompatible
avec Galema et al. (2012) qui a
trouvé
cette moyenne prêt Taille des
impacts significativement et
négativement ROA. De même,
Nawaz (2010) a trouvé
cette taille moyenne de prêt au RNB
par habitant a un signeeffet
significatif et négatif sur le ROA.
Ce
relation ne fait pas semble important
dans autres études (Cueillir et al.,
2007; Cueilliret al., 2011). Cull et
Al. (2007) suggèrent que les IMF
qui accordent des prêts plus petits ne
sont pas nécessairement moins
rentables. le
étendue de sensibilisation est
mesurée par la part de
prêtportefeuille aux actifs. Nawaz
(2010) trouvé
non important effet de gross prêt
portefeuille à les atouts rapport sur
ROA. cependant, Cull et Al. (2007)
trouvé un impact significatif et
positif de la part du portefeuille de
microcrédit sur le ROA. De même,
Kar
(2013) ont trouvé un significatif et
positif impact de la taille de le
portefeuille de prêt brut sur la
variable
indiquant p financiererformance
(obtenu par affacturage ROA, OSS
et SSje) dans son principale Les
données ensemble,
mais les résultats de ses deux autres
ensembles de données n'ont révélé
aucun impact significatif.
F empiriqueindings concernant
l'impact de taille de l' entreprise sur
financier pperformance sont
mélangés. le
nombre de studies que avoir ne pas a
trouvé toute association entre
raffermir Taille et ROA
(Ngendahayo,
2008; Hartarska, 2004) ou ROE
(Kar, 2012) est limité. Plusdu des
études démontrent que les IMF
la taille affecte positivement son
ROA (Vanroose et D'Espallier,
2009; Mersland et Strøm, 2009; Cull
et
al., 2007; Bassem, 2009; Cull et al.,
2009).
4
1.2. Facteurs externes
Externe les facteurs sont ceux qui
sont ne pas sous le contrôle de
gestion de l'entreprise. Ils sont
spécifiques à
la pays où la IMF est situé.
Deuxgroupes de indicateurs liés au
pays pouvez être estimé:
indicateurs macro-économiques et
indicateurs macro-institutionnels. De
plus, nous rappelons les résultats de
recherches antérieures sur l’effet de
la crise monétaire mondiale.
Le premier maL’ indicateur
économique est l’ économie globale
d développement . empiriques
résultats
En ce qui concerne son impact sur
financier les performances sont
mixte. Pour par exemple, Imai et Al.
(2012)résultats de
spectacle ces pays avec plus dom
grossierproduit estic (ou PIB) par
capitalun avoir rendement plus élevé
sur
atout, suggesting unsignificant et
impact positif d'économie taille sur
La rentabilité des IMF. Encore,
Bassem (2009), et Hartarska et
Nadolnyak (2007) trouvé non
important preuve que PIB par
habitant a un impact sur la
rentabilité (ROA) ou la viabilité
financière (mesurée par
autosuffisance opérationnelle ou
OSS). Néanmoins, Vanroose et
D'Espallier (2009) ont découvert
une
impact significatif et négatif du
revenu national brut (ou RNB) par
habitant sur le ROA.
Empirique résultats en ce qui
concerne til effet de la seconde
macro économique enDicator, à
savoir l'inflation ,sur
la rentabilité est également mitigée.
Par exemple, Vanroose et
D'Espallier(2009) ont constaté que
les IMF sont moins
rentable lorsque l’inflation est
élevée, ce qui suggère que Les IMF
bénéficient de la stabilité du système
financier formel
système. Cele résultat est cohérent
avec Bassem (2009) et Cull et al.
(2011)qui a trouvé un important
et impact négatif de inflation sur
ROA et OSS. Cull et Al. (2009)
'srésultats suggère que la
impact de l'inflation sur les finances
ssuffixe elfe (FSS) est significatif et
négatif, alors que le
impact sur la rentabilité(ROA)
estpas significant. Pourtant, Ahlinet
al.(2011) 's conclusionssuggère que
Là est pas significatifimpact de
inflation sur OSS. Inversement,
Hartarska et Nadolnyak (2007)
observé un impact significatif et
positif de l’inflation sur les logiciels
libres.
Concernant les macro-ins facteurs
de titutional , mles résultats sont
rapportés pour les états financiers.
durabilitécator (OSS). Crabb (2008)
trouvé ceci Les IMF fonctionnent
principalement dans des pays avec
un
relativement faible diplôme de
global économique la liberté et cette
divers politique économique les
facteurs sont
importants pour la performance
financière, tels que les interventions
des gouvernements.ntion qui peut
réduire les finances
durabilité. Également,Hartarska et
Nadolnyak (2007) trouvé pas
évidentprésence de un important
impact de
liberté économique sur les logiciels
libres . De même, les résultats
empiriques n’ont pas encore révélé
la preuve d’une
impact significatif de la liberté de
indicateur de corruption sur OSS
(Ahlin et al., 2011). En outre,
Hartarska et Nadolnyak (2007)
trouvé pas preuve de significatif
impact dela propriété droits
indice de protection sur l'OSS.
Enfin, la longue tenue notion cette
microfinance, comme un atout
classe, est en grande partie non
corrélé à global
financier marchés, et que ça est un
exception à la inhérent instabilité de
le traditionnel financier
système, peut pas plus être
approuvé. UNEpeu études discutées
que microfinance n'est pas isolé de
financière mondiale l' agitation
queil semblait à être (LiTtlefield et
À genoux, 2009; Dokulilovaet al.,
2009; Kruijff et Hartenstein; 2013).
Cela peut être causé par plusieurs
facteurs interdépendants
comprenant: la monter de
concurrence parmi MFjes (Assefa et
Al., 2013), le décalagede leur
objectifs
de exclusivement portion la pauvre
obtenir débarrassé de poverty à
maximiser bénéfices, et la Nouveau
tendance de
levée de fonds auprès des marchés
de capitaux nationaux et
internationaux , des banques
commerciales, ainsi que
investissement en microfinance
véhicules à crédit d'accueil
croissance (El-Zoghbi et al., 2011).
Gonzalez(2011)
pointu à la fait que la impact de
financier les crises sur IMF et leur
les clients dépend de
plusieurs facteurs incluant: le macro-
économique environnement, le
niveau de integration du pays
à le Global économie, Coût et
financement des structures pour le
IMF, et la capacitéy de gestion à
traiter avec des crises. Dokulilova et
Al. (2009) prédit "la plein effet de la
à l'échelle mondiale crise et son
triple chocs - contraction
économique, dépréciation de la
monnaie et la rareté de crédit à
montrer pleinement son
5
pouvoir dans les pays émergents
dans la seconde moitié de yoreille
2009 ”. Empirically, Di Bella (2011)
a trouvé un
cor significatifrelation entre la
performance des IMF et les
performances nationales et
internationales
financier et conditions économiques
quand ajouter la années 2008 et
2009 à l'analyse. Lensink
(2011) trouvé les IMF sont
confrontées à une évolution
négative importante des indicateurs
de performance liés à la
rentabilité, la croissance, et qualité
du portefeuille comme un
conséquence du cr financierisis.
Wagner et
Winkler (2012) trouvé ceci le
financier mondial la crise avait un
fort négatif impact sur croissance du
crédit
des IMF. Lützenkirchen et al.
(2012) ont signalé qu'après la crise,
la croissance des actifs avait ralenti
de façon marquée, le risque de
portefeuille a augmenté et la
rentabilité a diminué.
2. Modélisation de la
performance financière
Beaucoup avantages viens de en
utilisant données du
panneauensembles (Baltagi, 2005).
Par rapport à mis en commun Les
données ensembles -
pur section transversale ou pur
série chronologique, le panneau de
données ensembles comprennent
beaucoup de données plus
importantes, et permettent
la construction et test plus
sophistiqué modèles
comportementaux avec Moins
contraignant hypothèses.
Avec panneau Les données
ensembles, les données sont plus
informatif, estimations sont plus
fiable, colinéarité est inférieur
parmi variables, et efficacité is plus
grand avec plus de degrés de liberté.
Aditionellement,panneau Les
données
les ensembles permettent de
contrôler l'hétérogénéité
individuelle, qui est une spécificité
individuelle non observée effets
qui ont été omis dans les données
groupées. Plus important encore
pour notre étude, les ensembles de
données de panel sont mieux adaptés
pour étudier complexe les
questions de dynamique des
comportements, en particulier à
comprendre la dynamique de
ajustement.
2.1. Les données
Indicateurs de développement
(WDI) et Bloomberg. Les données
macro-institutionnelles sont acquises
de l'héritage
3
Fondation.
le difficile noyau de notre
échantillon composé de spécifique à
l'entreprise variant dans le temps
information est faire des réserves
dans cinq
pas. Premièrement, nous
choisissons uniquement les IMF
fournissant des informations chaque
année entre 2005 et 2011.
Deuxièmement, nous garder
exclusivement IMF cette avoir
observations pour ROA variable
sans pour autant perturbation
entre 2005 et 2011 - 7 années
consécutives. À ceci cerfe, notre
ensemble de données implique 857
IMF. Suivant,
nous select ces IMF qui publie audit
financier déclarations tous les année
et Ceux qui, jen
Outre le ces derniers ont leur note ou
rapports de due diligence publiés
annuel. En d'autres termes, nous
conserver 372 IMF classées fnotre et
cinq diamants, respectivement
4
. De plus, nous excluonsces IMF
cette faire ne pas tenir une défini
statut légal. Pour exemple, la deux
IMF en portant la légal statut Autre
ont été supprimés. Enfin, certains
MFjes avoir approuvé le ci-
dessusConditions de sélection ned
intégrer des observations qui se
situer à une distance anormale de le
reste des observations. Nous
enquêtons
celles-ci points soigneusement
bavant de considérerg leur possible
élimination de notre ensemble de
données. Pour 8 en dehors de
370 retenu IMF, certainesextrême
les valeurs étaient identifiés sur une
court instant période, variant de une
année à deux années consécutives au
maximum - aucune tendance
tangible n’a été détectée.
Enfin, nous obtenons un ensemble
de données de panel - données
combinées de séries chronologiques
et de sections efficaces - composé de
362
IMF à partir de 73 des pays entre
2005 et 2011. Ce est alors loin le le
plus grand données set en terme de
échantillon Taille et longueur de la
Période d'étude, avec la dernier
financier crise ère. Notre échantillon
est
défini comme un court données de
panel équilibrées ensemble.
Dansautres mots, il a un grand
nombre des entités mais peu
temps périodes - ce est commun en
microéconomique Les données
(Wooldridge, 2002) - et la périodes
pour lesquels nous avons des
données sont les mêmes pour toutes
les entités.
6
2.2. Modèle empirique et tests
d'hypothèses
Ce goujony des analyses la
dynamique de rentabilité dans le
microfinance mondiale iindustrie. Le
harasy de
le mécanisme dynamique
performance-concurrence est
nouveau, même dans le secteur
bancaire
recherche (voir, Berger et al., 2000;
Agostino etal., 2005; Goddardet al.,
2010 et 2011). nous
estimer un panel dynamique modèle
de données pour contrôler la
persistance des bénéfices, tout en
étudiant
déterminants de la rentabilité de
IMF. Essai la persistance de
IMFles bénéfices permettent nous à
évaluer la vitesse de convergence
des bénéfices vers their à long terme
équilibre niveaux, Et donner
preuve de la diplôme de la
concurrence dans la microfinance
secteur. Aditionellement, nous testé
pour
hétérogénéité à travers les années en
ordre inspecter la je suispacte de
l'international crise financière sur
La rentabilité des IMF.
2.2.1. Modèles de données de
panneaux dynamiques
La dynamique multivariée modèle
de régression de données de panel
exprime la rentabilité en tant que
fonction linéaire de
un décalage de la
rentabilitévariable, variable dans le
temps spécifique à l'entreprise
facteurs, etpays variant dans le
temps
spécifique les facteurs. nousestimer
deux modèle équations: the premier
on contrôle pour particulier
effets uniquement (à sens unique
modèle de composant d'erreur) et le
le second contrôle pour les deux
individuel et
effets temporels (modèle à
composante d'erreur
bidirectionnelle).
Equation du modèle de composant
d'erreur unidirectionnel:
où,
représente la financier performance
ou rentabilité de l' IMF situédans
le pays à
période ; est le reconstante de
gression, la moyenne of le reste non
observé hétérogénéité;
est le retard d'une période variable
dépendante utilisée comme un
régresseur du côté droit; estle
coefficient
du variable retardée représentant le
vitesse de l'annoncejustment à la
équilibre; est leles coefficients
vecteur des régresseurs;
est un vecteur des facteurs internes
de MFI à période .
Celles-ci
les caractéristiques varient
selonIMF et temps;
est un vecteur de facteurs externes
dans le pays au
période .Celles-ci des indicateurs
varient à travers des pays et temps;
est la non observé spécifique à
chaque individu
effets, lequel représentantressent
hétérogénéité à travers MFjes;
est l' inobservableen fonction du
temps effets,
lequel représente hétérogénéité plus
de temps et sont introduit dans la
modèle via la année nuls.
Les mannequins du temps sont
exclusifs pour le modèle à deux
voies. Dans le one-waymodèle,
est égal à zéro;
est le terme d'erreur idiosyncratique;
est le reste des perturbations
stochastiques.
le hypothèses de base du modèle à
sens unique sont: l'individuel
spécifique effet
est indépendant de
la terme d'erreur et la régresseurs
exogènes, qui sontégalement
indépendant de emal autre pour tous
et; la perturbation comprend les
erreurs idiosyncratiques et l’effet
propre à chaque individu, c.-à-d.
; et le effets et la les erreurs sont
indépendant distribuer à l'identique
pour tous et ,
c'est à dire,
! "" # $% Et
'
(
) et
! "" # $% Et
*
(
).
7
Les hypothèses de base du
bidirectionnel sont les effets
individuels et temporels.
indépendant de la Erreur terme et la
exogène régressors, lequel sont
aussiindépendant de chaque
autre pour tous et ;la la
perturbation comprend la erreurs
idiosyncratiques et l'individu- et
temps-
effets spécifiques, c'est à dire,
; etles effets et les erreurs sont
indépendant identique
distribuer pour tous et , c. -à-
! "" # $% Et
'
(
),
! "" # $% Et
+
(
) et
! "" # $% Et
*
(
).
2.2.2. Estimateurs et tests d'hypothèses
Par construction,
est corréléavec le niveau individuel
non observé effet
. jen ordre de
produire des estimateurs cohérents
avec fixe , la solution est à la
première différence l'équation du
modèle et
puis construire estimateurs basés sur
le moment équations utilisant lagged
niveaux de la va dépendantriable
avec erreurs de première
différenciation. Le moment
conditions formé par en admettant
que particulier lagged
les niveaux de la variable
dépendante sont orthogonaux aux
perturbations différenciées sont
connus comme
méthode généralisée de mConditions
actuelles ou de type GMM.
nousutilisé deux techniques
d’estimation:
différence généralisée méthode des
moments et système méthode
généralisée de des moments.
Développé
par Arellano et Bond (1991), la
première différence gméthode
énéralisée des moments, ou standard
GMM, l’estimateur crée des
conditions de moment en utilisant
des niveaux décalés de la variable
dépendante et
strictement exogène variables avec
premières différences de la des
perturbations. Arellano-Bover
(1995) et
Blundell-Bond (1998)
suggèrentested que si leprocessus
autorégressif est aussi persistant, le
en retard
niveaux sont faible jenstruments.
Alors, ils développé la Système
méthode généraliséede moments, ou
Système-GMM, estimateur en
utilisant Additionnel mamanent
conditions, dans lequel en retard
différences de la
les variables dépendantes sont
orthogonales aux niveaux des
perturbations.
Les deux estimations peut être fait
en une ou deux étapespas. Le one
stepestimator suppose
homoscédastique ou identique
distnervuré erreurs, alors que
l’estimateur en deux étapes utilise til
premier pas
erreurs à build norme cohérente
d'hétéroscédasticité eles miroirs.
Selon Arellano et Hahn
(2007), les deux étapes estimator
est asymptotiquement plus efficace
même en la présence de
homoscédastique Erreur termes.
Postérieury, la instrumentation
pouvez être fabriqué transparent à
travers une
moins deux étapes carré (2SLS)
procédure, où dans le première étape
du les régresseurs sont régressé sur
la
instrument, et en celles-cipas à pas,
le résultatestimations ng sont utilisés
comme variables explicatives dans
la
équation de original intplus
Aditionellement, en utilisant deux
étapes G robusteType MM
estimateurs produit
des modèles robuste à
l'hétéroscédasticité et donne plus
efficace estimations pour le modèle
et impartial
estimations des erreurs types .
Finally, les deux estimateurs sont
basés sur l’hypothèse de l’absence
de données en série.
corrélation.
le cohérence de la GMM standard et
le système GMM estimateurs
s'appuie sur deux hypothèses.
Premier, nous testons pour la sur-
identification restrictions en utilisant
le Sargan tester. lenul hypothèse du
Test de Sargan est-ce le modèle et la
sur-identification les conditions sont
valables. Rejetantcette null
l'hypothèse implique que le modèle
ou les instruments besoin de être
réexaminé, à moins que le le rejet est
en raison deeroskedasticity dans les
données processus de génération.
Seconde,nous testons pour
corrélation série utilisant
Arellano-Bond (1991) 's test de
premier ordre et deuxième ordre
autocorrélation dans le premier
différencié
des perturbations. Le nul l'hypothèse
est cette il y a pas d'autocorrélation
dans le premier différencié erreur à
commander un et à commandez
deux. Bien que, quand les idiosyLes
erreurs ncratiques sont
indépendantesde manière identique
et identique
distribué, c'est à dire,
! "" # $% Et
*
(
) ,le premier différencié les erreurs
sont Premier ordre serially corrélé
ou
AR (1).
En général, les résultats de
l'estimateur GMM donner une valeur
de vitesse de convergence, ou
, entre zéro
et un à confiance niveau de
95%.Tout choc à bénéfices va
persisteravant convergent à leur
à long terme niveau d'équilibre, c'est
à dire, leur industrie un Vérage,
après un certain temps. le vitesse à
lequel
bénéfices revenir à la normale est
Ralentissez comme
est plus proche à une. UNE vitesse
de convergence plus proche de un
implique
8
persistance de bénéfices, wqui est
une signe de inférieur diplômes de
compétitivité parmi IMF. Tandis
que, une
valeur égale à zéro indique zéro
persistance de les bénéfices et
implique que la concurrence est
suffisamment
féroce que un profit anormal gagné
en une certaine année ne persiste pas
du tout dans ce qui suit année
(Goddard et al., 2004). Et une valeur
proche de zéro implique un
ajustement rapide des
bénéficesDakota du Nord
anormal bénéfices cette se faner une
façon plus de timoi. Ce suggère cette
compétition est Moins féroce
because
obstacles à entrée ou autre les
empêchements à la concurrence sont
efficace pour dans une certaine
mesure (Goddard et al.,
2004).
2.3. Variables et hypothèses
La rentabilité indique la dans quelle
mesure entreprise génère des
revenus de ses atouts par rapport
à ses dépenses et autres coûts
pertinents supportés pendant une
période déterminée dumoi. Nous
utilisons le ratio de
retournez actifs à évaluer la
rentabilité. leretournez ratio des
actifs , abrégépar ROA, également
connu
comme la revenir sur investissement,
spectacles Comment bien un
institution utilisé ses les atouts à
produire résultats. Dans
En d'autres termes, il mesure
l'efficacité avec dont la gestion a
utilisé ses ressources obtenir
le revenu. Il est calculé comme la
net d'exploitation revenu, moins les
taxes, divisé par l'average total des
actifs
(The Mix Market, 2014; Le réseau
Seep, 2010).
Un grand nombre d’études ont
évalué le financement des
IMFperformance initiale exprimée
par la capacité à
survivre heures supplémentaires, en
utilisant financier indicateurs de
durabilité, à savoir the ratio deauto
opérationnel
suffisance (OSS), le rapport de
l'autosuffisance financière (FSS) et
le indice d'autosuffisance (SSI).
Cependant, l’ utilisation de
mesures de rentabilité res plutôt
que la soutenabilité financièrey
mesures est
conseillé dans le guide sur
Microfinance Financier Rapport
Normes (Le suintement Réseau,
2010 page 2) en évaluantg le
financier performance de IMF. le
guider justifié le rejet de
OSS et FSS au fait qu’ils deviennent
moins utiles en tant que mesures de
la performance financière une fois
IMF dépasser le seuil de rentabilité
point, soit 100% durabilité. Ainsi, le
revenir sur ratio d'actifs est meilleur
aptes à analyser la performance
financière d'une IMF établie.
nous utilisation la variable un ans en
retard rentabilité (ROA
-1
) à évaluer la persistance de
bénéfices
plus de temps. lecoefficient rélatif
pour ça variable dans la dynamique
le modèle indiquela vitesse de
convergence de bénéfices à leur à
long terme équilibre niveaux. nous
suppose que précédent rentabilité
les valeurs ont unimpact positif sur
le current valeurs de rentabilité.
Nous prédisons aussi la vitessede
convergence ne pas être
extrêmement vite, puisque
compétitivité ltous sont ne pas
généralement haute assez dans
le secteur de la microfinance.
nous sélectionnez nos régresseurs
principalement après examiner le
allumé existantèreture relating la
déterminants de
performance financière eXpressed
en tant que fonction de interne
facteurs et facteurs externes. Tableau
1
résume les hypothèses discutées
dans la présente section.
2.3.1. Facteurs internes
Positif
Facteurs internes
Structure de financement Financement par
actions: CAR positive
Risque de crédit Risque de défaut: PAR30
Négatif
Inefficience Coût inefficience: CPDL
négatif
Rayonnement Profondeur du
social
rayonnement: LBBGC Indéfinie
Étendue de la portée: APGL indéfini
Taille de l'entreprise Total de l'actif: logTA
Positif
Facteurs externes
Développement économique général Force
économique: GNIPC négatif
Les anticipations d'inflation restés à la
traîne des taux d'inflation d' un an: INFL
-
1
Négatif
Dépréciation de la monnaie locale
Variation du taux de change: FXVAR
Négatif
Qualité des institutions État de droit et
ouverture du marché: PR, FF Positif
Mannequins
avant 2007 Indéterminée
Crise financière
Après 2007 négatif
21
Tableau 2 Statistiques descriptives
univariéesple)
Variable N signifie moiDian St.Dev.
Min. Max.
Rendement de l'actif 2534
0,03
0,03
0,06
-0,52
0,36
Ratio capital sur actif 2534
0,31
0,23
0,23
-1.20
1,00
Ratio du portefeuille à risque de plus de 30
jours 2388
0,06
0,03
0,09
0.00
1,00
Coût par dollar prêté 2531
22.14
17.12
22,79
0,85
670.18
Solde du prêt par emprunteur en RNB per
habitant 2491
0,63
0,29
1,28
0,02
33,93
Portefeuille brut de prêts - Actifs 2532
0,78
0,81
0,15
0,03
1,54
Log Actif total 2534
16,65
16,51
1,82
10.28
22,36
RNB par habitant 2498
2553.74
1890.00
2058.57
100.00
12250.00
Inflation retardée d'un an 2483
0,07
0,06
0,05
-0,10
0,53
Variation du taux de change 2482
0.00
0.00
0,07
-0,28
0,66
Droits de propriété 2421
33,38
30.00
11.05
0.00
90.00
Liberté financière 2421
49,27
50.00
14,75
10.00
90.00
22
Tableau 3 Nombre d'IMF par région et
par pays
Région Pays (Nombre d'IMF) Total
Asie de l’Est et Pacifique Cambodge (12), Chine (2), Timor oriental
(1 ), Indonésie (4), Papouasie Nouvelle
23
Table 4 Estimation reles sultats pour la
dynamicro spécifique à chaque individu
effets modèle
utilisant l'estimateur GMM standard
ROA
0
1
2
3
L1. .5214277 ***
(8.74)
.5238241 ***
(10.04)
.5439977 ***
(9.56)
.5173531 ***
(9,87)
CAR .0956222 ***
(2,99)
.0991903 ***
(3.09)
.0969537 **
(2,58)
.1086677 ***
(3.35)
PAR30 -.1225789 ***
(-2,92)
-.1177736 ***
(-3,29)
-.1365274 ***
(-2,85)
-.1200275 ***
(-3,29)
CPDL -.1368661 ***
(-5,55)
-.1518621 ***
(-4.15)
-.1275477 ***
(-6,54)
-.1522114 ***
(-4,83)
LBBGC .1625502
(0.64)
-0,2285982
(-0.10)
.0900344
(0,32)
-.0525113
(-0.17)
APGL .0441795 **
(2.24)
.02449
(1,27)
.0363688
(1,64)
.0270281
(1,40)
logTA 1.013625 **
(2,35)
1.192334 **
(2.17)
1.129822 **
(2,41)
1,340168 **
(2.43)
FXVAR
-045199 **
(-2,42)
-0357308 **
(-2,02)
INFL-1
-.121734 ***
(-5.05)
-.1315359 ***
(-5,61)
GNIPC
-.0006068 **
(-2,13)
-.000673 **
(-2,37)
PR
.0499066 *
(1,66)
.0393927
(1,42)
FF
.0178938
(0,73)
.0149098
(0.65)
Interception -18.42727**
(-2,28)
-17,15647 *
(-1,80)
-22.4187 **
(-2,41)
-21.835 **
(-2,22)
Nombre de
21
instruments
25
24
27
Nombre de
1632
Observations
1567
1556
1528
Nombre d'IMF 361
354
349
346
Wald chi2 160.84 ***
200,51 ***
157,20 ***
197.02 ***
Test Sargan (non
32.8593 ***
robuste)
19.46921
32.23715 ***
17.01652
Arellano
Test de liaison
AR (1) -4,851 ***
-4,8813 ***
-5,7489 ***
-5,8473 ***
AR (2)
-.79482
-.31674
-1,22
-1,3193
Robuste les estimations étaient effectué en
utilisant la norme Estimateur GMM
(xtabond). le t-statistiques
sont en pareilneses et sila signification à la
dix%, 5% et 1% le niveau est dénoté par *,
** et ***
respectivement.
Sargan test Ho: o voir l' identification
restrictions sont valides. Test Arellano-
Bond H o: non
autocorrélation. L'importance au niveau
10%, 5% et 1% est notée by *, ** et ***
respectivement.
24
Table 5 Estimation reles sultats pour la
dynamicro spécifique à chaque individu
effets modèle
en utilisant l'estimateur GMM du
système
ROA
0
1
2
3
L1. .5287881 ***
(9.81)
.5130957 ***
(10.44)
.5392829 ***
(11.11)
.505603 ***
(10.56)
DAC .0811497***
(3.05)
.0785256 **
(2,59)
.0760249 ***
(2.60)
.0823895 ***
(2,77)
PAR30 -.1105683 ***
(-2,82)
-.1107473 ***
(-3.11)
-.1362217 ***
(-2,97)
-.1159829 ***
(-3.19)
CPDL -.1230045 ***
(-4,71)
-.139377 ***
(-3,95)
-.1185193 ***
(-5,69)
-1452535 ***
(-4,70)
LBBGC .2317013
(0.92)
.017788
(0,06)
.1695997
(0.62)
.0075164
(0,03)
GLPA .033579 *
(1,73)
.019838
(1.03)
.0252307
(1,21)
.0198487
(1.04)
logTA .9636038***
(2,64)
.9299299 *
(1,91)
1.04329 **
(2,55)
1.045808 **
(2.10)
FXVAR
-0463103 **
(-2,53)
-0373747 **
(-2,20)
INFL-1
-.1235454 ***
(-5.28)
-.1324043 ***
(-5,83)
GNIPC
-.0005322 **
(-2,21)
-.0005897 **
(-2,37)
PR
.0576648 *
(1,90)
.0370363
(1.34)
FF
.0181665
(0,74)
.0178765
(0,81)
Interception -16.81022 *
(-2,49)
-12.2603
(-1,39)
-20.03111 **
(-2,50)
-16.02364 *
(-1,75)
Nombre de
27
instruments
30
29
32
Nombre de
2036
Observations
1965
1946
1916
Nombre d'IMF 362
357
350
349
Wald chi2 224.02 ***
285.52 ***
223,94 ***
284.04 ***
Test Sargan (non
38.9721 1***
robuste)
22.06245
37.85121 ***
20.25659
Arellano
Test de liaison
AR (1)
-4.9923 ***
-5,0809 ***
-6,2728 ***
-6,2269 ***
AR (2) -.80765
-.39395
-1.2663
-1,3879
Estimations robustes ont été effectuées en
utilisant le système Estimateur GMM
(xtdpdsys). Les statistiques t sont
entre parenthèses et importance à le 10%,
5%, et 1% le niveau est noté par *, ** et
***
respectivement.
Sargan test Ho: sur l'identification
restrictions sont valides. Arellano-Bond test
Ho: non autocorrélation. Importanceà la
Le niveau 10%, 5% et 1% est noté by *, **
et *** respectivement.
25
Tableau 6 Résultats des estimations
pour la dynamique individuelle et
bidirectionnelle à sens unique et à
double sens
modèles d'effets temporels utilisant la
norme GMM aEstimateurs GMM du
système
ROA Standard GMM Système GMM
L1. .5173531 ***
(9,87)
.5010052 ***
(8.62)
.505603 ***
(10.56)
.4902359 ***
(10.08)
DAC .1086677***
(3.35)
.0967871 ***
(3.02)
.0823895 ***
(2,77)
.0848719 ***
(2,88)
PAR30 -.1200275 ***
(-3,29)
-1276565 ***
(-3.18)
-.1159829 ***
(-3.19)
-.1217172 ***
(-3,05)
CPDL -.1522114 ***
(-4,83)
-.1567947 ***
(-4,88)
-1452535 ***
(-4,70)
-1482883 ***
(-4,94)
LBBGC -.0525113
(-0.17)
-.1085986
(-0,38)
.0075164
(0,03)
-0622414
(-0,23)
GLPA .0270281
(1,40)
.0300292
(1,52)
.0198487
(1.04)
.0274622
(1,40)
logTA 1.340168 **
(2.43)
1.897428 ***
(2,73)
1.045808 **
(2.10)
1.712916 ***
(2,69)
FXVAR -.0357308 **
(-2,02)
-.0198173
(-0,84)
-0373747 **
(-2,20)
-.0193714
(-0,82)
INFL-1 -.1315359 ***
(-5,61)
-.0948444 ***
(-3,05)
-.1324043 ***
(-5,83)
-0963153 ***
(-3,32)
GNIPC -.000673 **
(-2,37)
-.0001848
(-0,59)
-.0005897 **
(-2,37)
-.0001021
(-0,36)
PR .0393927
(1,42)
.0476459 *
(1,65)
.0370363
(1.34)
.0432675
(1,54)
FF .0149098
(0.65)
-0122878
(-0,51)
.0178765
(0,81)
-0118226
(-0,50)
Interception -21.835 **
(-2,22)
-31.07517 **
(-2,51)
-16.02364 *
(-1,75)
-27.71516 **
(-2,41)
YR2
1.114487 ***
(3.40)
1.097956 ***
(3,79)
YR4
-.5412786
(-1,63)
-4849141
(-1,56)
YR5
-.9812647 *
(-1,73)
-.9704114 *
(-1,82)
YR6
-7035021
(-1,13)
-7327742
(-1,40)
YR7
-.9088596
(-1,22)
-.923559
(-1,53)
Nombre de
27
instruments
32
32
37
Nombre de
1528
Observations
1528
1916
1916
Nombre d'IMF 346
346
349
349
Wald chi2 197.02 ***
229.06 ***
284.04 ***
329.58 ***
Test Sargan (non
17.01652
robuste)
19.72653
20.25659
21.1498
Arellano
Test de liaison
AR (1) -5,8473 ***
-5,7601 ***
-6,0035 ***
-5,9318 ***
AR (2)
-1.3193
-1,3682
-1,385
-1,4246
Estimations robustes ont été effectuées en
utilisant standae GMM et système
Estimateurs GMM (xtabond
et xtdpdsys). Les t-statistiquessont dans
parenthèses et signification à til 10%, 5%,
et 1% niveau
est notée par *, ** et *** respectivementy.
Sargan test Ho: sur l'identification
restrictions sont valides. Arellano-Bond test
Ho: non autocorrélation. Importanceà la
Le niveau 10%, 5% et 1% est noté by *, **
et *** respectivement.
26
Les chiffres
Figure 1 Rentabilité moyenne par
région
3,16
1,9
2,3 2,38
2005 2006 2007 2008 2009 2009 2010 2011
ROA
27
1
Jeffrey M. Wooldridge
Vue
Chapitre
o Mai 2011
o
Beatriz Armendáriz
Ariane Szafarz
Vue
Afficher le résumé
Article
o Janvier 1991
o REV ECON STUD
o M. Arrelano
o SR Bond
Vue
Evolution récente de la microfinance et impact de la crise financière
Article
o Janvier 2011
o
Robert Lensink
Vue
Afficher le résumé
Article
o Janvier 2002
o RP Christen
o D. Drake
Vue
Article
o Nov 2013
o WORLD DEV
o
Charlotte Wagner
o
Adalbert Winkler
Vue
Afficher le résumé
Article
o Février 2013
o Changement de strat
o
Lâma Daher
Erwan Le Saout
Vue
Afficher le résumé
Article
Texte intégral disponible
o Nov 2012
o Changement de strat
o
Carlo Milana
Arvind Ashta
Vue
Afficher le résumé
Article
o Juil 2000
o J BANK FINANC
o Allen N. Berger
o Seth D. Bonime
o
Daniel Covitz
Diana Hancock
Vue
Afficher le résumé
Article
o Jan 2013
o Appl Financ Econ
o
Esubalew Assefa
Niels Hermes
Aljar Meesters
Vue
Afficher le résumé
Montre plus