2.1 Hypothèses

20Suivant les développements précédents, les entreprises recourent ou évitent les dettes bancaires de long terme en fonction des objectifs d’efficience (minimiser les coûts d’agence, de transaction ou de faillite) qu’elles se fixent. De tels objectifs sont poursuivis lors du financement des investissements en actifs intangibles (AI) (Houston et James, 1996). Dans cet article, par hypothèse de travail, les entreprises étudiées investissent en AI. Deux hypothèses, H1 et H2, sont formulées. Suivant H1, les dettes bancaires de long terme influencent positivement les dépenses d’investissement en AI. Cette hypothèse privilégie les vertus des dettes bancaires de long terme et donc que les entreprises investissant en AI y font recours. Suivant H2, le financement des AI par les dettes bancaires de long terme influence positivement la performance. L’idée qui fonde cette hypothèse est la suivante. Si les dettes bancaires de long terme permettent à l’entreprise de financer ses AI en minimisant effectivement les coûts qui les caractérisent, cette efficience est censée se manifester finalement par un accroissement de la performance de l’entreprise (Parthiban, O’Brien et Toru, 2008).

2.2 Aire d’expérimentation, échantillon et données

21L’échantillon est constitué de 99 entreprises. Le Cameroun est l’aire d’expérimentation. Les données proviennent des Déclarations statistiques et fiscales (DSF) consultées à l’Institut national de la statistique. Celles-ci sont quantitatives, portent sur la période 2001-2005 et ont été organisées en panel. L’étude porte donc sur 495 observations.

2.3 Variables

22Deux principaux types de variable sont définis : les variables dépendantes et les variables explicatives.

23Les variables dépendantes sont au nombre de deux : celle de l’investissement de l’entreprise en AI, notée Y1 et celle de performance, notée Y ₂ . Y1 a été mesurée par le montant du ratio Immobilisations incorporelles/Actif total, puisque les AI forment "un élément majeur du capital productif, inscrit en tant qu’immobilisation incorporelle à l’actif du bilan" (Mouhoud et Plihon, 2007, 34). La performance (Y ₂), conçue du point de vue des actionnaires, est mesurée à partir des données comptables par le montant du ratio Résultat net/Capitaux propres. En effet, au Cameroun où le marché boursier estfaiblement actif, seule la performance mesurée à partir des informations comptables peut être sensible à la structure financière (Wanda, 2003).

24Les variables explicatives sont, d’une part, celles considérées dans le modèle empirique (1) et, d’autre part, celles qui caractérisent le modèle (2).

25Les variables explicatives du modèle (1) concernent les dettes bancaires de long terme, les dettes bancaires de court terme et les dettes fournisseurs. La variable des dettes bancaires de court terme est notée X 0 et a été mesurée par le montant du ratio Concours bancaires courants/Actif total. Celle représentant les dettes bancaires de long terme est X₁. Ces dernières sont difficiles à identifier dans les bilans des entreprises issus des DSF consultées. Le montant du poste"Dettes financières" au passif du bilan a été considéré comme correspondant à celui des dettes bancaires de long terme : le raisonnement est fondé sur l’idée que dans le contexte de l’étude, en raison de la faible activité du marché évoquée plus haut, les dettes financières ne peuvent provenir en grande partie que des banques [9]. X₁ a donc été appréhendée par le ratio Dettes financières/Actif total.

26Les variables explicatives du modèle (2) sont des variables de comportement financier des entreprises étudiées : comportement vis-à-vis des dettes bancaires de court terme (X 01), comportement vis-à-vis des dettes bancaires de long terme (X 111) et comportement vis-à-vis des dettes fournisseurs (X ₂₃).

27La création de ces variables est délicate. Sur la variable explicative d’intérêt (X111), des compléments sur plusieurs points sont nécessaires :

28

• X111 devrait être une variable qui résume les informations relatives, d’une part, au financement des AI par les dettes bancaires de long terme et, d’autre part, au non-recours à ces dettes quant au financement de ces actifs. Ainsi pourrait-on mesurer précisément, dans le modèle (2), l’influence de chaque comportement financier représentant chacune de ces deux catégories d’informations sur la performance et en déduire celui qui apparaît comme convenable pour l’investissement en AI ;
• pour que X111 ait ces caractéristiques, il faut créer une variable d’interaction. Cette méthodologie est adoptée dans des travaux empiriques spécialisés, et plus précisément ceux analysant la relation causale dettes bancaires/AI-performance de l’entreprise (O’Brien, 2003) ;
• une telle solution, en dépit de son intérêt, est inadaptée pour la présente étude. En effet, la variable d’interaction résultante serait de nature quantitative ou continue et, par conséquent, à contenu informationnel imprécis (relativement aux deux catégories d’informations sus-évoquées).

29Pour générer X111, la démarche consiste à distinguer deux situations opposées. La première est celle dans laquelle on peut vraisemblablement concevoir qu’unepartie au moins des dettes bancaires de long terme de l’entreprise a servi à financer ses AI : c’est le cas où le montant du poste Immobilisations incorporelles est inférieur à celui dettes financières. Elle correspond à la modalité 1 de X111. La situation inverse est celle où il est inconcevable que les AI aient été financés par les dettes bancaires de long terme : le cas où le montant du poste Immobilisations incorporelles est supérieur à celui des dettes financières. À celle-ci correspond la modalité alternative X111=0.

30Le même raisonnement a été adopté pour générer X ₂₃ . X ₂₃ =1 représente la modalité suivant laquelle peut se concevoir la possibilité que les AI aient été financés par les dettes fournisseurs et X ₂₃ =0 traduit l’alternative.

31Pour garantir la qualité du modèle (2) et éviter que ses variables explicatives soient de nature qualitative, la démarche précédente n’a pas été retenue pour créer X 01. Pour cette variable qui doit idéalement être quantitative ou continue, l’option de l’interaction est retenue. Autrement dit, X01 est la variable d’interaction entre la variable des dettes bancaires de court terme (X 0) et celle de l’investissement en AI (Y₁).

2.4 Modèles empiriques

32Deux modèles économétriques sont conçus, les modèles (1) et (2).

33Le modèle (1) étudie le comportement financier des entreprises (recours ou évitement) relativement au choix des dettes bancaires de long terme [10] pour financer les AI. Y₁ est sa variable dépendante et X111 sa variable explicative d’intérêt. Les variables X 01 et X ₂ y sont des variables explicatives de contrôle. Il est en effet considéré que les dettes bancaires de long terme et celles de court terme ne sont pas substituables ; que les dettes fournisseurs sont théoriquement concurrentes des dettes bancaires, surtout celles de court terme, puisqu’étant adaptées au financement des AI (Petersen et Rajan, 1997). Le modèle (1) est donc ainsi formalisé :

Y 1 i , t^{= ?} 0^{+ ?} 1^X 0 i , t^{+ ?} 2^X 1 i , t^{+ ?} 3^X 3 i , t⁺ ? i , t⁽¹⁾

34Avec : i allant de 1 à 99 ; t allant de 2001 à 2005 ; ?₁ , ? ₂ et ?₃ les coefficients des variables définies ; représentant la constante et le terme d’erreur du modèle.

35Le modèle (2) est conçu pour analyser l’effet sur la performance du comportement financier de l’entreprise, tel qu’il résulte de l’estimation du modèle précédent. Sa variable dépendante est donc Y ₂ et sa variable explicatived’intérêt X111. Pour tenir compte des effets des deux autres comportements financiers potentiels, relatifs aux dettes bancaires de court terme et fournisseurs, sur la performance, X ₂₃ et X 01 sont retenues comme des variables explicatives de contrôle. Dans ce modèle, Y₁ est une autre variable explicative de contrôle. L’investissement en AI est, en effet, à la base de la création de valeur (Andrieux, 2008). Le modèle (2) est, en conséquence, ainsi formalisé :

Y2i, t =?0 +?1Y1i, t + ?2 X 01i, t + ?3 X111 i, t +?4 X 23i, t +? i, t
(2)

36avec : ?₁, ?₂, ?₃et ?4 correspondant aux coefficients des variables en présence ; représentant la constante et le terme d’erreur du modèle.

2.5 Méthode et logiciel économétrique d’analyse

37Stata version 9.0 est le logiciel économétrique utilisé. Elle utilise la méthodologie des données de panel. Le type de modélisation des effets individuels retenu pour l’estimation des régressions (1) et (2) est le modèle à effets aléatoires. Le choix de ce modèle est dicté par les résultats du test d’Hausman [11]. Pour le modèle (1), les résultats indiquent une différence non significative au seuil de 1% (p value=0.597) des deux estimateurs, ce qui implique que la modélisation à effets aléatoires est appropriée. Cette différence non significative (p value=0,344) est également observée en ce qui concerne le modèle (2) et autorise aussi l’usage du modèle à effets aléatoires.

38Le modèle à effets aléatoires est fondé sur l’hypothèse qu’il existe au moins une variable explicative endogène dans la régression. Pour déterminer les variables explicatives endogènes de chacun des deux modèles en présence, le test d’endogénéité de Nakamura et Nakamura est effectué sur chacune de ses variables explicatives. Les résultats conduisent à conclure à l’endogénéité des variables X 0 du modèle (1) et X 111 du modèle (2), puisque les résidus de la première étape sont significatifs et sont respectivement 0.049 et 0.036.

39L’endogénéité des variables explicatives du modèle (1), par exemple, signifierait qu’il est possible que, contrairement à la forme de cette régression, ce soit plutôt la variable d’AI (Y₁) qui détermine les variables de la maturité des dettes bancaires que sont X0 et X₁. Dans ce cas, la maturité de la dette n’est pas exogène à l’investissement [12]. L’existence des variables explicatives endogènes contraint à choisir une méthode d’estimation convenable pour garantir l’obtention des coefficients convergents.

40La présente étude a opté pour la méthode des variables instrumentales. Pour chacune des variables endogènes identifiées, la logique de cette méthode exige un instrument au moins. L’instrument de la variable endogène X 0 est la variable de discrétion managériale, notée X₁₃ [13]. X₁₃ est une variable dichotomique : la modalité de référence correspond à la présence des dirigeants dans le capital [14] de l’entreprise (X ₁₃ =1), l’alternative traduit l’absence (X ₁₃ =0). Les résultats du test d’exogénéité de Sargan sont favorables à la validité de cet instrument : il est, en effet, indicatif (p value égale à 0.500) dans l’explication du résidu du modèle (1). La même variable X₁₃ a été considérée dans le modèle (2) comme étant l’instrument de X111 et les résultats du test de Sargan ont conduit à accepter sa validité. Sa p value de 0.258 n’explique pas significativement le résidu du modèle (2).

3.1 Les entreprises évitent les dettes bancaires de long terme

42Il apparaît que les résultats contenus dans le tableau 1 sont globalement non significatifs quelque soit le seuil d’erreur parmi les trois généralement utilisés (1%, 5% et 10%). En effet, Prob > chi2= 0.59 est bien supérieure à chacun de ces seuils. La marge d’erreur à laquelle il faut considérer ces résultats est 59%. Le niveau de confiance est donc d’environ 99,41%.

43X₁ explique négativement les dépenses en AI (Y₁) avec un coefficient d’environ -0.85. Cette explication est toutefois non pertinente (p value est égale à 0.961). Ce résultat conduit à rejeter l’hypothèse H1. Conformément à la logique de la thèse d’endogénèité de la structure financière des entreprises privilégiée [15] dans ce travail et qui fait dépendre la structure d’endettement bancaire de l’entreprise exclusivement de la discrétion de ses dirigeants, les entreprises investissant en AI évitent de recourir aux dettes bancaires de long terme. Si l’on admet que les banques camerounaises ont un comportementtransactionnel dans leur relation de crédit avec les entreprises (Wanda, 2007), le fait pour ces dernières (investissant en sus en AI) d’éviter l’endettement bancaire peut se justifier et corroborer, notamment, un résultat de Houston et James (1996). Rappelons que l’investissement en AI est une catégorie d’investissement pour lequel l’entreprise a besoin d’un mode de financement de type relationnel ou des créanciers dotés de comportement relationnel (O’Brien, 2003).

44Par ailleurs, la variable X0 appréciant l’endettement bancaire de court terme influence négativement, et de façon significative au seuil de 10% (p value=0,067), la variable des dépenses d’investissement en AI notée Y₁. On en déduit que, suivant la thèse d’endogénèité, les entreprises investissent en AI en évitant de recourir aux dettes bancaires de court terme. Trois principaux motifs peuvent expliquer cet évitement : les taux d’intérêt pratiqués par les créanciers, l’incertitude quant à la possibilité des créanciers à accepter le refinancement et le risque que ces créanciers s’engagent dans une liquidation précoce. Le comportement transactionnel peut justifier l’évitement constaté, d’autant plus que les entreprises étudiées (celles investissant en AI) ont plutôt besoins d’un financement provenant d’un créancier doté de comportement relationnel.

45X ₂ est l’unique variable influençant Y ₁ positivement, bien que cette influence ne soit pas significative. Le raisonnement consistant à "endogénéiser" la structure financière des entreprises conduit à interpréter ce résultat comme traduisant le fait que ces entreprises tendent à recourir aux crédits fournisseurs lorsqu’il s’agit d’investir en AI.

3.2 Les dettes bancaires de long terme défavorisent la performance

46Ce constat découle de l’estimation du modèle (2) dont les résultats sont contenus dans le tableau 2. À partir de la valeur de la p value du chi2, Prob > chi2 (0,56), on constate que ces tests ne sont significatifs à aucun des trois seuils d’erreurs généralement retenus. La marge d’erreur à laquelle il faut les considérer est donc de l’ordre de 56%. À celle-ci correspond un niveau de confiance d’environ 99,44%.

47L’investissement en AI (Y₁) considéré isolément (sans considération de son mode de financement) influence négativement la performance de l’entreprise de manière significative. Une influence de cette nature est contraire à ce que prévoit l’ensemble des modèles théoriques valorisant l’immatériel et aux résultats des nombreux travaux empiriques événementiels (Nguyen, 2002). En soulignant que ce type d’investissement peut être entrepris par des dirigeants soucieux plutôt de leurs intérêts personnels (que de la valeur actionnariale), le présent résultat peut se justifier.

48La variable X111 influence positivement celle de la performance Y ₂ . Cette influence est significative au seuil de 5% (p value=0.093). C’est la modalité deréférence notée X111=1 considérée dans le processus d’estimation. Ce n’est que sous cette modalité que la possibilité que les dettes bancaires de long terme aient été contactées pour financer spécifiquement les AI est envisageable. Le coefficient négatif entre Y ₂ et X 111 traduit que c’est cette modalité de référence qui influence négativement la performance de l’entreprise.

49Il faut, en outre, souligner qu’en réalité, et conformément aux résultats du tableau (1) interprétés, les entreprises étudiées ne financent pas leurs AI en recourant aux dettes bancaires, mais les évitent plutôt. Cette situation d’évitement correspond à celle de la modalité alternative X111= 0 qui, par déduction de l’interprétation ci-dessus, influence positivement la variable de performance. Le fait pour les entreprises camerounaises d’éviter les dettes bancaires de long terme pour leurs investissements en AI est source d’efficiences conduisant à l’accroissement de leurs performances : de telles efficiences pouvant découler d’une économie des coûts de transaction (taux d’intérêt exorbitants) qu’auraient supporté les entreprises étudiées si elles s’étaient endettées auprès des banques camerounaises dont le comportement est transactionnel. Cette lecture conduit à rejeter implicitement l’hypothèse H2. En conséquence, les dettes bancaires de long terme apparaissent comme un mode de financement bancaire non convenable à l’investissement en AI des entreprises étudiées : les travaux spécialisés qualifient de convenable ("suitable") tout mode de financement qui, servant à financer les AI, accroît la performance de l’entreprise considérée.

50Quant à la variable X 01, elle influence négativement la performance Y ₂ . Comme dans le cas précédent, ce coefficient s’analyse comme celui de la modalité X 01=1 (modalité de référence) correspondant à la situation considérée comme celle où peut se concevoir la possibilité que les dettes bancaires de court terme aient servi à financer les AI de l’entreprise. La situation correspondant à la modalité alternative X 01=0 est donc celle sous laquelle il faut associer le résultat présenté à la section 3.1 et selon lequel les entreprises étudiées évitent ces dettes en investissant en AI. Le lien négatif entre X 01 et Y ₂ implique que cet évitement, favorable à la performance, est aussi source d’économie d’efficiences, notamment en termes de coûts de transaction, d’agence ou de liquidation [16]. Autrement dit, le recours aux crédits bancaires de court terme estdéfavorable à la performance des entreprises étudiées. Cette conclusion est cohérente avec celle de l’étude de Tioumagneng (2004) pour qui les (petites et moyennes) entreprises camerounaises préfèrent recourir à leurs fonds propres que de s’endetter (à court comme à long terme) auprès des banques aux fins d’éviter de partager avec ces dernières la rente créée ou de préserver leur autonomie. On constate, enfin, que le recours aux dettes fournisseurs pour financer les AI défavorise la performance des entreprises considérées. Ce type d’endettement est donc source d’inefficiences [17], contrairement à la théorie existante (Petersen et Rajan, 1997).