Notes
-
[1]
Selon le Rapport 2007 du Sommet Mondial du Microcrédit, la microfinance sert aujourd’hui environ 133 millions de personnes dans le monde.
-
[2]
Au Cameroun, plus de 75 % des IMF sont affiliés à un réseau (Anne Claude Creusot, 2006).
-
[3]
Data Envelopment Analysis.
-
[4]
PROMETHEE = Preference Ranking Organization Method for Enrichment Evaluation ; GAIA = Geometrical Analysis for Interactive Assistance.
-
[5]
Pour obtenir des scores spécifiques par inputs et outputs, deux approches sont proposées dans la littérature sur les mesures d’efficience. La première
-
[6]
Le règlement n° 01/02/CEMAC/UMAC/CÜBAC relatif à l’exercice de l’activité de microfinance en Afrique Centrale stipule dans son article 7 que les IMF de première catégorie traitent exclusivement avec leurs membres.
-
[7]
Pour le calcul des scores d’efficience, nous avons utilisé le logiciel « DEAFrontier » de Joe Zhu.
-
[8]
Pour les calculs de la méthode PROMETHEE, nous avons utilisé le logiciel Decision Lab.
1La microfinance est devenue une industrie mondialisée (Michel Lelart, 2007) [1]. Pour autant, elle ne peut prétendre avoir atteint sa maturité. Son étonnant dynamisme l’amène à être confrontée à des enjeux déterminants pour sa stabilité et son développement. Si l’intérêt de la microfinance est aujourd’hui reconnu, force est de constater qu’il n’existe que peu d’éléments sur la mesure de ses effets.
2La microfinance, définie comme la fourniture des services financiers à la frange de la population exclue du système financier formel, a la particularité de vouloir accomplir une mission sociale tout en fonctionnant comme des institutions financières classiques. La conséquence de ce dualisme est qu’un succès financier a tendance à conduire vers un échec social et vice versa. Ceci suscite un débat pour savoir lequel des deux aspects devrait être prioritaire. Cette divergence de vue est accentuée, notamment, par le fait que les différents intervenants dans le secteur de la microfinance ont des préoccupations différentes. Les donateurs s’intéresseront à l’impact social des institutions qu’ils financent alors que les investisseurs vont se soucier de la pérennité financière. Cependant, dans les deux cas, des interrogations demeurent : est-ce que les ressources mises à la disposition de l’institution de microfinance (IMF) ont été utilisées de façon adéquate ? Ont-elles été gaspillées ? Auraient-elles pu permettre de produire le plus grand résultat possible ? Bref, l’institution a-t-elle été gérée de façon efficiente ?
3La recherche de l’efficience devient incontournable dans la mesure où elle conditionne la pérennité, donne confiance aux partenaires potentiels de l’institution et permet de bâtir sa notoriété. Cependant, la question de l’efficience des IMF n’a retenu que peu d’attention dans la littérature (Hong Son Nghiem, 2004 ; Abdul Qayyum et Mohamed Ahmad, 2006 ; Simon Cornée, 2006 ; Fadzlan Sufian, 2006 ; Begona Gutiérrez-Nieto et al., 2007 ; Ben Soltane Bassem, 2008). Tous ces travaux se cantonnent à mesurer le degré d’efficience des structures étudiées. Pourtant, la question de l’efficience ne se limite pas aux seuls investisseurs et donateurs, elle est également celle des gestionnaires, opérateurs au jour le jour des IMF. Plus particulièrement, si on considère le contexte camerounais où la plupart des IMF tend à se regrouper en réseau [2], la question de l’efficience de chaque institution, relativement aux autres, revêt une grande importance. Cependant, la seule connaissance du niveau d’efficience d’une institution ne suffit pas ; le manager a besoin d’un tableau de bord pour améliorer sa gestion. C’est précisément cette problématique que nous tenterons de résoudre dans le cadre de cette étude. Notre préoccupation consiste donc à mesurer l’efficience technique des IMF regroupées en réseau en apportant des éléments concrets de prise de décisions pour le gestionnaire. Pour cela, nous allons combiner deux techniques d’aide à la décision (DEA [3] et PROMETHEE-GAIA [4]) dans ce processus de prise de décisions.
4Pour atteindre notre objectif, ce travail est structuré en trois parties : la première circonscrit la performance en microfinance par la méthodologie des frontières d’efficience ; la seconde présente la conduite de l’étude empirique et la troisième expose les résultats et les recommandations.
1. – L’efficience comme mesure de la performance en microfinance
5La microfinance est caractérisée par un consensus sur son objectif qui est la lutte contre la pauvreté. Cependant, il existe une divergence sur la manière d’aider au mieux les pauvres à travers l’accès aux services financiers. Deux courants émergent : l’approche client considère la microfinance comme un moyen permettant de réduire la pauvreté des plus pauvres et met l’accent sur l’impact de la microfinance sur le bien-être des populations visées ; l’approche institutionnaliste considère que l’unique manière d’atteindre la grande majorité des pauvres est d’augmenter le mouvement de la microfinance par la massifi- cation du crédit, la recherche de l’autonomie financière et son intégration dans le système financier formel. Chaque IMF devrait viser la durabilité financière en maximisant son efficacité et sa productivité à travers la mesure de son efficience.
6L’efficience est une notion relative qui permet d’apprécier les performances ainsi que le potentiel de développement d’une entreprise et de la situer par rapport à ses concurrents. Elle implique pour une entreprise que les moyens disponibles soient utilisés au mieux et que les combinaisons productives optimales soient prises.
7Pour une IMF, l’efficience détermine la manière dont elle alloue ses ressources dans le but de fournir la meilleure performance.
8Les méthodes d’efficience permettent de distinguer l’efficience allocative de l’efficience technique (Robert J. Kopp et W. Erwin Diewert 1982 ; Subal C. Kumbhaker, 1988). Les entreprises, alloca- tivement efficientes, sont celles qui choisissent les combinaisons de facteurs les moins coûteuses et offrent les combinaisons de produits les plus rentables. Les entreprises, techniquement efficientes, sont celles qui parviennent à offrir le maximum de produits avec le minimum de ressources (Scoth E. Atkinson et Christopher Cornwell, 1994). L’efficience technique mesure donc la capacité d’une unité à produire le maximum d’output pour un certain niveau d’outputs, ou symétriquement, la capacité à produire un certain niveau d’outputs donné avec le minimum d’inputs (Tim Coelli, 1996).
9Ceci étant, le principe des méthodes d’efficience technique consiste à comparer les résultats d’une unité productive à ceux qu’elle obtiendrait si elle adoptait les pratiques des meilleures qui se localisent sur la frontière d’efficience. Son efficience est mesurée en calculant la distance qui la sépare de la frontière. Cette distance est exprimée au moyen d’un score d’efficience.
2. – Méthodologie
10Elle se fera en trois étapes : d’abord seront présentés les méthodes DEA et PROMETHEE-GAIA, ensuite l’intérêt sera porté sur la source des données et enfin la sélection des variables sera discutée.
2.1. – DEA et PROMETHEE-GAIA : outils d’estimation de l’efficience et d’aide à la décision
11Deux méthodes sont utilisées pour l’identification des frontières et le calcul des scores d’efficience (Allen N. Berger et David B. Humphrey, 1997).
12Les méthodes paramétriques spécifient les relations structurelles entre les variables à l’aide d’une fonction et recourent à l’économétrie pour estimer les frontières. Les méthodes non paramétriques auxquelles appartient la méthode DEA ne posent pas d’hypothèses a priori sur les caractéristiques des relations et construisent directement une frontière à partir des observations grâce à la programmation linéaire.
2.1.1. – La méthode DEA
13Elle construit une frontière efficiente virtuelle qui enveloppe les observations, à partir des données de l’échantillon. Ainsi, les informations situées sur cette frontière correspondent à des entités efficientes à 100 %. Les entités, dont les observations sont situées hors de cette frontière, ne sont pas totalement efficientes et leur inefficience respective peut être mesurée par l’écart entre la frontière et leur positionnement.
14La méthode DEA est adaptée pour l’étude de l’efficience de différentes unités, particulièrement pour les petits échantillons. Elle analyse chaque unité séparément et mesure son efficience par rapport à l’ensemble des unités de l’échantillon. De plus, son ajustement important aux données disponibles représente un atout indéniable. Toutefois son principal atout, son caractère relatif, est également sa principale faiblesse puisqu’il est impossible de tirer des conclusions quant aux valeurs absolues de l’efficience analysée. De même, il n’est pas facile de connaître les différentes contributions de chaque variable à l’efficience car l’on n’estime pas les différents coefficients pour décrire la fonction caractérisant la frontière d’efficience. L’approche DEA nécessite des analyses complémentaires pour obtenir des scores spécifiques par inputs et outputs [5]. En l’absence de telles informations, on perd ainsi un certain degré de précision au niveau de l’étude et donc au niveau des interprétations. C’est pour contourner cette limite que nous associons la méthode PROMETHEE-GAIA.
2.1.2. – La méthode PROMETHEE-GAIA
15PROMETHEE-GAIA est une méthode d’aide à la décision multi- critère (Jean-Pierre Brans et Bertrand Mareschal, 1994, 2002). Elle permet de traiter des alternatives multicritère en vue d’un rangement. Elle s’applique selon un processus qui comprend 4 étapes :
- comparaison de paires d’alternatives à partir des variables afin de déterminer un indice de préférence agrégé ;
- calcul des flots de surclassement en vue de la création d’un ordre sur les mesures ;
- rangement des alternatives à partir des flots de surclassement ;
- visualisation des alternatives et des variables dans un plan appelé le plan GAIA.
2.1.3. – Justification de la combinaison DEA - PROMETHEE-GAIA
16Dans le modèle DEA la sélection des variables ne requiert pas de spécification préalable de la fonction de production, la plupart des chercheurs décident alors a priori du modèle à utiliser (Francisco Pedraja-Chaparro, 1999 ; Carlos Serrano Cinca et al., 2001). Cependant Carlos Serrano-Cuica et al. (2001, p. 3), attirent l’attention sur le fait qu’une variable pourrait être incluse dans le modèle alors qu’elle ne contribue pas au calcul de l’efficience. De même, il est possible qu’une variable absente dans le modèle soit de grande importance pour l’analyse. Ils proposent d’analyser toutes les combinaisons possibles et de calculer ensuite les scores DEA de chaque modèle. Ils suggèrent alors l’utilisation de l’Analyse en Composantes Principales (ACP) pour interpréter les scores trouvés (Begona Gutiérrez Niéto et al., 2005, 2006 ; Simon Cornée, 2006).
17Cependant, ces études ont une démarche différente de la nôtre car les IMF étudiées sont assez hétérogènes d’où l’idée de traiter toutes les combinaisons possibles de modèles DEA.
18Dans notre démarche, la méthodologie DEA se justifie car nous voulons nous assurer que des IMF qui évoluent en deçà de leurs potentialités soient reconnues et poussées à l’efficience. Nous nous attaquons donc à la gestion technique. De plus, nous étudions un groupe homogène d’IMF appartenant au même réseau et similaire au niveau institutionnel. En tant que gestionnaire, nous désirons apporter des éléments concrets de prise de décision. On ne peut donc pas faire une combinaison des différents modèles DEA puisque chaque modèle propose ses propres mesures correctives. On aurait autant de propositions que de modèles et, bien évidemment, on ne saurait quoi retenir. La solution est donc de s’arrêter à un seul modèle.
19Un des avantages de la combinaison des modèles DEA et PROMETHEE-GAIA est de permettre de faire des rapprochements entre les différentes IMF et les variables choisies. On peut donc savoir quelle IMF est « bonne » ou « mauvaise » sur tel ou tel autre input (ou output). C’est en voulant garder cet avantage que nous complétons le modèle DEA par la méthodologie PROMETHEE- GAIA qui exploite les principes de l’ACP.
2.2. – Données et variables sélectionnées
2.2.1. – Sources des données
20Lancé en 1992, le mouvement des MC2 vise à doter les collectivités villageoises de microbanques de développement rural, créées et gérées par ses membres dans le respect des valeurs socioculturelles. Il s’agit une approche endogène de développement qui permet aux populations défavorisées de créer des richesses.
21Les MC2 sont des institutions de première catégorie [6] parrainées par une banque commerciale, Afriland First Bank qui, en même temps, joue le rôle de banque de dépôts et fournit l’assistance technique en partenariat avec l’ONG ADAF (Appropriate Development for Africa Foundation).
22Sur la base des données disponibles, nous avons retenu 20 MC2 sur les 65 du réseau ayant au moins 10 années d’existence. Les données chiffrées proviennent des états financiers de l’exercice 2006.
2.2.2. – Sélection des variables
23Le rôle d’une institution financière peut être décrit selon deux modèles : la production et l’intermédiation. Dans le premier cas, l’institution utilise des facteurs (capital, travail) pour procéder à des transactions financières (épargne et crédit). Ainsi, le personnel et les actifs sont considérés comme inputs, les dépôts et les emprunts étant considérés comme outputs. Par contre, si l’on considère le rôle d’intermédiation, l’institution financière collecte des dépôts et octroie des crédits, les dépôts sont considérés comme des inputs et les prêts comme des outputs. Pour conduire notre étude, nous avons retenu trois inputs (total actif, nombre d’employés, charges d’exploitation) et trois outputs (encours de crédits, produits d’exploitation, nombre d’adhésions des femmes). Le choix des deux premiers inputs a été effectué selon l’approche de production. Les « charges d’exploitation » et les « produits d’exploitation » synthétisent l’information sur l’autosuffisance financière et opérationnelle. L’encours crédits mesure la portée de l’IMF. Par ailleurs, les femmes étant la cible prioritaire des IMF (Thierry Montalieu, 2002), le nombre de femmes dans les emprunteurs devrait constituer la mesure de la performance sociale d’une IMF. Cependant, ne pouvant pas disposer des données sur le nombre d’emprunteurs femmes, nous avons utilisé le nombre d’adhésions des femmes, directement accessible dans la mesure où les MC2 sont des IMF de première catégorie.
3. – Résultats et recommandations
24Nous allons interpréter les résultats issus du DEA, de la combinaison des modèles DEA et PROMETHEE-GAIA et nous ferons des recommandations sur l’amélioration de l’efficience des MC2.
3.1. – Interprétation des résultats du modèle de DEA [7]
Tableau 1 : Efficience et paire de référence des MC2. Source : nos calculs.
Tableau 1 : Efficience et paire de référence des MC2. Source : nos calculs.
25Il ressort du tableau 1 une proximité des scores d’efficience qui peut s’expliquer par deux facteurs : d’abord une certaine maîtrise de leur activité à cause de leur ancienneté et ensuite la similitude dans leur gestion à cause de leur localisation géographique (14 sont de la région de l’Ouest du Cameroun) avec des similitudes dans les us et coutumes des populations locales.
26Bien que nécessaire, l’identification de ces MC2 n’est pas suffisante pour la prise de décision. En effet, en quoi est-ce que la MC2 est inefficiente par rapport aux MC2 de référence ?
27L’exploitation de l’information sur les MC2 de référence suppose que l’on arrive à reconnaître le comportement de chaque MC2 relativement aux différentes variables et à faciliter la prise de mesures correctives. Cependant, le DEA ne permet pas ce type d’analyse.
Tableau 2 : Excès d’inputs, défauts d’outputs de chaque MC2
Tableau 2 : Excès d’inputs, défauts d’outputs de chaque MC2
Act : actifs Ch : charges Fem : femmes Cr : crédits Em : employés Pro : produitsTableau 3 : Buts en termes d’inputs et d’outputs de chaque MC2. Source : nos calculs.
Tableau 3 : Buts en termes d’inputs et d’outputs de chaque MC2. Source : nos calculs.
28Le tableau 2 illustre pour chaque MC2 les possibilités de réduction existantes sur certains inputs ou d’augmentation éventuelles de certains outputs. Dans le cas des inputs, des ressources de la MC2 ne sont pas exploitées dans le but d’augmenter le volume des outputs. Pour les outputs, il s’agit de la valeur de ce qui aurait pu être « produit » compte tenu des ressources disponibles. À titre d’illustration, la MC2 de Bafou a un score d’efficience de 85,83 %. Par rapport à ses MC2 de référence, elle peut produire le même niveau d’outputs en réduisant sa consommation d’inputs de 14,17 %. Toutefois, en sus de la réduction proportionnelle de tous ses inputs, il est encore possible de réduire certains d’entre eux. Ainsi, les charges peuvent être encore réduites de 2 591 923 FCFA. De même le nombre d’employés peut encore être diminué d’une unité. À l’origine, Bafou comprenait 5 employés. Après la correction par le score d’efficience, le nombre d’employés peut diminuer d’une personne. Après la prise en compte des informations fournies par le modèle relatives aux excès d’inputs restant pour chaque firme, il subsiste un employé de trop. D’où le nombre optimal d’employés ramené à 3. Concernant les outputs, cette MC2 dispose d’un encours de crédits inférieur de 3 744 268 FCFA à ce qu’elle pourrait gérer avec les moyens dont elle dispose. Ainsi, grâce à l’information relative aux scores d’efficience et aux différents excès d’inputs et défauts d’outputs, le manager du réseau a une idée de la gestion de chaque MC2.
29Le tableau 3 donne les valeurs cibles à atteindre par chaque IMF pour être efficiente. Ces valeurs peuvent être exploitées par le manager pour la construction d’un tableau de bord de gestion. Si le DEA fournit des éléments permettant d’identifier les MC2 efficientes et inefficientes, il se révèle insuffisant dans une optique managériale des IMF. La combinaison des approches DEA et PROMETHEE-GAIA permet de caractériser les relations existant entre les MC2 et les différentes variables.
3.2. – Combinaison des approaches DEA et PROMETHEE- GAIA
30Pour la contribution de PROMETHEE-GAIA dans l’analyse, chaque MC2 sera considérée comme une action et les différents inputs et outputs du modèle DEA comme des critères de décision.
31L’élément manquant dans l’analyse DEA est la relation qui existe entre les différentes MC2 et les variables du modèle DEA. Cette information peut être obtenue en analysant le plan GAIA correspondant.
3.2.1. – Résultats de l’approche PROMETHEE-GAIA [8]
32Les liens existant entre actions et variables sont synthétisés dans le plan GAIA.
33Cette figure présente les différentes MC2 (triangles) ainsi que les différentes variables (carrés) ; l’axe de décision PROMETHEE est donné par le vecteur « pi » se terminant par un cercle. Elle permet de distinguer quatre groupes de MC2. Les MC2 se trouvant au sein de chaque groupe sont similaires et les groupes 1 et 3 sont très opposés dans leurs comportements. Le groupe 2 se présente comme la médiane entre les deux extrêmes. Remarquons que les MC2 de Muyuka et de Doumbouo s’isolent des groupes 1 et 2 et peuvent être regroupées dans un large groupe (groupe 4) comprenant les ellipses 1 et 2 et s’opposant au groupe 3.
Figure 1 : Typologie des MC dans le plan GAIA
Figure 1 : Typologie des MC dans le plan GAIA
34L’interprétation des critères se base sur la mesure de l’angle fait par les vecteurs qui les représentent. On trouve, d’une part, un angle presque droit entre le critère femme et les deux autres critères ce qui signifie que ces critères sont indépendants. Par exemple, le fait qu’une MC2 engrange d’importants produits d’exploitation ne traduit pas de lien avec le nombre d’adhésions des femmes. D’autre part, un angle de presque 180 degrés entre les critères produits et actifs signifie la présence de critères conflictuels. Le positionnement des actifs et des produits d’exploitation signifie que si une MC2 est « bonne » sur un des deux critères, alors elle serait « mauvaise » sur l’autre. Une MC2 serait « bonne » sur ces deux critères à la fois si elle pouvait simultanément minimiser ses actifs tout en augmentant ses produits d’exploitation.
35Le groupe 3 étant voisin du critère « actifs » à minimiser, il rassemble les MC2 qui disposent de modestes actifs ; il s’oppose au groupe 4. Prenons le cas des deux extrêmes Bafia_Makénéné et Bambalang_Bamunka, le premier dispose des actifs de plus d’un milliard alors que le second n’atteint pas 63 millions FCFA. Le groupe 4 représente des institutions qui ont des actifs importants. La plupart de ces MC2 ont des performances moyennes dans la maximisation des produits d’exploitation et du nombre d’adhésions des femmes. Dans ce groupe, on retrouve des MC2 qui ont des actifs plus élevés (groupe 1) et d’autres ayant des actifs de taille moyenne (groupe 2). Cependant, deux MC2 se démarquent, Muyuka plus tournée vers des objectifs financiers et Doumbouo orientée vers des objectifs sociaux. La configuration des critères révèle que ces deux objectifs ne s’excluent pas mutuellement. Cela signifie que le positionnement de ces IMF ne résulte pas forcément d’une décision de leurs dirigeants, mais plus, d’un état de fait. Par conséquent, la connaissance de cette situation peut pousser les managers du réseau à encourager leurs dirigeants dans la prise en compte de l’aspect négligé. La particularité de ces MC2 ne s’arrête pas là, on la retrouve dans les scores d’efficience du modèle DEA.
3.2.2. – Interprétation combinée DEA-GAIA
36Le tableau 4 présente les scores DEA en ne conservant comme MC2 de référence que Doumbouo et Muyuka. Les résultats sont présentés par ordre décroissant.
Tableau 4 : Scores et benchmarks des MCsdu modèle DEA réduit. Source : nos calculs.
Tableau 4 : Scores et benchmarks des MCsdu modèle DEA réduit. Source : nos calculs.
37Les MC2 de référence sont efficientes dans la gestion de leurs actifs et dans la participation des femmes. Ici, il convient de remettre en cause le choix du nombre d’adhésions des femmes, comme output mesurant la participation féminine. Il n’est pas intéressant sur le plan du management du réseau, car il s’agit d’un critère indépendant des autres. Il en serait autrement si on utilisait le nombre d’emprunteurs femmes, nombre qui augmenterait si la MC2 disposait d’actifs plus importants. Au niveau de la gestion, on mettrait alors en place des mesures conduisant à une croissance des actifs qui induira une meilleure participation des femmes. Il serait important d’enregistrer le nombre d’emprunteurs femmes dans le cas des MC2 pour pouvoir procéder à une telle analyse.
38Le tableau 4 donne les caractéristiques communes du reste des MC2 : toutes gèrent mal leurs ressources par rapport aux MC2 de référence. Mais, bien que toutes soient inefficientes, elles ne se ressemblent pas dans leur comportement. C’est le plan GAIA qui clarifie la situation. Il permet d’identifier les tendances générales suivantes :
- la majorité des institutions les moins mauvaises (score autour des 90 %) se localise dans le groupe 2 ;
- le groupe 1 est constitué par des institutions dont l’efficience oscille entre 75 et 80 %. Bafoussam rural et Baham constituent des exceptions ;
- le groupe 3 est le moins uniforme ; on y retrouve de bons scores comme Bafou et Manjo, mais aussi des plus mauvais comme Batié et Bambalang-Bamunka.
39En nous basant sur l’importance des actifs des institutions de chaque groupe, nous pouvons faire les estimations suivantes :
- les institutions dont les actifs sont compris entre 200 et 400 millions FCFA (groupe 2) ont les degrés d’efficience les plus élevés (90 %) ;
- lorsque la valeur des actifs dépasse 400 millions (groupe 3), les degrés d’efficience restent élevés mais chutent dans la zone des 75-80 % ;
- en dessous d’une valeur des actifs de 200 millions (groupe 1), les degrés d’efficience sont imprévisibles pouvant passer de 40 % au double.
40Ces intervalles font penser que l’efficience d’une MC2 est fonction de la valeur de ses actifs. Il semble qu’une MC2 est “mature” en termes de gestion de ses ressources lorsqu’elle dépasse le cap des 200 millions de FCFA. En dessous de ce seuil, elle balbutie et peut se retrouver dans tous les seuils d’efficience. Cependant, lorsque ses actifs sont supérieurs à 400 millions FCFA, son efficience décline, probablement à cause des ressources importantes qui deviennent difficiles à gérer.
41Le plan GAIA nous a ainsi permis d’approfondir la compréhension des scores d’efficience. La combinaison de DEA et GAIA suscite quelques réflexions.
3.3. – Recommandations pour l’optimisation de la gestion du réseau MC2
42Les scores d’efficience relative nous ont permis de procéder à un classement des IMF selon leur degré d’efficience. La première recommandation est de procéder à ce classement de façon régulière. L’évolution des scores chaque année donnerait une idée des progrès enregistrés par chaque IMF et globalement par le réseau.
43Dans le contexte camerounais, où il existe une grande diversité culturelle, il est intéressant pour le manager du réseau de procéder à une analyse selon les régions. Par exemple, parmi les MC2 traitées, celle de Ngaoundal est la seule de la région musulmane du Cameroun et c’est la seule où le défaut d’outputs “femmes” est important. À ce niveau, il s’avère que les facteurs d’inefficience dépassent le cadre managérial pour intégrer le contexte socioculturel de la MC2.
44S’agissant des groupes de référence, nous suggérons une double approche pour exploiter l’information des benchmarks. La première approche consisterait à ne faire intervenir que la MC2 non efficiente et les responsables de l’ADAF. Ces derniers auraient pour tâche d’identifier les éléments devant servir d’exemple de la part de la MC2 benchmark et d’œuvrer en collaboration avec les dirigeants de la MC2 non efficiente pour l’application des méthodes de gestion plus efficiente.
45La seconde approche impliquerait les MC2 efficientes et non efficientes ainsi que l’ADAF dans des séminaires d’échange au cours desquels les différentes MC2 apprendraient des autres. Les valeurs cibles, qui appliquées conduiraient à l’efficience de la MC2, sont un des avantages du DEA. Pour les exploiter, nous suggérons qu’elles servent d’objectif pour le fonctionnement des MC2. Il est judicieux de ne pas se limiter aux résultats fournis par le DEA ; il faut exploiter au maximum le plan GAIA. En effet, il est indispensable de comprendre le score d’une MC2. Ne pas comprendre les résultats du DEA conduit à des hésitations et des tâtonnements qu’un manager ne peut se permettre. Ceci est encore plus délicat si l’on doit piloter tout un réseau. Conclusion
46Cette étude s’est intéressée à une double problématique : d’abord mesurer l’efficience des IMF du réseau MC2 en utilisant la méthode DEA et, ensuite, combiner deux techniques d’aide à la décision (DEA et GAIA) pour éclairer le manager du réseau dans sa prise de décisions relatives à l’efficience. La question de la bonne gestion des ressources au sein du réseau a donc été notre principal centre d’intérêt.
47Afin d’apprécier la pérennité de chacune de ces MC2, le DEA a été mis à contribution afin d’évaluer leur efficience. C’est ainsi que le traitement des données financières et non financières a permis d’obtenir les scores d’efficience des différentes MC2. Il ressort que les scores d’efficience sont assez proches. Ces scores d’efficience estimés constituent une mesure synthétique de la performance relative des MC2. Ils mesurent l’efficacité organisationnelle, c’est-à-dire la capacité de la MC2 à limiter les gaspillages, l’efficacité économique, c’est-à-dire la part de marché ainsi que l’impact social.
48Toutefois, l’information fournie par l’approche DEA se limite à l’identification des MC2 efficientes et non efficientes ainsi qu’aux valeurs cibles et aux défauts. L’approche GAIA a rendu possible la compréhension du comportement de chaque IMF par rapport aux différents inputs et outputs du modèle DEA et permet d’orienter le manager du réseau dans la prise des décisions de gestion. Il ressort de cette étude que les MC2 ont tout intérêt à « se conformer » aux exigences de l’environnement socioculturel. Celles qui parviennent à s’adapter à ce dernier obtiennent les meilleurs résultats.
Annexe
Données relatives à chaque MC2de l’échantillon.
Données relatives à chaque MC2de l’échantillon.
Bibliographie
Bibliographie
- Atkinson E. Scoth, Cornwell Christopher, “Estimation of output and input Technical efficiency using a flexible functional form and panel data”. International Economy Review, n° 35, 1994, p. 245-255.
- Bassem Ben Soltane, “Efficiency of Microfinance Institutions : in the Mediterranean : An Application of DEA”. Transition Studies Review, volume xv, n° 2, 2008, p. 343-354.
- Berger Allen N., Humphrey David B., « Efficiency of financial institutions : international survey and directions for future research ». European Journal of Operational Research, volume 98, n° 2, 1997, p. 175-212.
- Brans Jean-Pierre, Mareschal Bertrand, “How to differentiate hard from soft multicriterial problems”. Accepted for publication in Discrete Mathematics 1994.
- Brans Jean-Pierre, Mareschal Bertrand, Prométhée-GAIA : une méthodologie d’aide à la décision en présence de critères multiples. Editions de l’Université de Bruxelles, Éditions Ellipses, Paris, 2002, 192 p.
- Coelli Tim, A guide to DEAP Version 2.1 : a data envelopment analysis (computer) program. Centre for efficiency and productivity analysis, University of New England, Australia, 1996, 49 p.
- Cornée Simon, Microfinance : Entre marché et solidarité. Analyse de la convergence entre performances financières et performances sociales : application de la méthode Data Envelopment Analysis sur 18 institutions de microfinance péruviennes. Mémoire de Master en Sciences de Gestion, IGR-IAE, Université de Rennes 1, 2006, 101 p.
- Creusot Anne Claude, « L’état des lieux de la microfinance au Cameroun ». BIM, n° 09 mai, 2006, 5 p.
- Färe Rolf, Lovell C.A. Knox, “Measuring the technical efficiency of production”. Journal of Economic Theory, volume xix, n° 1, 1978, p. 150-162.
- Gutiérrez-Nieto Begona, Serrano Cinca Carlos, Mar Molinero Cecilio, “Microfinance institutions and efficiency”. The International Journal of Management Science, volume 35, n° 2, 2007, p. 131-142.
- Kopp Robert J., Diewert W. Erwin, “The decomposition of frontier cost deviation into measure of technical and allocative efficiency”. Journal of Econometrics, n° 9, 1982, p. 319-322.
- Kumbhaker Subal C., « Estimation of input specific technical and allocative inefficiency in stochastic frontier models », Oxford Economics Papers, n° 40, 1988, p. 535-549.
- Lelart Michel, “Mondialisation et microfinance”. Article présenté au Colloque Mondialisation et Développement, Université d’Annaba (Algérie), septembre, 2007.
- Mayoukou Célestin, « Vers l’internationalisation de l’intermédiation microfinancière : l’émergence d’un marché international de refinancement des IMF », Gestion 2000, sept-oct 2008, p. 21- 36.
- Montalieu Thierry, « Les institutions de micro-crédit : entre promesses et doutes. Quelles pratiques bancaires pour quels effets ? « Monde en développement, 2002, tome xxx, p. 119-121.
- Nghiem Hong Son, Efficiency and effectiveness of micro-finance in Vietnam : evidence from NGOschemes in the North and Central regions. CEPA, School of Economics, UQ, 2004, 20 p.
- Pedraja-Chaparro Francisco, Salinas-Jimenez Javier, Smith Peter C., “On the quality of the DEA model”. The Journal of the Operational Research Society, volume 50, n° 6, 1999, p. 636-644.
- Qayyum Abdul, Ahmad Mohamed, Efficiency and sustainability of microfinance institutions in South Asia. Pakistan Institute of Development Economics (PIDE), 2006, 37 p.
- Serrano Cinca Carlos, Mar Molinero Cecilio, Selecting DEA specifications and ranking units via PCA. Discussion Papers in Management, n° M01-3, University of Southampton, 2001, 23 p.
- Sufian Fadzlan, “The efficiency of non-bank financial institutions : empirical evidence from Malaysia”. International Research Journal of Finance and Economics, n° 6, 2006, p. 49-65.
- Torgersen Anne Marie, Forsund Fin R., Kittelsen Sverre Andréa Campbell, « Slack-adjusted efficiency measures and ranking of efficient units”. Journal of Productivity Analysis, volume vii, n° 4, 1996, p. 379-398.
- Zhu Joe, « Multi- factor performance measure model with an application to Fortune 500 companies ». European Journal of Operational Research, Vol. 123, Issue 1, (2000), p. 105-124.
Notes
-
[1]
Selon le Rapport 2007 du Sommet Mondial du Microcrédit, la microfinance sert aujourd’hui environ 133 millions de personnes dans le monde.
-
[2]
Au Cameroun, plus de 75 % des IMF sont affiliés à un réseau (Anne Claude Creusot, 2006).
-
[3]
Data Envelopment Analysis.
-
[4]
PROMETHEE = Preference Ranking Organization Method for Enrichment Evaluation ; GAIA = Geometrical Analysis for Interactive Assistance.
-
[5]
Pour obtenir des scores spécifiques par inputs et outputs, deux approches sont proposées dans la littérature sur les mesures d’efficience. La première
-
[6]
Le règlement n° 01/02/CEMAC/UMAC/CÜBAC relatif à l’exercice de l’activité de microfinance en Afrique Centrale stipule dans son article 7 que les IMF de première catégorie traitent exclusivement avec leurs membres.
-
[7]
Pour le calcul des scores d’efficience, nous avons utilisé le logiciel « DEAFrontier » de Joe Zhu.
-
[8]
Pour les calculs de la méthode PROMETHEE, nous avons utilisé le logiciel Decision Lab.
