Données, statistiques descriptives et méthodologie empi- empi-rique retenueempi-rique retenue

Nos recherches testent l’implication du pouvoir de marché sur le risque indivi-duel de faillite ainsi que sur la corrélation dans la prise de risque, dont nous avons signalé qu’elle pouvait s’apparenter à mesurer la contribution individuelle des firmes au risque systémique. Notre régression de base peut, de cette manière, s’exprimer se-lon la forme générale suivante :

r i sque = f (Lerner, variables de contrôle spécifiques, variables macroéconomiques) (1.28) Dans cette sous-section, nous présenterons les données utilisées avant de pré-senter la méthode économétrique retenue.

Données et statistiques

La présente étude porte sur un panel non cylindré de 54 banques européennes cotées parmi les plus importantes sur la période 2004-2013. Notre échantillon com-prend notamment l’ensemble des banques européennes apparaissant dans la classi-fication des banques systémiquement importantes (« G-SIB » ou « SIFI ») établie par le comité de Bâle. Le tableau 1.1 présente les banques composant notre échantillon, en précisant leur pays d’origine ainsi que la taille de leur bilan à la fin de l’année 2012. La présentation de ces données conduit à certaines observations. Il ressort, d’une part, que les banques italiennes sont surreprésentées dans l’échantillon retenu. Cela traduit la faible consolidation du marché bancaire italien au regard des autres pays membres de l’Union européenne et la structuration du marché autour de banques de taille moyenne. À ce propos, notre échantillon regroupe des banques à la taille for-tement dissemblable. Le rapport est effectivement, pour 2012, approximativement d’un pour dix entre les actifs détenus par la plus grande (Deutsch Bank) et ceux que détient la plus petite (Banco de Sabadell) de notre échantillon. En outre, la présenta-tion du total des actifs, pour l’année 2012, des banques sélecprésenta-tionnées permet d’éva-luer la couverture de notre échantillon d’étude. Il s’agit ici d’un point important dans la mesure où l’échantillon est de taille modérée car limité aux banques cotées dont les actifs ont été préalablement consolidés. Ainsi, bien que notre échantillon ne com-prenne qu’une part marginale des institutions bancaires enregistrées auprès de la BCE, il couvre environ 70% des actifs bancaires européens pour l’année 2012⁵².

Il convient désormais de présenter les données utilisées. Comme nous l’avons signalé dans la sous-section précédente, nous avons, pour cette étude, retenu trois indicateurs de risque se rapportant à deux notions de risque distinctes.

La première notion renvoie à la définition d’un niveau de prise de risque indivi-duel. À cet égard, nous avons opté pour le Z-score et la distance au défaut. Le Z-score 52. Le total des actifs bancaires européens a été établi sur la base des données exhaustives de bilan non consolidé fournies par Bankscope. Le total s’établit pour 2012 à 28325 milliards d’euros.

TABLEAU1.1 – Échantillon de banques

Banque Pays Total des actifs Banque Pays Total des actifs

Deutsche Bank AG DEU 2012329 Banco Popular Espanol SA ESP 157618

BNP Paribas FRA 1907290 Bank of Ireland IRL 148146

Crédit Agricole S.A. FRA 1842361 Raiffeisen Bank International AG AUT 136116 Barclays Bank Plc UK 1782921 Unione di Banche Italiane Scpa ITA 132434

Banco Santander SA ESP 1269628 Banco Popolare ITA 131921

Société Générale FRA 1250696 Allied Irish Banks Plc IRL 122516 Lloyds TSB Bank Plc UK 1127574 National Bank of Greece SA GRC 104799 HSBC Bank plc UK 975309 Banco Comercial Português PRT 89744 UniCredit SpA ITA 926828 Banco Espirito Santo SA PRT 83691

ING Bank NV NLD 836068 Mediobanca SpA ITA 78679

Intesa Sanpaolo ITA 673472 Piraeus Bank SA GRC 70406

Bank of Scotland Plc UK 671469 Eurobank Ergasias SA GRC 67653 Banco Bilbao Vizcaya Argentaria SA ESP 637785 Banca popolare dell’Emilia Romagna ITA 61638

Commerzbank AG DEU 635878 Alpha Bank AE GRC 58357

Natixis FRA 528370 Bankinter SA ESP 58166

Standard Chartered Bank UK 482090 Banca Popolare di Milano SCaRL ITA 51931

Danske Bank A/S DNK 466756 Banca Carige SpA ITA 49326

Dexia BEL 357210 Aareal Bank AG DEU 45734

Skandinaviska Enskilda Banken AB SWE 285875 Pohjola Bank Plc-Pohjola Pankki Oyj FIN 44623

Svenska Handelsbanken SWE 277776 Banco BPI SA PRT 44565

Crédit Industriel et Commercial - CIC FRA 235732 Permanent TSB Plc IRL 40919

KBC Bank NV BEL 224824 Jyske Bank A/S (Group) DNK 34586

Banca Monte dei Paschi di Siena SpA ITA 218882 Banca Popolare di Sondrio ITA 32349 Swedbank AB SWE 215195 Credito Emiliano SpA-CREDEM ITA 30749 Erste Group Bank AG AUT 213824 Credito Valtellinese Soc Coop ITA 29896

Deutsche Postbank AG DEU 193822 Sydbank A/S DNK 20452

Banco de Sabadell SA ESP 161547 Oberbank AG AUT 17675

Source : Bankscope.

a été calculé par nos propres moyens à partir des données des états financiers des banques extraits de la base de données Bankscope du bureau van Dijk. Les distances au défaut ont, pour leur part, été obtenues auprès de la plateforme « Credit Research

Initiative » de l’université de Singapour⁵³.

Le troisième indicateur de risque utilisé, la SRISK, permet de mesurer la contri-bution des banques au risque systémique. Les données de cet indicateur sont mises à la disposition du public par le « volatility institute » (« V-lab ») de l’université NYU-Stern⁵⁴.

Nous avons représenté les réalisations de ces trois variables de risque deux à deux sur la figure 1.3 ainsi que celles de notre mesure de pouvoir de marché. Nous y observons clairement, tout d’abord, un lien étroit entre le Z-score et la distance au défaut. Par conséquent, l’effet du pouvoir de marché sur ces deux variables serait a priori identique. En revanche, bien que corrélées positivement, les deux mesures conduisent à des évaluations du risque individuel différentes puisque la représen-tation des observations s’éloigne significativement d’une droite. Il apparaît, par ailleurs, que les mesures de risque individuelles et la mesure de risque systémique

53. http ://rmicri.org/data/data/download. 54. http ://vlab.stern.nyu.edu/.

sont négativement corrélées, ce qui s’avère cohérent avec le fait que nos mesures de risque individuel sont des mesures de stabilité. De prime abord, cela signifie donc que davantage de risque individuel va de pair avec davantage de corrélation dans la prise de risque et, par voie de conséquence, des niveaux de contribution au risque systémique plus importants. La dichotomie entre prise de risque individuel et corrélation demeure néanmoins pertinente, les corrélations entre les deux types d’indicateurs étant loin d’être parfaites. Les deux concepts induisent ainsi des classifications/évaluations différentes du risque.

FIGURE1.3 – Matrice de représentation des mesures de risque et de l’indice de Lerner

Source : Bankscope, V-LAB, NUS et propres calculs.

Mentionnons, tout de même, que l’observation des corrélations entre mesures de risque et pouvoir de marché s’avère assez pauvre d’enseignements. La lecture de la figure 1.3 ne permet, en effet, de prendre en considération ni les spécificités individuelles ni les évolutions temporelles.

Afin de compléter notre analyse préliminaire des données, nous faisons éga-lement figurer, dans cette section, deux graphiques supplémentaires sur lesquels sont représentées l’évolution, à travers le temps, de la moyenne de deux de nos indicateurs de pouvoir de marché et celle de nos deux conceptions du risque. Sur le graphique 1.17, l’évolution du pouvoir de marché et celle de la prise de risque individuelle, évaluée par le Z-score et la distance au défaut, sont ainsi matérialisées. Cela permet alors de distinguer des évolutions conjointes du pouvoir de marché et de la prise de risque. De même, le second graphique (1.17 b), qui présente

l’évolu-tion à travers le temps du pouvoir de marché et de la SRISK, met en évidence une relative synchronisation des mouvements entre l’indicateur de Lerner et la SRISK pendant le régime de crise. Le saut constaté, en termes de risque systémique, au moment de la crise, n’a en revanche, pas été suivi ni précédé, bien au contraire, d’une augmentation brutale du pouvoir de marché. La portée de l’analyse reste, de ce fait, extrêmement limitée. Le constat précédent est aussi une manière, pour nous, de souligner la pertinence de notre démarche lorsque nous considérons, dans notre analyse une période d’étude où cohabitent deux régimes distincts : l’un calme, bien qu’en proie à des déséquilibres latents, et l’autre de crise.

Le pouvoir de marché des banques, mesuré à travers quatre indicateurs distincts, a été estimé en considérant initialement une base de données plus large que celle finalement utilisée. Nous avons ainsi sélectionné 509 banques européennes pour estimer nos fonctions de coût et de profit translog. Le tableau 1.2 rend compte de la classification par pays des données utilisées⁵⁵. La finalité est double : d’une part renforcer l’efficience des paramètres estimés⁵⁶, d’autre part réduire les biais de sélection de l’échantillon.

TABLEAU1.2 – Nombre d’observations par pays utilisé pour estimer les fonctions translog

Pays Banques Observations Pays Banques Observations Pays Banques Observations

Autriche 32 316 Allemagne 55 488 Pays-Bas 21 179

Belgique 15 133 Grèce 9 103 Portugal 14 140

Danemark 30 272 Irlande 13 113 Espagne 37 314

Finlande 9 79 Italie 58 556 Suède 18 132

France 114 1036 Luxembourg 10 91 Royaume-Uni 74 644

Une exploration des propriétés descriptives des variables entrant dans l’estima-tion des différents indices de Lerner est proposée dans le tableau 1.3. Nous retrou-vons également sur ce tableau les statistiques descriptives des quatre indices de Ler-ner estimés. La moyenne transversale aux quatre indicateurs est approximativement égale à 0.20. Nos résultats sont de même ordre que ceux de Carbó et al. (2009) par exemple⁵⁷, ce qui tend à souligner la bonne tenue des estimations réalisées⁵⁸.

55. La sélection de l’échantillon a été faite sur le critère de disponibilité de comptes consolidés. Seul ce critère a été retenu.

56. La fonction translog étant fortement paramétrée, cela nécessite un nombre suffisant d’observa-tions.

57. Les auteurs obtiennent un Lerner moyen pour l’Union européenne égale à 16%.

58. La moyenne transversale dissimule néanmoins une grande disparité entre nos quatre indica-teurs retenus. Ainsi, l’indice de Lerner ajusté selon l’approche de Koetter et al. (2012) a une moyenne beaucoup plus importante que les trois autres indicateurs, ce qui est conforme aux résultats de Koet-ter et al. (2012) par exemple. À l’opposé, le Lerner ajusté selon l’approche de Maudos et Fernan-dez de Guevara (2007) est pour sa part significativement inférieur aux estimations faites pour le Lerner conventionnel.

FIGURE1.4 – Évolution à travers le temps du risque et du pouvoir de marché

(a) Prise de risque individuelle

(b) Contribution au risque systémique

Note : La figure (a) représente l’évolution à travers le temps des moyennes de l’indice de Lerner conventionel (ligne grise foncée), de l’indice de Lerner ajusté (ligne grise claire), du Z-score (tirets noirs) et de la distance au défaut (pointillés noirs). L’échelle de droite et de gauche indiquent respec-tivement le nombre d’écart-type séparant la banque moyenne du défaut et la valeur de l’indice de Lerner. Semblablement, la figure (b) représente l’évolution à travers le temps des moyennes de l’in-dice de Lerner conventionel (ligne grise foncée), de l’inl’in-dice de Lerner ajusté (ligne grise claire) et de la SRISK (tirets noirs). L’échelle de droite et de gauche indiquent respectivement la valeur de la SRISK et celle de l’indice de Lerner.

TABLEAU1.3 – Statistiques descriptives des variables utilisées pour estimer les indices de Ler-ner

Variable Nombre d’obs Moyenne Médiane Écart-type p5 p95

Lerner 3859 0.196 0.209 0.132 -0.035 0.39

Lerner ajusté 3850 0.325 0.332 0.177 0.028 0.642 Lerner ajusté(2) 3871 0.088 0.099 0.14 -0.133 0.294

Lerner pays 3858 0.189 0.203 0.137 -0.049 0.381

Coût marginal 3934 0.046 0.040 0.028 0.022 0.084 Coût marginal ajusté 3935 0.038 0.034 0.023 0.017 0.075 Coût marginal ajusté(2) 3949 0.056 0.046 0.162 0.025 0.098 Coût marginal pays 3934 0.046 0.041 0.028 0.021 0.086

Prix 4052 0.057 0.052 0.029 0.026 0.106

Prix ajusté 3928 0.064 0.050 0.062 0.025 0.143

Coût totaux 4022 2915 378 7511 18.4 15237

Total des actifs 4076 83342 9412 222899 392 425083 Profits avant taxes 4065 263 46.8 1538 -216 1856 Coût des fonds 3975 0.011 0.009 0.010 0.001 0.026 Coût des actifs immobilisés 4009 0.049 0.030 0.085 0.011 0.125 Coût du travail 4058 0.010 0.007 0.012 0.001 0.030

Source : Bankscope, propre calculs.

Le tableau 1.4 permet, pour le reste, de réaliser un examen spécifique des indices de Lerner moyen de notre échantillon d’étude. Plusieurs observations peuvent être faites. Les moyennes des indices de Lerner estimées sont, tout d’abord, plus importantes que celles calculées sur l’ensemble des 509 banques ayant permis d’estimer notre fonction translog. Cela nous conforte ainsi dans l’idée que les 54 banques sélectionnées sont spécifiques et vérifie que ces dernières bénéficient en moyenne d’un pouvoir de marché plus important⁵⁹. Aucune tendance nette à la hausse ou à la baisse ne peut être observée. Seul événement remarquable, la baisse extrêmement significative de l’indice de Lerner en 2008 en raison de la crise. Enfin, la comparaison des moyennes des quatre indices de Lerner indique une similitude dans les mouvements des différents indicateurs, et ce, malgré des divergences dans les méthodologies d’estimation employées. À l’évidence, les effets des différents indices sur le risque devraient être semblables.

Naturellement, nous prenons le soin de contrôler notre relation entre risque et pouvoir de marché par un certain nombre de variables de contrôle spécifiques aux banques, obtenues à partir de la base de données Bankscope, et macroéconomiques, obtenues à partir de la base de données WDI (« World Developemnent Indicators ») de la Banque mondiale. Nous avons sélectionné cinq variables de contrôle, spécifiques aux banques, pouvant affecter la prise de risque des entités bancaires et pouvant être corrélées avec notre mesure du pouvoir de marché. Le choix des variables a été 59. L’indice de Lerner moyen ajusté selon l’approche de Koetter et al. (2012) est, pour sa part, moins important dans notre sous-échantillon d’étude. Cela indique, par conséquent, que la correction de l’indice Lerner a été moins importante. Nous pouvons ainsi inférer que les banques finalement sé-lectionnées sont, en moyenne, plus proches de la frontière d’efficience. Cela correspond à un résultat attendu au regard de la composition de notre échantillon.

TABLEAU1.4 – Évolution du pouvoir de marché à travers le temps et selon la méthodologie d’estimation

Année Lerner Lerner ajusté Lerner ajusté(2) Lerner pays

2003 0.266 0.226 0.152 0.248 2004 0.277 0.233 0.166 0.26 2005 0.266 0.244 0.16 0.248 2006 0.251 0.252 0.156 0.241 2007 0.214 0.252 0.127 0.208 2008 0.163 0.223 0.071 0.16 2009 0.263 0.282 0.158 0.254 2010 0.29 0.349 0.18 0.278 2011 0.231 0.273 0.132 0.218 2012 0.235 0.291 0.11 0.213 Moyenne 0.244 0.265 0.14 0.231 Source : Bankscope, propre calculs.

fait sur la base de la littérature existante (voir, parmi d’autres, Schaek et Cihak, 2008 ; Schaeck et al., 2009 ; Laeven et Levine, 2009 ; Berger et al., 2009, et Fu et al., 2014). Tout d’abord, un grand pan de la littérature a suggéré que les incitations aux prises de risques résulteraient des assurances too-big-to-fail (Mishkin, 1999). Nous avons, par conséquent, inclus à nos régressions une variable rendant compte de la taille des banques. À cet égard, nous avons considéré le logarithme du total des actifs des banques de notre échantillon. Nous présumons, selon l’argumentaire précédent, que la taille devrait conduire à une accentuation des risques.

Par ailleurs, les réformes bancaires nationales ou supranationales entreprises suite à la crise (Vickers, Volcker, Liikanen) témoignent de l’influence déterminante du modèle d’affaires des banques sur la prise de risque des entités bancaires. Le ratio revenus hors intérêts sur total des revenus nous paraît être en mesure de discriminer les différences de modèles d’affaires entre banques. L’effet attendu de notre variable de diversification est incertain. D’une part, les vertus de la diversification énoncées dans le MEDAF pourraient limiter l’exposition au risque. D’autre part toutefois, un effet inverse matérialisé par une augmentation du risque de concert avec la diversification est également concevable. Les activités non traditionnelles pourraient être plus risquées et davantage corrélées les unes aux autres, notamment en période de crise. L’approche théorique de Wagner (2010) est en mesure de concilier ces deux aspects puisqu’elle aboutit à la conclusion que la diversification réduit le risque individuel du fait des effets de diversification de portefeuille, mais augmente concur-remment le niveau de risque systémique en réduisant la diversité des rendements du système bancaire.

Deux variables sont, en outre, introduites afin de marquer les différences de composition des bilans bancaires : le ratio actifs immobilisés sur total des actifs et le ratio prêts sur total des actifs. À l’instar de notre ratio de diversification, la

seconde variable permet de contrôler pour les différences de modèles d’affaires entre banques.

Enfin, la récente crise financière a illustré l’importance que pouvait avoir la liquidité - au point d’en faire un des axes majeurs de la réforme de Bâle III - sur le risque. Nous contrôlons, par conséquent, nos relations entre risque et pouvoir de marché en intégrant un ratio de liquidité, défini comme la part des actifs liquides sur les ressources exigibles à court terme. Ce ratio est censé retranscrire la capacité des banques à faire face à une ruée bancaire. Une influence positive sur la stabilité est donc attendue.

Deux variables explicatives sont, en définitive, sélectionnées afin de contrôler notre relation par la nature de l’environnement macroéconomique. À cette fin, nous retenons la croissance du PIB et celle de l’indice des prix à la consommation. La croissance du PIB retranscrit la position de l’économie dans le cycle. L’inflation devrait, pour sa part, révéler les déséquilibres macroéconomiques.

L’ensemble des statistiques descriptives afférentes aux variables utilisées sont renseignées dans le tableau 1.5.

TABLEAU1.5 – Statistiques descriptives des variables utilisées dans l’analyse empirique

Variable Moyenne Médiane Min Max

Z-score 1.29 1.3 -2.92 5.71 Distance au défaut 1.18 1.7 -2.84 11.9 SRISK 10.8 23.8 -52.4 125 Lerner 0.244 0.105 -0.296 0.516 Lerner ajusté 0.264 0.131 -0.062 0.651 Lerner ajusté(2) 0.14 0.107 -0.493 0.436 Lerner pays 0.232 0.108 -0.371 0.506 ln(Total actifs) 12 1.32 9.26 14.6

Revenus hors intérêts / Total revenus 0.381 0.175 -1.4 1 Actifs immobilisés / Total actifs 0.009 0.006 0.001 0.064

Liquidité 39.2 27.5 5.24 171

Prêts / Total actifs 59.5 40.7 9.57 670 Croissance du PIB 0.65 2.83 -8.54 6.56

Inflation 2.09 1.22 -4.48 4.88

Source : Bankscope, WDI, V-LAB, NUS et propre calculs.

Méthodologie économétrique

Dans cette sous-section, nous présentons et discutons la modélisation écono-métrique retenue afin d’examiner l’influence du pouvoir de marché sur le risque individuel, mais également systémique.

La modélisation empirique ordonne couramment d’arbitrer entre différentes procédures d’estimation des paramètres. Sur données de panel, il est souvent

question d’arbitrer entre l’utilisation d’un estimateur Within et, par ce biais, la considération d’effets individuels fixes, et l’utilisation d’un estimateur MCG pour lequel les effets individuels sont aléatoires. En effet, contrairement à l’estimateur Within, l’estimateur MCG peut être biaisé, mais est l’estimateur BLUE. Dans notre cas, c’est à un arbitrage analogue que nous sommes confronté pour estimer notre modèle. Nous pouvons, en effet, recourir au MCO et, en particulier, à l’estimateur Within. Toutefois, en cas d’endogénéité de notre indicateur de pouvoir de marché, l’indice de Lerner, avec nos mesures de risque, l’estimation des paramètres serait biaisée. Il faudrait, dans ce cas, privilégier l’utilisation de variables instrumentales (IV), bien que cette procédure soit moins efficace que celle des MCO.

Il nous faut donc, dans un premier temps, nous interroger sur l’hypothétique en-dogénéité de l’indice de Lerner. D’un point de vue théorique, il apparaît concevable que pouvoir de marché et risques soient endogènes. Par exemple, Schaeck et al. (2009) indiquent que le niveau de prise de risque pourrait affecter la compétitivité des banques et, par conséquent, l’évaluation faite du pouvoir de marché. En effet, des banques faisant face à une forte probabilité de défaut pourraient être amenées, afin d’attirer de nouvelles ressources et de nouveaux clients, à réduire sciemment la tarification de leurs produits ou à augmenter la rémunération des ressources levées, ce qui affecterait le niveau établi du pouvoir de marché.

Une solution ad-hoc pour corriger ce problème d’endogénéité pourrait consister à décaler d’une période l’ensemble des variables indépendantes du modèle et à es-timer le modèle avec un estimateur Within. C’est à cette alternative que nous nous rangeons dans un premier temps. Ainsi, nous estimons la spécification suivante par le biais de l’estimateur des Moindres Carrés Ordinaires :

Yi ,t = β0+ β1Ler ner_{i ,t −1}+

n

X

k=2

βkX_{i ,t −1}+ µi+ νi , t (1.29)

avec Yi ,t, un vecteur comprenant la mesure de risque considérée (Distance au défaut, Z-score, SRISK), Ler ner_{i ,t −1}un vecteur incluant un de nos indices de Lerner, X_{i ,t −1} une matrice de variables explicatives exogènes retardées (Taille, Diversification, Part des actifs immobilisés, Liquidité, Part des prêts, Croissance du PIB et inflation),µi

des effets fixes individuels et enfinνi ,t le terme d’erreur aléatoire.

Nonobstant le fait que l’indice de Lerner ait été retardé, l’approche ne garantit pas, pour autant, l’absence totale de biais dus à ces problèmes d’endogéneité. En conséquence, nous utilisons également l’approche des variables instrumentales à des fins de robustesse. En particulier, nous optons pour la méthode des doubles moindres carrés ordinaires (2SLS) (Theil, 1953)⁶⁰. Les doubles moindres carrés ordi-naires consistent en un processus à deux étapes utilisant les MCO et s’opèrent de la manière suivante. Dans la première étape, la ou les variables explicatives endogènes 60. Nous avons également eu recours à la méthode des moments généralisés en lieu et place des