Nel capitolo successivo si procederà ad implementare l’analisi econometrica che rappresenta l’argomento centrale e il fulcro del presente lavoro: si tratterà di andare a verificare, sulla base delle informazioni disponibili, riferite ad un intervallo di tempo piuttosto recente e, soprattutto, posteriore rispetto alla grande recessione che ha colpito l’economia mondiale, la presenza di una relazione univoca tra entità dei crediti in sofferenza relativi al sistema bancario italiano, scelta come variabile dipendente, e quelli che sono ritenuti i fattori maggiormente suscettibili di influenza sulle realizzazioni della suddetta variabile, cioè la condizione economica del paese (esplicitata dal PIL pro capite espresso per provincia, che assume, in questo studio, il ruolo di variabile di controllo) e il grado di concorrenza rilevato all’interno del settore creditizio, specificato attraverso l’utilizzo di differenti variabili (in particolare, numero di banche per provincia, numero di sportelli per provincia e rapporto tra numero di banche e numero di sportelli), così da poter evidenziare eventuali cambi di rotta legati ad una diversa indicazione dell’elemento competition. La metodologia seguita per giungere ad una conclusione rispetto all’obiettivo preannunciato consisterà, in primo
51
luogo, nella costruzione di un dataset di osservazioni in formato panel e, successivamente, nell’elaborazione dei dati così organizzati, definendo diversi modelli di regressione lineare nel rispetto delle tipiche procedure di stima utilizzate in presenza di dati longitudinali. Nello specifico, l’analisi statistica ed econometrica delle osservazioni raccolte verrà effettuata tramite l’ausilio di uno speciale strumento, rappresentato dal software econometrico open-source (dunque facilmente reperibile) Gretl, il quale presenta un linguaggio di programmazione del tipo C e si serve del toolkit GTK+ per l’interfaccia grafica (per chiarimenti ulteriori si suggerisce di consultare il sito gretl.sourceforge.net). Il presente programma, inizialmente sviluppato da Allin Cottrell (Wake Forest University), proseguendo il lavoro di Ramu Ramanathan, docente UCLA, offre uno spettro piuttosto onnicomprensivo di moderni approcci econometrici, il che lo rende uno strumento più che adeguato per effettuare lo studio presentato nel presente elaborato.
3.3.1 – Interpretazione dei risultati
Il software econometrico Gretl rilascia come output di un singolo processo una tabella contenente la stima dei parametri dello specifico modello di regressione, in cui ciascuna colonna mostra, rispettivamente, le stime relative ai coefficienti di regressione, le stime relative agli errori standard, alle statistiche test t e ai p-value ad esse associati, le cui stime riempiono l’ultima colonna della tabella, al fianco della quale trovano spazio alcuni indicatori visivi espressione della significatività statistica della stima riferita ad ogni singolo parametro. Ciascun indicatore restituisce un numero di asterischi che va da 0 a 3, a seconda dei livelli di significatività rilevati (e confrontati con delle specifiche soglie), che possono essere riassunti dalla seguente tabella:
*** p-value < 0,01
** p-value < 0.05
52
Generalmente, il grado di significatività statistica (specificato dal p-value) rappresenta la probabilità per cui, quando l’ipotesi nulla 𝐻0 è vera, la statistica test t assuma un valore contrario ad 𝐻0, nel senso indicato dall’ipotesi alternativa 𝐻1: l’utilizzo degli asterischi quali segnalatori della significatività statistica consente un’interpretazione immediata della validità dei singoli parametri stimati, una volta fissato il livello di significatività, e, inoltre, permette di cogliere il grado di coerenza delle diverse ipotesi rispetto ad 𝐻0. In modo da implementare uno studio di tipo econometrico, il presente elaborato si servirà di un semplice schema di analisi dell’output, il quale si può riassumere in due distinte fasi:
• Valutazione del coefficiente: ogni coefficiente di regressione indice la variazione media che intercorre nella variabile dipendente al variare di un’unità della variabile indipendente, mantenendo costanti le altre variabili esplicative (anche per questo si parla di “effetti parziali” o “ceteris paribus”); il coefficiente deve essere valutato in tutte le sue componenti, il segno del coefficiente indica la presenza di una relazione positiva o negativa tra la variabile indipendente cui si riferisce e la variabile indipendente, mentre la sua dimensione va rapportata alla sua capacità di avere un’influenza cospicua sul valore della variabile dipendente; • Verifica del grado di significatività: in questa fase si procede a discernere, tra le variabili indipendenti, quelle significative da quelle non significative, in modo da confermare o meno la supposizione di una loro incidenza sulle manifestazioni della variabile dipendente; nel caso in cui il p-value riferito ad una determinata variabile si presenti inferiore a 0,01 (***), si ottiene il risultato migliore, in quanto i dati supportano il rifiuto dell’ipotesi nulla per cui il coefficiente assuma valore nullo in presenza di un livello prefissato di significatività basso; tuttavia, l’analisi proposta non si fermerà alla verifica della significatività statistica dei singoli coefficienti, bensì procedere a valutare la loro significatività economica, confrontando la dimensione del coefficiente con quella delle realizzazioni della variabile dipendente.
53
Una volta constatata la presenza (o meno) di una relazione tra le diverse variabili in gioco (di cui alcune, come preannunciato, risulteranno diversamente esplicitate per fornire completezza all’analisi) anche mediante la definizione di modelli econometrici differenti (nello specifico studio, si fa riferimento ad approcci fixed effects e random effects nelle loro varie configurazioni), si procederà ad effettuare test statistici per riscontrare quale sia il modello in grado di adattarsi meglio all’evidenza empirica (Hausman test).
3.3.2 – Costruzione del dataset e descrizione delle variabili
Per individuare la presenza di un’eventuale correlazione tra le diverse variabili inserite nello studio proposto occorre partire da un dataset contenente una quantità sufficiente di dati rilevanti. Nel caso specifico, per quanto riguarda la consistenza dei crediti in sofferenza nel sistema economico italiano, le osservazioni raggruppate provengono direttamente dal Bollettino Statistico che Banca d’Italia pubblica ogni 3 mesi e sono relative a ciascuna delle 109 province italiane; l’elaborazione dei dati (rappresentati in unità ma la cui consistenza è in milioni di euro), forniti dalla sezione “Finanziamenti deteriorati” alla voce “Sofferenze distribuite in base alla localizzazione della clientela” suddivise fra i diversi comparti di attività economica svolta dalla clientela, ha previsto il calcolo della media annuale delle informazioni riferite ad ognuno dei 4 trimestri degli anni compresi nel periodo 2009-2016, concentrandosi unicamente sulle entità delle esposizioni deteriorate che le banche italiane detengono nei confronti di società non finanziarie industriali, ossia quei soggetti che, secondo la particolare classificazione delle attività economiche ATECO (Attività Economiche), adottata dall’Istituto Nazionale di Statistica Italiano (ISTAT) per le rilevazioni statistiche nazionali di carattere economico, rientrano nelle sezioni B (Estrazione di minerali da cave e miniere), C (Attività manifatturiere), D (Fornitura di energia elettrica, gas, vapore e aria condizionata) ed E (Fornitura di acqua, reti fognarie, attività di gestione dei rifiuti e risanamento). Oltre ai dati riguardanti le sofferenze bancarie, il dataset contiene osservazioni relative al numero di banche e al numero di sportelli presenti a livello delle
54
singole province italiane, nonché osservazioni relative ad un particolare indicatore di “intensità”, costruito calcolando il rapporto tra i dati corrispondenti forniti su numero di sportelli e numero di banche per ciascuna provincia, e osservazioni relative all’ammontare del PIL pro capite registrato a livello provinciale: se le prime di queste informazioni sono facilmente reperibili sempre all’interno del Bollettino Statistico di Banca d’Italia, le informazioni sul PIL pro capite sono recuperabili direttamente dalla banca dati ISTAT.
All’interno dell’analisi econometrica contenuta nel capitolo successivo, saranno considerate quali variabili indipendenti (o esplicative), ossia quei fattori che si presume possano essere in grado, nella costruzione dei modelli proposti, di influenzare le realizzazioni della variabile “sofferenze bancarie”, le seguenti:
• “Numero di banche”: rappresenta l’ammontare degli istituti creditizi insediati in ognuna delle province italiane;
• “Numero di sportelli”: rappresenta la quantità di filiali di ciascun istituto creditizio insediate a livello provinciale;
• “Intensity”: variabile “artificiale” che rappresenta il rapporto tra numero di filiali e numero di intermediari bancari presenti nelle singole province;
• “PIL pro capite”: il PIL (in inglese GDP, acronimo per gross domestic product) rappresenta il valore di mercato aggregato di tutte le merci finite e di tutti i servizi prodotti all’interno di una nazione in un dato periodo di tempo, nel caso specifico, verrà considerato nella sua variante “pro capite”, calcolato facendo riferimento al prodotto interno lordo di ogni singola provincia italiana, relativo a ciascun anno di riferimento, diviso per la numerosità media della popolazione provinciale rilevata nello stesso periodo temporale.
Per quanto riguarda le prime 3 variabili indipendenti occorre effettuare alcune dovute precisazioni: mentre il PIL pro capite risulta inserita nello studio a titolo di variabile di controllo (data la solidità del rapporto di causalità che lega le condizioni economiche all’entità delle sofferenze bancarie), “numero di banche”, “numero di sportelli” e “intensity” rappresentano le diverse specificazioni proposte per la variabile
55
“concorrenza sistemica”, per cui a misure più “primitive” (e, pertanto, soggette ad un maggior numero di limiti) si contrappongono misure maggiormente elaborate, come, per l’appunto, il rapporto tra quantità di banche e quantità di sportelli. Nonostante le diverse modalità con cui si è deciso di esplicitare la concorrenza nel sistema bancario, è pacifico sostenere che a maggiori valori assunti dalle suddette variabili corrisponda un maggior grado di concorrenza, risulterà molto interessante andare a verificare cosa comporta una diversa specificazione della concorrenza creditizia all’interno dei differenti modelli econometrici. Per motivi di praticità, soprattutto nell’effettuazione delle stime, il software Gretl attribuisce a ciascuna delle osservazioni di cui è composto il dataset una coppia di numeri indice, il primo riferito alla specifica provincia (𝑛 = 1, … ,109), il secondo legato alla dimensione temporale (𝑡 = 1, … ,8), per un totale teorico di informazioni relative a ciascuna variabile pari a 872.
Di seguito è riportata una tabella che comprende le principali statistiche descrittive di ciascuna delle variabili inserite nei modelli econometrici, anche quelle riguardanti la variabile dipendente:
VARIABILI Media Mediana Valore
minimo Valore massimo Scarto quadratico medio Numero di osservazioni Sofferenze bancarie 238,46 143,50 4 2368 292,64 872 Numero di banche 7,43 4 1 133 13,95 670 Numero di sportelli 297,72 202 25 2597 212,41 760 Intensity 68,94 57 7 334 48,31 670 PIL pro capite 22353 22568 12076 46278 5650,40 495
Come è possibile notare dalla tabella sopra riportata, in particolare dai valori riportati nella colonna “numero di osservazioni”, il panel su cui si basa lo studio proposto non si presenta comprensivo di tutte le informazioni previste per ciascuna delle variabili considerate (basta notare le osservazioni mancanti per quanto riguarda numero di banche, numero di sportelli, intensity e PIL pro capite, rispettivamente 202, 112, 202 e
56
397 su un totale teorico di 872), si è, dunque, di fronte ad un panel non bilanciato. È bene precisare che, nonostante le conclusioni teoriche raggiunte nei primi 2 capitoli, in relazione agli approcci econometrici da utilizzare in presenza di dati longitudinali, abbiano presupposto la considerazione di panel bilanciati, la meccanica del processo di stima (sia fixed effects che random effects) non subisce, attuando semplici accorgimenti, adottati peraltro da tutti i principali software econometrici, modifiche sostanziali in presenza di panel non bilanciati, soprattutto se la raccolta dei dati riguarda unità statistiche rappresentate da entità territoriali, come città, paesi, regioni e, appunto, province.
57