https://www.researchgate.net/publication/332684502_Crise_des_Subprimes_Reglementation_Prudentielle_Z-score_ou_Rating_Une_Etude_sur_Des_Banques_De_La_Zone_Euro_Subprime_Crisis_Prudential_Regulatory_Z-score_or_Rating_A_Study_on_Banks_of_the_Eurozone https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3359290

1. Crise des Subprimes, Réglementation Prudentielle : Z-score ou
Rating ?
Une Etude sur Des Banques De La Zone Euro
Subprime Crisis, Prudential Regulatory: Z-score or Rating?
A Study on Banks of the Eurozone
Lotfi TALEB : École Supérieure des Sciences Économiques et Commerciales de Tunis (ESSECT)
Dalanda KHOUAJA : École Supérieure des Sciences Économiques et Commerciales de Tunis (ESSECT),
Résumé
Le présent article s’intéresse à l’étude de l’impact de la réglementation prudentielle bancaire sur le risque
de défaillance des banques de la zone Euro pendant la crise financière des subprimes. Deux indicateurs
de mesures de risque de faillite sont utilisés, le Z-score et le rating. La méthodologie adoptée consiste
à effectuer des estimations en utilisant un modèle du type Logit incluant comme variables explicatives
des variables du type CAMEL, des variables réglementaires mais aussi des variables
macroéconomiques. Les résultats empiriques trouvés montrent que, quelle que soit l'approche retenue
pour mesurer le risque de faillite, les variables telles que le renforcement des capitaux propres, le niveau
des liquidités, la restriction et la surveillance sur les activités bancaires, sont statistiquement
significatives. De plus, on trouve que le Z-score, comme méthode d’évaluation du risque bancaire,
montre une certaine supériorité par rapport au rating pour mieux prévenir en ex post les cas des banques
en situation de faillite pendant la crise des subprimes.
Abstract
The present article examined the impact of prudential banking regulation on distress in European Banks
during the subprime crisis. Two indicators are used to assess the risk of bankruptcy, the Z-score and the
rating. The methodology consists to use a logit model which includes CAMEL, regulatory and also
macroeconomic variables. This study revealed that capital adequacy requirements, liquidity position,
restrictions and supervisory monitoring are the most statistically significant bank specific factors which
influence distress in European banks during the subprime crisis. In addition, we found that the Z-score
criteria is more able to predict banks bankruptcy than the rating.
Mots clés : Z-score, rating, crise des subprimes, faillite bancaire, variables CAMEL, modèle Logit.
Key words: Z-sore, rating, Subprime crisis, bank failure, CAMEL, Logit model.
Classification JEL : G21 ; G28 ; G33 ; G38.
Electronic copy available at: https://ssrn.com/abstract=3359290

2. 1. Introduction
Si le rôle des banques dans la croissance économique n’est plus à démontrer, leur comportement peut
être source de risque systémique.
L’importance des fonctions et des interventions des banques fait que toute défaillance d’un système
bancaire peut générer un dysfonctionnement de tout le système financier. L’histoire des crises
financières, et en particulier la dernière crise des subprimes, a montré que le système bancaire n’est pas
à l’abri des turbulences et que les banques peuvent être la cause d’une crise systémique, la prévention
des faillites bancaires est apparue donc, comme une priorité pour les autorités de tutelle.
Sur le plan réglementaire, les autorités de tutelle sont intervenues par le biais de nombreuses réformes
afin d’essayer d’éliminer ou du moins réduire ce risque. Dans ce sens, les accords successifs du Comité
de Bâle avaient pour un souci la rationalisation et la régulation le système financier international et
l’amélioration de la stabilité du système bancaire international. En 1988, un ensemble de règles
prudentielles connues sous le vocable de premiers accords de Bâle (Bâle I) ont été proposé. Le ratio que
le Comité de Bâle I a instauré à cette époque, était le ratio Cooke qui n’est qu’un taux de solvabilité
bancaire fixant à 8% le montant minimum des fonds propres bancaires au regard de ses engagements
financiers. Par la suite, Bâle II, a principalement cherché à affiner les règles proposées initialement au
niveau des accords de Bâle I, pour refléter les vrais risques de manière plus réaliste. Dans ce sens, la
révision Bâle II a imposé un seuil minimal de capital (le ratio Mc Denough) et s’est aussi doté de deux
piliers supplémentaires, à savoir la surveillance des banques et la discipline du marché.
La crise des subprimes est principalement la conséquence de l’échec de la gestion des risques bancaire.
En effet, cette crise a montré d’une part, qu’en ex post, il est clair que les accords de Bâle II n’ont guère
contribué à accroître la stabilité financière et donc, empêcher une crise de telle ampleur .D’autre part,
que le système de contrôle interne utilisé par la quasi-totalité des banques, et particulièrement les
banques de grande taille, pour se prémunir contre les prises de risque excessives, s’est avéré défaillant
. De plus, il s’est avéré que la discipline du marché a échoué à envoyer des signaux d’alerte en temps
voulu. Ce constat d’échec qui a démontré une carence dans le système de contrôle interne et un manque
de rigueur dans les mesures prises par les régulateurs, a ressuscité l’intérêt des autorités de tutelle et des
chercheurs afin de mettre en place de nouvelles mesures règlementaires plus sécurisées et capables de
prendre en considération les effets des risques systémiques.
En période de crise systémique, il a été prouvé aussi que le risque de défaillance bancaire est d’autant plus
important. Cette constatation était clairement apparente lors de la dernière crise des subprimes (2007-2009).
En effet, depuis le déclenchement de la crise financière la quasi-totalité des pays de la zone Euro ainsi que
les banques européennes, étaient sous tension et ont vu leurs résultats nets ainsi que leurs notations se
dégradaient auprès des grandes agences de notation internationales (voir figure 1 et 2). Cette dégradation
témoigne, dans une certaine mesure1
, de la dégradation sérieuse de l’état de ces institutions financières et
de leurs contaminations par les effets de la crise. Ce n’est qu’après la crise des subprimes que le risque
systémique et la réduction de la pro cyclicité2
sont mis en avant dans la réforme de Bâle III et où on a
commencé à envisager de mettre en place une surveillance renforcée et une surcharge en capital
additionnelle pour les institutions bancaires dites systémiques.3
Sur le plan académique, les études du risque de défaillance des banques européennes sont restées
modestes relativement à la littérature empirique sur le marché américain. Ce constat est essentiellement
dû au faible nombre de faillites bancaires en Europe. Toutefois, certaines recherches [Agoraki, Delis et
Pasioura (2011)] ont été établies afin d’analyser les facteurs prédictifs de défaillance des banques
européennes.
1
L’hypothèse de changement de méthodologie de notation par effet de la crise ne peut pas être également écartée.
2
Le dispositif de Bâle III a prévu la constitution de réserves de 2,5% des actifs pondérés (volants de conservation ou contra
cyclique), pendant les périodes de croissance économique, pouvant être mobilisées en périodes de crise systémique (période
de credit crunch) afin d’absorber les pertes tout en respectant les exigences réglementaires minimales, évitant ainsi la
contraction du crédit.
3 Ces institutions dites systémiques se distinguent essentiellement par leur taille et leur degré d’interconnexion avec les autres
institutions financières.
Electronic copy available at: https://ssrn.com/abstract=3359290

3. Le présent article s’intéresse à l’étude de l’impact de la réglementation sur le risque de défaillance des
banques de la zone Euro pendant la période de la crise financière des subprimes (2007-2009) et ce, par
le recours à deux indicateurs de mesures différentes : (1) un indicateur de mesure de risque de faillite ex
ante, le Z-score et, (2) un indicateur de mesure ex post, le rating. La méthodologie adoptée consiste à
effectuer des estimations en modèle Logit et en données de panels et à intégrer comme variables
explicatives aussi bien des variables du type CAMEL que des variables réglementaires et
macroéconomiques.
Le reste de l’article sera organisé comme suit : la section 2 sera consacrée à présenter une revue de la
littérature sur l’utilisation des deux techniques, le Z-score et le rating, comme mesure de l’évaluation de
probabilité de défaut et du risque de faillite bancaire. Dans la section 3, on va présenter les données
utilisées, l’identification des variables, le choix des hypothèses ainsi que les effets attendus. Dans la
section 4, on expose la méthodologie adoptée, les résultats des estimations et les interprétations. La
section 5 sera réservée à la conclusion.
2. Revue de la littérature
La littérature académique traitant le sujet d’instabilité et de faillites bancaires s’intéresse essentiellement
à deux cas d’étude : (1) dans le premier cas, la faillite correspond à une situation probable mesurée par
une probabilité de réalisation calculée. En d’autres termes, le risque de faillite dans ce cas peut être
important, mais qui n’est pas réalisé formellement. Ce cas est généralement mesuré par des
indicateurs ex post, en l’occurrence le Z-score qui représente une proximité à la faillite symbolisée par
un score nul. (2) Le deuxième cas s’intéresse plutôt aux crises systémiques déjà réalisées, en mettant
en place des critères de pertes ou de mesures ex ante. Le rating constitue l’un des critères de mesure.
Dans les deux cas, l’objectif reste à estimer à travers des indicateurs de performances et de solvabilité
(un score ou un rating)), le risque de défaillance ou de faillite de la banque [Gaganis et al. (2006) ;
De Nicoló et al. (2006) ; Ioannidis et al. (2010)].
Si ces deux critères de mesures ont montré des résultats satisfaisant en période de stabilité, une attention
particulière est portée sur leur efficacité en période de crise. Dans ce sens, plusieurs travaux empiriques
ont essayé d’étudier la fragilité du système bancaire en période de crise systémique et delà, aux mesures
de prédiction capables d’identifier rapidement le risque de défaillance bancaire. Les modèles
développés, connus sous le nom des modèles d’alerte précoce, portent essentiellement sur des variables
statistiques permettant d’estimer et d’analyser essentiellement, le risque de crise bancaire systémique
par pays avant le déclenchement des crises bancaires et, la probabilité de défaillance de chaque banque
à un horizon de temps donné. Ces modèles sont conduits la plupart du temps soit sur des données
Figure 1: Evolution de l’indice de profit des banques (calculés à
partir des indices boursier et PER) pendant la période 2000-
2008. (Source des données Thomson Financial)
Figure 2 : Variation du résultat net par pays (en %) de la zone
Euro pendant la crise des subprimes (2007-2009) (Source des
données Thomson Financial)
Electronic copy available at: https://ssrn.com/abstract=3359290

4. agrégées [Barth, Caprio and Levine (2001, 2004, 2006, 2008 et 2013) ; Davis et Karim (2008)], soit
également sur des données individuelles [Lanine et Vander Vennet (2006)].
2.1. Le Rating
Le rating4
pour le cas d’une entreprise, résume l'opinion d’une agence de notation, généralement
exprimée sous forme d’un nombre de lettres5
, à une date donnée, sur la capacité d'un émetteur à faire
face, à temps, à ses engagements financiers à terme (paiement d'intérêts, de dividendes, ou
remboursement du principal).6
Le rating est considéré par plusieurs auteurs comme étant un indicateur de mesure adéquat de la
solvabilité bancaire et de prévention de faillite bancaire.7
Toutefois, et surtout en période de crise
systémique, certaines études [Rojas-Suarez (2002)] ont mis en évidence l’échec de cet indicateur
d’alerte à prévenir la défaillance bancaire, surtout après la survenance de la crise des subprimes. En
effet, cet indicateur, basé essentiellement sur les variables CAMEL8
, s’est avéré incapable d’anticiper à
temps les difficultés et donc le risque de faillite de plusieurs banques à l’échelle internationale9
avant la
période de crise. Cette défaillance est attribuée à plusieurs facteurs notamment, aux difficultés à
disposer des informations par les agences de notations auprès des banques, de la méthodologie
inappropriée adoptée pour l’évaluation des différents risques bancaires mais aussi, à un problème du
conflit d’intérêt structurel10
et un risque de délits d’initiés. De plus, il a été démontré [Cihac (2007)] que
le pouvoir prédictif des variables CAMEL reste limité dans la mesure que ces variables doivent être
complétées par d’autres données complémentaires afin d’améliorer le pouvoir prédictif de cet
indicateur.
2.2. Le Z-score
Le Z-score est une méthode d’analyse financière qui consiste à synthétiser un ensemble de ratios pour
parvenir à un indicateur unique permettant de distinguer d’avance les entreprises ( banques) saines des
entreprises (banques) défaillantes [Goyeau et Tarazi (1992)]. Cet outil, couramment utilisé comme
mesure de prédiction de probabilité de défaillance bancaire, est proposé initialement par Altman
(1968) .Il utilise à la base des données comptables et permet de mesurer la probabilité que les pertes
dépassent les fonds propres d’une banque. Un Z-score élevé implique une faible probabilité de
défaillance et vice-versa.
4 Appelé aussi note ou notation.
5
L’échelle de notation intrinsèque des banques varie du triple A (sécurité maximum également) à un minimum de E pour
Moody’s et Standard and Poor’s (D pour Fitch) pour les banques qui sont en défaut. L’échelle de Fitch et Standard and Poor’s
est affinée par l’ajout aux notes des signes + ou – signalant que l’émetteur se trouve plutôt dans le haut ou dans le bas de la
classe attribuée. De la même manière, l’échelle Moody’s assortit chaque note d’un coefficient numérique 1, 2 ou 3 (à
l’exception de Aaa). Ainsi, par exemple, Moody’s éclate la note Baa en Baa1, Baa2, Baa3.
6
Il faut préciser que la notation des banques est sensiblement différente de celle d’une entreprise ordinaire. En effet, la
solvabilité d’une banque (ou d’un établissement de crédit d’une manière générale) est fonction de plusieurs paramètres
spécifiques à l’activité bancaire notamment, de sa solidité financière intrinsèque de la banque (ou notation intrinsèque)
appréciée généralement par les fondamentaux financiers (rentabilité, liquidité, adéquation des fonds propres, efficacité
opérationnelle, qualité des actifs), de la probabilité d’un soutien externe en cas de besoin (ou note de soutien extérieur)
fortement influencé par l'effet taille "Too big to fail", et les éléments susceptibles d’influencer son risque de crédit global.
7 Le Comité de Bâle sur le contrôle bancaire encourageait les banques depuis 1999 à se faire noter, et inciter les autorités de
contrôle à l’échelle nationale à intégrer les agences de notation dans le monitoring bancaire.
8 Abbreviation de (capital adequacy, assets quality, earnings, liquidity and sensitivity).
9 L'exemple de la banque Lehman Brothers qui a déposé le bilan en septembre 2008, reste le plus spectaculaire.
10
Les agences de notations se caractérisaient par de sérieux conflits d’intérêt dans la mesure où une part substantielle de leurs
profits provenait des commissions perçues à l’occasion de ces notations.
Electronic copy available at: https://ssrn.com/abstract=3359290

5. Formellement le Z-score (zscore) peut être présenté par la formule suivante :
score =
( )
=
( )
+
( )
11
(1)
Avec :
ROA : Le ratio de rentabilité des actifs (la moyenne) (return on assets)
EQTA : Le ratio de solvabilité qui fait le rapport entre les capitaux propres et la valeur des actifs (Equity
on assets)
( ) L’écart type du ratio du rendement des actifs (une mesure du risque)
A partir de cette formulation, il ressort que le Z-score n’est qu’une mesure de la distance au défaut
d’une banque et de la probabilité que la valeur de ses actifs soit inférieure à la valeur de sa dette12
. Ce
ratio peut être utilisé de manière agrégée ou bien comme une moyenne, au niveau d’un pays, afin
d’évaluer la solidité de son système bancaire. La valeur du Z-score et le risque de défaillance varient
en sens inverse, une valeur élevée du Z-score correspond à un risque de défaillance faible.
Une décomposition du Z-score a été proposée par Goyeau et Tarazi (1992), cette décomposition a
donné lieu à deux ratios (1) Z1 =
( )
; qui correspond à une composante de performance ajustée du
risque13
et (2), Z2 =
( )
, qui est une composante de couverture du risque de portefeuille par les
fonds propres.
Plusieurs travaux ont essayé d’utiliser cette mesure comme un indicateur de solvabilité et prévention
de faillite bancaire [Cihak et Hesse (2007); de Nicolo et al. (2006) ; Laeven et Valencia (2008) et
Uhde et Heimeshoff (2009)].
La composante Z-score a été proposée également comme une mesure pour évaluer l’effet du pouvoir
de marché (mécanisme disciplinaire). En premier lieu, le ratio de rendement des actifs (ROA), pour
examiner si le pouvoir de marché octroie un surplus de revenu aux banques, et l’écart type du ROA
( ( )), pour apprécier la qualité du portefeuille de prêt et l’importance des engagements de la
banque14
[Boyd, de Nicolo et Al Jalal (2006) ; Cubillas et al. (2012)].
3. Données, hypothèses et sélection des variables
3.1 Données
La méthodologie adoptée dans le cadre de cet article, consiste à utiliser à la fois des données
financières de type CAMEL mais aussi, des données réglementaires et macroéconomiques.
Notre échantillon est composé de 189 banques commerciales issues de six pays de la zone Euro15
, la
période d’étude est de cinq ans (2007-2011).
Le choix des pays et de la période s’explique essentiellement par, (1) le fait que ces pays, comme
d’ailleurs tous les pays du monde et surtout les pays développés, ont connu des difficultés bancaires et
voire même, des cas de faillites durant la période de la crise des subprimes (2007-2019). (2) Des
différences observées au niveau des spécificités et des mesures et des exigences réglementaires
différentes imposées par chaque pays au niveau de la zone Euro, permettant d’observer des disparités
au niveau des répercussions des effets de la crise au niveau de chaque pays membre de la communauté
11
La banque mondiale utilise pour le calcul du Z-score une formule similaire exprimée de la manière suivante : Z-score =
avec, λ =
!
; RA est le rendement moyen des actifs.
12
En faisant l’hypothèse que Z suit une loi normale et vue la symétrie de cette loi, le risque de défaillance d’une banque n’est
que la probabilité ( "#$%
( &
( )
> () ; avec Z est l’indicateur du risque de défaillance correspondant au Z-score.
13 Connue aussi sous le nom du ratio Sharpe.
14
Une plus grande volatilité correspondant à un risque plus important.
15
Allemagne (68), Espagne (22), France (28), Grande Bretagne (68), Gerce (12) et l’Italie (20)
Electronic copy available at: https://ssrn.com/abstract=3359290

6. européenne, (3) Les pays choisis (hormis la Grèce) représentent presque 72% du PIB16
de l’ensemble
de l’union européenne et participent aux environs de 80% du total des actifs de l’ensemble des banques
européennes17
. De surcroît, une crise systémique qui surgit dans l’un de ces pays est de nature à se
répercuter, par effet de contagion, sur tout le reste des pays de l’union européenne18
. Mais aussi, (4) la
disponibilité des données des banques sélectionnées.
Quant au choix de la période, bien que la crise ait débuté en fin de l’année 2007 et a continué à prendre
effet toutes les années 2008 et 2009, on a pensé que les effets, du moins sur le plan économique, ont
continué à être ressentis sur une période plus importante19
. Une période d’étude plus entendue (soit une
période de 5 ans) est estimée plus appropriée pour voir l’effet d’une telle crise sur les banques de la
communauté Européenne.20
Les données de bilans et des états de résultats sont issus de la banque de données Bankscope Fitch
IBCA.21
Les données relatives aux variables réglementaires ainsi que les données macroéconomiques
sont issus de la base de données de la Banque mondiale [Barth, Caprio et Levine (2001, 2008 et 2013)].22
L’étude empirique23
sera réalisée sur des données individuelles supposées être meilleure de point de
vue qualité de l’information que les données agrégées.
La figure 3 résume la répartition des banques par pays considéré dans notre échantillon.
Figure 3 : Nombre de banques par pays de la zone Euro étudiées pendant la
période de la crise des subprimes (2007-2009)
16
Source Eurostat
17
Source : Fitch-IBCA ; Bankscope
18
Il est à noter que l’agence de notation Moody’s en 2007 et en réponse à l’effet de la crise des subprimes, avait été d’intégrer le
critère de notation des États pour les établissements de taille dits « systémiques » dont le rôle est supposé être prépondérant à
l’échelle de l’économie d’un pays.
19 Il faut souligner que la définition de crise systémique et l’identification de la période ne trouvent pas une unanimité. Laeven et
Valentia.F (2008) supposent que pour identifier les dates de début et de fin des crises bancaires et que cette crise soit considérée
comme systémique, il faut que deux critères doivent être réunis. (1) des signes évidents de défaillance financière au sein du
système bancaire (des pertes anormalement importantes et exceptionnelles). En plus, (2) l’existence d’une intervention
significative des instances de supervision ou gouvernementale.
20 On va supposer que la période de crise financière, la période qui s’étale entre 2007-2009, alors que la période d’estimation
correspond à toute la période 2007-2011, soit donc une période post-crise de deux ans (2010-2011).
21
Par souci d’homogénéité, nous avons exploité les données concernant les banques commerciales non consolidées.
22 Il s’agit d’une base de données qualitative qui repose essentiellement sur des enquêtes effectuées auprès des autorités de
régulation locales et qui porte sur plusieurs volets (1) contestabilité du marché bancaire, (2) structure de propriété, (3)
réglementation du capital, (4) réglementation de l’activité, (5) surveillance, (6) assurance, (7) provisionnement et organisation
des commissions de surveillance, (8) liquidité, transparence et (10) discipline du marché.
23
Une étude préliminaire a consisté à faire une comparaison entre les banques des différents Etats de l’union européenne
notamment en ce qui concerne, la structure du capital et les crédits du moment que la taille des banques peut sensiblement
d’un pays à l’autre. Cette étude montre que la plus faible taille des banques est observée en Grèce (25 milliards de dollars
américains) et la plus élevée au Royaume-Uni (215 milliards de dollars américains). Le Royaume-Uni, qui est caractérisé par
une véritable économie de marché, présente la moyenne des crédits la plus élevée. On constate également un fort levier
financier pour le cas de la Grèce et de l’Espagne.
0
10
20
30
40
50
60
70
80
Allemagne Espagne France Grande
Bretagne
Grèce Italie
Electronic copy available at: https://ssrn.com/abstract=3359290

7. 3.2 Hypothèses et sélection des variables
Afin d’expliquer la défaillance bancaire pendant la période de la crise financière des subprimes, nous
avons considéré en premier lieu comme variables spécifiques bancaires les indicateurs CAMEL. Ces
indicateurs comptables sont d’ailleurs utilisés par la plupart des agences de notation pour évaluer la
performance et la stabilité bancaire et aussi, comme mesure de risque de faillite. En second lieu, nous
avons utilisé des variables réglementaires pour analyser le rôle et l’impact de la réglementation. Mais
en plus des variables CAMEL et des variables règlementaires, nous avons utilisé également, et pour
mieux cerner les différences macroéconomiques et des spécificités des pays appartenant à la zone Euro,
des variables macroéconomiques. Quant à la taille de chaque banque, elle est prise en compte comme
étant une variable de contrôle et approximée par le total de l'actif des banques (en logarithme).
3.2.1 Les variables CAMEL
1) Le degré de capitalisation (capital adequacy)
Les fonds propres, ont constamment été l'assurance à la disposition des autorités monétaires pour
maintenir un certain niveau de stabilité des établissements bancaires. De Bâle I à Bâle III, la
réglementation du capital fût la norme la plus importante du dispositif instauré afin d'harmoniser les
exigences de solvabilité des banques. Dans ce sens, il a été démontré sur le plan théorique, qu’il existe
un caractère incontestable de la nécessité d'une adéquation entre fonds propres et risques de défaillance
[Modigliani et Miller (1963)]. Le capital bancaire est considéré également comme, une source de
financement rare et couteux [Elliott (2009)], chose qui pousse les actionnaires à exiger des rendements
plus élevés en contrepartie du risque qu’ils devront normalement supporter. Plusieurs études [(Myers
(1977) ; Myers et Majluf (1984)] ont montré également la réticence des banques à augmenter leur capital
afin d’éviter le risque de dilution des actionnaires.
Pour la mesure du degré de capitalisation et à l’instar de Lanine et Vander Vennet (2006) et Pasiouras
et al. (2006)24
, nous avons utilisé le ratio qui fait le rapport entre le capital sur le total des actifs (CAP).
H1 : On s’attend à une relation négative entre le degré de capitalisation et le risque d’insolvabilité
bancaire en période crise.25
2) La qualité des actifs (Asset quality)
La qualité des actifs joue un rôle important dans le risque de faillite bancaire Lanine et al. (2006) ont
utilisé pour apprécier la qualité des actifs de la banque, le ratio, crédit sur le total actif comme mesure
du risque de crédit. Normalement, plus la part des crédits est élevée, plus la banque serait exposée au
risque de crédit et donc au risque de faillite. On a choisi dans le cadre de ce travail une mesure différente
de celle de Lanine et al. (2006) et qui consiste à utiliser comme indicateur de mesure de la qualité des
actifs, le niveau des provisions constatées (PROV). Normalement, plus le niveau de provisions est
élevé plus le niveau de risque important.
H2 : La détention des actifs de mauvaise qualité affecterait positivement le risque de défaillance
bancaire en période post crise
3) La qualité de gestion (Management quality)
Dans la littérature, plusieurs mesures sont avancées comme proxy pour mesurer la qualité de gestion
de l’équipe dirigeante en particulier, on a choisi dans la présente étude le ratio des coûts ou d’efficience
24
Il est à noter que le ratio du TIER 1 n’est pas communiqué pour la majorité des banques européennes.
25
Il faut noter qu’imposer des exigences en capital comportent des conséquences qui font que la relation entre le capital détenu
par les banques et le risque de faillite n’est pas systématique et reste ambigüe. En effet, les ressources propres étant très
coûteuses, les banques sont tentées de prendre un niveau de risque plus important lorsque le niveau des fonds propres est
élevé pour compenser le coût de la possession du capital supplémentaire. Ce qui permet de faire accroîtrait la probabilité de
défaillance de la banque. Une relation positive entre le niveau du capital et le risque de défaillance reste donc possible.
Electronic copy available at: https://ssrn.com/abstract=3359290

8. [Ioannidis et al. (2006)]. Ce ratio se mesure par rapport entre tous les coûts ou les charges supportés
par les banques (sauf les charges sur intérêts) rapporté au total des actifs (COUT).
H3 : On prévoit l’existence d’une relation positive entre le risque de défaillance bancaire et la mauvaise
qualité de gestion en période crise financière.
4) La Performance (Earning ability)
La notion de performance est liée au risque et au capital bancaire. Les banques peu rentables sont
incitées à choisir des projets risqués pour défendre leur rentabilité et respecter en même temps les
restrictions imposées par les autorités de tutelle. Parmi les mesures standard de performance utilisées26
,
nous avons choisi le ratio de rentabilité financière des fonds propres (ROE) ainsi que le ratio du levier
financier (LEVIER) mesuré par le rapport entre les capitaux propres et les dettes.27
H4 : La performance devrait avoir un effet négatif sur le risque d’insolvabilité bancaire en période crise
financière.
5) La liquidité (Liquidity position)
La liquidité est considérée comme une variable explicative de risque de défaillance bancaire. En effet,
une banque qui a suffisamment des liquidités peut facilement honorer ses engagements ou satisfaire les
demandes de nouveaux crédits. Dans ce sens, la crise des subprimes, a montré également une grande
fragilité et une difficulté des banques de pouvoir faire face à la demande de liquidité croissante en
période de crise financière, ce qui a forcé les autorités de tutelle d’intégrer le risque de liquidité à
partir de 2010 dans la réglementation de Bâle III28
.
Actuellement, La notion de liquidité bancaire a beaucoup évoluée dans le monde de la finance. Elle est
devenue intimement liée à la liquidité du marché et à la valorisation des actifs. Dans le cadre de notre
étude on a choisi deux variables pour mesurer la liquidité, en premier lieu un indicateur qui apprécie
le niveau des liquidités internes de la banque , soit le niveau des actifs liquides détenus par la banque
(LIQ) et en second lieu, un indicateur qui apprécie le niveau des liquidité sur le marché interbancaire,
soit par le ratio des actifs liquides rapportés au total des dépôts et ressources interbancaires (INTERB).
H5 : La liquidité a un impact négatif sur la probabilité de défaillance bancaire en période crise
financière.
3.2.2 Les variables réglementaires
Plusieurs études ont été effectuées dans le but d’étudier l’impact de la réglementation prudentielle sur
la fragilité bancaire [Barth, et al. (2001, 2008 et 2013)]. Plusieurs axes de recherche sont développés,
en particulier, la relation entre le cadre réglementaire et les caractéristiques bancaires et
institutionnelles des pays [Barth, Caprio and Levine, 2001, 2004 2008 et 2013], l’impact du pouvoir de
marché [Lapteacru (2008)], ainsi que la relation entre la réglementation et la structure de gouvernance
[Laeven et Levine (2008)].
Nous avons choisi dans notre étude comme mesures réglementaires, celles portant sur les trois piliers
de Bâle II en plus de la restriction de l’activité bancaire observée au niveau du cadre réglementaire de
chaque pays.
26 D’autres outils sont également couramment employé comme mesure de performance en particulier, le ratio de Marge nette
d’intérêts (marge nette) ou encore la rentabilité des actifs (ROA).
27 L’effet de levier désigne le fait d’accroître la rentabilité d’un investissement par un recours à l’endettement : en effet,
l’endettement accroît mécaniquement la rentabilité des fonds propres.
28 Notamment à travers l’instauration de deux ratios (1) LCR (Liquidity Coverage Ratio). Ce ratio, dont l’objectif principal est
que les réserves de liquidités soient supérieures aux sorties nettes de trésorerie sur un mois, permet aux banques de résister à
une crise de liquidité importantes durant un mois et (2), le ratio NSFR (Net Stable Funding Ratio) dont l’objectif est que le
montant en financement stable soit supérieur au montant de financement stable exigé afin que l’établissement puisse exercer
ses activités durant un an dans un contexte de tensions prolongées.
Electronic copy available at: https://ssrn.com/abstract=3359290

9. 1) L’exigence en capital
La relation entre la réglementation du capital et la défaillance bancaire, a reçu une attention particulière
de la part des autorités de tulles régissant le cadre prudentiel bancaire. D’ailleurs, on voit que toutes
les révisons bâloises (Bâle I, Bâle II et III) font référence à ce volet primordial pour l’activité bancaire.
Quant à l’impact de l’exigence en capital sur la faillite bancaire, la littérature empirique a montré une
divergence sur le sens de cette relation. D’un côté, plusieurs auteurs [Berger et Bouwman (2010);
Beltratti et Stulz (2011), Ioannidis al. (2006)] ont montré une relation négative entre l’exigence en
capital et le risque de défaillance. Ces études supposent qu’une exigence en capital plus élevée permet
d’éponger les pertes en cas de défaillance des emprunteurs et contribue donc à améliorer leur probabilité
de survie en situation de crise financière. D’un autre d’autres travaux [Besanko et kanatas (1996)]
supposent par contre, qu’une exigence en capital plus élevée peut pousser les banques à adopter un
comportement plus risqué, chose permettant d’augmenter la probabilité de faillite.
Comme mesure de cette variable, on a choisi, comme le propose, Barth et al. (2001, 2008 et 2013), de
mesurer l’exigence en capital par un indice construit à partir de la somme des réponses à neuf questions
élaborées par cet indice composite (EXIGC). Cet indice varie de 0 à 9 et croit en fonction du degré de
restriction. Le signe attendu est négatif dans la mesure où des banques fortement capitalisées ne
favorisent pas l’apparition d’une crise bancaire systémique.
H6 : Il est attendu que l’exigence en capital réduit le risque de faillite d’une banque en période crise.
2) La surveillance bancaire
L’indice de supervision mesure la capacité des autorités de tutelle à prendre des mesures de prévention
et à sanctionner les banques ne respectant pas la réglementation en vigueur. Cet indice, qui est calculé à
partir des travaux de Barth et al. (2004, 2008 et 2013), consiste à donner des réponses à 14 questions
(de 0 à 14) portant sur la transparence de l’information sur les engagements hors bilan, le pouvoir des
autorités de supervision à suspendre les distributions de dividendes et bonus… etc. Des valeurs élevées
de cet indicateur (nommé SURV) représentent un plus grand pouvoir de supervision de la part des
autorités de tutelle. Le signe attendu est négatif dans la mesure qu’un régulateur disposant de pouvoirs
plus étendus a la possibilité de détecter une crise et d’agir pour en atténuer les effets plus rapidement.
H7 : Un pouvoir de supervision plus élevé est supposé réduire le risque de défaillance bancaire en
période crise.
3) La discipline de marché
Les crises bancaires survenues durant ces dernières décennies et particulièrement la crise des subprimes,
ont remis en cause la pertinence de l’intervention de l’ ’État. L’avis général sur le plan empirique
l’intervention de l’ ’État est de nature à aggraver l’instabilité bancaire et donc possède un effet négatif
sur le risque de faillite en situation de crise. Toutefois, il faut noter que certains auteurs [Gropp et
Vesala (2004); Nier et Baumann (2006)] soutiennent que la discipline de marché réduit le risque
d’insolvabilité et améliore la stabilité bancaire. D’ailleurs, le comité de Bâle a intégré la discipline de
marché dans le troisième pilier de Bâle II et a imposé des règles en matière de communication
financière.
Pour mesurer la discipline de marché, certaines études ont appliqué un indice29
défini par Barth et al.
(2008 et 2013) comme mesure de discipline de marché. Par contre Cihak (2007) a proposé les dettes
subordonnées comme mesure de la discipline de marché. La dette subordonnée est dotée d’un statut
particulier puisque son remboursement est subordonné à celui des autres types de dettes sans la mesure
qu’elle n’est pas garantie par le système d’assurance dépôts. Dans le cadre de cette étude, on a choisi
de suivre cette dernière approche et on considère que les dettes subordonnées (DSUB) sont considérées
comme une mesure de la discipline du marché.
29
Un indice allant de 0 à 8 indiquant une discipline de marché plus grande pour des valeurs plus élevés.
Electronic copy available at: https://ssrn.com/abstract=3359290

10. H8 : la discipline de marché aurait un impact positif sur la réduction du risque de défaillance bancaire
en période de crise.
4) La réglementation de l’activité bancaire
Limiter les opérations bancaires permet au régulateur de mieux contrôler ce secteur et de cerner
facilement les causes des éventuelles défaillances afin de remédier à des situations préoccupantes. La
restriction de l’activité bancaire peut-être mesurée par un indice tel que construit par Barth et al. (2001,
2008 et 2013) sur la base d’une enquête menée par la banque mondiale. Cet indice (REGLB) fournit
des informations sur le niveau de restrictions des banques à mener des activités d’investissement,
d’assurances et boursières. Selon cet indice, plus la note est élevée plus le niveau de restriction dans le
pays est considéré comme étant élevé.
Sur le plan empirique, la plupart des résultats soutiennent qu’une plus grande restriction d’activité
réduit le risque de défaillance et de crises bancaires [Fernandez et Gonzalez (2005)].
H9 : Il est attendu que les restrictions sur les activités bancaires sont négativement liées au risque de
défaillance bancaire en période de crise.
3.3.3. Les variables macroéconomiques
En plus des variables CAMEL et des variables réglementaires, on a choisi d’inclure dans notre étude
des variables macroéconomiques. On suppose qu’un environnement macroéconomique défavorable agit
négativement sur la qualité du portefeuille et la rentabilité des banques précipitant le système bancaire
dans une situation de détresse. Dans le cadre de notre étude on a choisi d’inclure deux variables
macroéconomiques: (1) le niveau de la croissance du PIB (TPIB). Par l’introduction de cette variable,
on essaye de vérifier les hypothèses que les opportunités d’investissement sont liées aux cycles
macroéconomiques et que les emprunteurs sont plus solvables dans les périodes de croissance
économique. Le signe attendu est négatif dans la mesure où une croissance soutenue n’est pas en faveur
de l’apparition d’une crise bancaire et (2), le niveau de l’inflation (INFLATION). En effet, il est supposé
que l’inflation contribue aussi bien à augmenter les coûts des banques que ses profits à travers une hausse
des taux d’intérêt mais aussi, elle a à court terme un effet négatif sur l’économie et particulièrement,
sur la qualité des emprunteurs des banques. Le signe attendu est donc positif.
Enfin, une autre variable de contrôle a été aussi prise en considération et qui permet de renseigner sur
l’effet taille de la banque. Cette variable est mesurée par le logarithme du total actif (LnTA).
Le tableau 1 résume l’ensemble des variables, la formule de calcul (ou l’indice), le signe de la relation
attendue ainsi que les principales références des variables choisies.
Electronic copy available at: https://ssrn.com/abstract=3359290

11. Tableau 1 : Descriptions des variables et effets attendus
Variables Définitions/Formules Catégorie (CAMEL, RG) Description de
l’effet attendu
Références
des variables
CAP (Fonds propres + provisions)/Total
actifs
C (Capital adequacy) (-) Un niveau élevé des
capitaux propres
renforce la solidité
financière de la
banque et assure
une meilleure
couverture en période
de crise
Pasiouras et al.
(2006)
Bongini, Cassens &
Ferri (2000)
DOT Provisions de créances
douteuses/Total prêtes
A (Asset quality) (+) Un accroissement
de provisions pour
créances douteuses
de la part de la
banque, peut être
considéré comme
signe de risque de
crédit ce qui entraîne
une augmentation de
la probabilité d’avoir
des difficultés et une
fragilité croissante
lors des situations de
crises systémiques.
Jagtiani et al. (2000,
2003) ; Bongini,
Claessens & Ferri
(2000)
COUT Total charges (sauf intérêts
financiers) (/ total actifs
M (Management quality) (+) Un accroissement
des coûts de gestion
de la banque par
rapport à l’ensemble
des revenus est un
signe de mauvaise
gestion et peut
amputer la capacité
bénéficiaire et
limiter ses
ressources internes
surtout lors des
situations des crises.
Pasiouras et al.
(2006)
ROE
LEVIER
Bénéfice net/Total capitaux
propres
Capitaux propres/ Dettes
E (Earning ability) (-) La détérioration
de la rentabilité
financière de la
banque et un
déséquilibre de sa
structure financière
peut inciter la
banque à choisir des
projets risqués pour
défendre leur
rentabilité et
respecter en même
temps les
restrictions
imposées par les
autorités de tutelle
Martin (1977)
LIQ
INTERB
Actifs liquides de CT de la
banque (LCR)
Actifs liquides/ Total dépôts et
ressources interbancaires
L (Liquidity position) (-) La liquidité est
considérée comme
une variable
explicative de risque
de défaillance
bancaire. En effet,
une banque qui a
suffisamment de
liquidités peut
facilement honorer
ses engagements ou
satisfaire les
demandes de
nouveaux crédits ou
Ioannidis,(2010)
Electronic copy available at: https://ssrn.com/abstract=3359290

12. encore faire aux
manques de
liquidités sur le
marché lors des
périodes crise.
Exigence en capital Indice EXIGC Discipline réglementaire (-)(+)
(-) Une exigence en
capital plus élevée
permettant
d’éponger les pertes
en cas de défaillance
des emprunteurs et
contribue donc à
améliorer leur
probabilité de survie
en situation de crise
financière. De plus, il
est supposé que les
banques fortement
capitalisées ne
favorisent pas
l’apparition d’une
crise bancaire
systémique
(+) Une exigence en
capital plus élevée
peut pousser les
banques à adopter
un comportement
plus risqué, chose ce
qui permet
d’augmenter la
probabilité de faillite
en situation de crise
Barth et al. (2001,
2008 et 2013)
Beltratti et Stulz
(2011), Pasioura et
al (2006)
Besanko et kanatas
(1996)
Surveillance bancaire Indice SURV Discipline réglementaire (-) Des valeurs
élevées de
l’indicateur SPOWER
représentent un plus
grand pouvoir de
supervision de la part
des autorités de
tutelle et donc une
plus grande
immunité contre les
risques et les effets
d’une crise
systémique.
Barth et al. (2001,
2008 et 2013)
Discipline du marché DSUB Discipline réglementaire (-) Une discipline et
un suivi rigoureux
du marché de
l’activité bancaire est
de nature à réduire
le risque
d’insolvabilité, à
améliorer la stabilité
bancaire et à
renforcer sa capacité
à faire face aux
évènements liés aux
risques systémiques.
Cihak (2007)
Règlementation de
l’activité
Indice REGLB Discipline réglementaire (-)
(-) Limiter les
opérations bancaires
Barth et al.(2001,
2008 et 2013)
Fernandez et
Gonzales (2005)
Electronic copy available at: https://ssrn.com/abstract=3359290

13. à travers un cadre
réglementaire plus
stricte permet au
régulateur de mieux
contrôler le secteur
et de cerner
facilement les causes
des éventuelles
défaillances afin de
remédier à des
situations
préoccupantes en
l’occurrence des
périodes de crise.
Croissance du PIB Le niveau de croissance du PIB Macroéconomique (-) Une croissance
soutenue n’est pas
en faveur de
l’apparition d’une
crise bancaire
Barth et al. (2001,
2008 et 2013)
Inflation Le niveau de l’inflation Macroéconomique (+ L’inflation
contribue aussi bien
à augmenter les
coûts des banques
que ses profits à
travers une hausse
des taux d’intérêt
mais aussi, elle a à
court terme un effet
négatif sur
l’économie et
particulièrement sur
la qualité des
emprunteurs des
banques
Barth et al. (2001,
2008 et 2013)
3.3 Méthodologie : le modèle Logit
L’examen descriptif des données de l’échantillon nous a permis d’avoir un préambule sur les variables
ayant un impact sur la vulnérabilité bancaire. Toutefois, nous ne pouvons pas exclure l’hypothèse selon
laquelle les différences constatées au niveau réglementaire sont à l’origine d’un nombre de défaillances
très différent d’un pays à l’autre observées pendant la période de la crise financière. Pour mieux
comprendre les mécanismes déclenchant la défaillance bancaire en période post crise, on a procédé à
une estimation d’un modèle économétrique de forme Logit30
sur la période d’estimation (2007-2011).
Ce type de modèle est supposé permettre une meilleure formalisation, et donc permet de mieux
interpréter économiquement les paramètres mettant en relation la vulnérabilité bancaire en
période de crise aux variables explicatives.
La probabilité qu’une banque soit du type défaillant (DEF) est estimée en se basant sur un modèle du
type Logit binomial (multivarié) sur des données de panels
La formulation de ce modèle Logit suppose qu’il y a une variable dépendante binaire latente ()∗
). La
modélisation ne porte pas sur la variable dépendante ( )∗
) elle-même, mais plutôt la probabilité [P
() = 1)] que cette variable prenne la valeur 1. Pour modéliser cette probabilité, nous faisons
l’hypothèse que la décision repose sur la valeur prise par une variable inobservable ( )∗
) appelée
variable latente selon le schéma où la variable observée ( ) ) est reliée à la variable latente par les deux
30
Le modèle Logit suppose que, )∗
soit une variable dépendante binaire latente. Dans ce cadre d’analyse, On ne modélise
pas la variable )∗
elle-même mais la probabilité (P(" = 1)) que cette variable prenne la valeur 1. Pour modéliser cette
probabilité, nous faisons l’hypothèse où la décision repose sur la valeur prise par une variable inobservable )∗
(variable latente)
selon le schéma où la variable observée,) , est reliée à la variable latente par : (1) ) = 1 si la banque est du type défaillant,
c’est-à-dire si )∗
> 0 ; (2) ) = 0 si la banque est non défaillante, c’est-à-dire si )∗
<= 0.
Electronic copy available at: https://ssrn.com/abstract=3359290

14. éventualités suivantes: (1) ) = 1 si la banque est défaillante, c’est-à-dire si )∗
> 0 et (2), ) = 0
si la banque est non défaillante ou saine, c’est-à-dire si )∗
≤ 0.
La formulation du modèle Logit suppose ainsi, qu’une variable dépendante ()∗
) dépend linéairement
d’un certain nombre de variables explicatives (- ). Le modèle peut être formulé comme suit :
)∗
= .’
- + 0 (2)
Avec i = banque 1,…., 189 ; et t = 2007,…,2011
Par conséquent :
"() = 1) = "()∗
≥ 0) = 123’
- 4 =
567
8’9:;
< 5678’9:;
(3)
F désigne la fonction de répartition logistique
4.2.1. Formulation du modèle
Pour estimer le modèle en forme Logit, on a choisi deux variables dépendantes différentes permettent
d’apprécier le niveau du risque de faillite bancaire lors de la crise financière des subprimes. Les variables
dépendantes sont respectivement, le Z-score31
(modèle 1) et le rating32
(modèle 2). Les deux modèles
sont exprimés comme suit :
Modèle 1 : ) = .= + ∑ .?
@
?A< B C?, , + ∑ .?E
@E
?E FG ,?E + ∑ .?EE
@EE
?EE B?HH, + 0 , (4)
Modèle 2 : ) = .= + ∑ .?
@
?A< B C?, , + ∑ .?E
@E
?HA< FG ,?E + ∑ .?EE
@EE
?EE B?HH, + 0 , (5)
Avec, i = 1,2,……,189 et t = 2007,2008…20011.
Ainsi, nous avons scindé le vecteur des variables explicatives en trois groupes, CAM, REG et C :
B C?, , : représente les k variables CAMELS de la banque i à la date t.
FG ,?E: représente les k’ variables de réglementation et de supervision que subie la banque i.
B : Le vecteur des variables de contrôle regroupant les indicateurs macro-économiques du pays de la
banque i (inflation et PIB), ainsi que la taille de la banque i.
Les β sont les paramètres à estimer du modèle. Les 0i,t sont les erreurs de spécification du modèle suivant
la loi logistique et vérifiant les hypothèses classiques (indépendants et identiquement distribués).
La décision d’une banque d’être en défaut (en faillite) ou non est un choix binaire33
. Dans notre étude,
la variable dépendante est une variable dichotomique, et peut donc prendre seulement deux valeurs,
respectivement 0 et 1.
Concernant les variables expliquées (Zscore et JK ), elles permettent d’apprécier le risque de
faillite bancaire en période crise financière, le Z-score comme variable dépendante qui mesure le
risque en ex ante et le rating pour une mesure en ex post.
31
Le Z-score est considéré comme étant une variable ex ante de détection de difficulté financière de la banque.
32
Le rating est considéré comme étant une variable ex post de mesure et de quantification de la probabilité de défaut de la
banque.
33
Comme on a montré précédemment deux groupes de banques sont créés, les banques défaillantes (DEF) et les banques non
défaillantes (NDEF). Pour chaque groupe de banques, on leur associe la variable binaire correspondante (0 ou 1) et donc les
données correspondantes en matière de variables explicatives.
Electronic copy available at: https://ssrn.com/abstract=3359290

15. Les estimations sont effectuées par u modèle Logit et en données de panel. Afin de mieux contrôler les
hétérogénéités inobservées34
nous avons procédé en premier lieu à des séries de spécifications des séries
de données. Les estimations sont effectuées, selon le modèle choisi (effet fixe ou effet aléatoire), soit
par des MCO ou des MCG.
4. Résultats et interprétations
4.1. Etude préliminaire
En premier lieu, on a commencé par mener une étude descriptive. Cette étude a pour objectif la
détermination des facteurs qui contribuent le plus à la vulnérabilité bancaire pendant la période où est
survenue la crise des subprimes. À cet effet, nous avons calculé le taux de croissance par pays des
différentes variables CAMEL (figure 4).
Figure 4. Evolution des variables CAMEL observée pendant la période de la crise des
subprimes (2007-2009)
L’examen descriptif des variables CAMEL montre une forte chute quasi générale de la performance des
banques européennes pendant toute la période de la crise financière des subprimes à savoir la période
2007-200935
. On constate également que les banques britanniques et grecques sont plus enclines à la
prise de risque. En effet, nous constatons une détérioration de la qualité des actifs telle que mesurée par
le ratio des dotations sur les revenus (DOT). Ces deux pays ont subi de plein fouet et ont été le plus
touchés par les effets de la crise des subprimes. Ces observations se trouvent d’ailleurs, confirmées par
le nombre croissant de faillites bancaires (figure 3). En effet, nous constatons que, la Grèce suivie par
le Royaume- Uni, a connu les plus grands pourcentages de banques défaillantes. Néanmoins, les
systèmes bancaires espagnols et italiens ont été les plus robustes et ont pu résister aux effets de la crise.
Pour mieux cerner les effets des variables CAMEL et les dettes subordonnées sur la vulnérabilité
bancaire et la probabilité de faillite, nous avons distingué entre les banques saines ou non défaillantes
(NDEF) et les banques défaillantes (DEF) en période de la crise des subprimes, soit la période 2007-
2009 (figure 5).
De cette étude descriptive, il ressort aussi que plusieurs facteurs ont été révélés déterminants dans
l’explication de la vulnérabilité du secteur bancaire dans la zone Euro pendant la période de la crise
financière. Nous citons en particulier, une faible capitalisation, une mauvaise qualité du portefeuille
bancaire résultant d’une augmentation des dotations, une forte croissance des crédits, une faible liquidité
des banques surtout interbancaire. En effet, en observant le nombre de banques défaillantes et de
banques saines pendant la période crise, on montre que (figure 5) l’accumulation des risques dans le
système bancaire est principalement due à une faible capitalisation, des réserves en liquidité
insuffisantes et à un excès de l’endettement mesuré essentiellement par le levier financier.
34 Un test de spécification d Hausman (1978) a été réalisé pour tester si les composantes individuelles sont fixes ou aléatoires.
Le résultat du test permet le rejet dans la plupart des cas l’hypothèse du modèle à effet fixe.
35
Sauf en Espagne dont la baisse reste limitée
-250
-200
-150
-100
-50
0
50
100
150
200
Allemagne Espagne France Grande
Bretagne
Grèce Italie
CAP
DOT
COUT
ROE
LIQ
INTERBC
Electronic copy available at: https://ssrn.com/abstract=3359290

16. Figure 5. Comparaison entre banques défaillantes (DEF) et banques saines (NDEF)
pendant la période de la crise des subprimes (2007-2009)
La stabilité du système bancaire dépend de la politique réglementaire adoptée par les autorités
nationales. Pour notre cas, ce type de relation est de nature à nous aider à établir un lien descriptif entre
ces variables et le nombre de faillites ou d’intervention de l’État observé. Pendant la période de crise
financière, les résultats montrent (figure 6) qu’aucune faillite n’a été observée pendant la période de
crise et qu’aucun programme de sauvetage par l’État aussi n’a été accordées au profit des banques
espagnoles et italiennes. Ceci démontre que ces deux systèmes bancaires ont pu réellement résister grâce
à une réglementation plus rigoureuse entrainant ainsi une faible exposition au risque de contagion en
période de crise. Ce constat peut s’expliquer essentiellement, d’une part, par l’adoption d’un niveau de
restriction de l’activité bancaire élevée (cas de l’Italie) et d’autre part, par un degré de supervision et un
contrôle réglementaire le plus élevé (cas de l’Espagne) (figure 7).36
Figure 6 : Répartition des banques défaillante par pays pendant la crise financière
(2007-2009)
36
En 2007, soit juste avant le déclenchement de la crise des subprimes, l'agence Moody's publiait une étude
concluant que les banques françaises sont bien armées contre la crise grâce à leur modèle diversifié, mais aussi
parce qu'elles sont organisées sous forme de groupes et ont bénéficié à plusieurs reprises dans le passé, de soutien
systémique.
0
20
40
60
80
100
120
140
160
180
CAP DOT COUT roe LIQ inter lnta levier DSUB
NDEF
DEF
0
10
20
30
40
50
60
70
80
Allemagne Espagne France Grande
Bretagne
Grèce Italie
Nombre de faillites Nombre total de banques
Electronic copy available at: https://ssrn.com/abstract=3359290

17. Figure 7 : Répartition des variables réglementaires par pays en période de la crise
financière (2007-2009).
4.2. Résultats des estimations
4.2.1 Statistiques descriptives
On a commencé en premier lieu par la détermination des statistiques descriptives de notre modèle (voir
tableau 2)
Tableau 2. Tableau des statistiques descriptives
NDEF DEF
Mean Min Max Std. dev N Mean Min Max Std. dev. N
CAP 9,19 0,38 98,80 7.66 166 6,20 -1,86 73,30 25.56 23
DOT 17,62 -341,19 597,76 12.56 166 21,57 -32,50 83,28 12.52 23
COUT 66,77 2,50 466,73 18.63 166 64,28 22,47 227,66 56.2 23
ROE 6,90 -109,38 106,38 2.29 166 5,93 -224,72 44,19 12.2 23
LIQ 40,22 0,02 286,21 63.26 166 38,63 0,02 389,73 42.2 23
INTERB 165,62 0,00 980,00 84.63 166 120,13 4,31 992,99 65.23 23
lnta 15,73 10,20 21,86 19.65 166 17,89 11,95 21,82 2.25 23
levier 18,36 1,63 264,95 26.54 166 31,55 -53,83 259,57 26.35 23
tpib 1,99 -1,20 5,90 1.25 166 2,60 -0,40 5,90 1.25 23
inflation 2,13 1,00 4,22 0.26 166 2,31 1,00 3,88 0.25 23
DSUB 26,71 0,00 82,61 26.87 110 42,32 1,31 820,17 12.56 18
NDEF : Banques non défaillante en période de crise financière (2007-2009)
DEF : Banques défaillantes en période de crise financière (2007-2009)
4.2.2 Interprétations des résultats
Les tableaux 3 et 4 résument les résultats des estimations trouvés
0
2
4
6
8
10
12
14
Allemagne Espagne France Grande
Bretagne
Grèce Italie
Restriction de l’activité Exigence en capital Supervision
Discipline de marché Assurance dépôts
Electronic copy available at: https://ssrn.com/abstract=3359290

18. Tableau 3. Estimation du risque de défaillance bancaire par le Z-score (modèle 1)
Zscore1 Zscore2 Zscore3 Zscore4 Zscore5
CAP -0,672*** -0,697*** -0,887*** -0,892*** -0,179***
DOT 0,017 0,018 -0,006 -0,006 -0,023
COST 0,006 0,010 0,023 0,022* -0,017
ROE -0,082*** -0,082*** -0,124*** -0,123*** -0,158***
LIQ -0,020 -0,057** -0,056** -0,0521** -0,028
INTERB 0,002 0,004** 0,005*** 0,005** 0,006**
LnTA -0,305* -0,384 -0,460** -0,467** -0,799**
LEVIER -0,009 0,006 -0,013 -0,013 0,066
TPIB -0,071 -0,140 0,011 0,001 0,080
INFLATION 0,178 0,024 0,282 0,120 -0,083
EXIGC -0,102 -2,489** -2,048* -4,191**
SURV -6,395** -3,340* -7,780**
REGL -0,254 -0,242
DSUB 0,139
CONST 3,967 5,373 63,709*** 51,594** 90,327**
N
observations
697 603 603 603 435
L
ajustée 0.768 0.758 0.658 0.643 0.652
F statistique 0.002*** 0.001*** 0.019*** 0.0004*** 0.0003***
Hausman test 0.356 0.215 0.125 0.112 0.08
FEM ou REM REM REM REM REM REM
(***) ; (**) ; (*), représentent respectivement des niveaux de significativité pour p<0.01, p<0.05, p<0.1
FEM : modèle à effet fixe ; RE : modèle à effet aléatoire
Electronic copy available at: https://ssrn.com/abstract=3359290

19. Tableau 4. Estimation du risque de défaillance bancaire par le rating (modèle 2)
Rating1 Rating2 Rating3 Rating4 Rating5
CAP -0,031** -0,025 -0,015 -0,020 -0,113**
DOT -0,001 -0,004 -0,004 -0,004 -0,007
COST 0,004 0,002 0,002 0,002 -0,006
ROE -0,035*** -0,038*** -0,038*** -0,037*** -0,060***
LIQ 0,001 0,002 0,002 0,003 -0,007
INTERB -0,001** -0,001* -0,001* -0,001* -0,001
LnTA -0,244*** -0,092 -0,092 -0,092 -0,164**
LEVIER 0,008 0,002 0,002 0,002 -0,018
TPIB 0,042 -0,001 -0,001 -0,011 0,088
INFLATION 0,218* 0,089 0,089 0,080 0,025
EXIGC -0,352*** -0,353*** -0,341*** -0,281***
SURV -0,002 0,030 0,063
REGL -0,064 0,188*
DSUB - 0,015**
CONST 2,982*** 3,377*** 3,387** 3,432** 3,931**
N observations 699 605 605 605 437
L
ajustée 0.668 0.558 0.658 0.743 0.752
F statistique 0.012*** 0.001*** 0.012*** 0.004*** 0.003***
Hausman Test 0.256 0.115 0.25 0.12 0.18
FEM ou REM REM REM REM REM REM
(***) ; (**) ; (*), représentent, respectivement, des niveaux de significativité pour une probabilité, p<0.01, p<0.05, p<0.1
FEM : le modèle à effet fixe ; RE : le modèle à effet aléatoire
À partir de de ces résultats trouvés on remarque qui y ait une relation statistiquement significative et
de signe négative entre la variable qui traduit le niveau de capital exigé (CAP) et le risque de faillite
dans les deux modèles. Ce résultat qui est ailleurs conforme aux résultats trouvés par Lanine et Vennet
(2006) et Berger et Bowman (2010), prouvent qu’un ratio de capital élevé réduit le risque financier lié
à l’endettement, et delà, le risque de défaillance bancaire. Ce résultat trouvé est conforme aux nouvelles
exigences réglementaires des accords de Bâle III qui vise à réduire le risque systémique et qui incite
les banques à respecter un certain niveau de fonds propres et disposer ainsi, d’une capacité
supplémentaire d'absorption des pertes par le capital.
Concernant les variables réglementaires, qui permettent d’apprécier l’impact du niveau de contrôle et
de supervision des autorités réglementaires sur le risque de défaillance, une relation statistiquement
significative et de signe conforme aux hypothèses (H6 et H7) a été trouvée pour les variables EXIGC et
SURV lorsque la variable dépendante choisie est le Z-score. Ce résultat, qui est conforme à ceux
d’Admati et al. (2010), confirme et une constatation trouvée précédemment dans notre étude
préliminaire et qui montre que les pays ayant un niveau élevé de supervision et donc un niveau de
surveillance prudentielle plus stricte, ont connu un nombre plus réduit de cas de faillite.
Mais, il faut noter, que lorsque le risque de faillite est apprécié par le rating, les restrictions sur les
activités bancaires (REGL) sont positivement liées au risque de défaillance bancaire. Ce résultat
inattendu et non conforme à l’hypothèse () est similaire à celui trouvé par Barth et al. (2004) et
Angkinand (2009), indique qu’une forte restriction de l’activité peut contribuer à l’augmentation de la
fragilité bancaire.
Electronic copy available at: https://ssrn.com/abstract=3359290

20. Les permettent de constater aussi que la rentabilité, telle que mesurée par le ratio ROE, est pertinente
dans l’explication du risque de défaillance bancaire aussi bien en ex ante37
qu’en ex post. Les profits
bancaires améliorent les capacités financières des banques permettent de disposer d’un niveau de
liquidité plus important et de réduire leur risque de faillite en période de crise. Ce résultat trouvé est
conforme aux travaux de Berger et Bouwman (2010).
Concernant les variables qui apprécient l’impact du niveau de liquidité sur le risque de faillite, on
remarque que lorsque le Z-score est utilisé, les deux variables (LIQ et INTERB) sont statistiquement
résultats empiriques trouvés significatives au seuil de 1%, alors que, lorsque le rating est utilisé seule
la variable qui renseigne sur le niveau de liquidité interbancaire (INTERB) est statistiquement
significative. Ce constat confirme, une autrefois, l’intérêt croissant des autorités de tutelle à ce risque de
liquidité qui est désormais pris en considération après la survenance de la crise des subprimes et dans
les règles prudentielles de Bâle III.
Concernant la variable reflétant la qualité des actifs (DSUB), on remarque que cette variable est
statistiquement significative au seuil de 1% et de signe attendu (valeur négative). Ce résultat trouvé,
va dans le sens que la discipline de marché peut contraindre les banques à adopter un comportement
prudent en matière de prise de risque et réduire par conséquent le risque de défaillance bancaire. Ainsi,
l’augmentation de la dette subordonnée est associée à une prise de risque plus importante de la part des
banques et donc à une mauvaise qualité d’actifs permet d’expliquer, dans quelques mesures, les cas de
faillites observées pendant la crise des subprimes dans la zone Euro.
5. Conclusion
Depuis plusieurs décennies, l’industrie bancaire a fait l’objet de changements notables que ce soit au
niveau de son activité que réglementaires. Ainsi, plusieurs réformes ont été introduites, commençant par
l’accord de Bâle I en 1988 jusqu’à la mise en œuvre de Bâle III révisé en 2011. Toutefois, la question
de l’influence bénéfique de la réglementation prudentielle sur la stabilité du système bancaire reste
toujours un sujet à débat.
Dans le cadre de notre étude on a essayé de tester la réponse du système bancaire européen ainsi que le
rôle et l’impact de la réglementation bancaire sur la probabilité de faillite pendant la période de la crise
des subprimes (2007-2009) au niveau de la zone Euro. Deux indicateurs de mesures de risque de faillite
sont utilisés :(1) un indicateur de mesure ex ante, le Z-score et, (2) un indicateur de mesure ex post, le
rating. La méthodologie adoptée consiste à effectuer des estimations en modèle Logit et en données de
panels et à intégrer comme variables explicatives aussi bien des variables du type CAMEL, des
variables réglementaires et aussi des variables macroéconomiques.
Les résultats empiriques trouvés montrent que, quelle que soit l'approche retenue pour mesurer le risque
de faillite, les variables qui permettent de renseigner sur le renforcement des capitaux propres , le niveau
des réserves de liquidités bancaires , la restriction et la surveillance sur les activités bancaires expliquent
le mieux la défaillance des banques lors de la crise des subprimes (2007-2009). Ces résultats, appuient
la justification de la réglementation du capital et le contrôle bancaire comme moyen de réduction du
risque de faillite.
De plus, le Z-score comme méthode d’évaluation du risque bancaire, montre une supériorité par rapport
au rating pour mieux prévenir en ex post les cas de banques en faillites. Cela pourrait être dû au fait
que les agences de notations n’ont pas pu avoir la capacité d’anticiper les répercussions financières et
économiques de la crise et ne l’ont intégré que tardivement au niveau de la note accordée. La faiblesse
du rating par rapport au Z-score, montre aussi que la capacité des agences de rating à prévenir le risque
de défaillance soulève encore des interrogations sur leurs implications dans la crise des subprimes.
37
Mesuré par le Z-score et le rating
Electronic copy available at: https://ssrn.com/abstract=3359290

21. Bibliographie
[1] Adamati A., De Marzo P., Hellwig M. & Peleiderer P. (2010). Fallacies, Irrelevant Facts and
Myths in the Discussion on Capital Regulation: Why Bank Equity Is Not Expensive. The Rock
Centre for Corporate Governance, Stanford University, Working Paper Series, n° 2063.
https://doi.org/10.2139/ssrn.2349739
[2] Agoraki. M, M. Delis, &. Pasiouras, F. (2011). Regulations, competition and bank risk-taking in
transition countries. Journal of Financial Stability, 7 (1), 38-48.
https://doi.org/10.1016/j.jfs.2009.08.002
[3] Altman, E. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate
Bankruptcy. Journal of Finance, 23, 589-609. https://doi.org/10.2307/2978933
[4] Angkinand P. (2009). Banking regulation and the output cost of banking crises. Journal of
International Financial Markets, Institutions and Money, 19 (2), 240-257.
https://doi.org/10.1016/j.intfin.2007.12.001
[5] Barth, J. R., G. Caprio Jr., & Levine, R. (2001). The regulation and supervision of banks around
the world: a new database. World Bank Working Paper, N°2588.
https://doi.org/10.1353/pfs.2001.0003
[6] Barth, J., G. Caprio Jr., & Levine, R.., (2004). Bank Regulation and Supervision: What Works
Best? Journal of Financial Intermediation, Vol. 13, 205-248. https://doi.org/10.3386/w9323
[7] Barth J., G. Caprio Jr., & Levine, R., (2008). Bank regulations are changing: for better or worse?
Comparative Economic Studies, 50, 537-563. https://doi.org/10.1596/1813-9450-4646
[8] Barth J., G. Caprio Jr., & Levine, R., (2013). Bank Regulation and Supervision in 180 Countries
from 1999 to 2011, NBER Working Paper, No. 18733. https://doi.org/10.3386/w18733
[9] Bongini, P., Claessens, S., & Ferri G., (2000). The political economy of distress of East Asian fi
nancial institutions. Policy Research Working Paper, 2265, Banque mondiale.
https://doi.org/10.1596/1813-9450-2265
[10] Berger A. N., & Bouwman, C. H. S., (2013). How does capital affect bank performance during
financial crises?. Journal of Financial Economics, 109(1), 146-176.
https://doi.org/10.1016/j.jfineco.2013.02.008
[11] Besanko, D., & kanatas, G. (1996). The Regulation of Bank Capital: Do Capital Standards
Promote Bank Safety?. Journal of Financial Intermediation, 5 (2), 160-183.
https://doi.org/10.1006/jfin.1996.0009
[12] Beltratti A. & Stulz, R.M. (2011). The Credit Crisis Around the Globe: Why Did Some Banks
Perform Better?. SSRN Workin paper. https://doi.org/10.2139/ssrn.1572407
[13] Comité de Bâle sur le contrôle bancaire (1997) « Principes Fondamentaux Pour un Contrôle
Bancaire Efficace »; Bâle, Septembre 1997.
[14] Cihak, M. (2007). Systemic Loss: A Measure of Financial Stability. Czech Journal of Economics
and Finance, 57(1-2), 5-26.
[15] Cihak, M. & Hesse, H. (2007). Cooperative banks and financial stability, IMF Working paper,
07(2), 1. https://doi.org/10.5089/9781451865660.001
[16] Cihak, M., & Tieman, A.F. (2008). Quality of financial sector regulation and supervision around
the world, IMF Working Paper, 08 (190), 1. https://doi.org/10.5089/9781451870480.001
[17] Cihak, M., & Poghosyan, T. (2009). Distress in European Banks: an analysis based on a new data
set. SSRN Workin paper. https://doi.org/10.2139/ssrn.1428806
[18] Cubillas, E., Fonseca, A. R., & Gonzalez, F. (2012). Banking crises and market discipline:
international evidence. Journal of Banking and Finance, 36(8), 2285-2298.
https://doi.org/10.1016/j.jbankfin.2012.04.011
Electronic copy available at: https://ssrn.com/abstract=3359290

22. [19] Davis E.P. & Karim, D. (2008). Comparing early warning systems for banking crises. Journal of
Financial Stability, 4(2), 89-120. https://doi.org/10.1016/j.jfs.2007.12.004
[20] De Nicoló G., Jalal A B., & Boyd J.H., (2006). Bank Risk-Taking and Competition Revisited:
New Theory and New Evidence. IMF Working Paper, 06(297), 1.
https://doi.org/10.5089/9781451865578.001
[21] Fernandez, A. I., & Gonzalez, F. (2005). How accounting and auditing systems can counteract
risk shifting of safety nets in banking. Some International evidence. Journal of Financial Stability,
1, 466- 500. https://doi.org/10.1016/j.jfs.2005.07.001
[22] Flannery, M. J., & Rangan, K.P. (2008). What Caused the Bank Capital Buildup of the 1990s?
Handbook of Financial Intermediation and Banking, 375- 411. https://doi.org/10.1016/b978-
044451558-2.50019-2
[23] Gaganis, C., Pasiouras, F., & Zopounidis, C. (2006). The impact of bank regulations, supervision,
market structure, and bank characteristics on individual bank ratings: a cross-country analysis.
Review of Quantitative Finance and Accounting, 27, 403c438. https://doi.org/10.1007/s11156-006-
0045-0
[24] Goyeau, D., Sauviat,A. & Tarazi, A. (2001). Marché financier et évaluation du risque bancaire.
Les agences de notation contribuent-elles à améliorer la discipline de marché ? Revue Economique,
52(2), 265-283. https://doi.org/10.2307/3503048
[25] Gropp, R., & Vesala, J. (2004). Deposit insurance, moral hazard, and market monitoring. Review
of Finance, 8 (4), 571-602. https://doi.org/10.1093/rof/8.4.571
[26] Ioannidis, C., Pasiouras, F., & Zopounidis, C. (2010). Assessing bank soundness with
classification techniques. Revue Omega, 38(5), 345-357.
https://doi.org/10.1016/j.omega.2009.10.009
[27] Koehn, M., & Santomero, A.M. (1980). Regulation of Bank Capital and Portfolio Risk. The
Journal of Finance, 35 (5), 1235-1244. https://doi.org/10.1111/j.1540-6261.1980.tb02206.x
[28] Lanine,G., & Vander Vennet, R..(2006). Failure prediction in the Russian bank sector with logit
and trait recognition models. Expert Systems with Applications, 30, 463-478.
https://doi.org/10.1016/j.eswa.2005.10.014
[29] Laeven, L. & Valencia, F. (2010). Resolution of Banking Crises: The Good, the Bad, and the
Ugly, FMI, Working Paper. https://doi.org/10.5089/9781455201297.001
[30] Lapteacru, I. (2008). Incitation à la prise de risque sous la réglementation du capital, Revue
économique, 59 (3), 463. https://doi.org/10.3917/reco.593.0463
[31] Laeven L.A., & Levine, R. (2008). Bank Governance, Regulation, and Risk Taking. SSRN Workin
Paper. https://doi.org/10.3386/w14113
[32] Martin, D., (1977). Early warning of bank failure: A logit regression approach. Journal of Banking
and Finance, 1 (3), 249-76. https://doi.org/10.1016/0378-4266(77)90022-x
[33] Myers, S. (1977). Determinants of corporate borrowing. Journal of Financial Economics, 5, I (2),
147-175. https://doi.org/10.1016/0304-405x(77)90015-0
[34] Modigliani, F. & Miller, M. (1963). Corporate Income Taxes and the Cost of Capital: A
Correction. American Economic Review, 53, 433-443.
[35] Myers, S., & Majluf, N. (1984). Corporate financing and investment decisions when firms have
information that investors do not have. Journal of Financial Economics, 13(2), 187-221.
https://doi.org/10.1016/0304-405x(84)90023-0
[36] Nier, E., & Baumann, U. (2006). Market discipline, disclosure and moral hazard in banking,
Journal of Financial Intermediation, 15(3), 332-361. https://doi.org/10.1016/j.jfi.2006.03.001
Electronic copy available at: https://ssrn.com/abstract=3359290

23. [37] Rojas-Suarez, L. (2002). Can international capital standards strengthen banks in emerging
markets? SSRN Working Paper (2001). https://doi.org/10.2139/ssrn.300895
[38] Sassenou M. (1992). Économies des coûts dans les banques et les caisses d'épargne, impact de la
taille et de la variété de produits. Revue Economique, 43(2), 277. https://doi.org/10.2307/3501993
[39] Uhde, A. & Heimeshoff, U. (2009). Consolidation in banking and financial stability in Europe:
Empirical evidence. Journal of Banking & Finance, 33 (7), 1299 -1311.
https://doi.org/10.1016/j.jbankfin.2009.01.006
Electronic copy available at: https://ssrn.com/abstract=3359290