Les déterminants du risque opérationnel : Evidence empirique

Les déterminants du risque opérationnel : Evidence empirique
Nsaibi Mariem 1 , Rajhi Mohamed Taher 2
Département de Finance, Université Tunis El Manar, B. P 248 El Manar II 2092, Tunis
Résumé
L’étude des facteurs explicatifs du risque opérationnel des firmes bancaires est l’objet de ce papier. A
partir d’un échantillon de 1176 incidents opérationnels de 14 banques durant la période 2006–2013,
nous essayons d’étudier l’impact des facteurs microéconomiques et macroéconomiques sur la
sinistralité des pertes opérationnelles d’une firme bancaire. Les tests de régressions révèlent que
l’environnement macroéconomique joue un rôle important dans l’explication des pertes
opérationnelles bancaires. En effet, les pertes opérationnelles augmentent dans les pays à un niveau de
vie élevé et plus précisément lors des périodes de décroissance économique. Quant aux facteurs
microéconomiques, la taille et le lieu géographique de la firme bancaire influencent positivement et
significativement le risque opérationnel. En outre, nous notons que les principales sources des pertes
opérationnelles survenues durant la période 2006-2013 sont de type «Clients, Produits et pratiques
commerciales » et «Exécution, livraison et gestion des processus» qui ont eu lieu dans des lignes
d’affaires de nature financière (Financement des entreprises, Activité de marché, Banque
commerciale…).
Dans une deuxième partie, nous étudions l’impact des mécanismes de gouvernance bancaire sur la
gestion du risque opérationnel à travers cinq indicateurs. Les résultats d’estimation dévoilent
seulement quatre mécanismes de gouvernance qui ont des effets significatifs sur la gestion du risque
opérationnel à savoir : la taille du conseil d’administration, l’application des normes IFRS, la présence
du comité des risques et des administrateurs indépendants au sein du conseil d’administration.En
revanche, le cumul des fonctions du président directeur général et du président du conseil n’a aucune
incidence sur l’atténuation des pertes opérationnelles des 14 banques retenues dans notre échantillon.
Mots clés : Risque opérationnel, Bâle II, Approche de Mesure Avancée, gouvernance bancaire,
dualité.
1
Doctorante au sein de la Faculté des Sciences Economiques et de Gestion de Tunis
Email : [email protected]
Téléphone : 00 216 50 60 12 30
2
Professeur à la Faculté des Sciences Economiques et de Gestion de Tunis
Email : [email protected]
Téléphone : 00 216 21 10 77 06
1
Introduction
Suite à l’occurrence des pertes opérationnelles colossales durant ces dernières années (le cas
de l’effondrement de la Barings Bank en 1995, la perte du National Australia Bank en 2001,
l’affaire d'Enron en 2005, le cas de la Société Générale et la dernière crise des subprimes en
2007), la prévention des crises bancaires est devenue une priorité pour les banquiers, les
gouvernements et les autorités de régulation. Ces scandales bancaires, expliquées par des
faiblesses dans les pratiques bancaires de gestion des risques, ont engendré non seulement une
mauvaise réputation de l’institution financière, mais plutôt une déstabilisation du système
financier dans son ensemble. De ce fait, la seule voie possible pour les institutions bancaires
est de préparer leurs fonctions risk-management afin de restaurer la confiance envers leurs
actionnaires, leurs clients et les régulateurs et par conséquent garantir leurs pérennités, à long
terme, et donc la stabilité du système financier mondiale. En revanche, l’étude des
dysfonctionnements opérationnels constitue un défi pour les chercheurs et ce suite à
l’indisponibilité des données fiables, en raison de la confidentialité avec laquelle les
institutions traitent leurs pertes opérationnelles d’une part et d’autre part, suite à la difficulté
de la modélisation du risque opérationnel en raison de l’hétérogénéité de ses origines3 .
Bien que ces éventuelles et les scandales financiers, qui ont secoué le monde ces dernières
années, aient stimulé la recherche sur les déterminants de ces types de faillites. De ce fait, de
nombreuses études empiriques ont été abordées afin d’identifier les facteurs explicatifs du
risque opérationnel4 tels que les travaux de : Shih et al (2000), Haturg (2006) Na (2006), Wei
(2007) ,Mc Connell(2008), Moosa (2008), Cope et al (2008, 2012), Ammanda (2010), Dahen
et Dionne (2010), Chernobai (2011), Imad Moosa (2011), Moosa et Silvapulle (2012), Moosa
et Li (2013a,2013b), Ahmad Bello (2013), Christian et al (2015)…
La majorité des travaux empiriques ont dévoilé que les incidents opérationnels sont
imputables non seulement à des facteurs spécifiques mais plutôt à l’environnement externe
dans lequel opère l’institution bancaire.
Dans ce cadre, l’étude des déterminants du risque opérationnel fait l’objet du présent papier.
La première section s’intéressera à la revue de la littérature traitant les facteurs déterminants
3
Les pertes peuvent être causées par des événements internes (inadéquation des systèmes informatiques) et par
des événements externes (catastrophes naturelles ou fraudes externes à l’institution).
4
Le comité de Bâle II en 2001 a définit le risque opérationnel comme étant « le risque de pertes dues à une
inadéquation ou à une défaillance des procédures, des personnels, des systèmes internes ou à des événements
extérieurs».
2
de la sinistralité des pertes opérationnelles. La deuxième section exposera la méthodologie
utilisée ainsi les principaux résultats obtenus.
Section 1 : Revue de la littérature
La crise des subprimes a fait jaillir le doute sur la méthode dont les institutions bancaires
géraient leurs risques de crédit5 et de marché6. Les pertes enregistrées lors de la crise peuvent
se comprendre comme une crise classique d’octroi de crédit non maîtrisée. Néanmoins,
plusieurs études empiriques ont montré qu’elles sont de nature opérationnelle et plus
précisément à des comportements inappropriés, des évaluations erronées d’actifs subprimes,
et des pratiques bancaires frauduleuses. En d’autres termes, l’origine des pertes marquées
durant la dernière crise sont imputables à des dysfonctionnements opérationnels et non pas
au risque d’insolvabilité des clients. De ce fait, la gestion du risque opérationnel est devenue
une priorité pour les gestionnaires de risque, les autorités de régulation et les chercheurs.
D’importantes avancées dans la compréhension des scandales bancaires ont été abordées et
plus précisément l’origine de la survenance des pertes opérationnelles tels que les travaux de :
Shih et al (2000), Haturg (2006) Na (2006), Wei (2007), Moosa (2008), Cope et al (2008,
2012), Ammanda (2010), Dahen et Dionne (2010), Hess(2010), Chernobai (2011), Moosa et
al (2012,2012b, 2013), Christian et al (2015)…). Cette variété de littérature a été motivée par
les répercutions considérables des faillites bancaires sur les différentes parties prenantes de
l’institution bancaire et par conséquent sur la stabilité du système financier mondiale.
Les facteurs spécifiques à l’institution financière :
-Taille comme déterminant du risque opérationnel :
La question de la taille de la banque, comme déterminant de la sévérité des pertes
opérationnelles, a été évoqué pour la première fois en 2000 par Shih, Samad-Khan et
Medapa7. Ces derniers ont étudié la relation entre trois indicateurs de taille et les pertes
opérationnelles à travers 4700 incidents opérationnels d’une banque durant une période de
cinq ans.
Les résultats ont montré l’existence d’une relation non linéaire entre les indicateurs de la
taille d’une firme bancaire et l’occurrence des pertes opérationnelles. En effet, le revenu, le
5
Le risque de crédit est le risque d’insolvabilité du l'emprunteur à l'échéance
Le risqué de marché est le risque de perte d’ une évolution défavorable des prix actifs financiers sur le marché
(taux d’intérêt, cours de change...)
7
Shih, J., Samad-Khan, A., and Medapa, P. (2000), “Is the size of an operational loss related to firm size?”
Journal of Operational Risk, 2, 1–2
6
3
nombre d’employé et le total des actifs sont fortement corrélés avec le montant des pertes
opérationnelles.
Néanmoins, cette étude a été critiqué par l’étude de Haturg (2004) puisque la variable
explicative taille n’explique que 5% des montants de pertes opérationnelles (R2ajusté
=5,35%). Il a montré que les pertes opérationnelles ne sont pas expliquées seulement par la
taille de l’institution mais plutôt par la cause de l’incident opérationnel.
Dans le contexte américain, Chernobai et al (2007) ont analysé l’incidence de la taille de
l’institution bancaire sur 1159 incidents opérationnels de 160 banques américaines durant la
période du 1980-2003. Les résultats suggèrent que la taille, l'effet de levier, la volatilité de la
rentabilité et le nombre d'employés sont les facteurs explicatifs des pertes opérationnelles.
Quant au contexte Allemand, Cope et al (2008) ont analysé la faillite de la Baring et celle
d’Allied Irish Bank. Ils ont résulté que le revenu brut n’a aucune incidence sur l’occurrence
des pertes opérationnelles et il ne reflète pas l’exposition réelle au risque opérationnel.
Ce constat a été confirmé par ceux trouvés par: Dahen et al (2010), Moosa et Li (2012,
2013,2015) et Christian (2015)…. Ces derniers ont fait la preuve que la taille de la firme
bancaire n’a aucun effet sur la fréquence et la sévérité des pertes opérationnelles. En d’autres
termes, toutes les institutions bancaires sont exposées aux risques opérationnels quelque soit
leurs tailles.
- Les lignes de métier8:
De nombreuses recherches ont montré que l’occurrence des pertes opérationnelles dépend de
la ligne d’affaire où l’incident opérationnel a eu lieu.
Les travaux de BIS-4 ont analysé 177 incidents opérationnels de 27 institutions financières
durant la période 2001-2004. Les résultats empiriques ont montré que les banques de détail
sont plus sensibles à avoir des pertes opérationnelles extrêmes que les banques commerciales.
En d’autres termes, les opérations des activités de collecte octroi de crédit, des opérations de
conseils en placement et des services de gestions des cartes bancaires sont plus risqués que les
activités de financements des projets immobiliers, de financements des exportations et de
gestion de crédit bail. Ce résultat a été confirmé par l’étude de Dahen et Dionne (2010).Ces
derniers ont analysé 1056 incidents opérationnels survenus sur une période de 10 ans (1994-
8
Le comité de Bâle II a défini huit lignes d’activité (annexe 1)
4
2004). Ils ont montré que la significativité du modèle s’est améliorée lors de l’ajout de la
variable Banque Commerciale (de 4,32% à 7,16%). En effet, les incidents provenant de la
ligne d’affaire « Services bancaires commerciaux » ont un impact significatif sur la sinistralité
des pertes opérationnelles par rapport aux autres lignes.
Dans le contexte américain, une étude a été menée par Amandha Ganegoda et John R Evans
(2011) afin d’analyser la relation entre le risque opérationnel et l’activité de deux banques sur
une période de 15 ans. Les résultats empiriques ont montré les incidents les activités de
financements des entreprises, des collectivités locales, des administrations publiques sont plus
risqués que les incidents provenant de la ligne d’affaire « courtage de détail ».
-Type d’événement et risque opérationnel 9:
Amandha Ganegoda et John R Evans (2011) ont entamé le sujet des déterminants des pertes
opérationnelles des banques américaines sur une période de 15 ans. Les résultats suggèrent
l’existence d’un pouvoir important du type de l’évènement dans l’explication du risque
opérationnel. En effet, la majorité des pertes extrêmes sont imputables à la diffusion des
informations confidentielles de la clientèle et à une obligation professionnelle envers des
clients particuliers.
Toutefois, ces résultats ont été révisés par d’autres études dans différents contexte dans la
mesure où il existe une forte relation entre le type de l’incident et la perte opérationnelle
autre que les incidents provenant de type "clients, des produits et des pratiques
commerciales". Nous citons par exemple les travaux de: Cannas et al (2009), Gillet et al
(2010), Hess (2011), Li et al (2012b, 2015), Gatzert et Kolb (2013), Biell et Muller(2013),
Brechmann et al. (2014), Fiordelisi et al(2014), Christian Eckert et Nadine Gatzert(2015), Li
et al (2015) ...
Les travaux de Moosa et al (2012b, 2015) révèlent que les événements de type "Fraude
interne" et "Fraude Externes" présentent la sensibilité la plus élevée en matière d’explication
de la sinistralité des pertes opérationnelles.
Cette diversité de revue de littérature, traitant les facteurs déterminants des pertes
opérationnelles, est expliquée par le contexte utilisée (c'est-à-dire le secteur d’assurance,
d’industrie ou bien bancaire), le pays dans lesquelles les banques opèrent (Europe, Amérique,
Irlande, Canada…) et aussi par la fiabilité des données.
En effet, nous pouvons noter qu’une évaluation des risques qui ne prend pas en compte toutes
les conséquences possibles peut résulter à une éventuelle insuffisance des ressources allouées
9
Les autorités réglementaires ont défini sept types de risque opérationnel (Annexe 2)
5
à la gestion de ce risque et donc une sous-estimation de la pertinence des mesures préventives
en matière de risque opérationnel et à la négligence des pertes de réputation10 .
Dans cette filature, la réflexion s’est avancée en matière de détermination des facteurs
explicatifs de la sinistralité des pertes opérationnelles et a prouvé que ces dernières peuvent
être expliquées non seulement aux facteurs spécifiques à la banque mais plutôt aux facteurs
macroéconomiques.
1- Facteurs liés à l’environnement de l’institution bancaire
Bien que l’indisponibilité des données et la différence du contexte utilisé, certains chercheurs
ont essayé d’expliquer la fréquence et la sévérité des pertes opérationnelles par les divers
aspects de l'environnement dans lequel opère l’institution11.
-Lieu géographique comme déterminant du risque opérationnel :
De nombreuses études ont été abordé afin de trouver les preuves de l'effet des facteurs
régionaux sur la sévérité des pertes opérationnelles tels que les travaux de : Dahen et Dionne
(2010), Chernobai et al. (2011) Cope et al (2012), Moosa et Li (2013b), Fiordelisi et al
(2014)...
En 2012, Cope et al ont étudié l’effet régional à travers 57000 incidents opérationnels de 130
banques de pays différents durant une période allant de 2002 jusqu’à 2010. Les résultats
d’estimation ont montré que la variable région géographique est significativement a un
impact positif et significatif sur la sinistralité des pertes opérationnelles. Ils ont dévoilé que les
pays de l’Amérique Latine, des Etats-Unis et de l’Europe East sont les environnements les
plus risqués en termes de risque opérationnel par rapport aux Canada et l’Europe du Nord.
En d’autres termes, l’Amérique Latine, les Etats-Unis et l’Europe de l’Est sont les régions
les plus sensibles d’avoir des pertes opérationnelles extrêmes.
Une autre étude menée par Moosa et Li (2013b)12 sur 4388 incidents opérationnels survenus
dans 11pays13. L’étude a révélé que la distribution des pertes opérationnelles en termes de
fréquence et sévérité diffère d’un à un autre pays. Cette différence est attribuable à la
10
Fiordelisi et al., (2014)
Li2013
12
Imad Moosa et Larry Li 2013: “The frequency and severity of losses: a cross-country comparaison”. Apllied
Economics letters, 2013,20,167-172
13
Afrique, Canada, Chine, Asie de l'Est, Europe, Moyen-Orient, Océanie, Amérique latine, Royaume-Uni et
États-Unis
11
6
différence du type de l’incident prévalant dans chaque pays ou groupe de pays 14 et la
dominance de certain type d’événement dans une ligne de métier15 .
En 2014, Fiordelisi et al ont montré que le lieu géographique représente un déterminant
significatif de la sinistralité des pertes opérationnelles. En effet, les pertes opérationnelles des
banques européennes sont plus importantes que celles des banques américaines. Ce résultat
est justifié par la différence entre les pays en matière de processus de gestion des risques, de
système légal du pays, de degré de conformités aux normes bâloises et à la transparence en
matière de divulgation des informations.
Certes, nous pouvons énoncer qu’il est évident que la fréquence et la sinistralité des pertes
opérationnelles varient à travers les pays. La décision de considérer un pays significatif que
l’autre dépend de plusieurs éléments à savoir : le nombre d'événements des pertes
opérationnels rapporté pour chaque pays, le gouvernement d'entreprise, la situation
économique et politique.
De ce fait, la réflexion financière s’est orientée dans l’étude de relation entre l’environnement
macroéconomique et le risque opérationnel.
-Facteurs macroéconomiques comme déterminant du risque opérationnel:
Les pertes opérationnelles extrêmes entrainent des effets significatifs sur la réputation de tout
établissement de crédit puisque l’activité de ce dernier est fondée principalement sur la
confiance16 . De ce fait, les institutions bancaires sont à l’obligation d’améliorer leurs
manières de gestion de ce type de risque, afin de restaurer la confiance de leurs actionnaires,
leurs clients et les régulateurs. Néanmoins, la crise des subprimes a fait la preuve que les
incidents opérationnels peuvent être causés non seulement par une défaillance ou
inadéquation interne mais plutôt par l’environnement externe dans lequel la banque opère.
Dans ce cadre, une variété des travaux de recherche ont fourni la preuve que les pertes
opérationnelles
sont
environnementaux
tels
cycliques
que
les
et
sensibles
travaux
aux
de :
facteurs
Allen
et
macroéconomiques
Bali
(2007),
et
Azamat
Abdymomunov(2014), Hess (2011, b), Chernobai et al (2011), Moosa Li et (2012,2013 et
2015)…), Hess (2011, b), Chernobai et al (2011), Cope, E. and Carrivick, L. (2013)…
14
Les fraudes internes sont beaucoup fréquent en Afrique, Chine, Japon, Midle East et Amérique Latine mais
d’une faible proportion au Royaume Unis
15
En chine, les fraudes internes sont plus fréquents dans la ligne d’affaire « banque commercial » alors que les
fraudes internes aux Etats-Unis sont plus fréquent dans les lignes de métier courtage de détail et gestion d’actif
16
Kamiya et al. 2013, Fiordelisi et al, 2014 Cummins et al, 2006
7
Les chercheurs Allen et Bali (2007), Hess (2011, b), Chernobai (2011), Cope, E. et Carrivick,
L. (2013) ont analysé l’effet de la conjoncture du pays sur le risque opérationnel. Les résultats
empiriques ont montré la valeur du VaR17 est devenue plus importante lors de l’introduction
dans leurs modèles de régression d’une variable explicative catégorique appelée période de
temps (TP). En d’autres termes, les pertes opérationnelles sont extrêmement significatives
pour les lignes de métiers « Activité de marché» et « courtage de détail » lors de
l’introduction de la variable TP et plus précisément durant la dernière crise.
Des lors, ce constat nous permet de conclure que les risques opérationnels dépendent de la
conjoncture économique du pays. En effet, les dysfonctionnements opérationnels sont au cœur
des pertes enregistrées lors de la crise et non pas liées à des défaillances d’insolvabilité des
clients comme certains chercheurs l’ont pensé.
Ainsi, l’effet macro-économique sur le risque opérationnel a été analysé à travers d’autres
indicateurs à savoir: le produit intérieur brut, le taux d’intérêt, le taux de chômage et le revenu
national par habitant …
Dans le contexte américain, Moosa Imad (2011)18 ont étudié l’incidence du taux de chômage
sur 3239 incidents opérationnels des firmes américaines durant la période 1990-2007. Ils ont
montré l’existence d’une relation significative entre le risque opérationnel et la situation de
l’économie américaine. Le taux de chômage a augmenté avec les fraudes internes lors de la
crise puisque les firmes réduisent les dépenses en matière de contrôle internes. En d’autres
termes, les résultats obtenus font preuve que le taux de chômage est une fonction positive du
risque opérationnel. Plus les fraudes internes sont élevés plus les personnels seront licenciés et
donc le taux chômage augmente et vice versa.
Néanmoins, cette relation a été révisée par l’étude de Cope et al (2012) qui prouvent que le
taux de chômage n’a aucune incidence sur les pertes opérationnelles. Ils ont étudié l’effet de
l’environnement macroéconomique sur l’occurrence de 57.000 incidents opérationnels de
130 pays durant la période du 2002 au 2010 à travers deux indicateurs à savoir : le produit
intérieur brut (noté PIB) et le taux chômage. Les résultats ont révélé que les incidents
opérationnels de type « Fraude interne » et « Pratique en matière d’emploi et sécurité sur le
lieu de travail » sont fortement corrélés avec la croissance économique du pays. Quant au
17
Value at Risk (Valeur à Risque): la perte maximale qu’une institution bancaire pourrait subir sur période
donnée
18
Moosa Imad : « Operationnal risk as a function of the state of the economy»Economic Modelling (2011) NO
28 pp 2137-2142
8
deuxième indicateur, les tests de régression ont montré qu’il n’a aucune incidence sur les
pertes opérationnelles.
Cependant, certains chercheurs nuancent cette relation entre le produit intérieur brut
et le
risque opérationnel. De ce fait, Azamat Abdymomunov (2014) a étudié la relation entre la
croissance du produit intérieur brut et la survenance des pertes opérationnelles d’une firme
bancaire. Les tests de régressions ont prouvé l’existence d’une relation négative entre le
produit intérieur brut et les pertes opérationnelles et plus précisément les incidents de type
« Clients, Produits et pratiques commerciales» et «Exécution, livraison et gestion des
processus ». 19
En 2015, Moosa et Li ont analysé l’effet de l’environnement macroéconomique sur la
sinistralité de 4388 pertes opérationnelles survenues 53 pays durant la période 1975-2008 à
travers le Revenu National Brut (Gross National Income per capita). Ils ont montré que la
majorité des pertes sont survenues dans les pays ayant un niveau de vie très élevé. En d’autres
termes, les pertes opérationnelles sont significativement positives avec la variable GNI.
-La gouvernance comme mécanisme de gestion du risque opérationnel:
Les établissements de crédits constituent l’élément fondamental de la croissance économique
mondiale puisque les faillites bancaires n’engendrent pas seulement une mauvaise réputation
sur l’institution bancaire, mais plutôt une déstabilisation du système financier à travers les
mécanismes de contagion. En raison de leurs spécificités par rapport aux entreprises
industrielles, les banques sont exposées à une variété des risques : risque de crédit, risque de
marché, risque opérationnel, risque de liquidité... Dès lors, le majeur défi des banques est de
gérer leurs risques d’une manière transparente, saine et prudente afin de restaurer la confiance
de sa clientèle, de ses actionnaires et des régulateurs et donc garantir leurs pérennités à long
terme.
La crise des subprimes , qui a ébranlé le monde économique ces dernières années, a révélé
que les pertes enregistrées sont imputables à une inefficacité des systèmes de contrôle interne
des institutions bancaires qui ont « gravement affecté la vie de milliers et même de millions de
personnes, qu’il s’agisse d’employés, de retraités, d’épargnants, de créanciers, de clients, de
fournisseurs ou d’actionnaires » (OCDE, 2007, p. 168). De ce fait, nous pouvons signaler que
la gouvernance d'entreprise est clairement liée au risque opérationnel, parce qu’elle s'applique
non seulement à la défaillance des procédures et des systèmes internes mais fournit
19
Annexe 2
9
l’ensemble des procédures des lois et des règles de conduite qui régissent la structure et la
nature des opérations au sein des institutions.
Dans le but de garantir la solvabilité et la stabilité financière, les institutions bancaires sont
dans l’obligation de mettre en place les bonnes pratiques de gouvernance puisqu’elle
représente le premier instrument prévention des risques bancaires. Ainsi, elle est considérée
parmi les mécanismes préventifs des difficultés du secteur bancaire en particulier et du
système financier en général.
En conséquence, il est indispensable de signaler que la gouvernance bancaire diffère de celle
des firmes industrielles en raison de leurs spécificités en termes de leurs opacité procréée par
l’asymétrie informationnelle [Caprio et Levine, (2002); Levine (2004)], leurs niveaux
d’endettement élevé [Macey et O’Hara, (2003)] et leurs réglementations [Prowse, (1997)].
Dès lors, l’étude de la gouvernance, comme déterminant du risque opérationnel, revêt un
intérêt particulier des préoccupations des gestionnaires des risques, académiciens,
professionnels, gouvernements et organisations internationales. Néanmoins, nous notons que
les travaux qui ont traité ce sujet sont rares en raison de l’actualité du sujet et plus précisément
dans les pays en développement, de l’indisponibilité des données et des difficultés
de
modélisation de ce genre de pertes.
A l’issue de la dernière crise, Julia Allen et Jim Cebula (2008), Dennis I. Dickstein et Robert
H. Flast (2009) ont étudié la relation entre la concentration de propriété et le risque
opérationnel. Les résultats ont montré que l’impact de la concentration n’est pas significatif
lorsque le contrôle réglementaire est important. Ces constats énoncent que la concentration de
la propriété est moins importante dans les firmes fortement réglementées comme les banques.
En d’autres termes, c’est la réglementation qui discipline les dirigeants. Toutefois, pour un
niveau de contrôle réglementaire faible, la concentration de la propriété a un effet significatif
et négatif sur la prise de risque bancaire.
En 2011, Chenobai et al ont mené une étude de 925 événements opérationnels de 176
institutions financières américaines durant 1980-2005 afin de tester l’impact de la
gouvernance sur la gestion du risque opérationnel. Les résultats ont montré que la
gouvernance joue un rôle important dans l’explication des pertes opérationnelles. En effet, le
nombre d’audit externes est négativement corrélé avec le risque opérationnel. En revanche,
plus la taille du conseil d’administration, le nombre des administrateurs indépendants et les
incitations des directeurs sont élevés, plus la banque est exposée à des dysfonctionnements
opérationnels importants.
10
Ces constats prouvent que le conseil d’administration est le mécanisme le plus efficace en
matière de gestion du risque opérationnel. Le conseil d’administration vise à délimiter les
orientations opérationnelles et prendre la responsabilité de la stabilité de la banque [Greuning
et Bratanovic, (2004)].
Dans un autre contexte, Ahmad Bello(2013) a analysé l’influence des mécanismes de
gouvernance sur l’exposition aux risques. Il a mené une étude qui porte sur des données de 13
banques côtés sur le marché boursier nigérien durant la période 2005-2009. Il a expliqué les
pertes opérationnelles à travers les variables explicatives suivantes : taille du CA, qualité
d’audit, la rémunération des directeurs, crises, capitalisation et le levier financier. Les
résultats obtenus suggèrent que les variables composition du conseil d’administration, qualité
d’audit, capitalisation sont négativement corrélées avec l’exposition des banques nigériennes
au risque opérationnel. Cependant, l’occurrence des pertes opérationnelles n’est pas
influencée par les proportions du block holding et la rémunération des directeurs.
En 2015, Moosa et Li20 ont analysé les déterminants de 4388 incidents opérationnels subis
dans 53 pays durant la période 1975-2008. Ils ont introduit dans leurs modèles de régression
des variables macroéconomiques et six indicateurs de gouvernance (Control of Corruption,
Rule of Law, qualité de la réglementation, efficacité du gouvernement, stabilité politique et
absence de violence ou de terrorisme, Voice and Accountability(discrimination). Les résultats
d’estimation ont montré que les variables macroéconomiques sont positivement corrélés avec
la variables RO contrairement aux variables gouvernance qui ont une incidence négative sur
l’occurrence de la perte. Ils ont prouvé que le système légal n’a aucune incidence sur le risque
opérationnel.
Certes, nous pouvons signaler que la revue de littérature ne débouche pas sur un consensus
sur le rôle joué par certains dans la gestion des pertes opérationnels et donc le sens de cet
impact reste mitigé. En effet, le débat sur le lien entre la gouvernance bancaire et la sinistralité
des pertes opérationnelles n’a pas été encore clôturé puisqu’il revêt un sujet d’actualité et que
le processus de gestion du risque opérationnel des institutions bancaires et plus précisément
celles des pays développées reste toujours en phase embryonnaire. Ceci nous amène à
proposer un éclairage nouveau, dans la deuxième section, à travers l’analyse de l’impact
20
Larry Li et Imad Moosa (2015):”Operational risk, the legal system and governance indicators: a country –level
analysis”. Applied Economics (2015): Vol47,No 20,PP2053-2072
11
quelques mécanismes de gouvernance sur la sinistralité des pertes opérationnelles des
banques.
Section 2 : Méthodologie
A l’issue des scandales opérationnels marqués récemment, la réflexion des chercheurs, des
académiciens et des politiciens est orientée vers l’analyse de l’impact des mécanismes de
gouvernance sur la gestion des pertes opérationnelles (Julia Allen et Jim Cebula (2008),
Dennis I. Dickstein et Robert H. Flast (2009), Claus Huber et Daniel Imfeld (2012), David
Tattam (2012), Benedikt Wahler (2012)…). Cependant, ils ne débouchent pas sur un
consensus quant au rôle joué par les caractéristiques des actionnaires et du conseil
d’administration dans l’atténuation de ce type des pertes. Les travaux de BIS(2010),Chernobai
et al (2011), Ahmad Bello(2013) se focalisent sur les caractéristiques du conseil
d’administration et la rémunération des directeurs alors que les travaux de Li et al (2013) , Li
et al (2015) sur les normes de conformité Bâloises, la corruption, l’état de l’environnement
(absence ou présence de terrorisme, crise ou non), effet de levier, système légal du pays…
Avant d’entamer l’étude de l’impact de la gouvernance sur la gestion du risque opérationnel,
il est indispensable de déterminer les origines de l’occurrence des pertes opérationnelles d’une
firme bancaire. En d’autres termes, nous visons à déterminer quel est l’impact des facteurs
microéconomiques et macroéconomique sur les pertes opérationnelles ?
Pour ce faire, nous procédons à une analyse multivariée en données de panel 21 de 1176
incidents opérationnelles de 14 banques durant la période 2006 - 2013.
Cette section est structurée comme suit :
D’abord, nous nous intéressons à la définition des aspects méthodologiques de notre étude
empirique, à savoir les hypothèses à tester, l’échantillon et l’explication des variables.
Ensuite, nous présentons d’une manière détaillée le modèle économétrique utilisé et les
différents tests effectués. Ainsi, nous discutons les principaux résultats obtenus.
1. Les aspects méthodologiques :
Dans ce qui suit, nous présentons le modèle économétrique tout en exposant les différentes
hypothèses à tester et les variables à utiliser.
21
En économétrie, les données utilisées peuvent être des séries chronologiques (séries temporelles), des données
en coupes transversales ou bien des données de panel. L’utilisation des séries temporelles repose sur l’hypothèse
d’homogénéité des individus et étudie l’évolution de leurs relations dans le temps. En revanche, l’utilisation des
données en coupes transversales repose sur l’hypothèse d’hétérogénéité des individus mais ne tient pas en
compte des comportements dynamiques. Les données de panel possèdent les deux dimensions individuelles et
temporelles.
12
1.1.Les hypothèses à tester
A la lumière de la revue de littérature exposée précédemment, nous développons les
hypothèses suivantes:
-Hypothèse 1: Les montants de pertes rapportés dans notre base depuis les médias sont fiables
et non basés sur des rumeurs ou des prédictions;
-Hypothèse 2: Tous les incidents opérationnels ont la même probabilité d’être rapportés dans
notre base. En d’autres termes, il n’y a aucun effet médiatique relatifs au type de l’incident;
Hypothèse 3: La taille de la banque a un effet positif sur la sévérité des pertes
opérationnelles ;
Hypothèse 4 : L’environnement macroéconomique a un effet significatif sur la sévérité des
pertes opérationnelles;
Hypothèse 5 : Les types de l’incident et la ligne d’affaire ont un impact sur la sinistralité des
pertes opérationnelles ;
Hypothèse 6 : Relation négative entre la gouvernance bancaire et le risque opérationnel.
1.2.Présentation du modèle économétrique
Rappelons que l’objectif principal de ce papier est d’identifier les facteurs déterminants de la
sinistralité des pertes opérationnelles d’une banque.
En se référant à l’hypothèse émise par Na(2006)22 , nous essayons de développer un modèle
de régression estimant les pertes opérationnelles à travers non seulement des variables
microéconomiques mais plutôt des variables liées à l’environnement dans lequel l’institution
opère.
De ce fait, la perte opérationnelle est exprimée comme suit:
Perte i = f( CompCommune , Compidiosyncratique
22
(1)
Hypothèse qui stipule que la perte opérationnelle est décomposée en deux composantes :
- composante commune : une composante constante pour tous les établissements de crédit quelque les lignes
d’affaires et les événements de perte. Elle fait référence à l’environnement macroéconomique, géopolitique,
culturel ou à la nature humaine en général. Toutefois, il est toujours possible de considérer cette relation comme
une fonction de variables d’état identiques pour toutes les banques, mais qui varient dans le temps. Par contre, il
existe des éléments non observables relatifs à l’environnement de contrôle, qui sont donc difficiles à quantifier..
- composante idiosyncratique : le risque spécifique de l’institution financière. Ce sont les éléments quantifiables
ou mesurables, comme la taille de la banque, le type de risque, la ligne d’affaires ou le lieu de l’événement de
perte
13
Étant donné que la composante commune est constante, la relation (1) devient alors :
Perte i = CompCommune ∗ g(Compidiosyncratique )
(2)
Conformément aux travaux de Dahen et Dione (2010), nous exprimons la composante
idiosyncratique comme une fonction d’autres facteurs que la taille de l’institution.
Cette dernière est exprimée par la fonction h de la manière suivante :
𝑔(𝐶𝑜𝑚𝑝𝑖𝑑𝑖𝑜𝑠𝑦𝑛𝑐𝑟𝑎𝑡𝑖𝑞𝑢𝑒 ) = 𝐴𝑐𝑡𝑖𝑓𝑠 𝑎 ∗ 𝑕 𝑓𝑎𝑐𝑡𝑒𝑢𝑟𝑠
De ce fait, nous pouvons réécrire la relation (2) sous cette forme:
𝑃𝑒𝑟𝑡𝑒 𝑖 = 𝐶𝑜𝑚𝑝𝐶𝑜𝑚𝑚𝑢𝑛𝑒 ∗ 𝐴𝑐𝑡𝑖𝑓𝑠 𝑎 ∗ 𝑕 𝑓𝑎𝑐𝑡𝑒𝑢𝑟𝑠
Avec :𝑕 𝑓𝑎𝑐𝑡𝑒𝑢𝑟𝑠 = 𝑒𝑥𝑝(
𝑗 𝑏𝑗
∗ 𝑓𝑎𝑐𝑡𝑒𝑢𝑟𝑠 𝑖𝑗 )
En appliquant le logarithme, la relation devient alors :
𝐿𝑜𝑔 𝑃𝑒𝑟𝑡𝑒 𝑖 = 𝐿𝑜𝑔 𝐶𝑜𝑚𝑝𝐶𝑜𝑚𝑚𝑢𝑛𝑒
+ 𝑎 ∗ 𝐿𝑜𝑔 𝐴𝑐𝑡𝑖𝑓𝑠 +
𝑏𝑗 ∗ 𝑓𝑎𝑐𝑡𝑒𝑢𝑟𝑠 𝑖𝑗
(3)
𝑗
Notre contribution réside au niveau de l’introduction d’autres facteurs autre que la taille.
En effet, nous ne limitons pas aux variables microéconomiques mais nous nous basons sur
des variables macroéconomiques et des indicateurs gouvernance pour expliquer la sinistralité
des pertes opérationnelles.
Pour ce faire, nous testons, dans une première étape, l’incidence des facteurs spécifiques à la
banque (taille, lieu géographique, type du risque, la ligne de métier) et
des facteurs
macroéconomiques (produit intérieur brut, inflation) sur le risque opérationnel.
D’où, notre modèle de régression est le suivant :
11
Yit = 𝑎0 + 𝑎1 𝑇𝑎𝑖𝑙𝑙𝑒 𝑖𝑡 + 𝑎2 𝑈𝑆𝐴 𝑖𝑡 +
17
𝑎𝑗 𝐿𝑀𝑖𝑗 ,𝑡 +
𝑗 =5
𝑎𝑗 𝑇𝑅𝑖𝑗 ,𝑡 + 𝐺𝐷𝑃𝑖, 𝑡 + 𝐼𝑁𝐹𝑖, 𝑡+𝑒𝑖,𝑡
(4)
𝑗 =12
Avec :
i: la dimension individuelle qui indique le nombre des banques (i= 1, 2, 3 …., 14)
t: la dimension temporelle qui représente l’année (t = 2006,2007, 2008 …, 2013)
Yit : représente le logarithme du montant de la perte opérationnelle de la banque i durant
l’année t
a0 : représente le logarithme de la composante commune
14
Tailleit : représente le logarithme du total actif de la banque i pendant l’année t
USAit : variable binaire qui prend la valeur 1 si la perte de la banque i a eu lieu aux Etats-Unis
à l’instant t, 0 si non
LMijt : une variable binaire qui prend 1 si la perte de la banque i a eu lieu dans la ligne de
métier j, durant l’année t, 0 si non
TRij,t : représente le type de l’incident opérationnel j de la banque i durant l’année t
GDPi,t : correspond à la croissance du produit intérieur brut du pays i pendant l’année t
INFit : représente l’inflation (la croissance des prix) du pays i pendant l’année t
eit : représente le terme d’erreur qui suit une loi normale (O, σ2)
Dans une deuxième partie, nous étudions l’incidence de la gouvernance sur la gestion du
risque opérationnel à travers cinq indicateurs (taille du conseil d’administration, présence des
administrateurs indépendants au conseil d’administration, existence de comité des risques au
conseil, cumul des fonctions et l’application des normes IFRS).
D’où le deuxième modèle est le suivant :
11
Yi = 𝑎0 + 𝑎1 𝑇𝑎𝑖𝑙𝑙𝑒 𝑖𝑡 + 𝑎2 𝐸𝑈 𝑖𝑡 +
17
𝑎𝑗 𝐿𝑀𝑖𝑗 ,𝑡 +
𝑗 =5
17
𝑎𝑗 𝑇𝑅𝑖𝑗 ,𝑡 + 𝐺𝐷𝑃𝑖, 𝑡 + 𝐼𝑁𝐹𝑖, 𝑡 +
𝑗 =12
𝑎𝑗 𝐺𝑂𝑉𝑖𝑗 ,𝑡 +𝑒𝑖,𝑡
(5)
𝑗 =12
Avec
i: la dimension individuelle qui indique le nombre des banques (i= 1, 2, 3 …, 14)
t: la dimension temporelle qui représente l’année (t = 2006,2007, 2008 …, 2013)
Yit : représente le logarithme du montant de la perte opérationnelle de la banque i durant
l’année t
a0 : représente le logarithme de la composante commune
Tailleit : représente le logarithme du total actif de la banque i pendant l’année t
USAit : variable binaire qui prend la valeur 1 si la perte de la banque i a eu lieu aux Etats-Unis
à l’instant t, 0 si non
LMijt : une variable binaire qui prend 1 si la perte de la banque i a eu lieu dans la ligne de
métier j, durant l’année t, 0 si non
TRij,t : représente le type de l’incident opérationnel j de la banque i durant l’année t
GDPi,t : correspond à la croissance du produit intérieur brut du pays i pendant l’année t
INFit : représente l’inflation (la croissance des prix) du pays i pendant l’année t
eit : représente le terme d’erreur qui suit une loi normale (O, σ2)
15
GOVit : représente cinq indicateurs de gouvernance à savoir :
*TCAit : taille du conseil d’administration,
*DUALITY : une variable binaire qui prend 1 s’il s’agit d’un cumul de fonction, 0 si non
*COMITYRISQ : variable binaire qui prend 1 si le comité de risque est présent au sein du
conseil d’administration de la banque i durant l’année t
*IFRS : variable binaire qui prend 1 si la banque i est conforme aux normes IFRS , 0 si non
*ADMIN INDEP : variable binaire qui prend 1 s’il existe des administrateurs indépendants au
sein du conseil d’administration de la banque i pendant t
ei,t : représente le terme d’erreur .
1.3.Présentation du l’échantillon
Notre échantillon est composé de 1176 incidents opérationnels23 de 14 banques durant la
période 2006 - 2013, dont la répartition est représentée dans le tableau ci-dessous :
Tableau 1 : Répartition des banques en fonction du pays
Pays
Nombre des banques
Etats-Unis
4
Canada
4
Allemagne
4
Australie
2
Total
14
Le choix de l’année 2006 comme une date de début de la période d’échantillonnage n’est pas
arbitraire mais se justifie par l’année qui précède le déclenchement de la crise des subprimes.
En d’autres termes, ce choix vise à identifier la tendance de la sinistralité des pertes
opérationnelles avant et après la survenance de ce scandale financier.
23
Les incidents opérationnels sont collectés auprès de la base de données ORX
16
1.1.Résultats et interprétations24
1.1.1. Analyse descriptive :
-La variable dépendante :
Les statistiques descriptives25 montrent que la moyenne de pertes opérationnelles est évaluée
à 18.38 millions de dollars, avec un écart-type de 16.38 millions de dollars.
La figue ci-dessous énonce que les pertes opérationnelles des banques ont tendance à évoluer
au cours du temps et plus précisément durant l’année 2007-2008.
Figure 1 : Evolution des pertes opérationnelles durant la période 2006-2013
1800
1600
1400
1200
1000
Evolution des pertes opétionnelles
au cours du temps
800
600
400
200
0
2006
2007
2008
2009
2010
2011
2012
2013
Ce constat paraît logique puisque les pertes enregistrées lors de la crise sont imputables à des
évaluations erronées d’actifs subprime, des modèles de pricing focalisées sur l’innovation et
des pratiques frauduleuses.
-Les variables explicatives :
A l’issue des résultats des travaux empiriques antérieurs, nous avons identifié un ensemble de
variables explicatives susceptibles d’influencer le risque opérationnel à savoir : total actif,
ligne d’affaire, lieu géographique, type de l’incident, produit intérieur brut, inflation et
quelques mécanismes de gouvernance bancaire.
*La taille :
Les résultats descriptifs prouvent que les banques de notre échantillon sont de tailles très
variables (taille minimum de 30.398 millions de dollars et maximale de 2416 millions de
dollars). Le total moyen des actifs est évalué à 487.0677 millions de dollars. En se référant au
graphe ci-dessous, nous remarquons que plus l’institution est grande taille plus elle est
24
25
Les résultats sont obtenus en appliquant le logiciel STATA
Annexe 3
17
sensibles à avoir des pertes opérationnelles extrêmes (too big too fail). En d'autres termes, une
banque ayant un total d’actifs plus élevé qu’une autre pourrait subir des pertes plus
importantes. En effet, nous attendons à ce que la taille d’une firme bancaire soit corrélée aux
pertes opérationnelles.
Figure 2 : Total actif en fonction montant des pertes opérationnelles
0,6
0,5
0,4
0,3
Pertes opérationnelles
0,2
Total Actifs
0,1
0
Allemagne
Australie
Etats-Unis
Canada
*Le lieu:
Nous avons introduit une variable binaire nommée USAit qui capte l’effet du lieu
géographique sur la sinistralité des pertes opérationnelles puisque les banques de notre
échantillon sont localisées dans des zones géographiques différentes (Etats-Unis, Canada,
Allemagne et Australie).
Le tableau ci dessous expose les statistiques des pertes opérationnelles en fonction du lieu :
Tableau 2: Pertes opérationnelles en fonction du lieu géographique
Allemagne
Moyenne
Australie
Etats-Unis
Canada
des
26,081
6,311
28,991
17,455
des
15,794
10,878
18,075
7,6
pertes (M$)
Ecart-type
pertes (M$)
Nous remarquons que la moyenne des pertes aux États-Unis est la plus élevée par rapport aux
autres régions. Du point de vue variance, nous relevons que l’environnement Etats-Unis est le
plus risqué en termes des pertes opérationnelles en comparaison avec les autres
environnements (Canada, Allemagne, Australie).
18
Ce constat nous permet à supposer qu’à priori il existe une relation entre le risque
opérationnel et le lieu géographique. Ce constat se justifie par la différence d’environnement,
de législation, du processus de gestion des risques, de la situation politique du pays choisi.
*La ligne d’affaires (LM):
Afin de tester la relation entre l’incident opérationnel et la ligne d’affaire où a eu lieu, nous
avons introduit seulement sept variables dichotomiques telles qu’elles sont définies par les
autorités réglementaires26. Les résultats de l’analyse descriptive montrent que l’écart-type des
lignes d’affaire CF, TS, PS, AS et RB sont élevés que les autres lignes. Ceci nous amène à
constater que les pertes opérationnelles d’une banque sont sensibles aux lignes d’affaire.
*Les types de risque (TR) :
Afin de tester l’effet du type de l’incident opérationnel sur la sinistralité du risque
opérationnel, nous avons introduit sept variables27.
La figure ci-dessous montre que 33 % des pertes sont de type clients, produits et pratiques
commerciales et 67% des pertes sont réparties entre les autres types de risques. Toutefois, les
pertes de types « Dysfonctionnement de l’activité des systèmes : DPA » présentent le part le
plus faible en matière des pertes opérationnelles en comparaison avec la totalité des types des
incidents. De ce fait, ce constat nous mène à supposer que les types de risque ont un incident
sur la survenance des pertes opérationnelles bancaires.
26
Annexe 1
CF : Financement d’entreprise (Corporate Finance)
TS : Activité de marché (Trading and Sales)
RB : Banque de détail (Retail Bankig)
Cb : Banque Commerciale (Comercial Banking)
PS : Paiement et Règlement (Payment and Settlement)
AS : Fonction d’agent (Agency Services)
AM : Gestion d’actif (Asset Management)
27
Annexe 2
IFF : Fraude interne (Internal Fraud)
EF : Fraude Externe (External Fraud)
EPWS : Pratiques en matière d’emploi et sécurité sur le lieu de travail (Employement Practices and Workplace
Safety)
CPBP : Client, produits et pratiques commerciales (Clients, Products and Business Practices)
DPA : Dommage aux actifs corporels (Damage to Physical Assets)
BDSF : Dysfonctionnement de l’activité et des systèmes (Business Disruption and System Failure)
EDPM : Exécutions, livraison et gestion des processus (Execution, Delivery and Process Management)
19
Figure 3: Répartition des pertes opérationnelles en fonction du type de risque
8,96%
IFF
EF
21,07%
13,89%
7,73%
8,78%
6,46%
EPWS
CPBP
DPA
BDSF
33,11%
EDPM
*Variables macroéconomiques : Produit Intérieur Brut et Inflation :
Nous avons choisi le produit intérieur brut comme indicateur macroéconomique car il
représente un des principaux agrégats des comptes nationaux (selon Kok et al (2012)) et le
plus utilisé par les chercheurs afin d’analyser l’impact de l’environnement macroéconomique
sur l’occurrence des pertes opérationnelles (Chernobai (2011), Cope (2012), Azamet
Abdymomunoc(2014))…
Nous avons ajouté la variable inflation, comme deuxième indicateur macroéconomique, en
raison de l’indisponibilité des études empiriques et théoriques traitant l’effet de l’évolution
des prix sur le processus de gestion des pertes opérationnelles. En d’autres termes, cette
variable est ajouté afin des tester l’impact de l’effet d’une augmentation des prix sur la
survenance des incidents opérationnels au sein des banques. L’introduction de cette variable
est parmi les apports empiriques de ce papier.
Les résultats descriptifs suggèrent que le PIB moyen des pays retenus dans notre échantillon
durant la période 2006-2013 est d’environ 1,36%. Il varie entre -5,6% et 4.1% avec une
dispersion de 2,32. Quant à l’inflation, elle varie entre -0.4 et 4.4 avec un écart-type de 1.04.
Ces résultats nous amène à noter l’existence d’une période de décroissance économique.
En conséquence, nous attendons à ce que le PIB et l’inflation ont un impact significatif sur la
sévérité des pertes opérationnelles.
*La gouvernance :
Bien que la rareté des travaux théoriques et empiriques traitant l’impact de mécanismes de
gouvernance sur la gestion du risque opérationnel, nous avons ajouté à notre modèle de base
(4), une nouvelle variable explicative GOVit qui représente cinq indicateurs de gouvernance
20
à savoir : taille du conseil d’administration(TCA), Duality (DUAL), ComityRisk
(ComityRisk), IFRS28 ,Indépendance des administrateurs (AdminIndep).
Les résultats descriptifs29 montrent que le nombre des membres du conseil d’administration
des banques varie entre 06 et 20 membres avec une taille moyenne de 12,875.
Concernant les variables binaires, nous remarquons que les banques de notre échantillon
comportent en moyenne 0.44 d’administrateurs indépendants, en moyenne 0,26 comités de
risques. Ainsi, l’application des normes IFRS sont en moyenne de 0.392 avec un écart-type
de 0.49.
Quant à la variable dualité (DUAL), elles enregistrent en moyenne une valeur de 0.696 avec
et une dispersion de 0.461.
1.1.Examen de la corrélation
Etant donnée les corrélations entre les variables explicatives sont faibles, l’examen de
corrélation30 prouve qu’il n’existe pas un problème de multi-colinéarité. Ce constat a été
renforcé par le test VIF puisque sa moyenne est inférieure à 10 pour les deux modèles (3.39
versus 3.68). Nous allons introduire donc l’ensemble des variables explicatives dans les deux
modèles. Afin de déterminer la méthode d’estimation adéquate, nous avons réalisé certains
tests à savoir : le test de présence d’effets individuels et le test d’hétéroscédasticité.
-Test
de présence d’effets individuels :
Étant donné que les modèles utilisés dans notre étude sont des modèles de données de panel,
il est indispensable tout d’abord de vérifier si la structure du panel est homogène ou
hétérogène. En d’autres termes, nous testons si le modèle théorique est identique pour toutes
les banques ou bien il existe des effets spécifiques à chaque institution bancaire.
La perturbation 𝜀𝑖𝑡 est exprimée comme suit :
𝜀𝑖𝑡 = 𝛼𝑖 + 𝜇𝑖 + 𝜇𝑖𝑡
Avec
𝛼𝑖 : représente l’effet spécifique individuel aléatoire ,
𝜇𝑖 : représente l’effet spécifique temporel aléatoire,
𝜇𝑖𝑡 : représente la perturbation standard.
28
IFRS (International Financial Reporting Standards): sont les normes internationales d’informations financières
éditées par le bureau des standards comptables internationaux afin de standardiser la présentation des documents
comptables au niveau international.
29
Annexe 5
30
Annexe 5
21
L’hypothèse nulle qui suppose l’existence d’un effet propre à chaque individu est exprimée
comme suit : H0 : 𝛼𝑖 = 0.
En effet, le modèle est dit homogène si et seulement si l’hypothèse nulle est acceptée c'est-àdire il existe une intercepte commune pour toutes les institutions et donc aucun effet
individuel est marqué. Toutefois, le rejet de H0 conduit à conclure l’existence d’effets
spécifiques individuels et par conséquent le modèle est hétérogène.
En se basant sur les résultats de l’annexe 3, nous relevons que les modèles sont hétérogènes
puisque la probabilité du test de Fisher est inférieure à 5%.
-Test d’hétéroscédasticité :
Afin de tester l'hypothèse d’homoscédasticité du terme d'erreur, nous avons procédé au test
de Breush-Pagan LM31.
Le tableau ci-dessous présume les résultats du test d’hétéroscédasticité.
Tableau 3: Résultats du test Breush-Pagan LM
p-value
Modèle 1
Modèle 2
0.0000
0.0000
Les résultats du test d’hétéroscédasticité implique le rejet de l’hypothèse nulle puisque les
p-value du test sont inférieures à 5%. En d’autres termes, nous relevons l’existence d’un
problème d’hétéroscédasticité intra-individus entre les erreurs. Dans ce cas, l’application de la
méthode des moindres carrés ordinaires (MCO) est biaisée.
1.2.Discussions des résultats d’estimation
Afin de pallier les problèmes d’hétéroscédasticité et d’autocorrélation des termes d’erreurs,
nous avons opté pour la méthode des Moindres Carrés Généralisés(MCG) et plus précisément
la méthode Generalized Least Squares (GLS). Le tableau ci-dessous expose les principaux
résultats d’estimation du l’annexe 5:
31
Trevor Breusch et Adrian Pagan (1979), « Simple test for heteroscedasticity and random coefficient variation
L’hypothèse nulle de ce test est exprimée comme suit :
H0 : σ2 = 0 (variance constante)
H1 : σ2 ≠ 0
22
Tableau 4: Résultats d’estimation du modèle 1
Variables
Coefficient
T statistique
Constante
6.020***
5.82
LnTA
0.162**
2.14
GDP
-0.194*
-1.76
0.443***
3.03
IFF
0.042
0.80
EF
0.030
0.63
EPWS
0.069
1.14
CPBP
0.072*
1.70
DPA
0.043
1.06
BDSF
0.089**
2.20
EDPM
0.050
1.16
USA
0.977***
3.37
CF
1.426**
2.95
TS
0.791**
2.02
RB
0.379
1.05
CB
1.173*
1.75
PS
0.946***
2.32
AS
1.088**
2.30
AM
0.142
0.45
Indépendantes
Inflation
Nombre d’observations
112
R2
65.13%
***Significatif au seuil de 1%, **Significatif au seuil de 5%, *Significatif au seuil de 10%
Nous observons une relation positive et significative au seuil 1% entre les pertes
opérationnelles et la taille de la banque, ce qui permet d’affirmer l’hypothèse H3.
La relation positive implique que lorsque la taille de la firme bancaire augmente, les banques
deviennent plus sensibles aux pertes opérationnelles extrêmes (TOO BIG TOO FAIL). En
d’autres termes, plus la banque est de grande taille, plus elle est exposée à des fraudes internes
23
(commises par ces personnels), fraudes externes et des défaillances au niveau de ces systèmes
informatiques…
Notre résultat corrobore ceux trouvés par Wei(2007), Aue et kalkbrener (2007), Dahen et
Dionne(2010), Chernobai(2011), Fiordesli (2014).
Conformément à nos attentes, nous retenons un impact positif et significatif des incidents
de type « Clients, produits et pratiques commerciales (CPPC)» et « Dysfonctionnement de
l’activité et des systèmes (BDSF)» sur la sinistralité des pertes opérationnelles des banques
retenues. Ce constat prouve que la majorité des pertes enregistrées lors de la période 20062013 sont imputables à des violations de la confidentialité de la clientèle, à des ventes
agressives envers des clients spécifiques, à des dysfonctionnements des systèmes (matériel,
logiciel, interruptions d’un service public…).
Notre constat est conforme à ceux obtenus par: LDCE, BIS-4,32 Dahen et Dionne (2010),
Moosa et Li(2015), Christian (2013)…
Concernant la relation entre la ligne d’affaire où l’incident opérationnel a eu lieu et le
montant de la sinistralité des pertes opérationnelles, nous révélons que seulement les lignes
financières sont significatifs et de signe positif à savoir : financement des entreprises (CF) ,
Activité de marché (TS), Banque commerciale (CB), Fonction d’argent (AS) et Paiement et
Règlement (PS). Ce constat semble logique puique ces lignes d’affaire sont liées aux activités
de titrisation et de financement des projets immobilier qui sont les origines de la crise de
2007. Cette investigation fait preuve que les pertes de la dernière crise sont imputables au
risque opérationnel et non pas au risque d’insolvabilité des clients.
Quant à l’environnement macroéconomique, nous remarquons que le coefficient de la
variable Produit Intérieur Brut est négatif et statiquement significatif au niveau 10%. Cette
relation prouve qu’une période de forte croissance d’une année à une autre indique une
augmentation de l'activité économique, qui va engendrer une évolution de la qualité des
processus de gestion des risques. Ce constat corrobore ceux trouvés par Azamat
Abdymomunov(2014).
32
Loss Data Collection Exercise (LDCE) et Quantitative Impact Study 4 (QIS-4) : deux études menées par la
Banque Fédérale Américaine et des agences de réglementation économique afin d’évaluer l’impact de Bâle II
sur le capital minimum réglementaire requis.
24
L’inflation influence positivement et significativement la sinistralité des pertes
opérationnelles des banques au seuil 1%. Cette investigation empirique fait preuve que la
majorité des pertes opérationnelles sont survenus dans les pays à niveau de vie élevé. Plus le
niveau des prix augmente, plus les banques diminuent leurs dépenses en matière de contrôle
permanents des risques et donc elles sont sensibles à avoir des incidents opérationnels
extrêmes. Moosa et Li(2015) ont trouvé les mêmes résultats en expliquant la sinistralité des
pertes opérationnelles subies dans 53 pays par le Gross National Income per capita (Revenu
National par habitant).
En ce qui concerne l’impact des mécanismes de gouvernance sur la gestion du risque
opérationnel, les résultats d’estimation sont présentés ci-dessous :
Tableau5 : Résultats des régressions linéaires en données de panel
Variables Explicatives
Coefficients
T statistique
3.634999*
1.88
TCA
0.1735425***
3.25
Dual
0.1014728
0.27
ComityRisk
-0.8682969***
-3.62
IFRS
-0.7526969***
-2.91
INDEP
-0.7063956**
-2.46
Constante
R2
58,66%
Nombre d’observation
112
***Significatif au seuil de 1%, **Significatif au seuil de 5%, *Significatif au seuil de 10%
La valeur de R2 est égale à 58,66% ce qui nous amène à conclure que notre modèle possède
une bonne qualité d’ajustement linéaire c'est-à-dire significatif.
Nous notons une relation positive et significative entre la taille du conseil d’administration
et l’occurrence des pertes opérationnelles au sein des banques. Cette relation implique que
plus le nombre des administrateurs au sein du conseil d’administration est élevé plus la
banque est sensible à avoir des incidents opérationnels importants. Ce résultat semble logique
25
puisque le conseil d’administration sert principalement les intérêts de ses actionnaires aux
dépens des autres parties prenantes ce qui entraine des pertes liés à la discrimination entre les
employés.
Le signe positif du coefficient relatif à la taille du conseil d’administration des banques est
conforme aux résultats trouvés par l’étude de Chernobai et al. (2011).
En ce qui concerne le cumul du pouvoir au sein du conseil d’administration des banques
retenues, notre hypothèse n’est pas validée puisque le coefficient de la variable DUAL n’est
pas significatif. Nous remarquons que le président du conseil d’administration en étant aussi
le président directeur général n’a aucune incidence sur la gestion des pertes opérationnelles.
Bien que le code de bonnes pratiques de gouvernance (2008) recommande la séparation de
pouvoirs au sein des banques, il semble que le cumul des fonctions dans 14 banques des pays
différents n’a aucune incidence sur la gestion des pertes de défaillance des systèmes, de
procédures des personnes ou des événements extérieurs.
Quant à la présence d’administrateurs indépendants (administrateurs externes) dans le
conseil d’administration, les résultats révèlent une relation significative et négative sur la
sévérité du risque opérationnel. Ce constat affirme que la présence d’un administrateur
indépendant permet certes de diminuer la sinistralité des incidents opérationnels des banques.
En effet, la présence d’un administrateur indépendant peut représenter un contre-pouvoir au
sein du conseil d’administration et entraver une politique de risque opérationnel peu prudente.
Ainsi, nous notons un impact négatif et significatif de la variable comités des risques
(COMITYRisk) sur la sinistralité des pertes opérationnelles. La présence du comité des
risques au sein du conseil d’administration indique une bonne gouvernance d’entreprise et que
les banques sont en mesure de respecter les normes bâloises en matière d’évaluation de leurs
risques.
Outre ces mécanismes, les résultats d’estimations nous dévoilent que l’application des
normes IFRS a un impact négatif et significatif sur la survenance des pertes opérationnelles.
En d’autres termes, plus les banques appliquent les normes IFRS, moins elles sont exposées
au risque opérationnel.
26
Conclusion
Ce papier de recherche vise à étudier les facteurs explicatifs de sur la sinistralité de 1176
pertes opérationnelles de 14 banques localisées dans des zones géographiques différentes
durant la période 2006-2013.
Notre étude empirique comprend deux parties :
La première partie vise à identifier l’impact des facteurs microéconomiques (taille de la
banque, lieu géographique, Type de l’incident, ligne d’affaire) et macroéconomiques (produit
intérieur brut, inflation) sur la sinistralité des pertes opérationnelles. Les résultats d’estimation
révèlent, d’une part, que plus la banque est grande plus elle est sensible d’avoir des pertes
opérationnelles extrêmes. D’autre part, la conjoncture économique a un impact négatif sur le
risque opérationnel. De même, les pertes opérationnelles des banques sont sensibles au type
de l’incident (CPCP, BDSF) et plus précisément aux lignes de métier de nature financière
(CF, CB, TS, AS). Nous notons aussi que les pertes opérationnelles dépendent du lieu
géographique de la banque et que l’environnement Etats-Unis est le plus risqué en termes du
risque opérationnel par rapport à l’Europe.
La deuxième partie de ce papier est réservée à l’étude de l’impact des mécanismes de
gouvernance sur la sinistralité des pertes opérationnelles à travers cinq indicateurs à savoir :
taille du conseil d’administration, le cumul de pouvoir, présence des administrateurs
indépendants au sein du conseil d’administration, existence de comités des risques au sein du
conseil, l’application des normes IFRS).
Nos résultats révèlent que plus le nombre d’administrateurs siégeant le conseil
d’administration est élevé plus le risque opérationnel de la firme bancaire est important. Nous
constatons, aussi, que le cumul du pouvoir à la tête du conseil n’a aucune incidence sur la
sinistralité des pertes opérationnelles. Ainsi, la présence des administrateurs indépendants et
le comité des risques au sein du conseil d’administration permettent d’atténuer les pertes liées
au risque opérationnel. L’application des normes IFRS permettent ainsi d’atténuer les pertes
opérationnelles.
En somme, nos résultats montrent que les mécanismes internes de gouvernance ont un
impact sur la politique de gestion des risques bancaires et plus précisément le risque
opérationnel.
27
Bibliographie
-Amandha Ganegoda (2010): « A Scaling Model for Severity of Operational Losses Using
Generalized Additive Models for Location Scale and Shape (GAMLSS) ».
https://www.researchgate.net/publication/228232431
-Azamat Abdymomunov (2014):«Banking Sector Operational Losses and Macroeconomic
Environment». Working paper
- Ahmad Bello: « Corporate governance and risk expoure of banks in Nigeria »The Busness and
Management Review, vol 3, Number-2, January 2013
- Basel Committee on Banking Supervision (2006), «International convergence of capital
measurement and capital standards », Bank of International Settlements.
- Beck, T., Levine, R. and Loayza, N., 2000, «Finance and the source of growth». Journal of
Financial Economics, vol. 58, pp. 261-300.
- Beck, T. and Levine, R., 2004, «Stock markets, banks, and growth: panel evidence». Journal of
Banking and Finance, vol. 28, pp. 423-442
- Caprio, G. and Levine, R., 2002, «Corporate governance of banks: Concepts and international
observations». World Bank Policy Research Working Paper n° 3404.
-Chernobai, A., Joriony, P., and Yu, F. (2011), «The Determinants of Operational Risk in U.S.
Financial Institutions, » Journal of Financial and Quantitative Analysis, 46, 1683–1725.
-Cope, E. and Carrivick, L. (2013), «Effects of the financial crisis on banking operational losses, »
Journal of Operational Risk, 8, 3–29.
-Cope, E. and Labbi, A. (2008), «Operational loss scaling by exposure indicators: evidence from the
ORX database, » Journal of Operational Risk, 3, 25–45.
-Cope, E., Piche, M., and Walter, J. (2012), «Macroenviromental determinants of operational loss
severity, » Journal of Banking and Finance, 36, 1362–1380
- Comité de Bâle sur le contrôle bancaire ,2010 : « Dispositif réglementaire mondial visant à
renforcer la résilience des établissements et systèmes bancaires », Banque de Réglementation
Internationale, Décembre 2010.
- Comité de Bâle sur le contrôle bancaire (2009) : «Les enjeux de la gouvernance des banques
centrales », Banque de Réglementation Internationale, Mai 2009.
- Chernobai, A., Joriony, P., and Yu, F. (2011): «The Determinants of Operational Risk in U.S.
Financial Institutions», Journal of Financial and Quantitative Analysis, 46, 1683–1725.
28
- Christian Eckert, Nadine Gatzert (2015) :«Modeling Operational Risk Incorporating Reputation
Risk: An Integrated Analysis for Financial Firms» Working Paper
-Dahen, H. and Dionne, G. (2010), «Scaling models for the severity and frequency of external
operational loss data,” Journal of Banking and Finance, 34, 1484–1496
- Fiordelisi, F., Soana, M.-G., Schwizer, P. (2013): «The Determinants of Reputational Risk in the
Banking Sector“. Journal of Banking & Finance, 37(5), 1359-1371.
-Fiordelisi F., Soana, M.-G., Schwizer, P. (2014): «Reputational Losses and Operational Risk in
Banking». The European Journal of Finance, 20(2), 105-124.
-Hess, C. (2011): «Can the Single-Loss Approximation Method Compete With the Standard Monte
Carlo Simulation Technique? »Journal of Operational Risk, 6(2), 31-43.
-Hess, C. (2011), «The impact of the financial crisis on operational risk in the financial services
industry: empirical evidence, » Journal of Operational Risk, 6, 23–35
-Kamiya, S., Schmit, J., Rosenberg, M. (2013): «Determinants of Insurers Reputational Risk».
Working Paper, Nanyang Technological University, University of Wisconsin-Madison
- Levine, R., 2004, «The corporate governance of banks: a concise discussion of concepts and
evidence». World Bank Policy Research Working Paper n° 3404.
- Lobez, F. (2010), «Too big too fail : Gouvernance et régulation des banques ». Revue d’Economie
Financière, Vol. 100, p. 187.
- Macey, J. R. and O’Hara, M., 2003, «The corporate governance of banks». Economic Policy
Review, vol. 9, n° 1, pp. 91-107.
-Na, H., van den Berg, J., L., M., and Leipoldt, M. (2006), «An econometric model to scale
operational losses, » Journal of Operational Risk, 1, 11–31.
- OCDE, 2007, «Entreprendre pour le développement: Promouvoir le secteur privé».Editions OCDE,
Paris. p198.
- Operational Riskdata eXchange Association. “ORX Reporting Standards: An ORX Member’s
Guide to Operational Risk Event/Loss Reporting.” Available at http://www.orx.org/.
- Prowse, S. D., 1997, «Corporate Control in Commercial Banks». Journal of Financial Research,
vol. 20, n° 4, pp. 509-27.
29
-Shih, J., Samad-Khan, A., and Medapa, P. (2000), «Is the size of an operational loss related to firm
size? » Journal of Operational Risk, 2, 1–2.
- Scialom, L., 2011, «Stratégies et instruments d’une régulation macro prudentielle».Revue
d’Economie Financière, n° 103, pp. 171-184.
- Gatzert, N., Kolb, A. (2013): «Risk Measurement and Management of Operational Risk in
Insurance Companies from an Enterprise Perspective». Journal of Risk and Insurance, 81(3), 683-708.
-Gatzert, N., Schmit, J., Kolb, A. (2013): «Assessing the Risks of Insuring Reputation Risk».
Forthcoming in: Journal of Risk and Insurance.
-Gillet, R, Hübner, G., Plunus, S. (2010): «Operational Risk and Reputation in the Financial
Industry». Journal of Banking & Finance, 34(1), 224-235.
- Greuning H. V. et Bratanovic S. B.,( 2004) : « Analyse et gestion du risque bancaire : un cadre de
référence pour l’évaluation de la gouvernance d’entreprise et du risque financier»,Edition Eska,
Paris, 384 p.
-Imad Moosa et Param Silvapulle (2012): «An empirical analysis of the operational losses of
Australian banks». Accounting and Finance 52 (2012) 165–185
-
Imad Moosa et Larry Li (2013): «An operationnal risk profil : the experience of British firms» .
Applied Economics, 2013, 45, 2491-2500
-Imad Moosa et Larry Li (2013): «The frequency and severity of losses:a cross-country
comparaison». Apllied Economics letters, 2013, 20, 167-172
- Imad Moosa et Larry Li (2015): «Operational risk, the legal system and governance indicators: a
country-level analysis ». Applied Economics (2015): Vol47, No 20, PP2053-2072
- Wei, Ran. (2007): «Quantification of operational losses using firm-specific information and external
database. » J. Oper. Risk 1, 3–34.
-Eric Lamarque (2011): «Management de la banque : Risques, relation client, organisation».
Pearson, 3éme édition,
30
Annexes
Annexe 1 : Lignes de métiers (Business line)
Niveau 1
Financement des
d’entreprises
Activité de marché
Banque de détail
Niveau 2
Groupe d’activité
Financement des
entreprises
Financement
collectivités locales /
administrations
publiques
Banque d’affaire
Fusions-acquisitions, engagement,
privatisations, titrisation, recherche, titres
de dette (état, haut rendement), actions,
prêts consortiaux, introduction en bourse,
placement sur le marché secondaire
Service-conseil
Vente
Tenue de marché
Prise de position pour
le propre compte
Trésorerie
Banque de détail
Banque privée
Cartes
Banque commerciale
Banque commerciale
Paiement et règlement
Clientèles extérieures
Fonctions d’argent
Conservation
Prestation d’argent
aux entreprises
Gestions d’actifs
Courtage de détail
Services de fiducie
aux entreprises
Gestion de
portefeuille
discrétionnaire
Gestion de
portefeuille non
discrétionnaire
Courtage de détail
31
Valeurs à revenue fixes, changes, produits
de base, crédits, financement, titres sur
position propres, prêts et pensions ,
courtage, titres de dettes , courtage de
premier rang
Prêts et dépôts, services bancaires, fiducie
et gestion de patrimoine
Prêts et dépôts, services bancaires, fiducie
et gestion de patrimoine conseils en
placement
Cartes de
commerçants/commerciales/d’entreprise
de clientèle et commerce de détail
Financement de projets immobiliers,
financement d’exportation et du
commerce, crédit –bail, prêts, garanties,
lettres de change
Paiements et recouvrements, transferts de
fonds , compensation et règlements
Dépôts fiduciaires, certificats de dépôts,
prêts titres (client), opérations de sociétés
Agents émetteurs et payeurs
Gestion centralisée, séparée, de détail,
institutionnelle, fermée, ouverte, capital
investissement
Gestion centralisée, séparée, de détail,
institutionnelle, fermée, ouverte
Exécutions et services complets
Annexe 2 : Type d’événements : Event types
Catégories
d’événements
(niveau 1)
Fraude interne
Fraude externe
Définition
Sous catégories
(niveau2)
Exemples
Pertes dues à des actes
visant à frauder,
détourner des biens, ou à
tourner des règlements, la
législation ou la politique
d’entreprise
(à l’exception des
atteintes à l’égalité et des
actes de discrimination)
impliquant au moins une
partie interne à
l’entreprise
Activité non
autorisée
Transactions non notifiées
(intentionnellement)
Transactions non autorisées
(avec pertes financières)
Evaluation erronée d’une
position
(intentionnellement)
Vol et fraude
Fraude/fraude au crédit
/absence de provisions
Vols /extorsion /
détournement de fonds/Vols
qualifiés
Détournements des biens
Destructions malveillante
des biens
Contrefaçon
Falsification de chèques
Contrebande
Usurpation de compte
/d’identité
Fraude /évasion fiscale
(délibérée)
Corruption /commissions
occultes
Délit d’initié
(pas au nom de l’entreprise)
Vol/ vol qualifié
Contrefaçon
Falsification de chèque
Pertes dues à des actes
visant à frauder,
détourner des biens ou
contourner la législation
de la part d’un tiers
Vol et fraude
Sécurité des
systèmes
Pratiques en matière
d’emploi et sécurité
sur le lieu de travail
Pertes résultantes d’actes
non-conformes à la
législation ou
conventions relatives à
l’emploi, la santé ou
sécurité, de demandes
d’indemnisation au titre
d’un dommage personnel
32
Relation de
travail
Dommages dus au piratage
informatique
Vol d’informations
(avec pertes financières)
Questions liées aux
rémunérations,
avantages, à la résiliation
d’un contrat
Activité syndicale
ou d’atteintes et à
l’égalité /actes de
discrimination
Clients, produits et
pratiques
commerciales
Pertes résultantes d’un
manquement, non
intentionnel ou dues à la
négligence, à une
obligation
professionnelle envers
des clients spécifiques (y
compris exigences en
matière de fiducie et de
conformité ) ou de la
nature ou conception
d’un produit
Sécurité lieu de
travail
Responsabilité civile
(chuta..)
Evénements liés à la
rémunération sur la santé et
la sécurité du personnel,
rémunération du personnel
Egalité et
discrimination
Tous types de
discrimination
Conformité,
diffusion
d’information et
devoir
fiduciaire
Violation du devoir
fiduciaire /de
recommandations
Conformité /diffusion
d’informations
(connaissance de ma
clientèle…)
Violation de la
confidentialité de la
clientèle
Atteinte de la vie privée
Vente agressive
Opérations fictives
Utilisation abusive
d’informations
confidentielles
Responsabilité du prêteur
Législation antitrust
Pratiques incorrectes
Manipulation du marché
Délit d’initié ( au nom de
l’entreprise )
Activité sans agrément
Blanchissement d’argent
Vices de production(absence
d’agrément ..)
Erreurs de modèle
Insuffisance de l’analyse
clientèle
Dépassement des limites
d’exposition d’un client
Conflits sur l’efficience des
prestations
Pertes résultantes d’une
catastrophe naturelle
Pertes humaines dues à des
causes externes
(terrorisme, vandalisme)
Matériel , Logiciel,
Télécommunications
Pratiques
commerciales /
de place
incorrectes
Défauts de
production
Sélection,
parrainage et
exposition
Service-conseil
Dommage aux actifs
corporels
Dysfonctionnement
de l’activité et des
Destructions ou
dommages résultants
d’une catastrophe
naturelle ou d’autres
sinistres
Pertes résultant de
dysfonctionnements ou
33
Catastrophes et
autres sinistres
Systèmes
systèmes
Exécutions, livraison
et gestion des
processus
de l’activité ou des
systèmes
Pertes résultantes d’un
problème dans le
traitement d’une
transaction ou dans la
gestion des processus ou
des relations avec les
contreparties
commerciales et
fournisseurs
Saisie,
exécution et
suivi des
transactions
Surveillance et
notification
financières
Admission et
documentation
clientèle
Gestion des
comptes client
Contreparties
commerciales
Fournisseurs
34
Interruptions/Perturbations
d’un service public
Problèmes de
communication
Erreurs dans la saisie, le
suivi ou le changement
Non respect de délais ou
d’obligations
Erreur de manipulation du
modèle / système
Erreur comptable /
d’affectation d’une entité
Autres erreurs d’exécutions
Problèmes de livraison
Fautes dans la gestion des
sûretés
Mauvais suivi des données
de référence
Manquement à l’obligation
de notification
Inexactitude dans les
rapports externes (pertes)
Absence d’automatisation
/renonciations clientèle
Documents juridiques
absents /incomplets
Accès non autorisé aux
comptes
Données clients incorrectes
(pertes)
Actifs clients perdus ou
endommagés par négligence
Faute d’une contrepartie
hors clientèle
Divers conflits avec
contrepartie hors clientèle
Sous-traitance
Conflits avec les
fournisseurs
Annexe 3 : Statistiques descriptives des variables dépendantes et indépendantes
Moyenne
Ecart-type
Min
Max
Pertes opérationnelles
18.383
16.389
0.0049
65.71
Total actifs
487.067
542.665
30.398
2416
GDP
1.364
2.328
-5.6
4.1
INF
2.166
1.0442
-0.4
4.4
IFF
103.916
300.948
0
2497.814
EF
161.051
426.869
0
3666.11
EPWS
101.850
240.493
0
1892.958
CPBP
384.021
1246.039
0
10025.36
DPA
74.910
260.337
0
2025.112
BDSF
89.629
260.995
0
2120.919
EDPM
244.374
350.314
0
1395.405
USA
0.285
0.453
0
1
CF
0.375
0.486
0
1
TS
0.330
0.472
0
1
CB
0.25
0.434
0
1
RB
0.366
0.483
0
1
PS
0.258
0.440
0
1
AS
0.294
0.457
0
1
AM
0.205
0.405
0
1
Variables
dépendante et
indépendantes
35
Annexe 4 : Résultats du modèle 1
-Matrice de corrélation
-Test de Fisher et Breush-Pagan
36
-Résultats d’estimation
37
Annexe 5 : Résultats du modèle 2
-Matrice de corrélation
38
-Test Vif
-Résultat d’estimation
39