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.

- 2 -

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 »

- 3 -

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

- 4 -

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

- 5 -

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

- 6 -

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.

- 7 -

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)

- 8 -

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)

- 9 -

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)

- 10 -

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.

- 11 -

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)

- 12 -

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

- 13 -

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

- 14 -

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

- 15 -

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.

- 16 -

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.

- 17 -

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

- 18 -

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),

12Voir 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) 13Voir 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.

- 19 -

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).

- 20 -

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

- 21 -

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) 19 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

- 22 -

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

- 23 -

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

- 24 -

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

- 25 -

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.

- 26 -

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.

- 27 -

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.

- 28 -

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

- 29 -

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,

- 30 -

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

- 31 -

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.

- 32 -

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, Dermiguc-

Kunt 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.

- 33 -

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

- 34 -

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

- 35 -

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

- 36 -

ANNEXES

Annexe A

Variable Source

scrisis Laeven.L, Valentia.F (2008, 2010)

lcrisis Laeven.L, Valentia.F (2008, 2010)

crisisloss Laeven.L, Valentia.F (2008, 2010)

conc Financial Structure Dataset (2010) Thorsten Beck et Ed Al-Hussainy

zscore Financial Structure Dataset (2010) Thorsten Beck et Ed Al-Hussainy

roa Financial Structure Dataset (2010) Thorsten Beck et Ed Al-Hussainy

sdroa Financial Structure Dataset (2010) Thorsten Beck et Ed Al-Hussainy

costinc Financial Structure Dataset (2010) Thorsten Beck et Ed Al-Hussainy

intmarg Financial Structure Dataset (2010) Thorsten Beck et Ed Al-Hussainy

gdpg World Development Indicator (WDI)

cpi1 World Development Indicator (WDI)

r World Development Indicator (WDI)

depr World Development Indicator (WDI)

credg World Development Indicator (WDI)

gdppc World Development Indicator (WDI)

gdp World Development Indicator (WDI)

domcred World Development Indicator (WDI)

nonperfloan World Development Indicator (WDI)

rspread World Development Indicator (WDI)

mhi Demirguc-Kunt.A Detragiache.E (2002) et Barth.J.R Caprio.G

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

kkz Worldwide Governance Indicators (WGI)

- 37 -

Annexe B

Variable Mean Std. Dev. Min Max Observations

scrisis overall .0666667 .2495209 0 1 N = 1620

between

.097316 0 .3333333 n = 108

within .2299394 -.2666667 1 T = 15

lcrisis overall .0858025 .2801586 0 1 N = 1620

between

.1067021 0 .3333333 n = 108

within .2592334 -.2475309 1.019136 T = 15

crisisloss overall 2.545062 12.82027 0 121 N = 1620

between

5.494752 0 31.73333 n = 108

within 11.59431 -29.18827 102.9451 T = 15

conc overall .6911071 .2086477 .1190156 1 N = 1620

between

.1796449 .2477717 1 n = 108

within .1074273 .3243209 1.234293 T = 15

gdpg overall 4.257447 4.872485 -18.01471 88.95766 N = 1620

between

2.317357 .7507774 14.34635 n = 108

within 4.29155 -18.99249 78.86876 T = 15

cpi1 overall 26.97165 243.6246 -17.05676 6041.595 N = 1620

between

81.33618 .1056519 608.6386 n = 108

within 229.7707 -569.4182 5646.239 T = 15

r overall 6.656795 18.01757 -526.6953 97.47437 N = 1620

between

7.910409 -25.75912 45.70274 n = 108

within 16.20492 -494.2794 99.37727 T = 15

depr overall .1180183 1.632789 -.9999152 45.55217 N = 1620

between

.6705869 -.0293136 6.92855 n = 108

within 1.490034 -6.888447 38.74164 T = 15

credg overall 1.605626 64.1712 -49.95121 2582.147 N = 1620

between

16.0726 -1.283025 167.0822 n = 108

within 62.14377 -215.4278 2416.671 T = 15

gdppc overall 8.670696 11.02033 .1070322 56.62473 N = 1620

between

10.96203 .1113057 47.17986 n = 108

within 1.523395 -1.669921 18.64865 T = 15

mhi overall 11.40314 48.88997 0 495.14 N = 1620

between

48.90727 0 495.14 n = 108

within 4.357978 -9.596862 95.40314 T = 15

leg_brit overall .287037 .4525187 0 1 N = 1620

between

.454488 0 1 n = 108

within 0 .287037 .287037 T = 15

- 38 -

Variable Mean Std. Dev. Min Max Observations

leg_fr overall .4166667 .4931589 0 1 N = 1620

between

.4953051 0 1 n = 108

within 0 .4166667 .4166667 T = 15

leg_so overall .212963 .4095281 0 1 N = 1620

between

.4113103 0 1 n = 108

within 0 .212963 .212963 T = 15

leg_ger overall .0462963 .2101909 0 1 N = 1620

between

.2111056 0 1 n = 108

within 0 .0462963 .0462963 T = 15

domcred overall .6853008 .5627134 -.7299423 3.205309 N = 1620

between

.5359338 -.3224054 3.007103 n = 108

within .1786197 -.1603028 1.639363 T = 15

costinc overall .6621606 .2365895 .1784629 3.128927 N = 1620

between

.1481261 .3576767 1.161013 n = 108

within .1849945 .0602936 2.784942 T = 15

intmarg overall .051824 .035739 .0048156 .3201605 N = 1620

between

.0301928 .0086085 .149822 n = 108

within .0193275 -.0369089 .2221625 T = 15

denied overall .1751862 .2712697 0 1 N = 1620

between

.2351797 0 1 n = 108

within .1369528 -.5067186 .8418528 T = 15

restrict overall 1.966049 1.207638 0 4 N = 1620

between

1.025956 0 4 n = 108

within .6441322 -.767284 4.366049 T = 15

capregul overall 10.63716 2.652145 0 18 N = 1620

between

2.384804 0 17 n = 108

within 1.181425 2.03716 15.27049 T = 15

suppower overall 11.2358 2.743055 3 16 N = 1620

between

2.371699 5.933333 15.26667 n = 108

within 1.39572 3.769136 16.56914 T = 15

govowned overall .1927796 .2338865 0 .9578 N = 1620

between

.2224113 0 .94624 n = 108

within .0752586 -.2568204 .4802462 T = 15

forowned overall .3268278 .2922637 0 1 N = 1620

between

.271834 0 .9882933 n = 108

within .1102876 -.1329055 .7836812 T = 15

- 39 -

Variable Mean Std. Dev. Min Max Observations

bfreedom overall 56.04407 18.49748 10 90.1 N = 1620

between

15.98334 26.68667 90 n = 108

within 9.428613 18.71074 93.37741 T = 15

efreedom overall 61.67359 10.50195 23.7 90.5 N = 1620

between

9.798289 30.26667 89.36667 n = 108

within 3.88776 40.01359 78.40692 T = 15

kkz overall 1.161415 5.230775 -10.45561 11.40335 N = 1620

between

5.174373 -8.07648 10.80058 n = 108

within .9046544 -2.558281 4.458729 T = 15

guidassetdiv overall .3981481 .4896674 0 1 N = 1620

between

.4091841 0 1 n = 108

within .2716439 -.4018519 1.198148 T = 15

gdp overall 2.998232 11.11591 .0033784 116.7149 N = 1620

between

11.07777 .004667 101.4767 n = 108

within 1.38117 -18.45891 18.23651 T = 15

loanabroad overall .1648148 .3711279 0 1 N = 1620

between

.3207543 0 1 n = 108

within .1890561 -.6351852 .9648148 T = 15

nonperfloan overall 6.875823 7.560191 .1 57 N = 790

between

4.641309 .84 23.58667 n = 53

within 5.992209 -14.31084 40.28916 T = 14.9057

zscore overall 10.32117 8.252426 1.138477 91.41393 N = 770

between

4.033776 5.411622 23.81147 n = 52

within 7.210614 -5.786602 83.15139 T = 14.8077

roa overall -.1312316 3.739041 -103.5961 .9290012 N = 770

between

.9933336 -7.143005 .0971245 n = 52

within 3.605441 -96.58433 7.084554 T = 14.8077

sdroa overall .4918871 12.24788 0 339.6299 N = 770

between

3.181306 .0059995 22.96678 n = 52

within 11.82984 -22.47446 317.155 T = 14.8077

rspread overall 9.309128 13.35235 -27.27583 218.35 N = 1230

between

8.168529 1.29985 44.05262 n = 82

within 10.59813 -24.88969 196.648 T = 15

Annexe C

y scrisis lcrisis crisisloss conc gdpg cpi1 r depr credg gdppc mhi leg_brit leg_fr leg_so leg_ger domcred costinc

y 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

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 -0,0341

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

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 0,0408

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

cn1 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 -0,0437

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

intmarg denied restrict capregul suppower govowned forowned bfreedom kkz efreedom guidassetdiv gdp loanabroad cn1 nonperfloan rspread zscore roa sdroa

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 1

Tableau 1

1 2 3 4 5 6 7

VARIABLES scrisis scrisis scrisis lcrisis crisisloss nonperfloan zscore

conc 0.116** 0.118** 0.117** 0.142** 4.125*** 3.116** 7.278**

(0.053) (0.054) (0.053) (0.060) (2.694) (1.478) (2.879)

gdpg -0.005* -0.005* -0.005* -0.007* -0.484* -0.340* 0.196**

(0.001) (0.001) (0.001) (0.002) (0.069) (0.047) (0.081)

cpi1 0.000** 0.000** 0.000** 0.000** -0.001 0.017 0.187*

(0.000) (0.000) (0.000) (0.000) (0.001) (0.014) (0.037)

r -0.001** -0.001** -0.001** -0.001** -0.002 0.088* -0.042

(0.000) (0.000) (0.000) (0.000) (0.019) (0.032) (0.043)

depr -0.006 -0.006 -0.006 -0.006 0.014 0.646 4.302*

(0.004) (0.004) (0.004) (0.004) (0.198) (1.162) (1.448)

credg 0.000 0.000 0.000 0.000 0.001 -1.405** 0.464

(0.000) (0.000) (0.000) (0.000) (0.005) (0.591) (0.974)

gdppc 0.010** 0.010** 0.011** 0.008 0.189 0.547* -0.727**

(0.005) (0.005) (0.005) (0.005) (0.246) (0.180) (0.310)

mhi 0.001 0.001 0.001 0.001 -0.026 -0.032 -0.235*

(0.001) (0.001) (0.001) (0.001) (0.067) (0.027) (0.045)

domcred 0.330* 0.330* 0.327* 0.394* 17.159* 5.985* 2.245

(0.036) (0.036) (0.036) (0.041) (1.838) (1.188) (2.036)

costinc 0.138* 0.138* 0.134* 0.168* 6.549* 0.970 -2.839**

(0.031) (0.031) (0.031) (0.035) (1.555) (0.777) (1.430)

intmarg 0.803** 0.830** 0.794** 0.687*** -13.027 -3.185 -21.284

(0.320) (0.322) (0.319) (0.360) (16.193) (11.775) (19.625)

denied 0.145* 0.145* 0.146* 0.157* 6.352* -1.762 1.056

(0.041) (0.042) (0.041) (0.047) (2.099) (1.149) (2.060)

restrict 0.006 0.007 0.004 0.007 -0.482 -0.326 0.306

(0.009) (0.009) (0.009) (0.010) (0.450) (0.209) (0.358)

capregul 0.001 0.001 0.001 -0.008 -0.213 -0.061 0.008

(0.005) (0.005) (0.005) (0.006) (0.260) (0.115) (0.199)

suppower -0.004 -0.004 -0.004 -0.002 0.206 0.011 0.346***

(0.004) (0.004) (0.004) (0.005) (0.208) (0.102) (0.189)

govowned 0.145*** 0.155*** 0.143*** 0.110 11.090** 9.290* 1.746

(0.087) (0.087) (0.087) (0.098) (4.409) (2.370) (3.711)

forowned -0.044 -0.052 -0.046 -0.127*** 1.556 7.626* 2.481

(0.059) (0.059) (0.059) (0.066) (2.991) (1.463) (2.418)

y -0.012* -0.012* -0.012* -0.010* -0.327* -1.076* 1.014

(0.002) (0.002) (0.002) (0.002) (0.089) (0.073) (5.347)

Constant 23.314* 22.939* 23.938* 20.203* 636.338* 2,149.733*

(3.509) (3.535) (3.528) (3.944) (177.521) (145.681)

bfreedom -0.001 -0.000 -0.001 -0.017 0.145*

(0.001) (0.001) (0.032) (0.019) (0.030)

efreedom -0.000

(0.002)

kkz -0.013**

(0.006)

Observations 1620 1620 1620 1620 1620 790 770

R-squared 0.268 0.268 0.270 0.267 0.291 0.778 0.453

Standard errors in parentheses

* p<0.01, ** p<0.05, *** p<0.1

Tableau 2 Tableau 3

1 2 3

VARIABLES scrisis lcrisis crisisloss VARIABLES zscore

conc 0.094 0.097 2.994 conc 7.529*

(0.059) (0.065) (2.754) (2.889)

rspread 0.002* 0.002** 0.100* roa -1.397

(0.001) (0.001) (0.031) (1.083)

gdpg -0.003** -0.005* -0.363* sdroa -0.431

(0.001) (0.002) (0.068) (0.330)

cpi1 0.000** 0.000*** -0.001 gdpg 0.195**

(0.000) (0.000) (0.001) (0.081)

r -0.001* -0.001** 0.004 cpi1 0.187*

(0.000) (0.000) (0.018) (0.037)

depr -0.009** -0.009** -0.079 r -0.042

(0.004) (0.004) (0.188) (0.043)

credg 0.000 0.000 0.001 depr 4.184*

(0.000) (0.000) (0.004) (1.451)

gdppc 0.002 0.008 -0.088 credg 0.460

(0.008) (0.009) (0.376) (0.974)

mhi 0.001 0.002 0.002 gdppc -0.734**

(0.001) (0.002) (0.064) (0.310)

domcred 0.325* 0.364* 14.576* mhi -0.235*

(0.042) (0.046) (1.946) (0.045)

costinc 0.110* 0.195* 7.609* domcred 2.404

(0.034) (0.037) (1.567) (2.041)

intmarg 0.718** 0.925** -3.941 costinc -3.102**

(0.330) (0.364) (15.442) (1.444)

denied 0.127* 0.145* 6.446* intmarg -19.461

(0.042) (0.047) (1.983) (19.702)

restrict 0.013 0.008 -0.804*** denied 1.099

(0.010) (0.011) (0.456) (2.061)

capregul 0.004 0.001 -0.072 restrict 0.321

(0.006) (0.006) (0.260) (0.358)

suppower 0.006 0.006 0.286 capregul 0.022

(0.004) (0.005) (0.210) (0.199)

govowned 0.067 0.003 5.646 suppower 0.335***

(0.097) (0.107) (4.519) (0.189)

forowned -0.051 -0.105 1.615 govowned 1.772

(0.063) (0.069) (2.942) (3.713)

bfreedom -0.000 -0.001 -0.005 forowned 2.318

(0.001) (0.001) (0.033) (2.422)

y -0.014* -0.015* -0.288* bfreedom 0.146*

(0.002) (0.002) (0.093) (0.030)

Constant 27.114* 29.140* 560.413* Constant 0.863

(3.979) (4.389) (186.110) (5.350)

Observations 1230 1230 1230 Observations 770

R-squared 0.289 0.299 0.320 R-squared 0.455

Standard errors in parentheses Standard errors in parentheses

* p<0.01, ** p<0.05, *** p<0.1 * p<0.01, ** p<0.05, *** p<0.1

Tableau 4 Tableau 5

1 2 3 1 2 3

VARIABLES scrisis lcrisis crisisloss VARIABLES scrisis lcrisis crisisloss

conc -0.076 0.071 -2.216 conc 0.111** 0.169* 5.539**

(0.075) (0.084) (4.537) (0.054) (0.060) (2.693)

nbbank -0.063* -0.063* -1.692*** guidassetdiv 0.006 -0.014 -2.738**

(0.014) (0.016) (0.881) (0.022) (0.025) (1.110)

cashflow 0.000 0.002 0.117 gdp 0.007 0.007 -0.079

(0.001) (0.001) (0.074) (0.004) (0.005) (0.219)

div_inc -0.270 -0.256 -2.267 loanabroad 0.029 0.052 3.979*

(0.180) (0.188) (11.304) (0.031) (0.034) (1.535)

div_asset 0.228*** 0.169 -2.962 gdpg -0.005* -0.008* -0.479*

(0.135) (0.139) (8.556) (0.001) (0.002) (0.069)

gdpg -0.007*** -0.017* -0.982* cpi1 0.000** 0.000** -0.001

(0.004) (0.005) (0.225) (0.000) (0.000) (0.001)

cpi1 0.000* 0.000* 0.001 r -0.001** -0.001*** -0.004

(0.000) (0.000) (0.007) (0.000) (0.000) (0.019)

r 0.004** 0.003 0.119 depr -0.006 -0.006 0.005

(0.002) (0.002) (0.104) (0.004) (0.004) (0.197)

depr 0.426* 0.419* 15.858* credg 0.000 0.000 0.001

(0.078) (0.093) (4.533) (0.000) (0.000) (0.005)

credg -0.207* -0.213** -5.433 gdppc 0.009*** 0.009*** 0.305

(0.072) (0.086) (4.216) (0.005) (0.005) (0.247)

gdppc 0.003 0.002 -0.204 mhi 0.001 0.001 -0.013

(0.003) (0.003) (0.166) (0.001) (0.001) (0.067)

mhi 0.000 -0.000 -0.011 domcred 0.327* 0.419* 17.683*

(0.000) (0.000) (0.015) (0.036) (0.040) (1.829)

leg_brit -0.048 -0.025 -6.487 costinc 0.137* 0.185* 6.725*

(0.073) (0.076) (4.574) (0.031) (0.034) (1.548)

leg_fr -0.022 0.064 -6.422 intmarg 0.784** 0.894** -6.312

(0.076) (0.079) (4.786) (0.321) (0.357) (16.135)

leg_ger -0.013 0.009 -9.414*** denied 0.140* 0.149* 5.260**

(0.088) (0.091) (5.501) (0.042) (0.047) (2.116)

domcred 0.146* 0.168* 12.555* restrict 0.008 0.007 -0.692

(0.037) (0.040) (2.249) (0.009) (0.010) (0.455)

costinc 0.217* 0.110*** 12.638* capregul 0.000 -0.008 -0.214

(0.055) (0.064) (3.208) (0.005) (0.006) (0.260)

intmarg 0.066 -0.162 -87.226** suppower -0.004 -0.005 0.180

(0.660) (0.738) (39.799) (0.004) (0.005) (0.213)

denied 0.069 0.058 6.820*** govowned 0.133 0.085 9.299**

(0.062) (0.070) (3.686) (0.088) (0.098) (4.430)

restrict 0.011 0.005 -0.528 forowned -0.037 -0.099 3.423

(0.011) (0.013) (0.689) (0.060) (0.066) (3.006)

capregul 0.005 0.002 0.333 bfreedom -0.001 -0.001 -0.008

(0.007) (0.008) (0.404) (0.001) (0.001) (0.031)

suppower -0.002 0.003 0.207 y -0.012* -0.012* -0.358*

(0.006) (0.006) (0.336) (0.002) (0.002) (0.090)

govowned 0.093 0.096 4.359 Constant 24.380* 22.685* 697.974*

(0.109) (0.118) (6.756) (3.563) (3.959) (179.106)

forowned -0.044 -0.114 2.716

(0.089) (0.098) (5.378) Observations 1620 1620 1620

bfreedom 0.002 0.002** 0.041 R-squared 0.270 0.285 0.301

(0.001) (0.001) (0.061)

Constant -0.309 -0.337 -9.364 Standard errors in parentheses

(0.220) (0.239) (13.538) * p<0.01, ** p<0.05, *** p<0.1

Observations 555 555 555

Number of cn1 37 37 37

Standard errors in parentheses

* p<0.01, ** p<0.05, *** p<0.1