Présentation des résultats

Effet du pouvoir de marché sur le risque individuel

Les tableaux 1.6 et 1.7 indiquent respectivement l’effet de l’indice de Lerner sur la distance au défaut et le Z-score. Dans les deux cas, différentes spécifications du modèle sont présentées. Les colonnes (1) reportent une spécification sans variable de contrôle. Les régressions reportées dans les colonnes (2) contrôlent les relations entre pouvoir de marché et risque individuel par l’environnement macroécono-mique et des variables spécifiques aux banques. La structure spécifiée des effets fixes dans les régressions présentées dans les colonnes (3) et (4) diffèrent des colonnes (1) et (2). Ainsi, au lieu de considérer une conjonction d’effets fixes individuels et temporels, nous contrôlons nos relations par des effets fixes individuels et des effets fixes temporels croisés à des effets fixes pays dans la colonne (3). Cela nous permet de contrôler nos résultats pour des inobservables évoluant à travers le temps à l’échelle d’un pays. La spécification présentée dans les colonnes (4) suppose, quant à elle, la présence d’inobservables structurelles à l’échelle d’un pays. Il s’agit ici de contrôler nos relations pour des différences institutionnelles structurelles (juridiques, politiques, financières, etc.). En raison de la parfaite colinéarité entre ce type d’effets fixes et les effets fixes individuels, nous remplaçons l’estimateur Within par un estimateur MCG. Finalement, les colonnes (5) et (6) permettent de vérifier la consistance de nos résultats, dans la mesure où les paramètres sont, dans ces cas, estimés par l’approche des variables instrumentales.

Nous commenterons, tout d’abord, les résultats du tableau 1.6. L’examen de ce dernier révèle que l’indice de Lerner est positivement et significativement asso-cié avec la distance au défaut. Cette relation positive entre pouvoir de marché et stabilité indique que les banques ayant un pouvoir de marché plus important ont une probabilité plus faible de faire faillite. Elles se situeraient ainsi à une distance plus importante du défaut. La littérature a tendance à déduire de tels résultats que le pouvoir de marché conduirait les banques à adopter un comportement plus prudent. Cela fait sens dans la mesure où cela offre un soubassement théorique à la relation observée. Selon les travaux de Keeley (1990) ou encore par exemple d’Hellmann et al. (2000), l’accentuation de la concurrence (réduction du pouvoir de marché) entraînerait une érosion de la franchise value des banques ou autrement dit, de la valeur de l’accréditation bancaire et, par voie de conséquence, conduirait les banques à augmenter leur prise de risque.

Il nous semble néanmoins que l’interprétation de nos résultats doit être, à ce stade, davantage mesurée. En effet, la distance au défaut ne permet pas d’indi-quer directement le comportement de la banque en termes d’allocation de son portefeuille et de prise de risque. La solvabilité perçue d’une banque à travers la distance au défaut dépend, en effet, du comportement de la banque et de ses choix d’allocation mais également de la situation du marché et des anticipations des agents quant aux revenus futurs et aux assurances implicites étatiques dont

béné-ficient les banques. En somme, la relation positive observée pourrait simplement être la résultante des effets des subventions étatiques, susceptibles de diminuer simultanément le risque perçu et le coût marginal, et, en cela, d’augmenter l’indice de Lerner. Acharya et al. (2013) mettent ainsi, par exemple, en évidence le fait que les banques bénéficiant d’une assurance too-big-to-fail ont des taux de financement très significativement plus faibles⁶³. Par conséquent, nos résultats empiriques ne permettent pas, à ce stade, d’isoler le canal sous-jacent de diffusion des effets du pouvoir de marché sur le risque. D’autres recherches, reposant sur des mesures de risque circonscrites aux seules prises de risque, doivent donc également être menées. Avant cela, il nous faut mentionner que, parmi la profusion d’études traitant des effets de la concurrence sur le risque, les travaux utilisant la distance au défaut sont relativement rares. Les travaux récents d’Anginer et al. (2014) constituent donc une contribution notable à la littérature bien que la distance au défaut soit relayée au second plan. Dans cette étude, les auteurs mettent en évidence que le pouvoir de marché, approché par un indice de Lerner, analogue à celui estimé dans cette recherche, réduit la distance au défaut des banques. Les résultats sont donc diamé-tralement opposés à ceux que nous obtenons. Une explication à cette divergence tient aux échantillons de banques retenus. Alors que notre étude se focalise sur un échantillon de banques européennes, Anginer et al. (2014) sélectionnent un très grand ensemble de banques (1872 banques) à travers 63 pays différents. Bien qu’une telle approche ait incontestablement des vertus, elle présente également un certain nombre d’inconvénients en pouvant conduire à des biais d’hétérogénéité. Beck et al. (2013) mettent, par exemple, en évidence, à partir d’une étude mêlant des pays très hétérogènes, le fait que la relation entre pouvoir de marché et risque est conditionnelle à certains facteurs. Cela explique d’ailleurs pourquoi un certain nombre d’études se sont focalisées sur des échantillons relativement homogènes (voir, par exemple, Carbó et al. (2009) et Schaek et Cihak (2008)).

Notre recherche a également considéré, en lieu et place de la distance au défaut, le Z-score. Comme nous l’avons mentionné en amont, le Z-score et la distance au défaut ont une interprétation semblable puisqu’ils indiquent le nombre d’écarts-types séparant la banque du point de défaut. Toutefois, le Z-score n’emploie que des données comptables et tangibles et, de cette manière, ne repose pas sur des anticipations de marché. En dépit de ces différences, nous nous attendons à ce que le pouvoir de marché contribue à l’augmentation du Z-score⁶⁴. Les résultats présentés dans le tableau 1.7 confirment nos anticipations. Les six colonnes du tableau précédent mettent, en effet, en exergue un effet positif et significatif au seuil de 1% du pouvoir de marché sur le risque estimé. L’utilisation du Z-score en plus 63. Acharya et al. (2015) observent une baisse de 28 points de base des taux de financement des banques subventionnées sur longue période et près de 120 points de base avant crise. Ueda et di Mauro (2013) parviennent à des résultats de même envergure, diminuant par conséquent d’au-tant le coût marginal. Dans ce cadre, le pouvoir de marché réduirait la probabilité de défaut anticipée des agents, mais pas nécessairement la prise de risque.

TABLEAU1.6 – Pouvoir de marché et risque individuel : Résultats obtenus avec la distance au défaut Variable dépendante DD DD DD DD DD DD FE FE FE RE IV IV Lerner 3.657*** 3.472*** 3.736*** 4.055*** 8.632*** 6.614*** (1.179) (1.033) (0.882) (0.782) (2.100) (1.941) Taille -1.199*** -0.979** -0.417*** -0.976*** (0.306) (0.399) (0.130) (0.332) Revenus hors intérêts / Revenus totaux -1.232*** -1.062*** -1.111*** -0.104 (0.413) (0.362) (0.371) (0.568) Actifs immobilisés / Total des actifs 28.703 27.987* 32.474** 15.176 (17.428) (15.462) (15.280) (15.806)

Liquidité 0.012** 0.016*** 0.009*** 0.011*

(0.005) (0.005) (0.003) (0.006) Prêts / Total des actifs -0.002* -0.002*** -0.003*** -0.002**

(0.001) (0.000) (0.001) (0.001) Croissance du PIB 0.093*** 0.158*** 0.157*** 0.130*** (0.027) (0.035) (0.039) (0.031) Inflation -0.052 0.245*** 0.241*** 0.186** (0.046) (0.053) (0.054) (0.075) Constant 1.001* 14.581*** 10.870** 5.051*** (0.501) (3.678) (4.510) (1.823)

Effets fixes temporels Oui Non Oui Oui Oui Oui

Effets fixes pays Non Non Non Oui Non Non

Observations 500 500 500 500 446 446

R-carré 0.25 0.26 0.36 0.47 0.25 0.33

Nbre de banques 54 54 54 54 54 54

Test de Hansen (p-value) - - - - 0.06 0.85

Note : La variable dépendante correspond pour l’ensemble des spécifications à la distance au défaut. Les écarts-types corrigés de l’hétéroscédasticité de White sont reportés sous les estimations des coefficients. *, ** et *** représentent respectivement la significativité des coefficients aux seuils de 10%, 5% et 1%.

de la distance au défaut s’avère précieuse, d’une part, parce que le Z-score est la mesure la plus employée dans la littérature, ce qui peut faciliter les comparaisons, et, d’autre part, parce que cela permet d’apporter des précisions et d’exclure certaines hypothèses précédemment énoncées. Ainsi, les résultats établis à partir du Z-score permettent de modérer l’hypothèse que la relation positive entre pouvoir de marché et risque soit la résultante de subventions étatiques implicites, par exemple. En effet, contrairement à la distance au défaut, le Z-score n’incorpore pas les anticipations des agents sur la solvabilité de l’entreprise à l’avenir. La mesure est donc neutre à ce type d’anticipation.

Il convient, de surcroit, de se demander si nos résultats corroborent ceux établis dans la littérature. À cet égard, on note que Beck et al. (2013) mettent en évidence une relation similaire. Néanmoins, leur étude reste assez éloignée de celle qui est conduite dans cette sous-section puisqu’ils considèrent un ensemble bien plus large de banques. Aussi, les études de Berger et al. (2009) ou Turk-Ariss (2010) parviennent

à des résultats similaires mais souffrent des mêmes limites. Sur données de banques exclusivement européennes, les études ne sont pas abondantes. Éventuellement, nous pouvons citer l’étude de Schaeck et Cihak (2012) qui met à jour une relation significativement positive entre concurrence et ratio de capital. Le ratio de capital étant une des composantes du Z-score, ces résultats ne permettent pas de corroborer nos constatations empiriques. Il est à noter toutefois que bien que l’étude de Schaeck et Cihak (2012) porte sur l’industrie bancaire européenne, celle-ci se différencie en de très nombreux points de notre étude. Elle considère notamment, en tant que mesure de concurrence, la H-statistique, qui s’établit à un niveau agrégé et prend en considération le plus grand ensemble possible de banques (2600 banques). En définitive, il apparaît que la littérature empirique existante offre peu d’éléments de comparaison satisfaisants.

TABLEAU1.7 – Pouvoir de marché et risque individuel : Résultats obtenus avec le Z-score

Variables dépendantes Z-score Z-score Z-score Z-score Z-score Z-score

FE FE FE RE IV IV

Lerner 3.981*** 2.478*** 3.122*** 3.193*** 8.687*** 6.368*** (0.938) (0.915) (0.822) (0.766) (1.931) (1.643)

Taille -0.398 -0.243 -0.158** -0.177

(0.324) (0.539) (0.066) (0.345) Revenus hors intérêts / Revenus totaux -0.823* -0.244 -0.162 0.323

(0.490) (0.514) (0.441) (0.425) Actifs immobilisés / Total des actifs 55.396*** 51.331*** 44.819*** 42.367***

(13.882) (13.586) (8.969) (16.012)

Liquidité -0.000 0.004 0.002 0.002

(0.006) (0.006) (0.003) (0.004) Prêts / Total des actifs -0.003 -0.004** -0.004*** -0.005**

(0.004) (0.002) (0.001) (0.002) Croissance du PIB 0.053* 0.227*** 0.220*** 0.225*** (0.031) (0.035) (0.034) (0.036) Inflation -0.161** 0.043 0.036 -0.007 (0.064) (0.066) (0.066) (0.084) Constant 2.828*** 7.824** 4.705 3.507*** (0.272) (3.864) (6.213) (0.867)

Effets fixes temporels Oui Non Oui Oui Oui Oui

Effets fixes pays Non Non Non Oui Non Non

Observations 439 439 439 439 435 435

R-carré 0.22 0.2 0.35 0.42 0.18 0.35

Nbre de banques 54 54 54 54 54 54

Test de Hansen (p-value) - - - - 0.08 0.42

Note : La variable dépendante correspond pour l’ensemble des spécifications au Z-score. Les écarts-types corrigés de l’hétéroscédasticité de White sont reportés sous les estimations des coeffi-cients. *, ** et *** représentent respectivement la significativité des coefficients aux seuils de 10%, 5% et 1%.

Quelques observations supplémentaires peuvent, du reste, être réalisées à partir des régressions reportées en colonnes 3 des tableaux 1.6 et 1.7. Un premier résultat important concerne notre variable Taille. Il apparaît que la taille contribue à réduire

significativement la distance au défaut. Plus les banques seraient de taille impor-tante, plus elles seraient risquées. Cela confirme, par ailleurs, que la mesure de la distance au défaut n’est pas fortement influencée par les assurances too-big-to-fail, puisque nous aurions dû, dans ce cas, observer une relation contraire entre taille et distance au défaut. Si la taille apparaît comme ayant une influence significative pour la distance au défaut, il en est de même pour le Z-score. Pour sa part, le ratio de diversification (revenus hors intérêts sur revenus totaux) contribue, de manière significative, à une baisse de la distance au défaut, concourant ainsi à augmenter la prise de risque. Cela est conforme aux résultats attendus. Le Z-score, en revanche, apparaît comme n’étant pas influencé par ce ratio. Il en est d’ailleurs de même pour la liquidité, qui a une influence significative uniquement lorsque la prise de risque est approchée par la distance au défaut. On observe, en outre, que la multiplication des activités hors prêts conduit à augmenter la prise de risque des entités, ce qui corrobore les effets observés du ratio de diversification. Au-delà des variables spéci-fiques aux banques, il apparaît que la croissance économique et l’inflation tendent à stabiliser le secteur bancaire. Outre le fait que l’inflation puisse traduire certains déséquilibres à moyen terme, elle caractérise avant tout une pression positive sur la demande dont profitent les banques.

Ajoutons enfin que nos estimations effectuées selon l’approche des variables ins-trumentales (colonnes (5) et (6)) se situent dans la bonne configuration des 2SLS. La statistique J de Hansen conduit, en effet, à ne pas rejeter l’hypothèse nulle selon laquelle les instruments sélectionnés sont non corrélés avec le terme d’erreur⁶⁵.

Effet du pouvoir de marché sur la contribution au risque systémique

Nous analysons désormais l’effet de l’indice de Lerner sur la contribution au risque systémique. Comme nous avons pu le signaler en amont, à notre connais-sance, à ce jour, seuls Anginer et al. (2014) ont, dans la littérature utilisé des indicateurs de risque systémique individuels afin d’analyser les effets de la concur-rence bancaire. Les indicateurs retenus dans leur étude différent toutefois de l’indicateur que nous utilisons, et dont nous avons motivé le choix dans la section 1.2.2. Ainsi, Anginer et al. (2014) ont recours à une mesure de corrélation dans les distances au défaut et la∆CoVar , alors que notre évaluation du risque systémique repose sur la SRISK. Nous présentons les résultats des estimations que nous avons menées dans le tableau 1.8. De même que dans la section précédente, différentes spécifications du modèle sont testées successivement. Celles-ci étant identiques à celles précédemment présentées, nous faisons, par conséquent, l’économie du rappel de leurs traits distinctifs.

L’intégralité des estimations mettent en exergue l’effet significativement positif de l’indice de Lerner sur la SRISK. Nous en concluons, par conséquent, que le 65. Par ailleurs, bien que non reportée, la statistique de Kleibergen-Papp permet de rejeter, dans tous les cas de figure, l’hypothèse selon laquelle le modèle est sous-identifié.

pouvoir de marché (c.-à-d. une concurrence faible) conduit les banques à être systémiquement plus risquées. De manière plus stricte, nos résultats indiquent que le pouvoir de marché tend à augmenter la détérioration de la capitalisation du système financier en période de stress financier (Acharya et al., 2012a ; Brownlees et Engle, 2015). Cela nous permet, dès lors, d’affirmer que le pouvoir de marché augmente la contribution des banques au risque systémique. Cela est vrai quand l’indice de Lerner est pris isolément (colonne (1)), mais aussi quand nous contrôlons la relation par la taille des banques notamment (colonne (2)), qui est présentée dans la littérature comme un des principaux facteurs de risque systémique, et dont Laeven et al. (2014) ont récemment montré l’influence positive sur la SRISK. Ce précédent résultat est, au demeurant, confirmé dans nos estimations, la taille ayant un effet positif fortement significatif sur la SRISK.

De prime abord, ces résultats pourraient porter atteinte aux conclusions précé-dentes, et jeter le discrédit sur notre analyse empirique. Il se dégage, en effet, des estimations réalisées jusqu’alors que le pouvoir de marché a des effets divergents et strictement opposés sur le risque selon les mesures considérées. Toutefois, tout le propos de cette étude est de convaincre que le risque peut prendre différentes dimensions d’une part, et que le pouvoir de marché a potentiellement des effets divergents en fonction de la dimension du risque considérée, d’autre part. Cela étant, les résultats que nous obtenons ne nous apparaissent en aucune manière incohérents, mais plutôt complémentaires et en mesure d’améliorer la compréhen-sion du lien entre pouvoir de marché et risque en l’enrichissant.

Ces derniers reposent, tout d’abord, sur l’acceptation du paradigme de la fran-chise value. Nous considérons ainsi que les banques ont rationnellement intérêt à réduire leur exposition au risque lorsqu’elles ont du pouvoir de marché. Cela est d’ailleurs bel et bien validé par nos premières estimations mettant en évidence l’effet positif de l’indice de Lerner sur la prise de risque individuel. Cette disposition à réduire le risque en raison du pouvoir de marché pourrait, selon nous, encourager les banques à accroître leur diversification. Dans cette situation, les banques seraient incitées à délaisser leur portefeuille originel au profit d’un portefeuille plus diversi-fié, mais identique d’une banque à l’autre, afin de limiter leur risque individuel et, ainsi, protéger leur franchise value. La diversité du système s’en trouverait réduite et les banques en question contribueraient, en conséquence, davantage au risque systémique, ce qui correspond à l’analyse faite par Wagner (2010). Nous mettons également en évidence une seconde explication théorique proche, pour expliquer ces résultats semblant paradoxaux. La volonté des banques, disposant d’un pouvoir de marché, de réduire leur exposition au risque pourrait conduire ces dernières à augmenter leur corrélation avec le système, toutefois non en vue d’en tirer des bé-néfices en termes de diversification, mais en vue de profiter des déficiences du cadre réglementaire. Ce type d’argument fait notamment référence au Too-many-to-fail développé par Acharya et Yorulmazer (2007)⁶⁶.

sim-Nos estimations indiquent, par ailleurs, que la contribution des banques au risque systémique tend à augmenter avec la taille des banques. Ces résultats plaident donc pour un renforcement des dispositions visant à contrer les subventions too-big-to-fail notamment (Farhi et Tirole, 2012 ; Stein, 2014). On note en outre que, contrai-rement à Laeven et al. (2014), le ratio prêts sur total des actifs a une influence signifi-cativement négative sur le risque systémique. Les banques les plus engagées dans des activités bancaires non traditionnelles seraient donc systémiquement plus risquées.

TABLEAU1.8 – Pouvoir de marché et risque systémique : Résultats obtenus avec la SRISK

Variable dépendante SRISK SRISK SRISK SRISK SRISK SRISK

FE FE FE RE IV IV

Lerner 25.996** 29.445** 30.306** 30.431*** 40.565*** 61.837*** (10.176) (11.546) (11.974) (11.784) (15.801) (17.448)

Taille 22.948*** 17.916*** 11.167*** 22.864***

(4.629) (5.206) (2.138) (4.944) Revenus hors intérêts / Revenus totaux -9.490 -7.795 -8.188 -12.178**

(5.704) (5.379) (5.659) (5.925) Actifs immobilisés / Total des actifs 52.648 58.686 6.699 7.968

(340.432) (323.767) (289.775) (206.545)

Liquidité 0.062 0.102 0.136 0.094

(0.099) (0.115) (0.090) (0.086) Prêts / Total des actifs -0.015** -0.010* -0.007 0.002

(0.007) (0.005) (0.007) (0.010) Croissance du PIB -0.799** 0.310 0.246 0.375 (0.351) (0.439) (0.442) (0.309) Inflation 2.268*** 1.328* 1.414* 1.360* (0.740) (0.785) (0.795) (0.772) Constant -8.937* -272.405*** -218.419*** -143.154*** (4.589) (56.198) (61.177) (26.039)

Effets fixes temporels Oui Non Oui Oui Oui Oui

Effets fixes pays Non Non Non Oui Non Non

Observations 500 500 500 500 446 446

R-carré 0.36 0.36 0.42 0.6 0.35 0.4

Nbre de banques 54 54 54 54 54 54

Test de Hansen (p-value) - - - - 0.44 0.82

Note : La variable dépendante correspond pour l’ensemble des spécifications à la SRISK. Les écarts-types corrigés de l’hétéroscédasticité de White sont reportés sous les estimations des coeffi-cients. *, ** et *** représentent respectivement la significativité des coefficients aux seuils de 10%, 5% et 1%.

Analyse de la robustesse et de la sensibilité de nos résultats

Parce qu’il est nécessaire de s’interroger sur la fiabilité de nos résultats, nous nous efforçons, dans cette sous-section, de tester leur robustesse de trois manières plement dans le caractère intentionnel ou non de l’augmentation de la contribution au risque systé-mique. Notons par ailleurs qu’une esquisse de modélisation des résultats obtenues est proposée dans l’annexe 1 de ce chapitre.

distinctes.

TABLEAU1.9 – Pouvoir de marché et risques bancaires : Résultats obtenus avec un indice de Lerner ajusté des inefficiences

Variable dépendante Z-score Z-score Distance-to-default Distance-to-default SRISK SRISK

FE IV FE IV FE IV

Lerner 1.192 3.273*** 1.284* 2.343*** 18.377*** 54.048***

(1.176) (0.765) (1.160) (0.744) (5.670) (13.529)

Taille -0.433 -0.487 -1.063*** -1.251*** 17.603*** 19.288***

(0.572) (0.359) (0.397) (0.309) (4.986) (4.783) Revenus hors intérêts / Revenus totaux 0.180 0.578 -0.362 -0.002 -4.609 -8.453 (0.547) (0.393) (0.333) (0.503) (6.743) (5.883) Actifs immobilisés / Total des actifs 55.399*** 49.168*** 34.242** 24.883* 96.983 35.931 (12.564) (13.998) (15.417) (13.846) (298.711) (188.460)

Liquidité 0.002 -0.002 0.012** 0.008 0.060 0.021

(0.006) (0.005) (0.005) (0.006) (0.113) (0.088) Prêts / Total des actifs -0.004* -0.005** -0.001** -0.001* -0.006 0.011

(0.002) (0.002) (0.001) (0.001) (0.005) (0.011) Croissance du PIB 0.237*** 0.196*** 0.168*** 0.108** 0.285 -0.597 (0.035) (0.042) (0.038) (0.044) (0.434) (0.446) Inflation 0.039 -0.018 0.223*** 0.186*** 1.046 0.751 (0.064) (0.068) (0.059) (0.072) (0.836) (0.916) Constant 7.236 12.288*** -211.001*** (6.577) (4.526) (58.375)

Effets fixes temporels Oui Oui Oui Oui Oui Oui

Observations 438 435 499 445 499 445

R-carré 0.33 0.38 0.34 0.35 0.42 0.37

Nbre de banques 54 54 54 54 54 54

Note : Les écarts-types corrigés de l’hétéroscédasticité de White sont reportés sous les estimations des coefficients. *, ** et *** représentent respectivement la significativité des coefficients aux seuils de 10%, 5% et 1%.

Tout d’abord, la première série de tests vise à examiner la sensibilité de nos résultats à des stratégies d’estimations de l’indice de Lerner différentes. Nous avons considéré, pour ce faire, trois méthodologies d’estimation alternatives pour estimer nos indices de Lerner, qui sont présentées dans la section 1.2.2 de ce chapitre. Ainsi, nous avons estimé un premier indice de Lerner, ajusté des inefficiences selon l’approche de Koetter et al. (2012), un second indice ajusté des coûts de finance-ment suivant l’approche de Maudos et Fernandez de Guevara (2007) et enfin, un indice pour lequel la fonction de coût translog n’est plus commune à l’ensemble des banques européennes mais spécifique à chaque pays d’origine. Au regard de l’ensemble des résultats reportés dans les tableaux 1.9, 1.10 et 1.11, il apparaît qu’en dépit des différences dans les indicateurs, les estimations conduisent à des résultats semblables à ceux préalablement obtenus.

Nous avons, par la suite, conduit quelques tests spécifiques à la SRISK. Une de