A Dynamic 4s-dsdm Framework for Banking Supervision: Evidence From the South Caucasus Banking Sector Transformation

Dans le monde de la finance, les banques sont les moteurs qui font tourner les économies, prêtant de l'argent pour construire des maisons, créer des entreprises et financer la vie quotidienne. Mais quand ces moteurs tournent trop vite ou trop lentement, l'ensemble du système peut s'enrayer ou surchauffer. Pendant des décennies, les régulateurs ont tenté de maintenir ces moteurs en sécurité en utilisant une liste de contrôle standard, un peu comme un mécanicien inspectant une voiture. Ils examinent le montant des réserves d'argent d'une banque, la qualité de la gestion de ses prêts et le niveau de ses bénéfices. Cette liste de contrôle a bien fonctionné lorsque toutes les banques d'une région évoluaient dans la même direction. Cependant, le monde financier moderne change rapidement. Dans certains endroits, les banques croissent de manière fulgurante, tandis que dans d'autres, elles deviennent plus conservatrices ou changent entièrement de stratégie. Lorsque chaque banque est différente, une liste de contrôle unique et rigide ne parvient pas à percevoir les dangers spécifiques auxquels chacune est confrontée. Le défi pour les superviseurs modernes est de trouver un moyen de percevoir clairement ces différences et d'adapter leurs règles de sécurité en temps réel, plutôt que d'attendre qu'une crise révèle un problème.

Un chercheur a abordé ce problème en étudiant les systèmes bancaires de trois pays voisins du Caucase du Sud : l'Arménie, l'Azerbaïdjan et la Géorgie. Entre 2024 et 2026, ces trois nations ont connu une période de croissance rapide mais très différente. L'Arménie a vu ses banques prêter de l'argent à un rythme record, suscitant des inquiétudes quant à savoir si elles disposaient de suffisamment de coussins de sécurité. Les banques de Géorgie ont progressé de manière constante tout en réduisant leur dépendance aux devises étrangères. Les banques de l'Azerbaïdjan se sont développées plus lentement mais avec une force immense, poussant les régulateurs à introduire de nouvelles règles pour ralentir la croissance du crédit. Malgré ces différences, les banques centrales de chaque pays utilisaient encore les anciennes méthodes statiques pour juger du risque. Le chercheur a soutenu que ces méthodes étaient comme essayer de mesurer la météo dans trois climats différents avec un seul thermomètre ; elles ne pouvaient pas capturer les risques uniques de chaque secteur bancaire national.

Pour résoudre cela, le chercheur a construit un nouveau cadre flexible appelé le Dynamic 4S-DSDM. Au lieu de compter sur des experts pour deviner quels facteurs étaient les plus importants, il a laissé les données parler d'elles-mêmes. Il a recueilli des informations sur chaque banque commerciale de ces trois pays — 5 de 58 banques au total — sur une période de douze ans. Il a injecté cette quantité massive d'informations dans un système informatique utilisant l'apprentissage automatique (machine learning), un type d'intelligence artificielle qui apprend des modèles à partir des données. Le système a analysé quatre domaines clés : la sécurité des banques, la stabilité de leur financement, le niveau de leurs bénéfices et leur taille. Crucialement, l'ordinateur a décidé de lui-même quels de ces domaines étaient les plus importants à un moment donné, plutôt que d'utiliser des règles fixes. Il a découvert que l'importance de ces facteurs changeait à mesure que les banques évoluaient.

En utilisant ce système de pondération intelligent, le chercheur a regroupé les banques en trois types distincts, ou « archétypes », basés sur leur comportement réel. Le premier groupe, appelé « Leaders Stratégiques », était composé de banques qui équilibraient très bien sécurité et profit. Le deuxième groupe, les « Épargnants Traditionnels », était constitué de banques prudentes qui privilégiaient la stabilité plutôt que la croissance rapide. Le troisième groupe, la « Croissance Agressive », comprenait les banques qui prenaient de gros risques pour s'étendre rapidement. L'étude a révélé que ces groupes n'étaient pas le fruit du hasard ; ils représentaient des modèles commerciaux réels et stables qui persistaient dans le temps. Le chercheur a ensuite testé ses conclusions pour s'assurer qu'elles n'étaient pas un simple coup de chance, en utilisant des contrôles statistiques rigoureux pour confirmer que ces groupes restaient distincts même lorsque les données étaient mélangées ou examinées sous différents angles.

Les résultats ont révélé une histoire fascinante sur l'évolution de chaque système bancaire national. En Arménie, le secteur bancaire montrait des signes de diversité structurelle, avec davantage de banques s'éloignant du modèle traditionnel vers de nouvelles stratégies variées. Cependant, l'étude a également révélé que le système arménien était très sensible aux chocs extérieurs. Lorsqu'un événement géopolitique majeur est survenu en 2022, les banques arméniennes ont réagi rapidement et de manière spectaculaire, basculant massivement vers le modèle plus sûr de l'« Épargnant Traditionnel ». C'était le signe d'un système qui pouvait être fragile sous la pression. En revanche, le système bancaire de l'Azerbaïdjan était un mélange des trois types, affichant un haut niveau de diversité qui semblait le rendre plus résilient aux chocs. Ses banques n'ont pas toutes évolué dans la même direction lorsque les problèmes ont commencé ; au contraire, les différents types de banques coexistaient, fournissant un tampon naturel. La Géorgie présentait une force différente, caractérisée par une « élasticité structurelle ». Elle s'était stabilisée selon un schéma constant plus tôt que ses voisins, avec une grande partie de ses banques opérant déjà en tant que « Leaders Stratégiques », ce qui lui permettait d'absorber le stress sans s'effondrer ou se figer.

Le chercheur a également développé une nouvelle façon de mesurer la « maturité » ou la stabilité d'un système bancaire, en utilisant un concept appelé entropie, qui, dans ce contexte, mesure à quel point les banques sont mixtes ou uniformes. Un système où toutes les banques sont identiques présente une faible entropie, tandis qu'un système comprenant de nombreux types de banques présente une entropie élevée. L'étude a montré que, bien que les trois pays aient des points de départ différents, ils ont tous réagi au choc de 2022 de manière similaire, leurs systèmes devenant plus uniformes à mesure que les banques se précipitaient vers la sécurité. Cette réaction synchronisée suggère que les événements régionaux affectent les trois pays, indépendamment de leurs structures bancaires individuelles.

Le résultat le plus important de ce travail est un nouvel outil pour les régulateurs appelé le Score d'Intensité de Supervision. Ce score indique à une banque centrale exactement quelle attention une banque spécifique nécessite. Pour les « Leaders Stratégiques », le score est faible, ce qui signifie qu'ils peuvent être surveillés avec des contrôles standards. Pour les « Épargnants Traditionnels », le score est modéré, nécessitant des tests de résistance périodiques. Mais pour les banques de « Croissance Agressive », le score est élevé, signalant que ces institutions ont besoin d'audits ciblés constants et de règles plus strictes. Cette approche permet aux régulateurs d'abandonner la stratégie du « taille unique ». Au lieu de traiter chaque banque de la même manière, ils peuvent désormais appliquer le bon niveau de supervision à la bonne banque, en fonction de son comportement réel et de son profil de risque.

L'étude conclut que l'ancienne méthode de supervision des banques n'est plus suffisante pour un monde où les systèmes financiers changent si rapidement. En utilisant les données pour comprendre le caractère unique de chaque banque et de chaque pays, les régulateurs peuvent être plus proactifs. Ils peuvent repérer une banque qui devient trop risquée avant qu'elle ne pose problème, et ils peuvent soutenir les banques qui font les choses correctement. La recherche suggère que pour le Caucase du Sud, et potentiellement pour d'autres marchés émergents, l'avenir de la sécurité bancaire réside dans la flexibilité. Il s'agit de passer de règles rigides à un système qui apprend, s'adapte et répond à la complexité réelle et vivante du monde financier. Les conclusions ne sont pas seulement un exercice théorique ; elles offrent une voie pratique, fondée sur des preuves, pour maintenir les moteurs de l'économie en marche en toute sécurité, même lorsque la route devient accidentée.