Les déterminants des faillites bancaires dans les pays en développement: le cas des pays de l'Union économique et monétaire Ouest-africaine (UEMOA)
Notice bibliographique
Résumé
L’objectif de ce papier est de determiner les facteurs susceptibles d’expliquer les faillites bancaires au sein de l’Union economique et monetaire ouest-africaine (UEMOA) entre 1980 et 1995. Utilisant le modele logit conditionnel sur des donnees en panel, nos resultats montrent que les variables qui affectent positivement la probabilite de faire faillite des banques sont : i) le niveau d’endettement aupres de la banque centrale; ii) un faible niveau de comptes disponibles et a vue; iii) les portefeuilles d’effets commerciaux par rapport au total des credits; iv) le faible montant des depots a terme de plus de 2 ans a 10 ans par rapport aux actifs totaux; et v) le ratio actifs liquides sur actifs totaux. En revanche, les variables qui contribuent positivement sur la vraisemblance de survie des banques sont les suivantes : i) le ratio capital sur actifs totaux; ii) les benefices nets par rapport aux actifs totaux; iii) le ratio credit total sur actifs totaux; iv) les depots a terme a 2 ans par rapport aux actifs totaux; et v) le niveau des engagements sous forme de cautions et avals par rapport aux actifs totaux. Les ratios portefeuilles d’effets commerciaux et actifs liquides par rapport aux actifs totaux sont les variables qui expliquent la faillite des banques commerciales, alors que ce sont les depots a terme de plus de 2 ans a 10 ans qui sont a l’origine des faillites des banques de developpement. Ces faillites ont ete considerablement reduites par la creation en 1989 de la commission de reglementation bancaire regionale. Dans l’UEMOA, seule la variable affectee au Senegal semble contribuer positivement sur la probabilite de faire faillite.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».