Spelling suggestions: "subject:"anstitutions micro financière"" "subject:"onstitutions micro financière""
1 |
Application des arbres décisionnels en grappes pour prédire la performance des institutions microfinancières / Application of decision-trees for predicting the performance of microfinance institutionsBou Kheir, Roy 28 June 2013 (has links)
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 œuvre 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 ... / Financial and social performances are important institutional characteristics that allow ‘the poor and the near-poor' to have access to credit in favorable conditions, and drives sustainable efficiency and effective governance mechanisms in MFIs (microfinance institutions). In this context, this study was conducted to determine the most influencing financial/social/governance variables (with their relative importance in %) that may affect the financial and social MFI performance indicators on worldwide basis; and to develop simple and practical microfinance tree-models (for the first time) that can be considered valuable tools helping with the implementation of efficient strategies among nonprofit and profit MFIs at a national scale.The first part of this thesis exposes the global financial and social data that has been extracted over the five recent years (2007-2011) from several well-known databases (e.g., Microfinance Information Exchange, Mix Market, Rating fund, etc.) for the chosen MFIs ranked four or five diamonds (i.e., 263 nonprofit MFIs and 135 profit ones) distributed widely over the continents. Among the 263 nonprofit MFIs, the data sample was composed of 192 Non-Governmental Organizations (NGOs), 42 non-bank institutions and 29 cooperatives. A large number of predictor variables (54) have been collected capturing aspects of the financial environment of these MFIs (e.g., administrative expense ratio, ratio of solvency, cost per loan, number of depositors, write-off-ratio, etc.), the social characteristics (e.g., depth, percent of women active borrowers, rural/urban market, poverty level, etc.) and the governance mechanisms (e.g., firm size, board size, regulation, audit, network affiliation, insurance, etc.). This first part compares also the efficiencies of the most used statistical methods/models (including linear regression, logistic regression, Bayesian methods, artificial neural networks, cluster analysis, principal component analysis, decision-trees, etc.) for estimating diverse financial and social performance MFIs' indicators. It includes also a detailed description of the tree building process that has been used for such estimation and all related steps (involving evaluating splits, assigning categories to nodes, missing values with surrogate splitters, stopping criteria, etc.).The second part explores quantitative relationships between the four commonly worldwide used financial performance indicators (operational self-sufficiency OSS, profit margin PM, return on assets ROA, and return on equity ROE) and key financial/social/governance predictor variables for the chosen non-profit MFIs (included from 53 countries) through the application of regression-tree modeling. For each financial performance indicator, several un-pruned regression trees (684) were developed: (i) using all predictor variables, (ii) all financial predictor variables only, (iii) all social predictor variables only, (iv) all governance predictor variables only, (v) applying only a single variable at a time, (vi) excluding each variable one at a time from the potential pool of predictor variables, and (vii) forcing the initial split of the tree using the preferred predictor variable for exploring the predictive power of independent predictors. The obtained results demonstrate that the strongest relationships were associated with ROE and ROA, the proportion of variance explained being equal to 99.8% and 99.5% respectively, followed by PM (97%) and OSS (95%). The second part also showed that the financial predictor variables did interfere differently in building the financial performance regression trees and associated relationships where ; administrative expense ratio influenced ROE (100%) ; average loan balance per borrower affected OSS (100%); cost per borrower, number of depositors, operating expense:loan portfolio, and risk coverage had significant impacts on ROA/ROE (98.5-100%).
|
Page generated in 0.1022 seconds