Conséquences de la COVID-19 : Étude de l’impact des taux d’intérêt négatifs
Bibliographic record
Abstract
La crise économique découlant de la COVID-19 a eu plusieurs répercussions sur plusieurs secteurs de l’économie. Une des incidences les plus importantes a été l’intervention massive des banques centrales de plusieurs pays visant à injecter des liquidités dans le système financier et à réduire les taux d’intérêt. Cette étude évalue l’impact d’une politique de taux d’intérêt nominaux négatifs (ou très bas) sur la performance économique des institutions bancaires. Nos principaux constats peuvent se résumer comme suit. Premièrement, l’impact d’une politique de taux d’intérêt négatifs sur la performance économique d’une institution bancaire dépend de son modèle d’affaires. Les institutions jouant un rôle plus traditionnel d’intermédiaire financier (prise de dépôts, activités de prêt) sont davantage affectées que celles ayant un modèle davantage orienté vers la gestion de patrimoine et l’offre de services financiers moins traditionnels. Deuxièmement, nos constats diffèrent des résultats rapportés dans d’autres études. Ainsi, dans les pays ayant des politiques monétaires de bas taux d’intérêt, les marges nettes d’intérêt (ou marge bénéficiaire sur l’activité d’intermédiation) des institutions bancaires ne sont pas toujours réduites. Dans plusieurs cas, les institutions financières ajustent leur taux sur les prêts pour maintenir leur marge malgré la baisse générale des taux. Dans la mesure où, en pratique, il y a un taux plancher de 0% offert sur les dépôts, une politique de taux d’intérêt négatif ne se répercute pas nécessairement sur les taux d’emprunt. L’impact sur la rentabilité est cependant fonction du contexte social et institutionnel. Néanmoins, au Japon, cette réduction des marges a entraîné une forte baisse de la rentabilité, les banques japonaises n’ayant pas significativement amélioré leur productivité. En revanche, en Scandinavie, il semble que les banques ont réagi à la baisse des taux d’intérêt en trouvant d’autres sources de revenus et en réduisant leurs coûts d’exploitation de manière radicale. Ces mesures leur ont permis de limiter les dommages sur leur rentabilité de la baisse des taux d’intérêt. Troisièmement, la majorité des institutions financières ont fortement amélioré leur efficience opérationnelle au cours des dernières années. Enfin, bien que la rentabilité des institutions financières se soit améliorée au cours des dernières années, elle se situe en deçà du rendement de la décennie précédente. Les institutions financières japonaises affichent une faible rentabilité alors que les banques canadiennes trônent au sommet. Les modèles d’affaires semblent déterminants pour expliquer la performance au cours des dernières années.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".