Les déterminants des faillites bancaires dans les pays en développement: le cas des pays de l'Union économique et monétaire Ouest-africaine (UEMOA)
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.009 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".