Les facteurs déterminant les taux d’intérêt et la performance financière et sociale des institutions de microfinance
Bibliographic record
Abstract
Le développement des institutions de microfinance, surtout dans les pays en développement est parfois associé à une amélioration des conditions de vie des ménages considérés comme pauvres. A ce titre, la microfinance est considérée comme un outil qui favorise l’inclusion financière et la réduction des inégalités sociales et économiques. Cependant, l’application de son taux d’intérêt et des objectifs réellement poursuivis soulèvent de plus en plus des ambiguïtés qui renvoient à des allégations de détournement d’objectifs et d’endettement des pauvres. Pour lever ces équivoques, nous nous sommes intéressés dans cette thèse aux facteurs déterminants du taux d’intérêt et de la performance financière et sociale des institutions de microfinance. Cette problématique est particulièrement intéressante dans le sens où elle permet d’appréhender les facteurs qui concourent à la hausse ou à la baisse des taux d’intérêt débiteurs en microfinance. Mais également l’influence de la diversité sociale et culturelle sur la performance des IMF (Institutions de Microfinance). La connaissance de la quintessence de ces facteurs permet aux IMF de fournir de meilleurs services. Ces derniers pourraient en effet favoriser d’importants avantages concurrentiels (taux d’intérêt raisonnable, atteinte d’objectifs financiers et sociaux, flexibilité des services offerts). Nous développons dans cette thèse quatre chapitres, rédigés sous forme d’articles scientifiques.Dans le chapitre 1, nous étudions le taux d’intérêt dans un cadre général en prolongeant les travaux de Rosenberg et al. (2013) et en mettant en exergue d’autres facteurs susceptibles d’expliquer la variabilité des taux d’intérêt. En outre, nous analysons l’effet du statut juridique et de la région géographique sur la fixation du taux d’intérêt. Les résultats obtenus ont permis de constater que les IMF définissent leur taux d’intérêt en tenant compte d’autres facteurs (proportion des femmes emprunteuses, statut juridique, les facteurs macroéconomiques, la région géographique etc.) outre que les frais généraux, les coûts opérationnels, les créances irrécouvrables, les produits de placement et le profit qui étaient préalablement définis par Rosenberg et al. (2013). Au niveau du chapitre 2, nous analysons les impacts de l’ancienneté et de la taille des IMF sur la variabilité du taux d’intérêt. Nous traitons également les aspects méthodologiques qui permettent de mieux appréhender les variables qui prennent divers attributs. Nous avons mesuré l’ancienneté en fonction du nombre d’années d’exercice et avons classé trois types d’IMF : celles qui sont nouvelles dont leur ancienneté est inférieure à 2 ans, celles qui sont jeunes avec une ancienneté comprise entre 2 à 4 ans et celles matures avec une ancienneté de plus de 4 ans. Quant à la taille, nous l’avons défini en fonction de la taille moyenne des prêts. Ce qui nous a permis de classer également trois types d’IMF : les IMF de petite taille (inférieure à 2 millions de dollars), celles de tailles moyenne (compris entre 2 et 8 millions de dollars) et celles de large taille (supérieure à 8 millions de dollars). Les résultats que nous avons obtenus ont permis de remarquer que les IMF matures ou de taille large fixent des taux d’intérêt plus faibles comparés à celles nouvelles, jeunes ou de petite taille. Le chapitre 3 contribue à prolonger le premier en mettant l’accent sur l’approche méthodologique. À cet effet, nous examinons le taux d’intérêt dans un cadre dynamique afin de considérer les anticipations car les fluctuations qui affectent le développement des IMF sont souvent imprévisibles et rapides. Les résultats obtenus dans ce chapitre ont permis de remarquer une évolution positive (augmentation) du taux d’intérêt au cours du temps. Cette évolution est plus significative au sein des coopératives et des IMF qui ont un statut d’Organisation Non Gouvernementales (ONG).
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 | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| 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".