Qu’est ce qui détermine durablement la performance bancaire ?

Données et méthodologie Dans cette partie, les données et le modèle économétrique seront développés. Dans un premier temps, nous décrirons les différentes sources où nous avons récupéré des données, puis les spécificités de notre modèle seront également développées. 

Données

Cette étude prend en compte les banques africaines conventionnelles et islamiques mondiales cotées en bourse. Nous choisissons des banques cotées en bourse car notre étude utilise des mesures de performance des actions comme indicateurs de performance dans le secteur bancaire. Notre échantillon est divisé en 48 BIs et 61 BCs (Tableau 2) sur la période 2006-2015. Pour mener cette étude, nos données sont extraites de différentes sources: (i) les données bancaires sont extraites de la base de données Bankscope; (ii) les données boursières (ici les cours boursiers et la capitalisation boursière) proviennent de Datastream et (ii) les données macroéconomiques permettant de tenir compte de l’hétérogénéité des pays en termes de performance économique et financière sont obtenues à partir des indicateurs de développement du site Web de la Banque mondiale. Les significations des principales variables sont regroupées dans le Tableau 4. (iv) Les taux sans risque ont été principalement téléchargés à partir des sites Web des Banques centrales des pays concernés, ils sont représentés par des bons du Trésor d’une échéance de 91 jours, pour certains 84 pays, nous utiliserons le taux du bon du Trésor américain à échéance d’un mois extrait des données de Kenneth Fama-French Library60.Nous calculons le rendement des actions en utilisant une approche arithmétique61, les mesures de performance de Treynor et Jensen sont basées sur le MEDAF62 (modèle d’évaluation des actifs financiers), utilisant différents indices boursiers comme proxy de marché. Ces indices sont obtenus directement à partir de Datastream. Dans l’ensemble, notre matrice de corrélation, comme indiqué dans le Tableau 5 suggère que nos variables sont pour la plupart significativement corrélées bien que leur valeur ne soit pas élevée pour suspecter une multicolinéarité potentielle. Des statistiques descriptives sont présentées dans le Tableau 3, qui prend en compte les différentes variables des deux catégories de banques (BIs et BCs). 

Modèle empirique et la performance

Dans un premier temps, nous parlerons du modèle empirique et de ses spécificités, puis des mesures de performance et des variables exogènes seront développées. 3.2.1 Modèle empirique Afin d’étudier les facteurs de performance des banques, nous suivons Athanasoglou, et al. (2008) ; Dietrich et Wanzenried (2011) ; García-herrero et coll. (2009) et Pathan & Faff (2013) en mettant en place la spécification suivante: Avec PFOit qui représente la performance de la banque i au temps t (ici l’année), βi et δi sont les paramètres à estimer, Xit représente la matrice des variables bancaires, Fit est la matrice qui prend en compte les variables macroéconomiques et ߝ௜௧ est le terme d’erreur, ߤ ௜capture l’effet fixe entre les banques. PFOit-1 quant à lui, représente la variable retardée de la performance, qui varie en fonction des spécificités régionale et des facteurs macroéconomiques, comme le suggère Berger, et al, (2000). Afin d’estimer nos paramètres, nous mobilisons l’approche de panel dynamique suggéré par Arellano & Bond (1991). L’équation en première différence de 88 l’équation (1), avec ∆ comme l’opérateur de première différence, donne ce qui suit :  Dans le cadre des régressions de panel dynamique avec effets fixes, Nickell (1981) fait apparaître la persistance de l’orthogonalité qui produit des biais pour les paramètres des valeurs retardées de certaines variables, ceci quelle que soit la taille de l’échantillon car par construction, il existe toujours une corrélation entre . Arellano & Bond (1991) soutiennent que l’approche des variables instrumentales ne tient pas compte de toutes les informations disponibles. Ils proposent donc la méthode des moments généralisés (MMG) qui est fondée sur la restriction des moments tout en produisant des estimateurs plus pertinents, car combine à la fois la méthode des moindres carrés généralisés avec celle des variables instrumentales. Cependant, Arellano & Bover (1995) ; Blundell & Bond (1998) postulent que dans la plupart des cas, les variables retardées en niveau sont de mauvais instruments pour les variables en premières différences et surtout lorsque ces dernières sont proches d’une démarche aléatoire. Ils innovent l’équation (2) en ajoutant à la fois les variables retardées en niveau et les variables en différences. Leur modèle est connu sous le nom de système GMM qui permet de contrôler l’hétérogénéité non observée, la persistance et l’endogénéité des variables dépendantes.