Machine Translated by Google

Disponible en ligne sur www.sciencedirect.com

ScienceDirect
Procedia Économie et Finance 32 (2015) 1170 – 1177

uieries en finance et en affaires

Marchés émergents Qu

Impact de la VA macroéconomique
ariables sur le système bancaire liq
quidité
Ioan Trencaá,* , Nicolas Peetriab , et Emilia Anuta Coroveia
Faculté d'économie et d'administration des affaires, 58­60 Teodor Mihali, 400591, Cluj­Napoca, Roumanie
un

b
Faculté d'économie, Lucian Blaga U Université, 17, rue Dumbrvii, Sibiu, Roumanie

Abstrait

facteurs sur la liquidité bancaire pour un groupe particulier de pays récemment

Dans cet article, nous avons analysé l'impact des facteurs macroéconomiques.
touchés par des conditions économiques et financières défavorables ­ Grèce, Portugal, Espagne, Italie, Croatie et Chypre. En appliquant la méthode
générale des moments (GMM) à un panel de 40 banques commercialessur la période du premier trimestre 2005 au quatrième trimestre 2011, nous avons
constaté que les facteurs macroéconomiques déterminent le niveau detaux d'inflation, déficit public, taux de chômage, produit intérieur brut et ratio de
liquidité.
liquidité de la période précédente. Dans Le taux d'inflation et la liquidité de la période précédente ont l'impact le plus
significatif, tandis que le produit intérieur brut a le moins d'impact. impact est.

© 2015
par Publié
Elsevier BV Il par
s'agitElsevier Ltd.enSélection
d'un article libre accèsetsous la licence CC BY­NC­ND
d examen(http://creativecommons.org/
par les pairs sous la responsabilité d'Emerging Markets © 2015 Publié
licenses/by­nc­nd/4.0/).
Requêtes dans l’organisation locale Finance et Business.
Sélection et évaluation par les pairs sous la responsabilité de l'Asociatia Grupul Roman de Cercetari in Finante Corporatiste

Mots­clés : liquidité bancaire ; crise financière; taux de chômage.

1. Introduction

Dans le contexte de la crise financière actuelle Certains groupes de pays (Grèce, Portugal, Espagne, Italie, Chypre et
Croatie) ont été fortement touchés par la crise. conditions financières défavorables. La crise financière a causé de graves
dommages aux conditions économiques et sociales de ces pays. Nous constatons des augmentations significatives du chômage et du taux
d'endettement, du déficit atio (% du PIB) et également une diminution des activités économiques,

* Auteur correspondant. Tél. : +40.264 41 86 52/3/4/5.

Adresse e­mail : itrenca@econ.ubbcluj.ro.

2212­5671 © 2015 Publié par Elsevier BV Il s'agit d'un article en libre accès sous la licence CC BY­NC­ND (http://creativecommons.org/
licenses/by­nc­nd/4.0/).
Sélection et évaluation par les pairs sous la responsabilité de l'Asociatia Grupul Roman de Cercetari in Finante Corporatiste
est ce que je: 10.1016/S2212­5671(15)01583­X
Machine Translated by Google

Ioán Trenca et coll. / Procedia Économie et Finance 32 ( 2015 ) 1170 – 1177 1171

y compris les activités bancaires. Le taux de chômage a augmenté dans tous les pays analysés. Les plus fortes hausses
ont été enregistrées en Espagne (25% fin 2012), à Chypre (24,3%:2012), au Portugal (15,9%:2012) puis en Croatie et à
Chypre (11,8%:2012). Par rapport aux années précédentes, le ratio de déficit public a augmenté dans tous les pays
analysés. Les augmentations les plus élevées ont été enregistrées en Espagne (36,2 % : 2007 à 84,2 % : 2012), à
Chypre (58,8 % : 2007 à 85,8 % : 2012), tandis que la Grèce a enregistré le terrible seuil de 170,3 % fin 2011. Toutes
ces questions avoir un impact majeur sur le système bancaire conduisant à une détérioration des activités bancaires et
donc du ratio de liquidité.

Fig. 1.Taux de chômage (%), sur la période 2005­2012

Source : calculs des auteurs

Fig. 2. Déficit public (% du PIB), au cours de la période 2005­2012

Source : calculs des auteurs
Machine Translated by Google

1172 Ioán Trenca et coll. / Procedia Économie et Finance 32 ( 2015 ) 1170 – 1177

Comme nous pouvons le voir sur les images ci­dessus, le chômage et le déficit public ont enregistré des valeurs supérieures au seuil de l’Union
européenne. Pour comprendre et voir comment les institutions bancaires de ces pays peuvent ajuster leurs politiques de liquidité, nous avons effectué une
analyse pour identifier les facteurs spécifiques aux banques et les facteurs macroéconomiques qui déterminent le ratio des prêts nets sur le total des dépôts.
Notre article est structuré comme suit. Dans la section suivante, nous fournissons des informations générales sur les données et les détails du cadre utilisé
dans l'analyse. Ensuite, la section 3 décrit la méthodologie Méthode générale des moments d’abord différentiels Arellano­Bond. La section 4 révèle les
résultats de l’estimation. Enfin, la section 5 résume les principales conclusions et fournit des recommandations.

2. Analyse des données

Le secteur bancaire analysé est constitué de 40 banques commerciales de Croatie, Grèce, Italie, Portugal et Espagne.
et Chypre sur la période q12005­q42011. Les banques sont réparties comme suit (Tableau 1) :

Tableau 1. La répartition des banques par pays d'origine

Pays d'origine Établissement bancaire

Croatie 3

Grèce 6

Italie 17

le Portugal 4

Espagne 7

Chypre 3
Source : calculs des auteurs

Afin d'identifier des indicateurs bancaires spécifiques et des facteurs macroéconomiques qui influencent le ratio de liquidité, nous avons utilisé un
modèle de régression dans lequel la variable dépendante est déterminée comme le rapport entre les prêts nets et le total des dépôts. Ce ratio de liquidité
est utilisé pour déterminer les pratiques de prêt des institutions financières. Ce rapport décrit la capacité des établissements de crédit à faire face aux retraits
des dépôts. Plus le taux est élevé, plus la banque s’appuie sur des fonds empruntés et dispose d’une liquidité moindre. Les prêts sont considérés comme
les actifs les moins liquides, tandis que les dépôts sont considérés comme la principale source de financement Trenca et al, 2012 : 1. T

Les variables explicatives sont représentées par des indicateurs macroéconomiques et des indices spécifiques au secteur bancaire.
Ceux­ci ont été déterminés à partir de données trimestrielles extraites des bases de données Worldscope, IMF eLibrary et Eurostat. L'influence attendue est
également présentée ci­dessous. Les facteurs spécifiques aux banques sont un ensemble de variables internes qui peuvent exercer une action directe sur
l’activité bancaire. Dans notre étude, nous avons utilisé quatre de ces variables :

• CPA : la part des capitaux propres ordinaires dans le total de l'actif (effet estimé +) ; • LAT : le logarithme du total des
actifs bancaires (effet estimé +/­) ; • LN_ROE : rendement des capitaux propres (effet
estimé ­) ; • NPL : provisions pour pertes sur prêts/prêts nets (effet
estimé ­).

Les facteurs macroéconomiques ou facteurs externes sont des variables sur lesquelles la direction n'a aucun contrôle mais qui peuvent
avoir un impact significatif sur le bon fonctionnement de l'établissement bancaire d'entreprise. Dans notre étude, nous avons considéré un
ensemble de variables pertinentes :
Machine Translated by Google

Ioán Trenca et coll. / Procedia Économie et Finance 32 ( 2015 ) 1170 – 1177 1173

• PIB : taux de croissance du produit intérieur brut (unité de mesure : PIB exprimé en volume, 2005=100) (estimation
effet ­);
• INF : taux d'inflation (volatilité de l'indice des prix à la consommation harmonisé, où hipc est déterminé comme taux de
variation annuel, données mensuelles) (effet estimé
­) ; • UNE : taux de chômage (données non désaisonnalisées) (effet estimé ­) ; •
PDS : déficit/excédent public (prêt net (+) / emprunt net (­)) (effet estimé ­).

3. Méthodologie empirique

Notre recherche a commencé par l'application de trois modèles de régression traditionnels tels que les moindres carrés
ordinaires (OLS), le modèle à effets fixes et le modèle à effets aléatoires. Mais comme on l'a constaté dans la littérature lorsqu'on
avait de l'hétéroscédasticité et de l'autocorrélation dans la série d'erreurs, des variables indépendantes qui ne sont pas
strictement exogènes, un échantillon dans lequel le nombre d'entités est supérieur au nombre de périodes et où le niveau de
liquidité actuel dépend de Il est recommandé d’utiliser un modèle dynamique pour évaluer le niveau de liquidité des périodes
précédentes. Ainsi, nous estimons un modèle de la manière suivante :

mesure (1)

où:

i= 1…N et t=1….T représentent la période et la dimension de la section,

est le vecteur des variables explicatives,

ְ représentent les effets non observés d’institutions bancaires spécifiques, et

représente le terme d’erreur.

Un modèle de panel avec une structure dynamique rend l'estimateur OLS biaisé et incohérent car le décalage de la
variable dépendante est corrélé au terme d'erreur Presbitero Andrea F., 2006 : 7. Ce problème peut être résolu en
différenciant d'abord la première équation :

mesure (2)

L'effet spécifique des institutions bancaires a été supprimé afin que nous puissions utiliser les estimateurs de
variables instrumentales proposés par Anderson et Hsiao, 1981, Arellano et Bond, 1991. Bien que les deux estimateurs
soient cohérents, Arellano et Bond, 1993 sont plus efficaces. Vítor Castr, 2013 : 675. Les décalages d'ordre j +1 de la
variable dépendante et d'autres régresseurs peuvent être éligibles à l'utilisation s'ils remplissent les conditions du moment :

‫ی‬ ‫ە‬ ַ et ‫ی‬ (3)

pour t=j+2……T et sj+1

La méthode générale des moments repose sur l’hypothèse d’homoscédasticité et d’indépendance des erreurs.
Machine Translated by Google

1174 Ioán Trenca et coll. / Procedia Économie et Finance 32 ( 2015 ) 1170 – 1177

Sur la base de la méthodologie utilisée par Arrelano et Bond, la variable dépendante et les variables endogènes seront traitées avec
leurs décalages et leurs instruments externes.
Nous avons apprécié que toutes les variables du modèle (variables explicatives et variable dépendante) sont des variables endogènes car la théorie économique
ne joue pas de position spécifique endogénéité. Également afin de s'adapter aux meilleurs modèles de régression GMM, nous avons progressivement modifié les
régresseurs vectoriels, modifications apportées à la matrice de corrélation des indicateurs du modèle.

Sur les régressions GMM, nous avons appliqué deux tests : le test statistique de Hansen et le test d'Arellano­Bond pour détecter
l'autocorrélation des erreurs. Les tests Hansen vérifient la validité du sous­ensemble d'instruments utilisés ou si les instruments
utilisés sont exogènes. Le test d'autocorrélation est appliqué aux résidus différenciés et se déroule sous l'hypothèse nulle
d'autocorrélation. Tester AR (1) implique le rejet de l'hypothèse nulle et tester AR (2) implique l'acceptation de l'hypothèse nulle.

4. Résultats et conclusions

Dans le premier modèle de régression estimé avec la méthode générale des moments, nous constatons que tous les facteurs
macroéconomiques inclus dans le modèle ont eu un impact significatif sur la liquidité bancaire. Comme dans d'autres études Pavla
Vodová, 2010 : 6, nous avons obtenu le signe attendu pour ces indicateurs. Par exemple, une augmentation du PIB entraîne une
augmentation de l’activité économique et des défauts de crédit, ce qui entraînera une baisse de la liquidité bancaire. Une
augmentation de l’inflation diminue le pouvoir d’achat, de sorte que les gens ont besoin de plus d’argent pour acheter les mêmes
produits, ce qui peut augmenter les prêts bancaires et donc diminuer la liquidité. Une augmentation du taux de chômage peut se
traduire par une augmentation des prêts non performants et donc par une diminution de la liquidité bancaire.
Une augmentation du déficit public entraînera une augmentation des prêts bancaires et donc une diminution de la liquidité.
Les variables macroéconomiques ayant le plus grand impact sur le ratio de liquidité sont le taux d'inflation il y a deux trimestres
(L2.INF), le déficit public il y a deux trimestres (L2.PDS), le taux de chômage il y a deux trimestres (L2.UNE) et le produit intérieur
brut deux trimestres. (L2.PIB). Si le taux d’inflation d’il y a deux trimestres augmente de 1 %, alors les prêts nets sur le total des
dépôts diminuent de 1,5 fois.
Si le déficit public avait augmenté de 1% il y a deux trimestres, le taux de liquidité actuel diminuerait de 40%. Si le taux de
chômage augmente de 1% il y a deux trimestres, le taux de liquidité actuel diminuera de 37,2%.
Si le produit intérieur brut augmente de 1% il y a deux trimestres, la liquidité actuelle diminuera de 5%.
Nous constatons que la liquidité de la dernière période a un impact significatif sur la liquidité actuelle. Une augmentation de 1% de la
liquidité au cours de la dernière période augmentera le ratio de liquidité actuel d'environ 1,113 fois.
Nous acceptons l'hypothèse nulle du test statistique Hansen Test (47,6%> 10%) donc les instruments utilisés sont valides et les
variables de nos modèles sont exogènes et nous acceptons l'hypothèse nulle du test d'autocorrélation Arrelano­Bond (53,3%> 10%) .
Pour confirmer les résultats de la première régression obtenue ci­dessus, nous avons appliqué un ensemble de six modèles de
régression.
Dans la première régression nous avons introduit comme condition la période temps (la période temps > 2007), dans la deuxième
régression nous avons modifié les décalages des variables et des instruments utilisés (nous utilisons quatre décalages au lieu de deux)
dans la régression numéro trois nous avons introduit une nouvelle variable spécifique bancaire (rendement des fonds propres), dans la
régression numéro quatre nous avons utilisé la méthodologie OLS, dans la régression numéro cinq nous avons utilisé comme variable
dépendante prêts nets / (dépôts totaux + (dette totale, dette à long terme)) et nous avons introduit une nouvelle variable variable endogène
– taille de la banque. Dans les équations 6 et 7, nous avons apporté l'une des quatre variables macroéconomiques. Dans les cinq
régressions dans lesquelles nous avons utilisé la méthodologie GMM, nous avons trouvé le modèle dynamique, la validité des instruments
et l'autocorrélation des erreurs du second ordre. Dans toutes les régressions, les variables macroéconomiques ont un impact significatif et
opposé sur le ratio des prêts nets sur le total des dépôts. L’impact le plus faible sur l’évolution de la liquidité est le PIB, et l’impact le plus
important est le taux d’inflation.
Machine Translated by Google

Ioán Trenca et coll. / Procedia Économie et Finance 32 ( 2015 ) 1170 – 1177 1175

Tableau 2. Déterminants macroéconomiques du ratio de liquidité

(1)
VARIABLES RL1
L.RL1 1,113***
(0,237)
L.TOA 0,483
(0,314)
L.NPL ­15,89
(10,11)
L2.PIB 0,0482**
(0,0206)
L2.INF 1,499***
(0,488)
L2.UNE 0,372***
(0,112)
L2.PDS 0,393***
(0,121)
Observations 755
Nombre de banques 37
Hansen 1,485
Hansenp 0,476
ar2 0,623
ar2p 0,533

Erreurs types robustes entre parenthèses ***

p<0,01, ** p<0,05, * p<0,1

Tableau 3. Contrôle de robustesse

(1) (2) (3) (4) (5) (6)

VARIABLES RL1 RL1 RL1 RL6 RL1 RL1

L.RL1 1,092*** 1,013*** 1,285*** 1,188*** 1.764*

(0,271) (0,197) (0,374) (0,262) (1,015)

L.TOA 2.163 0,722 0,294 0,241 0,699* 1,224*

(1,537) (0,475) (0,558) (0,179) (0,374) (0,617)

L.NPL ­9.590 20,97 ­0,0892 ­4.920 ­19.07* ­28h31*

(8,954) (13.61) (12h00) (3,764) (9,973) (15.11)

L2.PIB 0,0141 0,0281 0,0178 0,0585*

(0,0249) (0,0330) (0,0128) (0,0300)

L2.INF 1,144** 1,961** 0,607** 1,531***

(0,544) (0,802) (0,295) (0,488)

L2.UNE 0,227** 0,492** 0,128* 0,346*** 0,610**

(0,0992) (0,183) (0,0733) (0,106) (0,245)

L2.PDS 0,292** 0,525** 0,152** 0,404*** 0,592**

(0,133) (0,201) (0,0678) (0,120) (0,232)

Machine Translated by Google

1176 Ioán Trenca et coll. / Procedia Économie et Finance 32 ( 2015 ) 1170 – 1177

L4.PIB 0,0377

(0,0253)

L4.INF 1.400**

(0,584)

L4.UNE 0,441**

(0,186)

L4.PDS 0,422**

(0,178)

L.LN_ROE ­0,133

(0,141)

L.RL2 0,447*

(0,411)

Observations 527 725 668 683 760 755

Nombre de banques 37 37 36 37 37 37

Hansen 1.563 3.749 0,289 2.031 1.567 0,493

Hansen p. 0,458 0,153 0,866 0,566 0,457 0,781

ar2 0,809 0,338 0,588 0,637 0,653 0,529

ar2p 0,419 0,736 0,556 0,524 0,514 0,597

Erreurs standards robustes entre

parenthèses *** p<0,01, ** p<0,05, * p<0,1

5. Conclusion

Le but de cette recherche est de déterminer les facteurs qui influencent le taux de liquidité dans les banques commerciales
du sud de l'Europe sociopolitique. Ainsi, nous avons développé un panel de 40 banques analysées au cours du T1 : 2005­
T4 : 2011. Nous avons constaté qu'il existe plusieurs facteurs influençant le ratio de liquidité mais que le plus grand impact
a : le taux de liquidité de la période précédente et le taux d'inflation.
Machine Translated by Google

Ioán Trenca et coll. / Procedia Économie et Finance 32 ( 2015 ) 1170 – 1177 1177

Les références

Adolphus Toby (2006), « Étude empirique des pratiques de gestion des liquidités des banques nigérianes », Journal of Financial Management et
Analyse, pages 57­70 ;
Aušrin Lakštutien, Rytis Krušinskas (2010), « Création de liquidités dans les banques lituaniennes en 2004­2008 », Économie et gestion ; Guaraji M. (2004),
« Basic Econometrics – quatrième édition » ; Moore Winston (2009),
« Comment les crises financières affectent­elles la liquidité des banques commerciales ? Preuves d’Amérique latine et des Caraïbes »,
Document MPRA n° 21473 ;
Muhammad Farhan Akhtar, Khizer Ali, Shama Sadaqat (2011), « Gestion du risque de liquidité : une étude comparative entre les
et banques islamiques du Pakistan » ;
Oriol Aspachs, Erlend Nier, Muriel Tiesset (février 2005) « Liquidité, régulation bancaire et macroéconomie ; Preuve en banque
les liquidités détenues par un panel de banques résidentes au
Royaume­Uni » ; Pavla Vodová (2011), « Déterminants de la liquidité des banques commerciales en
Slovaquie » ; Pavla Vodová (2011), « La liquidité des banques commerciales tchèques et ses
déterminants » ; Presbitero Andrea F. (2006) « Le lien dette­croissance dans les pays pauvres : une réévaluation », Actes du ministère allemand du Développement
Conférence sur l'économie ;
SOUremadu (2009), « Déterminants de la liquidité du système financier (1980­2005) : données probantes du Nigeria », Économie et administration
Série, Nr. 3 pages 123­137 ;
Samuel O. Fadare, (2011), « Liquidité du secteur bancaire et crise financière au Nigéria » ; Trenca I.,
Petria N., Mutu S. secteur », , Corovei E., (2012) « Déterminants de la liquidité des banques commerciales dans le secteur bancaire d'Europe centrale et orientale ».
Journal Finance­ Défis du futur année XII, n°14/2012 :85­90 ;
Wooldridge Jeffrey (2002), « Introductory Econometrics A Modern Approach 2e édition par Jeffrey Wooldridge B01_0104­South­
Occidental";
Vítor Castro (2013), « Déterminants macroéconomiques du risque de crédit dans le système bancaire : le cas du GIPSI », Modélisation économique
31 (2013) 672­683 ;
http://www.banknews.ro/dictionar_financiar­bancar/)