ROY BOU KHEIR

Mots-clés : performance financière, performance sociale, institutions micro financières, arbres de régression, arbres de classification, mécanismes de gouvernance

Résumé : Les performances financières et sociales sont des caractéristiques institutionnelles importantes qui permettent aux pauvres et aux 'quasi-pauvres' d'avoir accès aux crédits dans des conditions favorables, et aboutissent en même temps à un fonctionnement durable et aux mécanismes efficaces de gouvernances dans les institutions micro financières (IMFs). Dans ce contexte, cette étude a été menée afin de déterminer les variables financières/sociales/gouvernables qui peuvent influer les indicateurs de performance financière et sociale des IMFs à l'échelle mondiale; et de développer pour la première fois des arbres logiques décisionnels (en grappes) simples et pratiques qui peuvent être considérés comme des outils précieux aidant la mise en oeuvre de stratégies efficaces pour les différents types des IMFs (à but lucratif et non lucratif) à l'échelle nationale. La première partie de cette thèse expose les données financières et sociales globales qui ont été extraites au cours des cinq dernières années (2007-2011) à partir de plusieurs bases de données bien connues (ex. Microfinance Information Exchange, Mix Market, Rating fund, etc...) pour les IMFs choisies classées comme ayant 4 ou 5 diamants (soit, 263 IMFs à but non lucratif et 135 IMFs à but lucratif) distribuées à travers les continents. Parmi les 263 IMFs à but non lucratif, l'échantillon de données a été composé de 192 organisations non-gouvernementales (ONGs), 42 institutions non bancaires et 29 coopératives. Un grand nombre de variables prédictives (54) ont été recueillies reflétant les aspects de l'environnement financier de ces IMFs (par exemple l'index des dépenses administratives, l'index de solvabilité, le coût par prêt, le nombre des déposants, etc...), les caractéristiques sociales (ex. profondeur, pourcentage des emprunteurs actifs 'femmes', marché rural/urbain, niveau de pauvreté, etc...) et les mécanismes de gouvernance (ex. la taille de l'entreprise, la taille du conseil, la régulation, l'audit, l'affiliation à un réseau, l'assurance, etc...). Cette 1ère partie compare également l'efficacité de la plupart des méthodes/modèles statistiques les plus utilisés (incluant la régression linéaire, la régression logistique, les méthodes bayésiennes, les réseaux artificiels des neurones, l'analyse en composantes principales, etc….) pour estimer les indicateurs de performance financière et sociale au sein des IMFs. Elle inclue aussi une description détaillée du processus de construction des arbres décisionnels en grappes qui peut être utilisé pour cette estimation ainsi que toutes les étapes reliées (comprenant l'évaluation des divisions, l'assignement des catégories aux nœuds, les valeurs manquantes avec des répartiteurs de substitution, les critères d'arrêt, etc….).La deuxième partie explore les relations quantitatives entre les quatre indicateurs de performance financière les plus couramment utilisés [autosuffisance opérationnelle (operational self-sufficiency OSS), marge bénéficiaire (profit margin PM), rendement des actifs (return on assets ROA), et rendement des capitaux propres (return on equity ROE)] et les principales variables prédictives pour les IMFs choisies à but non lucratif (incluses à partir de 53 pays) à travers l'application de la modélisation par arbre de régression. Pour chaque indicateur de performance financière, plusieurs arbres de régression non élagués (684) ont été développés : (i) en utilisant toutes les variables prédictives, (ii) en utilisant toutes les variables prédictives financières seulement, (iii) en utilisant toutes les variables prédictives sociales seulement, (iv) en utilisant toutes les variables prédictives de gouvernance seulement, (v) en appliquant une seule variable prédictive à la fois, (vi) en excluant chaque variable à la fois du groupe potentiel des variables prédictives, et (vi) en forçant la séparation initiale de l'arbre à travers l'utilisation de la variable prédictive préférée afin d'explorer le pouvoir prédictif