De rentemarge van banken

UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2011 – 2012

De rentemarge van banken

Masterproef voorgedragen tot het bekomen van de graad van Master of Science in de Toegepaste Economische Wetenschappen: Handelsingenieur

Jasper Dely Thomas Lambert

onder leiding van Prof. dr. Rudi Vander Vennet,

onder begeleiding van Valerie De Bruyckere

II

UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2011 – 2012

De rentemarge van banken

Masterproef voorgedragen tot het bekomen van de graad van Master of Science in de Toegepaste Economische Wetenschappen: Handelsingenieur

Jasper Dely Thomas Lambert

onder leiding van Prof. dr. Rudi Vander Vennet,

onder begeleiding van Valerie De Bruyckere

III

- PERMISSION

Ondergetekenden verklaren dat de inhoud van deze masterproef mag geraadpleegd en/of gereproduceerd worden, mits bronvermelding.

Jasper Dely Thomas Lambert

IV

Woord vooraf Onze dank gaat uit naar Professor Rudi Vander Vennet voor het aanbieden van dit uiterst interessant onderzoeksthema en het ter beschikking stellen van de noodzakelijke papers om ons onderzoek aan te vatten.

Daarnaast willen we ook nog Valerie De Bruyckere bedanken voor de vele verhelderende antwoorden op al onze vragen.

Als laatste wensen we ook onze ouders in de bloemetjes te zetten voor hun jarenlange steun gedurende onze opleiding en tijdens dit laatste masterjaar in het bijzonder.

V

INHOUDSTAFEL LIJST VAN AFKORTINGEN ............................................................................................. VIII LIJST VAN FIGUREN ........................................................................................................... IX LIJST VAN TABELLEN ........................................................................................................ IX 1

INLEIDING ....................................................................................................................... 1

2

TRADITIONELE ROL VAN BANKEN ........................................................................... 2 2.1

Klassieke financiële intermediatie........................................................................................ 2

2.2

Financiële intermediatie en economische groei................................................................... 3

2.2.1 2.2.2 2.2.3 2.2.4 2.2.5

2.3

Vlotte verhandeling van goederen en diensten .................................................................................. 4 Mobiliseren van besparingen ............................................................................................................. 4 Allocatie van middelen...................................................................................................................... 4 Corporate control............................................................................................................................... 5 Risicobeheer ...................................................................................................................................... 5

Interpretatie netto interest marge ........................................................................................ 7

3 VERSCHUIVING NAAR NIET-INTEREST ACTIVITEITEN EN SERVICES VANAF DE JAREN ’90............................................................................................................ 8 4

WERELDWIJDE FINANCIËLE CRISIS (2007-2008) ................................................ 12 4.1

Aanzet financiële crisis ........................................................................................................ 12

4.2

Vastgoedbubbel ................................................................................................................... 12

4.3

US subprime crisis ............................................................................................................... 13

4.4

Uitbreiding op wereldschaal ............................................................................................... 14

4.5

Wie draagt de verantwoordelijkheid? ............................................................................... 16

5

BACK TO THE BASICS ................................................................................................. 18

6

OPZET ONDERZOEK .................................................................................................... 20

7

OPSTELLEN MODEL EN HYPOTHESES .................................................................. 22

8

7.1

Basismodel Ho en Saunders (1981) .................................................................................... 22

7.2

Eigen model voor de determinanten van de NIM ............................................................ 23

7.3

Hypotheses ........................................................................................................................... 32

METHODOLOGIE, DATA EN RESULTATEN ........................................................... 36 8.1 8.1.1 8.1.2 8.1.3

8.2 8.2.1 8.2.2 8.2.3

8.3 8.3.1 8.3.2 8.3.3 8.3.4

Methodologie........................................................................................................................ 36 Single vs. Dual stage ....................................................................................................................... 36 Fixed vs. Random effects ................................................................................................................ 38 Betrouwbaarheid model .................................................................................................................. 39

Data ....................................................................................................................................... 41 Databronnen .................................................................................................................................... 41 Dummies ......................................................................................................................................... 43 Beschrijving data ............................................................................................................................. 43

Resultaten ............................................................................................................................. 49 Basisregressie .................................................................................................................................. 49 Alternatieve regressies .................................................................................................................... 53 Impact financiële crisis .................................................................................................................... 55 Bankrisico en marktbeta .................................................................................................................. 59

VI

9

CONCLUSIE .................................................................................................................... 63

BIBILIOGRAFIE .................................................................................................................... X BIJLAGEN .......................................................................................................................... XVII

VII

LIJST VAN AFKORTINGEN ABS = Asset-Backed Security BBP = Bruto Binnenlands Product CAPM = Capital Asset Pricing Model CBFA = Commissie voor het Bank-, Financie- en Assurantiewezen CDO = Collateralized Debt Obligation CDS = Credit Default Swap ECB = Europese Centrale Bank EESA = Emergency Economic Stabilization Act FE = Fixed Effects FED = Federal Reserve MBS = Mortgage-Backed Security NIM = Netto Interest Marge RE = Random Effects ROE = Return On Equity SPV = Special Purpose Vehicle VIF = Variance Inflation Factor WACC = Weighted Average Cost of Capital

VIII

LIJST VAN FIGUREN Figuur 1: Indirecte en directe financiering (Vander Vennet, 2007) ......................................... 2 Figuur 2: Financiële intermediatie en economische groei (Vander Vennet, 2007).................. 6

LIJST VAN TABELLEN Tabel 1: Beschrijving variabelen ...........................................................................................31 Tabel 2: Verwachte impact variabelen op NIM .....................................................................32 Tabel 3: Gemiddelde, standaarddeviatie, minimum en maximum van de variabelen voor 2004-2009 ............................................................................................................................44 Tabel 4: Evolutie van de gemiddeldes per variabele voor 2004-2009 ...................................44 Tabel 5: Gemiddelde van de variabelen per land voor 2004-2009 ........................................48 Tabel 6: Regressieresultaten basisregressies ......................................................................50 Tabel 7: Impact van de variabelen uit de basisregressie ......................................................53 Tabel 8: Regressieresultaten crisisregressie ........................................................................57 Tabel 9: Regressieresultaten bankrisico ...............................................................................60 Tabel 10: Regressieresultaten marktbeta .............................................................................61 Tabel 11: Regressieresultaten bankrisico en marktbeta .......................................................62

IX

1 INLEIDING Reeds sinds het begin van onze academische carrière - 2007 - werden we ten volle geconfronteerd met wat volgens velen beschouwd kan worden als de ergste financiële crisis sinds 1929 (Barack Obama, 2008). Dit leidde ertoe dat in vele cursussen bijzondere aandacht werd besteed aan dit actuele onderwerp. Op deze manier werd onze interesse in de financiële crisis en zijn gevolgen optimaal gestimuleerd. Toen we de mogelijkheid kregen een masterproef te schrijven die nauw aansloot bij dit onderwerp, waren we dan ook meteen enthousiast om ons hierin te verdiepen.

Concreet bestuderen we in deze masterproef de determinanten van de netto interest marge (NIM) van banken waarbij speciale aandacht wordt besteed aan de impact van de financiële crisis.

De eerste 4 hoofdstukken behandelen de traditionele rol van banken, de evolutie naar een hoger aandeel niet-interest inkomsten bij de banken, het ontstaan van de financiële crisis en de daaropvolgende wereldwijde tendens om terug “back to the basics” in bankieren te gaan.

Na deze literatuurstudie gaan we over tot het opstellen van een eigen model voor het verklaren van de NIM en formuleren we hypotheses omtrent de opgenomen determinanten en de invloed die de crisis op deze NIM heeft. Daarnaast worden twee extra variabelen die betrekking hebben op de aandelenmarkt - bankrisico en marktbeta - in het model geïntroduceerd.

Ons model wordt vervolgens getest op een sample West-Europese banken en de resultaten van dit onderzoek worden gerapporteerd.

1

2 TRADITIONELE ROL VAN BANKEN In dit eerste hoofdstuk behandelen we de traditionele rol van banken en gaan we dieper in op de relatie tussen financiële intermediatie en economische groei. Ook de interpretatie van de netto interest marge (NIM) komt aan bod.

2.1 Klassieke financiële intermediatie We gaan van start met een korte bespreking van de traditionele rol van banken, dit is financiële intermediatie tussen spaarders of uitleners en besteders of ontleners. Deze financiële intermediatie vindt plaats tussen de verschillende macro-economische actoren die binnen een economie voorkomen: gezinnen, ondernemingen, overheid en buitenland. Actoren met een overschot of surplus kunnen hun overtollig geld ofwel via directe ofwel via indirecte kanalen ter beschikking stellen van actoren met een tekort of deficit aan cash. Wanneer dit via indirecte kanalen wordt gedaan, doen zij een beroep op financiële intermediairs zoals banken, beleggingsfondsen etc. die de middelen van spaarders werven en ze vervolgens doorsluizen naar verschillende besteders. Wanneer dit via directe kanalen gebeurt, verloopt de transactie niet via een financieel intermediair maar spreken de ontleners de spaarders direct aan, hetzij via financiële markten, hetzij rechtstreeks. Figuur 1 geeft dit schematisch weer (Vander Vennet, 2007).

Figuur 1: Indirecte en directe financiering (Vander Vennet, 2007)

2

Financiële intermediatie vormt de eigenlijke basisactiviteit van banken en genereert inkomsten doordat banken een spread hanteren tussen de rente die ze betalen aan hun depositohouders en de rente die ze verdienen op hun leningen. Deze spread zorgt voor opbrengsten die - na aftrek van de operationele rentekosten - leiden tot winst. Het verschil tussen de renteopbrengsten en de rentekosten als percentage van de totale renteopbrengende activa wordt gedefinieerd als de netto interest marge (NIM). Terwijl de interpretatie van de NIM aan bod zal komen in punt 2.3, zullen de specifieke determinanten van de NIM besproken worden in punt 7.2.

2.2 Financiële intermediatie en economische groei Sommige economen stellen dat het financieel systeem - met de financiële intermediairs, markten en instituties - een cruciale en causale invloed uitoefent op de groei van de economie (Bagehot, 1873). Financiële systemen hebben primair namelijk één functie: “ze vergemakkelijken de allocatie van middelen, zowel over tijd als over ruimte, in een omgeving gekenmerkt door onzekerheid” (Merton & Bodie, 1995, p.12). Levine (1997) splitst deze primaire functie op in 5 afzonderlijk te onderscheiden basisfuncties: vlotte verhandeling van goederen en diensten, mobiliseren van besparingen, allocatie van middelen, corporate control en risicobeheer. De vervulling van deze 5 basisfuncties door financiële systemen - in dit geval financiële intermediairs - maakt ondermeer een efficiëntere kapitaalaccumulatie en meer technologische innovatie mogelijk, zoals we verder zullen illustreren. Deze kapitaalaccumulatie en technologische innovatie vormen op hun beurt de motor voor economische groei (Lucas, 1988; Romer, 1990).

Men kan stellen dat in een economie zonder fricties financiële intermediatie overbodig is: “wanneer markten perfect en compleet zijn, dan is de allocatie van middelen Pareto-efficiënt en is er geen ruimte voor intermediairs om de welvaart te verhogen” (Allen & Santomero, 1998, p. 1462). Indien er dus geen informatie- of transactiekosten verbonden zijn aan het uitwisselen van middelen tussen de verschillende economische actoren, dan is er geen nood aan extra instituties of instellingen om een optimale allocatie te verwezenlijken: deze zal door directe marktwerking spontaan en efficiënt tot stand komen. In een economie zonder fricties betekent de tussenkomst van extra instellingen immers een verspilling van middelen zonder dat er extra voordelen worden gegenereerd, wat inefficiënt is en een negatieve invloed heeft op economische ontwikkeling en groei. Het feit dat deze fricties in de reële economie wel aanwezig zijn zorgt voor het bestaan van financiële systemen die deze informatie- en transactiekosten voor de verschillende economische actoren proberen te reduceren (Leland & Pyle, 1977; Benston & Smith, 1976).

3

In wat volgt worden de 5 basisfuncties van financiële systemen - zoals gedefinieerd door Levine (1997) - meer gedetailleerd besproken.

2.2.1 Vlotte verhandeling van goederen en diensten In de eerste plaats zorgen financiële systemen ervoor dat de uitwisseling van goederen en diensten op een vlotte en goedkope manier kan gebeuren. Terwijl men vroeger beroep moest doen op ruilhandel om goederen en diensten van andere actoren te verwerven, kan men deze producten tegenwoordig “kopen” met geld. Een groot deel van de informatiekosten inherent verbonden aan ruilhandel - het inschatten van de subjectieve waarde van de producten of diensten die worden geruild - kan op deze manier worden gereduceerd. Dit maakt specialisatie binnen organisaties mogelijk: gespecialiseerde organisaties hebben nood aan een groot aantal transacties en hebben dus een voorkeur voor efficiënte en goedkope transacties. Het was Adam Smith (1776) die al vroeg aantoonde dat specialisatie leidt tot hogere productiviteit en innovatie.

2.2.2 Mobiliseren van besparingen Onder het mobiliseren van besparingen verstaat men het poolen van het geld van verschillende spaarders door de financiële intermediairs. Op die manier kunnen de intermediairs een voldoende grote som spaargeld investeren zodat de ontlenende organisaties hun projecten en productieprocessen op een economisch efficiënte schaal kunnen implementeren (Sirri & Tufano, 1995). Indien spaarders hun geld individueel zouden investeren zou het voor organisaties veel moeilijker zijn om hun projecten op een efficiënte schaal te verwezenlijken, wat economisch niet optimaal is.

2.2.3 Allocatie van middelen Informatiekosten zorgen verder voor een suboptimale allocatie van middelen. Het is voor de individuele spaarder of belegger zeer duur om betrouwbare informatie te bemachtigen over iedere organisatie waarin hij/zij eventueel geïnteresseerd is. Dit zorgt ervoor dat bepaalde investeringen in beloftevolle projecten vaak niet doorgaan wegens een tekort aan betaalbare informatie aan de zijde van de spaarders. Deze hoge informatiekosten vormen een stimulans voor de ontwikkeling van financiële intermediairs (Boyd & Prescott, 1986). Deze instellingen hoeven slechts éénmalig te investeren in de ontwikkeling van kennis en het verwerven van de nodige informatie om deze vervolgens ter beschikking te kunnen stellen van hun spaarders. Op die manier kunnen spaarders en beleggers informatie tegen beperkte kost verkrijgen wat leidt tot betere investeringen en dus een betere allocatie van middelen (Levine, 1997).

4

2.2.4 Corporate control Financiële intermediairs nemen verder ook de taak van corporate control op zich waardoor ze het probleem van “moral hazard” - waarbij door de ontleners beslissingen worden genomen die nadelig zijn voor de spaarders omdat de ontleners niet zelf instaan voor de gevolgen en risico’s van hun beslissingen - proberen te beperken. Het is immers verre van zeker dat de ontlener zich aan de gemaakte afspraken met betrekking tot het gebruik van het geld zal houden eens de transactie is voltooid. Wanneer dit risico niet wordt ingeperkt zullen spaarders niet geneigd zijn om hun geld te investeren. De financiële intermediairs vervullen dus de rol van “delegated monitors” (Diamond, 1984): ze voeren de noodzakelijke monitoring en controle uit als één enkele partij, in naam van de verschillende spaarders die in de organisatie hebben geïnvesteerd. Op die manier worden de kosten gespreid, eerder dan door iedere individuele belegger afzonderlijk te worden betaald.

2.2.5 Risicobeheer Risicobeheer heeft betrekking op liquiditeitsrisico en niet-systematisch of specifiek risico. Liquiditeit betekent dat spaarders en beleggers altijd in de mogelijkheid verkeren om hun investeringen snel, gemakkelijk en zonder - al te veel - verlies in geld om te zetten. Liquiditeitsrisico

ontstaat

door

het

voorkomen

van

asymmetrische

informatie

en

transactiekosten (Levine, 1997). Bij asymmetrische informatie beschikt één bepaalde partij over meer of betere - en vaak meer cruciale - informatie dan de tegenpartij waardoor de kans op het nemen van beslissingen met een negatieve weerslag op de minder geïnformeerde partij sterk wordt verhoogd. Financiële intermediairs reduceren dit liquiditeitsrisico door te investeren in een mix van korte termijn, liquide projecten enerzijds en lange termijn, illiquide, zeer winstgevende projecten anderzijds. De winst uit de korte termijn projecten wordt gebruikt om aan de onmiddellijke vraag naar cash geld van de spaarders te kunnen voldoen. Het overtollig spaargeld dat niet meteen door de spaarders zal worden opgevraagd wordt in lange termijn projecten van verschillende organisaties geïnvesteerd. Deze lange termijn projecten genereren - meestal - hogere winsten dan korte termijn projecten. Niet-systematisch of specifiek risico is het risico dat verbonden is aan één enkele organisatie en dat niet opgenomen is in het systematisch of marktrisico. Financiële intermediairs reduceren dit risico door het poolen en vervolgens gediversifieerd investeren van de spaargelden van hun spaarders. Op die manier worden de spaarders enkel blootgesteld aan het systematisch risico en zullen risico-averse economische agenten ook bereid zijn te investeren. Aangezien banken hier een belangrijke functie in vervullen is het nodig dat er additionele controleorganen aanwezig zijn die toezien op de rol van de bank als risicobeheerder. Deze controleorganen kunnen en moeten onder meer toezien op het feit dat de managers van een

5

bepaalde financieel intermediair geen eigen winstbejag nastreven door enkel hoog risicovolle projecten met verwachte superwinsten aan te gaan.

Vaak liggen deze projecten -

aangegaan door deze managers - niet in lijn met de verwachtingen van de spaarders omtrent hun spaargeld - het zogenaamde principaal-agent probleem. Een tweede voordeel is dat door een efficiënter toezicht op de financiële intermediairs op een eenvoudige manier in kaart kan gebracht worden welke instanties te kampen hebben met potentiële solvabiliteitsen/of liquiditeitsproblemen. Indien de bovenstaande problemen met betrekking tot asymmetrische informatie echter niet gedeeltelijk ingeperkt of verholpen worden is het mogelijk dat in geval van financiële steunverlening door een centrale bank deze niet efficiënt en effectief zal verlopen. Dit heeft vooral te maken met het feit dat men niet zeker is of de bank kampt met liquiditeits- of solvabiliteitsproblemen (Nikolaou, 2009). Een nadeel is echter wel

dat

het

opzetten

en

hanteren

van

dergelijke

efficiënte

en

effectieve

controlemechanismen en –organen vaak een tijdsintensieve en kostelijke bezigheid is (Nikolaou, 2009).

De hierboven beschreven relatie tussen financiële intermediatie en economische groei wordt in Figuur 2 geïllustreerd (Vander Vennet, 2007).

Figuur 2: Financiële intermediatie en economische groei (Vander Vennet, 2007)

6

2.3 Interpretatie netto interest marge Zoals reeds in punt 2.1 vermeld, wordt de netto interest marge (NIM) gedefinieerd als het verschil tussen de renteopbrengsten en de rentekosten als percentage van de totale renteopbrengende activa. Over de vraag of de NIM hoog dan wel laag zou moeten zijn bestaan er evenwel verschillende opinies.

Een lage NIM betekent over het algemeen dat de banksector efficiënt werkt: sterke competitie tussen banken creëert neerwaartse druk op operationele- en intermediatiekosten en er worden weinig taksen en/of belastingen opgelegd van hogerhand (Saunders & Schumacher, 2000). Vanuit maatschappelijk en sociaal welvaartsstandpunt is dit het geprefereerde scenario aangezien spaarders in dit geval weinig moeten betalen voor financiële intermediatie (Maudos & de Guevara, 2004). Een lage(re) NIM heeft echter ook een belangrijke keerzijde: de speelruimte van de financiële intermediairs wordt sterk beperkt en de winsten gegenereerd uit interestactiviteiten vallen eerder laag uit.

Een hoge NIM zorgt daarentegen - ceteris paribus - voor een hogere financiële stabiliteit van de banken. Banken die een hogere winst behalen kunnen hun kapitaalbasis versterken waardoor ze beter bestand zijn tegen schokken op macro-economisch niveau. Daarnaast kan een lage(re) gehanteerde NIM ook het gevolg zijn van een - te - sterke competitie tussen banken onderling waardoor de impact van bepaalde determinanten van de NIM - default risico, kredietrisico etc. - maar ten dele of helemaal niet naar de spaarders en/of ontleners wordt doorgerekend, wat de financiële stabiliteit van banken ondermijnt (Podpiera, 2004).

Een hoge NIM kan ook een indicatie zijn van een economie waarin de bankregulering onvoldoende ontwikkeld is en waar een hoge mate van informatie-asymmetrie aanwezig is (Claeys & Vander Vennet, 2008). In landen waar het financieel systeem nog in ontwikkeling is - bv. Centraal- en Oost-Europese landen - kan een hoge NIM dus eerder een goede zaak zijn.

We hebben in dit eerste hoofdstuk geprobeerd te illustreren wat de basisrol van een bank inhoudt en hoe hiermee opbrengsten en winst kunnen worden gerealiseerd. Daarnaast werd de cruciale rol van financiële instellingen voor de groei van de economie benadrukt en werd de trade-off tussen een hoge en een lage NIM verduidelijkt. In het volgende deel bespreken we hoe en waarom banken in de jaren 1990 afweken van deze traditionele activiteiten.

7

3 VERSCHUIVING NAAR NIET-INTEREST ACTIVITEITEN EN SERVICES VANAF DE JAREN ’90 Na de bespreking van de traditionele rol van banken zullen we in dit hoofdstuk weergeven welke de achterliggende redenen waren die geleid hebben tot het uitoefenen van meer nietinterest activiteiten door de banken. Vanaf het begin van de jaren ’90 was er vooral binnen de commerciële banken een duidelijke evolutie merkbaar met betrekking tot het aandeel niet-interest inkomsten in verhouding tot de totale inkomsten. Onderzoek heeft aangetoond dat dit aandeel steeg van 26% in 1989 tot 41% in 1998 (ECB, 2000). Deze sterke procentuele toename toont duidelijk aan dat banken zich niet meer tevreden stelden met de inkomsten voortkomend uit de uitvoering van hun traditionele intermediatiefunctie. Mede doordat ze in de jaren ’90 moesten fungeren in een uiterst competitieve omgeving kon er via de traditionele kanalen - het aantrekken van spaargelden en het ontlenen ervan - weinig marge geboekt worden. Langs de ene kant werden er wel hoge depositorentes aangeboden, maar langs de andere kant lagen de uitleenrentes betrekkelijk laag, wat zorgde voor een relatief lage NIM.

De banken waren dus - wegens winstbejag en onder druk van hun aandeelhouders geneigd een groter belang te hechten aan niet-traditionele activiteiten: er werd geprobeerd extra opbrengsten te genereren door middel van trading activiteiten en niet-interest genererende producten, het verkrijgen van commissies en het aanbieden van services op basis van zowel vaste als variabele vergoedingen. In één paper wordt het als volgt verwoord: “In het bijzonder ‘compenseren’ inkomsten uit niet-traditionele activiteiten (wat niet-interest inkomsten bevat), in bepaalde mate, voor de lagere interestmarge ten gevolge van de sterke competitie in het traditionele segment (deposito’s/leningen)” (Carbó & Rodriguez, 2007, p. 2058).

Of deze diversificatie in het aanbod van bankproducten aanzienlijke voordelen met zich mee zou brengen was echter betwijfelbaar, een duidelijke risk-return relatie was immers nog uitermate onzeker. Toch wordt er dikwijls verondersteld dat - op lange termijn - inkomsten gegenereerd door niet-interest gerelateerde activiteiten een stabielere basis bieden dan inkomsten louter voortkomend uit pure financiële intermediatie. Dit wordt dan vooral verklaard door te stellen dat een grotere verscheidenheid in de bankactiviteiten leidt tot een meer gediversifieerde portfolio van opbrengende producten. Op deze manier kunnen lagere inkomsten

in

mindere

periodes

-

gekenmerkt

door

dalende

interestinkomsten

-

8

gecompenseerd worden door inkomsten afkomstig uit niet-interest producten. Als we veronderstellen dat wijzigingen in de interest inkomsten van financiële intermediairs niet gecorreleerd zijn met wijzigingen in hun niet-interest inkomsten, zowel op het vlak van de grootte als de richting van de wijzigingen, blijkt diversificatie inderdaad een positieve invloed te hebben op het risico van de volledige portfolio.

Een belangrijke factor die hierbij niet uit het oog mag verloren worden is echter de manier waarop een specifieke intermediair zelf omspringt met zijn niet-interest inkomsten (Feldman & Schmidt, 1999). Het aannemen van een té risicovolle houding ten aanzien van de nietinterest inkomsten leidt in de realiteit immers vaak tot een andere situatie: een verschuiving van de focus op traditionele inkomsten naar een grotere focus op inkomsten gehaald uit services en activiteiten die commissies genereren gaat vaak gepaard met een sterke toename in de volatiliteit van de bankinkomsten. Het is immers zo dat klanten die reeds een lening bij één bank afgesloten hebben minder geneigd zijn om naar een andere bank over te stappen voor andere bankactiviteiten omwille van de voordelen die verbonden zijn aan het aangaan van een bankrelatie op lange termijn - hierbij denken we vooral aan het vermijden van additionele informatie- en veranderingskosten. Deze klantenretentie zorgt ervoor dat banken vrij zeker kunnen zijn van een continue inkomstenstroom gegenereerd door de rentes betaald op de leningen. Hiertegenover staan dan de niet-interest activiteiten die in de meeste gevallen gebaseerd zijn op minder sterke en minder stabiele - en dus meer onzekere - klantenrelaties (DeYoung & Roland, 2001).

We kunnen dus stellen dat er een verband bestaat tussen het aanbieden van betalende bankservices en de netto interest inkomsten die een bank genereert. Vooral tijdens de jaren ’90 blijkt deze correlatie sterk toegenomen te zijn, onder andere door het ruimer aanbod aan services en niet-interest producten. Daarnaast blijkt uit onderzoek dat niet-interest producten de schommelingen van economische variabelen - zoals de interestvoeten of het bruto binnenlands product (BBP) - weinig tot niet volgen (Feldman & Schmidt, 1999). Dit alles had tot gevolg dat des te meer betalende bankservices er werden aangeboden en commissies verdiend werden, des te lager de NIM van de banken werd. Deze trade-off geldt vooral voor betalende bankservices op basis van commissies, eerder dan voor niet-interest inkomsten uit trading activiteiten (Lepetit, Nys, Rous, Tarazi, 2008; Stiroh, 2004). Opmerkelijk hierbij is ook dat er een duidelijk negatief verband bestaat tussen het aandeel van de niet-interest services en de effectieve opbrengsten per eenheid risico dat genomen wordt. Trading activiteiten blijken hierbij een heel sterk negatief verband te tonen, resulterend in een sterk dalende winstmarge per risico-eenheid (Stiroh, 2004). Hierbij kan men zich finaal de vraag stellen of de uitbreiding van een portfolio met grote hoeveelheden niet-interest inkomsten echt een

9

stabiliserend effect heeft op de totale inkomsten en de daarmee verbonden winstgevendheid van de bank, of eerder een additionele risicofactor voor de bank vertegenwoordigt.

Een ander belangrijk te vermelden punt is dat de traditionele intermediatie-activiteiten van banken gebonden zijn aan normen inzake minimumvoorzieningen die moeten worden aangelegd binnen het eigen vermogen - bv. minimum kapitaalvereisten opgelegd door de Basel normen. Deze verplichtingen beperken de vrijheid van handelen voor de banken. Omzeiling hiervan is wel mogelijk door een grotere nadruk te leggen op de niet-interest opbrengende activiteiten - deze activiteiten beperken in de meeste gevallen slechts in geringe mate de bewegingsvrijheid van banken (DeYoung & Roland, 2001). Deze beperkte of soms zelfs onbestaande - kapitaaleisen en -verplichtingen kunnen echter een nefaste invloed hebben op de solvabiliteit en kredietwaardigheid van de banken. Dit wordt in hoofdstuk 4 verder in detail besproken aangezien dit als één van de hoofdredenen van de huidige financiële crisis kan worden beschouwd. Lepetit et al. (2008) toonden in hun onderzoek aan dat het tijdens de jaren ’90 mogelijk was te concurreren op de traditionele intermediatiemarkt door middel van “cross-subsidization”. Dit betekent dat de banken hun minieme winstmarge - voortkomend uit traditionele intermediatie - probeerden te compenseren door het uitoefenen van heel winstgevende nietinterest activiteiten. Op deze manier konden de commerciële banken zich zelfs gedragen als een “loss-leader” op de traditionele intermediatiemarkt: uitleenrentes werden sterk verlaagd om de stimulering van andere - niet-interest - inkomsten teweeg te brengen. Deze lagere uitleenrentes werden mogelijk gemaakt door een systematische en bewuste onderschatting van de risicoprofielen van de klanten. Compensatie voor deze lagere rente-inkomsten werd geacht verkregen te worden door de aanbieding van gekoppelde niet-interest services en activiteiten - advies etc.. Tevens ging men er ook vanuit dat door het aanbieden van deze lagere uitleenrentes nieuwe klanten aangetrokken zouden worden zodat het hele proces zichzelf min of meer in stand zou houden. De gedachte was dus dat een indekking tegen een hoger risicoprofiel van een bepaalde klant kon bekomen worden door het vragen van een hogere vergoeding voor commissie-gebaseerde services en voor andere niet-interest opbrengende producten.

Deze bevindingen worden eveneens gestaafd in het onderzoek van Carbó en Rodriguez (2007): banken gespecialiseerd in leningen blijken zich tevreden te moeten stellen met een lagere winst dan banken die een gediversifieerd aanbod aanbieden naast hun traditionele intermediatie-activiteiten. Daarnaast zullen banken die geconfronteerd worden met risicovolle leningen dit risico trachten in te dekken. Aangezien men zich door de sterke concurrentie op

10

de markt niet kon veroorloven de rente voor leningen op te drijven begon men met het aanbieden van extra services en niet-interest activiteiten en producten. De verwachting was dat deze activiteiten en producten bepaalde inkomsten zouden teweegbrengen die ook effectief zouden verworven worden.

Nu we de onderliggende mechanismen en oorzaken van de verschuiving in activiteiten van banken tijdens de jaren ’90 hebben besproken, kunnen we overgaan tot de bespreking van het ontstaan en de oorzaken van de financiële crisis van 2007-2008.

11

4 WERELDWIJDE FINANCIËLE CRISIS (2007-2008) In dit hoofdstuk behandelen we kort de voornaamste factoren die geleid hebben tot de financiële crisis van 2007-2008. We zullen ook aangeven welke instanties gefaald hebben of tekortgeschoten zijn in de preventie hiervan.

4.1 Aanzet financiële crisis Zoals reeds werd aangegeven in het vorige hoofdstuk begonnen banken de tendens die ze gecreëerd hadden in de jaren ’90 - het zoeken naar alternatieve niet-interest producten en bankservices - steeds verder uit te diepen. Aangetrokken door de verhoopte realisatie van extreme returns werden steeds meer risico’s genomen die niet meer in verhouding stonden tot de effectief gerealiseerde inkomsten. Risicoprofielen werden hierbij op systematische wijzig grondig onderschat (Lepetit et al., 2008).

Doordat de banken steeds meer van hun middelen begonnen te besteden aan niet-interest producten die weinig of niet verzekerd werden door opgelegde minimumkapitaalvereisten ontstond een situatie gekenmerkt door overdreven benutting van het eigen vermogen (DeYoung & Roland, 2001). Tal van banken begonnen minimumstandaarden te hanteren inzake veilige niveaus van het aan te houden eigen vermogen. Deze lage niveaus brachten echter een gevaarlijk risico met zich mee: het solvabiliteitsrisico - dit is het niet kunnen bieden van een voldoende kapitaalgarantie voor de uitstaande leningen. Langs de andere kant werden door de focus op niet-interest inkomsten de inkomsten voortvloeiend uit de klassieke intermediatiefunctie van banken verwaarloosd. Al te gemakkelijk werden leningen tegen lage interestvoeten toegekend, zelfs onder risicovolle omstandigheden waarbij er een hoge kans was op niet-terugbetaling van de klant - en dus met een hoog default risico. Mede doordat de risico’s hiervan onderschat werden zag men de ernst van deze situatie niet in. De banken begonnen echter steeds meer van hun kredietwaardigheid te verliezen.

4.2 Vastgoedbubbel Naast de voornoemde uitbreiding naar niet-interest producten en diensten bij banken voerden de Amerikaanse centrale bank (FED) en de Europese centrale bank (ECB) een zeer los monetair beleid om een diepe recessie - een gevolg van verschillende crisissen in OostAzië, Rusland, Argentinië, Brazilië en Turkije - niet in de hand te werken. Door dit losse monetair beleid ontstond een vastgoedbubbel - een periode van economische glorieschijn. Deze bubbel leidde tot een jarenlange stijging van de vastgoedprijzen en gelijklopende investeringen in vastgoed (Diamond & Rajan, 2009).

12

De bubbel in de vastgoedmarkt was vooral te wijten aan het feit dat er een duidelijk verband bestond tussen de toenmalige hoge prijsverwachtingen bij de hypotheekverstrekkers en het toekennen van leningen aan klanten die een grotere kans op verzaking in de aflossing van hun lening vertoonden - en dus een hoog default risico met zich meebrachten. Klaarblijkelijk zorgden de hoge prijsverwachtingen ervoor dat de hypotheekverstrekkers minder belang begonnen te hechten aan de kredietwaardigheid van de klanten waardoor leningen sneller werden toegekend - zelfs onder zeer risicovolle omstandigheden. Deze bubbel in de vastgoedmarkt kon zichzelf in stand houden en zelfs versterken doordat de lage kredietvoorwaarden voor de toekenning van hypotheken een sterke invloed hadden op de vraag naar leningen. Des te hoger de vraag naar leningen, des te groter de prijsstijging in de vastgoedmarkt (Brueckner, Calem, Nakamura, 2011). Men kan zich hierbij de vraag stellen hoe het komt dat minder kredietwaardige klanten zich lieten verleiden tot het aangaan van een hypotheekcontract ondanks hun ongunstige financiële situatie. Vaak werden deze minder kredietwaardige klanten hiertoe aangetrokken door de verhoopte realisatie van een meerwaarde op hun vastgoed - vooral door de bovenvermelde hoge prijsverwachtingen van de hypotheekverstrekkers zelf. Een tweede verklaring kan gevonden worden in het belastingvoordeel voor de kopers: interestbetalingen op een hypotheeklening zijn immers aftrekbaar voor belastingen. Met een minimuminleg aan eigen middelen werden de minder kredietwaardige klanten bijgevolg in staat gesteld om toch te kunnen beschikken over hun “eigen” eigendom.

4.3 US subprime crisis De vastgoedbubbel die hierboven werd beschreven leidde in augustus 2007 tot het ontstaan van de US subprime crisis. De grondslag van deze crisis kan immers teruggebracht worden tot het ineenzakken van de waarde van de verstrekte hypotheekleningen - en dit door een sterke stagnering in de huizenmarkt. Dit laatste was vooral te wijten aan het feit dat de huizenprijzen zodanig buiten hun voegen waren getreden dat ze praktisch onbetaalbaar werden voor de verschillende bevolkingsgroepen en het geleidelijk aan duidelijk werd dat in de voorgaande jaren een vastgoedbubbel was gecreëerd. Het uiteenspatten van deze vastgoedbubbel had tot gevolg dat huizen minder waard bleken te zijn dan de effectief af te lossen hypotheken, waardoor het voor de ontleners vaak voordeliger was hun uitstaande verplichtingen naar de bank niet meer na te komen. Op deze manier werden de banken bij een verzaking in de aflossing van de hypotheken gedwongen tot een inbeslagname van deze huizen over te gaan - wat er op zijn beurt voor zorgde dat ze de hierbij horende waardeverminderingen zelf in de balans moesten opnemen.

13

4.4 Uitbreiding op wereldschaal Aanvankelijk werd deze crisis op Amerikaanse bodem beschouwd als een tijdelijke inzinking van de regionale markt, maar al snel bleek dat dit nog maar het topje van de ijsberg was. Geleidelijk aan breidde de US subprime crisis zich verder uit tot een wereldwijde inzinking van de huizenmarkt. Ten gevolge hiervan ontstond een strengere politiek met betrekking tot het toestaan van hypotheekleningen, waardoor de ontwikkelde landen midden 2008 in een milde recessie terechtkwamen (Wagner, 2010).

Naast de inzakking van de huizenmarkten en de hierop volgende subprime crisis kwam ook een ander probleem aan de oppervlakte dat vooral een gevolg was van de evolutie naar meer niet-interest inkomsten bij banken. Hypotheekbanken hadden immers in de jaren tijdens de vastgoedbubbel hun uitgegeven hypotheekleningen terug doorverkocht aan zogenaamde Special Purpose Vehicles (SPVs). Deze SPVs bundelden en verpakten verschillende hypotheekleningen in nieuwe, complexe financiële instrumenten om deze vervolgens als Asset-Backed Securities (ABSs) of Mortgage-Backed Securities (MBSs) door te verkopen aan andere investeerders. Deze methode van “securitisatie” zorgde ervoor dat banken zich enkel moesten bezighouden met het aangaan en toekennen van de hypotheekleningen en vervolgens het risico aan de SPVs konden doorverkopen, dewelke op hun

beurt

hetzelfde

deden.

Het

verpakken

en

bundelen

van

de

verschillende

hypotheekleningen zorgde voor een verhoging van de liquiditeit en toegankelijkheid van deze leningen voor internationale investeerders. Daarbovenop werd aan deze gebundelde hypotheekleningen en financiële instrumenten door de ratingbureaus een gezamenlijke rating toegekend. Niettegenstaande de waardering van deze verpakte hypotheekleningen zeer complex was, vertoonde de financiële wereld een enorme interesse om massale hoeveelheden van deze - zoals later zal blijken zwaar overschatte - rommelkredieten op hun balans op te nemen. Daarnaast zorgden slecht opgezette, prestatie-gerelateerde bonussystemen ervoor dat private bankiers en traders deze instrumenten massaal inkochten met het ook op hoge kortetermijnwinsten.

Als gevolg van het uiteenspatten van de vastgoedbubbel werden deze complexe financiële instrumenten getroffen door sterke waardedalingen, waardoor veel financiële instellingen die deze producten massaal op hun balans hadden staan - in zware problemen raakten, vooral aangaande hun solvabiliteit. Aangezien de in obligatie gebundelde hypotheken interbancair verhandeld werden in een ingewikkeld kluwennetwerk heerste er een enorme onduidelijkheid over welke instellingen welke afgeleide producten op hun balans hadden staan en dus mogelijks in de problemen konden komen. De verpakte hypotheekleningen werden immers vaak terug opnieuw opgesplitst en nadien terug verpakt in nieuw

14

samengestelde

verpakte

hypotheekleningen

(Diamond

&

Rajan,

2009).

Door

de

onduidelijkheid over welke instellingen in de problemen zaten - en dus als onbetrouwbaar werden beschouwd - werd het steeds moeilijker voor de banken om geld te verkrijgen van elkaar want interbancaire leningen werden tot een minimum herleid. Het belangrijkste gevolg hiervan was het ontstaan van een liquiditeitstekort binnen bepaalde banken, wat zorgde voor een golf van gedwongen nationaliseringen, faillissementen en overnames binnen de bankwereld.

Het begin van de effectieve financiële crisis in september 2008 wordt vaak aangeduid met het faillissement van Lehman Brothers. Na de faling van deze financiële dienstverlener volgden de dramatische gebeurtenissen zich in sneltempo op. Zo moest de Amerikaanse overheid niet veel later overgaan tot de redding van de verzekeraar AIG door middel van het toekennen van een lening van 85 miljard dollar, waardoor de Amerikaanse overheid een participatie van 80% verwierf in AIG (Andrews, 2008). Als daarna blijkt hoe groot de impact is van deze snel uitbreidende financiële crisis, besluit de Amerikaanse overheid na een periode van grondig overleg en menig onenigheid om voor een bedrag van 700 miljard dollar rommelkredieten op te kopen bij de financiële dienstverleners. Deze beslissing werd onder de vorm van een wet afgevaardigd: de “Emergency Economic Stabilization Act” (EESA). De belangrijkste drijfveren van de EESA kunnen kort worden samengevat: het opnieuw creëren van een stabiel economisch klimaat met een correcte supervisie, het treffen van maatregelen opdat de Amerikaanse burgers hun huis niet zouden verliezen, het toezien op het feit dat de fouten van de financiële instellingen niet verhaald zouden worden op de belastingbetalers en het inperken van de extreem hoge managementvergoedingen (Summary, 2008).

Het gevolg van deze situatie en de daaropvolgende ingrepen is dat de financiële instellingen elke vorm van vertrouwen in elkaar kwijtraken, met een verdere drooglegging van de interbancaire markt als voornaamste gevolg. Verder blijven grote waardeverminderingen op de riskante beleggingen - aangegaan door de meeste financiële instellingen - voor solvabiliteitsproblemen zorgen: banken kunnen niet langer voorzien in hun uitstaande verplichtingen

(Wagner,

2010).

De

negatieve

gevolgen

van

deze

massale

waardeverminderingen op het kapitaal van de bank zorgen dat de crisis van 2007-2008 gecategoriseerd wordt als een kapitaalcrisis en niet zozeer als een liquiditeitscrisis. Vaak is aan een dergelijke kapitaalscrisis een leegloop van de banken verbonden - vooral door de toenemende ongerustheid rond de solvabiliteit van de financiële instellingen, zoals we inderdaad hebben kunnen vaststellen (Lastra & Wood, 2009). Een treffend voorbeeld hiervan is de bankrun op Northern Rock (Werdigier, 2007), één van de grootste hypotheekbanken in Groot-Brittannië. Niettegenstaande de overheid de bescherming van de spaardeposito’s

15

meerdere malen verlengde nam de onzekerheid inzake de veiligheid en waarborging van deze deposito’s gigantisch toe vanaf het moment dat de bank financiële steun moest aanvragen bij de centrale bank van Groot-Brittannië.

De noodzakelijke interventies van de overheden bleven echter niet beperkt tot het Amerikaanse grondgebied maar bereikten onder meer ook vele Europese lidstaten. In vele landen werden de overheden genoodzaakt maatregelen te treffen, zoals het nemen van participaties in banken en het verzekeren of verhogen van de dekkingslimieten van de spaardeposito’s van de klanten (Prest, 2008). In Griekenland en Ierland werden de spaardeposito’s zelfs integraal beschermd door de overheid. Verder werd er vaak bijvoorbeeld in Groot-Brittannië - geld afkomstig uit de schatkist vrijgemaakt voor een verhoging van de TIER1 kapitaalratio’s1 van de banken. Dit gebeurde vooral met het oog op een wederopbouw van de vertrouwensrelatie tussen de klanten en de financiële instellingen en dit om een eventuele leegloop van de banken te vermijden. Ook werd er door verschillende overheden geld ter beschikking gesteld om banken de mogelijkheid te bieden hun illiquide activa - zoals de gebundelde hypotheekleningen - om te ruilen voor schatkistobligaties (Nineham, 2008). Deze maatregelen hadden als doel de stabiliteit binnen het financiële systeem te waarborgen.

4.5 Wie draagt de verantwoordelijkheid? Natuurlijk wordt er bij een dergelijke wereldwijde catastrofe al vlug gezocht naar de schuldige, al was het in dit geval niet echt duidelijk wie of welke instantie expliciet verantwoordelijk kon gesteld worden voor deze ontsporing in de financiële wereld. Zowel het globale private financiële systeem als de rating agentschappen en de regulerende en controlerende overheidsorganen werden elk verantwoordelijk gesteld voor een relatief aandeel in de financiële crisis. Natuurlijk werd het persoonlijk winstbejag en de fixatie op de extreme korte termijn winsten en inkomsten van de financiële managers en private bankiers extra in de verf gezet. Toch kunnen we het aandeel van de regulerende organen en de zogenaamde waakhonden niet verwaarlozen. Wagner (2010) brengt in zijn onderzoek dan ook enkele aspecten van de voornaamste oorzaken tot faling van de regulerende overheden en toezichthouders naar voren. Het hanteren van slecht onderbouwde vergoedingscontracten van topmanagers, de toenemende marktpenetratie van complexe en explosieve financiële uitvindingen - Credit Default Swaps (CDSs) en Collateralized Debt Obligations (CDOs) - en de belangenconflicten voortvloeiend uit het dagelijks bestuur van de rating agentschappen zijn slechts enkele zaken die vermeld worden als punten waar de 1

TIER 1 ratio = aandelenkapitaal plus niet-cumulatieve preferente aandelen als percentage van de risicogewogen activa en risico’s buiten de balans zoals gedefinieerd in de Basel regels.

16

regulerende organen meer hadden kunnen en moeten ingrijpen, en waar in de toekomst meer aandacht zal moeten worden aan besteed.

Zoals we in het volgend deel verder zullen bespreken, zorgden deze gebeurtenissen voor een afbouw van de risicovolle, complexe en afgeleide producten op de bankbalans ten voordele van inkomsten uit klassieke financiële intermediatie. We kunnen hier echter reeds stellen dat er noodgedwongen terug zal (moeten) worden geëvolueerd naar een situatie waarin het aandeel van interest opbrengende producten sterk(er) doorweegt.

17

5 BACK TO THE BASICS In wat volgt bespreken we de algemene tendens binnen de financiële sector om terug “back to the basics” te gaan als gevolg van de financiële crisis. Dit betekent dat financiële intermediatie terug de belangrijkste activiteit van commerciële banken wordt, dat er een strikte(re) scheiding wordt gehanteerd tussen een commerciële en een investeringsbank en dat commerciële banken terug beroep doen op eigen kapitaal om zich te financieren.

Één van de zaken die aan de grondslag van de financiële crisis ligt is - zoals eerder vermeld - het feit dat commerciële banken zich, naast hun traditionele activiteiten, te veel toelegden op risicovolle investeringsactiviteiten. Het waren deze activiteiten die de bankmanagers toelieten jaarlijks miljoenenbonussen binnen te rijven en een return on equity - ROE - van 10 procent of meer te behalen (Augar, 2010). Daarom sturen verschillende bronnen nu aan op een heroriëntering van het businessmodel bij banken. Zo stelt Jean-Louis Duplat, ex-voorzitter van de Commissie voor het Bank-, Financie- en Assurantiewezen (CBFA) dat “er nood is aan een nieuw businessmodel en een terugkeer naar de kernbusiness. Er is niets verkeerds aan klassiek bankieren: het inzamelen van spaargeld om kredieten te verlenen.” (Claerhout, Killemaes, Van Overtveldt, 2011, p.24). Commerciële banken moeten terug instellingen worden die publieke diensten leveren - zoals het samenbrengen van spaarders en investeerders, het spreiden van risico’s en het faciliteren van betalingen - en in ruil hiervoor een voldoende, maar geen overdreven hoge, vergoeding ontvangen (KPMG, 2009; Augar, 2010).

Naast de heroriëntering van het businessmodel, gaan ook stemmen op om terug een strikt onderscheid te maken tussen commerciële banken enerzijds en investeringsbanken anderzijds. Gertrude Tumpel-Gugerell - lid van het uitvoerend comité bij de ECB - ziet in de huidige crisis dezelfde factoren optreden als deze die na de crash van de aandelenmarkt in 1929 geleid hebben tot de Glass-Steagall Act uit 1933 (ECB press, 2009). Deze Act - die in 1999 terug werd opgeheven - schreef een strikte scheiding tussen commerciële en investeringsbanken voor, wat inhield dat het voor commerciële banken verboden was om effecten uit te geven, te bezitten of te verhandelen. Het idee was dat commerciële banken op die manier niet werden blootgesteld aan problemen die zich binnen investeringsbanken en bij de handel in effecten voordeden - zoals het boeken van enorme waardeverminderingen op complexe, afgeleide producten - en hierdoor hun stabiliteit niet in gevaar kon komen, waardoor eventueel overheidsoptreden met belastingsgeld om het volledige financieel systeem te redden kon worden vermeden.

18

In navolging van de huidige crisis pleitten daarom onder meer Mervyn King, Gouverneur van de Bank of England, en George Osborne, minister van Financiën van Groot-Brittannië, voor een financieel systeem waarin commercieel en investeringsbankieren strikt worden gescheiden (Haligan, 2011; Osborne, 2011). Dit thema komt eveneens voor in de debatten rond de Franse presidentsverkiezingen voor 2012 (Fouquet & Connan, 2012).

Een derde en laatste punt heeft betrekking op het eigen kapitaal van de banken. Dit eigen kapitaal - geïnvesteerd door aandeelhouders - kan door de bank gebruikt worden als een buffer om schokken op te vangen. Het zijn eigen middelen die kunnen worden aangewend om verliezen en waardeverminderingen te compenseren - zodat geen beroep moet worden gedaan op publieke overheden. Een hoger percentage aan eigen kapitaal vermindert verder ook de kans op “moral hazard” gedrag - waarbij banken grote risico’s nemen met het spaargeld van hun klanten en rekenen op depositogaranties en ingrijpen door de overheid wanneer het dreigt fout te lopen (Demirguç-Kunt, Detragiache, Merrouche, 2010; Summers, 2009). Een bank met een voldoende hoog eigen kapitaal wordt dus als meer solvabel en betrouwbaar beschouwd en zal makkelijker liquide middelen op de markten kunnen verkrijgen. Het belang van het eigen kapitaal is sinds de crisis terug een hot topic. Steil (2009) pleit voor het invoeren van een hoger percentage eigen kapitaal - rekening houdend met onder andere de verschillen in looptijd tussen deposito’s en leningen - en een beperking van leverage. De Jonghe (2010) wijst op het belang van een kapitaalbuffer om extreme schokken op te vangen en op de rol van eigen kapitaal als duidelijk signaal van kredietwaardigheid. Dit “back to the basics” gedrag bij financiële instellingen zal gebruikt worden om hypotheses te formuleren omtrent de impact van de financiële crisis op de NIM in punt 7.3.

19

6 OPZET ONDERZOEK In wat voorafging hebben we de evolutie geschetst die banken hebben ondergaan gedurende de laatste decennia. Oorspronkelijk puur gefocust op financiële intermediatie, ontstond gaandeweg een situatie waarin banken zich meer en meer begonnen toe te leggen op niet-interest inkomsten - zoals betalende services en trading - met een hogere graad van risico. De escalatie hiervan - met als absoluut ‘”hoogtepunt” het massaal verhandelen en op de balans opnemen van complexe, afgeleide producten (CDOs, MBSs) in een poging om returns van dubbele cijfers te genereren - leidde finaal tot de grote financiële crisis van 20072008. Naar aanleiding van deze crisis gingen verschillende stemmen op - zowel individueel als collectief (overheden en regulators) - om de banksector terug naar de basis te sturen: “back to the basics” (infra, p.18). De daarop volgende abrupte ommekeer in het gedrag van de volledige banksector vormt het ideale uitgangspunt voor tal van vergelijkende studies waarin de situatie vóór en na de financiële crisis wordt bestudeerd (o.a. Baba & Packer, 2009; Lee, Clark, Pollard, Leyshon, 2009). Dit vormt voor ons ook het uitgangspunt van verdere studie.

Er is reeds een hele resem aan literatuur beschikbaar en verschenen omtrent de determinanten van de rentemarge van banken. Veelal werd gefocust op het bestuderen van specifieke factoren die een significante en belangrijke invloed hebben op de NIM. Zo bestudeerden Maudos en de Guevara (2004) expliciet de invloed van operationele kosten en marktconcentratie op de NIM. In Claeys en Vander Vennet (2008) werd de NIM van Centraal en Oost-Europese banken bestudeerd met speciale aandacht voor efficiëntie en marktcompetitie. Lepetit et al. (2008) bestudeerden dan weer hoe niet-interest inkomsten de NIM beïnvloeden.

Wat we in deze masterproef als eerste willen verwezenlijken, is het opstellen van een eigen model om de NIM van banken te verklaren. Steunend op de huidige en zeer diverse literatuur doen we een poging om de verschillende determinanten van de NIM te definiëren, waarbij we speciale aandacht hebben voor bepaalde bank-specifieke variabelen - zoals eigen kapitaal, grootte van het aantal leningen, aanleggen van reserves en niet-interest inkomsten - die een belangrijke rol kunnen hebben gespeeld in het ontstaan van de financiële crisis. We selecteren verschillende variabelen en maken veronderstellingen met betrekking tot de invloed en impact die we verwachten waar te nemen. Daarna testen we onze hypotheses aan de hand van een sample West-Europese banken gedurende de periode 2004-2009.

20

In lijn met onze literatuurstudie omtrent de financiële crisis gaan we in een tweede luik de impact van de financiële crisis op de NIM van banken na. Hiervoor maken we gebruik van het geschatte basismodel uit het eerste deel. Hoewel het startpunt van de crisis - augustus 2007 - slechts enkele jaren achter ons ligt en de impact van de ondertussen genomen maatregelen en veranderingen waarschijnlijk nog niet volledig is doorgesijpeld in de jaarrekeningen van de banken, lijkt dit ons toch een zeer interessant gegeven om mee te werken. We gaan na in welke mate de financiële crisis de NIM van de banken globaal gezien heeft beïnvloed en maken specifieke veronderstellingen met betrekking tot enkele bankspecifieke variabelen. We stellen hypotheses voorop en toetsen deze aan de hand van de data. Om dit te realiseren introduceren we een dummyvariabele die de jaren na de financiële crisis - 2008 en 2009 - capteert en bestuderen interactietermen tussen bank-specifieke variabelen en deze dummy. We gebruiken hiervoor dezelfde sample West-Europese banken als in het eerste deel. De opgenomen banken opereren allen in een mature bankmarkt die op een gelijkaardige wijze door de financiële crisis werd getroffen, waardoor ze voor dit onderzoek ideaal geschikt zijn.

Als laatste bestuderen we ook de invloed van 2 specifieke variabelen uit de aandelenmarkt op de NIM van banken. We introduceren de variabelen “bankrisico” en “marktbeta” en formuleren hypotheses omtrent hun invloed. Deze worden vervolgens getest door de variabelen aan de basisvergelijking over de periode 2004-2009 toe te voegen.

21

7 OPSTELLEN MODEL EN HYPOTHESES Nadat in het vorig hoofdstuk het opzet werd duidelijk gemaakt, stellen we in deze sectie ons eigen model op om de NIM van banken te verklaren. Vertrekpunt hiervoor is het basismodel van Ho en Saunders (1981), die als één van de eersten een theoretisch model afleidden voor de determinanten van de NIM. Daarna worden de variabelen die we kiezen voor ons eigen model besproken - samen met hun verwachte impact. We concretiseren de te schatten specificaties voor ons onderzoek en verwoorden expliciete hypotheses omtrent de variabelen en hun invloed.

7.1 Basismodel Ho en Saunders (1981) Bij het modelleren van de determinanten van de NIM van banken vertrekken we van het basismodel van Ho en Saunders uit 1981. In hun paper wordt de theoretische uitdrukking voor de interest spread afgeleid: het verschil tussen wat spaarders ontvangen op hun deposito’s en wat ontleners moeten betalen voor hun lening. Deze kan als volgt worden gedefinieerd:

s  / 

1 R 2 Q 2

Deze “pure” spread s bestaat uit 4 termen: marktconcentratie α/β als maatstaf voor de competitie tussen banken, graad van risico aversie van het bankmanagement R, grootte van banktransacties Q en de variantie van de korte termijn rente σ². Deze positieve “pure” spread zal volgens Ho en Saunders (1981) altijd bestaan - zelfs al is er extreme competitie tussen de verschillende banken onderling - omdat dit voor de banken hun vergoeding is voor het faciliteren van financiële intermediatie tussen spaarders en ontleners (infra, p.3).

Naast deze theoretische determinanten stellen Ho en Saunders (1981) dat er evenwel ook nog 3 imperfecties in het model moeten worden opgenomen die elk een impact hebben op de NIM en niet in de voornoemde theoretische termen kunnen worden gevat: betaling van impliciete interest, opportuniteitskosten van de verplichte reserves en default risk van de leningen.

In het volgende punt stellen we ons eigen model op - dat onder andere verschillende determinanten die hierboven werden beschreven bevat. De verschillende determinanten en de reden voor hun opname wordt verder uitgebreid verklaard.

22

7.2 Eigen model voor de determinanten van de NIM Voor het opstellen van ons eigen model maken we gebruik van zowel bank-specifieke, landspecifieke marktgerelateerde en land-specifieke macro-economische variabelen. We zijn vooral geïnteresseerd in de verschillende bank-specifieke variabelen en nemen de overige variabelen als controlevariabelen in het model op. Het opnemen van de verschillende controlevariabelen zorgt ervoor dat de - voor ons relevante - bank-specifieke variabelen preciezer en meer betrouwbaar kunnen geschat worden.

De te verklaren variabele is de netto interest marge (NIM). Deze wordt berekend door het verschil tussen interest inkomsten en interest uitgaven te delen door de totale renteopbrengende activa. Op deze manier verkrijgen we een procentuele uitdrukking die men de netto interest marge van de bank noemt. Zoals reeds vermeld is dit de vergoeding die de bank krijgt om het overschot aan geld bij de ene groep economische actoren - de spaarders optimaal te linken aan het tekort aan geld bij de andere groep economische actoren - de ontleners. Het is ook een indicatie van de efficiëntie van het banksysteem en vertegenwoordigt de sociale, maatschappelijke kost van financiële intermediatie.

Het is de bedoeling de NIM te verklaren aan de hand van volgende verklarende variabelen. We gaan van start met de beschrijving van de bank-specifieke variabelen.

Als eerste bank-specifieke verklarende variabele nemen we de capital adequacy van de bank op. We introduceren hiervoor twee ratio’s: de verhouding van het eigen vermogen tot de totale activa (ETA) en de TIER1 ratio2 (TIER1). Voor beide ratio’s geldt dat een hoger percentage een hogere kredietwaardigheid van de bank inhoudt - omdat er een hogere buffer is om eventuele verliezen op te vangen. Het aanhouden van meer eigen kapitaal zorgt echter voor een hogere WACC - de gewogen gemiddelde kost van kapitaal - aangezien eigen vermogen duurder is dan vreemd vermogen - interestbetalingen op vreemd vermogen zijn aftrekbaar voor belastingen. Deze hogere kost voor de bank zal worden doorgerekend aan de klant via een hogere NIM. Een bank met een hoge kredietwaardigheid is immers in staat om een lagere depositorente te bieden aan zijn klanten en dus een hogere NIM te realiseren - “depositor market discipline” zoals beschreven in Claeys en Vander Vennet (2008). We verwachten daarom - in navolging van Claeys en Vander Vennet (2008), Saunders en Schumacher (2000) en Maudos en de Guevara (2004) - dat capital adequacy een positieve invloed heeft op de NIM van de bank. De capital adequacy variabele komt

2

We gebruiken de ratio zoals deze wordt gerapporteerd in Bankscope.

23

overeen met de graad van risicoaversie van het bankmanagement (R) in het oorspronkelijke model van Ho en Saunders3.

Een tweede variabele is de efficiëntie (AOPC) van de bank - gemeten als het quotiënt van de operationele uitgaven en de totale activa4. Een bank met een hogere ratio - en dus hogere operationele uitgaven ten opzichte van de totale activa - werkt minder efficiënt dan een bank met een lagere ratio. We verwachten dan ook dat een hogere ratio ervoor zal zorgen dat de bank een hogere NIM zal toepassen om deze hogere uitgaven te dekken en gaan uit van een positief teken van AOPC op de NIM - zoals ook het geval is bij Levine (2003), Maudos en de Guevara (2008) en Kasman, Tunc, Vardar, Okan (2010).

Als derde nemen we de gemiddelde grootte van de banktransacties (SIZE) op. De data aanwezig in Bankscope laat niet toe om deze variabele rechtstreeks in het model op te nemen - we gebruiken daarom als proxy de natuurlijke logaritme van de totale toegestane leningen. Wat betreft de verwachte impact van deze variabele op de NIM bestaan in de literatuur verschillende opvattingen. Zo argumenteren Maudos en de Guevara (2004) dat de NIM toeneemt met de grootte van de banktransacties omdat “voor een gegeven kredietrisico en marktrisico, een operatie met een groter volume een groter potentieel verlies zou betekenen, en de bank hiervoor dus een grotere marge zal vragen” (Maudos & de Guevara, 2004, p. 2265). Andere auteurs (Kasman et al., 2010; Hawtrey & Liang, 2008) wijzen dan weer op schaalvoordelen die kunnen worden gegenereerd door grotere banktransacties overhead kosten kunnen over een bredere basis worden verspreid - en verwachten een negatieve invloed van SIZE op de NIM. Het effect van SIZE op NIM is dus nog onzeker.

Een volgende variabele is het default risico waaraan een bank wordt blootgesteld. Default risico is het risico dat de ontlener niet in staat is om het ontleende geld terug te betalen aan de bank. Om dit risico te vatten introduceren we de variabele LLP - wat staat voor “loan loss provisions”. Deze wordt gedefinieerd als het quotiënt van geboekte voorzieningen voor leningen op totale leningen. Een hoger percentage komt hierbij overeen met een hoger verwacht default risico voor de bank. Het boeken van een hoger aantal voorzieningen voor leningen betekent logischerwijze dat de bank een hogere NIM zal moeten hanteren om dit

3

Zoals wordt opgemerkt in Maudos en de Guevara (2004) moet worden opgelet met de interpretatie van capital adequacy ratio’s als een maatstaf voor de risicoaversie van het bankmanagement. Deze ratio wordt namelijk sterk beïnvloed door de regulering en minimumvereisten die van kracht zijn in een specifiek land wat de interpretatie van deze variabele bemoeilijkt. In principe moeten alle landen opgenomen in onze sample - voldoen aan dezelfde regels voor capital adequacy (Basel-regels). 4 Operationele kosten = totale interestuitgaven + totale niet-interestuitgaven.

24

risico te compenseren. Net zoals in Kasman et al. (2010) en Lepetit et al. (2008) gaan we uit van een positief teken voor default risico op de NIM. De vijfde variabele waarmee we de NIM willen verklaren is LTA - afkorting voor “loans to assets”. Deze ratio vertegenwoordigt de verhouding van de totale leningen op de totale activa. Een hogere waarde voor deze ratio wil zeggen dat een hogere fractie van de totale activa van de bank uit leningen bestaat. Dit zijn traditioneel de meest risicovolle activa voor de bank wat dus betekent dat deze meer onderhevig zijn aan risico en daarvoor een compensatie naar de klant zal doorrekenen. We verwachten voor LTA dan ook een positieve invloed op de NIM - bevindingen die ook in Maudos en de Guevara (2004) en Claeys en Vander Vennet (2008) voorkomen.

Om de diversificatie van de bank in rekening te brengen nemen we de variabele niet-interest inkomsten (NII) op. Deze wordt voorgesteld door het quotiënt te nemen van de niet-interest inkomsten en de totale inkomsten van de bank5. Een hogere ratio betekent dat de bank een groter deel van zijn inkomsten uit niet-interest producten en diensten haalt. Zoals in hoofdstuk 3 werd beschreven zijn er indicaties dat een hoger aandeel niet-interest inkomen een negatief effect heeft op de NIM van de bank - mede door loss-leader gedrag en “crosssubsidization”. We verwachten dus - in navolging van Lepetit et al. (2008) - een negatieve invloed van NII op de NIM.

Daarnaast hebben we ervoor gekozen om - naast de meer traditionele bank-specifieke variabelen - twee variabelen op te nemen die risicomaatstaven vertegenwoordigen van de aandelenmarkt: het bankrisico (TOTR) en de marktbeta (BETA).

De variabele die het bankrisico (TOTR) uitdrukt werd berekend als de standaarddeviatie van de dagelijkse bankreturns op jaarbasis. Een hogere standaarddeviatie betekent dat de returns van de bank meer fluctueren of dus volatieler zijn - wat neerkomt op een situatie met een hoger risico voor de bank. We veronderstellen dat banken die in zo’n omgeving opereren - hogere volatiliteit en dus hoger bankrisico - een hogere NIM zullen hanteren om zich te beschermen tegen deze onzekerheid. Hiertegenover staat dat kredietinstellingen die een lage graad van bankrisico genieten minder geneigd zijn om hun netto interest marge hoog te leggen. Deze gedachtegang wordt ook gevolgd in Demirgüç-Kunt, Laeven en Levine (2004). 5

Waarbij: niet-interest inkomsten = andere operationele inkomsten + fees en commissies; totale inkomsten = interest inkomsten + niet-interest inkomsten = interest inkomsten op leningen + andere interest inkomsten + andere operationele inkomsten + fees en commissies.

25

De variabele die de marktbeta voorstelt (BETA) drukt het specifieke risico van een bepaalde bank uit. Het drukt uit in welke mate de return van de bank gevoelig is voor wijzigingen in de marktreturn. De marktbeta voor de verschillende banken kan worden berekend aan de hand van een one-factor Capital Asset Pricing Model (CAPM) waarbij de return van een specifieke bank wordt geregresseerd op een representatieve marktfactor:

Ri   i   i Rm  ei

waarbij Ri de excess return van bank i voorstelt en Rm de excess return van de markt vertegenwoordigt. In ons geval hebben we voor de berekening van de marktbeta gebruik gemaakt van de alternatieve formule voor de rechtstreekse berekening van de beta van bank i:

 i  Cov( Ri , Rm ) /  m ² waarbij de covariantie tussen de excess return van bank i (Ri) en de excess return van de markt (Rm) wordt gedeeld door de variantie van de marktreturn (σm²). De beta werd voor iedere bank per jaar berekend op basis van de dagelijkse excess returns. Als representatieve marktfactor voor Europa werden de dagelijkse excess returns van de EU DS Markt index6 gebruikt. Voor het berekenen van deze excess returns werd gebruik gemaakt van de 3-maanden EURIBOR op jaarbasis als proxy voor de risicovrije rente, omgerekend naar dagwaarden voor het aantal handelsdagen per jaar. Qua interpretatie komt een beta groter dan één overeen met een aandeel waarvan de return sterker fluctueert dan de marktreturn. Een stijging van de marktreturn met één procent leidt dan - ceteris paribus - tot een hogere stijging van de return van de desbetreffende bank - bij een daling met bijvoorbeeld één procent zal de return van de bank dan ook dalen met een hoger percentage. Een bank met een beta kleiner dan één betekent dat een wijziging in marktreturn ceteris paribus leidt tot een kleinere wijziging in de bankreturn. Een bank met een beta gelijk aan één wordt tenslotte als “neutraal” beschouwd - aangezien de return identiek fluctueert met de marktreturn. Over het algemeen wordt verondersteld dat de banksector mee fluctueert met de markt en bijgevolg een beta heeft die rond één ligt (Meric, Goldberg, Sprotzer, Meric, 2010). Banken die een beta hebben die hoger is dan één zijn dus meer onderhevig aan marktfluctuaties en bevinden zich in een situatie met hogere onzekerheid en dus hoger risico. We 6

Dit is een Europese marktindex beschikbaar in Datastream.

26

veronderstellen dan ook dat een hogere beta zal leiden tot een hogere NIM, omdat de banken zichzelf tegen dit hogere risico willen indekken.

Naast deze bank-specifieke variabelen hebben we ook enkele land-specifieke variabelen als controlevariabelen opgenomen in ons model.

Een belangrijke groep binnen deze land-specifieke variabelen zijn variabelen die met de markt gerelateerd zijn. De variabele die we hiervoor zullen opnemen in ons model is de markconcentratie. Om de invloed van de marktconcentratie op de NIM te kunnen weergeven hebben we gekozen voor 2 constructen: de Herfindahl-Hirschman-index (HHI) en het procentuele marktaandeel van de 5 grootste kredietinstellingen binnen een land (MRKTS). De Herfindahl-Hirschman-index - zoals ook gedefinieerd bij Maudos en de Guevara (2004) wordt berekend door de verschillende marktaandelen van alle kredietinstellingen binnen een bepaald land en voor een bepaald jaar te kwadrateren en vervolgens te sommeren. Op deze manier wordt een uitdrukking bekomen voor de marktconcentratie die kan variëren van 100 tot 10 000. Des te hoger de uitdrukking, des te meer marktaandeel wordt ingenomen door één bepaalde speler. Deze variabele (HHI) schetst - samen met de uitdrukking van het marktaandeel van de 5 grootste kredietinstellingen binnen een land (MRKTS) - een goed beeld van de - al dan niet - competitieve omgeving waarin kredietinstellingen fungeren. Verder kunnen we uit deze variabelen ook opmaken of we te maken hebben met een sterk geconcentreerde of een sterk verdeelde markt. We verwachten bij deze uitdrukkingen voor de markconcentratie dan ook een positieve impact terug te vinden op de NIM. Een hoger marktaandeel van een welbepaalde kredietinstelling - en dus een hogere marktconcentratie en een lagere competitiviteit - zal gekoppeld zijn aan de mogelijkheid om een meer gunstige marktpositie in te nemen en een grotere prijszettingsmacht uit te oefenen. De uitoefening van deze grotere prijszettingsmacht zal op zijn beurt leiden tot een verbreding van de NIM: des te geconcentreerder een bepaalde markt , des te ongunstiger de onderhandelingspositie van de potentiële klanten. Kredietinstellingen zullen hogere rentevoeten kunnen vragen op hun leningen en zullen lagere interestvoeten aanbieden op deposito’s. We vinden gelijkaardige bevindingen bij Claeys en Vander Vennet (2008) en Kasman et al. (2010).

Een tweede belangrijke groep binnen de land-specifieke variabelen omvat de macroeconomische land-specifieke variabelen. De variabelen die we hiervoor in ons model opgenomen hebben zijn de inflatie (INFL) en het bruto binnenlands product (GDP).

Voor de inflatie (INFL) hebben we geopteerd om gebruik te maken van de geharmoniseerde consumentenprijsindices per land - op deze manier kunnen de inflatiecijfers van de

27

verschillende landen in de dataset gemakkelijk onderling vergeleken worden. Kijkend naar de invloed van inflatie op de NIM kunnen we veronderstellen dat een lage inflatiegraad gepaard zal gaan met een dalende NIM, omdat we veronderstellen dat bij een lage inflatie de intermediatiekosten van de financiële dienstverleners ook zullen dalen waardoor lagere interestvoeten kunnen gehanteerd worden om deze kosten te dragen. Volgens Claeys en Vander Vennet (2008) bestaat er - gebaseerd op Boyd et al. (2001) - bovendien een sterke negatieve correlatie tussen de inflatie en de omvang van de ontleengelden. Een lage inflatie zorgt voor een lagere gehanteerde NIM bij banken waardoor de vraag naar ontleengelden en dus bijgevolg de omvang hiervan - groter zal zijn. Een hogere inflatie zorgt daarnaast voor een daling in de omvang van de ontleengelden omdat er door de hogere NIM minder vraag naar leningen is. Bij een hoge inflatiegraad is het immers belangrijk dat een bank tijdig zijn interestvoeten op leningen aanpast zodat de bankkosten niet zouden doorwegen op de bankinkomsten ten gevolge van de stijgende intermediatiekosten. We vinden dezelfde resultaten terug bij Demirgüç-Kunt et al. (2004) en Kasman et al. (2010).

Voor het bruto binnenlands product - hiervoor gebruiken we de afkorting GDP - verwachten we eveneens een positieve invloed terug te vinden op de NIM. De variabele die we hiervoor opnemen in ons model drukt de procentuele verandering uit van het bruto binnenlands product in het jaar onder beschouwing ten opzichte van het voorgaande jaar - bekeken op landsniveau. Een hoge economische groei zal gepaard gaan met de hantering van bredere interestmarges doordat door de gunstige economische situatie het ontleengedrag van mensen gestimuleerd wordt (Claeys & Vander Vennet, 2008) en een stijging in de vraag leidt tot een verhoging van de prijzen. We veronderstellen hierbij impliciet dat de grootte van de investeringen verbonden is met het heersende beursklimaat (Demirgüç-Kunt et al., 2004). Dit wil zeggen dat in tijden van crisis mensen meer geneigd zijn om hun geld te sparen en dat ze in economisch gunstige tijden meer geld zullen investeren in

- bijvoorbeeld -

hypotheekleningen. Deze bevindingen worden ook teruggevonden in Claeys en Vander Vennet (2008) en Kasman et al. (2010).

De te schatten specificaties kunnen dan als volgt worden samengevat:

Als eerste onderzoeken we of de geselecteerde en beschreven variabelen de impact en significantie hebben die we uit de literatuur kunnen verwachten. Dit wordt getest aan de hand van een basisvergelijking (vgl. A.1) waarop vervolgens 3 variaties worden getest (vgl. A.2, vgl. A.3, vgl. A.3):

28

Vergelijking A.1

NIM     1 ETA   2 AOPC   3 SIZE   4 LLP   5 LTA   6 NII   7 MRKTS 

 8 INFL   9 GDP   Vergelijking A.2

NIM    1TIER1   2 AOPC   3 SIZE   4 LLP   5 LTA   6 NII   7 MRKTS 

 8 INFL   9 GDP   Vergelijking A.3

NIM    1 ETA   2 AOPC   3 SIZE   4 LLP   5 LTA   6 NII   7 HHI 

 8 INFL   9 GDP   Vergelijking A.4

NIM     1TIER1   2 AOPC   3 SIZE   4 LLP   5 LTA   6 NII   7 HHI 

 8 INFL   9 GDP  

In een tweede onderdeel gaan we de globale impact van de financiële crisis op de NIM na en splitsen we deze op over 4 bank-specifieke variabelen met behulp van interactietermen (vgl. B.1):

Vergelijking B.1 NIM     1 ETA   2 AOPC   3 SIZE   4 LLP   5 LTA   6 NII   7 MRKTS   8 INFL   9 GDP   10 CRISIS   11 ETA * CRISIS   12 LLP * CRISIS   13 LTA * CRISIS   14 NII * CRISIS  

Als laatste concretiseren we ook ons onderzoek naar de twee variabelen die betrekking hebben op de aandelenmarkt (vgl. C.1, vgl. C.2, vgl. C.3):

Vergelijking C.1

NIM     1 ETA   2 AOPC   3 SIZE   4 LLP   5 LTA   6 NII   7 MRKTS 

 8 INFL   9 GDP   10TOTR  

29

Vergelijking C.2

NIM     1 ETA   2 AOPC   3 SIZE   4 LLP   5 LTA   6 NII   7 MRKTS 

 8 INFL   9 GDP   10 BETA   Vergelijking C.3

NIM     1 ETA   2 AOPC   3 SIZE   4 LLP   5 LTA   6 NII   7 MRKTS 

 8 INFL   9 GDP   10TOTR   11 BETA   Voor ieder van deze vergelijkingen geldt dat ε de storingsterm vertegenwoordigt die alle elementen capteert die niet in het model zijn opgenomen. ETA, TIER1, AOPC, SIZE, LLP, LTA, NII, TOTR en BETA zijn bank-specifieke variabelen, HHI en MRKTS zijn landspecifieke marktgerelateerde variabelen en INFL en GDP zijn land-specifieke macroeconomische variabelen. CRISIS is een dummyvariabele die de 2 jaren tijdens/na de financiële crisis vertegenwoordigt - de periode 2008-2009. De interactietermen ETA*CRISIS, LLP*CRISIS, LTA*CRISIS en NII*CRISIS capteren de specifieke impact die de variabelen ETA, LLP, LTA en NII hebben gedurende deze periode.

Een samenvatting met de beschrijving van de verschillende variabelen en hun databronnen kan worden gevonden in tabel 1.

30

VARIABELE

BESCHRIJVING

Te verklaren variabele Netto interest marge (NIM)a

Het verschil tussen interest inkomsten en interest uitgaven gedeeld door totale rente-opbrengende activa

Verklarende variabelen Capital adequacy (ETA)a

De ratio van eigen vermogen op totale activa

Capital adequacy (TIER1)a

TIER1 ratio

Efficiëntie (AOPC)a

De ratio van operationele uitgaven op totale activa

Grootte van banktransacties

Natuurlijke logaritme van de totale toegestane leningen

(SIZE)

a

Default risico (LLP)a

De ratio van geboekte voorzieningen voor leningen op totale leningen

Totaal aantal leningen (LTA)a

De ratio van totale leningen op totale activa

Diversificatie (NII)a

De ratio van niet-interest inkomsten op totale inkomsten

Bankrisico (TOTR)b

Standaarddeviatie van de dagelijkse bankreturns op jaarbasis

Marktbeta (BETA)b

Beta van de bank geschat door one-factor CAPM

Marktconcentratie (HHI)c

Herfindahl-Hirschman-index per land

Marktconcentratie (MRKTS)c

Marktaandeel van de grootste vijf banken per land

Inflatie (INFL)d

Geharmoniseerde consumentenprijsindex per land per jaar

BBP groei (GDP)d

Procentuele verandering bruto binnenlands product per land per jaar

a

BankScope plus eigen berekeningen Datastream plus eigen berekeningen c ECB d Eurostat Tabel 1: Beschrijving variabelen b

31

7.3 Hypotheses Nu de verschillende variabelen die in ons model worden opgenomen zijn beschreven, formuleren we in deze sectie expliciet onze verwachtingen over hun invloed op de NIM. Deze hypotheses worden in het eerste deel van ons onderzoek nagegaan.

Wat betreft de bank-specifieke variabelen verwachten we dat een stijging in capital adequacy, operationele kosten, default risico en totaal aantal leningen aanleiding zal geven tot een hogere NIM. Een hogere diversificatie leidt dan weer tot een lagere verwachte NIM, terwijl de invloed van de grootte van banktransacties zowel positief als negatief kan zijn.

Met betrekking tot de land-specifieke variabelen verwachten we dat zowel voor marktconcentratie, inflatie als bruto binnenlands product een stijging zal leiden tot een hogere NIM.

Deze hypotheses worden in tabel 2 weergegeven.

VARIABELE

VERWACHT TEKEN

Capital adequacy (ETA)

+

Capital adequacy (TIER1)

+

Efficiëntie (AOPC)

+

Grootte van banktransacties (SIZE)

+/-

Default risico (LLP)

+

Totaal aantal leningen (LTA)

+

Diversificatie (NII)

-

Marktconcentratie (HHI)

+

Marktconcentratie (MRKTS)

+

Inflatie (INFL)

+

BBP groei (GDP)

+

Tabel 2: Verwachte impact variabelen op NIM

32

Daarnaast wordt in het tweede deel van het onderzoek de impact van de financiële crisis op de NIM onderzocht. We gaan hierbij na wat de globale impact van de crisis is, maar ook of bepaalde bank-specifieke variabelen een sterkere of zwakkere impact op de NIM hebben ten gevolge van de crisis. We formuleren hiervoor vijf hypotheses.

Als eerste hypothese verwachten we dat de banken als gevolg van de crisis - en de daarop volgende roep om terug “back to the basics” te gaan - een hogere NIM zullen toepassen. De bank zal terug het grootste deel van zijn inkomsten uit traditionele financiële intermediatie moeten halen, wat betekent dat het verschil tussen rente op deposito’s en rente op leningen terug zal worden uitgediept - met een hogere NIM als gevolg. Banken konden zich voor de crisis veroorloven om de marge op traditionele intermediatie wat lager te leggen - dit werd meer dan gecompenseerd door hun andere, niet-traditionele activiteiten - maar we verwachten dat dit na de crisis evenwel niet meer het geval zal zijn.

H1: Als gevolg van de financiële crisis zal de netto interest marge (NIM) van de banken - gemiddeld genomen - toenemen.

Een tweede belangrijk aspect heeft betrekking op de capital adequacy van de bank. Het minimumpercentage eigen kapitaal op totale activa of de minimale TIER1-ratio wordt over het algemeen bepaald van hogerhand (overheden, Basel comité) - het aanhouden van hogere percentages blijft voor de banken echter een vrije keuze. De financiële crisis en de uitloop hiervan hebben tal van stemmen doen opgaan die pleiten voor het verhogen van deze ratio’s om de solvabiliteit van de banken en de hiermee gepaard gaande capaciteit en buffer om met macro-economische schokken om te gaan te verhogen (infra, p.19). Een gevolg van deze hogere kapitaaleisen is echter dat de financieringskost - de WACC - voor de bank stijgt. Aangezien banken verondersteld worden zich terug hoofdzakelijk te focussen op hun klassieke financiële intermediatie-activiteiten betekent dit ook dat ze de extra kosten van het eigen vermogen via deze activiteiten zullen proberen te recupereren - eerder dan dit via andere, niet-interest activiteiten te compenseren. We verwachten bijgevolg dat de impact van capital adequacy op de NIM na de crisis groter zal zijn.

H2: De invloed van de capital adequacy van de bank op de NIM zal groter zijn als gevolg van de financiële crisis.

Een volgende variabele waarbij we veranderingen verwachten is LLP. Als gevolg van de financiële crisis verwachten we dat financiële instellingen meer belang zullen hechten aan

33

het correct inschatten van hun default risico - wat in de jaren vóór 2007 systematisch werd onderschat (infra, p.12). Dit betekent dat de banken meer accurate voorzieningen voor wanbetaling zullen aanleggen en de aanleg van deze voorzieningen - een indicatie van hoger risico - ook directer zullen doorrekenen naar de klant door middel van een hogere NIM. Als gevolg hiervan verwachten we ook voor LLP een grotere impact op de NIM na de crisis.

H3: Aangelegde voorzieningen voor wanbetaling hebben een grotere impact op de NIM ten gevolge van de financiële crisis.

Wat betreft de LTA-ratio veronderstellen we dat banken als gevolg van de financiële crisis het risico verbonden aan het toekennen van nieuwe leningen - traditioneel de meest risicovolle activa op de balans – terug volledig zullen doorrekenen naar hun klanten. In de periode voorafgaand aan de crisis kunnen we - zoals reeds vermeld - aannemen dat dit niet altijd het geval was - er werden immers hypotheekleningen verstrekt aan tarieven die geen weerspiegeling waren van het correct risicoprofiel. Tijdens de financiële crisis werd echter duidelijk dat deze manier van werken grote gevaren inhield. Dit is het geval wanneer bijvoorbeeld de onderliggende activa van een lening plots sterk in waarde dalen als gevolg van het ineenzakken van een bubbel. We gaan ervan uit dat de confrontatie met de gevaren tijdens de financiële crisis de banken ertoe aangezet heeft om het risico verbonden aan het totaal aantal leningen op de balans terug correct in de NIM door te rekenen. Onze hypothese is daarom dat de LTA-ratio na de crisis een belangrijkere invloed zal hebben op de NIM.

H4: Het effect van de LTA-ratio op de NIM is groter in de periode na de financiële crisis.

Een laatste hypothese omtrent de variabelen heeft betrekking op de niet-interest inkomsten. De florerende handel in niet-interest producten en betalende services leverde de banken tot voor de crisis zeer hoge winsten op. Een gevolg hiervan was dat banken zich tot op zekere hoogte als “loss-leaders” gedroegen in de markt voor traditionele intermediatie en dus een té lage NIM hanteerden ten opzichte van het genomen risico (infra, p.10). We verwachten dat als een gevolg van de financiële crisis banken terug meer zullen focussen op winst uit financiële intermediatie en het effect van “cross-subsidization” bijgevolg zal afnemen. De hypothese is daarom dat de - verwachte - negatieve invloed van NII op de NIM in de periode na de crisis minder groot zal zijn.

H5: De invloed van NII op de NIM is minder groot in de periode na de financiële crisis.

34

Als laatste herhalen we kort onze hypotheses met betrekking tot de variabelen voor de aandelenmarkt die we in het laatste deel van ons onderzoek zullen bestuderen.

H7: Een bank met een hoger bankrisico zal een hogere NIM hanteren. H8: Een hogere marktbeta van de bank geeft aanleiding tot een hogere NIM. In dit hoofdstuk hebben we ons eigen model om de determinanten van de netto interest marge te bestuderen opgesteld en toegelicht. We formuleerden ook hypotheses omtrent de impact van de basisvariabelen op de NIM, de impact die de financiële crisis heeft op de NIM, en over de invloed van de specifieke variabelen uit de aandelenmarkt op de NIM. In wat volgt lichten we de gevolgde methodologie en gebruikte data toe en presenteren we de resultaten van de regressies.

35

8 METHODOLOGIE, DATA EN RESULTATEN In dit hoofdstuk - dat is onderverdeeld in drie secties - bespreken we de gehanteerde methodologie inzake onze modelspecificatie, de gebruikte dataset en de resultaten van de verschillende vooropgestelde regressies. In de eerste sectie - methodologie - maken we onze keuze voor het single-stage model duidelijk, analyseren we welke de meest aangewezen schattermethode is - rekening houdend met de verschillende beperkingen en assumpties - en geven kort informatie over de betrouwbaarheid van het model. Voor de beschrijving van de data gaan we zowel kwalitatief als kwantitatief te werk. Zo lichten we onder meer de verschillende databronnen toe en rapporteren de meest interessante gegevens. Tenslotte sluiten we af met een grondige analyse van de verkregen resultaten uit het empirisch onderzoek.

8.1 Methodologie Binnen deze sectie verantwoorden we onze keuze voor het gebruik van het single-stage model en het gebruik van fixed effects - FE - als schattermethode. Ook de betrouwbaarheid van het model komt aan bod.

8.1.1 Single vs. Dual stage Voor het testen van de determinanten van de NIM kan een keuze worden gemaakt uit 2 verschillende benaderingswijzen. Ten eerste kan in navolging van Ho en Saunders (1981) en de hierop uitbreidende studies - bijvoorbeeld deze van Saunders en Schumacher (2000) gekozen worden voor een dual-stage aanpak. Dit betekent dat een tweefasig proces wordt gebruikt om na te gaan wat de concrete invloed is van de determinanten onder beschouwing op de netto interest marge van banken. Daarnaast kan ook worden geopteerd voor een single-stage model waarbij de invloed van de determinanten op de NIM in één enkel proces wordt geschat.

Bij het toepassen van het dual-stage model uit de studie van Ho en Saunders (1981) schat men in de eerste fase de “pure” interest marge door middel van het controleren voor verschillende imperfecties en factoren die niet expliciet in de theoretische spread worden opgenomen. Wat na deze eerste fase overblijft is dus een “pure” interest marge die in de uitgevoerde regressie overeenkomt met het intercept. In een tweede fase wordt deze “pure” interest marge dan geregresseerd op de determinanten die in het theoretisch model werden afgeleid. Bij Ho en Saunders (1981) zijn dit de 4 volgende termen: marktconcentratie, graad van risico aversie van het bankmanagement, grootte van de banktransacties en de variantie van de korte termijn rente

36

(infra, p.22). Op die manier kan men de impact van de opgenomen - theoretische variabelen op de netto interest marge nagaan in twee fases en kan de validiteit van het opgestelde theoretische model worden nagegaan (Ho & Saunders, 1981). De meerwaarde van dit tweefasig proces ligt in het feit dat het op deze manier mogelijk wordt om op een correcte wijze een schatting van de “pure” interest spread weer te geven en vervolgens hierop de te bestuderen variabelen kunnen worden getest. Een nadeel van deze aanpak is wel dat men nood heeft aan een dataset die een voldoende lange periode bestrijkt om een betrouwbare schatting van de “pure” interest marge te bekomen (Maudos & de Guevara, 2004; Poghosyan, 2010). Vaak wordt in de literatuur naar dit tweefasig model verwezen als de “dealership-approach”, waarbij een specifieke bank fungeert als een soort dealer met een risico-avers profiel - een intermediair voor de aanbieders en vragers van fondsen (Gropp, Sørensen, Lichtenberger, 2007). Door op een correcte wijze de rentevoeten op leningen en deposito’s vast te leggen zal een bank zich trachten in te dekken voor de specifieke kostfactor die ontstaat als gevolg van het stochastisch patroon dat zowel de vraag naar leningen als het aanbod aan deposito’s vertonen. In Ho en Saunders (1981) wordt verondersteld dat banken door dit onzekerheidspatroon inzake bancaire transacties een positieve interest marge zullen hanteren - zelfs indien er extreme competitie is tussen de verschillende banken onderling. Het is deze gehanteerde interest marge - die een gevolg is van de beschreven transactieonzekerheid - die wordt omschreven als de “pure” spread.

Het tweefasig model wordt in tal van onderzoeken aangewend en vaak worden additionele determinanten aan de theoretische “pure” interest marge toegevoegd om hun impact op de NIM te analyseren. Zo wordt - onder andere - in Brock en Suarez (2000), Saunders en Schumacher (2000) en Carbó en Rodriguez (2007) gebruik gemaakt van het dual-stage model voor de analyse van hun specifieke modellen.

Tegenover het dual-stage model staat het single-stage model waarin de netto interest marge in één fase wordt geschat door zowel de theoretisch gemotiveerde determinanten als de imperfecties en andere factoren in eenzelfde regressie op te nemen. Deze werkwijze wordt tevens in tal van onderzoeken gehanteerd (McShane & Sharpe (1985); Angbazo (1997); Maudos & de Guevara (2004)). De voornaamste reden om het single-stage model te gebruiken - eerder dan de dual-stage aanpak - ligt in het feit dat een voldoende lange tijdsreeks nodig is om een betrouwbare schatting voor de “pure” interest spread te bekomen. Aangezien de opgenomen periode - 2004 tot 2009 - voor onze sample eerder beperkt is

37

hebben we er dan ook voor gekozen om een single-stage model te gebruiken in ons onderzoeksopzet.

8.1.2 Fixed vs. Random effects Om ons model op een correcte wijze te kunnen schatten hebben we gebruik gemaakt van panel data, vooral omdat de heterogeniteit tussen onze entiteiten - individuele banken - op deze manier expliciet in beschouwing kon worden genomen. Tevens verwachten we door het combineren van zowel tijdsreeks- als cross-sectionele gegevens beter bruikbare en meer gedetailleerde informatie te verkrijgen. In wat volgt lichten we kort toe waarom we voor het fixed effects (FE) panel data model hebben gekozen eerder dan het random effects (RE) model, welke assumpties hiervoor worden gemaakt en wat de implicaties hiervan zijn.

Een juiste keuze maken tussen beide schattermethodes is van cruciaal belang voor het waarborgen van de consistentie en efficiëntie van de gebruikte schatter. Wanneer de verkeerde schattermethode wordt gekozen is het mogelijk dat een groot deel van de heterogeniteit van een bepaalde entiteit verdwijnt in de storingsterm waardoor de kans dat deze op zijn beurt gecorreleerd is met één of meerdere verklarende variabelen - opgenomen in het model - sterk verhoogd wordt. Indien dit het geval is kan dit een sterke vertekening of zelfs inconsistentie van de geschatte parameters betekenen. De onderkenning van de heterogeniteit van een bepaalde entiteit kan in sommige gevallen zelfs autocorrelatie in de hand werken, wat vaak afleidbaar is uit de Durbin-Watson teststatistiek.

Indien we gebruik zouden maken van random effects als schattermethode impliceert dit dat het intercept van een bepaalde entiteit gelijk is aan de som van een gemiddelde waarde - die identiek is voor iedere entiteit van onze cross-sectionele gegevens - en een welbepaalde storingsterm. Deze storingsterm vertegenwoordigt hierbij de afwijking van de specifieke entiteit ten opzichte van de algemene gemiddelde waarde. Door de waarden van het intercept op deze manier voor te stellen bestaat de totale storingsterm (wit) in principe uit 2 bestanddelen: een entiteit-specifieke storingsterm (εit) en een storingsterm die zowel varieert over de verschillende entiteiten als over de tijd - voorgesteld door jaartallen in onze dataset (uit):

wit   it  u it

Hierbij wordt verondersteld dat de variatie tussen de entiteiten willekeurig en niet gecorreleerd is met de verklarende variabelen in ons model. Indien hieraan niet voldaan

38

wordt zullen de bekomen coëfficiënten vertekend zijn bij het gebruik van RE als schattermethode.

De keuze tussen fixed effects en random effects wordt nagegaan door het uitvoeren van de Hausman test. Deze stelt onder de nulhypothese dat de geschatte coëfficiënten voor beide schattermethodes niet substantieel van elkaar verschillen wat betekent dat het in het voorkomend geval aangewezen is random effects te verkiezen omdat dit model meer efficiënt is dan fixed effects. De teststatistiek van de Hausman test is - voor de basisregressie - 50,798 en heeft een p-waarde van 0,00. Dit betekent dat de nulhypothese moet verworpen worden op het 1% significantieniveau waaruit we concluderen dat er dus wel degelijk enige vorm van correlatie bestaat tussen de random effects en de verklarende variabelen. Gebruik van het random effects panel data model zou in dit geval bijgevolg leiden tot inconsistente schatters.

Als we kijken naar fixed effects wordt verondersteld dat het intercept constant is over de beschouwde tijdsreeks voor iedere afzonderlijke entiteit en elke vorm van heterogeniteit in zowel de verklarende als de afhankelijke variabelen absorbeert.

Voor het onderzoek naar welke schattermethode het meest aangewezen is en welke de bijhorende implicaties en assumpties zijn werd gebruik gemaakt van handboeken inzake econometrische specificaties en beschrijvende literatuur inzake de analyse van panel data (Gujarati & Porter, 2009; Spanos, 2008).

8.1.3 Betrouwbaarheid model Om de betrouwbaarheid van de geschatte parameters in ons model na te gaan hebben we kort onderzocht aan welke van de statistische eigenschappen van de kleinste kwadraten schatter wordt voldaan.

Zo hebben we eerst en vooral de assumptie inzake homoscedasticiteit onderzocht, welke stelt dat de variantie in de storingstermen constant moet zijn voor alle mogelijke waarden van de

onafhankelijke

variabelen.

Indien

dit

niet

het

geval

is

spreekt

men

van

heteroscedasticiteit, waardoor de kleinste kwadraten schatter nog steeds lineair en onvertekend is maar niet langer efficiënt. Een aanpassing van de formule voor de variantie is dan eigenlijk noodzakelijk, aangezien gevolgtrekkingen op basis van de bekomen standaardfouten misleidende resultaten kunnen opleveren met betrekking tot het bepalen van de significantie van de verklarende variabelen. Doordat we in ons model gebruik maken van cross-sectionele gegevens - waarbij heterogeniteit tussen de opgenomen entiteiten

39

benadrukt wordt door de aanwending van panel data - is de kans dat we met een zekere mate van heteroscedasticiteit te maken hebben vrij groot. Aangezien het in Eviews niet mogelijk is om via formele testmethodes heteroscedasticiteit bij panel data op te sporen kunnen we enkel een grafische detectie toepassen. Hierbij worden de geschatte gekwadrateerde storingstermen uitgezet ten opzichte van enerzijds de geschatte afhankelijke variabele en anderzijds de verklarende variabelen. We hebben dit uitgevoerd voor de afhankelijke en verklarende variabelen uit de basisvergelijking - zie bijlage 8.1. We kunnen uit deze grafieken afleiden dat we zeker te maken hebben met een bepaalde vorm van heteroscedasticiteit. Om onze resultaten te corrigeren voor eventueel foutieve standaardfouten passen we de White correctie voor heteroscedasticiteit toe waardoor de standaardfouten meer robuust worden voor hetereroscedasticiteit.

Vervolgens hebben we aan de hand van de Durbin-Watson teststatistieken onderzocht of we in de verschillende specificaties te maken hadden met autocorrelatie. Autocorrelatie betekent dat er een onderlinge correlatie is tussen de storingstermen. Eén van de assumpties die bij de kleinste kwadraten schattermethode wordt verondersteld is dat de storingstermen onafhankelijk zijn van elkaar en dat er bijgevolg dus geen autocorrelatie optreedt. Indien dit niet het geval is zal de kleinste kwadraten schatter niet meer efficiënt zijn, maar de zuiverheid van de schatter wordt evenwel niet aangetast. Dit heeft opnieuw tot gevolg dat er een lagere significantie wordt bekomen voor de opgenomen variabelen. De tabel in bijlage 8.2 toont duidelijk aan dat onze verkregen teststatistieken in alle regressies beneden de ondergrens liggen wat suggereert dat we de nulhypothese - die stelt dat er geen positieve (negatieve) autocorrelatie aanwezig is - moeten verwerpen. Er is bijgevolg wel degelijk positieve autocorrelatie aanwezig in ons model wat voor een groot stuk kan verklaard worden door het feit dat we gebruik maken van tijdsreeksgegevens. Een eventuele correctie die men kan uitvoeren voor de robuustheid van de standaardfouten uit het oorspronkelijke model is het toepassen van de Newey-West correctie. Het was echter niet mogelijk deze correctie voor panel data via Eviews uit te voeren.

We hebben tevens gekeken of de storingstermen van de verschillende specificaties een normale verdeling vertonen. Indien dit niet het geval is zullen de bekomen coëfficiënten uit de regressies eveneens niet normaal verdeeld zijn wat ertoe leidt dat de kleinste kwadraten schatter nog steeds onvertekend en efficiënt is maar niet langer normaal verdeeld. We hebben dit onderzocht met behulp van de Jarque-Bera test die onder de nulhypothese stelt dat de storingstermen van de regressievergelijking onder beschouwing normaal verdeeld zijn. De resultaten van deze test worden weergegeven in bijlage 8.3. We zien hierbij duidelijk dat de nulhypothese voor alle vergelijkingen verworpen moet worden, de storingstermen

40

vertonen bijgevolg geen normale verdeling. Verder zien we ook dat de waarden voor de “kurtosis” en de “skewness” afwijken van deze van de normale verdeling - waarbij deze respectievelijk een waarde hebben van 3 en 0.

Als laatste hebben we ook geanalyseerd of er een bepaalde graad van multicollineariteit aanwezig is ons model. Een belangrijk gevolg van multicollineariteit is dat de schatters een grotere variantie en covariantie vertonen waardoor de testen om de significantie van de geschatte parameters na te gaan in mindere mate betrouwbaar zijn. We hebben multicollineariteit bestudeerd aan de hand van enerzijds de paarsgewijze correlatie tussen de verschillende verklarende variabelen - zie bijlage 8.4 - en anderzijds de Variance Inflation Factor7 - VIF - waarbij men telkens een verklarende variabele regresseert op de overige verklarende variabelen. We hebben geen buitensporige waarden teruggevonden voor deze VIF. Er werden tevens geen extreem hoge correlaties opgemerkt tussen de verschillende verklarende

variabelen.

We

kunnen

dus

veronderstellen

dat

er

geen

ernstige

multicollineariteit aanwezig is binnen ons model.

8.2 Data In deze sectie worden de databronnen vermeld, de verschillende dummies geïntroduceerd en enkele kerngetallen van de variabelen besproken.

8.2.1 Databronnen Data voor ons onderzoek werd verzameld via de Bankscope database van Bureau Van Dijk, de Datastream database, de Eurostat website en de website van de ECB.

Bankscope

werd

gebruikt

om

gestandaardiseerde

financiële

data

-

balans

en

resultaatrekening - voor 125 banken uit 15 West-Europese landen te verzamelen. De opgenomen landen zijn België, Denemarken, Duitsland, Finland, Frankrijk, Griekenland, Groot-Brittannië, Ierland, Italië, Nederland, Oostenrijk, Portugal, Spanje, Zweden en Zwitserland. De verzamelde gegevens zijn geconsolideerde data en bestrijken een periode van 2004 tot 2009. Dit levert een ongebalanceerd panel van in totaal 750 observaties op. De verdeling van de sample volgens banktype is als volgt: 55% commerciële banken, 17% coöperatieve

banken,

15%

bank

holdings,

7%

gespecialiseerde

gouvernementele

kredietinstellingen, 5% spaarbanken en 1% vastgoed- en hypotheekbanken. Een nadeel van deze sample is het feit dat de balans en resultatenrekeningen geconsolideerd zijn, wat de interpretatie van de resultaten tussen landen onderling kan bemoeilijken. Een tweede nadeel is de redelijk diverse samenstelling van de sample waardoor verschillende banktypes in 7

2

VIF = 1/(1-R )

41

eenzelfde regressie worden opgenomen. We zijn ons bewust van deze beperkingen en hun mogelijke gevolgen.

Voor het berekenen van het bankrisico en de marktbeta van de banken werd gebruikt gemaakt van data afkomstig uit Datastream. Voor alle banken in de sample werd de dagelijkse aandelenprijs verzameld gedurende de betrokken periode - waaruit vervolgens de dagelijkse returns werden berekend. Verder werd voor de EU DS Markt Index gekozen als getrouwe representatie van de risicovrije rente om de marktbeta te kunnen berekenen (infra, p.26).

Informatie wat betreft inflatie en bruto binnenlands product - BBP - werd via de Eurostat website van de Europese Commissie bekomen. Er werd gekozen voor de jaarlijkse geharmoniseerde consumentenprijsindex en de jaarlijkse groei in BBP per land als variabelen.

Als laatste werd gebruik gemaakt van publicaties op de website van de ECB om informatie over de marktconcentratie en de Herfindahl-Hirschman-index per land te bekomen. Data voor Zwitserland was via de ECB niet beschikbaar maar werd afzonderlijk berekend op basis van informatie verkregen van de Zwitserse centrale bank.

De data werd vervolgens nagekeken en gecorrigeerd voor extreme en foutieve waarden. Hiervoor werd “winsorizing” toegepast. Dit houdt in dat waarden die zich buiten een bepaald percentiel bevinden worden vervangen door de waarde van dit percentiel. Een voordeel ten opzichte van “trimming” - een andere veelgebruikte techniek - is dat op deze manier geen observaties moeten worden verwijderd. Er werd winsorizing op 90% toegepast wat betekent dat waarden kleiner dan het 5% percentiel en groter dan het 95% percentiel werden vervangen door de waarde van respectievelijk het 5 en 95% percentiel. Gezien de relatief kleine omvang van onze sample is winsorizing hier de meest aangewezen techniek om dataverlies zo klein mogelijk te houden.

Om een correcte berekening van de marktbeta te bekomen werd de data voor deze variabele gefilterd om illiquiditeit van de tijdsreeksen te vermijden. Voor de banken waarvan het aantal nulreturns per jaar - dagen waarop de return gelijk is aan nul - meer dan 10 procent bedraagt werd geen marktbeta berekend omdat de aanwezigheid van de nulreturns een te grote vertekening van de correcte marktbeta met zich mee zou brengen. Vervolgens werd het aantal observaties op landniveau bekeken en werden - voor de specifieke regressies met marktbeta - de landen waarvan meer dan 60% van de observaties voor deze

42

marktbeta ontbraken uit de sample verwijderd. Op deze manier werden de regressies getest op een beperkte - maar kwalitatief betere - sample van 10 landen: België, Denemarken, Duitsland, Griekenland, Groot-Brittannië, Ierland, Italië, Nederland, Spanje en Zweden. Finland, Frankrijk, Oostenrijk, Portugal en Zwitserland behoren dus niet tot de subsample.

8.2.2 Dummies Tijdsdummies werden toegevoegd voor de jaren 2005 tot 2009. Op deze manier kunnen specifieke wijzigingen over de jaren heen worden waargenomen.

Om het effect van de crisis op de NIM te capteren werd een dummy CRISIS ingevoerd die de waarde nul aanneemt in de periode 2004-2007 en waarde één in 2008-2009. Op die manier komen verschillen in NIM als gevolg van de financiële crisis in deze dummy tot uiting.

Om onze andere hypotheses te kunnen testen werden interactietermen tussen de beschouwde variabelen - ETA, LLP, LTA en NNI - en de crisisdummy geïntroduceerd. Op die manier kan worden nagegaan of een bepaalde variabele een sterkere of zwakkere invloed op de NIM heeft als gevolg van de crisis.

8.2.3 Beschrijving data Tabel 3 geeft het gemiddelde, standaardafwijking, minimum en maximum van de verschillende variabelen weer voor de volledige sample. Tabel 4 toont de evolutie van de gemiddeldes over de periode 2004-2009. In tabel 5 worden de gemiddelde waarden per land opgesplitst om onderlinge verschillen duidelijk te maken. De belangrijkste aspecten en meest opvallende zaken worden hieronder kort besproken.

Bij tabel 3 merken we als eerste een gemiddelde NIM van 2,09% op. Gemiddeld over de gehele sample hanteren de banken dus een verschil van 2,09% tussen hun depositorentes en uitleenrentes, met een minimum van 0,35% en een maximum van 5,06%.

Verder noteren we waardes het voor eigen vermogen en de TIER1 ratio die respectievelijk gemiddeld genomen 7,33% en 9,42% bedragen. De hogere waarde van de TIER1 ratio in vergelijking met het percentage eigen vermogen op totale activa - ETA - kan worden verklaard door de verschillende invulling van zowel teller als noemer bij beide maatstaven. In de teller van de TIER1 ratio wordt aandelenkapitaal plus niet-cumulatieve preferente aandelen gebruikt - dit in tegenstelling tot ETA waar enkel het eigen vermogen in de berekening wordt opgenomen. In de noemer van ETA worden de totale activa opgenomen terwijl deze bij de TIER1 ratio worden gecorrigeerd op basis van hun risico. De hogere teller en lagere noemer bij TIER1 leidt zo - over het algemeen - tot een hoger percentage. De

43

percentages van de variabelen blijven relatief gelijk gedurende de sample periode maar in 2008 merken we een kleine terugval in ETA op - met een ratio die bijna 1% lager ligt dan het jaar voordien (tabel 4). Dit heeft te maken met de zware waardeverminderingen die banken in 2007-2008 moesten boeken op hun gebundelde hypotheekleningen, waardoor ze grote verliezen realiseerden, wat op zijn beurt het eigen vermogen - en dus de ETA - negatief aantastte (infra, p.14).

2004-2009 NIM ETA TIER1 AOPC SIZE LLP LTA NII MRKTS HHI INFL GDP TOTR BETA

gemiddelde standaardafwijking 2,09 0,96 7,33 3,49 9,42 3,17 4,28 1,26 9,64 2,00 0,54 0,68 63,07 19,84 32,86 12,64 52,08 18,42 910,43 689,45 2,03 1,10 1,15 2,81 0,02 0,01 1,03 0,47

minimum 0,35 0,98 5,32 1,63 4,62 0,00 3,67 2,27 21,60 174,00 -1,70 -8,40 0,00 0,07

maximum 5,06 18,11 23,12 15,68 13,81 4,83 99,01 91,79 86,80 3160,00 4,50 5,50 0,11 2,77

Tabel 3: Gemiddelde, standaarddeviatie, minimum en maximum van de variabelen voor 20042009

gemiddelde per jaar 2004 NIM 2,23 ETA 7,23 TIER1 9,16 AOPC 4,11 SIZE 9,37 LLP 0,43 LTA 62,02 NII 36,79 MRKTS 51,19 HHI 910,00 INFL 2,02 GDP 2,62 TOTR 0,01 BETA 0,87

2005 2,14 7,54 9,01 3,92 9,45 0,31 61,64 37,18 52,15 938,08 2,18 2,06 0,01 0,80

2006 2,09 7,74 9,14 4,14 9,61 0,31 62,91 36,05 51,93 930,91 2,14 3,41 0,01 0,96

2007 2,03 7,53 9,03 4,63 9,73 0,31 63,84 31,19 53,00 932,25 2,00 2,84 0,02 0,97

2008 2,06 6,70 9,18 5,02 9,81 0,72 64,65 24,64 52,68 915,94 3,35 0,13 0,03 1,10

2009 1,99 7,27 10,89 3,85 9,87 1,18 63,26 32,89 51,54 835,42 0,49 -4,17 0,03 1,44

Tabel 4: Evolutie van de gemiddeldes per variabele voor 2004-2009

44

Wat betreft het aanleggen van voorzieningen - LLP - noteren we een gemiddelde van 0,54%. Er wordt door de banken dus slechts een heel klein percentage van de totale leningen als dubieus geboekt. De minimumwaarde van nul procent toont aan dat sommige banken hiervoor zelfs helemaal geen voorzieningen aanleggen. We constateren verder dat de gemiddelde voorzieningen de eerste 4 jaar stabiel - en zeer laag - blijven en daarna substantieel toenemen, wat kan toegeschreven worden aan een betere bewustwording van de risico’s bij banken ten gevolge van de financiële crisis (infra, p.33).

Gemiddeld 63% van de totale activa bestaan uit leningen. Dit betekent dat iets minder dan twee derde van de bankactiva gerelateerd zijn aan hun traditionele activiteiten. Over de volledige periode blijft dit percentage stabiel.

Als we kijken naar de diversificatie binnen banken zien we dat gemiddeld 33% van de totale inkomsten uit niet-interest producten en services komt. We zien in de eerste 3 jaar (20042006) een niet-interest aandeel dat piekt op 37 procent, om vervolgens in de laatste 3 jaar (2007-2009) lager te liggen, met 2008 als dieptepunt (24%). Dit is consistent met de hypothese dat banken terug “back to the basics” gaan na 2007 (infra, p.34).

Qua marktconcentratie zien we dat de vijf grootste banken gemiddeld 52,08% van de markt bezitten. Dit blijft over de gehele periode stabiel.

De gemiddelde inflatie over de volledige periode is 2,03%. Dit is quasi perfect in lijn met de doelstelling van de ECB om prijsstabiliteit in de EU te garanderen en de inflatie jaar na jaar dichtbij maar onder de 2% te houden8. We zien een stijging in de inflatie in 2008 tot 3,35%, gevolgd door een daling in 2009 tot 0,49%. De sterke stijging komt door een inflatiepiek - tot 5,9% in België - in de zomer van 2008 ten gevolge van extreem hoge grondstofprijzen (FOD Economie, 2009). De daaropvolgende daling is toe te schrijven aan de financieel economische crisis die zorgde voor een sterk bekoeld consumentenvertrouwen. Dit verminderd consumentenvertrouwen leidde tot een lagere vraag - zowel naar grondstoffen als naar andere producten - wat leidde tot een daling van de meeste prijzen (Nationale Bank van België, 2010).

De groei in BBP komt gemiddeld genomen uit op 1,15% voor de volledige periode. We zien dat in de eerste 4 jaar een groei tussen 2 en 3,5% werd opgetekend. Als gevolg van de financiële crisis was er een verslechtering van de conjunctuur wat leidde tot een daling in de

8

http://www.ecb.int/mopo/strategy/pricestab/html/index.en.html

45

groei tot 0,13% in 2008 en deze groei werd zelfs zwaar negatief tot -4,17% in 2009 (Nationale Bank van België, 2010).

Als we kijken naar bankrisico zien we dat de standaardafwijking van de dagelijkse returns op jaarbasis gemiddeld 0,02 bedraagt. Deze volatiliteit in return neemt lichtjes toe van 0,01 tot 0,03 naarmate men verder opschuift in de sample periode.

Als laatste variabele constateren we voor de marktbeta van banken een gemiddelde van 1,03. Dit is in overeenstemming met de verwachting dat banken marktneutraal zijn (infra, p.26). Als we kijken naar de details zien we dat de marktbeta lichtjes evolueert van 0,87 in 2004 tot 1,44 in 2009.

Tabel 5 toont een opsplitsing van de gemiddeldes voor de verschillende landen. We zien dat de gemiddelde NIM over de volledige periode tussen landen nogal wat verschillen vertoont. Zo noteren Zweden, België en Duitsland een lage NIM rond 1,2%, terwijl in Denemarken, Griekenland en Italië marges van 2,5 tot zelfs meer dan 3% worden gehanteerd. Een verklaring voor deze onderlinge verschillen tussen landen kan gevonden worden in de langetermijnrente die een bepaald land moet betalen op de financiële markten. Een stijging van de langetermijnrente - vaak het gevolg van een negatieve perceptie van beleggers en investeerders over de toekomst en kredietwaardigheid van een bepaald land - betekent dat dit land een hogere rentevergoeding zal moeten betalen bij het aangaan van nieuwe leningen - wat een negatieve impact heeft op de overheidsschuld van dit land. In de meeste gevallen zal deze toename in de staatschuld op één of andere manier resulteren in een verhoging van de belastingen. Aangezien deze belastingsverhoging meer dan waarschijnlijk ook de financiële intermediairs zal treffen zullen deze als compensatie hiervoor een hogere kostenfactor doorrekenen naar hun klanten - dit onder de vorm van het hanteren van bredere interestmarges. Aan de hand van data beschikbaar op de website van de Europese Centrale Bank hebben we de gemiddelde langetermijnrente op 10 jaar over de periode 2004 tot 2009 bekeken voor de betreffende landen. Voor Griekenland noteren we een langetermijnrente ten bedrage van 4,40% terwijl deze rente voor Duitsland - bekeken over dezelfde periode 3,76% bedraagt. Deze data levert een bevestiging van onze redenering. Verder merken we op dat de LTA ratio voor de meeste landen dicht bij het algemeen gemiddelde - 63,07% - ligt. Toch zijn er enkele uitschieters: Duitsland en België rapporteren respectievelijk 39,43 en 44,72% leningen op de totale activa. Wat betreft de proportie nietinterest inkomsten vallen er ook enkele verschillen te noteren. Zo scoort Nederland zeer hoog (50,15%), terwijl Belgische banken met 19,04% niet-interest inkomsten weinig gediversifieerd zijn. Ook qua marktconcentratie zijn grote verschillen tussen de landen waar

46

te nemen. In Nederland, België en Finland wordt meer dan 80% van de markt ingenomen door de 5 grootste banken. In Duitsland (22,57%) en Italië (29,12) is er dan weer zeer hoge competitie in de bankenmarkt. Als we kijken naar inflatie, vallen vooral de zeer hoge waarde voor Griekenland (3,05%) en de zeer lage waarde voor Zwitserland (0,85%) op.

In het volgende punt worden de resultaten van de eigenlijke regressies gerapporteerd en uitvoerig besproken.

47

2004-2009 BELGIË DENEMARKEN DUITSLAND FINLAND FRANKRIJK GRIEKENLAND GROOTBRITTANNIË IERLAND ITALIË NEDERLAND OOSTENRIJK PORTUGAL SPANJE ZWEDEN ZWITSERLAND ALLE

NIM ETA TIER1 AOPC SIZE LLP LTA NII MRKTS HHI INFL GDP TOTR BETA # banken 1,20 3,80 10,23 5,37 12,13 0,26 44,72 19,04 82,55 1972,83 2,17 1,47 0,02719 1,31 2 3,28 10,03 11,90 4,73 7,53 0,88 66,03 32,93 65,37 1126,50 1,82 0,52 0,02065 0,66 15 1,23 4,20 9,03 4,20 9,50 0,33 39,43 34,40 22,57 185,00 1,80 0,82 0,02373 1,29 11 1,38 5,50 9,17 4,24 8,36 0,13 60,67 29,33 82,42 2798,33 1,55 1,43 0,02292 NA 3 1,79 10,47 10,00 4,45 9,58 0,31 70,76 34,06 50,60 673,50 1,83 1,05 0,01574 NA 18 2,97 7,11 9,75 5,11 9,12 1,01 68,48 26,10 67,22 1119,83 3,05 1,95 0,02486 0,95 12 1,90 1,94 2,52 1,31 2,07 2,04 1,97 1,15 1,44 2,09

5,11 4,95 7,95 7,17 6,36 6,25 6,03 4,07 7,56 7,33

8,92 8,06 8,50 10,58 7,82 7,17 7,69 7,85 13,67 9,42

3,49 3,77 4,30 4,47 4,41 5,54 3,60 3,23 3,13 4,28

12,78 11,60 9,54 9,76 9,34 10,19 10,82 11,79 9,80 9,64

1,01 0,93 0,57 0,16 0,69 0,50 0,67 0,17 0,07 0,54

49,89 67,30 61,96 50,78 62,34 71,90 73,25 62,18 68,34 63,07

37,80 21,83 38,91 50,15 27,76 28,21 29,06 29,96 37,66 32,86

37,45 50,52 29,12 85,28 41,93 68,37 41,83 58,85 72,93 52,08

416,17 683,33 268,83 1912,00 506,83 1123,83 479,00 890,17 2256,33 910,43

2,30 1,92 2,17 1,57 1,93 1,97 2,80 1,70 0,85 2,03

0,95 1,72 -0,03 1,63 1,67 0,55 1,95 1,57 2,08 1,15

0,02594 0,03757 0,01646 0,02224 0,01144 0,01673 0,01588 0,02359 0,02210 0,01957

1,38 1,34 0,78 1,39 NA NA 0,96 1,38 NA 1,03

4 2 17 4 8 4 10 4 11 125

NA betekent dat er onvoldoende data beschikbaar is voor deze variabele Tabel 5: Gemiddelde van de variabelen per land voor 2004-2009

48

8.3 Resultaten Na de beschrijving van de data - die we zowel kwalitatief als kwantitatief besproken hebben lichten we in deze sectie uitgebreid onze bevindingen inzake de vooropgestelde specificaties toe. Door een kritische interpretatie van de coëfficiënten proberen we de concrete impact zowel qua teken als qua significantie - van de opgenomen variabelen op onze afhankelijke variabele - de NIM - na te gaan. Verder zullen we de vooropgestelde hypotheses testen en waar mogelijk een verklaring proberen te formuleren voor het al dan niet verwerpen van deze hypotheses. We eindigen deze sectie met een samenvatting van de resultaten.

Zoals reeds vermeld in het opzet (infra, p.20)gaan we van start met de bespreking van onze basisvergelijking - vgl. A.1 - om nadien ook potentiële afwijkingen of verschillen aan te tonen met behulp van variaties op deze vergelijking - vgl. A.2, vgl. A.3 en vgl. A.4. Vervolgens evalueren we de concrete impact van de financiële crisis op de NIM door het introduceren van een dummy-variabele die de crisisjaren capteert alsook het opnemen van verschillende interactietermen met deze dummy. Tenslotte gaan we de invloed van de twee gedefinieerde variabelen met betrekking tot de aandelenmarkt na via de beschrijving en interpretatie van hun impact op de netto interest marge bij banken.

Voor iedere regressievergelijking werd tevens een constante term geschat maar de coëfficiënt hiervan wordt niet gerapporteerd. Met betrekking tot de tijdsdummies werd 2004 als basis genomen.

8.3.1 Basisregressie We gaan van start met de bespreking van de concrete impact en significantie van de door ons vooropgestelde variabelen in onderstaande basisvergelijking A.1:

NIM    1ETA   2 AOPC  3 SIZE   4 LLP  5 LTA   6 NII   7 MRKTS 

8 INFL  9GDP   Uit de resultaten van de basisvergelijking - weergegeven in tabel 6 - kunnen we aan de hand van de determinatiecoëfficiënt - gecorrigeerde R² - al meedelen dat 91,26% van de variatie in de afhankelijke variabele - de NIM - verklaard kan worden door onze opgenomen verklarende variabelen. We kunnen tevens vermelden dat het model opgesteld voor deze basisvergelijking significant is op het 1% significantieniveau.

49

2004-2009

ETA TIER1 AOPC SIZE LLP LTA NII MRKTS HHI INFL GDP 2005 2006 2007 2008 2009

Afhankelijke variabele: netto interest marge (NIM) Vlg. A.1 Vgl. A.2 Coëfficiënt Stdfout Coëfficiënt Stdfout 0,036468** 0,018482 0,016965 0,016107 -0,02716 0,020307 -0,02246 0,018022 -0,37656*** 0,122874 -0,44627*** 0,135926 0,073147** 0,034576 0,05581* 0,031944 0,021272*** 0,003756 0,021434*** 0,003812 -0,01336*** 0,003392 -0,00919** 0,003653 -0,01508** 0,00666 -0,015** 0,007113

Vgl. A.3 Coëfficiënt 0,032598*

Stdfout 0,018092

Vgl. A.4 Coëfficiënt

Stdfout

-0,02182 -0,38845*** 0,065567* 0,020977*** -0,01342***

0,02002 0,122273 0,034494 0,003777 0,003366

0,017149 -0,01628 -0,45919*** 0,052444 0,02113*** -0,00922**

0,016215 0,017459 0,135158 0,032198 0,00383 0,003621

-0,01193 0,018972

0,027936 0,017651

-0,04519 0,017383

0,028297 0,018858

-0,000061 0,000288 0,03185*

0,000065 0,028272 0,017139

0,000076 -0,03336 0,027438

8,69E-05 0,028404 0,018642

0,00199 -0,05297 -0,07611 -0,05479 -0,02749

0,053228 0,062297 0,071715 0,096699 0,143069

0,057289 0,022504 0,04759 0,124951 0,020833

0,055728 0,066744 0,079936 0,106318 0,170136

-0,00216 -0,07588 -0,10927 -0,06772 0,075513

0,052987 0,060477 0,068424 0,09756 0,140831

0,052876 0,004918 0,014635 0,106355 0,095353

0,055442 0,065458 0,078064 0,109682 0,172469

F-statistiek 47,26858*** 49,60987*** 46,76602*** Gecorrigeerde R² 0,912552 0,920179 0,911677 Observaties 604 604 507 ***, ** en * betekenen significantie op respectievelijk 1%, 5% en 10% significantieniveau 2004 dient als basis voor de regressie

49,08117*** 0,919372 507

Tabel 6: Regressieresultaten basisregressies

50

We beginnen met de interpretatie van de bank-specifieke variabelen.

Een eerste variabele die we hierbij onder de loep nemen is de ETA - de variabele die de verhouding van het eigen vermogen tot de totale activa voorstelt. We vinden een positieve significante invloed terug op de afhankelijke variabele op het 5% significantieniveau. Een stijging van het eigen vermogen met 1 procentpunt doet de NIM dus gemiddeld genomen ceteris paribus - stijgen met 0,036 procentpunt. Deze gerapporteerde invloed van de ETA op de NIM is conform onze vooropgestelde hypothese. Dit betekent dus dat het aanhouden van een extra hoeveelheid kapitaal een belangrijke kostfactor met zich meebrengt die vervolgens doorgerekend wordt naar de klanten via het hanteren van een hogere NIM.

De variabele die als maatstaf voor de efficiëntie van een bank wordt gebruikt - de gemiddelde operationele kosten - heeft in onze regressie geen significante impact. We hadden hier een significant positieve invloed verwacht maar deze kan echter niet worden gestaafd aan de hand van de data. De gestelde hypothese met betrekking tot de impact van efficiëntie moet dus worden verworpen.

De volgende variabele die we bespreken is deze die de gemiddelde grootte van de banktransacties weergeeft - SIZE. In de theoretische beschrijving was het onzeker welke de te verwachten impact van deze variabele op de NIM was - er bestaan immers tegenstrijdige theorieën in de literatuur (infra, p.24). De data in ons regressiemodel duiden op een negatieve significante invloed van SIZE op het 1% significantieniveau. Een toename in de SIZE van 1 eenheid doet de NIM gemiddeld genomen - ceteris paribus - dalen met 0,38 procentpunt. We kunnen dus in navolging van Kasman et al. (2010) en Hawtrey en Liang (2008) besluiten dat door het uitoefenen van grotere banktransacties schaalvoordelen kunnen worden gerealiseerd die ervoor zorgen dat een lagere NIM kan worden doorgerekend. We kunnen dus de hypothese dat SIZE een positieve invloed heeft op de NIM verwerpen.

We zien verder dat voor de variabele die het default risico van een bepaalde bank - LLP voorstelt

een

positieve

significante

invloed

teruggevonden

wordt

op

het

5%

significantieniveau. Deze bevindingen zijn conform onze verwachtingen en hypothese. Een toename in de variabele LLP van 1 procentpunt doet de NIM gemiddeld genomen - ceteris paribus - stijgen met 0,073 procentpunt. We kunnen dus stellen dat banken het aanleggen van hogere voorzieningen voor wanbetaling zullen doorrekenen naar de klanten in de vorm van een bredere interestmarge. Onze hypothese omtrent het default risico wordt dus bevestigd.

51

Wat betreft LTA - de verhouding van totale leningen op totale activa - noteren we een positieve significante invloed op het 1% significantieniveau. Een toename in het percentage leningen op de balans van 1 procentpunt leidt gemiddeld genomen - ceteris paribus - tot een stijging van de netto interest marge van 0,021 procentpunt. De verwachting dat een hoger aandeel leningen leidt tot een hogere NIM wordt dus bevestigd. De gestelde hypothese met betrekking tot LTA kan dus niet worden verworpen.

Als laatste bank-specifieke variabele in de basisvergelijking kijken we naar het aandeel van de niet-interest inkomsten op totale inkomsten - NII. Voor deze variabele - die een maatstaf is voor de diversificatie in activiteiten binnen een bank - verwachten we een negatieve invloed. Dit wordt door de data bevestigd door middel van een negatieve significante coëfficiënt op het 1% significantieniveau, waarbij een toename in NII van 1 procentpunt gemiddeld genomen - ceteris paribus - leidt tot een daling in de NIM van 0,013 procentpunt. Dit betekent dat de hypothese uit de literatuur - banken zetten een lagere NIM bij hogere niet-interest inkomsten en gebruiken dus “cross-subsidization” om hun winst te verhogen wordt bevestigd.

Naast deze bank-specifieke variabelen hebben we ook enkele variabelen opgenomen als controlevariabelen - zowel in de basisvergelijking als in de alternatief gedefinieerde specificaties. In wat volgt bespreken we de land-specifieke marktgerelateerde en landspecifieke macro-economische variabelen.

Eerst en vooral lichten we de land-specifieke marktgerelateerde variabele marktconcentratie - voorgesteld door MRKTS - toe. We vinden voor deze marktconcentratie - die de verdeeldheid van een bepaalde markt uitdrukt - een negatief significant teken terug op het 5% significantieniveau. Dit betekent dat een toename van 1 procentpunt in het marktaandeel van de 5 grootste spelers de netto interest marge gemiddeld genomen - ceteris paribus - met 0,016 procentpunt doet dalen. Dit is niet in lijn met de verwachtingen dat een hogere marktconcentratie de banken meer onderhandelingsmacht zou verschaffen en bijgevolg zou leiden tot een hogere NIM. We moeten deze hypothese dus verwerpen.

Wat betreft de land-specifieke macro-economische variabelen kunnen we meedelen dat we voor zowel INFL - de impact van inflatie op de NIM - als GDP - de impact van economische groei op de NIM - niet-significante coëfficiënten terugvinden. In ons onderzoek leveren beide variabelen dus geen bijdrage tot het verklaren van de netto interest marge, wat betekent dat we beide hypotheses hieromtrent moeten verwerpen.

52

Om onze bespreking van de basisvergelijking te vervolledigen kunnen we nog vermelden dat voor elke van de opgenomen tijdsdummies een niet-significante impact teruggevonden wordt.

Naast het bestuderen van het teken en de significantie van de opgenomen variabelen kunnen we eveneens de impact van de verschillende variabelen onderling gaan vergelijken. Zo kunnen we aan de hand van tabel 3 stellen dat bij een stijging van de variabele ETA met één standaarddeviatie de NIM gemiddeld genomen zal toenemen met 0,13 procentpunt. Verder brengen eenzelfde toename van één standaarddeviatie in de variabelen LLP en LTA een toename in de NIM teweeg van respectievelijk 0,05 procentpunt en 0,42 procentpunt. We kunnen concluderen dat - binnen de variabelen die een positieve impact hebben op de NIM - LTA de grootste impact heeft. Indien we kijken naar de variabelen die een negatieve impact vertonen op de NIM zien we dat NII bij een toename van één standaarddeviatie de NIM doet dalen met 0,17 procentpunt. De grootste negatieve impact wordt genoteerd voor de variabele SIZE: een toename van één standaarddeviatie zorgt voor een daling in de NIM van 0,75 procentpunt. Binnen de land-specifieke variabelen vertoont enkel MRKTS een significante impact: een toename van één standaarddeviatie in deze variabele zorgt voor een daling van 0,28 procentpunt in de NIM.

2004-2009 Variabele impact ETA 0,127273 AOPC -0,03422 SIZE -0,75311 LLP 0,04974 LTA 0,422036 NII -0,16888 MRKTS -0,27783 INFL -0,01312 GDP 0,053311 Getallen in vet zijn significant op het 10% significantieniveau Tabel 7: Impact van de variabelen uit de basisregressie

8.3.2 Alternatieve regressies Nu we onze basisvergelijking grondig hebben toegelicht zullen we voor de variaties hierop kort de meest opmerkelijke resultaten rapporteren en beschrijven. We zijn vooral geïnteresseerd in het teken en de significantie van de variabelen die substituten voorstellen van de “originele” variabelen alsook eventuele veranderingen in significantie en/of teken van

53

de andere variabelen - dit in vergelijking met de coëfficiënten van de basisregressie. We kiezen de TIER1 ratio als alternatief voor de representatie van de capital adequacy - in de basisvergelijking voorgesteld door ETA - en vervangen de marktconcentratie van de vijf grootste spelers - MRKTS - door de Herfindahl-Hirschman-index - HHI.

We gaan bijgevolg volgende alternatieven van de basisspecificatie na:

Vergelijking A.2

NIM    1TIER1   2 AOPC   3 SIZE   4 LLP   5 LTA   6 NII   7 MRKTS 

 8 INFL   9 GDP   Vergelijking A.3

NIM    1 ETA   2 AOPC   3 SIZE   4 LLP   5 LTA   6 NII   7 HHI 

 8 INFL   9 GDP   Vergelijking A.4

NIM     1TIER1   2 AOPC   3 SIZE   4 LLP   5 LTA   6 NII   7 HHI 

 8 INFL   9 GDP   Aan de hand van tabel 6 kunnen we reeds meegeven dat er op het vlak van verklaringskracht van de alternatieve vergelijkingen weinig wijzigingen optreden in vergelijking met ons basismodel: gemiddeld genomen wordt 91,71% van de variatie in de NIM verklaard door de opgenomen verklarende variabelen.

In vergelijking A.2 hebben we ervoor gekozen om de variabele ETA te vervangen door de variabele TIER1. Op basis van de regressieresultaten zullen we dan ook nagaan of deze alternatieve voorstelling voor de capital adequacy van een bank een belangrijke impact heeft op de andere variabelen in ons regressiemodel. Het meest opmerkelijke verschil tussen de coëfficiënten verkregen uit deze vergelijking en deze uit de basisvergelijking ligt in het feit dat de TIER1 variabele - in tegenstelling tot de ETA variabele - een niet-significante impact heeft op de NIM.

Verder noteren we voor elk van de significante opgenomen variabelen eenzelfde teken als in de basisvergelijking. Op het vlak van het significantieniveau van de variabelen noteren we enkel voor de variabele NII en LLP een wijziging - respectievelijk worden beide variabelen significant op het 5% significantieniveau en het 10% significantieniveau. Wat betreft de

54

opgenomen tijdsdummies treden er geen wijzigingen op inzake hun significantie, de nietsignificante impact blijf behouden.

In vergelijking A.3 hebben we geopteerd om voor de voorstelling van de marktconcentratie de variabele MRKTS te vervangen door de variabele die de Herfindahl-Hirschman-index voorstelt. De coëfficiënt van HHI wordt in deze regressie als niet-significant bevonden. Dit in tegenstelling tot de coëfficiënt van de variabele MRKTS in de basisvergelijking die een negatieve significante invloed weergeeft. Deze niet-significante impact van HHI is niet conform onze hypothese - die stelt dat we een positieve invloed op de NIM verwachten. Deze hypothese moet dan ook worden verworpen.

Voor de overige bank-specifieke variabelen treden er geen wijzigingen op inzake het teken en de significantie ten aanzien van de variabelen in de oorspronkelijke basisvergelijking met uitzondering van een wijziging in het significantieniveau van de variabele ETA en LLP. Bij de land-specifieke macro-economische variabelen treedt er een wijziging op in de significantie van de variabele die de procentuele toename in het bruto binnenlands product voorstelt - GDP. De impact van deze variabele op de NIM wordt nu positief significant: een toename in GDP van 1% doet de NIM gemiddeld genomen - ceteris paribus - stijgen met 0,032%. Deze significant positieve coëfficiënt is in overeenstemming met onze theoretische verwachting omtrent GDP - waarbij een hogere economische groei gepaard gaat met de hantering van bredere interestmarges. Voor de tijdsdummies treden er opnieuw geen wijzigingen op in vergelijking met het basismodel.

In de laatste variant op onze basisvergelijking - vergelijking A.4 - worden beide alternatieve variabelen - TIER1 en HHI - opgenomen. We noteren zowel voor TIER1 als voor HHI een niet-significante impact, wat indruist tegen onze verwachtingen omtrent deze variabelen. Verder is het ook opmerkelijk dat de variabele die het default risico voorstelt - LLP eveneens een niet-significante invloed weergeeft. Dit vertegenwoordigt een afwijking ten opzichte van de verkregen coëfficiënten voor deze variabele in de basisvergelijking en de overige alternatieve regressies.

8.3.3 Impact financiële crisis Om de impact van de financiële crisis op de netto interest marge van banken te bestuderen werd de dummy CRISIS samen met 4 interactietermen aan basisvergelijking A.1 toegevoegd en opnieuw getest. De variabele CRISIS meet de globale impact van de crisis op de NIM, terwijl de verschillende interactietermen aangeven of de verschillende variabelen al dan niet een significante extra impact op de NIM hebben in de jaren na de financiële crisis. Op die

55

manier gaan we na of een bepaalde variabele een sterkere of zwakkere positieve of negatieve invloed uitoefent als gevolg van de crisis, waarmee onze vooropgestelde hypotheses dus kunnen worden getest.

De 4 interactietermen zijn ETA*CRISIS, LLP*CRISIS, LTA*CRISIS en NII*CRISIS. Deze meten in welke mate respectievelijk ETA, LLP, LTA en NII een sterker of zwakker effect hebben op de NIM als gevolg van de financiële crisis. We verwachten voor ETA, LLP en LTA een sterker effect op de NIM, terwijl we veronderstellen dat NII een minder belangrijke invloed zal uitoefenen. Wat betreft de dummy variabele CRISIS verwachten we een positieve invloed te zien op de NIM.

Aangezien een crisisdummy werd ingevoerd - die waarde 1 heeft voor de jaren 2008 en 2009 en waarde 0 in de andere jaren - werden geen extra tijdsdummies in de regressie opgenomen.

In deze sectie wordt dus vergelijking B.1 getest: NIM     1 ETA   2 AOPC   3 SIZE   4 LLP   5 LTA   6 NII   7 MRKTS 

 8 INFL   9 GDP   10 CRISIS   11 ETA * CRISIS   12 LLP * CRISIS   13 LTA * CRISIS   14 NII * CRISIS  

De resultaten worden weergegeven in tabel 8. We zien dat bijna alle verschillende opgenomen basisvariabelen hetzelfde teken en dezelfde significantie vertonen als in de basisregressie. Zo is ook in deze regressie de impact van efficiëntie, inflatie en BBP-groei niet significant. Verder vertonen default risico en totaal aantal leningen op totale activa het verwachte positieve teken. Voor grootte van transacties en niet-interest inkomsten rapporteren we - conform de hypotheses - een negatieve invloed. Voor marktconcentratie geldt ook hier dat er een significante negatieve invloed is, wat niet overeenkomt met onze verwachtingen uit de literatuur. Een opmerkelijke verandering is hier wel dat eigen vermogen geen significante coëfficiënt rapporteert op het 10% significantieniveau. Dit betekent dat we in deze regressie de hypothese omtrent de impact van ETA moeten verwerpen. De verklaringskracht (R²) van het model is 91,87%.

We zijn in deze regressie echter meer geïnteresseerd in de term die de invloed van de financiële crisis capteert alsook de verschillende interactietermen.

Als eerste - en belangrijkste - valt op dat de CRISIS-dummy een significant positieve impact heeft op de netto interest marge van de bank. Dit toont aan dat banken zoals verwacht in de

56

periode 2008-2009 een hogere NIM hanteren. Dit kan verklaard worden door het feit dat banken terug meer belang (moeten) hechten aan de marge tussen rente op deposito’s en rente op leningen om winst te realiseren - en bijgevolg dus een hogere interestmarge hanteren. Banken zijn minder geneigd om zich als “loss-leader” in de traditionele markt te positioneren met de bedoeling om dit vervolgens te compenseren door hogere winstmarges op niet-interest producten en services. Dit resultaat ondersteunt onze hypothese H1 die stelt dat ten gevolge van de financiële crisis de NIM bij banken zal toenemen. De waarde van de dummy bedraagt 0,42 en is significant op het 5% niveau. Dit wil zeggen dat banken als gevolg van de crisis - ceteris paribus - gemiddeld genomen 0,42 procentpunten meer marge nemen op hun traditionele activiteiten. Dit biedt een goede ondersteuning ter bevestiging van onze “back to the basics” veronderstelling.

2004-2009

ETA AOPC SIZE LLP LTA NII MRKTS INFL GDP

Afhankelijke variabele: netto interest marge (NIM) Coëfficiënt Standaardfout 0,028219 0,017165 -0,02717 0,017578 -0,39219*** 0,082214 0,237084*** 0,05148 0,023638*** 0,003638 -0,01077*** 0,003885 -0,01361** 0,0055 -0,01727 0,019101 0,010581 0,010758

CRISIS ETA*CRISIS LLP*CRISIS LTA*CRISIS NII*CRISIS

0,422512** 0,006946 -0,21469*** -0,00583** -0,00098

0,190682 0,013253 0,05364 0,002622 0,00349

F-statistiek 51,11545*** Gecorrigeerde R² 0,918719 Observaties 604 ***, ** en * betekenen significantie op respectievelijk 1%, 5% en 10% significantieniveau Tabel 8: Regressieresultaten crisisregressie

Als we verder kijken naar de impact van de verschillende variabelen zien we gemengde resultaten.

We zien dat de interactieterm ETA*CRISIS niet significant is wat betekent dat capital adequacy geen additionele invloed uitoefent op de NIM ten gevolge van de crisis. We hadden nochtans verwacht dat dit wel het geval zou zijn omdat er reeds van bij het begin van

57

de financiële crisis gesteld wordt dat additionele kapitaalbuffers noodzakelijk zijn om de toekomstige stabiliteit van banken te garanderen. Hierbij maken we de veronderstelling dat de extra kost voor het aanhouden van deze buffers specifiek via de netto interest marge naar de klanten wordt doorgerekend en niet gecompenseerd wordt aan de hand van niet-interest inkomsten. De insignificantie van de interactieterm betekent dat we hypothese H2 - die stelt dat we een grotere invloed van capital adequacy op de NIM verwachten als gevolg van de crisis - moeten verwerpen. Hiervoor zien we 2 mogelijke verklaringen. Enerzijds is het mogelijk dat banken tijdens de jaren vóór de financiële crisis de kost van het eigen vermogen reeds correct doorrekenden naar de klant. Dit betekent dat ze deze kost noch onderschatten, noch bewust onvolledig doorrekenden in de gehanteerde marge - met het oog op hogere compensatie door niet-interest activiteiten - wat kan verklaren waarom deze term als gevolg van de financiële crisis geen extra invloed uitoefent. Anderzijds werd bij tabel 4 reeds opgemerkt dat de ratio eigen vermogen op totale activa quasi stabiel blijft gedurende de gehele periode en geen stijging kent in 2008-2009. Dit wijst op het feit dat banken hun kapitaalbuffers tijdens deze jaren nog niet substantieel hebben verhoogd waardoor de gevolgen hiervan nog niet in de gehanteerde netto interest marge zichtbaar zijn. Dit zou kunnen verklaren waarom een niet-significante invloed werd geregistreerd.

Kijken we vervolgens naar de specifieke invloed van default risico op de NIM als gevolg van de crisis, dan zien we dat de interactieterm voor aangelegde voorzieningen een negatieve significante impact heeft. Dit betekent dat in de jaren 2008-2009 de invloed van aangelegde voorzieningen op de NIM zwakker is dan in de jaren voor de crisis. Hypothese H3 - waarin we een grotere impact van default risico op NIM verwachten ten gevolge van de crisis – moet dus worden verworpen. De coëfficiënt van -0,21 betekent concreet dat een toename van één procentpunt in de aangelegde voorzieningen van de bank in de periode 2008-2009 gemiddeld genomen - ceteris paribus - 0,21 procentpunten minder impact had op de NIM dan in de periode vóór de financiële crisis. Wat we verwachtten was dat de coëfficiënt positief zou zijn, wat zou betekenen dat een toename in aangelegde voorzieningen in de periode 2008-2009 een grotere impact op de NIM zou hebben dan in de periode hiervoor. De data kunnen dus niet aantonen dat banken in de korte periode na de crisis het aanleggen van voorzieningen sterker doorrekenden naar hun klanten.

De derde interactieterm - LTA*CRISIS - heeft eveneens een negatief significant teken. In tegenstelling tot onze verwachtingen betekent dit dus dat de impact van het totaal aantal leningen op de netto interest marge na de crisis gemiddeld genomen - ceteris paribus - lager is dan in de voorafgaande periode. We kunnen onze hypothese H4 dus verwerpen: de LTAratio heeft geen grotere impact op de NIM als gevolg van de financiële crisis. Onze

58

veronderstelling dat banken na de crisis meer belang zouden hechten aan het totaal aantal leningen op de balans om hun interest marge te zetten wordt bijgevolg niet gestaafd.

Als laatste gaan we ook de impact van niet-interest inkomsten op de NIM als gevolg van de financiële crisis na. Hoewel we verwachtten dat de negatieve impact van NII in 2008-2009 kleiner zou zijn - en dus een positieve significante coëfficiënt van de interactieterm veronderstelden - komt dit niet tot uiting in de resultaten. De interactieterm NII*CRISIS is insignificant wat betekent dat de impact van NII in de periode na de crisis niet wijzigt ten opzichte van de periode voor de crisis. De impact van niet-interest inkomsten op de NIM wijzigt dus niet ten gevolge van de crisis. Dit betekent dat hypothese H5 moet worden verworpen en we er dus op basis van de data niet kunnen van uit gaan dat banken minder rekening houden met hun niet-interest inkomsten om de grootte hun netto interest marge te bepalen.

8.3.4 Bankrisico en marktbeta Als derde en laatste onderdeel van ons onderzoek gaan we na of de 2 variabelen die betrekking hebben op de aandelenmarkt - bankrisico en marktbeta - in staat zijn een deel van de netto interest marge van banken te verklaren. Hiervoor werden 3 regressies getest die een uitbreiding vertegenwoordigen van basisregressie A.1. In de eerste vergelijking werd enkel een variabele voor bankrisico toegevoegd, daarna werd enkel de marktbeta toegevoegd en als laatste werden beide variabelen toegevoegd. Dit werd op deze manier gedaan omdat voor het testen van de invloed van de marktbeta slechts een kleinere sample kan worden gebruikt - omwille van potentiële illiquiditeit van de tijdsreeksen voor de berekening van marktbeta (infra, p.42). Tijdsdummies werden ook toegevoegd maar worden hier niet expliciet gerapporteerd.

De geteste vergelijkingen zijn dus de volgende:

Vergelijking C.1

NIM     1 ETA   2 AOPC   3 SIZE   4 LLP   5 LTA   6 NII   7 MRKTS 

 8 INFL   9 GDP   10TOTR   Vergelijking C.2

NIM     1 ETA   2 AOPC   3 SIZE   4 LLP   5 LTA   6 NII   7 MRKTS 

 8 INFL   9 GDP   10 BETA  

59

Vergelijking C.3

NIM     1 ETA   2 AOPC   3 SIZE   4 LLP   5 LTA   6 NII   7 MRKTS 

 8 INFL   9 GDP   10TOTR   11 BETA   Tabel 9 toont de resultaten voor het toevoegen van bankrisico - TOTR - aan de basisvergelijking. De variabele bankrisico werd berekend als de standaarddeviatie van de dagelijkse bankreturn op jaarbasis. De sample voor deze regressie bevat 500 observaties9. We zien hetzelfde teken en significantie voor de variabelen die ook aanwezig zijn in de basisregressie maar vinden - in tegenstelling tot de verwachtingen - geen significante invloed van bankrisico op de netto interest marge van de bank. We gingen er nochtans vanuit dat een hogere variabiliteit in bankreturn zou worden ervaren als meer risicovol en banken bijgevolg een hogere NIM zouden hanteren om dit risico te compenseren. Hypothese H6 waarin een positieve significante invloed van bankrisico wordt vooropgesteld - moet dus worden verworpen op basis van deze resultaten. Hoewel dit resultaat in tegenspraak is met onze hypothese is het wel in lijn met het onderzoek van Demirgüç-Kunt et. al (2003) waarin ook geen significante impact van bankrisico op de netto interest marge werd teruggevonden.

2004-2009

ETA AOPC SIZE LLP LTA NII MRKTS INFL GDP TOTR

Afhankelijke variabele: netto interest marge (NIM) Coëfficiënt Standaardfout 0,051913*** 0,019952 -0,01925 0,017976 -0,47172*** 0,122777 0,078799** 0,037557 0,021049*** 0,003966 -0,01474*** 0,003704 -0,02532*** 0,007657 -0,00638 0,028489 0,005409 0,019103 0,909391 1,80039

Tijdsdummies

Ja

F-statistiek 50,69334*** Gecorrigeerde R² 0,920331 Observaties 500 ***, ** en * betekenen significantie op respectievelijk 1%, 5% en 10% significantieniveau Tabel 9: Regressieresultaten bankrisico

9

Dit is kleiner dan de originele sample van 604 observaties omdat voor verschillende banken geen volledige informatie met betrekking tot dagelijkse bankreturns beschikbaar is.

60

Om na te gaan of het gevonden niet-significante resultaat misschien een gevolg is van onze specifieke invulling van het construct bankrisico werd dezelfde regressie uitgevoerd met een andere invulling voor de variabele bankrisico. In deze alternatieve vergelijking werd de variabele bankrisico gedefinieerd als de standaarddeviatie van de maandelijkse bankreturn op jaarbasis - in plaats van gebruik te maken van de dagelijkse bankreturns. Het resultaat hiervan kan teruggevonden worden in bijlage 8.5. Ook hier werd echter geen bewijs gevonden voor een significante positieve invloed van bankrisico - weergegeven als TOTR_M - op de NIM en moet onze gestelde hypothese ook hier worden verworpen.

Als tweede testen we de impact van marktbeta op de netto interest marge. De resultaten zijn terug te vinden in tabel 10. Het aantal landen opgenomen in de sample werd voor deze regressie herleid tot 10 (cf. infra) en het aantal observaties komt uit op 263. We zien over het algemeen voor de variabelen die uit de basisregressie komen gelijkaardige tekens en significantie - al moet worden opgemerkt dat zowel de bank-specifieke variabelen ETA en LLP als de land-specifieke variabele MRTKS in deze regressie geen significante impact hebben.

2004-2009

ETA AOPC SIZE LLP LTA NII MRKTS INFL GDP BETA

Afhankelijke variabele: netto interes marge (NIM) Coëfficiënt Standaardfout 0,045986 0,041188 -0,02684 0,024944 -0,39897** 0,183206 0,006091 0,04893 0,03014*** 0,005737 -0,01454** 0,005733 -0,01902 0,01303 -0,04731 0,035281 -0,03419 0,021266 -0,01947 0,095736

Tijdsdummies

Ja

F-statistiek 31,60062*** Gecorrigeerde R² 0,892387 Observaties 263 ***, ** en * betekenen significantie op respectievelijk 1%, 5% en 10% significantieniveau Tabel 10: Regressieresultaten marktbeta

Als we kijken naar de variabele waarin we specifiek geïnteresseerd zijn kunnen we constateren dat de coëfficiënt voor marktbeta niet significant is - wat betekent dat de marktbeta van de bank geen significante invloed heeft op de netto interest marge gezet door

61

de bank. Een bank met een hogere beta - waarvan de returns dus meer fluctueren dan de marktreturn - hanteert over het algemeen dus geen hogere NIM wat betekent dat hypothese H7 moet worden verworpen. Ook deze variabele is dus niet in staat om een deel van de netto interest marge te verklaren.

Als laatste uitbreiding introduceren we beide aandelenmarktvariabelen - bankrisico en marktbeta - samen in de basisvergelijking. We noteren voor de variabelen uit de basisvergelijking net als in de voorgaande regressie een niet-significante impact van ETA, LLP en MRKTS. GDP heeft daarnaast in deze regressie - tegen de hypothese in - een negatief significante coëfficiënt.

Voor de beide variabelen die we specifiek onderzoeken wordt geen significante invloed gevonden. Zowel hypothese H6 als hypothese H7 moeten dus worden verworpen.

2004-2009

ETA AOPC SIZE LLP LTA NII MRKTS INFL GDP TOTR BETA

Afhankelijke variabele: netto interest marge (NIM) Coëfficiënt Standaardfout 0,045176 0,041069 -0,02458 0,026574 -0,41469** 0,188131 0,020928 0,05562 0,030617*** 0,005667 -0,01446** 0,005789 -0,01767 0,013241 -0,05176 0,035938 -0,03753* 0,020798 -2,88756 3,940606 0,046343 0,134521

Tijdsdummies

Ja

F-statistiek 31,07349*** Gecorrigeerde R² 0,892061 Observaties 263 ***, ** en * betekenen significantie op respectievelijk 1%, 5% en 10% significantieniveau Tabel 11: Regressieresultaten bankrisico en marktbeta

62

9 CONCLUSIE In deze masterproef werden de determinanten van de netto interest marge - NIM - van banken bestudeerd door middel van het opstellen van een eigen model op basis van de reeds bestaande literatuur. Ook de impact van de financiële crisis op de NIM werd bestudeerd en er werden twee nieuwe variabelen die betrekking hebben op de aandelenmarkt geïntroduceerd. In dit hoofdstuk worden de belangrijkste conclusies van ons empirisch onderzoek samengevat, de beperkingen besproken en richtlijnen tot eventueel verder onderzoek verwoord.

We kunnen concluderen dat ons opgestelde basismodel goed in staat is de verschillende determinanten van de NIM te representeren. Bijna alle opgenomen bank-specifieke variabelen bevestigen onze hypotheses zowel qua teken als qua significantie. Zo wordt een positief significante invloed op de NIM genoteerd voor eigen vermogen, aangelegde voorzieningen en totaal aantal leningen. Verder zien we dat de variabelen waarvoor een negatief teken kon worden verwacht - grootte van de banktransacties en niet-interest inkomsten - inderdaad een negatief significante invloed uitoefenen. Ons onderzoek geeft evenwel een niet-significante impact aan voor de efficiëntie van de bank wat in tegenspraak is met onze verwachtingen en de bevindingen in de literatuur (Levine, 2003; Maudos & de Guevara, 2004).

Wat betreft de land-specifieke controlevariabelen die in de vergelijking werden opgenomen vinden we een negatief significante invloed voor marktaandeel. Dit is in tegenspraak met onze eigen hypotheses en verschillende resultaten in de literatuur (Maudos & de Guevara, 2004; Claeys & Vander Vennet, 2008). Daarnaast leveren de overige land-specifieke variabelen - inflatie en BBP - geen significant resultaat op met betrekking tot de verklaring van de NIM. Tal van studies waarop we ons baseerden toonden nochtans een significante impact van deze controlevariabelen aan (o.a. Kasman et al., 2010; Demirgüç-Kunt et al., 2004).

De verklaringskracht van het basismodel ligt rond de 90%. Er kan dus worden gesteld dat de variabelen die werden opgenomen in het basismodel een goede benadering zijn voor de reële determinanten die een rol spelen in het bepalen van de NIM.

Als we kijken naar een aantal alternatieve regressies die gemaakt werden vertrekkend van deze basisregressie kunnen we opmerken dat beide alternatieve variabelen - TIER1-ratio als

63

vervanger voor eigen vermogen en Herfindahl-Hirschman-index als vervanger voor marktconcentratie - niet in staat zijn een deel van de NIM te verklaren. De insignificantie van de coëfficiënten van deze variabelen is in tegenspraak met de hypotheses die hieromtrent werden geformuleerd. De TIER1 kapitaalratio blijkt dus geen volwaardig alternatief te zijn voor de variabele die het eigen vermogen als percentage van de totale activa voorstelt. Daarnaast blijkt ook de variabele die de Herfindahl-Hirschman-index voorstelt geen goede vervanger van het construct marktaandeel te zijn.

We kunnen besluiten dat het introduceren van deze alternatieve constructen voor capital adequacy en marktconcentratie niet leidt tot de verwachte resultaten of een betere verklaring van de NIM. Uit ons onderzoek blijkt dus dat deze alternatieve regressies geen meerwaarde kunnen bieden in het onderzoek naar de determinanten van de NIM.

Introductie van een dummy variabele die de impact van de financiële crisis van 2007-2008 op de NIM uitdrukt toont aan dat de banken een hogere netto interest marge hanteren als gevolg van deze crisis. Dit biedt een kwantitatieve ondersteuning voor de gemaakte hypothese die stelt dat banken terug naar hun oorspronkelijke activiteiten (moeten) evolueren - “back to the basics”.

Het nagaan van een wijziging in impact bij enkele bank-specifieke variabelen ten gevolge van de financiële crisis levert minder succesvolle resultaten op. Zo kan niet worden aangetoond dat het eigen vermogen een sterkere impact op de NIM heeft gedurende de crisis. Verder kan voor de niet-interest inkomsten niet worden bewezen dat hun negatieve invloed op de NIM minder sterk wordt als gevolg van de crisis. Wat betreft de wijziging in impact van aangelegde voorzieningen en totaal aantal leningen noteren we zelfs resultaten die tegengesteld zijn aan onze hypotheses.

Hoewel we dus kunnen aantonen dat de financiële crisis ervoor gezorgd heeft dat de banken een hogere NIM hanteren, kunnen we deze stijging in NIM niet expliciet verklaren aan de hand van onze 4 gestelde hypotheses met betrekking tot de bank-specifieke basisvariabelen.

Als laatste wijst ons onderzoek uit dat de introductie van twee variabelen uit de aandelenmarkt - bankrisico en marktbeta - niet in staat zijn een extra deel van de NIM te verklaren. Zowel de introductie van bankrisico afzonderlijk, marktbeta afzonderlijk of beide variabelen samen, levert geen significante resultaten op. Hoewel de theoretische redenen voor het opnemen van beide variabelen gegrond lijken kan hun impact op de NIM dus niet worden bevestigd of bewezen in ons onderzoek.

64

Vooraleer deze masterproef kan worden besloten duiden we nog op enkele beperkingen wat betreft ons onderzoek. De optredende beperkingen hebben vooral betrekking op de sample die voor dit onderzoek werd gebruikt. Een eerste beperking ligt in het feit dat gebruik gemaakt werd van geconsolideerde data voor de financiële instellingen, dit in tegenstelling tot het algemene gebruik in de literatuur om ongeconsolideerde data te nemen indien beschikbaar (Maudos & de Guevara, 2004; Claeys en Vander Vennet, 2008). Daarnaast bestaat de gebruikte sample - naast de pure commerciële banken - ook voor een kleiner deel uit

coöperatieve

banken,

bank

holdings,

gespecialiseerde

gouvernementele

kredietinstellingen, spaarbanken en vastgoed- en hypotheekbanken wat ervoor zorgt dat in principe niet wordt vergeleken over banken die volledig uniform zijn qua type. Een derde een laatste beperking heeft betrekking op de periode die de data bestrijkt. Aangezien de financiële crisis zich slechts zeer recentelijk voordeed - 2007-2008 - kan er worden aangenomen dat de volledige impact met betrekking tot de bank-specifieke variabelen nog niet optimaal kan worden gevat in de sample die slechts de jaren tot en met 2009 omvat.

Wat betreft verder onderzoek kan het interessant zijn een gelijkaardig model te testen waarbij de voornoemde beperkingen in de mate van het mogelijke worden weggewerkt. Zo zou de schattingsperiode kunnen worden uitgebreid zodat meerdere jaren na de financiële crisis - bijvoorbeeld 2010 tot 2012 - worden opgenomen. Het is immers mogelijk dat de impact van deze crisis op de netto interest marge zich slechts met vertraging laat registreren in de balans en resultatenrekening van de financiële instellingen. Een tweede interessante uitbreiding van ons huidig onderzoek zou zich kunnen richten op het introduceren van alternatieve constructen voor het meten van de impact van bankrisico en marktbeta op de netto interest marge. Ook een rijkere dataset met betrekking tot bankreturns kan hierbij waardevol zijn.

65

BIBILIOGRAFIE Allen, F., Santomero, A. M., 1998, “The theory of financial intermediation”, Journal of Banking and Finance, 21, 1461-1485. Andrews, E.L., 2008, “Fed rescues AIG with $85 billion loan for 80% stake”, The New York Times, URL: .(28/04/2012) Angbazo, L., 1997, “Commercial bank net interest margins, default risk, interest-rate risk, and off-balance sheet banking”, Journal of Banking and Finance, 21, 55-87. Augar, P., 2010, “Go back to basic banking”, Harvard Business Review Blog Network, URL: . (29/02/2012) Baba, N., Packer, F., 2009, “From turmoil to crisis: dislocations in the FX swap market before and after the failure of Lehman Brothers”, Journal of International Money and Finance, 28, No. 8, 1350-1374. Bagehot, W., 1873, “Lombard Street: A description of the Money Market”(London: Henry S. King, 1873), Third Edition. Benston, G.J., Smith, C.W., 1976, “A Transactions Cost Approach to the Theory of Financial Intermediation”, Journal of Finance, 31, No. 2, 215-231. Boyd, J.H., Levine, R., Smith, B.D., 2001, “The impact of inflation on financial sector performance”, Journal of Monetary Economics, 47, 221-248. Boyd, J.H., Prescott, E.C., 1986, “Financial Intermediary-Coalitions”, Journal of Economic Theory, 38, 211-232. Brock, P.L., Suarez, L.R., 2000, “Understanding the behavior of bank spreads in Latin America”, Journal of Development Economics, 63, 113-134.

X

Brueckner, J.K., Calem, P.S., Nakamura, L.I., 2011, “Subprime Mortgages and the Housing Bubble”, Working Papers 11-12, Federal Reserve Bank of Philadelphia. Carbó, S., Rodriguez, F., 2007, “The determinants of bank margins in European banking”, Journal of Banking and Finance, 31, 2043-2063. Claerhout, P., Killemaes, D., Van Overtveldt, J., 2011, “We staan voor een lange en pijnlijke omvorming”, Trends, jg. 37, nr. 45, 10 november 2011, 22-30. Claeys, S., Vander Vennet, R., 2008, “Determinants of Bank Interest Margins in Central and Eastern Europe: A Comparison with the West”, Economic Systems, 32, No. 2, 197-216. De Jonghe, O., 2010, “Back to the basics in banking? A micro-analysis of banking system stability”, Journal of Financial Intermediation, 19, 387-417. Demirguç-Kunt, A., Detragiache, E., Merrouche, O., 2010, “Bank Capital: Lessons from the Financial Crisis”, IMF Working Paper WP/10/286. Demirgüç-Kunt, A., Laeven, L., Levine, R., 2004, “Regulations, Market Structure, Institutions, and the Cost of Financial Intermediation”, Journal of Money, Credit and Banking, 36, No. 3, 593-622. DeYoung, R., Roland, K., 2001, “Product mix and earnings volatility at commercial banks: evidence from a degree of total leverage model”, Journal of Financial Intermediation, 10, No. 1, 54–84. Diamond, D.W., 1984, “Financial Intermediation and Delegated Monitoring”, Review of Economic Studies, 51, No. 3, 393-414. Diamond, D.W., Rajan, G. R., 2009, “The credit crisis: Conjectures about causes and remedies”, American Economic Review: Papers and Proceedings, 99, No. 2, 606−610. ECB, 2000, “EU banks’ income structure”, Banking Supervision Committee, April. ECB press, 2009, “Business models in banking: Is there a best practice?, ECB speeches and interviews”, URL: . (1/3/2012)

XI

Feldman, R., Schmidt, J., 1999, “Noninterest income: A potential for profits, risk reduction and some exaggerated claims”, Fedgazette, issue Oct, p. 20-21, URL: .(29/04/ 2012) FOD Economie, 2009, “Kerncijfers 2008”, URL: . (5/5/2012) Fouquet, H., Connan, C., 2012, “French Presidential Frontrunner Hollande Tells London He’s Not Dangerous”, Bloomberg, URL: . (6/3/2012) Gropp, R., Sørensen, C. K., Lichtenberger, J.-D., 2007, “The dynamics of bank spreads and financial structure”, Working Paper Series, European Central Bank, No. 714. Gujarati, D. N., Porter, D. C., 2009, “Basic econometrics (5th ed.)”, Boston: McGraw-Hill. Haligan, L., 2011, “History’s lesson is that investment and retail banking must be separate”, The Telegraph, URL: . (1/3/2012) Hawtrey, K., Liang, H., 2008, “Bank interest margins in OECD countries”, North American Journal of Economics and Finance, 19, 249-260. Ho, T.S., Saunders, A., 1981, “The determinants of bank interest margins: theory and empirical evidence”, Journal of Financial and Quantitative Analysis, 16, No. 4, 581-600. Kasman, A., Tunc, G., Vardar, G., Okan, B., 2010, “Consolidation and commercial bank net interest margins: Evidence from the old and new European Union members and candidate countries”, Economic Modelling, 27, 648-655. KPMG, 2009, “frontiers in finance: Back to basics: re-evaluating business models in retail banking”, URL: . (29/02/2012)

XII

Lastra, R.M., Wood, G., 2009, “The crisis of 2007-09: nature, causes, and reactions”, Journal of International Economic Law, 13, No. 3, 531-550. Lee, R., Clark, G.L., Pollard, J., Leyshon, A., 2009, “The remit of financial geography”, Journal of Economic Geography, 9, 723-747. Leland, H.E., Pyle D.H., 1977, “Information Asymmetries, Financial Structure, and Financial Intermediation”, Journal of Finance, 32, No. 2, 371-387. Lepetit, L., Nys, E., Rous, P., Tarazi, A., 2008, “The expansion of services in European banking: implications for loan pricing and interest margins”, Journal of Banking and Finance, 32, 2325-2335. Levine, R., 1997, “Financial Development and Economic Growth: Views and Agenda”, Journal of Economic Literature, 35, No.2, June, 688-726. Levine, R., 2003, “Denying foreign bank entry: implications for bank interest margins”, Central Bank of Chile Working Papers, No. 222. Lucas, R.E. Jr., 1988, “On the Mechanics of Economic Development”, Journal of Monetary Economics, 22, 3-42. Maudos, J., de Guevara, J.F., 2004, “Factors explaining the interest margin in the banking sectors of the European Union”, Journal of Banking and Finance, 28, 2259-2281. McShane, R. W., Sharpe, G., 1985, “A time series/cross section analysis of the determinants of Australian trading bank loan/deposit interest margins: 1962-1981”, Journal of Banking and Finance, 9, 115-136. Meric, I., Goldberg, I., Sprotzer, I., Meric, G., 2010, “Performance of U.S. Financial Sector and Bank Stocks: October 2002-August 2009”, International Research Journal of Finance and Economics, 39. Merton, R. C., Bodie, Z., 1995, “A Conceptual Framework for Analyzing the Financial Environment, Chap. 1 in The Global Financial System: A Functional Perspective”, edited by

XIII

Dwight B. Crane, Kenneth A. Froot, Scott P. Mason, André Perold, Robert C. Merton, Zvi Bodie, Erik R. Sirri and Peter Tufano, Boston: Harvard Business School Press, 3-31. Nationale Bank van België, 2010, “Verslag 2009: economische en financiële ontwikkeling”, Hoofdstuk 2: Monetair beleid van het Eurosysteem, URL: . (5/5/2012) Nikolaou, K., 2009, “Liquidity (Risk) Concepts: Definitions and Interactions”, ECB Working Paper, No. 1008. Nineham, H., 2008, “UK and European Response to the Banking Crisis”, McDermott Will & Emery, URL: .(02/04/2012).

Obama, B., Democratic Radio Address, URL: . 17/05/2012 “Osborne confirms banks must ringfence retail banking”, 2011, BBC News, URL: . (1/3/2012) Podpiera, R., 2004, “Does Compliance with Basel Core Principles Bring Any Measurable Benefits?”, IMF Working Paper, WP/04/204. Poghosyan, T., 2010, “Re-examining the impact of foreign bank participation on interest margins in emerging markets”, Emerging Markets Review, 11, 390-403. Prest, M., 2008, “Financial crisis: The tsunami will hit European banks harder”, The Telegraph, URL: .(08/03/2012). Romer, P. M., 1990, “Endogenous Technological Change”, The Journal of Political Economy, 98, No.5, part 2: “The Problem of Development: A Conference of the Institute for the Study of Free Enterprise Systems”, S71-S101.

XIV

Saunders, A., Schumacher, L., 2000, “The determinants of bank interest margins: An international study”, Journal of International Money and Finance, 19, 813-832. Sirri, E.R., Tufano, P., 1995, “The economics of Pooling, in The global financial system: A functional perspective”, edited by Dwight B. Crane, Kenneth A. Froot, Scott P. Mason, André Perold, Robert C. Merton, Zvi Bodie, Erik R. Sirri and Peter Tufano, Boston: Harvard Business School Press, 81-128. Smith, A., 1776, “An Inquiry into the Nature and Causes of the Wealth of Nations”, edited by S.M. Soares, MetaLibri Digital Library, 29th May 2007. Spanos, A., 2008, “Fixed vs. Random Effects Panel Data Models: Revisiting the Omitted Latent Variables and Individual Heterogeneity Arguments”, Working Paper, Virginia Tech. Steil, B., 2009, “Lessons of the Financial Crisis”, Council on Foreign Relations, Council Special Report, No.45 Stiroh, K. J., 2004, “Diversification in banking: is non-interest income the answer?”, Journal of Money, Credit and Banking, 36, No. 5, 853–882. “Summary of the Emergency Economic Stabilization Act of 2008”, 2008, The Washington Times, URL: .(15/03/2012). Summers, L.H., 2009, “The 2007-2009 Financial Crisis and Future for Finance”, National Economic counsil, URL: . (28/02/2012) Vander Vennet, R., 2007, “Cursus Bank- en Financiewezen”, hfdst. 2, p.2. Vander Vennet, R., 2007, “Cursus Bank- en Financiewezen”, hfdst. 2, p.4. Wagner, H., 2010, “The causes of the recent financial crisis and the role of central banks in avoiding the next one”, International Economics and Economic Policy, 7, No. 1, 63-82.

XV

Werdigier, J., 2007, “A rush to cash out of Northern Rock”, New York Times, URL: . (19/05/2012)

XVI

BIJLAGEN Bijlage 8.1 In onderstaande grafieken worden de storingstermen uit de basisvergelijking uitgezet ten opzichte van de geschatte afhankelijke variabele enerzijds en anderzijds ten opzichte van de opgenomen verklarende variabelen.

XVII

XVIII

Bijlage 8.2

Durbin Watson teststatistieken met bijhorende ondergrenzen en bovengrenzen voor elke opgestelde modelspecificatie.

Vgl. A.1

Vgl. A.2

Vgl. A.3

Vgl. A.4

Vgl. B.1

Vgl. C.1

Vgl. C.2 Vgl. C.3

Teststatistiek 1,245008 1,343247 1,244661 1,336991 1,362074 1,354395 1,346503 1,33993 Ondergrens DL 1,621 1,621 1,621 1,621 1,621 1,61 1,61 1,599 Bovengrens DU 1,919 1,919 1,919 1,919 1,919 1,931 1,931 1,943

Bijlage 8.3

De Jarque-Bera normaliteitstest: teststatistieken en p-waarde met bijhorende waarden voor de “skewness” en de “kurtosis”.

Jarque-Bera P-waarde Skewness Kurtosis

Vgl.A.1 Vgl. A.2 Vgl. A.3 Vgl. A.4 Vgl. B.1 Vgl. C.1 Vgl. C.2 Vgl. C.3 536,2191 610,8674 506,1532 585,5286 460,5440 210,6338 225,0431 229,9207 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,1998 0,3414 0,1738 0,3355 0,1426 -0,1069 -0,3797 -0,3824 7,5986 8,3391 7,4712 8,2218 7,2683 6,1725 7,4676 7,5163

XIX

Bijlage 8.4

Correlatiematrix basisvariabelen:

NIM ETA TIER1 AOPC SIZE LLP LTA NII MRKTS HHI INFL GDP

NIM

ETA

TIER1

AOPC

SIZE

LLP

LTA

NII

1 0,732819 0,128405 0,386073 -0,46661 0,259052 0,499037 0,030926 0,047209 -0,03347 0,239513 -0,012

1 0,35726 0,245248 -0,52734 0,068724 0,420298 0,246057 -0,0255 -0,06854 0,043898 -0,11647

1 0,157467 -0,31738 0,066199 -0,27098 0,275966 0,290634 0,349428 -0,20014 -0,24614

1 -0,31953 0,047896 -0,05687 -0,05938 0,119708 0,179718 0,30554 0,078465

1 0,033037 -0,10565 -0,27632 0,049856 0,048059 -0,06394 0,082759

1 0,189143 -0,22315 0,032645 -0,01415 -0,08649 -0,50459

1 -0,25406 0,08109 -0,05978 0,183992 0,010789

1 -0,24333 -0,16236 -0,24261 0,041018

MRKTS

HHI

INFL

1 0,922794 1 -0,01879 -0,07388 1 0,062116 0,079059 0,420278

GDP

1

XX

BIJLAGE 8.5

Regressieresultaten voor bankrisico gemeten als standaardafwijking van de maandelijkse bankreturns op jaarbasis - TOTR_M. 2004-2009

ETA AOPC SIZE LLP LTA NII MRKTS INFL GDP TOTR_M

Afhankelijke variabele: netto interest marge (NIM) Coëfficiënt Standaardfout 0,053036*** 0,019832 -0,02296 0,018409 -0,48242*** 0,124366 0,079043** 0,036195 0,021598*** 0,003917 -0,01413*** 0,00382 -0,02483*** 0,007657 -0,00541 0,028479 0,00714 0,018714 0,516067 0,444527

Tijdsdummies

Ja

F-statistiek 50,84507*** Gecorrigeerde R² 0,920806 Observaties 494 ***, ** en * betekenen significantie op respectievelijk 1%, 5% en 10% significantieniveau

XXI

XXII

XXIII