Il nostro modello OLS cattura un solo canale di trasmissione: il canale del tasso di interesse. Questo documento mappa gli altri sette canali identificati dalla letteratura accademica, spiega quando si attivano, e mostra come correggere le proiezioni del modello lineare in ognuno degli scenari analizzati.
Il problema del canale unico
Il β stimato con OLS misura la risposta media dei tassi bancari a una variazione del DFR nel campione storico. Questo è il canale del tasso di interesse (canale 1): la BCE muove il DFR, l’Euribor si adegua, le banche reprezzano i contratti variabili. È il canale più diretto, più veloce e meglio documentato empiricamente.
Il limite è che il canale 1 assume che le banche siano passive: ricevono il segnale di prezzo e lo trasmettono linearmente, senza modificare la quantità di credito offerta, senza reagire alle condizioni del proprio bilancio, senza tenere conto del comportamento dei depositanti. Questa assunzione è ragionevole per shock moderati e graduali — ed è esattamente il contesto del nostro scenario Base (+25bp DFR). Per gli scenari più estremi, gli altri sette canali si attivano progressivamente.
I 8 canali di trasmissione
1 — Canale del tasso di interesse (standard)
Il canale che il β cattura. La BCE modifica il DFR → i tassi interbancari (Euribor) si adeguano → le banche reprezzano i prestiti e i depositi. È il canale più diretto, più veloce e meglio misurato empiricamente. Il limite è che assume che le banche siano passive: ricevono il segnale di prezzo e lo trasmettono senza modificare la quantità di credito offerta.
Letteratura fondamentale: Mishkin (1995, Journal of Economic Perspectives); De Bondt (2005, Manchester School).
Nel nostro modello: catturato integralmente dal β OLS. Adeguato per scenario Base.
2 — Canale del credito bancario (bank lending channel)
Quando la BCE stringe la politica monetaria, le banche non trovano solo il costo dei fondi più alto, ma possono anche vedere ridursi la disponibilità di riserve in eccesso. Le banche più piccole, con meno accesso al mercato dei capitali, riducono l’offerta di credito più di quanto il solo effetto prezzo spiegherebbe. Questo canale produce un inasprimento delle condizioni di credito che va oltre il repricing dei tassi — ed è esattamente ciò che il BLS (Bank Lending Survey) è progettato a misurare: non quanto costano i prestiti, ma quanto è facile ottenerli.
Letteratura: Bernanke & Blinder (1988, 1992, American Economic Review); Kashyap & Stein (2000, AER) — dimostrano empiricamente che banche con meno liquidità riducono il credito di più.
Nel nostro modello: non catturato dal β OLS. Si attiva nello scenario Avverso (+60bp). Correzione stimata: −5–10% volume credito PMI, +10bp spread implicito sulle condizioni.
3 — Canale del bilancio delle imprese (financial accelerator, BGG)
I tassi più alti riducono il valore degli asset che le imprese usano come collaterale (immobili, attrezzature, crediti). Un’impresa con meno collaterale può prendere meno a prestito o lo prende a tassi più alti, perché la banca percepisce un rischio maggiore e applica un premio esterno di finanziamento (external finance premium). Questo effetto amplifica lo shock iniziale: la stretta monetaria si traduce in una stretta creditizia più intensa di quanto il solo repricing dei tassi spieghi, specialmente per le PMI che dipendono dal credito bancario.
Letteratura: Bernanke, Gertler & Gilchrist (1996, AER; 1999, Handbook of Macroeconomics) — il modello BGG è il punto di riferimento. Bayangos & Jansen (2011) per evidenza sull’area euro.
Nel nostro modello: non catturato. Si attiva principalmente nello scenario Stress IV. Effetto: +20–30bp sul costo effettivo del credito alle PMI rispetto al β lineare.
4 — Canale del capitale bancario
Le banche detengono portafogli obbligazionari valorizzati a mark-to-market. Quando i tassi salgono bruscamente, il valore di questi portafogli scende, erodendo il CET1 (Common Equity Tier 1). Una banca con meno capitale disponibile stringe l’offerta di credito per rispettare i vincoli regolamentari (Basilea III). Per le banche italiane questo canale è particolarmente rilevante data la concentrazione in BTP — un’esposizione che diventa doppiamente pericolosa quando lo spread BTP-Bund si allarga simultaneamente all’aumento del DFR.
È il meccanismo che ha causato il collasso di SVB nel 2023 (portafoglio HTM non coperto da hedging, valutato a costo ammortizzato ma con perdite latenti enormi che la corsa agli sportelli ha reso reali).
Letteratura: Gambacorta & Shin (2018, Journal of Financial Economics); Van den Heuvel (2002, AER).
Nel nostro modello: non catturato. Rilevante solo nello scenario Stress IV con DFR > 3% e spread BTP > 150bp simultaneamente. Effetto stimato: stretta creditizia aggiuntiva di −8–12% sui volumi.
5 — Canale del risk-taking
Tassi bassi per lungo tempo inducono le banche a cercare rendimenti più alti assumendo più rischio: standard di concessione più laschi, maggiore esposizione a debitori marginali, più investimenti in attività illiquide. Quando i tassi salgono bruscamente, questo rischio accumulato si materializza. È il canale che spiega come un ciclo prolungato di tassi bassi (NIRP 2015–2022) crea le premesse per una crisi creditizia nel ciclo successivo — e perché il β dei depositi stimato su quel periodo è così basso (le banche non avevano incentivo a competere per la raccolta).
Letteratura: Borio & Zhu (2012, Journal of Financial Stability) — il paper originale sul risk-taking channel; Jiménez et al. (2014, AER) — evidenza empirica con i microdati del credito spagnolo.
Nel nostro modello: canale strutturale, non direttamente modellabile con OLS. Rilevante per spiegare il β contenuto dei depositi a vista nel campione NIRP (β_NIRP ≈ 0 vs β_rialzi ≈ 0,05; i depositi a termine salgono a ≈ 0,43 nel 2022–2026).
6 — Canale del tasso di cambio
I differenziali di tasso tra BCE e Fed influenzano EUR/USD. Un DFR più alto (o aspettative più alte) apprezza l’euro, riducendo l’inflazione importata. Per l’Italia questo canale è particolarmente rilevante per i prezzi energetici — petrolio e gas sono quotati in dollari, quindi un euro forte mitiga parzialmente lo shock da Brent.
Nella nostra architettura questo canale è esogeno: il tasso di cambio entra come assunzione nelle proiezioni BCE (USD/EUR = 1,17 per il 2026). Non entra nel modello OLS ma influenza il percorso del DFR tramite l’effetto sull’inflazione importata.
Letteratura: Dornbusch (1976, Journal of Political Economy) — overshooting del tasso di cambio; Obstfeld & Rogoff (1995) per l’economia aperta moderna.
7 — Canale delle aspettative (forward guidance)
La BCE può spostare i tassi di mercato a lungo termine semplicemente comunicando le proprie intenzioni future, senza muovere il DFR oggi. Questo è il meccanismo con cui la forward guidance (es. “i tassi rimarranno a zero per un periodo esteso”) tiene bassi i rendimenti a lungo termine anche quando il tasso overnight è già a zero. Spiega perché il Bund 10Y si è mosso molto prima che il DFR raggiungesse i picchi del 2023 — i mercati anticipavano il percorso.
Per il nostro modello questo canale è rilevante per i mutui fissi: il driver corretto non è il DFR corrente ma la curva forward (ZC AAA), che riflette le aspettative del mercato sull’intera traiettoria futura dei tassi. È il motivo per cui il R² del modello ECM con driver IRS10Y (0,76) è molto più alto di quello con DFR (0,17) per i mutui fissi.
8 — Canale della liquidità (TLTRO/QE)
Le operazioni non convenzionali della BCE (QE, TLTRO) hanno creato un surplus di liquidità nel sistema bancario che ha artificialmente compresso gli spread interbancari e tenuto bassi i tassi sui depositi. Il ritiro di questa liquidità (TLTRO in scadenza 2023–24, riduzione del bilancio BCE) modifica le condizioni di funding bancario in modo strutturale.
Questo canale spiega un’anomalia empirica nei nostri dati: il β dei depositi a vista stimato su 2022–2026 resta basso (≈ 0,05) anche durante il ciclo di rialzi, perché le banche avevano ancora abbondante liquidità TLTRO a costo zero o negativo. Man mano che questa liquidità si esaurisce, il β “normale” dei depositi dovrebbe convergere verso i valori della letteratura (0,40–0,70).
Letteratura: Altavilla et al. (2020, ECB Working Paper) — effetto TLTRO sul credito bancario EA.
Mappa: canali attivi per scenario
Lacune nella letteratura italiana
La letteratura sul pass-through bancario italiano è meno sviluppata di quella tedesca o spagnola. I paper in Zotero riguardano la politica monetaria BCE in aggregato (Cuciniello et al., Bernardini et al.) ma non il pass-through MIR per l’Italia in modo granulare. Restano aperte due lacune principali:
Eterogeneità geografica — il pass-through nelle regioni del Sud Italia potrebbe essere sistematicamente diverso dal Nord, per via della struttura bancaria (banche locali vs nazionali) e della domanda di credito. Nessun paper aggiornato post-NIRP lo documenta per i dati MIR.
Non-linearità del β sui depositi — manca un paper aggiornato che quantifichi il β dei depositi italiani condizionalmente alla competizione bancaria. Prometeia lo stima internamente ma non lo pubblica. Questa lacuna è il nodo centrale del progetto spinoff CanalTrasmissione.
Spinoff: CanalTrasmissione
Questo documento è una mappa preliminare. Il progetto 202606/20260626_CanalTrasmissione/ svilupperà sistematicamente:
- Rassegna letteratura BGG, Kashyap & Stein, Borio & Zhu per ciascun canale
- Stima empirica del β condizionale depositi (con dummy competizione su dati pre-NIRP 2005–2008)
- Mappa operativa canali × scenario con correzioni numeriche al β OLS
- Collegamento con il framework stress test (tabella in
stress_test.html)
Approfondimenti collegati
Trasparenza sull’uso dell’intelligenza artificiale
L’uso di strumenti di intelligenza artificiale generativa è dichiarato esplicitamente in quanto parte del processo di lavoro seguito nella redazione del presente documento. Tali strumenti sono stati impiegati a supporto della lettura, della sintesi, della riorganizzazione argomentativa e della revisione testuale, sempre nell’ambito di un processo pienamente controllato dall’autore.
La responsabilità per le fonti utilizzate, le analisi condotte, le verifiche effettuate, le interpretazioni proposte e le conclusioni formulate resta interamente in capo all’autore.
L’intelligenza artificiale è stata utilizzata come ambiente di supporto cognitivo ed editoriale, non come fonte primaria, autore autonomo o sostituto del giudizio critico.
Torna in cima
