CAIRN.INFO : Matières à réflexion

1 Au cours des deux dernières décennies, le monde a vu s’abattre des crises bancaires d’une sévérité inédite. Ebranlés par le retournement du marché immobilier et la multiplication des défauts sur les prêts hypothécaires aux Etats-Unis en 2007, de nombreux établissements bancaires sont devenus illiquides, voire insolvables et acculés à la faillite. Point d’orgue de ce nouvel épisode, la chute de la banque Lehman Brothers a mis en péril l’intégrité du système bancaire américain en précipitant l’assèchement des liquidités interbancaires. Cette crise a même fait resurgir le spectre de la Grande Dépression des années 1930 tant l’économie américaine s’est relevée avec peine de la récession qui s’en est suivie. Ses répercussions ont été aussi internationales : à des degrés divers, peu de pays furent épargnés, surtout dans la zone euro.

2 Plus inquiétant, ces crises semblent avoir pris de court les marchés financiers comme les autorités. Elles mettent ainsi en relief les carences des réglementations prudentielles comme des dispositifs de surveillance des risques liés à l’activité des banques. Prévoir une crise du système bancaire est cependant crucial car sa résolution est coûteuse. Selon le Fonds monétaire international, les coûts de sauvetage par l’Etat se sont élevés jusqu’à 40 % du PIB national en 2010.

3 Sur le plan empirique, un moyen de prédire l’occurrence d’une crise financière est de bâtir un système d’alerte précoce. Ce dernier recense les signes avant-coureurs de l’état de détresse du secteur financier de manière à permettre aux autorités de politique économique d’apporter une réponse appropriée. Ces autorités doivent disposer d’un délai suffisant pour corriger les déséquilibres macroéconomiques et financiers détectés.

4 La présente étude propose une approche originale pour élaborer un système d’alerte des crises bancaires, à la fois robuste et offrant le meilleur compromis entre les épisodes manqués et les fausses alertes. Il s’agit de répondre aux interrogations sur les systèmes d’alerte précoce, soulevées de manière récurrente. A leur début, dans les années 1970, les travaux empiriques ont cherché à identifier les indicateurs avancés des crises de change (Bilson [1979]). A partir des années 1990, la littérature a porté davantage attention aux crises bancaires (Kaminsky et Reinhart [1999]). Les études récentes sur les systèmes d’alerte reposent sur des indicateurs macroéconomiques et financiers capables d’annoncer une crise bancaire (Frankel et Saravelos [2012]). Dans ce but, plusieurs méthodes ont été proposées : l’extraction de signaux (Kaminsky et Reinhart [1999], Borio et Drehmann [2009]), plus fréquemment les modèles Logit ou Probit (Demirguc-Kunt et Detragiache [2005], Sarlin et Peltonen [2013]) et aussi les arbres de classification récursifs (Barrell et al. [2010]). Bien que la performance de ces méthodes varie, l’incertitude sur le modèle statistique et celle qui pèse sur les estimations des paramètres n’ont fait l’objet d’une attention particulière que très récemment. La première se réfère au choix des variables explicatives – ici des signaux d’alerte des crises bancaires – à partir d’un ensemble très vaste d’indicateurs potentiels. La seconde concerne les erreurs commises par l’omission d’un ou de plusieurs facteurs influents.

5 Pour combler cette lacune, nous adoptons, dans cet article, une approche différente en cherchant à élaborer un système robuste d’alerte des crises bancaires. La sélection du modèle de prévision le plus performant résulte d’une comparaison entre différentes spécifications d’un modèle linéaire par combinaison bayésienne ou Bayesian Model Averaging (BMA). Cette technique a l’avantage de prendre en compte l’incertitude des modèles comme celle des paramètres en réduisant le caractère arbitraire du choix des indicateurs avancés. A notre connaissance, seuls Babecky et al. [2013] et Feldkircher [2014] ont suivi une démarche similaire pour identifier les facteurs précurseurs des crises bancaires, sur une période et un nombre de pays réduits.

6 La performance du système d’alerte précoce est souvent appréciée à l’aune de sa capacité à prévoir de nouvelles crises bancaires. Nous tenons compte ici du caractère complexe et coûteux de tels événements en minimisant la fonction de perte qui décrit le compromis entre deux sources d’erreurs pour les autorités de surveillance. Une interprétation erronée de la situation macroéconomique peut, en effet, aboutir soit à l’absence de réaction des responsables monétaires faute de signal émis au sujet d’une crise dans un avenir proche, soit à la prise de mesures pour prévenir un dérèglement du système qui n’aura pourtant pas lieu.

7 Nous contribuons à la littérature des systèmes d’alerte avancée des crises bancaires à quatre niveaux. Premièrement, notre étude vise à identifier des indicateurs avancés des crises bancaires survenues entre 1977 et 2005 dans 48 pays. Cette perspective globale diffère de nombre de travaux antérieurs circonscrits à une période et/ou un groupe réduit d’économies. Deuxièmement, nous adoptons une approche de sélection robuste des indicateurs d’alerte par apprentissage bayésien à l’instar de Babecky et al. [2013]. Troisièmement, nous formons des prévisions dans l’échantillon en arbitrant entre fausses alarmes et crises manquées. Nous apprécions les performances de prévision hors échantillon sur la période qui englobe la crise financière de 2008. Il s’agit de savoir si le système d’alerte obtenu par BMA aurait été à même de prédire les 52 phases de crises recensées entre 2006 et 2010. Quatrièmement, la distinction des pays selon leur niveau de revenu par tête donne une idée de la portée des conclusions précédentes.

8 L’étude est développée en quatre sections. La première section présente l’échantillon. La deuxième section décrit la méthode de combinaison bayésienne des modèles de régression. La troisième section présente les propriétés du système d’alerte robuste obtenu. La dernière section conclut.

Datation et signes précurseurs des crises bancaires

9 L’étude porte sur des données annuelles de 48 pays : 20 à revenu élevé, 17 à revenu intermédiaire supérieur et 11 autres à revenu intermédiaire inférieur suivant le classement de la Banque mondiale. Leur sélection est aussi guidée par la disponibilité des données annuelles de 1977 à 2010. Nous présentons d’abord plus en détail l’événement de crise bancaire au cœur du système d’alerte, puis nous décrivons les variables susceptibles d’en prédire l’occurrence d’après les études passées.

Déclenchement et durée des crises bancaires

10 Une crise bancaire se déclare généralement quand une grande partie du capital du système bancaire est détruite d’après Caprio et al. [2005], Laeven et Valencia [2008] et Reinhart et Rogoff [2008]. Toutefois, la datation de tels épisodes repose sur des informations qualitatives et ne tient pas compte des mesures de pertes économiques. En d’autres termes, ces études reposent sur l’identification d’événements pour dater le déclenchement des crises bancaires. Von Hagen et Ho [2007] objectent que les études antérieures se réfèrent aux interventions publiques pour identifier une crise bancaire, sans pour autant préciser l’ampleur ou l’étendue de ces mesures de sauvetage. Selon eux, l’Etat peut agir sans trouble majeur du secteur bancaire ou bien quand seules quelques institutions bancaires sont en difficulté.

11 De ce point de vue, la définition de Laeven et Valencia [2013] a l’avantage de fournir une chronologie des crises bancaires en tenant compte de l’ampleur des interventions publiques. A l’exception de Romer et Romer [2015], il s’agit du recensement le plus complet et homogène en longue période pour de nombreux pays. C’est pourquoi nous privilégions la datation des crises proposée par ces deux auteurs. En outre, leur base de données inclut la crise américaine des prêts hypothécaires douteux (subprimes) de 2007-2008. L’un des enjeux de notre travail est en effet de savoir si un système de prévision fondé sur des informations macroéconomiques aurait permis de lancer un signal précoce fiable sur l’occurrence des crises bancaires après 2005.

12 L’étude de Chaudron et de Haan [2014] conforte notre choix. Elle montre que la base de données de Laeven et Valencia [2013] est la plus fiable si on la compare à celles de Caprio et al. [2005] et de Reinhart et Rogoff [2008]. Les auteurs comparent ces trois chronologies des crises entre 1976 et 2004 pour 99 pays. Les informations sur les pertes et les faillites bancaires comme sur les interventions de l’Etat aident à identifier les épisodes de crise bancaire.

13 Comme la plupart des études passées, la variable à expliquer dans le système d’alerte est l’événement de crise. Celui-ci est décrit par la variable binaire yit qui prend la valeur 1 si une crise bancaire se produit ou est en cours à la date t dans le pays i et 0 sinon. Les faits saillants sur les crises bancaires de notre échantillon sont présentés dans la figure n°1.

Figure 1

Occurrence des crises bancaires 1977-2010

Figure 1

Occurrence des crises bancaires 1977-2010

Source : auteurs.

14 On observe quatre vagues de crises bancaires. La première survient au début des années 1980 : nombreux sont alors les pays d’Amérique Latine et d’Afrique à subir des épisodes de détresse financière après l’envolée du crédit des années 1970. La deuxième vague correspond à la recrudescence des faillites bancaires au début des années 1990, notamment au sein de l’OCDE. La troisième, en fin de cette décennie, tient aux crises subies essentiellement par les économies émergentes et celles en transition. Le début des années 2000 est une période comparativement plus calme, bien que marquée par des crises retentissantes telles celles de l’Argentine en 2001 et de l’Uruguay en 2002. La quatrième vague fait suite au séisme financier survenu outre-Atlantique à compter de 2007.

15 D’après les données de Laeven et Valencia [2013], la durée moyenne d’une crise bancaire est de 5 ans pour les économies avancées, de 3 ans pour les pays émergents et 2 ans pour les économies en développement. Ceci peut être expliqué par le fait qu’un grand choc peut plonger un pays dans une crise longue et coûteuse s’il est doté d’un système financier plus mature, donc de plus grande taille, plus interconnecté et plus complexe. L’internationalisation des banques peut aussi être source d’effets de débordement transfrontière.

Les signaux potentiels de crise bancaire

16 D’après la littérature, plusieurs caractéristiques peuvent être observées afin de sélectionner les variables à inclure dans l’analyse. Les agrégats retenus ici appréhendent quatre facettes essentielles associées aux crises bancaires :

  • la solvabilité dont la croissance du crédit bancaire, la dépréciation de la monnaie nationale, le déséquilibre du compte courant, la dette extérieure,
  • la liquidité dont le ratio des crédits aux dépôts bancaires, la monnaie et la quasi-monnaie, les réserves de change (en % du PIB),
  • la conjoncture nationale dont la croissance du PIB et l’inflation,
  • les interdépendances internationales dont la libéralisation financière, l’ouverture commerciale et la part d’investissements directs étrangers dans le PIB.

17 Les données sont tirées des statistiques financières internationales et des perspectives de l’économie mondiale du FMI, des indicateurs de développement dans le monde de la Banque mondiale et des statistiques internationales d’Euromonitor. Ces indicateurs sont détaillés dans le tableau n°7 en annexe.

Sélection robuste du système d’alerte par combinaison bayésienne

18 La méthode de sélection bayésienne du modèle de régression robuste par combinaison des spécifications (ou Bayesian Model Averaging) est l’objet de nombreuses applications empiriques. Elle vise à isoler les indicateurs qui influencent une variable dépendante parmi une multitude de variables explicatives candidates. Cette procédure met en concurrence (en principe toutes) les combinaisons possibles de régresseurs afin d’aboutir à la plus robuste en termes de qualité de prévision.

Tableau 1

Revue de la littérature sur les systèmes d’alertes précoces

Tableau 1
Auteurs Eichengreen et Arteta [2002] Babecky et al [2012] Furceri et Zdziniecka [2011] Kaminsky et Reinhart [1999] Hardy et Pazarbasioglu [1999] Gourinchas et al. [2001] Demirguc-Kunt et Detragiache [1998a] Période 1975-97 1970-2010 1970-2007 1970-95 1980-97 1960-96 1980-95 Pays 75 40 70 20 38 91 53 Méthodes Probit Bayesian Model Averaging Analyse descriptive Analyse de signal Probit Analyses univariée et multivariée Logit multivarié Indicateurs avancés Crédit au secteur privé M2 / Réserves Libéralisation Crédit au secteur privé Investissement direct étranger Taux de marché monétaire Croissance du PIB Dépréciation du change Dette publique Prix des Crédits aux ménages Investissement direct étranger Libéralisation Entrées de capitaux Investissement de portefeuille court terme Ouverture commerciale Avoirs extérieurs nets Dette extérieure Libéralisation Croissance du crédit Taux de change Croissance du PIB Flux des capitaux capital Croissance du PIB Solde du compte courant Taux de change réel Position budgétaire Réserves de change terme Crédit au secteur privé M2/ Réserves

Revue de la littérature sur les systèmes d’alertes précoces

19 De ce point de vue, cette technique semble bien adaptée à la construction d’un système d’alerte des crises financières. Elle a déjà été employée pour identifier les facteurs robustes de la croissance (cf. Fernandez et al. [2001], Levine [2001] et Sala-i Martin [1997]).

20 Dans le cas des systèmes d’alerte, très peu d’études apprécient la robustesse des résultats tirés des combinaisons bayésiennes des modèles de régression. Babecky et al. [2012] retiennent cette approche pour identifier les indicateurs d’alerte de diverses crises financières à partir de 30 variables sur 40 pays développés entre 1970 et 2010. L’inflation, le crédit privé national rapporté au PIB, la croissance du PIB, les investissements directs étrangers sont les principaux indicateurs des crises bancaires. En complément, les prix des actifs immobiliers et des actions, la croissance du crédit et le crédit privé influencent la stabilité du système bancaire dans 36 pays développés sur cette même période d’après Babecky et al. [2013].

21 Dans une régression linéaire avec de nombreuses variables explicatives, ces auteurs soulignent au moins deux problèmes. Premièrement, regrouper toutes les variables potentielles dans une seule régression tend à détériorer la précision de l’estimation et à rendre incertaine la véritable spécification (ou incertitude des paramètres). Deuxièmement, l’approche traditionnelle – par des tests séquentiels pour obtenir le « meilleur » modèle – peut produire des résultats non pertinents. A chaque itération, une erreur peut être commise si des variables utiles pour la prévision sont exclues (ou incertitude du modèle).

22 La méthode de sélection bayésienne par combinaison des régressions linéaires met en compétition un grand nombre de variables. Cette approche retient tous les modèles possibles par la moyenne de leurs probabilités d’inclusion a posteriori ainsi qu’une information précise a priori des paramètres afin d’obtenir le modèle le plus efficace en termes de prévision hors échantillon (Hoeting et al. [1999]). Il est ainsi possible de mener des tests, à la différence des arbres de classification ou des forêts aléatoires (cf. Kaminsky [2006] et Manasse et Roubini [2009]). Cependant, Alessi et al. [2015] considèrent que le principal inconvénient des arbres récursifs est de ne pas fournir de prévisions robustes sur des événements de crise bancaire. Or, un des enjeux de notre étude est précisément de tester les performances hors échantillon du système d’alerte obtenu par BMA sur l’une des périodes financières les plus agitées, soit 2006-2010.

23 Dans ce but, nous estimons un panel équilibré en incluant des effets fixes pour tenir compte de l’hétérogénéité des pays. Notre modèle s’écrit de la façon suivante :

24

equation im3

25y est une variable indicatrice relative à l’occurrence d’une crise bancaire de dimension (n × 1), α un vecteur colonne conforme de constantes, β un vecteur de paramètres à estimer de dimension (k × 1), X représente le vecteur des k variables explicatives incluses de dimension (n × k) et ε est un terme d’erreur.

26 Dans l’approche bayésienne, un modèle est composé d’une fonction de vraisemblance et d’une densité a priori. Puisque la spécification du modèle dépend de l’inclusion ou de l’exclusion de chaque variable explicative, 2 k combinaisons sont possibles. De ce fait, une recherche exhaustive est une tâche d’autant plus ardue qu’un nombre élevé de variables est pris en compte au départ. Pour surmonter cette difficulté, nous employons la méthode de Monte Carlo par chaîne de Markov. Les coefficients dans chaque modèle sont ensuite pondérés par les probabilités des modèles a posteriori :

27

equation im4

28 avec P (Mk | Y, X) la probabilité a posteriori du modèle, proportionnelle à k la vraisemblance marginale P(Y | Mk , X) et la probabilité a priori P(Mk ).

29 La robustesse d’une variable explicative est évaluée par sa probabilité d’inclusion a posteriori (alias PIP). Cette dernière est définie comme la probabilité conditionnelle qu’une variable appartienne à un modèle sachant l’échantillon utilisé. La pondération a posteriori de tous les modèles qui contiennent la kème variable explicative est donnée par :

30

equation im5

31 Un indicateur avancé des crises bancaires est donc d’autant plus robuste que sa probabilité d’inclusion a posteriori est élevée.

32 Nous effectuons quatre millions d’itérations afin d’obtenir des paramètres plus précis avec des chaînes de Markov suffisamment longues. Nous excluons le premier million de simulations pour éviter de perturber la loi a priori (O’Hagan [1995]). Cette dernière est choisie en suivant Feldkircher et Zeugner [2009] qui préconisent une loi hypergéométrique pour des résultats plus robustes.

33 La technique de la moyenne bayésienne ne tient pas compte de l’hétérogénéité et de la corrélation entre les variables explicatives. En d’autres termes, cette approche détermine la probabilité d’inclusion a posteriori des variables prises individuellement. De ce fait, elle ne considère pas directement le pouvoir explicatif des variables prises conjointement. Ce biais peut effectivement fausser les valeurs des probabilités d’inclusion a posteriori.

34 Pour résoudre ce problème, Doppelhofer et Weeks [2009] proposent une mesure de la probabilité d’inclusion jointe. Cette mesure capte, d’un côté, les effets distincts mais susceptibles d’être complémentaires, et d’un autre côté, des effets similaires pour un même phénomène. Néanmoins, l’estimation du modèle d’alerte avec ces probabilités jointes laisse nos résultats inchangés. Cela peut s’expliquer par l’exclusion des variables trop fortement corrélées avant d’effectuer l’analyse BMA pour éviter tout risque de colinéarité.

35 Le choix d’un modèle linéaire est cependant discutable quand l’endogène est une variable binaire (Friedman [2012] versus Horace et Oxaca [2006]). Mais, d’après Babecky et al. [2012], un modèle souvent plus adapté à ce contexte de type probit ou logit, n’est pas non plus sans poser problème quand la distribution de probabilité supposée n’est pas pertinente. D’ailleurs, selon Friedman [2012] les probabilités prédites à partir de l’un ou l’autre sont souvent très proches. Un moyen de s’assurer de la cohérence des résultats est de comparer les facteurs de signal sélectionnés selon que le modèle est linéaire ou de type logit. Dans notre cas, ces différences sont marginales, ce qui vient conforter le choix du modèle linéaire (résultats disponibles dans le tableau n°8 en annexe).

Résultats

36 Nous identifions les déterminants des crises bancaires dans 48 pays entre 1977 et 2005. Dans cette section, nous présentons les résultats du modèle de la moyenne bayésienne à partir de 30 variables macroéconomiques et financières observées annuellement. Nous devons exclure les variables aux observations manquantes trop nombreuses. En outre, la technique BMA suppose l’absence de colinéarité des variables explicatives. Pour ces raisons, seuls 24 indicateurs sont retenus et décrits dans le tableau n°7 de l’annexe.

37 Par définition, l’envoi d’un signal doit laisser le temps aux décideurs de politiques économiques d’agir pour prévenir une crise bancaire ou en limiter les conséquences sur l’économie. Dans cette optique, nous testons plusieurs combinaisons de variables explicatives avec des retards jusqu’à trois ans. Nous choisissons le modèle dont la corrélation entre la probabilité a posteriori du modèle (PMP) et celle déduite de la méthode Monte Carlo par chaîne de Markov est la plus forte. Ici, cette corrélation vaut 0,9968, témoignant d’une convergence satisfaisante des itérations.

38 Par ailleurs, Raftery [1995] et Jeffreys [1998] conseillent de garder les variables dont la probabilité d’inclusion a posteriori est supérieure à 0,5. Une probabilité d’inclusion a posteriori entre 50 et 75 % signifie que la variable émet un signal faible. Son influence est positive si la probabilité est comprise entre 75 et 95 %. Le signal devient fort si la probabilité est située entre 95 et 99 %. Enfin, une variable joue un rôle décisif si sa probabilité dépasse 99 %. Parmi les 24 variables candidates, seules 13 sont finalement conservées.

39 Les résultats sont présentés dans le tableau n°2. La colonne PIP fournit la probabilité d’inclusion a posteriori pour chaque variable. Nous reportons également la moyenne a posteriori, soit la valeur moyenne du coefficient d’une variable pour les modèles considérés. La colonne suivante indique l’écart-type a posteriori, soit l’écart-type moyen du coefficient d’une variable dans les modèles estimés.

Tableau 2

Indicateurs avancés robustes des crises bancaires (48 pays, 1977-2005)

Tableau 2
Décision Variables Retard PIP Moyenne a posteriori Ecart-type a posterori Décisive Croissance du PIB 1 1,00 -1,8E-02 4,3E-03 Croissance du crédit (% PIB) 0 1,00 2,5E-03 6,6E-04 0 1,00 -4,4E-02 1,2E-02 Dette extérieure brute totale (% PIB) 0 0,99 1,8E-03 6,0E-04 Forte !"# 3 0,98 8,9E-05 3,2E-05 (% PIB) 0 0,96 -5,9E-03 2,4E-03 Positive %&_(# 1 0,92 1,7E-03 7,9E-04 Solde du compte courant (% PIB) 3 0,80 -6,5E-03 4,6E-03 du gouvernement (% croissance annuelle) 2 0,76 4,3E-03 3,2E-03 Dépréciation du taux de change 3 0,75 6,5E-04 5,2E-04 Faible M2 / Réserves totales 2 0,65 2,4E-03 2,3E-03 Avoir étranger nets/ Actifs bancaires 2 0,63 -1,4E-02 1,4E-02 Ouverture commerciale 3 0,59 -5,1E-04 5,6E-04

Indicateurs avancés robustes des crises bancaires (48 pays, 1977-2005)

40 Tel que mesuré par Chinn et Ito [2008], le processus de libéralisation financière réduit la probabilité des crises bancaires. Dans le tableau n°2, plus le pays est ouvert aux transactions financières internationales, plus la probabilité d’une crise bancaire est faible. Ce résultat est cohérent avec Rancière et al. [2008] et Levine [2001]. En effet, la levée des contrôles de capitaux favorise la croissance en augmentant la liquidité du marché boursier et en promouvant l’efficacité du système bancaire national. Shehzad et De Haan [2009] montrent que la libéralisation financière contribue au développement du secteur financier, lequel dope la croissance économique.

41 La croissance du PIB retardée d’une année apparaît également décisive dans l’explication des crises bancaires. D’après le tableau n°2, une faible croissance de PIB est clairement associée à une probabilité élevée d’une crise bancaire. Kaminsky et Reinhart [1999] constataient déjà, sur données mensuelles, qu’une baisse de la croissance du PIB était propice à une crise bancaire huit mois plus tard, ce que Hardy et Pazarbasioglu [1999] ont confirmé sur base annuelle. Nos résultats sont aussi cohérents avec ceux de Lainà et al. [2015] selon lesquels l’indicateur d’activité aide à prévoir 77 % des crises bancaires survenues dans onze pays européens de 1980 à 2015. Ces auteurs montrent que la croissance du PIB peut adresser un signal de crise plus précoce (deux ans avant), même si réduire son décalage à un an lance des signaux comparables. En revanche, pour Rose et Spiegel [2011], l’accélération de la croissance économique est le principal signe précurseur de la fragilité du secteur bancaire.

42 Deux interprétations peuvent être données à l’influence de l’activité sur le risque bancaire. D’un côté, en cas de récession, la demande des crédits baisse à son tour, ce qui altère la rentabilité des banques et donc rend une crise bancaire plus probable. D’un autre côté, cette relation négative peut être expliquée par le fait que la croissance du PIB peut réduire les prêts non performants et donc le risque de crédit. En effet, une accélération du PIB signifie davantage de revenus et une plus grande capacité des emprunteurs à rembourser leurs crédits. Mais les avis restent partagés : Lainà et al. [2015] font valoir, au contraire, que la croissance rapide de PIB peut signaler l’accumulation de déséquilibres financiers.

43 D’après le tableau n°2, la progression du crédit est également un signal influent d’une crise bancaire. Ce fut d’ailleurs un trait distinctif des dernières crises bancaires. De l’avis de Reinhart et Rogoff [2011] et Demirgüç-Kunt et Detragiache [1998b], les crises bancaires sont le fruit d’une croissance excessive du crédit domestique réel qui rend les banques fragiles en raison d’un effet de levier par la dette. La croissance débridée du crédit peut détériorer la qualité des actifs au point de compromettre la stabilité du système bancaire. En outre, la progression des crédits bancaires réduit la liquidité, ce qui rend le système plus vulnérable à une crise. Ceci explique que les pays marqués par une forte croissance du crédit ont davantage souffert que les autres selon Frankel et Saravelos [2012]. L’envolée du crédit peut aussi exacerber la volatilité des prix des actifs. Quand une bulle immobilière éclate, la crise bancaire n’en est que plus sévère. Davis et Karim [2008b] trouvent, par un modèle logit multinomial, que la croissance du crédit domestique réel est le principal indicateur des crises bancaires. D’après leurs calculs, les pays affichant une croissance annuelle du crédit de plus de 4 % sont deux fois plus vulnérables aux crises bancaires que les autres.

44 Demirgüç-Kunt et Detragiache [1998a] considèrent le taux de croissance du crédit retardé de deux ans. Ils soulignent l’impact négatif d’une dynamique pro-cyclique du crédit sur la stabilité du système bancaire. Dans notre étude, cependant, une déconnexion entre les dynamiques du crédit et de l’activité réelle a une influence instantanée sur la probabilité d’une crise bancaire, ce qui suppose une réactivité forte des autorités prudentielles.

45 Le modèle obtenu par BMA révèle aussi l’influence prépondérante du rapport de la dette publique au PIB sur l’occurrence des crises bancaires. Ceci est cohérent avec le constat de Reinhart et Rogoff [2008], selon lesquels la dette de l’Etat augmente en moyenne de 86 % trois ans après une crise financière. Les entrées de capitaux et les bulles des prix d’actifs participent au gonflement de la dette publique. Les deux auteurs précités soulignent que le nombre élevé des crises bancaires à travers l’histoire est associé à la survenance répétée des défauts souverains sur la dette extérieure. L’effet de l’accumulation de la dette publique sur les crises bancaires transite par deux canaux. Premièrement, des coûts des plans de sauvetage élevés augmentent le risque de crédit des bilans bancaires. Dans ce cas, l’Etat garantit les dépôts afin de prévenir une panique bancaire (l’Irlande en 2009). Deuxièmement, les gouvernements peuvent décider de plans de relance pour soutenir la demande interne, ce qui creuse le déficit budgétaire alors que jouent les stabilisateurs automatiques (Babecky et al. [2012]).

46 Le taux d’intérêt sur les dépôts a une influence forte dans l’annonce des crises bancaires d’après le tableau n°2. A partir d’un modèle logit, Kraft et Galac [2007] aboutissent à la même conclusion pour la Croatie. En outre, notre résultat est cohérent avec celui de Manasse et al. [2013]. Ces auteurs font valoir qu’un taux d’intérêt sur les dépôts élevé témoigne de la perte de confiance des épargnants envers le système bancaire. La crainte d’une ruée aux guichets et/ou des problèmes de liquidité oblige les banques à augmenter leur taux de dépôts. En effet, selon eux, si cet indicateur dépasse 16,2 %, la probabilité d’une crise au bout d’un an s’élève à 10,1 %. Néanmoins, le taux d’intérêt sur le dépôt peut émettre un signal trois ans avant la crise dans notre système d’alerte décrit par le tableau n°2, soit deux ans de plus que le délai trouvé par Manasse [2013].

47 Pour sa part, le crédit à l’Etat et aux entreprises du secteur public est fortement et négativement lié à la probabilité d’occurrence des crises bancaires. Selon Diamond et Dybvig [1983], les banques ont intérêt à diversifier leurs portefeuilles pour que leur rentabilité ne soit pas trop exposée aux risques de défauts individuels des emprunteurs. Une manière de réduire le risque est de financer le secteur public, d’autant plus qu’il présente souvent la meilleure qualité de signature. Sous cet angle, la rentabilité comme la solvabilité des banques s’en trouvent renforcées.

48 La dégradation du solde du compte courant rapporté au PIB contribue de façon positive à l’occurrence d’une crise bancaire. Le signal est adressé trois ans à l’avance. Nos résultats sont cohérents avec ceux trouvés par Shehzad et de Haan [2013], selon lesquels un déséquilibre du compte courant est l’indicateur le plus robuste de l’impact des crises bancaires. Berkmen et al. [2012] ajoutent qu’un pays tend à subir une crise plus sévère si le déficit de son compte courant se creuse dans les années qui la précèdent. Un recours accru au financement extérieur le rend de ce fait plus fragile face aux chocs extérieurs. De plus, l’instabilité financière peut se propager d’un pays à l’autre par la détérioration des bilans bancaires. En effet, un choc sur le bilan d’une institution financière peut l’obliger à liquider ses actifs étrangers ou à exiger des institutions étrangères un remboursement anticipé des prêts qu’elle leur a consentis. De ce fait, l’instabilité financière gagne les pays dans lesquels les banques détiennent une grande partie de leurs actifs et donc les emprunteurs peuvent se trouver face à un accès restreint au crédit rendant leur situation fragile. Pourtant, l’influence du solde courant ne fait pas consensus : d’après l’étude de Lainà et al. [2015], le déficit des transactions courantes n’est pas un indicateur potentiel des crises bancaires.

49 A la lecture du tableau n°2, la croissance des dépenses de consommation finale de l’Etat est positivement liée aux crises bancaires. Si la dépense publique entraîne une dégradation de la situation budgétaire, la perception d’un risque accru sur la dette publique détériore le portefeuille d’actifs des banques.

50 En outre, la dépréciation de la monnaie nationale s’avère être un indicateur avancé important des crises bancaires avec un délai de trois ans. Cette dépréciation affecte directement les banques à travers la structure des actifs et passifs libellés en devises et, indirectement, via la demande de prêts. Nos résultats sont aussi cohérents avec ceux trouvés par Hardy et Pazarbasioglu [1999]. Ces auteurs relèvent qu’une dépréciation de la monnaie peut miner la compétitivité d’un pays et compromettre la rentabilité des entreprises endettées en devises. Cela conduit à la détérioration de la qualité des actifs de leurs créanciers que sont les banques.

51 Un autre résultat intéressant est que la part des actifs des banques de dépôt dans le PIB est fortement liée à l’occurrence de crises bancaires avec un décalage d’un an. D’après le tableau n°2, un niveau plus élevé des actifs bancaires augmente la probabilité de crise. Quand les banques de dépôts développent leurs portefeuilles, elles peuvent être plus exposées aux risques d’illiquidité et de change selon Demirgüç-Kunt et Detragiache [1998b]. La taille des bilans bancaires est aussi source de risque. Demirgüc-Kunt et Huizinga [2013] soulignent l’influence de l’aléa moral, surtout quand les banques commerciales parient sur le sauvetage inconditionnel de l’Etat.

52 Le ratio de l’agrégat monétaire M2 aux réserves totales est positivement lié aux crises bancaires. Cet indicateur reflète habituellement la capacité des banques à répondre aux demandes de retrait des déposants, massives et subites. Il peut en être ainsi en cas d’une crise de change afin de convertir leurs dépôts en monnaie nationale en devise. Selon Calvo et Mendoza [1996], ce ratio est l’un des signes précurseurs d’un coup d’arrêt aux entrées de capitaux qui met à mal l’équilibre des paiements extérieurs en changes fixes. Cependant, cet indicateur est faiblement lié à l’occurrence des crises bancaires tout comme le taux d’ouverture commerciale ainsi que les avoirs extérieurs nets rapportés au total des actifs bancaires.

Analyse de signal

53 Nous effectuons deux types de prévision : le premier dans l’échantillon initial de 1977 à 2005 et le second hors échantillon de 2006 à 2010. Pour chaque pays, nous utilisons le système d’alerte le plus robuste, à savoir celui qui comprend les indicateurs avancés dont les probabilités a posteriori sont les plus élevées. Les paramètres estimés permettent d’établir la prévision au sujet de l’occurrence d’une crise bancaire. En d’autres termes, la méthode de moyenne bayésienne (BMA) donne lieu à des densités prédictives fondées sur le meilleur modèle qui comprend seulement les variables avec une probabilité d’inclusion supérieure au seuil de 50 %. Nous déduisons de ces densités prédictives des quantiles pour des intervalles de prévision qui varient de 1 à 99 % en fonction du seuil λ. Conformément à Sarlin et Peltonen [2013], pour chaque intervalle de confiance ainsi construit, nous transformons les densités prédictives dj ∈ [0,1] en variables binaires Ij valant soit 0 en l’absence de détection d’une crise bancaire si la probabilité estimée pj dépasse le seuil λ, soit 1 sinon (le modèle lance alors une alerte quant à l’occurrence d’une crise bancaire). Autrement dit, les probabilités de prévision obtenues sont transformées en « alarmes » au-dessus desquelles nous pouvons qualifier l’événement prévu de crise pour un seuil de confiance fixé.

54 Les différentes combinaisons entre les prévisions et les réalisations des crises ainsi obtenues pour chaque pays et pour chaque année sont résumées dans le tableau n°3.

Tableau 3

Tableau de contingence des signaux d’alerte

Tableau 3
Observations Crises Non crises Prévisions Signal VP Vrai positif FP Faux positif Non signal FN Faux négatif VN Vrai négatif

Tableau de contingence des signaux d’alerte

55 L’analyse du signal permet d’apprécier la qualité prédictive du système d’alerte. Il s’agit de trouver le meilleur compromis entre les fausses alarmes et les crises manquées. En effet, le modèle peut indiquer un risque de crise insignifiant, alors qu’il est éminemment élevé : cette erreur correspond au fait de manquer une crise bancaire. Sur le plan statistique, elle représente l’erreur de première espèce, calculée comme suit : T 1 = P (dj < λ crise) = FN/(FN + VP). Le modèle de prévision peut aussi indiquer une crise bancaire imminente bien qu’il n’en soit pas ainsi. Il lance alors une fausse alarme qui mesure l’erreur de seconde espèce, définie par : T 2 = P (dj > λ/non crise) = FP/(FP + VN).

56 Selon Manasse et al. [2013], l’évaluation de la capacité prédictive d’un modèle est sensible au choix du seuil de probabilité λ. En effet, si le décideur politique dépasse la valeur seuil de probabilité, il en résulte des variations importantes des erreurs de type I et des erreurs type II. En d’autres termes, une diminution du seuil λ conduit le modèle à lancer davantage de signaux de crise bancaire. Cela tend à accroître la proportion d’épisodes des crises bancaires correctement prédits, avec pour contrepartie une proportion accrue de fausses alarmes. Une augmentation du seuil λ produit des effets radicalement opposés sur les erreurs de type I et de type II.

57 De ce fait, l’autorité de surveillance doit arbitrer entre ces deux sources d’erreur de prévision pour rendre la perte globale minimale. Les travaux empiriques sur les systèmes d’alerte précoce des crises financières retiennent deux approches pour calculer la performance de prévision (cf. Candelon et al. [2012] pour un panorama des mesures de qualité de prévision à partir de systèmes d’alerte). Les uns mesurent le pouvoir de prédiction à l’aide du ratio signal/bruit, c’est-à-dire le rapport des erreurs de types II à celles de type I (cf. Kaminsky et Reinhart [1999]). Les autres considèrent une fonction de perte supposée refléter les coûts sociaux induits tant par le déclenchement imprévu d’une crise bancaire que par des mesures préventives intempestives. Dans cette logique, Bandiera et al. [2010] définissent une fonction de perte comme la somme de fausses alarmes rapportées au total des périodes de crises observées et des crises manquées au prorata des périodes calmes.

58 Cependant, Sarlin et Peltonen [2013] font valoir la nécessité de pondérer le taux d’erreur de type I (respectivement de type II) par la probabilité marginale d’occurrence d’une crise P1 (respectivement d’une période tranquille P2 ). D’après le tableau 1 n°3, ces probabilités non conditionnelles valent 2 respectivement : P 1 = (VP + FN)/(VP + FP + FN + VN) et P 2 = 1 – P 1. Cet ajustement vise à corriger le déséquilibre entre ces classes d’événement sachant qu’une crise bancaire est rare. Dans notre étude, le seuil λ optimal est fondé sur la fonction de perte ajustée de Sarlin et Peltonen [2013], soit :

59

equation im8

60 Le paramètre μ varie entre 0 et 1. Il mesure l’importance des erreurs de type I par rapport à celles de type II. Alessi et Detken [2012] utilisent cette fonction de perte pour dériver une mesure d’utilité absolue associée au modèle de prévision, donnée par :

61

equation im9

62 L’autorité de surveillance peut faire face à une situation pour laquelle elle subit une perte égale au minimum des deux sources d’erreurs (fausses alertes ou crises manquées). Une attitude totalement myope ou passive peut l’amener à émettre systématiquement une alerte (T 1 = 1) ou, au contraire, à s’en abstenir en toutes circonstances (T 2 = 1). Dans ces conditions, le modèle de prévision n’est pertinent que si son utilité absolue est positive. Pour qu’il en soit ainsi, la perte associée à la règle de décision fondée sur l’état des fondamentaux macroéconomiques doit être inférieure à celle qui résulterait d’un comportement totalement passif et agnostique (Hansen et al. [2014]). Cependant, ce type d’utilité ne reflète pas le gain du décideur public quand il adopte le modèle le plus performant. Sarlin et Peltonen [2013] conseillent de retenir l’utilité relative définie par :

63

equation im10

64 D’après l’expression (6), l’utilité relative du système d’alerte avancé de crise bancaire est minimale quand Ur est nul, maximale si Ur vaut 1. En calculant cette utilité, nous pouvons classer le niveau de performance des modèles en concurrence et en déduire le gain du décideur en termes d’utilité relative.

65 Les deux tableaux suivants représentent respectivement les performances des prévisions dans l’échantillon et hors échantillon.

Tableau 4

Performance dans l’échantillon 1977-2005

Tableau 4
Préférences λ VP FP FN VN T1(%) T2(%) Pertinence (%) Ua(μ) (%) Ur(μ) (%) μ = 0,0 0,99 1 5 159 1227 99,4 0,4 88,2 0,00 NA μ = 0,1 0,99 1 5 159 1227 99,4 0,4 88,2 0,00 0,00 μ = 0,2 0,99 1 5 159 1227 99,4 0,4 88,2 0,00 0,00 μ = 0,3 0,99 1 5 159 1227 99,4 0,4 88,2 0,00 0,00 μ = 0,4 0,99 1 5 159 1227 99,4 0,4 88,2 0,00 0,00 μ = 0,5 0,94 23 21 137 1211 85,6 1,7 88,6 0,07 1,2 μ = 0,6 0,69 96 118 64 1114 40,0 9,5 86,9 0,07 10,8 μ = 0,7 0,62 112 150 48 1082 30,0 12,2 85,8 2,4 29,8 μ = 0,8 0,60 115 161 45 1071 28,1 13,1 85,2 4,3 46,7 μ = 0,9 0,59 116 166 44 1066 27,5 13,5 84,9 4,8 54,4 μ = 1,0 0,01 137 995 23 437 14,4 64,5 41,2 0,00 NA

Performance dans l’échantillon 1977-2005

Note : la pertinence est égale à : (VP + VN)/(VP + FP + FN + VN).
Tableau 5

Performance hors échantillon 2006-2010

Tableau 5
Préférences λ VP FP FN VN T1(%) T2(%) Pertinence (%) Ua(μ) (%) Ur(μ) (%) μ = 0,0 0,99 1 0 51 188 98,1 0 87,8 0,00 NA μ = 0,1 0,99 1 0 51 188 98,1 0 87,8 0,04 1,9 μ = 0,2 0,99 1 0 51 188 98,1 0 87,8 0,08 1,9 μ = 0,3 0,92 11 3 41 185 78,8 1,6 81,7 0,5 7,7 μ = 0,4 0,92 11 3 41 185 78,8 1,6 81,7 1,1 12,5 μ = 0,5 0,62 45 29 7 159 13,5 15,4 85,0 3,3 30.8 μ = 0,6 0,56 49 34 3 154 5,8 18,1 84,6 6,6 50,6 μ = 0,7 0,56 49 34 3 154 5,8 18,1 84,6 10,0 66,2 μ = 0,8 0,56 49 34 3 154 5,8 18,1 84,6 11,8 75,5 μ = 0,9 0,41 51 51 1 137 1,9 27,1 78,3 5,3 68,1 μ = 1,0 0,01 52 157 0 31 0,00 83,51 34,6 0,00 NA

Performance hors échantillon 2006-2010

66 Les données utilisées pour la prévision dans l’échantillon comptent 1 232 périodes tranquilles et 160 périodes de crise. Celles utilisées pour la prévision hors échantillon comportent 188 périodes tranquilles et 52 événements de crise bancaire.

67 Les tableaux 3 et 4 supra montrent que le seuil de confiance optimal λ diminue à mesure que le poids μ augmente dans la fonction de perte. Il en résulte davantage de signaux de crises. Dans le détail, le tableau n°4 révèle que l’utilité relative enregistre des valeurs supérieures à 10 % seulement pour μ entre 0,6 et 0,9. La prévision dans l’échantillon est la plus performante quand μ est égal à 0,9 et λ à 0,59 : le gain en termes d’utilité relative par rapport aux signaux résultant d’une attitude aveugle – car déconnectée des fondamentaux macroéconomiques – atteint quasiment 55 %. D’après le tableau n°5, la prévision hors échantillon sur 2006-2010 s’avère encore meilleure en termes d’utilité relative que celle trouvée sur 1977-2005 : elle progresse en effet de 13 points à calibrage et indicateurs avancés inchangés. Cependant, l’utilité relative la plus élevée est enregistrée pour des paramètres μ et λ légèrement inférieurs, respectivement 0,8 et 0,56. Nos résultats montrent que la recherche d’un système d’alerte robuste par la méthode de la moyenne bayésienne permet d’obtenir des prévisions fiables, même en l’absence de mise à jour des signaux avant-coureurs des crises bancaires. Seuls un à trois épisodes auraient été manqués sur les 52 recensés depuis 2006 !

Robustesse des résultats

La qualité des signaux

68 Le tableau n°6 montre les crises prédites correctement ainsi que les épisodes manqués à partir de notre système d’alerte précoce. La prévision dans l’échantillon est basée sur la valeur de λ déduite du tableau n°4, soit 0,59. Pour réaliser une prévision hors échantillon, nous analysons la robustesse du modèle pour deux valeurs distinctes de λ : celle précédente associée à la meilleure performance dans l’échantillon et une autre proche (égale à 0,56) en considérant les seules pertes associées aux erreurs commises hors échantillon. Les différences de résultats ne sont guère perceptibles en changeant de valeurs pour λ : le système d’alerte parvient à prédire toutes les crises survenues après 2006. Retenir un seuil de confiance plutôt que l’autre n’a d’incidence notable que sur la crise bancaire russe. D’après le tableau n°4, cette dernière n’est pas annoncée si l’on retient la meilleure spécification dans l’échantillon tandis qu’elle le devient en révisant le calibrage des indicateurs de performance de prévision.

Tableau 6

Résultats du système d’alerte précoce

Tableau 6
Algérie 1990-94, Allemagne 2008-10, Argentine 1989-91, Autriche 2008-10, Belgique 2008-10, Brésil 1990-94, Brésil 1994-98, Colombie 1982, Côte d’Ivoire 1988-92, Danemark 2008-10, Equateur 1982-86, Equateur 1998-2002, Espagne 1977-81, Espagne 2008-10, États- Unis 2007-10, Finlande 1991-95, France 2008-10, Grèce 2008-10, Hongrie 1991-98, Hongrie 2008-10, Irlande 2008-10, Italie 2008-10, Japon 1997-2001, Maroc 1980-84, Nigeria 1991-95, Norvège 1991- 93, Panama 1988-89, Paraguay 1995, Pays-Bas 2008-10, Pérou 1983, Philippines 1983-86, Salvador 1989-90, Suède 1991-95, Suède 2008-10, Suisse 2008-10, Thaïlande 1983, Thaïlande 1997- 2000, Tunisie 1991, Royaume-Uni 2007-10, Uruguay 2002-05. 2000, Tunisie 1991, Royaume-Uni 2007-10, Uruguay 2002-05.
Tableau 6
Crises signalées prématurément (année t-1) Costa Rica 1987-91, Inde 1993, Turquie 1982-84. Crises signalées tardivement (année t+1 ou t+2) Argentine 1980-82, Colombie 1998-2000, Corée du Sud 1997- 98, Costa Rica 1994-95, Indonésie 1997-2001, Malaisie 1997- 99, Mexique 1981-85, Mexique 1994-96, Philippines 1997-2001, Pologne 1992-94, Sri Lanka 1989-91, Turquie 2000-01, Uruguay 1981-85, Venezuela 1994-98. Crises manquées Argentine 1995, Bolivie 1986, Bolivie 1994, Rép. Dominicaine 2003- 04, Egypte 1980, Etats-Unis 1988, Nigeria 2009-10, Russie 1998, Russie 2008-10.

Résultats du système d’alerte précoce

69 Le tableau n°6 présente les crises manquées par le modèle d’alerte, les crises signalées à leur début (à la date t) ainsi que les crises certes prédites mais avec un retard d’une à deux années (en t+1 et en t+2 respectivement). Le système de prévision rate notamment la crise bancaire argentine en 1995. Cette défaillance peut tenir à l’absence de l’un des principaux indicateurs de cette crise dans notre modèle, relatif aux prêts non performants. En effet, le régime de caisse d’émission monétaire instauré en 1991 et ancré sur le dollar américain joint à la libéralisation totale du compte financier ont suscité une augmentation rapide des crédits au secteur privé dont une part croissante à des emprunteurs de qualité de signature médiocre. La multiplication des défauts sur les prêts a fragilisé le secteur bancaire argentin, privé de fonds propres suffisants. De ce fait, la relation entre les crédits et les dépôts bancaires s’est détériorée au début de 1995 plongeant le pays dans une crise de liquidité accentuée par les retraits des déposants (Catão et Terrones [2000]).

70 Le système d’alerte n’aurait pas davantage été en mesure d’annoncer les crises bancaires subies par la Bolivie en 1986, puis en 1994. Comme en Argentine, ces deux épisodes résultent d’une perte de confiance faisant suite à un mouvement d’euphorie économique et financière. En 1987, les prêts douteux atteignent 29,8 % du total des crédits. Huit ans plus tard, quatre grandes banques nationales concentrant 30 % des actifs du système bancaire bolivien manquent de liquidité suite à l’accumulation des créances douteuses. Il en va de même pour la crise bancaire de l’Egypte en 1980, également manquée par notre modèle. Laeven et Valencia [2008] précisent que quatre des quinze banques nationales, détenant 30 % des actifs du système égyptien, sont en proie à des problèmes de liquidité suite à l’accumulation des prêts non performants. Selon ces auteurs, la deuxième plus grande banque de la République Dominicaine, Baninter, déclare sa faillite au début des années 1980 car ses actifs ne couvrent plus ses passifs (qui représentent alors 15 % du PIB du pays). Notre modèle ne signale pas cette crise, faute vraisemblablement d’inclure le ratio des passifs aux actifs bancaires parmi les indicateurs avancés.

71 En conclusion, le système d’alerte peut manquer de signaler des crises bancaires en raison d’un déficit d’information sur des indicateurs essentiels de déséquilibres financiers. Compléter ces données pourrait améliorer ce dispositif de surveillance.

72 A la différence des travaux antérieurs, la méthode employée permet d’identifier quatorze crises bancaires prédites avec retard. La variable dépendante du modèle renseigne non seulement le démarrage mais aussi la durée de chaque crise bancaire conformément à la chronologie établie par Laeven et Valencia [2013]. De ce point de vue, les indicateurs avancés sélectionnés sont ceux capables de signaler les prémisses d’une crise bancaire et/ou les turbulences jusqu’au retour au calme. Néanmoins, la performance de prévision englobe le déclenchement et la durée des crises, sans les distinguer vraiment. L’intérêt de cette approche est de fournir aux autorités monétaires des signaux précoces sur l’occurrence et la sévérité d’une crise bancaire. Cette démarche rejoint celle de Lindgren et al. [1996] qui distinguent les « crises bancaires » des « difficultés financières significatives ».

L’hétérogénéité des pays

73 L’échantillon est subdivisé en trois groupes de pays en fonction de leur niveau de revenu brut annuel moyen par habitant. Ce classement de la Banque mondiale distingue : les pays à revenu élevé, ceux à revenu intermédiaire supérieur et enfin ceux à revenu intermédiaire inférieur. Ensuite, nous reprenons les estimations par moyenne bayésienne pour chacun d’eux.

74 D’après ces nouvelles estimations, les dix indicateurs avancés qui ont une PIP supérieure à 0,5 dans notre modèle initial conservent leur importance dans la prévision des crises bancaires pour les pays à revenu intermédiaire supérieur. La croissance du rapport du crédit au PIB, celle des dépenses de consommation finale du gouvernement, le ratio M2 sur les réserves totales, la croissance du PIB, le taux d’intérêt moyen sur les dépôts, la croissance du PIB ainsi que la dette extérieure brute totale en pourcentage du PIB sont fortement liés à l’occurrence d’une crise bancaire. Cela atteste de la stabilité de notre modèle pour ce sous-groupe de pays.

75 Par rapport au modèle initial, la probabilité d’inclusion de la libéralisation financière baisse à 0,75. Cela rejoint la conclusion de Demirgüc-Kunt et Detragiache [1998a], pour qui la libéralisation financière a moins d’impact dans un cadre institutionnel fort.

76 Pour le groupe de pays à revenu élevé, neuf variables ont une probabilité d’inclusion supérieure à 0,5. Parmi elles, les crédits à l’Etat et aux entreprises publiques en pourcentage du PIB, le ratio M2 sur réserves totales, les actifs des banques de dépôts ainsi que la libéralisation financière sont les plus significatifs. S’y ajoute le taux de chômage dont la probabilité vaut 0,99, alors qu’elle était exclue du modèle initial. La croissance du crédit trois ans à l’avance reste significative, ce qui est cohérent avec Babecky et al. [2012]. Selon eux, la progression du crédit est l’indicateur avancé des crises bancaires le plus robuste pour les 36 pays développés de leur échantillon.

77 Pour le dernier groupe, seuls les actifs des banques de dépôts, les crédits au secteur public et la croissance de crédit (chacun rapporté au PIB) apparaissent robustes. Il reste que la croissance du crédit joue un rôle déterminant dans les trois groupes. Ceci est conforme aux résultats des travaux antérieurs comme Frankel et Saravelos [2012].

78 La figure n°2 présente les boîtes à moustaches pour les signaux d’alerte robustes des crises bancaires dans le modèle général et pour chacun des trois groupes de pays. Dans chaque cas, la boîte à moustaches précise la médiane (ligne horizontale en gras), les premier et troisième quartiles et les valeurs extrêmes. Nous distinguons les crises bancaires des périodes calmes.

Figure 2

Distribution des indicateurs avancés de crises bancaires (1977-2005)

Figure 2

Distribution des indicateurs avancés de crises bancaires (1977-2005)

79 Ces graphiques révèlent des différences notables entre les groupes de pays. Les variables de dette extérieure brute, de crédits au secteur public et d’actifs des banques de dépôts (en pourcentage du PIB) et la libéralisation financière semblent discriminer plus nettement les pays et les états de crise bancaire ou de tranquillité. En particulier, la dette extérieure brute totale rapportée au PIB présente des valeurs plus élevées en temps de crise dans les pays à revenu intermédiaire inférieur par rapport aux autres. L’indicateur de libéralisation financière affiche des valeurs plus grandes pour les pays à revenu élevé par rapport à ceux des deux autres groupes. Ces spécificités peuvent expliquer les contreperformances du modèle général conformément à la conclusion tirée par Davis et Karim [2008a]. Néanmoins, trois signaux d’alarme des crises bancaires sont communs à l’ensemble des économies étudiées : la croissance du crédit, la croissance du PIB et le degré de libéralisation financière.

80 Cette étude empirique a cherché à mettre sur pied un système d’alerte robuste des crises bancaires pour 48 pays entre 1977 et 2010. En reprenant la chronologie des crises de Laeven et Valencia [2013], nous avons d’abord isolé les signes précurseurs macroéconomiques robustes avant de nous interroger sur la capacité d’un tel système à lancer un signal précoce fiable sur l’occurrence des crises bancaires après 2005. Ainsi, le modèle d’alerte permet de prévoir les phases de crise bancaire. Cela donne une indication supplémentaire quant à la sévérité des crises bancaires. Dans ce but, nous avons employé la méthode de la moyenne bayésienne car elle présente l’avantage de gérer les biais induits par l’incertitude des modèles et par celle des paramètres.

81 Nos résultats montrent que 13 variables parmi les 24 considérées ont un pouvoir prédictif significatif pour les crises bancaires étudiées. Quatre d’entre elles sont décisives : la croissance du PIB, la libéralisation financière, la dynamique du rapport du crédit au PIB et le ratio de dette extérieure brute totale au PIB. En outre, le taux d’intérêt sur les dépôts et la part du crédit au secteur public dans le PIB aident à prévoir les crises bancaires. Ces résultats sont en accord avec la littérature : les variables de crédit et d’activité économique nationale y jouent un rôle central. Néanmoins, l’influence des financements bancaires au secteur public dans la genèse des problèmes bancaires est un résultat original qui met en lumière les liens possibles entre crises bancaires et défauts souverains.

82 Nos résultats montrent aussi que le système d’alerte issu d’une combinaison bayésienne de modèles concurrents permet d’obtenir des prévisions fiables, même en l’absence de mise à jour des signaux avant-coureurs des crises bancaires. En particulier, seuls trois de ces épisodes auraient été manqués sur les 52 recensés depuis 2006.

83 Enfin, nous avons procédé à l’analyse de sensibilité des prévisions de revenu par tête des pays. Les pays à revenu par tête moyen/supérieur partagent les mêmes indicateurs décisifs de notre modèle général à la différence des pays à revenu par tête moyen/inférieur qui n’en partagent que trois parmi les plus robustes. D’autres facteurs, comme le taux de chômage et surtout la dynamique du crédit bancaire, ont un rôle dans la genèse des crises bancaires beaucoup plus important que dans le modèle général.

84 Pour conclure, s’il est vrai que tout épisode présente des traits singuliers, il semble malgré tout possible de construire un système robuste pour une détection suffisamment précoce du risque bancaire. Un défi pour les autorités est de disposer d’informations suffisantes, notamment sur les déséquilibres macroéconomiques et financiers potentiels, si possible à une fréquence trimestrielle ou mensuelle même si une surveillance en temps réel paraît illusoire.

Les auteurs remercient le rapporteur de la RFE pour son expertise méticuleuse sur leur travail. Leur gratitude va également au comité éditorial, et spécialement à Alexis Direr pour avoir amélioré l’article. Toute erreur ou omission reste imputable aux auteurs.
Annexe

Tableau 7. Définitions des variables

Tableau 7
Variables Définitions Sources Crédit / dépôts bancaires Ressources financières du secteur privé auprès des banques résidentes rapportées aux dépôts (demande et épargne). SFI-FMI Dettes liquides (M3) (% PIB) Dettes liquides = devises et dépôts de banque centrale + dépôts transférables et devises électroniques + dépôts à terme fixe et d’épargne, dépôts transférables en devises, certificats de dépôt et mises en pension + chèques de voyage, dépôts à terme fixe en devises, effets de commerce, parts de fonds des résidents. BM/ SFI-FMI Croissance du PIB (%) Taux de croissance annuelle du produit intérieur brut aux prix du marché en dollars américains constants de 2005. BM Avoirs extérieurs nets / actifs bancaires Part des actifs bancaires des banques non résidentes. SFI-FMI Inflation (%) Taux de croissance annuelle du déflateur implicite du PIB. BM Masse monétaire / réserves totales Monnaie fiduciaire hors banque + dépôts à vue (hors gouvernement central) + dépôts d’épargne à terme + des dépôts en devises des résidents (hors gouvernement central) + chèques de banque et de voyage + titres monétaires (certificats de dépôt, billets de trésorerie). BM Créances sur l’Etat central (% PIB) Prêts aux institutions du gouvernement central nets de dépôts. BM Créances sur secteur privé / masse monétaire (croissance annuelle) Crédits bruts aux particuliers, aux entreprises, aux entités publiques non financières hors crédit intérieur net et aux autres institutions financières. BM Taux sur dépôts (%) Taux d’intérêt payé par les banques commerciales sur les dépôts à vue, à terme fixe et sur compte d’épargne. BM Balance extérieure de biens et services (% PIB) Exportations nettes des importations de biens et services rapportées au produit intérieur brut. BM
Tableau 7
Variables Définitions Sources Croissance du crédit (% PIB) Prêts, achat de titres de créances, crédits commerciaux, comptes débiteurs, crédits aux entreprises publiques. BM Epargne brute (% PIB) Revenu national brut - consommation totale + transferts nets. BM Monnaie et quasi-monnaie (M2) (% PIB) Devises à l’extérieur des banques + dépôts à vue (hors gouvernement central) + dépôts à terme fixe, d’épargne et en devises étrangères des résidents (hors gouvernement central). BM/ SFI-FMI Taux de chômage (%) Part de la population active sans emploi, disponible et en recherche selon définitions nationales. BM Solde courant (% PIB) Exportations nettes de biens et services + revenus nets. BM Libéralisation financière Indice composite des restrictions aux transactions financières internationales déclarées au Fonds monétaire international. Chinn et Ito [2008] Formation brute de capital (% PIB) Acquisitions nettes d’immobilisations corporelles et variations nettes des stocks. BM Dépenses de consommation finale, (% PIB) Consommation finale des ménages et des dépenses en consommation finale du gouvernement individualisable. BM Réserves de change (% PIB) Or et devises de la banque centrale et des autorités monétaires. Euromonitor / SFI-FMI Ouverture commerciale (%PIB) Exportations + importations de biens et services / PIB. BM Dépréciation du taux de change (%) Variation du change nominal officiel en fin de période. Gourinchas - Obstfeld [2012] Industrie, valeur ajoutée brute (% PIB) Valeur ajoutée hors consommation de capital fixe. BM Investissements étrangers directs (% PIB) Fonds propres, bénéfices réinvestis, autres capitaux à long terme et capitaux à court terme de la balance des paiements. BM Crédit à l’Etat et aux entreprises de l’Etat (% PIB) Rapport des crédits des banques nationales au gouvernement et aux entreprises de l’Etat. SFI-FMI Dette extérieure brute totale (% PIB) Dette extérieure du gouvernement et dette privée émise par des entités privées nationales d’une juridiction étrangère. RR Dette publique (% PIB) Dette brute du gouvernement central. RR
Tableau 7
Variables Définitions Sources Actifs des banques de dépôt (% PIB) Créances sur les biens du secteur non financier résident. SFI-FMI Dépenses de consommation finale du gouvernement (croissance en %) Pourcentage annuel de croissance des dépenses de consommation finale du gouvernement. BM Réserves liquides /actifs bancaires (%) Positions en devises locales et dépôts auprès des autorités monétaires rapportés aux créances sur les autres gouvernements, les entreprises publiques non financières, le secteur privé et d’autres institutions bancaires. BM Ecart des taux d’intérêt (%) Taux d’intérêt perçu sur prêts - Taux d’intérêt versé sur dépôts ou sur compte d’épargne. BM
Notes : SFI-FMI : statistiques financières internationales du Fonds monétaire international. BM : Banque mondiale. RR : Reinhart et Rogoff [2011].

Tableau 8. Sélection des indicateurs avancés de crises avec un modèle Logit

Tableau 8
Variables PIP Moyenne a posteriori Croissance du PIB 1,00 -1,5E-01 Croissance du crédit (% PIB) 1,00 3,5E-02 Libéralisation financière 1,00 -5,2E-01 Dette extérieure brute totale (% PIB) 0,56 6,4E-03 Taux d’intérêt sur dépôts (%) 1,00 1,4E-03 Crédit à l’Etat et au secteur public (% PIB) 0,98 -5,2E-02 Actifs des banques de dépôt (% PIB) 1,00 1,8e-02 Solde du compte courant (% PIB) 0,61 -6,2E-02
Français

Un système d’alerte précoce vise ici à prédire les crises bancaires dans 48 pays de 1977 à 2010. Une approche bayésienne fournit des prévisions robustes. La croissance de l’activité et du crédit bancaire, le degré de libéralisation financière et le poids de la dette extérieure sont des signaux décisifs des crises bancaires. Des prévisions dans l’échantillon avant 2006 réduisent les fausses alarmes et les crises manquées au regard des études passées. Signe de sa robustesse, ce système d’alerte signale 49 des 52 phases de crises bancaires depuis 2006 en dépit de l’hétérogénéité des pays étudiés.

English

Predicting Banking Crises: A Robust Early Warning System

Predicting Banking Crises: A Robust Early Warning System

An Early Warning System aims at predicting banking crises in 48 countries from 1977 to 2010. Bayesian Model Averaging is used to get robust predictions. The growth rates of economic activity and credit, financial liberalization, and the external indebtedness are decisive signals of banking crises. Minimizing a predictive loss function, we find an optimal rate of false signals and missed crises that improve the insample forecasts before 2006. As a sign of its robustness, this warning system helps signal 49 of the 52 registered banking crises since 2006 despite heterogeneities across countries.

Références

  • En ligne L. Alessi et C. Detken [2012] : Quasi Real Time Early Warning Indicators for Costly Asset Price Boom/Bust Bycles: A Role for Global Liquidity, European Journal of Political Economy, vol. 27, n°3, pp. 520-533.
  • L. Alessi, A. Antunes, J. Babecky, S. Baltussen, M. Behn, D. Bonfim, O. Bush, C. Detken, J. Frost, R. Guimaraes, T. Havranek, M. Joy, K. Kauko, J. Mateju, N. Monteiro, B. Neudorfer, T. Peltonen, P. Rodrigues, M. Rusnak, W. Schudel, M. Sigmund, H. Stremmel, K. Smidkova, R. van Tilburg, B. Vasicek et D. Zigraiova [2015] : Comparing Different Early Warning Systems: Results From a Horse Race Competition Among Members of the Macro-Prudential Research Network, MPRA Paper 62194, University Library of Munich.
  • J. Babecky, T. Havránek, J. Matej, M. Rusnák, K. Šmídková et B. Vašícek, [2012] : Banking, Debt and Currency Crises: Early Warning Indicators for Developed Countries, European Central Bank, n°1485, pp. 1-43.
  • En ligne J. Babecky, T. Havránek, J. Matej, M. Rusnák, K. Šmídková et B. Vašícek, [2013] : Leading Indicators of Crisis Incidence: Evidence from Developed Countries, Journal of International Money and Finance, vol. 35, pp.1-19.
  • L. Bandiera, J. C. Cuaresma et G.A. Vincelette [2010] : Unpleasant Surprises: Sovereign Default Determinants and Prospects, World Bank Policy Research working paper series, vol. 1, n°5401, pp. 1-17.
  • En ligne R. Barrell, E.P. Davis, D. Karim et I. Liadze [2010] : Bank Regulation, Property Prices and Early Warning Systems for Banking Crises in OECD Countries, Journal of Banking & Finance, vol. 34, n°9, pp. 2255-2264.
  • En ligne S.P. Berkmen, G. Gelos, R. Rennhack et J.P. Walsh [2012] : The Global financial Crisis: Explaining Cross-country Differences in the Output Impact, Journal of International Money and Finance, vol. 31, n°1, pp. 42-59.
  • J.F. Bilson [1979] : Leading Indicators for Currency Devaluations, Columbia Journal of World Business, n°14, pp. 62-76.
  • C.E. Borio et M. Drehmann [2009] : Assessing the Risk of Banking Crises-revisited, BIS Quarterly Review, mars, pp. 29-46.
  • En ligne A.G. Calvo et E.G Mendoza [1996] : Mexico’s Balance-of-payments Crisis: A Chronicle of a Death Foretold, Journal of International Economics, vol. 41, n°3, pp. 235-264.
  • En ligne B. Candelon, E.I. Dumitrescu et C. Hurlin [2012] : How to Evaluate an Early-Warning System: Toward a Unified Statistical Framework for Assessing Financial Crises Forecasting Methods, IMF Economic Review, vol. 60 n°1, pp. 75-113.
  • G. Caprio, D. Klingebiel, L. Laeven et G. Noguera [2005] : Appendix: Banking Crisis Database, Cambridge University Press, pp. 307-340.
  • L. Catão et M. Terrones [2000] : Determinants of Dollarization: The Banking side, IMF working paper, Fonds monétaire international, n°146, pp. 1-36.
  • R. Chaudron et J. de Haan [2014] : Identifying and Dating Systemic Banking Crises Using Incidence and Size of Bank Failures, DNB working paper, n°406, pp. 1-28.
  • En ligne M.D. Chinn et H. Ito [2008] : A New Measure of Financial Openness, Journal of Comparative Policy Analysis, vol. 10, n°3, pp. 309-322.
  • En ligne E.P. Davis et D. Karim [2008a] : Comparing Early Warning Systems for Banking Crises, Journal of Financial Stability, vol. 4, n°2, pp. 89-120.
  • En ligne E.P. Davis et D. Karim [2008b] : Could Early Warning Systems Have Helped to Predict the Sub-prime Crisis?, National Institute Economic Review, vol. 206, n°1, pp. 35-47.
  • En ligne A. Demirgüç-Kunt et E. Detragiache [1998a] : Financial Liberalization and Financial Fragility, IMF Staff Papers, Fonds monétaire international, n°98/93, pp. 1-38.
  • En ligne A. Demirgüç-Kunt et E. Detragiache [1998b] : The Determinants of Banking Crises in Developing and Developed Countries, IMF Staff Papers, vol. 45, n°1, pp. 81-109.
  • En ligne A. Demirgüç-Kunt et E. Detragiache [2005] : Cross-Country Empirical Studies of Systemic Bank Distress: A Survey, National Institute Economic Review, vol. 192, n°1, pp. 68-83.
  • En ligne A. Demirgüç-Kunt et H. Huizinga [2013] : Are Banks Too Big to Fail or too Big to Save? International Evidence from Equity Prices and CDS Spreads, Journal of Banking & Finance, vol. 37, n°3, pp. 875-894.
  • En ligne D.W. Diamond et P.H. Dybvig [1983] : Bank Runs, Deposit Insurance, and Liquidity, Journal of Political Economy, vol. 91, n°3, pp. 401-419.
  • G. Doppelhofer et M.Weeks [2009] : Comments on’Jointness of Growth Determinants’, Journal of Applied Econometrics, vol. 24, n° 2, pp. 245-247.
  • B. Eichengreen et C. Arteta [2002] : Banking Crises in Emerging Markets: Presumptions and Evidence, Financial Policies in Emerging Markets, pp. 47-94.
  • En ligne M. Feldkircher et S. Zeugner [2009] : Benchmark Priors Revisited: On Adaptive Shrinkage and the Supermodel Effect in Bayesian Model Averaging, IMF working papers, n°09/202, pp. 1-39.
  • En ligne M. Feldkircher [2014] : The Determinants of Vulnerability to the Global financial Crisis 2008 to 2009: Credit Growth and Other Sources of Risk, Journal of International Money and Finance, vol. 43, pp. 19-49.
  • En ligne C. Fernandez, E. Ley et M.F. Steel [2001] : Model Uncertainty in Cross-country Growth Regressions, Journal of Applied Econometrics, vol. 16, n°5, pp. 563-576.
  • En ligne J.A. Frankel et G. Saravelos [2012] : Can Leading Indicators Assess Country Vulnerability? Evidence from the 2008– 09 Global Financial Crisis, Journal of International Economics, vol. 87, n°2, pp. 216-231.
  • J. Friedman [2012] : Whether to Probit or to Probe it: In Defense of the Linear Probability Model, World Bank, Development Impact Blog, 18 juillet.
  • En ligne D. Furceri et A. Zdzienicka, [2011] : The Real Effect of Financial Crises in the European Transition Economies, Economics of Transition, vol. 19, n°1, pp. 1-25.
  • P.-O. Gourinchas, R. Valdes, R et O. Landerretche [2001] : Lending Booms: Some Stylized Facts, NBER working papers, n° 8249, pp. 1-58.
  • P.-O. Gourinchas et M. Obstfeld [2012] : Stories of the Twentieth Century for the Twenty-First, American Economic Journal: Macroeconomics, vol. 4, pp. 226-265.
  • En ligne J. von Hagen et T.K. Ho [2007] : Money Market Pressure and the Determinants of Banking Crises, Journal of Money, Credit and Banking, vol. 39, n°5, pp.1037-1066.
  • En ligne T. Hansen, A.B. Jorgensen, F.R. Schmidt et B.G. Nordestgaard [2014] : Loss-of-Function Mutations in APOC3 and Risk of Ischemic Vascular Disease, New England Journal of Medicine, vol. 371, n°1, pp. 32-41.
  • D.C. Hardy et C. Pazarbasioglu [1999] : Determinants and Leading Indicators of Banking Crises: Further Evidence, IMF Staff Papers, vol. 46, n°3, pp. 247-258.
  • J.A. Hoeting, D. Madigan, A.E. Raftery et C.T. Volinsky [1999] : Bayesian Model Averaging: A Tutorial, Statistical Science, pp. 382-401.
  • En ligne W. Horace et R. Oxaca[2006]: Results on the Bias and Inconsistency of Ordinary Least Squares for the Linear Probability Model, Economics Letters, vol. 90, n°3, pp. 321-327.
  • H. Jeffreys [1998] : The Theory of Probability, Oxford University Press. pp. 1-460.
  • En ligne G.L. Kaminsky et C.M. Reinhart [1999] : The Twin Crises: The Causes of Banking and Balance-of-payments Problems, American Economic Review, vol. 89, n°3, pp. 473-500.
  • En ligne G.L. Kaminsky [2006] : Currency Crises: Are They All the Same?, Journal of International Money and Finance, vol. 25, n°3, pp.503-527.
  • En ligne Kraft et T. Galac [2007] : Deposit Interest Rates, Asset Risk and Bank Failure in Croatia, Journal of Financial Stability, vol. 2, n°4, pp. 312-336.
  • L. Laeven et F. Valencia [2008] : Systemic Banking Crises: A New Database, IMF working papers, pp. 8-224.
  • En ligne L. Laeven et F. Valencia [2013] : Systemic Banking Crises Database, IMF Economic Review, vol. 61, n°2, pp. 225-270.
  • P. Lainà, J. Nyholm et P. Sarlin [2015] : Leading Indicators of Systemic Banking Crises: Finland in a Panel of EU Countries, Review of Financial Economics, vol. 14, pp. 1-26.
  • En ligne R. Levine [2001] : International financial Liberalization and Economic Growth, Review of International Economics, vol. 9, n°4, pp. 688-702. C.J. Lindgren, G.G. Garcia et M.I. Saal [1996] : Bank Soundness and Macroeconomic Policy, Fonds monétaire international, vol. 135, pp. 1-215.
  • En ligne P. Manasse et N. Roubini [2009] : “Rules of Thumb” for Sovereign Debt Crises, Journal of International Economics, vol. 78, n°2, pp. 192-205.
  • P. Manasse, R. Savona et M. Vezzoli [2013] : “Rules of Thumb” for Banking Crises in Emerging Markets, DSE working paper, n°872, pp. 1-16.
  • A. O’Hagan, [1995] : Fractional Bayes Factors for Model Comparison, Journal of the Royal Statistical Society, Series B (Methodological), pp. 99-138.
  • En ligne A.E. Raftery [1995] : Bayesian Model Selection in Social Research, Sociological Methodology, vol. 25, pp. 111-164.
  • En ligne R. Rancière, A. Tornell et F. Westermann [2008] : Systemic Crises and Growth, The Quarterly Journal of Economics, vol. 123, n°1, pp. 359-406.
  • C.M. Reinhart et K.S. Rogoff [2008] : This Time Is Different: A Panoramic View of Eight Centuries of Financial Crises, Technical Report, National Bureau of Economic Research, vol. 15, n°2, pp. 1-123.
  • En ligne C.M. Reinhart et K.S. Rogoff [2011] : The Forgotten History of Domestic Debt, The Economic Journal, vol. 121, n°552, pp. 319-350.
  • C.D. Romer et D.H. Romer [2015] : New Evidence on the Impact of Financial Crises in Advanced Countries, mimeo, University of California Berkeley, pp. 1-62.
  • En ligne A.K. Rose et M.M. Spiegel [2011] : Cross-Country Causes and Consequences of the Crisis: An Update, European Economic Review, vol. 55, n°3, pp. 309-324.
  • En ligne M. Rossi. [1999] : Financial Fragility and Economic Performance in Developing Economies: Do Capital Controls, Prudential Regulation and Supervision Matter?, IMF working paper, n°99/66, pp. 1-32.
  • X. Sala-i Martin [1997] : I Just Ran Two Million Regressions, American Economic Review, pp. 178-183.
  • En ligne P. Sarlin et T.A. Peltonen [2013] : Mapping the State of Financial Stability, Journal of International Financial Markets, Institutions and Money, vol. 26, pp. 46-76.
  • C.T. Shehzad et J. De Haan [2009] : Financial Liberalization and Banking Crises, in Conference of the Royal Economic Society, University of Surrey, pp. 1-21.
  • En ligne C.T. Shehzad et J. De Haan [2013] : Was the 2007 Crisis Really a Global Banking Crisis?, The North American Journal of Economics and Finance, vol. 24, pp. 113-124.
Ons Jedidi
Ons Jedidi est docteur en sciences économiques, CREM-CNRS, université Rennes 1. Adresse : Place Hoche, 35065, Rennes cedex.
Jean-Sébastien Pentecote
Jean-Sébastien Pentecôte est professeur, CREM-CNRS, université de Caen-Normandie. Adresse : UFR SEGGAT, Esplanade de la Paix, CS 14032, 14032 Caen cedex.
Cette publication est la plus récente de l'auteur sur Cairn.info.
Mis en ligne sur Cairn.info le 08/03/2016
https://doi.org/10.3917/rfe.153.0189
Pour citer cet article
Distribution électronique Cairn.info pour Revue française d’économie © Revue française d’économie. Tous droits réservés pour tous pays. Il est interdit, sauf accord préalable et écrit de l’éditeur, de reproduire (notamment par photocopie) partiellement ou totalement le présent article, de le stocker dans une banque de données ou de le communiquer au public sous quelque forme et de quelque manière que ce soit.
keyboard_arrow_up
Chargement
Chargement en cours.
Veuillez patienter...