Voorspellen van problemen bij banken

Bij Europese banken die in financiële problemen zijn
gekomen, kunnen factoren worden geïdentificeerd die
helpen om vroegtijdig problemen bij de banken te onderken­
nen. Banken die bijvoorbeeld een hoge rente bieden, lopen
een verhoogde kans om in de problemen te komen.

A

ls de recente crisis een ding duidelijk heeft
gemaakt, dan is het wel dat vroegtijdig
ingrijpen gewenst is wanneer een bank
in financiële problemen komt. Hierdoor
zijn doorgaans de kosten van een hulpoperatie
lager. Hoe eerder problemen bij een bank kunnen
worden geïdentificeerd, hoe sneller toezichthouders
kunnen ingrijpen. Tot voor kort richtte het onderzoek naar zogenoemde early warning systems zich
op de Verenigde Staten waar met enige regelmaat
banken failliet gaan (King et al., 2006). Op basis
van nieuwe data voor banken in de Europese Unie
in de periode 1997–2008 wordt een model geschat
dat kan worden gebruikt om tijdig zwakke banken te
identificeren.

Banken in problemen
Gebruikmakend van Bureau Van Dijk’s BankScope
zijn gegevens verzameld voor 5.708 banken in de
EU. Deze worden gecombineerd met nieuwe informatie over banken met financiële problemen. Deze
gegevens zijn samengesteld op basis van informatie
uit de NewsPlus database van Factiva, die een breed
scala bevat aan informatie uit kranten en berichten
van persbureaus. In totaal 79 observaties voor 54
banken zijn geïdentificeerd voor de periode 1997–
2008. De problemen van de geselecteerde banken
lopen sterk uiteen. Sommige banken hebben een
liquiditeitsprobleem, terwijl andere solvabiliteitsproblemen hebben. De Nederlandse banken die in de
beschouwde periode in de problemen zijn gekomen,
zijn Van der Hoop Bankiers en Fortis. Wegens gebrek
aan voldoende data is alleen de eerste in de analyse
meegenomen.

Voorspellen van problemen
Tigran Poghosyan,
˘
Martin C ihák en
Jakob de Haan
PhD-student aan de Rijksuniversiteit Groningen,
econoom bij het Internatio­
naal Monetair Fonds en
hoogleraar aan de Rijks­
universiteit Groningen

Op basis van deze data is een empirische analyse
uitgevoerd die als volgt kan worden verduidelijkt.
Yijt is een dummyvariabele die de waarde 1 heeft
als bank i in land j in financiële problemen verkeert
op tijdstip t, en anders de waarde 0 heeft. Het
geschatte model luidt als volgt:
K
Pijt
log –––––– = β0 + Σ βk Xk,ijt–1
1 – Pijt
k=1

waarbij Pijt = Prob(Yijt=1|Xijt–1) de waarschijnlijkheid
weergeeft dat bank i in land j in de problemen komt
in periode t, gegeven de verklarende variabelen
Xijt–1. De uitdrukking aan de linkerkant van de vergelijking geeft de kans op problemen ten opzichte
van de kans dat de bank geen problemen kent. De
parameters βk geven de lineaire invloed weer van de
(vertraagde waarde van) de k verklarende variabele
op deze ratio.
Tabel 1 geeft de belangrijkste schattingsresultaten
˘
weer (Poghosyan en Cihák, 2008). Kolom (I) van
tabel 1 geeft het basismodel weer. Ten eerste is
kapitalisatie, gemeten als de verhouding van het
aandelenvermogen en de totale activa, opgenomen.
Een lagere kapitalisatie maakt de bank kwetsbaarder
voor schokken. Dit wordt bevestigd door de schattingsresultaten in tabel 1.
In het basismodel is ook de kwaliteit van de activa
opgenomen. Deze wordt gemeten aan de hand van
de verhouding tussen de voorzieningen voor slechte
leningen en de totale hoeveelheid uitstaande leningen. Hoe hoger deze verhouding, hoe groter de
kans dat een bank in de problemen komt. Ook deze
variabele is zeer significant in tabel 1.
Ook de kwaliteit van het management, gemeten
aan de hand van de verhouding tussen kosten en
inkomsten van de bank, is als verklarende variabele
meegenomen. Uit tabel 1 blijkt dat deze variabele
niet significant van invloed is op de kans dat een
bank in de problemen komt. Uit de tabel blijkt ook
dat hoe hoger de winstgevendheid van een bank,
gemeten op basis van de opbrengst op aandelen
na belasting, hoe lager de waarschijnlijkheid dat de
betreffende bank in de financiële problemen komt.
Daarentegen heeft liquiditeit, bepaald aan de hand
van de verhouding tussen liquide activa en de totale
hoeveelheid deposito’s en kortetermijnfinanciering,
geen significante invloed op de kans dat een bank in
de problemen komt.
De gemiddelde rente die de bank betaalt op zijn
deposito’s, gemeten als de verhouding tussen interestbetalingen en uitstaande deposito’s, heeft een
significant positieve invloed op de kans dat een bank
in de problemen komt.
Ten slotte blijkt uit tabel 1 dat ook besmettingsgevaar invloed heeft op de waarschijnlijkheid dat een
bank in de financiële problemen komt. Het besmettingsgevaar wordt gemeten aan de hand van een
dummyvariabele die de waarde 1 heeft als een bank
met een vergelijkbare omvang (circa 200 miljoen
euro) in hetzelfde land in de problemen is.

De auteur heeft verklaard dit artikel alleen te publiceren in ESB en niet elders
De auteur heeft verklaard dit artikel alleen te publiceren in ESB en niet elders
te publiceren in wat voor medium dan ook. Het is wel toegestaan om het artikel voor eigen gebruik
te publiceren in wat voor medium dan ook. Het is wel toegestaan om het artikel voor eigen gebruik
en voor publicatie op een intranet van de werkgever van de auteur aan te wenden.
en voor publicatie op een intranet van de werkgever van de auteur aan te wenden.

ESB

94(4552) 23 januari 2009

45

internationaal

Voorspellen van problemen
bij banken

Tabel 1

Schattingsresultaten1.

(I)
Basis model
Kapitalisatie
Kwaliteit activa
Kwaliteit management
Winst
Liquiditeit
Rente op deposito’s
Besmettingsgevaar
Concentratie (Herfindahl-index)
Aandelenkoersen
Constante
Aantal observaties
Pseudo R 2
Log likelihood
1

(II)
Met concentratie-maatstaf
–28,6**
18,95**
–0,11
–2,38***
–0,25
4,65***
5,96***
5,14**

–26,6**
20,44**
–0,11
–1,91***
–0,41
4,96***
6,07***

–5,49***

(III)
Met aandelenkoersen
–27,5**
20,61**
–0,11
–1,96***
–0,41
4,97***
6,09***
4,97***
–5,47***

–5,71***

29.862
0,48
–284,60

29.862
0,49
–279,31

29.862
0,49
–282,27

** en *** significant op 5 en 1 procent

˘
Bron: Poghosyan en Cihák, 2008
Figuur 1

Verdeling van banken in risicoklassen, 1997–2008.
100

Aandeel in totale activa

80

60

40

20

0

1997

1998

1999

2000

2001

2002

2003

2004

0.5%PD<0.1%

2005

2006

2007

2008
PD>1%

0.1%Conclusies en beleidsaanbevelingen

˘
Bron: Poghosyan en Cihák, 2008
Figuur 2

Marginale effect van de kwaliteit van de activa op de kans op distress.
1,0

0,8

Kans op problemen

Naast het basismodel toont tabel 1 twee specificaties waarin additionele variabelen zijn opgenomen.
Uit kolom (II) blijkt dat een hoge marktconcentratie,
gemeten op basis van de Herfindahl-index voor de
totale bankactiva, de kans op problemen verhoogt.
Kolom (III) laat zien dat een gunstige ontwikkeling
van de aandeelkoers van de bank ten opzichte van
de FTSE-100 markt-index leidt tot een hogere kans
op problemen. Deze uitkomst kan als volgt worden
verklaard. Een betere koersontwikkeling in jaar t
leidt tot een correctie in jaar t+1, en daarmee tot
een hogere kans op problemen. Op basis van deze
empirische schattingen is het mogelijk om uitspraken te doen over de kans dat een bank in problemen
komt. Figuur 1 geeft de verdeling van de banken
in diverse risicoklassen. De getoonde cijfers zijn
gewogen naar de omvang van de activa van de bank.
Het aandeel van de bankactiva met een hoog risico
(PD > 1 procent, waarbij PD staat voor probability
of distress) nam gestaag toe tussen 1997 en 2004,
maar aan het einde van de beschouwde periode nam
het aandeel van activa in de hoge risicocategorie af.
Een tegengesteld patroon is zichtbaar voor de activa
met een relatief laag risico (PD < 0,1 procent).
De meeste activa hebben een kans op problemen
tussen 0,1 en 0,5 procent. Het model maakt het
mogelijk om te bepalen waar de gevarenzone begint
voor banken. Figuur 2 toont het marginale effect van
de kwaliteit van de activa op de kans op problemen.
Hierbij worden alle andere determinanten gelijkgesteld aan het gemiddelde in de steekproef. Bij een
kans op problemen van 0,1 suggereert de figuur dat
banken die minder dan 14,3 procent aan voorzieningen hebben ten opzichte van hun uitstaande leningen mogelijk in de gevarenzone zitten. Hierbij moet
overigens worden bedacht dat er een afruil bestaat
tussen de verschillende determinanten. Wanneer een
bank bijvoorbeeld zijn kapitalisatie verhoogt, kan hij
zich een lager niveau van voorzieningen veroorloven.

0,6

0,4

Het is mogelijk om ook voor de EU een systeem te
ontwikkelen om vroegtijdig problemen bij banken
te identificeren. Met een dergelijk systeem kunnen
toezichthouders de problemen tijdig onderkennen
en dan sneller en effectiever ingrijpen. Het model
maakt het mogelijk om plausibele drempelwaarden
te identificeren voor factoren die van invloed zijn op
de kans op problemen, zoals de kapitalisatie. Het
geschatte model kan ook nuttig zijn voor consumenten. Zo blijkt dat wanneer een bank een hogere
depositorente betaalt dan andere banken, dit de kans
op problemen verhoogt. De spaarders bij Icesave
hebben dit inmiddels aan den lijve ondervonden.

0,2

Literatuur
King, T., D. Nuxoll en T. Yeager (2006) Are the causes of bank

0,0
0,0

0,2

0,4

0,6

0,8

1,0

Voorzieningen
Schatting

Schatting+1 standaard deviatie

˘
Bron: Poghosyan en Cihák, 2008

46

ESB

94(4552) 23 januari 2009

Schatting-1 standaard deviatie

distress changing? Can researchers keep up? Federal reserve bank
of St. Louis review, 88(1), 57–80.
˘
Poghosyan, T. en M. Cihák (2008) Distress in European banks:
an analysis based on a new dataset. IMF Werkdocument.
Washington, D.C.: IMF.

De auteur heeft verklaard dit artikel alleen te publiceren in ESB en niet elders
te publiceren in wat voor medium dan ook. Het is wel toegestaan om het artikel voor eigen gebruik
en voor publicatie op een intranet van de werkgever van de auteur aan te wenden.