Présentation des données

La base de données que nous utilisons dans notre étude est unique car elle contient les informations relatives aux financements des clients entreprises d’une banque française. Ces informations portent sur la production de crédits entreprises de moyen et long terme depuis janvier 2006 jusqu’à décembre 2012. Nous avons eu accès aux dossiers des études de demandes de crédit émanant des entreprises préparés par le chargé d’affaires qui s’occupe de la relation de clientèle pour chaque opération de financement. Ces documents contiennent des informations détaillées concernant les entreprises à la recherche de crédit, les projets à financer, une analyse approfondie de la demande de financement réalisée par le chargé d’affaires, un descriptif de la relation de clientèle et, enfin, les conditions de financement appliquées aux entreprises. Pour chaque demande de financement, le chargé d’affaires doit effectuer une évaluation de la qualité du projet ainsi que de la solvabilité de son porteur. Cette évaluation se réfère aux données financières contenues dans les documents comptables et financiers concernant les entreprises ainsi qu’aux informations privées collectées à travers les différents contacts entre le client et le chargé d’affaires. Ce dernier doit par ailleurs, à chaque demande de crédit, apprécier la qualité de l’entreprise sur la base de critères non financiers tels que : accessibilité aux informations concernant le client, qualité du management, positionnement concurrentiel de l’entreprise sur son secteur d’activité, etc. Cette évaluation qualitative du client est ensuite agrégée en score et utilisée dans le système de notation interne de la banque afin de calculer sa probabilité de défaut. Notre base de données tient sa particularité du fait qu’elle contient des informations relatives aux financements des entreprises produites de manière homogène et à travers une démarche bien déterminée. Spécifiquement, toutes les demandes de crédit sont traitées dans un cadre relationnel où le chargé d’affaires joue un rôle important dans l’évaluation de la qualité de l’entreprise ainsi que dans la détermination des conditions de financement. Cette spécificité de notre base de données nous permet de respecter les recommandations de Berger et Udell (2006), qui préconisent de mener ce genre d’analyses dans

85

un cadre de technologie34 de financement bien identifié (dans notre cas, la relation de clientèle). L’autre avantage que procure l’utilisation de données de crédit produites dans un cadre homogène de relation de clientèle porte sur la possibilité de neutraliser la probable influence du coût de sélection (Screening) et de surveillance (Monitoring) sur les marges de crédit, étant donné qu’il sera quasiment le même pour tous les clients.

Notre objectif est de vérifier si le niveau de concurrence figure parmi les principaux déterminants du niveau des marges appliquées aux prêts des entreprises et de préciser le sens de son influence. Afin d’y parvenir, nous avons collecté deux types de données. Tout d’abord, il y a les données de marché incluant les informations relatives aux parts de marché de la banque qui a octroyé le crédit. Cette information est produite par la Banque de France à l’échelle du département et envoyée trimestriellement aux banques exerçant sur le marché français. Ensuite, il y a les données client comprenant les caractéristiques relatives à chaque entreprise au moment de l’octroi du crédit. Notre base de données contient seulement des financements à moyen et long termes pour les entreprises. Pour chaque crédit, nous avons extrait des variables relatives aux caractéristiques de l’entreprise³⁵, de l’emprunt et de la relation de clientèle pouvant expliquer le niveau de marge retenu pour chaque emprunteur. Afin de compléter notre échantillon final, nous avons introduit pour chaque observation des informations relatives aux fluctuations des taux d’intérêt et à la conjoncture économique à la date de l’octroi du crédit. Nous avons ajouté à chaque observation nos quatre variables de concurrence :

- l’indice de Lerner de la banque mesurant le niveau de la concurrence bancaire l’année de l’octroi du crédit ;

- la variable mesurant le pouvoir de marché de la banque au niveau du département où se situe l’entreprise ayant bénéficié du crédit, au moment de l’octroi du financement ; - la part de marché de la banque qui octroie le crédit par rapport à l’endettement total de

l’entreprise au moment du financement ;

- le nombre de relations bancaires que l’entreprise entretient afin de financer ses activités. La base de données que nous construisons comprenait à l’origine 3 904 observations sur 1 034 entreprises. Chaque observation représente un crédit contracté par une entreprise auprès

34 Berger et Udell (2006) définissent une technologie de production de crédit comme une combinaison unique entre la nature des informations utilisées, les procédures de sélection et de souscription des crédits, la structure des contrats de prêt et enfin les stratégies de surveillance et ses mécanismes. Tous les éléments de cette définition sont réunis dans nos données.

35 Nous utilisons la base de données Diane relative aux entreprises françaises fournie par le bureau van Dijk afin de collecter les données financières des entreprises, que nous identifions par leur le numéro SIREN.

86

de la banque. L’introduction de certaines variables relatives aux caractéristiques des entreprises et des relations de clientèle réduit le nombre d’observations dans nos régressions à 1 421 observations relatives à 428 entreprises couvrant les années 2007 à 2012. L’économie française représente un bon terrain d’étude des déterminants du financement bancaire des entreprises puisqu’il s’agit d’une économie intermédiée où ce type de financement est toujours dominant. Nous sommes conscients que l’utilisation des données d’une seule banque limite l’étendue de nos conclusions et ne permet pas de prendre en considération l’hétérogénéité entre la politique de tarification des différents établissements de crédit présents sur le marché français. Toutefois, nous estimons que cette démarche reste l’unique recours afin de disposer de données fiables et détaillées pour mener ce genre d’analyse au vu du caractère privé de ces informations. Par ailleurs, la démarche suivie par la banque pour l’octroi de ces crédits reste standard par rapport à ce qui est utilisé dans le domaine de la production du crédit par les intermédiaires financiers, ce qui tempère la limite relative à l’’unique source de ces données.

En résumé, nous disposons pour notre étude empirique de 1 421 observations couvrant la période 2007-2012, dont 1324 d’entre elles concernant les PME. Les 97 observations restantes traitent quant à elles des cas de financement des grandes entreprises. Les statistiques descriptives des variables du modèle sont reportées dans le tableau 2.2. Pour chaque variable, nous mettons sa valeur minimale et maximale et nous calculons la moyenne, la médiane et l’écart-type.

87

Tableau 2-2 Statistiques descriptives

Variables N°.Obs Moyenne Médiane Écart-type Min Max

Marge 1495 0,39 0,38 0,45 -1,7 2,75 Lerner 1495 25,33 26,56 3,08 20,63 29,46 MktShare 1495 42,84 42,777 1,59 40,433 46,41 FinShare 1495 0,27 0,22 0,2 0 1 Nrelations 1495 3,63 3 1,2 1 13 TermStruc 1495 1,68 1,7 0,96 -0,37 3,94 BusClimate 1495 94,75 95 11,66 70 114 PME 1495 0,92 1 0,26 0 1

Duration (en log) 1495 1,83 1,88 1,03 -3,82 3,6

Distance 1495 0,19 0 0,39 0 1

PnbCréditMt 1437 1,389 0,8 5,28 -6,7 158

PnbCréditCt 1422 0,734 0 4,08 -12,8 88,9

PnbEpargne 1437 2,08 0,74 5,91 0 168,2

PnbService 1436 3,255 1,88 4,4 0,047 35,9

Montant (en log) 1495 3,89 3,91 1,49 -1,77 8,57

Maturité (en log) 1495 4,08 4,09 0,47 2,56 5,41

Défaut 1495 0,009 0 0,09 0 1

RisqueElevé 1495 0,234 0 0,42 0 1

RisqueMoyen 1495 0,64 1 0,47 0 1

RisqueFaible 1495 0,11 0 0,31 0 1

Taille (en log) 1495 8,39 8,37 1,28 2,23 14,3

MargeBénéf 1495 0,06 0,02 0,43 -1,44 13

CFActifNet 1495 0,87 0,08 0,087 -0,78 0,59

Levier 1495 0,35 0,33 0,183 0 0,97

AgeFirme (en log) 1495 2,833 2,95 0,727 -0,51 4,72

Récession 1495 0,23 0 0,42 0 1

SoftInfo (en log) 937 2,47 2,49 0,22 0,39 2,94

ProbDefaut 1495 0,02 0,0075 0,09 0,0002 1 Opaque 1495 0,33 0 0,47 0 1 Transparente 1495 0,1 0 0,3 0 1 ROAA 1495 0,75 0,79 0,13 0,57 0,9 REP 1495 1,37 1,45 0,17 1,03 1,6 Commerce 1495 0,31 0 0,46 0 1 Industries 1495 0,11 0 0,31 0 1 Services 1495 0,33 0 0,47 0 1 Construction 1495 0,18 0 0,39 0 1 AIA 1495 0,06 0 0,25 0 1

88