Chapter 4 Stories of Experience
4.1 On My Way to London
4.1.1 Art, Aesthetic Experience, Self-development
La prueba CUSUM para estabilidad de parámetros del modelo evidencia estabilidad del modelo (se mantiene dentro de las bandas de significancia). El caso para la prueba CUSUM Cuadrado revela un resultado similar, donde se observa que la suma acumulada de los cuadrados generalmente se encuentra dentro del 5% de significancia, lo que sugiere que la varianza residual es relativamente estable (gráfico 7). Asimismo, para la prueba de coeficientes recursivos (gráfico 8), se observa que los coeficientes en su totalidad no
38 presentan grandes volatilidades. Todas las pruebas anteriores nos permiten afirmar que el modelo cuenta con estabilidad en sus parámetros.
Gráfico 7: Pruebas de estabilidad de parámetros CUSUM
-40 -30 -20 -10 0 10 20 30 40 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 CUSUM 5% Significance
Fuente: Elaboración propia.
Gráfico 8: Pruebas de coeficientes recursivos
-200 -100 0 100 200 300 2002 2004 2006 2008 2010 2012 2014 2016 Recursive C(1) Estimates ± 2 S.E. -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2002 2004 2006 2008 2010 2012 2014 2016 Recursive C(2) Estimates ± 2 S.E. -60 -40 -20 0 20 40 2002 2004 2006 2008 2010 2012 2014 2016 Recursive C(3) Estimates ± 2 S.E. -8 -4 0 4 8 12 2002 2004 2006 2008 2010 2012 2014 2016 Recursive C(4) Estimates ± 2 S.E. -.4 -.2 .0 .2 .4 2002 2004 2006 2008 2010 2012 2014 2016 Recursive C(5) Estimates ± 2 S.E. -.2 -.1 .0 .1 .2 .3 .4 2002 2004 2006 2008 2010 2012 2014 2016 Recursive C(6) Estimates ± 2 S.E. -0.8 -0.4 0.0 0.4 0.8 1.2 2002 2004 2006 2008 2010 2012 2014 2016 Recursive C(7) Estimates ± 2 S.E. -3 -2 -1 0 1 2002 2004 2006 2008 2010 2012 2014 2016 Recursive C(8) Estimates ± 2 S.E.
39
4.3 Multicolinealidad
La presencia de Multicolinealidad afecta, principalmente, a la significancia individual de las variables. Existen diversas pruebas y formas de tratar este problema. Un primer indicio para detectar el problema es la matriz de correlaciones de las variables explicativas, la cual mostramos en el Cuadro 4:
Cuadro 4: Matriz de correlaciones de variables regresoras
Agencia
s Colocaciones Desempleo Liquidez
PBI_Servicio s Solvencia Agencias 1 -0.462024 -0.735284 0.5227 0.5444781 -0.433350 Colocaciones -0.462024 1 0.317184 -0.4073 -0.132878 0.198030 Desempleo -0.7352 0.317184 1 -0.4836 -0.352421 0.36484 Liquidez MN 0.5227 -0.407354 -0.483626 1 0.254435 -0.298574 PBI_Servicios 0.5444 -0.132878 -0.352421 0.25443 1 0.218359 Solvencia -0.4333 0.198030 0.364844 -0.2985 0.218359 1
Fuente: Elaboración propia.
Como se observa, casi todas las variables dentro del modelo presentan una correlación menor a 0.7, lo cual es un indicio inicial de no existir problemas de multicolinealidad entre las variables. Asimismo, para determinar si la correlación no afecta al modelo se calcula el Índice o Número de Condición (IC). En el caso de nuestro modelo, el IC calculado es de 28.1. En la literatura se sugiere que el problema de multicolinealidad no será severo siempre y cuando el valor sea menor de 30. Por lo tanto, el IC también muestra que el modelo no presenta problemas severos de multicolinealidad.
4.4 Autocorrelación
El problema de autocorrelación de orden 1 es el más común. Para comprobar ello, se suele utilizar el estadístico Durbin-Watson, cuya hipótesis nula es que no existe autocorrelación. Como regla general, si el estadístico Durbin-Watson no se encuentra cercano a 2, entonces se puede sospechar de la presencia de problemas de autocorrelación de orden 1.
40
Cuadro 5: Estadístico Durbin-Watson
R-squared 0.898727 Mean dependent var 5.475659
Adjusted R-squared 0.894652 S.D. dependent var 0.717886 S.E. of regression 0.233006 Akaike info criterion -0.032541 Sum squared resid 9.446805 Schwarz criterion 0.108294 Log likelihood 10.96123 Hannan-Quinn criter. 0.024552
F-statistic 220.5889 Durbin-Watson stat 2.081518
Prob(F-statistic) 0.000000
Fuente: Elaboración propia.
En nuestro modelo, el estadístico Durbin-Watson es cercano a 2 por lo que no se rechaza la hipótesis nula. Es decir, nuestro modelo no presenta autocorrelación de orden 1. Para observar si existen autocorrelaciones de orden mayores o iguales que 1, se observa la prueba de Box Pierce Ljung (Q-Stat) o conocido como correlograma (gráfico 9).
Gráfico 9: Correlograma (Q-Stat)
Fuente: Elaboración propia.
Como se observa en la columna de Correlación Parcial, no hay presencia en el corto plazo de autocorrelación de errores de un orden mayor a 1.
Finalmente, para corroborar la posibilidad de existencia de un mayor orden de autocorrelación, también se aplica la prueba de Breusch Godfrey, cuya hipótesis nula es que no existe autocorrelación de orden 2 (o “n”, según como se haya especificado el test).
41
Cuadro 6: Prueba de autocorrelación de Breusch-Godfrey
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.899868 Prob. F(2,172) 0.4085
Obs*R-squared 1.884652 Prob. Chi-Square(2) 0.3897
Fuente: Elaboración propia.
Como puede observarse en el cuadro 6, la no existencia de un orden de autocorrelación de orden 2 no es rechazada según la prueba de Breusch Godfrey. En otras palabras, no existe autocorrelación de orden 2 en nuestro modelo.
4.5 Heterocedasticidad
El problema de Heterocedasticidad genera que el estimador MCO deje de ser eficiente lo cual se traduce en una mayor varianza. Esto reduce la significancia individual del modelo. Un par de pruebas comúnmente usadas son el Test de Breusch-Pagan-Godfrey y el Test de White:
Cuadro 7: Pruebas de heterocedasticidad (Breusch-Pagan-Godfrey y White)
Heteroskedasticity Test: Breusch-Pagan-Godfrey
F-statistic 1.456777 Prob. F(7,174) 0.1857
Obs*R-squared 10.07579 Prob. Chi-Square(7) 0.1843
Heteroskedasticity Test: White
F-statistic 1.300266 Prob. F(7,174) 0.2528
Obs*R-squared 9.047086 Prob. Chi-Square(7) 0.2493
Fuente: Elaboración propia.
Las probabilidades asociadas al estadístico F y 𝑁𝑅2, en ambas pruebas, aceptan la hipótesis nula de homocedasticidad al nivel de significancia del 5%. Por lo tanto, se concluye que no existen problemas de heterocedasticidad en el modelo.
42
5. CONCLUSIONES
Durante el periodo estudiado, las cajas municipales (CMAC) experimentaron un gran crecimiento en su presencia a nivel nacional: desde el 2001, la tasa de crecimiento compuesta anual (CAGR) de las colocaciones fue de 25%, mientras que el CAGR del número de agencias fue de 20%. Impulsadas por el crecimiento de nuestro país en dicho periodo, las CMAC crecieron notablemente. Sin embargo, la morosidad también se incrementó: el sistema de las cajas municipales experimentó un fuerte incremento de la morosidad de más de 2% en menos de 15 meses (desde diciembre de 2008 a abril de 2010), para luego mantenerse en una cifra cercana al 7% a noviembre de 2016. La relajación de las políticas crediticias, con el fin de obtener un mayor poder de mercado, llevaron a un crecimiento desmedido de las colocaciones. Este crecimiento suele observarse a través de dos variables principales: crecimiento en el número de agencias y crecimiento en los montos de colocaciones. En ese sentido, las dos principales hipótesis de nuestro trabajo buscaban comprobar si es que, efectivamente, estas variables contribuyeron al incremento de la morosidad en el periodo de estudio. Para ello, planteamos un modelo de mínimos cuadrados ordinarios. Asimismo, agregamos otras variables que, de acuerdo a la literatura previa, influirían en la morosidad.
Dentro de nuestro modelo, hemos encontrado que todas las variables planteadas aportan de manera significativa al modelo y cumplen con los signos esperados y encontrados en otros trabajos presentados en la literatura relacionada. De manera específica, hemos encontrado que las variables que determinan la morosidad en las CMAC del Perú son las siguientes: PBI del sector Servicios, desempleo, monto de colocaciones, número de agencias, liquidez, solvencia y retorno sobre el patrimonio (ROE). Este hallazgo nos permitió comprobar y validar nuestras principales hipótesis:
• La flexibilidad de la evaluación crediticia genera un incremento desmedido de las colocaciones, lo que contribuye positivamente al incremento de la morosidad en las CMAC.
43
• El incremento del número de agencias, en un intento por mantener el crecimiento de las colocaciones y el poder de mercado, contribuye positivamente al incremento de la morosidad en las CMAC.
Asimismo, ambas variables representaron los mayores impactos sobre la morosidad, siendo la de mayor impacto el crecimiento de las colocaciones. Esto claramente reflejaría una política de flexibilización crediticia durante el periodo de estudio (mientras que el sector crecía a una tasa promedio anual de 5.7%, el CAGR de las colocaciones fue de 25%). Esta política, en un afán de aprovechar el crecimiento del país y ganar mayor poder de mercado, llevó a incrementos de la morosidad debido al riesgo asumido en los créditos otorgados.
44
6. RECOMENDACIONES
Entre las recomendaciones que podríamos generar a partir de los resultados hallados estarían las siguientes:
a. Se sugiere un adecuado manejo de los niveles de gestión de las entidades analizadas. Es de vital importancia tener un conocimiento (basado en la experiencia) respecto a cómo se desarrolla el proceso desde la prospección de los clientes hasta la recuperación de los créditos.
b. Se deben buscar estructuras óptimas de financiamiento e inversión de tal manera que no existan excesos de liquidez, los cuales podrían llevar al financiamiento de proyectos riesgosos atrayendo fondos a tasas altas y efectuando colocaciones a tasas de interés altas.
c. Se debe buscar eficiencia en el uso de la capacidad instalada ya que, cuanto más grande sea la capacidad instalada (crecimiento de agencias), se requerirán de mayores y mejores niveles de operatividad y gestión.
d. Se debe mantener políticas adecuadas de gestión del riesgo. Las CMAC, en el afán de no perder poder de mercado ante el incremento de la competencia, descuidaron las medidas y políticas adecuadas de gestión de clasificación del riesgo y los procesos de obtención de créditos.
e. Se necesita de fortalecimiento patrimonial para disponer de un capital adecuado frente a pérdidas no anticipadas.
f. Se necesita crear variables que puedan simular el comportamiento de las personas del mercado que se atiende e incluirlas en un modelo de simulación (credit scoring). En particular, el mercado de las CMAC suele ser informal, por lo que no se cuenta con la mejor información para tomar decisiones, por lo que se debe ser creativo para poder obtener la mejor información.
45
7. BIBLIOGRAFÍA
Aguilar, G. y G. Camargo (2003). Análisis de la morosidad de las instituciones microfinancieras en el Perú. Documento de Trabajo 133, Serie Economía 38, Instituto de Estudios Peruanos.
Aguilar, G.; Camargo, G. y R. Morales (2004). Análisis de la Morosidad en el Sistema Bancario Peruano – Informe final de investigación. Instituto de Estudios Peruanos.
Berger, N. A. y R. De Young (1997). Problem Loans and Cost Efficiency in Commercial Banks. Washington DC. Journal of Banking and Finance, 21(6), pp. 849-870.
Bernanke, B. y M. Gertler (1989). Agency Costs, Net Worth and Business Fluctuations. The American Economic Review, Vol. 79, No. 1, pp. 14-31.
Bernanke, B.; Gertler, M. y S. Gilchrist (1998). The Financial Accelerator in a Quantitative Business Cycle Framework. NBER Working Papers 6455.
Equilibrium (2015). Análisis del Sistema Microfinanciero Peruano. Equilibrium Clasificadora de Riesgo S.A.
Espinoza, R. y A. Prasad (2010). Non-performing loans in the GCC banking system and their macroeconomic effects. IMF Working Paper WP 10/224.
Fofack, H. (2005). Non-Performing Loans in Sub-Saharan Africa: Causal Analysis and Macroeconomic Implications. World Bank Policy Research Working Paper No. WP 3769.
Glen, J. y C. Mondragón-Vélez (2011). Business Cycle Effects on Commercial Bank Loan Portfolio Performance in Developing Economies. International Finance Corporation, World Bank Group.
46 INEI (2014). Encuesta Permanente de Empleo – Noviembre 2014. Instituto Nacional de Estadística e Informática.
King, R.G. y C. I. Plosser (1984). Money, Credit, and Prices in a Real Business Cycle. American Economic Review, Vol. 74, No. 3, pp. 363-380.
Kiyotaki, N. y J. Moore (1997). Credit Cycles. Journal of Political Economy, Vol. 105 (2), pp. 211-248.
Lawrence, E. (1995). Default and the life cycle model. Journal of Money, Credit and Banking 27, 939–954.
Louzis, D.P.; Vouldis, A.T. y V.L. Metaxas (2012). Macroeconomic and bank-specific determinants of non-performing loans in Greece: A comparative study of mortgage, business and consumer loan portfolios. Journal of Banking & Finance,36(4), pp. 1012-1027.
Ministerio de la Producción (2014). Las MIPYMES en cifras. 2013. Dirección General de Estudios Económicos, Evaluación y Competitividad Territorial, Viceministerio de Mype e Industria, Ministerio de la Producción.
Muñoz, J. (1998). Calidad de cartera del Sistema bancario y el ciclo económico: Una aproximación econométrica para el caso peruano. Working Paper, Banco Central de Reserva del Perú.
Murrugarra, E. y A. Ebentreich (1999). Determinantes de Morosidad en Entidades de Microfinanzas: evidencia de las EDPYMES. Working Paper, Superintendencia de Banca, Seguros y AFPs (Perú).
Nkusu, M. (2011). Nonperforming Loans and Macrofinancial Vulnerabilities in Advanced Economies. IMF Working Paper No 11/161.
47 Pesaran, M.H.; Schuermann, T.; Treutler, B. y S. M. Weiner (2005). Macroeconomic Dynamics and Credit Risk: A Global Perspective. Journal of Money, Credit, and Banking, no. 38, vol. 5, pp. 1211–1261.
Quagliarello, M. (2007). Banks’ riskiness over the business cycle: a panel analysis on Italian intermediaries. Applied Financial Economics 17, pp. 119–138.
Ranjan, R. (1994). Why Bank Credit Policies Fluctuate: A Theory and Some Evidence. The Quarterly Journal of Economics 109, pp. 399-441.
Ranjan, R. y S.C. Dhal (2003). Non-performing Loans and Terms of Credit of Public Sector Banks in India: An Empirical Assessment. Occasional Papers, 24:3, pp 81-121, Reserve Bank of India.
Rinaldi L. y A. Sanchis-Arellano (2006). Household Debt Sustainability: What Explains Household Non-performing Loans? An Empirical Analysis. ECB Working Paper.
Salas, V. y J. Saurina (2002). Credit Risk in Two Institutional Regimes: Spanish Commercial and Savings Banks. Journal of Financial Services Research 22 (3), pp. 203-224.
SBS (2014a). Evolución del Sistema Financiero a Diciembre 2014. Información Estadística del Sistema Financiero, Superintendencia de Banca, Seguros y AFP.
SBS (2016b). Boletín Estadístico de Cajas Municipales. Información Estadística de Cajas Municipales, Superintendencia de Banca, Seguros y AFP.
The Economist Intelligence Unit (EIU) (2015). Microscopio Global 2015: Análisis del entorno para la inclusión financiera. Con el apoyo de FOMIN, CAF, Acción y la Fundación MetLife. EIU, New York, NY.
48
8. ANEXOS
Anexo N° 1: Microscopio Global 2016
49
Anexo N° 2: Microscopio Global 2015
Fuente: The Economist Intelligence Unit
50 Fuente: The Economist Intelligence Unit
51
Anexo N° 3: Revisión de la Literatura
Autor(es ) y año País- Periodo Metodol ogía Variable
dependiente Variables independientes
Resultados resaltantes Salas y Saurina (2002) España, 1985- 1997 Panel Data Tasa de morosidad (NPL) -Crecimiento económico -Tamaño del banco -Ratio de capital -Poder de mercado -Ineficiencia
-Efectos de factores individuales de los bancos son significativos para explicar la tasa de morosidad y se mantienen incluso al mantener constantes las variables macroeconómicas. Ranjan y Dhal (2003) India, 1992- 2003 Panel Data Tasa de morosidad (NPL) -Crecimiento económico -Términos del créditos: tiempo del préstamo, tasa de interés, valor del colateral -Indicadores del banco: tamaño del banco, ratio crédito/depósito relativo al de la industria
-Relación negativa entre el crecimiento económico, cultura crediticia, tiempo del préstamo y condiciones para los negocios con el ratio de morosidad.
-Relación positiva entre el costo de los préstamos y el ratio de
morosidad. Aguilar y Camarg o (2003) Perú: institucio nes microfin ancieras, 1998- 2001 Panel Data Tasa de morosidad (NPL) -Crecimiento económico -Restricciones de liquidez -Nivel de endeudamiento de los agentes
-Tasa de crecimiento de las colocaciones
-Margen de intermediación financiera
-Monto colocado por analista -Gestión y eficiencia operativa -Nivel de solvencia -Diversificación sectorial -Garantías y composición de activos -Factores macroeconómicos importantes: tasa de crecimiento pasada de la actividad económica, restricciones de liquidez y nivel de endeudamiento de los agentes. -Factores específicos importantes: tasa de crecimiento de las
colocaciones, margen de
intermediación financiera, el monto colocado por analista, el nivel de endeudamiento de los clientes, la gestión y eficiencia operativa de la entidad, el nivel de solvencia, la diversificación sectorial de los activos, las garantías.
Aguilar, Camarg o y Morale s (2004) Perú: todos los bancos, 1993- 2003 Panel Data Tasa de morosidad (NPL) -Crecimiento económico -Spread real de entidades -Tasa de crecimiento de la cuota de mercado -Grado de diversificación -Margen de intermediación- -ROE -Tipo de cambio
-Relación negativa entre el ciclo de la actividad económica y la calidad de cartera, la tasa de crecimiento de la cuota de mercado de cada entidad, el grado de diversificación de un banco, el crecimiento de las
colocaciones rezagadas un periodo y el ROE-Relación positiva entre el tipo de cambio y la morosidad de la cartera.
52 Autor(es ) y año País- Periodo Metodol ogía Variable
dependiente Variables independientes
Resultados resaltantes Fofack (2005) África Subsahar iana, 1990- 2002 Panel Data Tasa de morosidad (NPL) -Crecimiento económico -Créditos bancarios (% del PBI)
-Créditos al sector privado (% del PBI)
-Tasa de interés real -Patrimonio (% de activos líquidos)
-ROA
-Préstamos interbancarios -Márgenes netos de interés
-Crecimiento económico, apreciación del tipo de cambio real, tasa de interés real, márgenes netos de interés y préstamos interbancarios son factores determinantes del ratio de morosidad. Quaglia riello (2007) Italia: 207 bancos, 1985- 2002 Panel Data Provisione s o cargos por incobrabili dad (LLP) -Crecimiento económico -Tasas de interés
-Índice de la bolsa de valores
-Nivel de riesgo y rentabilidad de los bancos se ven afectados por la evolución del ciclo económico.
Espinoz a y Prasad (2010) Consejo de Coop. del Golfo: 80 bancos, 95-2008 Panel dinámi co Tasa de morosidad (NPL) - Crecimiento económico -Tasas de interés
-Crecimiento rezagado del crédito
-Relación negativa entre el
crecimiento económico y la tasa de morosidad.
-Relación positiva entre las tasas de interés y crecimiento del crédito con la tasa de morosidad. Glen y Mondr agón- Vélez (2011) 22 eco. avanzada s, 1996- 2008 Panel Data Provisione s o cargos por incobrabili dad (LLP) -Crecimiento económico -Tasas de interés
-Apalancamiento del sist. bancario
-Capitalización del sist. bancario
-Los cargos por incobrabilidad son impulsados principalmente por el crecimiento del PBI real, el apalancamiento y la falta de
capitalización en el sistema bancario.
Nkusu (2011) 26 eco. avanzada s, 1998- 2009 Panel Data Tasa de morosidad (NPL) -Crecimiento económico -Tasa de desempleo -Precio de viviendas -Precio de acciones
-Tasas de int. pol. monetaria
-Relación negativa entre el
crecimiento económico, precio de las viviendas y precio de las acciones con la tasa de morosidad.
-Relación positiva entre la tasa de desempleo y tasas de interés con la tasa de morosidad. Louzis, Vouldis y Metaxa s (2012) Grecia: 9 bancos, 2003- 2009 Panel dinámi co Tasa de morosidad (NPL)
-Tasa de morosidad rezagada -Crecimiento económico -Tasa de desempleo -Tasas por tipos de préstamos
-ROA, ROE, crecimiento de préstamos, tamaño del banco, ratio
préstamo/depósito y de solvencia, poder de mercado.
-Tasa de morosidad explicada por fundamentos macroeconómicos (PBI, desempleo y t. de interés) y la calidad de la gestión.
-Relación negativa entre el
crecimiento económico y la tasa de morosidad.
-Relación positiva entre tasas de interés y desempleo y la morosidad. Elaboración propia.
53
Anexo N° 4: Matriz de Consistencia
PROBLEMA OBJETIVOS HIPOTESIS VARIBALES