Structure du marché bancaire et stabilité financière

Juin 2011
Structure du marché bancaire
et stabilité financière
Mémoire réalisé sous la direction de Jézabel Couppey-Soubeyran
Guillaume ARNOULD
Université Paris1 – UFR 02 Sciences Economiques - Master 2 Recherche – Monnaie, Banque, Finance.
Résumé :
La relation entre la structure du marché bancaire et la stabilité financière est abordée à
travers trois canaux : le pouvoir de marché, la complexité bancaire et la diversification du
portefeuille des banques. La base de données comprend 108 pays sur la période 1995-2009.
Les principaux résultats des régressions sont que la concentration a un effet négatif sur la
stabilité financière, et que le pouvoir de marché semble être la principale caractéristique d’un
marché bancaire concentré, pour la stabilité financière, ie le canal du pouvoir de marché est
identifié au sein des régressions.
« L’université de Paris 1 Panthéon Sorbonne n’entend donner aucune approbation, ni
désapprobation aux opinions émises dans ce mémoire ; elles doivent être considérées comme
propre à leur auteur »
-2-
Sommaire
Partie I. Introduction ………………..…………………………………………………… p.4
Partie II. Revue de la littérature …………………………………………………………. p.6
Partie III. Présentation des données et de la méthode de régression ………………… p.16
3.1 Données …………………………………………………...…………………. p.16
3.2 Méthodologie d’estimation du modèle empirique …………………………. p.24
Partie IV. Résultats …………………………………………………………………….. p.26
4.1 Régression principale ………………………………………………………. p.27
4.2 Régressions liées aux canaux ………………………………………………. p.29
Partie V. Conclusion …………………………………………………………………… p.31
Bibliographie …………………………………………………………………………… p.33
Annexes ………………………………………………………………………………… p.36
-3-
I. Introduction
A la suite de la crise financière de 2007 un large mouvement de fusions et de rachats
au sein du secteur bancaire de nombreux pays s’est mis en marche, Bank of America a par
exemple racheté Merrill Lynch en 2008. La période précédant la crise ayant déjà été très riche
en consolidation de banques, le degré de concentration du marché bancaire devient de plus en
plus important et commence à inquiéter les autorités de supervision qui s’interrogent sur les
effets de ce phénomène sur l’économie, et en particulier sur la stabilité financière. Plus
généralement la relation entre la structure du marché bancaire et la stabilité financière est un
sujet fondamental pour les superviseurs et pour les politiques publiques ; car tout facteur
d’instabilité qui pourrait engendrer une crise qui toucherait l’économie dans son ensemble est
un enjeu public. Toutefois avant d’étudier la relation entre ces deux variables, il est nécessaire
de les définir plus précisément, car elles recouvrent toutes deux de vastes réalités. Ainsi, la
structure du marché bancaire a deux principales dimensions, la première est le degré de
concurrence, c'est-à-dire la structure plus économique. La seconde dimension est liée à la
concentration du marché bancaire, c’est une structure plus réel, plus concevable ne serait-ce
qu’à travers le nombre brut de banques. Néanmoins, même si la structure d’un marché a deux
dimensions principales, celles-ci ne sont pas indépendantes l’une de l’autre. Ainsi le degré de
compétition est difficilement mesurable, car bien qu’il émerge avant tout d’une structure
réelle de la concurrence, comme le nombre de concurrent, il est aussi le résultat de règles et
lois explicites et implicites ; c’est pourquoi la concurrence peut prendre plusieurs formes
comme celle de barrières à l’entrée d’un marché. Les articles qui traitent de la concurrence
sont obligés de trouver une valeur mesurable en absolu afin de l’approcher, c’est pourquoi il
arrive souvent que dans les études empiriques le degré de concentration soit utilisé comme
proxy du degré de concurrence. Dans le cas du sujet qui nous intéresse, pour prendre au
mieux la mesure de la structure du marché bancaire, il est nécessaire de se focaliser sur le
degré de concentration, et d’y ajouter des variables de contrôle comme l’ouverture du marché
bancaire ou le poids de la supervision. Le degré de concentration peut varier selon la base
utilisée (actifs ou dépôts par exemple) ou bien selon le marché considéré. En ce qui concerne
la variable de la stabilité financière, elle est encore plus difficile à aborder que la structure du
marché bancaire ; en effet il n’existe pas de définition précise de cette dernière, la meilleure
-4-
approche consiste à la définir en creux, c'est-à-dire en se basant sur l’instabilité financière.
Celle-ci étant vue comme un fléau économique, les définitions sont pléthoriques comme le
montre l’article de VanHoose.D (2011), où il en répertorie pas moins de 14. Toutefois il les
classe en seulement deux catégories. Celle où c’est un choc qui, touchant de nombreux
acteurs, entraine des faillites simultanées qui déstabilisent toute l’économie, et celle où les
acteurs (en particulier les banques) sont très interconnectés ; ainsi la faillite d’un seul peut
entrainer une faillite générale du système c'est-à-dire une crise systémique – comme l’a
démontré l’exemple de Lehman Brother. Ces définitions néanmoins se contentent de préciser
l’origine de l’instabilité, or afin de réaliser une étude empirique il faut être capable de
l’évaluer, de la mesurer. Ainsi pour simplifier on peut considérer deux cas d’instabilité ; celle
où la faillite n’est qu’une probabilité, qui peut être importante, mais qui n’est pas réalisée
formellement. Ce cas de figure recouvre bien une réalité, car le système peut basculer à tout
moment et engendrer une crise financière. Il existe un outil intéressant pour évaluer cette
configuration ; le Z score1, de part sa construction il représente une proximité à la faillite
symbolisée par un score nul. Le deuxième cas de figure qui n’est pas incompatible avec le
premier, s’intéresse aux crises systémiques réalisées, en mettant en place des critères de pertes
ou de mesures comme le font Laeven et Valentia.F (2008, 2010). Cette approche a le mérite
de ne considérer que les crises systémiques effectives et non pas potentielles, ce qui la rend
plus précise mais aussi plus limitée dans sa conception d’instabilité financière. Afin
d’examiner la relation entre ces deux variables aux contours mal définis, que sont la
concentration et la stabilité financière, on se basera avant tout sur trois articles ; celui de Beck,
Dermiguc-Kunt et Levine (2007), celui de Boyd, De Nicolo et Al Jalal (2006) et enfin celui
de Uhde et Heimeshoff (2009). Le premier trouve une action positive de la concentration dans
la prévention des crises alors que pour les deux autres papiers la concentration est un facteur
d’instabilité. Toutefois il est clair que se focaliser simplement sur la relation entre nos deux
variable est insuffisant, il est nécessaire de s’intéresser aux canaux par lesquels passent cet
effet ; tout d’abord afin d’en avoir une meilleure compréhension, mais aussi car cela permettra
de constituer des recommandations de politique économique dans le but de favoriser la
stabilité financière. La base de donnée utilisée dans l’estimation empirique est constituée de
108 pays sur une période allant de 1995 à 2009 ; le nombre de donnée relativement important
est un facteur en faveur de la précision des résultats, de plus la plage des années permet de
1
Z-score = (ROA + EQTA)/σROA où le ROA est le return on assets, le EQTA le ratio de equity sur assets et
σROA l’écart type du ROA
-5-
prendre en compte des années de stabilité financière et d’autres de forte instabilité financière
mondiale, comme la crise asiatique en 1998 et la crise des subprimes en 2007.
La structure est organisée comme suit : la partie II. est une revue de la littérature qui identifie
les canaux par lesquels la concentration peut influer sur la stabilité financière et apporte un
éclairage théorique et empirique sur chacun. La partie III. présent les données et de la
méthodologie de régression employée. La partie IV. expose les résultats de la régression et
commente les tableaux situés en annexe. Enfin la partie V. est constituée de la conclusion.
II. Revue de la littérature
Traditionnellement les revues de la littérature concernant ce sujet sont rangées selon si
elles appuient l’idée que la concentration au sein du marché bancaire a un effet stabilisateur
ou bien si au contraire cette dernière tend à faire croitre l’instabilité du système financier.
Bien que cette classification soit efficace en général, il semble qu’une approche en termes de
canaux puisse mieux rendre compte de la façon dont la concentration du marché bancaire
influe sur la stabilité financière. Trois canaux ont pu être identifiés suite à une abondante
documentation sur le sujet. Tout d’abord celui du pouvoir de marché qui provient du fait que
dans un marché bancaire concentré, la concurrence peut s’en retrouver réduite et en
conséquence les banques y opérants sont moins sujettes à la pression concurrentielle. Selon la
littérature théorique l’effet anticipé de ce canal est ambigu. Le second canal est celui de la
diversification qui suppose que dans un système bancaire plus concentré, les banques ont une
taille moyenne plus grande et sont donc plus à même de diversifier leurs actifs. L’effet de ce
canal est moins ambigu, car la diversification reste le meilleur moyen de diminuer les risques
et donc de limiter l’instabilité du secteur financier. Enfin le troisième canal est celui de la
complexité des banques, l’idée étant que les grandes banques sont plus opaques, donc plus
difficiles à contrôler ; mais aussi qu’elles sont moins nombreuses au sein d’un système
concentré plutôt qu’atomisé, ce qui pourrait alors faciliter la supervision en permettant aux
autorités de contrôle de ne se préoccuper que de quelques banques.
-6-
Dans de nombreux articles sur le sujet, degré de concentration et degré de compétition
sont confondus, et ce en particulier au niveau de nombreux papiers empiriques qui utilisent le
degré de concentration du marché bancaire afin d’approcher la pression concurrentielle qui y
règne, en posant l’hypothèse réductrice que plus le nombre de banques est réduit plus la
concurrence y est faible. La théorie des marchés contestables développée dans l’article de
Baumol (1982) va à l’encontre de cette approche et défend l’idée que c’est aussi au niveau de
la capacité d’entrée et de sortie des firmes sur un marché que se mesure le degré de
concurrence ; un marché très concentré mais où l’entrée de nouveaux concurrents n’est pas
réprimée ne sera donc pas nécessairement peu concurrentiel. Ainsi il est clair que
concentration et compétition sont deux éléments différents, comme le rappellent Canoy, Van
Dijk, Lemmen et De Mooij (2001) et Carletti et Hartmann (2002) qui soulignent la complexité
de la relation entre nombre de firmes et pouvoir de marché tout en prenant en compte les
spécificités du marché bancaire où les lieux de compétition sont multiples (prêts, dépôts,…).
Si compétition et concentration sont bien distinctes, ils n’en sont pas moins liés ; un
marché concentré rassemble plus probablement des firmes ayant un pouvoir de marché ; c’est
pourquoi ce dernier est considéré comme l’un des canaux par lequel le degré de concentration
du marché bancaire influe sur la stabilité financière.
La littérature théorique concernant l’influence du pouvoir de marché sur la stabilité
financière met principalement en avant les profits plus importants des firmes qui disposent
d’une position dominante comme le souligne Freixas et Rochet (2006). Ces firmes exploitent
ce pouvoir de marché en fixant des taux d’intérêts plus élevés qu’elles ne le feraient si elles
étaient dans le cadre d’une concurrence parfaite ; d’où des revenus in fine plus importants2.
Ceux-ci leur permettent alors de se constituer un buffer, un coussin de capital, qui augmente
leur capacité d’absorption de chocs en cas de crise financière et qui en même temps diminue
leur probabilité de subir un run bancaire – Vives (2010). De plus ces profits supplémentaires
liés à leur pouvoir de marché créent un coût d’opportunité de faillite important. Idée que l’on
comprend bien si l’on considère tout d’abord qu’une position dominante survit relativement
longtemps une fois installée et si on approche la valeur présente de la banque par la valeur
actualisée des profits futurs, ces derniers étant importants et sûrs, la valeur présente est donc
élevée et le coût d’opportunité de faillite aussi. Ainsi selon Matutes et Vives (2000) cette
situation incite les actionnaires et les managers à ne pas s’engager dans des opérations trop
2
Ce phénomène est par ailleurs confirmé par le modèle théorique CVH développé dans l’article d’Allen et Gale
(2000)
-7-
risquées, ce qui permettrait alors d’augmenter la stabilité générale du secteur financier
puisqu’au sein d’un système concentré, constitué de quelques grandes banques, ce phénomène
apparaitrait chez la majorité de celles-ci. Ainsi une position dominante issue d’un marché
concentré peut être un facteur de stabilité en augmentant les revenus des banques.
Toutefois, la hausse des taux d’intérêt des prêts accordés par les banques ayant un
pouvoir de marché, n’est pas sans effet sur les emprunteurs, comme le souligne Beck,
Dermiguc-Kunt et Levine (2007). En effet, des taux plus élevés ont tendance à éliminer la
partie la moins risquée de la clientèle des banques qui préfèrera ne pas emprunter à ces taux.
Le portefeuille de prêts de la banque risque alors de voir sa qualité se dégrader, puisque les
prêts plus risqués et donc à plus fort rendement vont eux continuer à payer ces taux élevés ;
c’est la probabilité de faillite de la banque qui devient alors plus élevée. Ce phénomène est
confirmé par le modèle théorique BDN3 qui étend celui de Allen et Gale (2000) en autorisant
la concurrence à la fois au niveau des dépôts et des prêts, ce qui dégage une relation positive
entre le nombre de banques et la qualité du portefeuille de prêt (plus le système bancaire est
concentré, plus le portefeuille de prêt est risqué).
Toutefois la banque en situation de position dominante peut avoir conscience du risque
de dégradation de la qualité de son portefeuille de prêt et décider d’un rationnement du crédit
couplé ou non à un monitoring renforcé des emprunteurs. En sélectionnant mieux ses clients
la banque peut, de plus, augmenter son retour sur investissement, comme le souligne Boot et
Thakor (2000), en diminuant le risque porté par son portefeuille de prêt.
Le modèle développé par Caminal et Matutes (2001) montre lui que les banques ayant
une position dominante ont tendance à choisir le monitoring sans avoir de réelle politique de
rationnement de crédit. Or, comme les auteurs de l’article le soulignent, en cherchant à
minimiser les charges du monitoring, car le suivit de nombreux prêts diversifiés est très
coûteux, la banque va avoir tendance à concentrer ses prêts dans une branche restreinte afin
de réaliser des économies d’échelle sur les informations à rassembler. Ainsi la diversification
de son portefeuille de prêt diminue, la banque est donc bien plus sensible à un choc
idiosyncratique, et cette dernière ayant une position dominante, sa faillite peut avoir des
répercussions majeures sur la stabilité financière.
Lorsque la concentration est particulièrement grande, certaines banques ont tellement
de poids et de pouvoir de marché que leur faillite entrainerait dans leur sillage la totalité du
3
Développé dans l’article Boyd, De Nicolo et Al Jalal (2006)
-8-
système financier national voire même international ; ce sont les banques « Too big to fail ».
Du fait de l’énorme risque qu’elles font peser sur la stabilité financière, les Etats ont intérêt à
éviter par tous les moyens qu’un tel évènement se produise ; ainsi ces institutions « Too big to
fail » sont donc toujours assurées implicitement voire explicitement contre le risque de faillite
totale. Cette assurance particulière engendre un effet pervers comme le fait remarquer
Mishkin (1998), car elle les incite à privilégier les actifs et les prêts risqués car plus rentables,
assurées qu’elles sont d’être secourues en cas de défaillance majeure. Ainsi ces institutions
qui émergent lorsqu’un marché bancaire est très concentré sont une réelle menace pour la
stabilité financière.
L’effet du pouvoir de marché comme phénomène émergeant d’un marché bancaire
concentré a donc un effet théorique ambigu sur la stabilité financière, car bien qu’il octroie
aux banques un surplus de revenu, celui-ci peut être plus volatil car acquis avec un
portefeuille de prêt plus risqué. De plus une concentration importante peut donner jour à des
établissements systémiques qui représentent une grande menace pour la stabilité financière.
Les études empiriques qui visent à mesurer l’effet du canal de pouvoir de marché
présentent des résultats assez homogènes, en faveur d’une influence négative sur la stabilité
financière. L’article de Schaeck, Cihak et Wolfe (2006) se base sur des données de 38 pays
sur la période 1980-2003. Ils mesurent la concentration par le pourcentage des actifs totaux
détenu par les trois plus grandes banques et approchent le degré de compétition par la H-stat4.
Dans leurs résultats le coefficient de la concentration n’est jamais significatif lorsque la
variable de la compétition est présente, c’est donc bien que c’est uniquement à travers le
pouvoir de marché que la concentration influe sur la stabilité financière selon cette étude. De
plus ils remarquent une corrélation positive entre la compétition et la stabilité financière ;
c’est donc que le pouvoir de marché des banques a un effet négatif sur la stabilité financière
selon cette étude.
Les résultats de Beck, Dermiguc-Kunt et Levine (2007) vont dans le même sens mais
sont moins concluants. Ils utilisent les données de 69 pays sur la période 1980-1997, mesurent
la concentration par le pourcentage des actifs totaux détenu par les trois plus grandes banques
et approchent le pouvoir de marché par différentes variables et indices qui capturent les
4
Mesure du degré de compétition développée in Panzar et Rosse (1987)
-9-
déterminants du degré de compétition5. Leurs résultats ne confirment pas le pouvoir de
marché comme canal par lequel la concentration influe sur la stabilité financière. Toutefois ils
confirment qu’une compétition non bridée a un effet positif sur la stabilité financière dans son
ensemble.
L’étude empirique menée par Boyd, De Nicolo et Al Jalal (2006) portant sur les
données de 134 pays sur la période 1993-2004, utilise le Z-score6, une mesure de la proximité
de chaque banque à la faillite, à l’inverse des deux précédentes (qui employaient une dummy)
pour approcher la stabilité financière. Ils mesurent la concentration par l’indice de
Hirschmann-Herfindahl7 et approchent l’effet du pouvoir de marché par les composants du
Z-score. A savoir le return on assets (ROA), afin d’examiner si le pouvoir de marché octroie
un surplus de revenu aux banques, et l’écart type du ROA (σROA), pour observer la qualité
du portefeuille de prêt (une plus grande volatilité correspondant à un risque plus important).
Leurs résultats montrent que le ROA est corrélé positivement au degré de concentration, ce
qui appuie l’idée que les banques ayant un pouvoir de marché ont des gains supérieurs. De
plus le σROA est lui aussi corrélé positivement à la variable de la concentration, ceci indique
que les banques présentes au sein d’un marché concentré ont un portefeuille de prêt plus
risqué. Ainsi, malgré l’augmentation des revenus liée à la concentration du marché bancaire,
les auteurs montrent que l’effet des portefeuilles plus risqués (σROA) domine ; le pouvoir de
marché qui émerge de la concentration bancaire a donc un effet délétère sur la stabilité
financière selon cette étude.
D’autres articles empiriques utilisent des approches très similaires à celle de Boyd, De
Nicolo et Al Jalal (2006), comme Uhde et Heimeshoff (2009) qui utilise des données portant
sur les 25 pays de l’Union Européenne sur la période 1997-2005. Leurs résultats confirment
ceux de Boyd, De Nicolo et Al Jalal (2006). Enfin L’étude menée par Shehzad, Scholtens et
De Haan (2009) sur 1800 banques de pays de l’OCDE et de pays non OCDE sur une période
1998-2008 arrive aussi à la conclusion que les banques au sein d’un système concentré ont
des revenus plus volatils.
5
Capital regulatory index / Banking freedom / Fraction of entry denied / Activity restriction / Moral hazard
index / Economic freedom / Required reserves / Official supervisory power / KKZ composite / State ownership /
Foreign ownership
6
Z-score = (ROA + EQTA)/σROA où le ROA est le return on assets, le EQTA le ratio de equity sur assets et
σROA l’écart type du ROA
7
Il est établi en additionnant le carré des parts de marché (généralement multipliées par 100) de toutes les
entreprises du secteur considéré. Plus l'IHH d'un secteur est fort, plus le secteur est concentré.
- 10 -
Les effets du canal du pouvoir de marché sur la stabilité financière bien que
relativement ambigus sur le plan théorique semblent plus tranchés au niveau des études
empiriques. Et, malgré la présence possible d’un surplus de revenu lié à une position
dominante, c’est l’augmentation de la volatilité du portefeuille qui semble diriger la relation ;
selon les études empiriques le pouvoir de marché comme canal de la concentration bancaire a
un effet négatif sur la stabilité financière. Toutefois, malgré des preuves empiriques d’une
volatilité plus grande des revenus du portefeuille, il est nécessaire de s’intéresser de plus près
à la diversification des actifs d’une banque, car il n’est pas anormal de s’attendre à ce qu’une
plus grande banque ait les moyens de mieux diversifier son portefeuille et par là de réduire
son risque de faillite.
De nombreux articles soulignent le rôle majeur de la diversification, et en particulier
de celle du portefeuille de prêt des banques, dans la réduction du risque ; comme le montre
Diamond (1984) dans le cadre d’un modèle où la diversification des prêts accordés favorise
un meilleur monitoring de ces derniers et donc une amélioration de la stabilité financière.
L’article de Mishkin (1998) s’appuie lui sur une critique du Glass-Steagall Act8, qui n’a été
abrogé qu’en 1999 après avoir largement été contourné par les banques. Ce texte de loi
limitait les activités des banques à une activité – banque d’investissement ou banque
commerciale – et bornait les possibilités de prêts à un Etat des Etats-Unis voire à une région.
Les prêts des banques étaient alors extrêmement corrélés à cause de la limitation régionale, de
plus les secteurs activités des Etats des Etats-Unis étant relativement différents, la diversité du
domaine économique des emprunteurs était elle aussi très limitée ; ainsi comme l’a souligné
cet article, les crises bancaires étaient certes limitées à un Etat, mais elles étaient
systématiques dès qu’une industrie était fragilisée. C’est pourquoi Mishkin vante les mérites
de la diversification régionale et même internationale dans le but de décorréler la fragilité des
banques à celle d’un pays ou d’une activité en particulier. De même il s’est fait l’avocat d’une
diversification du domaine d’activité des banques afin de réduire le risque qu’elles portent et
améliorer la stabilité du système bancaire et financier. De plus les fusions-acquisitions, qui
sont l’une des dynamiques de la concentration, peuvent permettre de réaliser des économies
d’échelle voire de gamme qui réduisent alors les coûts de fonctionnement9, augmentent la
8
Généralement connu sous le nom de Banking Act, promulgué en 1933 aux États-Unis, celui-ci a instauré une
incompatibilité entre les métiers de banque de dépôt et de banque d'investissement, mais a aussi créé le système
fédéral d'assurance des dépôts bancaires et enfin a introduit le plafonnement des taux d'intérêt sur les dépôts
bancaires.
9
Toutefois de nombreuses études montrent que les économies d’échelles sont relativement limitées pour les
banques (cf Les systèmes financiers mutation, crises et régulation sous la direction de C.De Boissieu)
- 11 -
surface financière – comme le montre le modèle développé dans l’article de Williamson
(1986) – et bien souvent augmentent la diversification du portefeuille, ou bien même des
activités, de la banque. La diversification semble donc être selon les papiers théoriques un
moyen efficace d’améliorer la stabilité financière, or il est clair que les grandes banques, que
l’on rencontre plus souvent dans le cadre de marchés bancaires concentrés, ont plus
d’opportunités de diversification ; celle-ci serait donc un canal de la concentration qui
pousserait vers une meilleure stabilité du système financier. Toutefois certains articles mettent
en garde contre des situations où ce rôle stabilisateur de la diversification est remis en
question.
L’article de Cetorelli et al. (2007) expose les risques d’une diversification mal
conduite ou bien mal maîtrisée. Les auteurs soulignent qu’une diversification vers des actifs
ou bien vers des métiers très différents peut réduire l’efficacité du contrôle interne. En effet
une banque doit collecter de l’information afin de réduire les chances d’octroyer des prêts qui
feront défaut, or ce monitoring a un coût qui peut être réduit grâce à des économies d’échelle.
Une banque dont les domaines de prêts sont très diverses et donc de faible taille, risque de
vouloir diminuer le coût du monitoring et donc la diversité des prêts ; c’est donc la qualité du
portefeuille de prêt qui risque de se dégrader. Ce raisonnement peut aussi s’appliquer aux
activités bancaires ; une banque conduisant trop d’activités différentes (activité de prêt, de
marché, d’assurance,…) peut selon sa taille ne pas consacrer suffisamment à la collecte
d’information et donc risquer de mettre en place des opérations menaçant sa profitabilité. La
diversification ne doit donc pas se faire à tout prix. Une critique plus théorique formulée par
Wagner (2010) sous entend qu’une diversification trop poussée conduirait à une
homogénéisation des portefeuilles et donc in fine à une augmentation du risque systémique.
Bien que cette mise en garde ne soit que théorique et très loin d’être réalisée, on peut
considérer les fusions-acquisitions comme une diversification qui conduit le portefeuille des
banques à se ressembler, ce qui peut augmenter la corrélation du risque entre les banques.
Néanmoins la diversification des activités d’une banque semble être un facteur de
stabilité selon la littérature théorique, on peut donc s’attendre à ce que ce canal de la
concentration, par le biais de la présence de banques de grande taille au sein de systèmes
concentrés, ait un effet positif sur la stabilité financière selon la littérature empirique.
Peu d’études empiriques essaient de mesurer l’effet de la diversification des banques
sur la stabilité financière dans le cadre de la concentration, néanmoins les résultats sont
- 12 -
homogènes et en accord avec la théorie. L’article de Beck, Dermiguc-Kunt et Levine (2007),
déjà cité précédemment, approche la diversification des banques à travers trois facteurs. Celui
du « mean bank size » soutient l’idée que les plus grandes banques sont aussi plus
diversifiées, le facteur du « no foreign loans » capture la limitation à la diversification des
prêts que les banques peuvent accorder, et enfin la variable de « size of the economy » capture
les opportunités de diversifications de la banque au sein de son pays d’activité. Leurs résultats
montrent que l’introduction de ces variables fait perdre sa significativité à celle de la
concentration ; ce qui signifie que selon les auteurs c’est principalement à travers la
diversification que la concentration a un impact sur la stabilité financière, impact positif et
significatif. Ces résultats soutiennent la théorie selon laquelle les systèmes bancaires plus
concentrés incluent des banques de taille plus importantes en moyenne et plus diversifiées, ce
qui permet d’améliorer la stabilité financière. Une autre étude empirique menée par Shehzad,
Scholtens et De Haan (2009) arrive à des résultats comparables. Il avait déjà été mentionné
que cette dernière avait conclut que les banques d’un marché concentré sont plus risquées,
mais les auteurs arrivent aussi à la conclusion que la taille de la banque a un effet négatif sur
la volatilité des revenus, ces résultats ne sont pas incompatibles et abondent donc dans la
direction d’une concentration stabilisatrice grâce au canal de la diversification.
Ainsi les effets du canal de la diversification, à travers la présence de banques de plus
grande taille dans un système concentré – qui ont donc plus de possibilités de se diversifier –,
sur la stabilité financière vont dans le sens d’une diminution du risque du portefeuille, et donc
d’une réduction des crises bancaires. Sur ce point les études empiriques ou bien les articles
théoriques sont vont dans le même sens. Toutefois il semble logique qu’une plus grande
diversification mène aussi à une plus grande complexité interne des banques.
Ce phénomène de la complexité des banques a avant tout un effet sur le monitoring de
celles-ci, car plus les activités de la banque sont sophistiquées, plus il sera difficile de
déterminer le véritable risque encouru par la banque elle-même mais aussi par le système
financier dans son ensemble. Or au sein d’un système bancaire concentré, les grandes banques
sont plus présentes, et il semble approprié de supposer que de plus grandes banques ont plus
de chances d’être complexes ; ainsi la complexité est un phénomène qui peut émerger de la
concentration bancaire et agir sur la stabilité financière, c’est le troisième canal identifié. La
littérature théorique sur ce sujet, comme phénomène lié aux grandes banques – et donc
émergeant de la concentration –, se focalise sur son lien avec la supervision, mais aussi sur la
qualité du contrôle interne ; deux phénomènes influençant la stabilité financière. En premier
- 13 -
lieu, Allen et Gale (2000), soutient sur la base d’un modèle théorique que dans un système
concentré où seules quelques grandes banques sont présentes, le superviseur voit sa tâche
facilité puisqu’il lui suffit de contrôler ces quelques grand établissements avec soin pour
assurer la stabilité du système. Ainsi le nombre d’établissements à contrôler étant limité, la
supervision n’en serait que meilleure malgré une probable complexité plus importante au sein
des grandes banques. L’aspect négatif de la complexité sur la supervision serait donc plus que
compensé par le gain de temps lié au nombre limité d’établissement à contrôler. Toutefois cet
argument est réfuté par Cetorelli et al. (2007), qui souligne le fait que les grandes banques
actuelles, sont des conglomérats financiers, agissant sur de nombreux marchés organisés ou
non, dans de multiples pays, utilisant quantité d’instruments financiers parfois très complexes
et menant parfois des opérations opaques. Ainsi la capacité du régulateur à la superviser
efficacement ou même la qualité du contrôle interne propre à la banque risqueraient d’être
affectés négativement par cette complexité et cette opacité, augmentant alors le risque qu’un
déséquilibre ou un choc ne se transforme en crise aux retombées potentiellement dangereuses
pour la stabilité financière.
Les études empiriques menées sur ce sujet dans le cadre d’un système bancaire
relativement concentré – ie où de grandes banques sont présentes –, ne sont pas très
concluantes concernant l’effet que la complexité bancaire a sur la stabilité financière. Celle
menée par Beck, Dermiguc-Kunt et Levine (2007) s’attache à savoir si un système concentré
est plus facile à superviser du fait du plus faible nombre d’établissements à contrôler. Ils
approchent la qualité de la supervision par trois variables : « number of banks », « activity
restriction » avec l’idée que plus l’on impose de restrictions aux banques plus la supervision
serait aisée. Enfin ils utilisent la variable « cash flow » qui représente la fraction des droits
liée au cash flow détenue par les principaux actionnaires de chaque banque, afin d’approcher
le fait que dans les pays où les lois et la réglementation ne protègent pas efficacement les
petits actionnaires, les cash-flow seront plus concentrés afin de mieux peser sur la banque et
exercer un meilleur monitoring. Les résultats de cette étude ne sont néanmoins pas concluant
sur le fait qu’un système concentré soit plus aisé à superviser. Une autre étude empirique
menée par Laeven et Levine (2007) s’intéresse aux effets de la complexité des banques sur
leur valorisation de marché et donc sur l’opinion qu’à le marché de leur valeur. La complexité
des banques est approchée par des indices de diversification au niveau des revenus et des
actifs. Les auteurs remarquent alors qu’il existe un décalage entre la somme des valeurs
intrinsèques de toutes les branches d’un conglomérat financier et sa valorisation en tant
- 14 -
qu’entité les regroupant toutes, sur le marché ; la dernière étant inférieure à la première. Les
auteurs en déduisent que le marché a conscience des problèmes potentiels de contrôle interne
qui émergent lorsqu’un conglomérat devient de plus en plus complexe, et répercute ces coûts
potentiels sur la valorisation de marché du groupe.
Les effets du canal de la complexité des banques en tant que phénomène émergeant de
la concentration bancaire – par le truchement de banques plus grandes – sur la stabilité
financière ne sont pas tranchés. D’un point de vue théorique deux approches opposées se
contredisent, l’une argumentant que la complexité des banques est un obstacle à un contrôle
efficace de la part du superviseur et de la part de la banque elle-même sur ses propres
activités. L’autre mettant en avant le fait que cette difficulté de contrôle efficace est plus que
compensée au niveau du régulateur par le nombre plus faible de banques à contrôler – car
dans un système concentré les banques sont de plus grande taille mais elles sont aussi par
conséquence moins nombreuses. L’étude empirique de Laeven et Levine (2007) semble aller
dans le sens de la complexité comme frein à un contrôle efficace, néanmoins elle se borne à
observer l’opinion du marché à ce sujet et ne s’interroge pas sur les conséquences pour la
stabilité financière.
Trois canaux ont été identifiés ; celui du pouvoir de marché, celui de la diversification
et celui de la complexité. L’effet du premier sur la stabilité financière est incertain, puisque
moins de concurrence augmente les revenus des banques, mais les rends aussi plus fragiles.
Le second canal n’a lui aucune ambigüité, la diversification reste un facteur de stabilisation.
Le troisième et dernier canal identifié, a lui un effet incertain, puisqu’il dépend de la capacité
du monitoring et du superviseur à surmonter la complexité interne des banques. Ainsi il est
nécessaire de mener une étude empirique afin d’identifier quels canaux existent
effectivement.
- 15 -
III. Présentation des données et de la méthode de régression
3.1. Données
La base de données est constituée de 108 pays sur la période 1995-2009 ; le nombre
d’observations relativement important va donc en direction d’une minimisation des biais
d’estimation. De plus la plage temporelle choisie permet de couvrir deux crises systémiques
majeurs qui ont particulièrement affecté les banques de par le monde ; celle de la crise
asiatique de 1998 et celle engendrée par les subprimes en 2007. Mais elle prend aussi en
compte des périodes relativement stables comme celle allant de 2003 à 2006. Toutes les
variables sont prises au niveau macroéconomique d’un pays ; elles sont donc soit une
agrégation soit une moyenne lorsqu’elles concernent les banques. Une description plus
précise des données, comme la matrice des corrélations est disponible en annexe (Annexe C) ;
on remarque par ailleurs que la corrélation entre les variables utilisées est relativement
limitée, ce qui permet d’éliminer le biais de multi colinéarité.
Les données concernant la variable des crises financières systémiques sont tirées
intégralement de l’article de Laeven et Valentia.F (2008) où ils identifient les dates de début
et de fin des crises bancaires sur la période 1970-2007. Selon leur approche deux critères
doivent être réunis afin de considérer une crise bancaire comme systémique. Tout d’abord des
signes évidents de défaillance financière au sein du système bancaire – tel que les run
bancaires ou bien des pertes anormalement importantes de la part des banques – doivent
apparaitre. De plus une intervention significative des instances de supervision ou
gouvernementale doit être mise en place10. Toutefois, ils ajoutent une condition suffisante
pour considérer une crise comme systémique car les interventions ne sont pas toujours aussi
étendues ; ainsi, si les pertes du système bancaire sont exceptionnelles – dans l’ordre de 20%
de non performing loans –, ou bien si les coûts de restructuration des banques atteignent au
moins 5% du PIB, la crise est automatiquement estampillée systémique. Les auteurs ont
effectué une mise à jour de cette base de données dans l’article Laeven et Valentia (2010) où
ils définissent comme condition de fin de crise deux années consécutives de croissance
10
Pour que ce critère soit considéré comme effectif au moins trois des six mesures suivantes doivent être activés:
restructuration de banques, nationalisations, extension des garanties, achat massif d’actifs, gel des dépôts,
support de liquidité.
- 16 -
positive du PIB et du crédit, la première de ces deux années étant alors considérée comme la
date de fin de la crise. Toutefois dans le cas de crises de longue durée, ils ajoutent une limite
de 5 ans. Enfin dans cette mise à jour de la base de donnée, ils l’étendent jusqu’à 2009,
permettant de prendre en compte la période où la crise des subprimes a été la plus sérieuse et
ajoutent des borderline crises, c'est-à-dire des crises qui sont à la limite de remplir les critères.
Au final les crises systémiques sont représentées par une dummy qui prend la valeur de 1
lorsqu’une telle crise est détectée et 0 sinon ; on utilisera dans un premier temps les crises
systémiques remplissant strictement la définition des auteurs (scrisis), puis on ajoutera les
borderline crises (lcrisis) afin de conduire un test de robustesse. Toutefois cette approche de la
mesure des crises systémique n’est pas sans limites, inhérentes avant tout à la définition
problématique de ce concept, ni sans critiques. Ainsi dans l’article de Boyd, De Nicolo et
Loukoianova (2009) les auteurs développent un modèle théorique d’un marché bancaire et
démontrent que les interventions gouvernementales ou des autorités de supervision soufrent
d’un décalage constant par rapport à la date réelle de la crise. De plus ils établissent qu’il
existe une différence essentielle entre la probabilité qu’une crise soit systémique et la
probabilité d’une intervention publique. Les indicateurs de crise systémique basés sur la mise
de place de réponses de la part de l’Etat, peuvent donc être largement biaisés. Afin de
contrôler ce possible biais, deux mesures alternatives des crises bancaires sont utilisées dans
des régressions de robustesse. Le pourcentage de non performing loans (nonperfloan) est une
approche de base de la solidité du secteur bancaire, toutefois elle a l’intérêt de ne pas prêter le
flanc au biais spécifié précédemment et d’être un indicateur intéressant de la santé des
banques. Le Z score (zscore) est lui définit par l’équation suivante :
Z-score = (ROA + EQTA)/σROA
(où le ROA est le return on assets, le EQTA le ratio de equity sur assets et σROA l’écart type
du ROA)
Etant une mesure de la distance au défaut11 d’une banque en tant que mesure de la probabilité
que la valeur des actifs d’une banque soit inférieure à la valeur de sa dette, il peut donc être
utilisé de manière agrégé ou bien comme une moyenne, au niveau d’un pays, afin d’évaluer la
solidité de son marché bancaire. Ainsi il est fréquemment employé au sein d’études
empiriques s’intéressant à la stabilité financière comme celle de Boyd, De Nicolo et Al Jalal
(2006) ou celle de Uhde et Heimeshoff (2009). Par ailleurs il est intéressant de souligner la
11
Ce dernier se caractérisant par des valeurs nulles ou négatives
- 17 -
nette opposition des résultats des études empiriques quant aux effets de la concentration sur la
stabilité financière, selon si le Z score ou bien une dummy comme celle construite par Laeven
et Valentia (2008) est utilisé. Celles employant le Z score concluent en grande majorité à un
effet négatif12 de la concentration sur la stabilité alors que la majorité de celles utilisant une
dummy concluent positivement13. Ainsi il sera intéressant de vérifier si cette opposition est
intrinsèque aux mesures ou bien si elle est conduite par d’autres facteurs comme le choix de la
période ou des variables de contrôle. Toutefois il est à noter que la base de données des
variables de nonperfloan ainsi que du zscore ne couvrent pas la totalité de la période ni des
pays.
En ce qui concerne la concentration (conc), cette dernière est représentée par le
pourcentage des actifs détenu par les trois plus grandes banques par rapport au total des actifs
détenu par les banques du pays en question. D’autres mesures existent comme celle se basant
sur cinq banques au lieu de trois ou bien celle utilisant l’indice de Hirschmann-Herfindahl14,
de plus toutes ces mesures peuvent aussi se focaliser sur les dépôts à la place des actifs. Bien
qu’il n’ait pas été possible de produire une série alternative pour la mesure de la
concentration, la seule mesure à travers le pourcentage des actifs détenus par les trois plus
grandes banques suffit, car comme l’a montré l’article de Uhde et Heimeshoff (2009), la
corrélation entre les trois types de mesure est très forte.
Afin d’estimer au mieux la relation entre concentration du marché bancaire et stabilité
financière et de limiter les biais liés à l’omission de variables, des variables de contrôles sont
ajoutées à la régression ; elles portent sur l’environnement macroéconomique des pays
concernés, l’efficacité et la profitabilité des banques de leur marché bancaire, le contexte de
supervision et de régulation de ce marché et enfin l’environnement institutionnel propre à
chaque pays. Le choix de ces variables est principalement inspiré de l’article de Beck,
Dermiguc-Kunt et Levine (2007), mais s’appuie aussi sur celui de Uhde et Heimeshoff
(2009), car ce dernier utilisant le Z score propose une perspective complémentaire.
Afin de contrôler l’influence des facteurs macroéconomiques sur la santé du marché
bancaire à travers par exemple la qualité de leurs actifs ou bien leur profitabilité, sept
variables sont ajoutées. Tout d’abord on introduit la croissance économique du pays (gdpg),
12
Voir entre autre : Boyd, De Nicolo et Al Jalal (2006), Uhde et Heimeshoff (2009), Shehzad, Scholtens et De
Haan (2009), De Nicolo, Bartholomew, Zaman et Zephirin (2004)
13
Voir entre autre : Beck, Dermiguc-Kunt et Levine (2007), Beck, Dermiguc-Kunt et Levine (2004)
14
Il est établi en additionnant le carré des parts de marché (généralement multipliées par 100) de toutes les
entreprises du secteur considéré. Plus l'IHH d'un secteur est fort, plus le secteur est concentré.
- 18 -
avec les hypothèses que les opportunités d’investissement sont liées aux cycles
macroéconomiques et que les emprunteurs sont plus solvables dans les périodes de croissance
économique ; le signe attendu est donc négatif – dans le sens où une croissance solide n’est
pas en faveur de l’apparition d’une crise bancaire. On ajoute ensuite le taux d’inflation (cpi1)
qui a été décalé d’une période afin de limiter la colinéarité qu’une matrice de variance avait
mis à jour. Les effets de l’inflation sur les banques dépendent avant tout de son anticipation
ou non par les banques, dans le second cas son effet est déstabilisateur alors qu’il reste
ambigu dans le premier cas puisque l’inflation contribue aussi bien à augmenter les coûts des
banques que ses profits – à travers une hausse des taux d’intérêt. De la même manière l’effet
du taux d’intérêt réel de court terme (r) est difficile à prédire puisqu’une hausse de ce dernier
entraine une hausse des taux débiteurs des banques et donc de leurs coûts, et en même temps
une hausse des taux créditeurs, qui bien qu’augmentant leurs profits diminue aussi la qualité
des emprunts. De plus afin de prendre en compte l’influence que peut avoir le reste du monde
sur le marché bancaire du pays concerné, on introduit une variable représentant le taux de
dépréciation du taux de change (depr)15 ; bien qu’une dépréciation de la monnaie nationale
puisse faire partie d’une politique de relance de l’économie, elle a à court terme un effet
négatif sur l’économie et donc sur la qualité des emprunteurs des banques, le signe attendu est
donc positif. Le taux de croissance du crédit (credg) a lui une influence un peu plus ambigüe,
car si un sentier de croissance efficace va de pair avec une croissance du crédit, une
croissance trop rapide peut être le signe précurseur de la constitution d’une bulle. Enfin, on
inclue une mesure mise à jour du moral hazard index (mhi) en se basant sur la définition de
cet indice faite par Demirguc-Kunt et Detragiache (2002) mais en utilisant la base de données
plus complète fournie par Barth, Caprio et Levine (2001a, 2001b, 2004, 2008), toutefois
aucun point de comparaison pour vérifier l’indice calculé sur la période donnée n’était
disponible. Ainsi cet indice, basé sur une agrégation de valeurs représentant la générosité des
assurances dépôts des pays concernés16, cherche à quantifier l’incitation à une prise de risque
plus importante lorsque les pertes sont mieux couvertes ; le signe attendu est donc positif
– dans le sens où plus d’aléa moral contribue à une déstabilisation du système bancaire. Pour
finir, il est aussi intéressant d’inclure une variable reflétant l’envergure du secteur bancaire au
15
Dans le cas où l’un des pays change de monnaie au cours de la période (comme dans le cas de l’introduction
de l’euro), le taux de dépréciation de l’année de changement de monnaie est fixé à 1.
16
Les facteurs sont : existe-t-il une assurance dépôt explicite, les dépôts en monnaie étrangère et les dépôts inter
bancaires sont-ils couverts, existe-t-il une coassurance, le fond est-il permanent, est-il dirigé par le secteur privé,
le secteur public ou de manière conjointe, l’adhésion est-elle obligatoire et enfin quel est le niveau de couverture
des dépôts ? La valeur 1 est donnée lorsque le facteur augmente le risque moral (par exemple couvrir les dépôts
interbancaires l’augmente) selon l’analyse portée sur ces facteurs dans l’article de Demirguc-Kunt, Kane et
Laeven (2007).
- 19 -
sein de l’économie, approche qui n’a jamais été réellement mise en œuvre dans le cadre du
thème de l’influence de la concentration du marché bancaire sur la stabilité financière, or plus
la place des banques est importante au sein de l’économie plus un choc économique touchant
les banques risque de se répercuter sur l’économie dans son ensemble et provoquer une
aggravation de la crise. De même, inversement, plus les banques ont un poids important plus
un choc macroéconomique – comme une catastrophe naturelle – risque de se répercuter sur
leurs bilans. Afin d’introduire cette dimension, on ajoute la variable du pourcentage du crédit
domestique fournit par les banques (domcred) ; cette variable bien qu’imparfaite a toutefois
l’avantage d’approcher la taille du volume des crédits fournit par les banques ; ce qui reste
leur principale activité. Le signe attendu est toutefois ambigu car les crédits ne sont pas la
seule source de revenu des banques et donc un faible pourcentage de crédits fournit par les
banques n’implique pas toujours une place limité des banques au sein de l’économie.
Après l’introduction de variables de contrôle au niveau macroéconomique, il est
nécessaire d’en ajouter aussi au niveau du marché bancaire. Ce dernier varie en effet
largement entre les pays au niveau de la profitabilité et de l’efficacité des banques ; par
exemple, si les banques anglaises sont parmi les plus efficaces au monde, celles de l’Afrique
le sont généralement moins ; il est donc nécessaire de contrôler ces phénomènes avec
l’introduction de variables agrégées au niveau des pays. Le cost to income ratio (costinc)
approche l’efficacité des banques et la net interest margin (intmarg) aborde la profitabilité.
Les signes attendus sont donc positifs pour le premier et négatifs pour le second.
Les variables de contrôle de l’environnement économique étant introduites, on se
tourne désormais vers celles contrôlant pour le contexte de supervision. Ces dernières sont
intégralement tirées des articles de Barth, Caprio et Levine (2001a, 2001b, 2004, 2008) ; les
données ne sont toutefois pas disponibles en continue mais seulement pour les années 2000,
2003 et 2007. Néanmoins comme le souligne l’article de Abiad, Detragiache et Tressel (2008)
la fréquence de modification du système de régulation et de supervision du système bancaire
est relativement faible17, ainsi trois jalons suffisent pour une prise en compte assez précise. Il
est toutefois intéressant de noter que dans de nombreuses études empiriques ces variables du
contexte de la réglementation et de la supervision sont considérée comme stables au court du
17
Le plus fort taux de réforme au sein de leur base de donnée est en 1995 et concerne 50% des pays, toutefois
parmi ces 50% seulement 5% étaient des réformes importantes, les autres étant des réformes limitées. De plus à
partir de 1995 le taux de réforme annuel décroît rapidement et n’est plus qu’à 7% de réformes limitées en 2005
- 20 -
temps18, or si les modifications sont relativement peu fréquentes elles ne sont pas pour autant
inexistantes, l’introduction ici d’une évolution de ces variables est donc une amélioration
significative de la précision de l’analyse. Afin de prendre en compte l’influence du contexte
de supervision et de régulation du marché bancaire sur la stabilité financière, on introduit la
variable de fraction of entry denied (denied) qui indique le pourcentage de dossiers
d’introduction d’une nouvelle banque provenant de l’étranger ou du marché national, qui a été
refusé par les autorités compétentes ; c’est donc une mesure approchant le degré de
contestabilité du marché. Le signe attendu est, par contre, ambigu ; car si le nombre d’entrées
refusées est important, les banques restantes peuvent bénéficier d’un pouvoir de marché qui
augmente leurs profits, d’un autre côté, un marché sans concurrence peut engendrer des
banques peu efficaces et donc moins aptes à résister à une crise. La variable d’activity
restriction (restrict) mesure la possibilité qu’à une banque de s’engager dans différentes
activités19. Son effet est lui aussi ambigu, car des restrictions importantes peuvent augmenter
la stabilité du système bancaire – ce qui a été l’objectif lorsque de nombreux pays ont pendant
des années séparé les banques de dépôts des banques d’investissement–, néanmoins en
limitant la capacité des banques à se diversifier, ces restrictions risquent aussi d’augmenter
leur fragilité. Afin de prendre en compte la capitalisation des banques, on introduit la variable
de capital regulatory index (capregul) qui résume les exigences en capital auxquelles les
banques doivent faire face20 ; le signe attendu est négatif, dans le sens où des banques mieux
capitalisées ne favorisent pas l’apparition d’une crise bancaire systémique. Enfin on ajoute la
variable official supervisory power (suppower) afin de prendre en compte la capacité des
instances de régulation à contrôler les banques à travers le monitoring et à leur imposer des
directives. Cet indice a été construit à partir de 16 points du questionnaire de Barth, Caprio et
Levine (2001a, 2001b, 2004, 2008)21. Le signe attendu est négatif, car un régulateur disposant
de pouvoirs plus étendus a la possibilité de détecter une crise et d’agir pour en circonscrire les
effets plus rapidement.
Pour finir il est nécessaire d’introduire aussi des variables de contrôles décrivant
l’environnement institutionnel dans lequel évoluent les banques. Il faut tout d’abord préciser
18
Cf. Beck, Dermiguc-Kunt et Levine (2007) ou Uhde et Heimeshoff (2009)
Les activités sont : titrisation, assurance, immobilier et la détention de firmes non financières. L’indice prend
la valeur 1 lorsque la banque peut s’engager dans cette activité et 0 sinon ; la variable restrict prend donc des
valeurs allant de 0 à 4.
20
Il est construit en utilisant le ratio minimum de capital sur actif requis, ainsi que trois indicateurs définissant ce
qui est considéré comme capital et quelles pertes non réalisées sont à retrancher du capital avant le calcul du
ratio.
21
Les références des questions sont : 5.5, 5.5, 5.7, 6.1, 11.2, 11.3, 11.6, 11.7, 11.8, 11.9
19
- 21 -
le choix de ne pas inclure la H-stat telle que développée par Panzar et Rosse (1987), qui
permet d’approcher la pression concurrentielle d’un marché, et qui a été utilisée par de
nombreux articles comme celui de Schaeck, Cihak et Wolfe (2006). En effet cette mesure
prête largement à la critique comme l’a montré l’article de Goddard et Wilson (2006) ; la H
stat pose l’hypothèse très forte que le marché où elle est mesurée est à l’équilibre, or ce n’est
presque jamais le cas dans la réalité. Ainsi cet article montre à l’aide de simulation que la
mesure de la H stat est très souvent biaisée par rapport à la réalité. Afin de prendre en compte
l’environnement institutionnel sans avoir recours à la H stat, trois indices peuvent être utilisés.
Toutefois il est important de préciser que compte tenue de la forte corrélation entre ces trois
indices (voir annexes) tous ne peuvent être employés en même temps. Le premier est l’indice
de banking freedom (bfreedom), il est une mesure globale du degré de restriction au sein du
secteur financier. De plus l’indice d’economic freedom (efreedom) est aussi une manière
intéressante d’approcher l’environnement institutionnel, car il a un spectre plus large que celui
du banking freedom. Enfin la troisième variable qui permet d’approcher l’environnement
institutionnel est le KKZ index (kkz) construit par la Banque Mondiale avec l’agrégation de
six dimensions de la gouvernance22. Entre ces trois indicateurs, on préfèrera celui du banking
freedom, tout d’abord car il est centré sur notre objet d’étude, mais aussi car c’est celui qui
présente le moins de corrélation avec les autres variables de contrôle tout en était très corrélé
aux deux autres. On ajoute à cette variable deux autres ; celle du government ownership
(govowned) et celle du foreign ownership (forowned) construites par Barth, Caprio et Levine
(2001a, 2001b, 2004, 2008) ; elles représentent le pourcentage d’actifs du système bancaire
détenu respectivement par des banques tenues à plus de 50% par la puissance publique, ou
bien à plus de 50% par des capitaux étrangers. Les variables ont un effet ambigu puisqu’elles
s’apparentent pour la première à une restriction de la concurrence et pour la seconde à un
renforcement, ainsi elles peuvent à la fois augmenter les revenus des banques si le degré de
compétition diminue ou réduire leurs marges si la compétition se renforce. Finalement, on
introduit des indicateurs qui prennent en compte l’environnement légal des pays concernés
par l’étude, puisque de nombreux articles ont montré la forte corrélation qu’il existait entre
l’origine légale et le développement économique. Ces indicateurs basés sur l’article de La
Porta, Lopez, Silanes, Shleifer et Vishny (1998) sont l’origine légale du droit de pays. Cinq
origines sont répertoriées (German, Soviet, British, French et Scandinavian), toutefois il est
22
Les six variables sont : Voice and Accountability, Political Stability and Absence of Violence, Government
Effectiveness, Regulatory Quality, Rule of Law et Control of Corruption
- 22 -
nécessaire d’en retirer un afin d’éviter un biais de colinéarité, on retirera alors l’origine
Scandinavian.
Les variables de contrôle étant définies, on va dorénavant se tourner vers celles qui
seront utilisées afin d’étudier les trois canaux identifiés au sein de la revue de la littérature, à
savoir celui du pouvoir de marché, celui de la complexité bancaire et enfin celui de la
diversification.
Afin d’approcher le degré de compétition du marché bancaire de chaque pays de
l’étude empirique, il est intéressant de regarder les signes des variables de contrôle telles que
fraction of entry denied, foreign ownership et government ownership qui ont un effet direct
sur le degré de compétition. Toutefois ces dernières n’étant pas suffisantes on ajoutera à la
régression la variable interest rate spread (rspread) comme approche du pouvoir de marché,
car étant calculée comme la différence entre le taux d’intérêt du dépôt et celui du prêt, elle
permet d’examiner la liberté qu’ont les banques d’augmenter ce spread, liberté qui peut être
interprétée comme la pression concurrentielle. Cette variable étant parfois l’objet de
réglementation, la variable banking freedom permettra d’éliminer ce biais. Les données
disponibles pour la variable interest rate spread sont toutefois limitées à 82 pays. De plus afin
de compléter cette première approche du canal du pouvoir de marché l’utilisation du Z score
et de ses composantes comme ont pu le faire Uhde et Heimeshoff (2009) ou Boyd, De Nicolo et
Al Jalal (2006), est particulièrement intéressante ; ils utilisent la variable ROA (roa) comme
mesure approximée de la profitabilité des banques et l’écart type du ROA (sdroa) pour
approcher la volatilité de cette dernière. Toutefois le Z score n’est disponible que pour 70
pays et de 1999 à 2009.
Pour étudier le canal de la complexité il est intéressant de regarder la variable activity
restriction puisqu’elle permet d’approcher le nombre d’activités au sein desquelles les
banques peuvent d’engager et donc, en partie, leur complexité. Toutefois cette variable est
largement insuffisante pour étudier le canal de la complexité. Ainsi on ajoutera le nombre de
banques (nbbank), ce qui permet d’évaluer en partie si la supervision est facilitée dans le cas
de nombreuses petites banques relativement peu complexes ou bien si inversement c’est dans
le cas d’un petit nombre de grandes banques complexes que la supervision est facilitée. De
plus pour approcher la complexité interne on utilise une mesure de diversité des revenus et
des actifs du bilan des banques mis au point dans l’article de Laeven et Levine (2007) et
agrégé au niveau des pays, avec l’idée qu’une diversification plus prononcée est un indice de
- 23 -
la complexité interne. Enfin on introduit une variable portant sur la fraction des droits liés aux
cash flow détenue par les principaux actionnaires de la banque, en suivant l’hypothèse de
Beck, Dermiguc-Kunt et Levine (2007), qui stipule qu’au sein des pays dont la réglementation
protège mal les petits actionnaires, l’actionnariat aura tendance à être concentré afin de peser
plus et effectuer un monitoring plus efficace des banques ; la variable cash flow (cashflow) est
donc une mesure indirecte de la qualité du monitoring mis en place par les actionnaires pour
contrôler les banques. Ainsi cette variable devrait être un contrepoids à la complexité.
Toutefois il est à noter que l’ensemble des variables utilisées pour approcher le canal de la
complexité ne sont disponibles que pour 37 pays.
Le dernier canal que l’on étudie est celui de la diversification des banques, et afin de
l’approcher trois variables sont ajoutées. Tout d’abord à la suite de Beck, Dermiguc-Kunt et
Levine (2007), la variable de foreign loans (loanabroad) est introduite ; elle permet de
contrôler pour les capacités des banques à se diversifier à l’étranger. De plus, on ajoute la
variable du PIB (gdp) qui permet d’approcher les opportunités de diversification des
différentes banques sur leur marché national. Enfin un indicateur tiré du questionnaire de
Barth, Caprio et Levine (2001a, 2001b, 2004, 2008), « Are there guidelines for asset
diversification » (guidasset) est introduit afin de prendre en compte l’existence d’une
diversification minimum exigée par la loi. La variable présentée plus haut de diversification
des revenus et des actifs des banques n’est pas utilisée ici en raison du trop peu de pays
disponible par rapport aux autres variables liées à ce canal.
3.2. Méthodologie d’estimation du modèle empirique
Afin d’étudier la relation entre la concentration du marché bancaire avec la stabilité
financière ainsi que les différents canaux mis à jour au travers de la revue de la littérature, le
modèle utilisé et estimé s’inspire de celui utilisé par Uhde et Heimeshoff (2009). Il existe
toutefois deux types de modèles, celui de fixed effect ou bien celui de random effect. Le
premier suppose que les individus observés (dans ce cas les pays) ont des caractéristiques
précises fixées (qui ne varient pas au cours du temps), qui peuvent biaiser l’estimation et qu’il
est donc nécessaire de retirer ; ces effets fixes, par ailleurs, sont indépendants entre eux et ne
sont donc pas corrélés. De plus il peut s’avérer nécessaire d’ajouter à ce modèle de fixed
- 24 -
effect un effet temps fixe en plus de l’effet individuel. Le second modèle fait l’hypothèse,
qu’à l’inverse du modèle fixed effect, les différences entre les individus sont aléatoires et non
corrélés avec les variables explicatives ou la variable expliquée.
Ainsi l’équation estimée dans le cas du modèle fixed effect sans time fixed est de la forme :
= + . ,
+ Où est la variable expliquée, soit ici la variable scrisis, la constante, représentant
l’effet fixe pays, les paramètres à estimer, ,
les variables explicatives, donc à savoir la
variable de la concentration conc, les variables de contrôle, et celles introduites pour étudier
les canaux. Enfin représente le terme d’erreur.
Dans le cas où le modèle fixed effect introduit des effets fixes de temps, sa forme est la
suivante :
= ′ + . ,
+ . + Où ′ est différent de mais joue le même rôle et représente les jalons de temps
utilisés pour constituer la base de donnée (dans ce cas ce sont les années de 1995 à 2009).
Enfin le modèle random effect est de la forme :
= + . ,
+ + ′
Où α est une constante invariante tant au niveau du temps que des individus, l’erreur
d’estimation inter-individus non corrélée avec les autres variables et stable dans le temps et
′ l’erreur d’estimation intra-individus.
- 25 -
Afin de choisir quelle équation estimer pour chacune des régressions effectuées (à
savoir la régression principale, les régressions de robustesse et celles liées aux canaux), des
tests statistiques doivent être conduits. Ainsi pour choisir entre le modèle fixed effect et celui
de random effect, il faut appliquer le test d’Hausman. Dans le cas où le premier est désigné, il
faut alors conduire un test afin de savoir s’il est nécessaire d’insérer un effet temps fixe en
plus de l’effet fixe individu. Enfin il est nécessaire d’effectuer un test de White quel que soit
le résultat du test de l’effet temps fixe afin de décider s’il est nécessaire d’utiliser un modèle
d’estimation robuste à l’hétéroscédasticité. Dans le cas où le test d’Hausman désigne un
modèle à random effect il est nécessaire de conduire un test de Breusch Pagan afin de
déterminer si là encore il est nécessaire d’utiliser un modèle résistant à l’hétéroscédasticité, à
savoir les OLS pour données de panel.
IV. Résultats
La totalité des résultats des régressions sont disponibles en annexe. A l’exception des
régressions présentées dans le Tableau 4 qui utilisent le modèle de random effect sans biais
d’hétérogénéité selon le test de Breusch Pagan, toutes les estimations ont été réalisées avec un
modèle robuste à l’hétérogénéité et pour la quasi-totalité avec l’ajout d’un effet fixe temps (y),
très probablement dû au fait que les années de la période considérées diffèrent très largement
à travers l’alternance de période calme (comme avant 1998 et avant 2007) et de crise
profonde. Les tests de robustesse des régressions sont présentés dans chaque tableau, à
l’exception du Tableau 3 basé sur le zscore, et consistent pour la majorité en l’utilisation de
mesures alternatives du phénomène de crise systémique. Le Tableau 1 présente la régression
principale et ses tests de robustesse, les Tableaux 2, 3, 4 et 5 sont eux consacrés aux canaux à
travers l’ajout de variables permettant de les approcher.
- 26 -
4.1. Régression principale
Les résultats sont présentés en intégralité au sein du Tableau 1 ; on remarque ainsi que
pour la totalité des régressions, la concentration bancaire a un signe positif significatif.
Toutefois les variables approchant le phénomène de crise systémique bancaire étant
différentes, la lecture du signe des coefficients l’est également. Ainsi en ce qui concerne les
régressions 1 à 5, c’est une dummy qui est utilisée, celle-ci prenant la valeur 0 lorsqu’aucune
crise ne survient l’année considérée ; un signe positif du coefficient de la concentration doit
alors être interprété comme un effet négatif sur la stabilité financière, puisqu’encourageant la
survenue de crises. Ce résultat est donc en contradiction avec ceux de Beck, Dermiguc-Kunt
et Levine (2007), mais vont, à l’inverse, dans le sens des conclusions de Uhde et Heimeshoff
(2009) ainsi que de Boyd, De Nicolo et Al Jalal (2006). De plus ce résultat est robuste à un
changement de variable mesurant le phénomène de crise, comme le montre les régressions 4,
5 et 623, mais il est aussi robuste à un changement des variables contrôlant pour
l’environnement institutionnel, comme l’indique les régressions 2 et 3 où tour à tour on
introduit les variables bfreedom, kkz et efreedom. Cette réfutation des résultats de Beck,
Dermiguc-Kunt et Levine (2007) peut être mis sur le compte de la période d’observation qui
diffère largement ; ces derniers se focalisant sur les années 1980-1997 alors que cette
estimation se fonde sur la période 1995-2009 prenant en compte l’une des plus grave crise
bancaire de ce siècle. En ce qui concerne la régression 7 du Tableau 1, cette dernière utilisant
le Z score pour approcher le phénomène de stabilité financière, et sachant que de plus grandes
valeur de ce dernier sont le signe d’une meilleure santé des banques, le signe positif et
significatif du coefficient de la variable de la concentration indique donc un effet positif de
cette dernière sur la santé des banques des pays concernés. Ce résultat qui semble
contradictoire avec les précédents a toutefois le mérite de confirmer la stricte opposition des
conclusions des tests empiriques selon si le Z score est utilisé à la place d’une dummy,
opposition qui a déjà été soulignée lors de la présentation des données. Il serait donc
intéressant de conduire une étude plus théorique afin de chercher s’il existe une explication
fondamentale de ce phénomène. Toutefois, ces résultats différents ne sont pas le signe non
plus d’une incompatibilité ; en effet, le Z score mesurant la distance à la faillite des banques
en se basant sur le ROA, ne prend pas en compte toute la complexité et la diversité des crises
23
lcrisis inclut les crises borderline, crisisloss prend en compte le coût de la crise à travers la perte de croissance
potentielle et nonperfloan représente le pourcentage de prêts de mauvaise qualité détenu par les banques.
- 27 -
systémiques. Ainsi une crise systémique est plus probable dans le cadre de systèmes bancaires
plus interconnectés comme le souligne Gauthier et Lehar (2010) ; effet totalement ignoré par
la mesure du Z score qui n’est somme toute qu’une approche de sensibilité des banques à un
choc. Ainsi le résultat principal est donc que sur la période étudiée, la concentration a un effet
négatif sur la stabilité financière et bancaire.
De plus on remarque en sein de ce Tableau 1 que parmi les variables de contrôle, celle
de la croissance du PIB (gdpg) est significativement négative pour l’ensemble des régressions,
confirmant le fait qu’une croissance robuste n’augmente pas les chances d’apparition d’une
crise financière. L’inflation (cpi1) elle est significative et de signe positif dans cinq
régressions sur sept, cet effet négatif sur la stabilité financière peut être dû en partie aux
différents phénomènes d’inflation importante voire d’hyperinflation dont certains pays du
panel ont pu souffrir sur la période étudiée. Le taux d’intérêt réel (r) de court terme a lui aussi
des coefficients significatifs pour cinq régressions sur sept. A l’exception de la régression 6,
son signe est négatif confirmant le fait que les banques gagnent plus à la hausse des taux court
qu’elles ne perdent, cette dernière en renforçant leur solidité financière a donc un effet positif
sur la stabilité du système bancaire. Le signe positif du taux d’intérêt au sein de la régression
6 peut s’expliquer par le phénomène de désertion des meilleurs clients lorsque les taux
d’intérêt augmentent trop alors que les mauvais clients plus risqués restent ; ainsi une hausse
du taux d’intérêt réel abaissant la qualité des prêts faits par la banque entraine une
augmentation des non performing loan comme le suggère le résultat de la régression 6. De
manière logique le taux de croissance des crédits (creditg) entre significativement et
positivement dans la régression 6 ; en effet, une croissance soutenue des crédits noie à court
terme les non performing loan dans la masse des crédits. Le PIB par habitant (gdpp) est
significatif pour cinq régressions sur sept et les signes de ses coefficients indiquent qu’il a un
effet négatif sur la stabilité financière. Si ce résultat peut paraitre surprenant à première vue il
peut s’expliquer par le fait que des valeurs plus grandes du PIB par habitant sont
concomitantes d’un secteur financier plus développé et plus interconnecté ; ainsi malgré le
surcroît de diversification que cet état peut entrainer, il semble que les crises systémiques y
soient plus fréquentes, sans doute en raison d’une interconnexion plus importante. Le volume
de crédit fournit par les banques à l’économie (domcred) est lui significatif dans six
régressions sur sept, son signe est toujours positif confirmant le fait qu’une place importante
des banques dans l’économie va de pair avec des crises systémiques plus fréquentes. La
variable de cost to income ratio (costinc) est significative pour six régressions sur sept et son
- 28 -
signe négatif pour la régression avec le Z score et positif pour les autres est bien celui attendu.
A l’inverse la variable net interest margin (intmarg), significative pour quatre régressions sur
sept, se trouve doté d’un signe positif, à l’opposé du signe attendu ; ce phénomène peut être
dû au fait que les banques les plus profitables sont aussi celles qui subissent le moins de
concurrence, ce qui peut les rendre vulnérable lors d’une crise systémique. Le pourcentage
d’entrée refusée (denied) est lui significatif pour cinq régressions sur sept, et son signe positif
confirme le fait que les banques agissant au sein d’un marché trop protégé de la concurrence
résistent moins bien aux crises systémiques ; ce résultat va dans le sens de ceux de Beck,
Dermiguc-Kunt et Levine (2007). La variable govowned est significative pour cinq
régressions sur sept et son signe positif va dans le sens des conclusions précédentes, car un
marché où le poids de l’Etat est fort est rarement un marché où la concurrence est importante.
Enfin les variables de banking freedom (bfreedom) et de l’indice kkz (kkz) ne sont
significatives que pour une seule régression chacune, toutefois leur signe confirme le fait
qu’un environnement institutionnel avec peu de contraintes est un facteur de stabilité car il
renforce la concurrence. En résumé les principaux résultats du Tableau 1 sont que la
concentration a un effet négatif sur la stabilité financière et qu’une concurrence plus forte a un
effet positif.
4.2. Régressions liées aux canaux
Avec la revue de la littérature, trois canaux par lesquels la concentration influerait sur
la stabilité financière ont été distingués ; celui du pouvoir de marché, dont l’effet est ambigu,
celui de la complexité des banques, dont l’effet n’est pas non plus tranché, et enfin celui de la
diversification, dont les effets sur la stabilité financière sont attendus positifs. Les Tableaux 2
et 3 traitent du canal du pouvoir de marché, le Tableau 4 est focalisé sur celui de la
complexité des banques, et enfin le Tableau 5 traite du canal de la diversification.
Afin d’étudier le canal du pouvoir de marché on ajoute à la régression principale
(régression 1 du Tableau 1), la variable du spread des taux d’intérêt au sein du Tableau 2 et
les variables du ROA et de l’écart type du ROA. Le spread des taux est significatif pour
l’ensemble des régressions du Tableau 2, et son signe positif est bien celui attendu car des
valeurs plus importantes sont le signe d’un pouvoir de marché plus fort des banques. De plus,
- 29 -
la variable de la concentration perd sa significativité sur l’ensemble des régressions du
Tableau 2 suite à l’introduction de la variable du spread de taux ; c’est donc un indice fort en
faveur du canal du pouvoir de marché. En sus la variable denied conserve son signe et sa
significativité, renforçant le faisceau de preuve en direction d’un pouvoir de marché
déstabilisateur émergeant de la concentration du marché bancaire. Le Tableau 3, qui est
constitué de la régression des composantes du Z score, que les articles de Uhde et Heimeshoff
(2009) et de Boyd, De Nicolo et Al Jalal (2006) utilisent comme régression principale, ne
permet pas, par contre, de tirer de conclusions sur le canal du pouvoir de marché. En effet la
variable de la concentration est encore plus significative que dans la régression 7 du Tableau
1 ; de plus le ROA ainsi que son écart type n’entrent pas significativement dans la régression
du Tableau 3. Au final, le Tableau 2 semble confirmer l’existence d’un canal du pouvoir de
marché.
En ce qui concerne le canal de la complexité des banques, l’on ajoute à la régression
principale quatre variables ; celle du nombre de banque, du cashflow et celles de la diversité
des revenus et des actifs des banques. Les régressions présentées dans le Tableau 4 ne
donnent toutefois pas de solides indices en faveur de l’existence de ce canal. En effet, bien
que la variable de la concentration perde sa significativité suite à l’introduction de ces
variables, ce qui est le signe qu’elles capturent l’effet de la concentration sur la stabilité
financière, seule la variable du nombre de banque est significative sur les trois régressions du
Tableau 4. Malgré cette significativité doublé d’un signe négatif qui signale qu’un nombre
plus élevé de banque a un effet positif sur la stabilité financière, le fait que parmi les variables
introduite elle soit la seule significative interdit toute conclusion sur une quelconque facilité à
superviser un marché bancaire constitué de nombreuses petites banques donc peu complexes,
comparé à un marché bancaire composé de grandes banques complexes. Dans ce cas la
variable du nombre de banque ne fait que capter celle de la concentration.
Pour finir le Tableau 5 se focalise sur le canal de la diversification en ajoutant à la
régression principale les variables de guidassetdiv, loanabroad et du PIB. Encore une fois les
conclusions que l’on peut tirer de ce tableau ne sont pas aussi tranchées que dans le cas du
Tableau 2. En effet, la variable de la concentration conserve sa significativité sur les trois
régressions, ce qui signifie soit que le canal de la diversification comme conséquence de la
présence de plus grandes banques au sein d’un marché bancaire concentré, n’existe pas, soit
que les variables introduites ne sont pas suffisantes pour le prendre en compte. On peut
néanmoins souligner les résultats de la régression 3 où les variables de guidassetdiv et de
- 30 -
loanabroad sont significatives avec des signes qui vont dans le sens d’un impact positif de la
diversification sur la stabilité financière. En effet, le signe négatif de guidassetdiv montre bien
que la présence d’une diversification minimum obligatoire est un facteur de stabilité, de
même le signe positif de loanabroad, dû au que fait que cette dummy vaut 1 lorsque les prêts
en direction de l’étranger sont interdits, va lui aussi dans le sens d’une diversification
stabilisatrice. Ainsi bien qu’il soit impossible de conclure à l’existence d’un canal de la
diversification, il est clair que cette dernière a un effet positif sur la stabilité financière.
V. Conclusion
La revue de la littérature conduite a permis d’identifier trois canaux par lesquels la
concentration peut avoir un effet sur la stabilité financière. Ces derniers sont ceux identifiés
par Beck, Dermiguc-Kunt et Levine (2007) ; en premier lieu le pouvoir de marché qui autant
d’un point de vue théorique qu’au niveau des études empiriques a un effet ambigu, car si une
concurrence faible peut limiter les risques de crises en protégeant les banques d’une trop forte
concurrence, ces banques sont en retour plus fragiles en cas de choc. De plus la présence d’un
pouvoir de marché peut intrinsèquement diminuer la qualité du portefeuille des banques
comme l’ont montré Boyd, De Nicolo et Al Jalal (2006). En ce qui concerne le canal de la
complexité bancaire, son effet est tout aussi ambigu au niveau théorique ainsi qu’au niveau
des études empiriques. En effet la question principale est de savoir si un marché bancaire
concentré, constitué de quelques grandes banques complexes et donc dont le monitoring ou la
supervision peuvent être malaisés mais dont le nombre est plus limité, est plus facile à
superviser qu’un marché bancaire plus atomisé, où le nombre de banque est important mais où
la complexité intrinsèque de chacune étant limitée, le monitoring et la supervision en sont
facilité. Enfin le dernier canal, celui de la diversification, comme phénomène lié à la présence
de grandes banques au sein de marchés bancaires concentrés a lui, tout autant d’un point de
vue théorique qu’empirique un effet clair ; la diversification en diminuant le risque porté par
les banques est un facteur de stabilité financière majeur.
- 31 -
Suite à l’identification de ces canaux, la base de données a été constituée dans le but
de pouvoir tester leur présence au sein d’un échantillon de 108 pays sur une période de 1995 à
2009 ; période particulièrement intéressante car recouvrant des périodes de stabilité
économiques et de crises majeures. Si une seule variable est utilisée pour mesurer la
concentration, la mesure de la stabilité financière à travers son opposé qu’est l’instabilité
financière – ie les crises financières – est réalisée par de nombreuses variables comme la
dummy créée par Laeven et Valentia (2008,2010), ou bien la proportion de non performing
loans, ou bien encore avec l’utilisation du Z score qui est une mesure de la probabilité de
faillite. Les résultats des régressions font avant tout ressortir le fait que la concentration a un
impact négatif sur la stabilité financière ; ce qui contredit les conclusions de Beck, DermigucKunt et Levine (2007) mais à l’inverse confirme ceux de Boyd, De Nicolo et Al Jalal (2006)
et de Uhde et Heimeshoff (2009). De plus un autre résultat clair a pu être mis à jour ; c’est
principalement à partir du canal du pouvoir de marché que la concentration a un impact
négatif sur la stabilité financière. Enfin une dernière conclusion des régressions menées est
que la compétition a un impact bénéfique sur la stabilité financière, ce qui va dans le sens des
conclusions de Beck, Dermiguc-Kunt et Levine (2007). Il est aussi intéressant de noter que
l’on retrouve l’opposition des résultats selon si une dummy est employée pour mesurer les
crises ou bien si l’on emploie le Z score ; toutefois l’opposition est ici inversée par rapport à
celle rencontrée au sein de la littérature, et comme il a été montré, cette opposition n’est pas
non plus incompatible au niveau des résultats à cause des limites intrinsèques au Z score. Il
serait toutefois intéressant de conduire une étude plus théorique sur le lien entre ces deux
approches différentes de l’instabilité pour essayer de rendre compte de la continuité de
l’opposition de leurs conclusions.
Il serait intéressant de se pencher un peu plus sur la place des banques au sein des
marchés financiers, puisque ces dernières semblent être de plus en plus prépondérante comme
a pu le démontré la crise financière de 2007. Enfin une des limites principales de cette étude
et des autres études empiriques est une prise en compte trop limitée des institutions Too Big
To Fail ainsi que des interconnections entre banques ; car comme l’a souligné l’article de
Gauthier et Lehar (2010), les canaux de transmission d’une crise systémique sont surtout liés
à une forte interdépendance des banques.
- 32 -
Bibliographie
Abiad.A Detragiache.E Tressel.T (2008) “A New Database of Financial Reforms”, IMF
Working Paper, WP/08/266
Allen.F Gale.D (2000) “Financial Contagion”, The Journal of Political Economy, Vol. 108,
No. 1 (February 2000), pp. 1-33
Allen.F Gale.D (2003) “Competition and Financial Stability”, World Bank and Federal
Reserve Bank of Cleveland
Barth.J.R Caprio.G Levine.R (2001a) “Banking systems around the globe do regulation and
ownership affect performance and stability”, NBER, ISBN: 0-226-53188-0
Barth.J.R Caprio.G Levine.R (2001b) “The Regulation and Supervision of Banks Around the
World”
Barth.J.R Caprio.G Levine.R (2004) “Bank Regulation and Supervision What Works Best”,
Journal of Financial Intermediation 13 (2004) 205–248
Barth.J.R Caprio.G Levine.R (2008) “Bank Regulations Are Changing For Better or Worse”
Baumol, W.J (1982), “Contestable Markets An Uprising in the Theory of Industry Structure”,
The American Economic Review, Vol. 72, No. 1, (Mar., 1982), pp. 1-15
Beck.T (2008) “Bank Competition and Financial Stability”
Beck.T Demirguc-Kunt.A Levine.R (1999) “A New Databaser on Financial Development and
Structure”
Beck.T Dermiguc-Kunt.A Levine.R (2004) “Bank Concentration, Competition, and Crises
First results”
Beck, T, Dermiguc-Kunt, A et Levine, R (2007) “Bank Concentration and Fragility Impact
and Mechanics”, National Bureau of Economic Research, Volume Title: The Risks of
Financial Institutions
Boot.A.W.A Thakor.A.V (2000) “Can Relationship Banking Survive Competition”, The
Journal of Finance, Vol. 55, No. 2 (Apr., 2000), pp. 679-713
Boyd.J.H De Nicolo.G Al Jalal.A (2006) “Bank Risk Taking and Competititon Revisited”
Boyd.J De Nicolo.G Loukoianova.E (2009) “Banking Crises and Crisis Dating Theory and
Evidence”, IMF Working Paper, WP/09/141
Caminal.R Matutes.C (2001) “Market power and banking failures”, International Journal of
Industrial Organization 20 (2002) 1341–1361
- 33 -
Canoy, M, Van Dijk, M, Lemmen, J, De Mooij, J (2001), “Competition and Stability in
Banking”, CPB Document, No 015
Caprio.G Klingebiel.D (2002) “Episodes of Systemic and Borderline Banking Crises”
Carletti, E et Hartmann, P (2002), “Competition and Systemic Stability What's Special About
Banking”, European Central Bank, Working paper No 146
Cetorelli.N Hirtle.B Morgan.D Peristiani.S Santos.J (2007) “Trends in Financial Market
Concentration and Their Implications for Market Stability”, FRBNY Economic Policy
Review / March 2007
Demirguc-Kunt.A Karacaovali.B Laeven.L (2005) “Deposit Insurance around the World A
Comprehensive Database”, World Bank Working Paper, WPS3628
Demirguc-Kunt.A Detragiache.E (1998) “The Determinants of Banking Crises in Developing
and developed Countries”, IMF Working Paper, Vol. 45, No 1
Demirguc-Kunt.A Detragiache.E (2002) “Does Deposit Insurance Increase Banking System
Stability An Empirical Investigation”
Demirguc-Kunt.A Detragiache.E (2005) “Cross-Country Empirical Studies of Systemic Bank
Distress A Survey”, IMF Working Paper, WP/05/96
De Nicolo.G Bartholomew.P Zaman.J Zephirin.M (2004) “Bank Consolidation
Internationalization and Conglomeration Trends and Implications for Financial Risk”
Diamond.D.W (1984) “Financial Intermediation and Delegated Monitoring”, The Review of
Economic Studies, Vol. 51, No. 3 (Jul., 1984), pp. 393-414
Freixas, X et Rochet, J.C (2006) “Microeconomics of Banking”, Second Edition
Gauthier.C Lehar.A (2010) “Macroprudential capital requirements and systemic risk”
Goddard.J Wilson.O.S (2006) “Measuring Competition in Banking A Disequilibrium
Approach”
Laeven.L Levine.R (2007) “Is There a diversification discount in financial conglomerates”,
Journal of Financial Economics 85 (2007) 331–367
Laeven.L, Valentia.F (2008) “Systemic Banking Crises A New Database”, IMF Working
Paper, WP/08/224
Laeven.L Valentia.F (2010) “Resolution of Banking Crises The Good the Bad and the Ugly”,
IMF Working Paper, WP/10/146
La Porta.R Lopez de Silanes.F Shleifer.A Vishny.R.W (1998) “Law and Finance”, The
Journal of Political Economy, Volume 106, Issue 6, 1113-1155
- 34 -
Masciandaro.D (2008) “Politicians and Financial Supervision Unification outside the Central
Bank Why Do They Do it”
Matutes, C et Vives, X (2000) “Imperfect competition risk taking and regulation in banking”,
European Economic Review 44 (2000) 1-34
Mishkin.F (1998) “Financial consolidation Dangers and Opportunities”, NBER, Working
Paper 6655
Panzar.J.C Rosse.J.N (1987) “Testing for monopoly equilibrium”, The Journal of Industrial
Economics, Vol. 35, No. 4, The Empirical Renaissance in Industrial Economics (Jun., 1987),
pp. 443-456
Schaeck.K Cihak.M Wolfe.S (2006) “Are More Competitive Banking Systems More Stable”
Shehzad.C.T Scholtens.B De Haan.J (2009) “Financial Crises and Bank Earnings Volatility
The Role of Bank Size and Market Concentration”
Uhde.A Heimeshoff.U (2009) “Consolidation in Banking and Financial Stability in Europe
Further evidence”, Journal of Banking & Finance 33 (2009) 1299–1311
VanHoose, D (2011) “Systemic Risks and Macroprudential Bank Regulation A Critical
Appraisal”, Networks Financial Institute, 2011-PB-04
Vives, X (2010) “Competition and stability in banking”, CEPR, Policy Insight, No 50
Wagner.W (2010) “Diversification at financial institutions and systemic crises”, J. Finan.
Intermediation 19 (2010) 373–386
Williamson.S.D (1986) “Costly monitoring loan contracts and equilibrium credit rationing”,
The Quarterly Journal of Economics, Vol. 102, No. 1, 135-146
- 35 -
ANNEXES
Annexe A
Variable
scrisis
lcrisis
crisisloss
conc
zscore
roa
sdroa
costinc
intmarg
gdpg
cpi1
r
depr
credg
gdppc
gdp
domcred
nonperfloan
rspread
Source
Laeven.L, Valentia.F (2008, 2010)
Laeven.L, Valentia.F (2008, 2010)
Laeven.L, Valentia.F (2008, 2010)
Financial Structure Dataset (2010) Thorsten Beck et Ed Al-Hussainy
Financial Structure Dataset (2010) Thorsten Beck et Ed Al-Hussainy
Financial Structure Dataset (2010) Thorsten Beck et Ed Al-Hussainy
Financial Structure Dataset (2010) Thorsten Beck et Ed Al-Hussainy
Financial Structure Dataset (2010) Thorsten Beck et Ed Al-Hussainy
Financial Structure Dataset (2010) Thorsten Beck et Ed Al-Hussainy
World Development Indicator (WDI)
World Development Indicator (WDI)
World Development Indicator (WDI)
World Development Indicator (WDI)
World Development Indicator (WDI)
World Development Indicator (WDI)
World Development Indicator (WDI)
World Development Indicator (WDI)
World Development Indicator (WDI)
World Development Indicator (WDI)
Demirguc-Kunt.A Detragiache.E (2002) et Barth.J.R Caprio.G
mhi
Levine.R (2001b, 2004, 2008)
leg_brit
Barth.J.R Caprio.G Levine.R (2001b, 2004, 2008)
leg_fr
Barth.J.R Caprio.G Levine.R (2001b, 2004, 2008)
leg_so
Barth.J.R Caprio.G Levine.R (2001b, 2004, 2008)
leg_ger
Barth.J.R Caprio.G Levine.R (2001b, 2004, 2008)
denied
Barth.J.R Caprio.G Levine.R (2001b, 2004, 2008)
restrict
Barth.J.R Caprio.G Levine.R (2001b, 2004, 2008)
capregul Barth.J.R Caprio.G Levine.R (2001b, 2004, 2008)
suppower Barth.J.R Caprio.G Levine.R (2001b, 2004, 2008)
govowned Barth.J.R Caprio.G Levine.R (2001b, 2004, 2008)
forowned Barth.J.R Caprio.G Levine.R (2001b, 2004, 2008)
guidassetdiv Barth.J.R Caprio.G Levine.R (2001b, 2004, 2008)
loanabroad Barth.J.R Caprio.G Levine.R (2001b, 2004, 2008)
bfreedom Heritage Foundation
efreedom Heritage Foundation
Worldwide Governance Indicators (WGI)
kkz
- 36 -
Annexe B
Variable
Mean
Std. Dev.
Min
Max
Observations
scrisis
overall
between
within
.0666667
.2495209
.097316
.2299394
0
0
-.2666667
1
.3333333
1
N = 1620
n = 108
T = 15
lcrisis
overall
between
within
.0858025
.2801586
.1067021
.2592334
0
0
-.2475309
1
.3333333
1.019136
N = 1620
n = 108
T = 15
crisisloss
overall
between
within
2.545062
12.82027
5.494752
11.59431
0
0
-29.18827
121
31.73333
102.9451
N = 1620
n = 108
T = 15
conc
overall
between
within
.6911071
.2086477
.1796449
.1074273
.1190156
.2477717
.3243209
1
1
1.234293
N = 1620
n = 108
T = 15
gdpg
overall
between
within
4.257447
4.872485
2.317357
4.29155
-18.01471
.7507774
-18.99249
88.95766
14.34635
78.86876
N = 1620
n = 108
T = 15
cpi1
overall
between
within
26.97165
243.6246
81.33618
229.7707
-17.05676
.1056519
-569.4182
6041.595
608.6386
5646.239
N = 1620
n = 108
T = 15
r
overall
between
within
6.656795
18.01757
7.910409
16.20492
-526.6953
-25.75912
-494.2794
97.47437
45.70274
99.37727
N = 1620
n = 108
T = 15
depr
overall
between
within
.1180183
1.632789
.6705869
1.490034
-.9999152
-.0293136
-6.888447
45.55217
6.92855
38.74164
N = 1620
n = 108
T = 15
credg
overall
between
within
1.605626
64.1712
16.0726
62.14377
-49.95121
-1.283025
-215.4278
2582.147
167.0822
2416.671
N = 1620
n = 108
T = 15
gdppc
overall
between
within
8.670696
11.02033
10.96203
1.523395
.1070322
.1113057
-1.669921
56.62473
47.17986
18.64865
N = 1620
n = 108
T = 15
mhi
overall
between
within
11.40314
48.88997
48.90727
4.357978
0
0
-9.596862
495.14
495.14
95.40314
N = 1620
n = 108
T = 15
leg_brit
overall
between
within
.287037
.4525187
.454488
0
0
0
.287037
1
1
.287037
N = 1620
n = 108
T = 15
- 37 -
Variable
Mean
Std. Dev.
Min
Max
Observations
leg_fr
overall
between
within
.4166667
.4931589
.4953051
0
0
0
.4166667
1
1
.4166667
N = 1620
n = 108
T = 15
leg_so
overall
between
within
.212963
.4095281
.4113103
0
0
0
.212963
1
1
.212963
N = 1620
n = 108
T = 15
leg_ger
overall
between
within
.0462963
.2101909
.2111056
0
0
0
.0462963
1
1
.0462963
N = 1620
n = 108
T = 15
domcred
overall
between
within
.6853008
.5627134
.5359338
.1786197
-.7299423
-.3224054
-.1603028
3.205309
3.007103
1.639363
N = 1620
n = 108
T = 15
costinc
overall
between
within
.6621606
.2365895
.1481261
.1849945
.1784629
.3576767
.0602936
3.128927
1.161013
2.784942
N = 1620
n = 108
T = 15
intmarg
overall
between
within
.051824
.035739
.0301928
.0193275
.0048156
.0086085
-.0369089
.3201605
.149822
.2221625
N = 1620
n = 108
T = 15
denied
overall
between
within
.1751862
.2712697
.2351797
.1369528
0
0
-.5067186
1
1
.8418528
N = 1620
n = 108
T = 15
restrict
overall
between
within
1.966049
1.207638
1.025956
.6441322
0
0
-.767284
4
4
4.366049
N = 1620
n = 108
T = 15
capregul
overall
between
within
10.63716
2.652145
2.384804
1.181425
0
0
2.03716
18
17
15.27049
N = 1620
n = 108
T = 15
suppower
overall
between
within
11.2358
2.743055
2.371699
1.39572
3
5.933333
3.769136
16
15.26667
16.56914
N = 1620
n = 108
T = 15
govowned
overall
between
within
.1927796
.2338865
.2224113
.0752586
0
0
-.2568204
.9578
.94624
.4802462
N = 1620
n = 108
T = 15
forowned
overall
between
within
.3268278
.2922637
.271834
.1102876
0
0
-.1329055
1
.9882933
.7836812
N = 1620
n = 108
T = 15
- 38 -
Variable
Mean
Std. Dev.
Min
Max
Observations
bfreedom
overall
between
within
56.04407
18.49748
15.98334
9.428613
10
26.68667
18.71074
90.1
90
93.37741
N = 1620
n = 108
T = 15
efreedom
overall
between
within
61.67359
10.50195
9.798289
3.88776
23.7
30.26667
40.01359
90.5
89.36667
78.40692
N = 1620
n = 108
T = 15
kkz
overall
between
within
1.161415
5.230775
5.174373
.9046544
-10.45561
-8.07648
-2.558281
11.40335
10.80058
4.458729
N = 1620
n = 108
T = 15
guidassetdiv
overall
between
within
.3981481
.4896674
.4091841
.2716439
0
0
-.4018519
1
1
1.198148
N = 1620
n = 108
T = 15
gdp
overall
between
within
2.998232
11.11591
11.07777
1.38117
.0033784
.004667
-18.45891
116.7149
101.4767
18.23651
N = 1620
n = 108
T = 15
loanabroad
overall
between
within
.1648148
.3711279
.3207543
.1890561
0
0
-.6351852
1
1
.9648148
N = 1620
n = 108
T = 15
nonperfloan
overall
between
within
6.875823
7.560191
4.641309
5.992209
.1
.84
-14.31084
57
23.58667
40.28916
N = 790
n = 53
T = 14.9057
zscore
overall
between
within
10.32117
8.252426
4.033776
7.210614
1.138477
5.411622
-5.786602
91.41393
23.81147
83.15139
N = 770
n = 52
T = 14.8077
roa
overall
between
within
-.1312316
3.739041
.9933336
3.605441
-103.5961
-7.143005
-96.58433
.9290012
.0971245
7.084554
N = 770
n = 52
T = 14.8077
sdroa
overall
between
within
.4918871
12.24788
3.181306
11.82984
0
.0059995
-22.47446
339.6299
22.96678
317.155
N = 770
n = 52
T = 14.8077
rspread
overall
between
within
9.309128
13.35235
8.168529
10.59813
-27.27583
1.29985
-24.88969
218.35
44.05262
196.648
N = 1230
n = 82
T = 15
- 39 -
Annexe C
y
y
scrisis
lcrisis
crisisloss
conc
gdpg
cpi1
r
depr
credg
gdppc
mhi
leg_brit
leg_fr
leg_so
leg_ger
domcred
costinc
1
scrisis
-0,1146
1
lcrisis
-0,0704
0,8724
1
crisisloss
-0,0124
0,6486
0,6482
1
conc
0,0109
-0,0521
-0,0343
-0,0367
1
gdpg
-0,0265
-0,171
-0,2132
-0,2247
0,0314
1
cpi1
-0,1201
0,1128
0,0948
-0,0087
0,0855
-0,0217
1
r
-0,0323
-0,0388
-0,042
-0,015
-0,0562
0,0761
-0,2504
1
depr
-0,0849
0,0228
0,0174
0,0228
0,0635
0,0167
0,2718
-0,2427
1
credg
0,0015
-0,0073
-0,0082
-0,0053
0,012
0,0524
0,0059
-0,0175
-0,0053
1
gdppc
0,0809
0,0286
0,0434
0,0511
-0,0654
-0,1297
-0,0691
-0,0949
-0,0523
-0,0173
1
mhi
0,0097
0,0663
0,0527
0,0276
-0,0567
-0,0532
-0,0126
-0,0042
-0,0046
-0,0057
-0,0294
1
leg_brit
0
-0,0492
-0,0872
0,0017
0,0549
0,005
-0,0521
0,001
-0,0297
-0,0153
0,0513
-0,0922
1
leg_fr
0
-0,005
0,0004
-0,0015
-0,1185
-0,0173
-0,0085
0,052
0,0418
0,0285
-0,1245
0,153
-0,5363
1
leg_so
0
0,0242
0,056
-0,0365
0,0402
0,1023
0,0889
-0,0392
-0,0028
-0,0125
-0,2666
-0,0643
-0,3301
-0,4396
1
leg_ger
0
0,0707
0,0689
0,0514
-0,0968
-0,1014
-0,0229
-0,0194
-0,0156
-0,0054
0,3557
-0,021
-0,1398
-0,1862
-0,1146
1
domcred
0,1276
0,0894
0,1151
0,1505
-0,1362
-0,2077
-0,0878
-0,0364
-0,0504
-0,0268
0,6487
-0,0547
0,075
-0,069
-0,2417
0,3789
1
costinc
-0,0562
0,1362
0,1674
0,128
-0,0616
-0,1156
0,0097
0,0566
0,0184
-0,0187
-0,0829
0,2164
-0,1078
0,0407
0,0577
0,0339
-0,0401
1
intmarg
-0,1389
0,1109
0,0731
-0,0317
0,0438
-0,016
0,2223
0,0776
0,0395
0,0063
-0,4767
0,0328
-0,048
0,0762
0,1193
-0,1795
-0,487
0,0597
denied
-0,0086
0,0708
0,0493
0,0853
0,0784
0,021
0,0017
0,0528
-0,0227
-0,0152
-0,3331
-0,0219
0,2293
-0,1688
0,0529
-0,131
-0,2097
0,0021
restrict
0,0869
0,0137
-0,0352
0,0028
0,0417
0,061
0,0153
0,0131
0,0113
0,0007
-0,3445
0,0363
0,0314
0,1451
-0,0753
-0,1398
-0,1876
-0,0293
-0,0341
capregul
0,0011
-0,0563
-0,0711
-0,0513
-0,0736
0,0383
0,0541
0,0316
-0,0101
-0,0062
-0,0279
-0,0145
0,0029
-0,0821
0,1542
-0,0363
-0,0502
suppower
0,023
0,051
0,046
-0,008
-0,1089
0,0303
0,0013
0,09
0,0066
0,0065
-0,1203
0,002
-0,1043
0,1328
0,0136
0,0882
-0,1025
-0,0193
govowned
-0,081
0,0176
-0,0006
0,0189
-0,045
0,1547
0,0227
-0,0396
0,0416
0,0125
-0,2999
-0,0266
-0,0603
-0,0074
0,1463
-0,0143
-0,2451
-0,0708
0,0408
forowned
0,1122
-0,026
-0,0435
-0,031
0,1709
0,0373
-0,0049
0,0551
0,0086
0,0085
-0,1096
0,0179
0,1441
-0,1449
0,172
-0,1728
-0,217
bfreedom
0,0612
-0,0242
0,0097
0,0148
-0,0465
-0,2149
-0,0858
0,0187
-0,0763
-0,0336
0,4483
-0,0309
0,0878
-0,1052
-0,0702
0,09
0,3946
0,0773
kkz
0,0033
-0,0257
0,0139
0,0212
0,0389
-0,1744
-0,1117
-0,0342
-0,1034
-0,0417
0,7944
-0,0473
0,0481
-0,1923
-0,1242
0,2788
0,6113
-0,0057
efreedom
0,1236
-0,0356
-0,0116
0,0513
-0,0834
-0,195
-0,1977
0,063
-0,1675
-0,0851
0,6276
0,0097
0,2202
-0,1064
-0,2793
0,1976
0,5144
-0,0069
guidassetdiv
0,028
-0,0253
0,0075
-0,0431
0,0445
0,0061
-0,038
-0,0942
-0,0367
-0,02
0,202
-0,0052
-0,1509
0,149
-0,0258
0,1329
0,1044
-0,0742
gdp
0,0333
0,1038
0,0901
0,0615
-0,2754
-0,0845
-0,0227
-0,022
-0,0178
-0,0063
0,4016
0,0311
0,0989
-0,1137
-0,0894
0,2471
0,4818
0,0467
loanabroad
0,0116
-0,012
-0,0292
0,0298
0,0525
0,0951
0,0288
-0,026
0,0867
0,0545
-0,277
-0,0233
-0,0612
0,1308
-0,0482
-0,0029
-0,2102
-0,1231
-0,0437
0
0,023
0,0433
0,0147
-0,1021
-0,0526
-0,0833
-0,0241
-0,0659
-0,0393
0,1004
0,0182
0,1605
-0,0828
-0,0758
-0,0304
0,0897
nonperfloan
0,0878
-0,0559
-0,0496
-0,0321
0,0169
-0,015
-0,0015
0,0523
-0,0575
-0,03
0,0216
0,0564
-0,0202
0,0521
-0,0166
-0,1137
-0,0555
0,0276
rspread
-0,1555
-0,009
-0,0067
-0,0342
0,095
0,0988
0,0973
-0,0139
0,2106
0,0801
-0,0855
0,0147
-0,0036
-0,0235
0,0484
0,0104
-0,0408
-0,0441
zscore
-0,104
-0,0317
-0,0576
-0,0276
-0,0053
-0,0316
-0,0221
-0,0163
-0,0098
0,0049
-0,008
-0,0172
0,0657
-0,0333
-0,0348
0,0058
-0,0599
0,0695
roa
-0,0483
0,0106
0,0119
0,0081
-0,008
-0,0118
0,0039
0,0059
0,0042
0,0015
0,025
0,0174
0,0232
-0,0407
0,021
0,0083
0,0135
-0,0365
sdroa
0,0511
-0,0106
-0,0117
-0,0079
0,0045
0,011
-0,004
-0,006
-0,0044
-0,0014
-0,0262
-0,017
-0,0225
0,0411
-0,0178
-0,0084
-0,0126
0,0371
cn1
intmarg
denied
restrict
capregul
suppower
govowned
forowned
bfreedom
kkz
efreedom
guidassetdiv
gdp
loanabroad
cn1
nonperfloan
rspread
zscore
roa
intmarg
1
denied
0,0589
1
restrict
0,1852
0,2527
1
capregul
0,0545
-0,0612
-0,0902
1
suppower
0,1451
0,0102
0,0975
0,0393
1
govowned
0,0377
0,2105
0,2351
-0,1798
-0,0551
1
forowned
0,0859
-0,0024
-0,0456
0,0677
0,1788
-0,375
1
bfreedom
-0,2951
-0,2415
-0,3078
0,0745
-0,018
-0,5278
0,2633
1
kkz
-0,5091
-0,3188
-0,4118
-0,0148
-0,164
-0,3874
0,0423
0,6142
1
efreedom
-0,4186
-0,2608
-0,284
0,1026
-0,0403
-0,4548
0,1437
0,7518
0,7407
1
guidassetdiv
-0,1526
-0,1341
-0,1202
0,0914
0,2359
-0,0853
0,1007
0,0698
0,1617
0,115
1
gdp
-0,1268
-0,1087
0,0418
-0,0825
0,0324
-0,0843
-0,1617
0,1249
0,2455
0,2174
0,0222
1
loanabroad
0,0022
0,17
0,2123
-0,1256
0,0182
0,28
-0,0656
-0,3067
-0,3342
-0,3128
-0,069
-0,0992
1
cn1
0,0011
0,0042
-0,0441
0,0194
-0,0322
-0,0999
-0,0393
0,0326
0,0883
0,1226
-0,0801
0,1203
-0,1415
1
nonperfloan
0,0812
0,0057
-0,0304
0,0846
-0,0951
-0,1251
-0,0489
0,1513
0,0433
0,1369
-0,0536
-0,1387
-0,1061
0,1263
1
rspread
0,0292
0,0576
0,0011
0,024
0,0843
0,0116
0,0261
-0,0901
-0,0573
-0,2186
-0,0188
0,0508
0,0445
-0,0717
-0,0932
1
zscore
-0,0507
0,0082
-0,009
-0,0346
-0,0343
-0,0248
0,026
-0,0018
-0,0004
-0,0021
0,0889
-0,0364
0,1544
-0,0953
-0,0046
0,0082
1
roa
-0,0382
0,0287
-0,0278
0,0047
-0,0088
0,0223
-0,0018
-0,0086
0,0341
0,0235
0,032
0,0177
0,0187
0,0299
-0,0377
0,0044
0,0218
1
sdroa
0,0392
-0,0281
0,0272
-0,0052
0,0112
-0,0231
0,005
0,0096
-0,0355
-0,025
-0,031
-0,0157
-0,0191
-0,0297
0,0418
-0,0049
-0,0236
-0,998
sdroa
1
Tableau 1
VARIABLES
conc
gdpg
cpi1
r
depr
credg
gdppc
mhi
domcred
costinc
intmarg
denied
restrict
capregul
suppower
govowned
forowned
y
Constant
bfreedom
1
scrisis
2
scrisis
3
scrisis
4
lcrisis
5
crisisloss
6
nonperfloan
7
zscore
0.116**
(0.053)
-0.005*
(0.001)
0.000**
(0.000)
-0.001**
(0.000)
-0.006
(0.004)
0.000
(0.000)
0.010**
(0.005)
0.001
(0.001)
0.330*
(0.036)
0.138*
(0.031)
0.803**
(0.320)
0.145*
(0.041)
0.006
(0.009)
0.001
(0.005)
-0.004
(0.004)
0.145***
(0.087)
-0.044
(0.059)
-0.012*
(0.002)
23.314*
(3.509)
-0.001
(0.001)
0.118**
(0.054)
-0.005*
(0.001)
0.000**
(0.000)
-0.001**
(0.000)
-0.006
(0.004)
0.000
(0.000)
0.010**
(0.005)
0.001
(0.001)
0.330*
(0.036)
0.138*
(0.031)
0.830**
(0.322)
0.145*
(0.042)
0.007
(0.009)
0.001
(0.005)
-0.004
(0.004)
0.155***
(0.087)
-0.052
(0.059)
-0.012*
(0.002)
22.939*
(3.535)
0.117**
(0.053)
-0.005*
(0.001)
0.000**
(0.000)
-0.001**
(0.000)
-0.006
(0.004)
0.000
(0.000)
0.011**
(0.005)
0.001
(0.001)
0.327*
(0.036)
0.134*
(0.031)
0.794**
(0.319)
0.146*
(0.041)
0.004
(0.009)
0.001
(0.005)
-0.004
(0.004)
0.143***
(0.087)
-0.046
(0.059)
-0.012*
(0.002)
23.938*
(3.528)
0.142**
(0.060)
-0.007*
(0.002)
0.000**
(0.000)
-0.001**
(0.000)
-0.006
(0.004)
0.000
(0.000)
0.008
(0.005)
0.001
(0.001)
0.394*
(0.041)
0.168*
(0.035)
0.687***
(0.360)
0.157*
(0.047)
0.007
(0.010)
-0.008
(0.006)
-0.002
(0.005)
0.110
(0.098)
-0.127***
(0.066)
-0.010*
(0.002)
20.203*
(3.944)
-0.000
(0.001)
4.125***
(2.694)
-0.484*
(0.069)
-0.001
(0.001)
-0.002
(0.019)
0.014
(0.198)
0.001
(0.005)
0.189
(0.246)
-0.026
(0.067)
17.159*
(1.838)
6.549*
(1.555)
-13.027
(16.193)
6.352*
(2.099)
-0.482
(0.450)
-0.213
(0.260)
0.206
(0.208)
11.090**
(4.409)
1.556
(2.991)
-0.327*
(0.089)
636.338*
(177.521)
-0.001
(0.032)
3.116**
(1.478)
-0.340*
(0.047)
0.017
(0.014)
0.088*
(0.032)
0.646
(1.162)
-1.405**
(0.591)
0.547*
(0.180)
-0.032
(0.027)
5.985*
(1.188)
0.970
(0.777)
-3.185
(11.775)
-1.762
(1.149)
-0.326
(0.209)
-0.061
(0.115)
0.011
(0.102)
9.290*
(2.370)
7.626*
(1.463)
-1.076*
(0.073)
2,149.733*
(145.681)
-0.017
(0.019)
7.278**
(2.879)
0.196**
(0.081)
0.187*
(0.037)
-0.042
(0.043)
4.302*
(1.448)
0.464
(0.974)
-0.727**
(0.310)
-0.235*
(0.045)
2.245
(2.036)
-2.839**
(1.430)
-21.284
(19.625)
1.056
(2.060)
0.306
(0.358)
0.008
(0.199)
0.346***
(0.189)
1.746
(3.711)
2.481
(2.418)
1.014
(5.347)
1620
0.267
1620
0.291
790
0.778
770
0.453
-0.000
(0.002)
efreedom
-0.013**
(0.006)
kkz
Observations
R-squared
0.145*
(0.030)
1620
0.268
Standard errors in parentheses
* p<0.01, ** p<0.05, *** p<0.1
1620
0.268
1620
0.270
Tableau 2
VARIABLES
conc
rspread
gdpg
cpi1
r
depr
credg
gdppc
mhi
domcred
costinc
intmarg
denied
restrict
capregul
suppower
govowned
forowned
bfreedom
y
Constant
Observations
R-squared
Tableau 3
1
scrisis
2
lcrisis
3
crisisloss
0.094
(0.059)
0.002*
(0.001)
-0.003**
(0.001)
0.000**
(0.000)
-0.001*
(0.000)
-0.009**
(0.004)
0.000
(0.000)
0.002
(0.008)
0.001
(0.001)
0.325*
(0.042)
0.110*
(0.034)
0.718**
(0.330)
0.127*
(0.042)
0.013
(0.010)
0.004
(0.006)
0.006
(0.004)
0.067
(0.097)
-0.051
(0.063)
-0.000
(0.001)
-0.014*
(0.002)
27.114*
(3.979)
0.097
(0.065)
0.002**
(0.001)
-0.005*
(0.002)
0.000***
(0.000)
-0.001**
(0.000)
-0.009**
(0.004)
0.000
(0.000)
0.008
(0.009)
0.002
(0.002)
0.364*
(0.046)
0.195*
(0.037)
0.925**
(0.364)
0.145*
(0.047)
0.008
(0.011)
0.001
(0.006)
0.006
(0.005)
0.003
(0.107)
-0.105
(0.069)
-0.001
(0.001)
-0.015*
(0.002)
29.140*
(4.389)
2.994
(2.754)
0.100*
(0.031)
-0.363*
(0.068)
-0.001
(0.001)
0.004
(0.018)
-0.079
(0.188)
0.001
(0.004)
-0.088
(0.376)
0.002
(0.064)
14.576*
(1.946)
7.609*
(1.567)
-3.941
(15.442)
6.446*
(1.983)
-0.804***
(0.456)
-0.072
(0.260)
0.286
(0.210)
5.646
(4.519)
1.615
(2.942)
-0.005
(0.033)
-0.288*
(0.093)
560.413*
(186.110)
1230
0.289
1230
0.299
1230
0.320
Standard errors in parentheses
* p<0.01, ** p<0.05, *** p<0.1
VARIABLES
conc
roa
sdroa
gdpg
cpi1
r
depr
credg
gdppc
mhi
domcred
costinc
intmarg
denied
restrict
capregul
suppower
govowned
forowned
bfreedom
Constant
Observations
R-squared
zscore
7.529*
(2.889)
-1.397
(1.083)
-0.431
(0.330)
0.195**
(0.081)
0.187*
(0.037)
-0.042
(0.043)
4.184*
(1.451)
0.460
(0.974)
-0.734**
(0.310)
-0.235*
(0.045)
2.404
(2.041)
-3.102**
(1.444)
-19.461
(19.702)
1.099
(2.061)
0.321
(0.358)
0.022
(0.199)
0.335***
(0.189)
1.772
(3.713)
2.318
(2.422)
0.146*
(0.030)
0.863
(5.350)
770
0.455
Standard errors in parentheses
* p<0.01, ** p<0.05, *** p<0.1
Tableau 4
VARIABLES
conc
nbbank
cashflow
div_inc
div_asset
gdpg
cpi1
r
depr
credg
gdppc
mhi
leg_brit
leg_fr
leg_ger
domcred
costinc
intmarg
denied
restrict
capregul
suppower
govowned
forowned
bfreedom
Constant
Observations
Number of cn1
Tableau 5
1
scrisis
2
lcrisis
3
crisisloss
-0.076
(0.075)
-0.063*
(0.014)
0.000
(0.001)
-0.270
(0.180)
0.228***
(0.135)
-0.007***
(0.004)
0.000*
(0.000)
0.004**
(0.002)
0.426*
(0.078)
-0.207*
(0.072)
0.003
(0.003)
0.000
(0.000)
-0.048
(0.073)
-0.022
(0.076)
-0.013
(0.088)
0.146*
(0.037)
0.217*
(0.055)
0.066
(0.660)
0.069
(0.062)
0.011
(0.011)
0.005
(0.007)
-0.002
(0.006)
0.093
(0.109)
-0.044
(0.089)
0.002
(0.001)
-0.309
(0.220)
0.071
(0.084)
-0.063*
(0.016)
0.002
(0.001)
-0.256
(0.188)
0.169
(0.139)
-0.017*
(0.005)
0.000*
(0.000)
0.003
(0.002)
0.419*
(0.093)
-0.213**
(0.086)
0.002
(0.003)
-0.000
(0.000)
-0.025
(0.076)
0.064
(0.079)
0.009
(0.091)
0.168*
(0.040)
0.110***
(0.064)
-0.162
(0.738)
0.058
(0.070)
0.005
(0.013)
0.002
(0.008)
0.003
(0.006)
0.096
(0.118)
-0.114
(0.098)
0.002**
(0.001)
-0.337
(0.239)
-2.216
(4.537)
-1.692***
(0.881)
0.117
(0.074)
-2.267
(11.304)
-2.962
(8.556)
-0.982*
(0.225)
0.001
(0.007)
0.119
(0.104)
15.858*
(4.533)
-5.433
(4.216)
-0.204
(0.166)
-0.011
(0.015)
-6.487
(4.574)
-6.422
(4.786)
-9.414***
(5.501)
12.555*
(2.249)
12.638*
(3.208)
-87.226**
(39.799)
6.820***
(3.686)
-0.528
(0.689)
0.333
(0.404)
0.207
(0.336)
4.359
(6.756)
2.716
(5.378)
0.041
(0.061)
-9.364
(13.538)
555
37
555
37
555
37
Standard errors in parentheses
* p<0.01, ** p<0.05, *** p<0.1
VARIABLES
conc
guidassetdiv
gdp
loanabroad
gdpg
cpi1
r
depr
credg
gdppc
mhi
domcred
costinc
intmarg
denied
restrict
capregul
suppower
govowned
forowned
bfreedom
y
Constant
Observations
R-squared
1
scrisis
2
lcrisis
3
crisisloss
0.111**
(0.054)
0.006
(0.022)
0.007
(0.004)
0.029
(0.031)
-0.005*
(0.001)
0.000**
(0.000)
-0.001**
(0.000)
-0.006
(0.004)
0.000
(0.000)
0.009***
(0.005)
0.001
(0.001)
0.327*
(0.036)
0.137*
(0.031)
0.784**
(0.321)
0.140*
(0.042)
0.008
(0.009)
0.000
(0.005)
-0.004
(0.004)
0.133
(0.088)
-0.037
(0.060)
-0.001
(0.001)
-0.012*
(0.002)
24.380*
(3.563)
0.169*
(0.060)
-0.014
(0.025)
0.007
(0.005)
0.052
(0.034)
-0.008*
(0.002)
0.000**
(0.000)
-0.001***
(0.000)
-0.006
(0.004)
0.000
(0.000)
0.009***
(0.005)
0.001
(0.001)
0.419*
(0.040)
0.185*
(0.034)
0.894**
(0.357)
0.149*
(0.047)
0.007
(0.010)
-0.008
(0.006)
-0.005
(0.005)
0.085
(0.098)
-0.099
(0.066)
-0.001
(0.001)
-0.012*
(0.002)
22.685*
(3.959)
5.539**
(2.693)
-2.738**
(1.110)
-0.079
(0.219)
3.979*
(1.535)
-0.479*
(0.069)
-0.001
(0.001)
-0.004
(0.019)
0.005
(0.197)
0.001
(0.005)
0.305
(0.247)
-0.013
(0.067)
17.683*
(1.829)
6.725*
(1.548)
-6.312
(16.135)
5.260**
(2.116)
-0.692
(0.455)
-0.214
(0.260)
0.180
(0.213)
9.299**
(4.430)
3.423
(3.006)
-0.008
(0.031)
-0.358*
(0.090)
697.974*
(179.106)
1620
0.270
1620
0.285
1620
0.301
Standard errors in parentheses
* p<0.01, ** p<0.05, *** p<0.1