191
UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía Escuela Profesional de Economía TESIS SHOCKS MACROECONÓMICOS Y VULNERABILIDAD DEL RIESGO DE CRÉDITO: PRUEBAS DE TENSIÓN PARA EL SISTEMA BANCARIO PERUANO 2003:01 2018:12 Y ESCENARIO 2020:12Presentada por: Br. Américo Reyes Ozeta Sosa PARA OPTAR EL TÍTULO PROFESIONAL DE ECONOMÍA Línea de Investigación: Economía y negocios Sub línea de investigación: Economía de las finanzas y del desarrollo financiero Piura, Perú 2020

UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

  • Upload
    others

  • View
    4

  • Download
    0

Embed Size (px)

Citation preview

Page 1: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

UNIVERSIDAD NACIONAL DE PIURA

Facultad de Economía

Escuela Profesional de Economía

TESIS

“SHOCKS MACROECONÓMICOS Y VULNERABILIDAD DEL

RIESGO DE CRÉDITO: PRUEBAS DE TENSIÓN PARA EL

SISTEMA BANCARIO PERUANO 2003:01 – 2018:12 Y ESCENARIO

2020:12”

Presentada por:

Br. Américo Reyes Ozeta Sosa

PARA OPTAR EL TÍTULO PROFESIONAL DE ECONOMÍA

Línea de Investigación:

Economía y negocios

Sub línea de investigación:

Economía de las finanzas y del desarrollo financiero

Piura, Perú

2020

Page 2: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

UNIVERSIDAD NACIONAL DE PIURA

Facultad de Economía

Escuela Profesional de Economía

TESIS

“SHOCKS MACROECONÓMICOS Y VULNERABILIDAD DEL

RIESGO DE CRÉDITO: PRUEBAS DE TENSIÓN PARA EL

SISTEMA BANCARIO PERUANO 2003:01 – 2018:12 Y ESCENARIO

2020:12”

Sub línea de investigación:

Economía de las finanzas y del desarrollo financiero

Presentada por:

Br. Américo Reyes Ozeta Sosa

EJECUTOR

M. Sc. Pablo Rijalba Palacios

ASESOR

M.Sc. Luis Antonio Rosales García COASESOR

PARA OPTAR EL TÍTULO PROFESIONAL DE ECONOMÍA

Page 3: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

DECLARACIÓN JURADA

DE ORIGINALIDAD DE TRABAJO DE INVESTIGACIÓN

Yo: AMÉRICO REYES OZETA SOSA, identificado con Carnet Universitario N° 0402013050 y

Documento Nacional de Identidad N° 72458130, en la condición de bachiller en Economía y

domiciliado en AV. Centenario Sn, distrito y provincia de Huancabamba, departamento de Piura,

Celular: 937772158, Email: [email protected]

DECLARO BAJO JURAMENTO: Que el trabajo de investigación que presento a la Oficina

Central de Investigación (OCIN). Es original, no siendo copia parcial ni total de un trabajo de

investigación desarrollado, y/o realizado en el Perú o en el extranjero, en caso de resultar falsa la

información que proporciono, me sujeto a los alcances de lo establecido en el Art. N° 411, del

Código Penal concordante con el Art. 32°de la Ley N° 27444, y Ley del Procedimiento

Administrativo General y las Normas Legales de Protección a los Derechos de Autor.

En fe de lo cual firmo la presente.

Piura viernes, 23 de octubre del 2020.

DNI N° 72458130

Articulo 411.- El que, en un procedimiento Administrativo, hace una falsa declaración en relación a los

hechos o circunstancias que le corresponde probar, violando la presunción de veracidad establecida por Ley

será reprimido con pena privativa de libertad no menor de uno ni mayor de cuatro años.

Art. 4. Inciso 4.12 del Reglamento del Registro Nacional de Trabajos de Investigación para optar grados

académicos y títulos profesionales – RENATI Resolución de Consejo Directivo N° 033-2016-SUNED

Page 4: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

UNIVERSIDAD NACIONAL DE PIURA

Facultad de Economía

Escuela Profesional de Economía

TESIS

“SHOCKS MACROECONÓMICOS Y VULNERABILIDAD DEL

RIESGO DE CRÉDITO: PRUEBAS DE TENSIÓN PARA EL

SISTEMA BANCARIO PERUANO 2003:01 – 2018:12 Y ESCENARIO

2020:12”

Jurado calificador:

Dr. Segundo Dioses Zárate

PRESIDENTE DEL JURADO

Dr. Luis Varona Castillo

SECRETARIO DEL JURADO

M.Sc. Gabriel Arellano Morán

VOCAL DEL JURADO

Sub línea de investigación:

Economía de las finanzas y del desarrollo financiero

PARA OPTAR EL TÍTULO PROFESIONAL DE ECONOMÍA

Page 5: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

Acta de sustentación

Page 6: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

Dedicatoria

A mi madre.

Page 7: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

Agradecimiento

Agradecimiento a mi asesor M.Sc. Pablo Rijalba Palacios y Coasesor M.Sc. Luis Antonio

Rosales García.

Page 8: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

1

CONTENIDO

Acta de sustentación .............................................................................................................................. v

Dedicatoria............................................................................................................................................vi

Agradecimiento .................................................................................................................................. vii

ÍNDICE DE TABLAS ........................................................................................................................... 5

ÍNDICE DE GRÁFICOS ...................................................................................................................... 8

ÍNDICE DE FIGURAS ....................................................................................................................... 10

INDICE DE ANEXOS ........................................................................................................................ 11

RESUMEN........................................................................................................................................... 12

ABSTRACT ......................................................................................................................................... 13

INTRODUCCIÓN............................................................................................................................... 14

CAPITULO I ....................................................................................................................................... 16

1. ASPECTOS DE LA PROBLEMÁTICA ................................................................................... 16

1.1. Descripción de la realidad problemática ........................................................................... 16

1.1.1. Problema general ............................................................................................................. 21

1.1.2. Problemas específicos ...................................................................................................... 21

1.2. Justificación e importancia de la investigación ................................................................. 21

1.3. Objetivos .............................................................................................................................. 23

1.3.1. Objetivo general .............................................................................................................. 23

1.3.2. Objetivos específicos ........................................................................................................ 23

1.4. Delimitación de la investigación ......................................................................................... 23

CAPITULO II ..................................................................................................................................... 24

2. HECHOS ESTILIZADOS .......................................................................................................... 24

2.1. Análisis en nivel ................................................................................................................... 24

2.1.1. Riesgo de crédito del sistema bancario peruano 2003 – 2018 ....................................... 24

2.1.2. Producto Bruto Interno peruano 2003 – 2018 ............................................................... 26

Page 9: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

2

2.1.3. Tasa de desempleo en el Perú 2003 – 2018 ..................................................................... 28

2.1.4. Exportaciones en el Perú 2003 – 2018 ............................................................................ 29

2.1.5. Liquidez del sistema bancario 2003 – 2018 .................................................................... 31

2.1.6. Colocaciones del sistema bancario 2003 – 2018 ............................................................. 32

2.2. Análisis en tasas de crecimiento ......................................................................................... 33

2.2.1. Riesgo de crédito del sistema bancario y PBI 2003 – 2018 ........................................... 33

2.2.2. Riesgo de crédito y tasa de desempleo en el Perú 2003 – 2018 ..................................... 34

2.2.3. Riesgo de crédito y exportaciones en el Perú 2003 – 2018 ............................................ 35

2.2.4. Riesgo de crédito y liquidez del sistema bancario 2003 – 2018 ..................................... 36

2.2.5. Riesgo de crédito y colocaciones del sistema bancario 2003 – 2018 ............................. 37

2.3. Análisis de relación de variables......................................................................................... 38

2.3.1. Factores macroeconómicos ............................................................................................. 38

2.3.2. Factores microeconómicos .............................................................................................. 40

CAPITULO III .................................................................................................................................... 41

3. MARCO TEÓRICO Y EVIDENCIA EMPÍRICA ................................................................... 41

3.1. Riesgo de crédito .................................................................................................................. 41

3.2. Modelos de medición del riesgo de crédito ........................................................................ 42

3.2.1. Modelos tradicionales ...................................................................................................... 42

3.2.1.1. Modelo expertos ........................................................................................................... 42

3.2.1.2. Z – Score o credit scoring ............................................................................................ 43

3.2.2. Modelos modernos ........................................................................................................... 44

3.2.2.1. Modelo KMV – Merton ............................................................................................... 44

3.2.2.2. Modelo de valuación de Merton ................................................................................. 45

3.3. Determinantes del riesgo de crédito ................................................................................... 46

3.4. Choques macroeconómicos y vulnerabilidad financiera .................................................. 51

3.4.1. Escenarios adversos y sistema financiero ...................................................................... 52

3.4.2. Escenarios adversos y sistema bancario ......................................................................... 54

Page 10: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

3

3.4.3. Escenarios adversos y riesgo de crédito ......................................................................... 56

3.5. Teorías de crisis del sistema financiero .............................................................................. 60

3.5.1. Teoría de “las corridas” bancarias ................................................................................. 60

3.5.2. Teoría de la información asimétrica............................................................................... 60

3.5.3. Teoría de Minsky ............................................................................................................. 63

3.5.4. Teoría de Mishkin – 1998 ................................................................................................ 64

3.5.5. Teoría de Karl Marx ....................................................................................................... 66

3.5.6. Teoría de Irving Fisher ................................................................................................... 66

3.5.7. Teoría de Kindleberger ................................................................................................... 67

3.5.8. Teoría monetarista: Friedman y Schwartz .................................................................... 67

3.5.9. Teoría de Stigliz ............................................................................................................... 68

3.5.10. Teoría de Krugman ......................................................................................................... 68

3.6. Evidencia empírica .............................................................................................................. 69

3.6.1. Evidencia empírica internacional ................................................................................... 69

3.6.2. Evidencia empírica nacional ........................................................................................... 81

3.7. Modelo teórico de los determinantes del riesgo de crédito ............................................... 84

3.8. Hipótesis ............................................................................................................................... 86

3.8.1. Hipótesis general .............................................................................................................. 86

3.8.2. Hipótesis específicas ........................................................................................................ 86

3.9. Definición y operacionalización de variables ..................................................................... 87

CAPITULO IV .................................................................................................................................... 89

4. MARCO METODOLÓGICO .................................................................................................... 89

4.1. Datos ..................................................................................................................................... 92

4.2. Métodos ................................................................................................................................ 92

4.3. Tratamiento de información ............................................................................................... 93

4.4. Enfoque de la investigación................................................................................................. 94

Page 11: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

4

4.5. Diseño de la investigación ................................................................................................... 94

4.6. Nivel o alcance de la investigación ...................................................................................... 94

4.7. Tipo de investigación ........................................................................................................... 95

4.8. Sujetos de la investigación .................................................................................................. 95

CAPITULO V .................................................................................................................................... 101

5. RESULTADOS Y DISCUSIÓN ............................................................................................... 101

5.1. Hallazgos y resultados ....................................................................................................... 101

5.1.1. Especificación del modelo ............................................................................................. 101

5.1.2. Estimación del modelo ARIMAX ................................................................................. 102

5.1.3. Evaluación e interpretación del modelo ARIMAX ..................................................... 103

5.1.4. Análisis de escenarios con choques macroeconómicos ................................................ 106

5.1.4.1. Predicción en escenario macroeconómico estable ................................................... 106

5.1.4.2. Predicción en escenario con choque macroeconómico tipo 2017............................ 107

5.1.4.3. Predicción en escenario con choque macroeconómico 2008 ................................... 108

5.1.4.4. Predicción en escenario con choque macroeconómico COVID19 .......................... 108

5.2. Discusión y análisis económico ......................................................................................... 111

CONCLUSIONES ............................................................................................................................. 115

RECOMENDACIONES ................................................................................................................... 116

REFERENCIAS BIBLIOGRÁFICAS............................................................................................. 118

ANEXOS ............................................................................................................................................ 127

Page 12: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

5

ÍNDICE DE TABLAS

Tabla 3.1: Modelos de medición del riesgo de crédito ......................................................................... 42

Tabla 3.2: Modelo estructural KMV – MERTÓN. ............................................................................... 44

Tabla 3.3: Esquema de las pruebas de estrés. ....................................................................................... 58

Tabla 3.4: Ciclo económico y crisis bancaria, experiencia en Latinoamérica....................................... 59

Tabla 3.5: Relación de las asimetrías de la información con las ineficiencias del sistema financiero. . 63

Tabla 3.6: Evidencia empírica internacional. ....................................................................................... 69

Tabla 3.7: Evidencia empírica internacional. ....................................................................................... 70

Tabla 3.8: Evidencia empírica internacional. ....................................................................................... 71

Tabla 3.9: Comparación de los stress test supervisiones. ..................................................................... 80

Tabla 3.10: Escenarios de estrés según la SBS, 2010. .......................................................................... 82

Tabla 3.11: Escenario de estrés por sector económico en el estudio de Luy, 2010. .............................. 82

Tabla 3.12: Escenarios de estrés macroeconómicos en el estudio de Luy, 2011. ................................. 83

Tabla 3.13: Resultados de la morosidad en escenarios de estrés, estudio de Luy 2011. ....................... 83

Tabla 3.14: Interrelaciones de variables macroeconómicas del modelo. .............................................. 85

Tabla 3.15: Interrelaciones de variables microeconómicas del modelo. ............................................... 86

Tabla 3.16: Definición y operacionalización de las variables macroeconómicas. ................................ 87

Tabla 3.17: Definición y operacionalización de las variables macroeconómicas. ................................ 88

Tabla 3.18: Definición y operacionalización de las variables microeconómicas. ................................. 88

Tabla 4.1: Diseño metodológico de la investigación. ........................................................................... 89

Tabla 4.2: Diseño metodológico para la estimación y proyección de escenarios. ................................ 90

Tabla 4.3: Diseño metodológico para la estimación y proyección de escenarios. ................................ 91

Tabla 4.4: Estructura del sistema financiero del Perú, 2019. ................................................................ 96

Tabla 4.5: Participación del sistema bancario en el sistema financiero en diciembre 2018. ................. 97

Tabla 4.6: Indicadores del sistema bancario peruano 2003 – 2018....................................................... 97

Tabla 4.7: Morosidad del sistema bancario por banco 2003 – 2018. .................................................... 98

Tabla 4.8: Indicadores financieros del sistema bancario peruano 2003 – 2018. ................................... 99

Tabla 4.9: Ranking de créditos del sistema bancario peruano 2003 – 2018. ...................................... 100

Tabla 4.10: Ranking de depósitos del sistema bancario peruano 2003 – 2018. .................................. 100

Tabla 5.1: Interrelaciones de variables del modelo. ........................................................................... 101

Tabla 5.2: Resultados de la estimación del modelo ARIMAX. .......................................................... 102

Tabla 5.3: Evaluación económica del modelo ARIMAX. .................................................................. 103

Tabla 5.4: Evaluación económica del modelo ARIMAX. .................................................................. 104

Page 13: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

6

Tabla 5.5: Proyecciones macroeconómicas en el Marco Macroeconómico Multianual. .................... 107

Tabla 5.6: Riesgo de crédito en escenarios 2020:01 – 2020:12. ......................................................... 109

Tabla 6.1: Matriz de consistencia del estudio. .................................................................................... 127

Tabla 6.2: Matriz de consistencia del estudio. .................................................................................... 128

Tabla 6.3: Estadísticas descriptivas de las variables en estudio. ......................................................... 131

Tabla 6.4: Interrelaciones entre variables del modelo. ....................................................................... 133

Tabla 6.5: Prueba de estacionaridad de las variables del modelo. ...................................................... 134

Tabla 6.6: Resumen de los modelos MCO estimados. ....................................................................... 135

Tabla 6.7: Modelo MCO con variables rezagadas estadísticamente significativas. ............................ 138

Tabla 6.8: Correlograma de los residuos del modelo MCO................................................................ 139

Tabla 6.9: Resultados de la estimación del modelo ARIMAX con todos los componentes AR y MA.

............................................................................................................................................................ 140

Tabla 6.10: Resultados de la estimación del modelo ARIMAX con componentes AR y MA

significativos. ...................................................................................................................................... 141

Tabla 6.11: Evaluación de signos en variables macroeconómicas del modelo ARIMAX. ................. 142

Tabla 6.12: Evaluación de signos en variables microeconómicos del modelo ARIMAX. .................. 142

Tabla 6.13: Interpretación de parámetros en variables macro del modelo ARIMAX. ........................ 143

Tabla 6.14: Interpretación de parámetros en variables micro del modelo ARIMAX. ......................... 144

Tabla 6.15: Evaluación estadística individual de variables macro en el modelo ARIMAX. .............. 144

Tabla 6.16: Evaluación estadística individual de variables micro en el modelo ARIMAX. ............... 145

Tabla 6.17: Evaluación estadística individual de variables macro en el modelo ARIMAX. .............. 146

Tabla 6.18: Test de multicolinealidad; segunda versión regla.. .......................................................... 148

Tabla 6.19: Test de Breush – Godfrey, autocorrelación de los residuos del modelo ARIMAX......... 149

Tabla 6.20: Test de Box Pierce, autocorrelación de los residuos del modelo ARIMAX. .................. 149

Tabla 6.21: Test de heterocedasticidad de los residuos del modelo ARIMAX. .................................. 149

Tabla 6.22: Correlograma de los residuos del modelo ARIMAX. ...................................................... 150

Tabla 6.23: Test de Anderson y Pankratz para validar el modelo ARIMAX. ..................................... 151

Tabla 6.24: Test de raíces unitarias de los residuos del modelo ARIMAX. ....................................... 152

Tabla 6.25: Test de raíces unitarias de los residuos del modelo ARIMAX. ....................................... 153

Tabla 6.26: Test de Wald en el modelo ARIMAX. ............................................................................ 154

Tabla 6.27: Correlación entre las variables del modelo ARIMAX final. ............................................ 154

Tabla 6.28: Capacidad predictiva del modelo ARIMAX. .................................................................. 155

Tabla 6.29: Proyecciones macroeconómicas en el Marco Macroeconómico Multianual. .................. 156

Tabla 6.30: Capacidad predictiva del modelo ARIMAX en escenario base. ...................................... 158

Page 14: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

7

Tabla 6.31: Capacidad predictiva del modelo ARIMAX en escenario con choque macroeconómico 1.

............................................................................................................................................................ 160

Tabla 6.32: Capacidad predictiva del modelo ARIMAX en escenario con choque macroeconómico 2.

............................................................................................................................................................ 162

Tabla 6.33: Capacidad predictiva del modelo ARIMAX en escenario con COVID19. ...................... 164

Tabla 6.34: Matriz de correlación de las variables del modelo. .......................................................... 167

Tabla 6.35: Matriz de correlación con un rezago de las variables del modelo. ................................... 168

Tabla 6.36: Matriz de correlación con dos rezagos de las variables del modelo. ................................ 169

Tabla 6.37: Matriz de correlación con tres rezagos de las variables del modelo. ............................... 170

Tabla 6.38: Matriz de correlación con cuatro rezagos de las variables del modelo. ........................... 171

Tabla 6.39: Matriz de correlación con cinco rezagos de las variables del modelo.............................. 172

Tabla 6.40: Matriz de correlación con seis rezagos de las variables del modelo. ............................... 173

Tabla 6.41: Matriz de correlación con siete rezagos de las variables del modelo. .............................. 174

Tabla 6.42: Matriz de correlación con ocho rezagos de las variables del modelo. ............................. 175

Tabla 6.43: Matriz de correlación con nueve rezagos de las variables del modelo. ............................ 176

Tabla 6.44: Matriz de correlación con diez rezagos de las variables del modelo................................ 177

Tabla 6.45: Matriz de correlación con once rezagos de las variables del modelo. .............................. 178

Tabla 6.46: Matriz de correlación con doce rezagos de las variables del modelo. .............................. 179

Tabla 6.47: Data del estudio. .............................................................................................................. 180

Page 15: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

8

ÍNDICE DE GRÁFICOS

Gráfico N° 1.1: Riesgo de crédito en el sistema bancario del Perú 2003:01 – 2018:12 ........................ 19

Gráfico N° 1.2: Relación del riesgo de crédito del sistema bancario con indicadores macroeconómicos

del Perú 2003:01 – 2018:12................................................................................................................... 20

Gráfico N° 2.1: evolución del riesgo de crédito del sistema bancario peruano 2003:01 – 2018:12. ..... 24

Gráfico N° 2.2: evolución del PBI peruano 2003:01 – 2018:12. .......................................................... 26

Gráfico N° 2.3: evolución de la tasa de desempleo en el Perú 2003:01 – 2018:12. .............................. 28

Gráfico N° 2.4: evolución de las exportaciones en el Perú 2003:01 – 2018:12. ................................... 29

Gráfico N° 2.5: Liquidez del sistema bancario peruano 2003:01 – 2018:12. ........................................ 31

Gráfico N° 2.6: Colocaciones del sistema bancario peruano 2003:01 – 2018:12. ................................ 32

Gráfico N° 2.7: Riesgo de crédito y PBI en el Perú 2003:01 – 2018:12. .............................................. 33

Gráfico N° 2.8: Riesgo de crédito y tasa de desempleo en el Perú 2003:01 – 2018:12. ........................ 34

Gráfico N° 2.9: Riesgo de crédito y exportaciones en el Perú 2003:01 – 2018:12. .............................. 35

Gráfico N° 2.10: Riesgo de crédito y liquidez del sistema bancario peruano 2003:01 – 2018:12......... 36

Gráfico N° 2.11: Riesgo de crédito y colocaciones del sistema bancario peruano 2003:01 – 2018:12. 37

Gráfico N° 2.12: Riesgo de crédito y variables macroeconómicas en el Perú 2003:01 – 2018:12. ....... 38

Gráfico N° 2.13: Riesgo de crédito y variables macroeconómicas en el Perú 2003:01 – 2018:12. ....... 39

Gráfico N° 2.14: Riesgo de crédito y variables microeconómicas en el Perú 2003:01 – 2018:12. ...... 40

Gráfico N° 5.1:Correlaciónes de variables con el riesgo de crédito. .................................................. 105

Gráfico N° 5.2: Riesgo de crédito en escenarios al 2020:01 – 2020:12. ............................................. 110

Gráfico N° 5.3: Riesgo de crédito con escenario de COVID19, 2020:01 – 2020:12. ......................... 111

Gráfico N° 6.1: Test de normalidad de los residuos del modelo ARIMAX. ....................................... 147

Gráfico N° 6.2: Test de homocedasticidad de los residuos del modelo ARIMAX. ............................ 151

Gráfico N° 6.3: Test de raíces unitarias de los residuos del modelo ARIMAX. ................................ 152

Gráfico N° 6.4: Correlación entre las variables del modelo ARIMAX final. ..................................... 154

Gráfico N° 6.5: Proyección de variables macroeconómicas a través del método de suavizamiento

exponencial. ........................................................................................................................................ 157

Gráfico N° 6.6: Proyección de variables microeconómicas a través del método de suavizamiento

exponencial. ........................................................................................................................................ 157

Gráfico N° 6.7: Proyección en escenario normal. ............................................................................... 158

Gráfico N° 6.8: Proyección del riesgo de crédito en escenario con choque macroeconómico tipo 2017.

............................................................................................................................................................ 160

Page 16: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

9

Gráfico N° 6.9: Proyección del riesgo de crédito en escenario con choque macroeconómico tipo 2008.

............................................................................................................................................................ 163

Gráfico N° 6.10: Vulnerabilidad del riesgo de crédito ante choque COVID19. ................................. 164

Gráfico N° 6.11: Proyección del riesgo de crédito en los cuatro escenarios propuestos. .................... 165

Page 17: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

10

ÍNDICE DE FIGURAS

Figura N° 3.1: Teoría de probabilidad de incumplimiento de Merton. ................................................. 45

Figura N° 3.2: Relación entre el riesgo de crédito y el crecimiento del PBI. ....................................... 46

Figura N° 3.3: Interrelación entre los factores determinantes del riesgo de crédito. ............................ 85

Figura N° 4.1: Sistema financiero peruano. ......................................................................................... 95

Figura N° 5.1: mecanismos de transmisión de factores microeconómicos en el RC. ......................... 105

Figura N° 5.2: mecanismos de transmisión de factores macroeconómicos en el RC. ........................ 106

Figura N° 6.1: mecanismos de política monetaria recomendado. ....................................................... 117

Page 18: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

11

INDICE DE ANEXOS

Anexo 6.1: matriz de consistencia del estudio. ................................................................................... 127

Anexo 6.2: Glosario de términos básicos. ........................................................................................... 129

Anexo 6.3: Transformación del índice mensual del PBI a millones de soles. ..................................... 130

Anexo 6.4: Estadísticas descriptivas de las variables en estudio. ........................................................ 131

Anexo 6.5: Desarrollo del modelo econométrico ................................................................................ 132

Anexo 6.6: Predicción en escenario sin choques macroeconómicos. .................................................. 156

Anexo 6.7: Vulnerabilidad del riesgo de crédito ante escenario con choque macroeconómico tipo 2017.

............................................................................................................................................................ 159

Anexo 6.8: Vulnerabilidad del riesgo de crédito ante escenario con choque macroeconómico tipo 2008,

producto de la crisis financiera. ........................................................................................................... 161

Anexo 6.9: Vulnerabilidad del riesgo de crédito ante escenario con choque macroeconómico con

COVID19. ........................................................................................................................................... 163

Anexo 6.10: matriz de correlación con rezagos. ................................................................................. 167

Anexo 6.11: Data del estudio. ............................................................................................................. 180

Page 19: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

12

RESUMEN

La presente tesis es de tipo descriptivo, correlacional, explicativo y predictivo, tiene como objetivo

analizar el impacto generado por la presencia de choques macroeconómicos sobre el riesgo crediticio

en el sistema bancario peruano durante el período 2003:01- 2018:12 y en el escenario de crisis del año

2020. Para lograr tal objetivo se realiza la revisión de la literatura y la construcción de un marco teórico

pertinente para el estudio; se estima un modelo econométrico bajo la metodología ARIMAX siguiendo

el método de Box Jenkins; a través de dicho modelo se realiza proyecciones en escenario normal y en

escenarios con choques macroeconómicos. Del estudio se llega a la conclusión que durante el período

2003:01 – 2018:12 y en el escenario 2020, a mayor choque macroeconómico el riesgo de crédito es

más vulnerable; es asi que en el año 2020, en un escenario normal el riesgo de crédito alcanzaría un

promedio de 3.18%; en un escenario con choque macroeconómico con FEN tipo 2017 el riesgo de

crédito alcanzaría 3.35% en promedio; asimismo, ante un choque macroeconómico tipo 2008 el riesgo

de crédito alcanzaría un promedio de 3.41%; mientras que el mayor riesgo se registra con la presencia

del COVID19 con un promedio de 5.17%.

Palabras clave: Riesgo de crédito, choque, ARIMAX, escenarios, adversos.

Page 20: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

13

ABSTRACT

This thesis is descriptive, correlational, explanatory and predictive, its objective is to analyze the

impact generated by the presence of macroeconomic shocks on credit risk in the Peruvian banking

system during the period 2003: 01- 2018: 12 and in the scenario crisis of the year 2020. To achieve this

objective, the literature review and the construction of a relevant theoretical framework for the study is

carried out; an econometric model is estimated under the ARIMAX methodology following the Box

Jenkins method; Through this model, projections are made in a normal scenario and in scenarios with

macroeconomic shocks. The study concludes that during the period 2003: 01 - 2018: 12 and in the

2020 scenario, the greater the macroeconomic shock, the more vulnerable the credit risk; Thus, in the

year 2020, in a normal scenario, the credit risk would reach an average of 3.18%; In a scenario with a

macroeconomic shock with FEN type 2017, the credit risk would reach 3.35% on average; Likewise, in

the face of a 2008 macroeconomic shock, the credit risk would average 3.41%; while the highest risk is

registered with the presence of COVID19 with an average of 5.17%.

Keywords: Credit risk, shocks, ARIMAX, scenarios, adverse.

Page 21: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

14

INTRODUCCIÓN El sistema bancario peruano se ha enfrentado a diversas crisis, las cuales, han sido de carácter tanto

internas como externas a la economía, FEN en los años 2017 y la crisis financiera internacional en el

año 2008 respectivamente, ocasionando problemas a nivel individual como sistemático, reflejado en

sus diversos indicadores, como es el caso del riesgo de crédito.

Según el Comité de Supervisión Bancaria de Basilea (2017), la crisis del año 2008 repercute en el

sistema financiero en el corto plazo, no se esperaba que sea de tal índole, por lo cual, no se contaba con

las políticas adecuadas para enfrentarla, si bien el consenso de Basilea II establecía ciertos parámetros,

estos no fueron suficientes para sacar adelante tal situación, es por ello, que a partir del año 2010 se

firman los acuerdo de Basilea III, siendo su principal objetivo la estabilidad financiera, además de

componerse de pilares fundamentales, entre los que destacan, el establecimiento de capital mínimo

regulatorio de calidad, aumentar el nivel de los requerimientos de capital con el fin de que los bancos

sean suficientemente resilientes para soportar pérdidas en momentos de tensión.

Asimismo, el Comité de Supervisión Bancaria de Basilea (2017), afirma que en el consenso de Basilea

III resulta fundamental tener mecanismos que permitan conocer los niveles de riesgo de liquidez,

riesgo de mercado o riesgo crédito al que un sistema está expuesto ante posibles crisis, para ello, la

herramienta principal de supervisión es el denominado stress test, el cual sitúa a los principales bancos

en distintos escenarios para conocer sus niveles de riesgo, liquidez, colocaciones, etc. que alcanzarían

en escenarios adversos, con la finalidad que las instituciones se encuentren preparadas para enfrentar

situaciones eventuales.

El marco teórico que respalda la presente tesis se basa en los aportes de la teoría financiera

relacionados al riesgo crediticio, como es el caso del modelo de las cinco “C”, el modelo “Z Scored”

planteado por Altman (1968), así como el modelo “KMV” planteado por Vasicek (1997) y el modelo

de Merton (1974). Asimismo, el estudio está respaldado por las teorías de las crisis financieras, tal es el

caso de la teoría de las corridas bancarias formulada por Diamond y Dybvig (1983), la teoría de la

información asimétrica usada por Hodgman (1960), la teoría de Minsky (1977), la teoría de Mishkin

(1998), la teoría de Krugman (2008), la teoría de Fisher (1933), la teoría de Kindleberger (1978), la

teoría monetarista formulada por Friedam y Schwartz (1963) y la teoría de Stigliz (2009).

Page 22: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

15

Además, dicho marco teórico se complementa con aportes en lo que respecta a escenarios adversos al

sistema bancario. Estos aportes están respaldados por la evidencia empírica del stress testing aportada

por Uquillas y Gonzáles (2017, 2017A), Gonzáles (2017), DELOITTE (2010), Dua y Kapur (2018),

Luy (2010, 2011), la Superintendencia de Banca y Seguros [SBS] (2016, 2019), quienes utilizan

modelaciones ARIMAX, MCO, VEC, VAR, pruebas de cointegración, causalidad, entre otros métodos

de estimación y pronóstico; las mismas que han sido utilizadas en esta tesis siguiendo la metodología

de Box Jenkins, la cual, se aplica a los modelos autorregresivos de media móvil ARMA o a los modelos

autorregresivos integrados de media móvil ARIMA, encontrando de tal forma el mejor ajuste de una

serie temporal y haciendo los pronósticos más acertados posible.

El objetivo de la presente tesis es analizar el impacto generado por la presencia de escenarios de estrés

o choques macroeconómicos sobre el riesgo de crédito en el sistema bancario peruano en el período

2003:01 – 2018:12 y en el escenario 2020. La hipótesis central que se contrasta está referida al hecho

de que el riesgo de crédito tiende a incrementarse ante la presencia de escenarios adversos o con

choques macroeconómicos.

Según los resultados se concluye que durante el período 2003:01 – 2018:12 y en el escenario 2020:12

los niveles de morosidad del sistema bancario peruano se incrementan con la presencia de escenarios

con choques macroeconómicos debido a los mayores riesgos crediticios que ello implica; para el año

2020 en un escenario normal el riesgo de crédito alcanzaría un promedio de 3.18%; en un escenario

con choque macroeconómico tipo 2017 el riesgo de crédito alcanzaría 3.35% en promedio; ante un

choque macroeconómico tipo 2008 el riesgo de crédito alcanzaría un promedio de 3.41% y en

presencia de COVID19 el riesgo de crédito llegaría a un nivel de 5.12%.

La presente tesis se ha estructurado en 5 capítulos, el primer capítulo referido a los aspectos generales,

en donde se trata puntos como la realidad problemática, la justificación y los objetivos del estudio; el

segundo capítulo referido a los hechos estilizados y análisis de realidad peruana respecto a las variables

de sistema bancario y las variables macroeconómicas que influyen en la evolución del riesgo de crédito

del sistema bancario; en el tercer capítulo se presenta el marco teórico, la evidencia empírica, el

modelo teórico, las hipótesis así como la operacionalización de las variables en estudio; en el cuarto

capítulo se presenta el marco metodológico de la investigación; el quinto capítulo muestra los

resultados y la discusión de la investigación, finalmente se presenta las conclusiones, las

recomendaciones, la bibliografía y los anexos del estudio.

Page 23: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

16

CAPITULO I

1. ASPECTOS DE LA PROBLEMÁTICA

1.1. Descripción de la realidad problemática Uno de los problemas enfrenta el sistema bancario peruano es el incremento del riesgo de crédito,

producto de la presencia de estrés o de choques macroeconómicos, encontrándose relación directa entre

ambas variables; dicha relación debe ser estudiada a un nivel empírico y en un contexto histórico. Para

entender el proceso de estrés macroeconómico nos ubicamos en el origen del sistema bancario, el cual

nace con el comercio y ha ido evolucionando hasta llegar a funcionar de la forma como se le conoce

hoy en día (Olivas, 2016). Esta evolución ha estado propensa a diversos escenarios adversos que han

repercutido fuertemente en el sistema bancario y que son motivo de estudio de la presente tesis.

Entre la edad antigua hasta la actualidad han surgido diversos sucesos, relacionados con escenarios de

estrés, que afectaron el crecimiento del sistema bancario; sucesos como la Gran depresión de 1930,

crisis del petróleo de 1974, crisis de tequila de 1994, crisis financiera Rusa 1998, crisis asiática de

1997, crisis financiera 2008, etc. siendo estos los causantes del atraso y la casi desaparición de las

casas e individuos que realizaban las funciones bancarias (Olivas, 2016).

Tras el paso del tiempo, el sistema bancario ha estado expuesto y ha sufrido a consecuencia de diversos

escenarios adversos, tanto propios como del entorno macroeconómico. En el caso peruano la situación

no ha sido diferente, pues Morón (1993), afirma que el sistema bancario peruano nace con la

independencia, pero que por causas de prácticas no adecuadas se cae, registrando luego las primeras

actividades bancarias con el auge del guano. El autor señala que el primer banco establecido en el Perú

fue el Banco de Providencia, luego empezaron a crearse nuevos bancos, dando inicio al boom bancario

que con el paso del tiempo tras no estar preparados para enfrentar los diversos riesgos micro y

macroeconómicos existentes se dieron en quiebra.

De acuerdo a Orrego (2012), todo este boom bancario entró en colapso incluso antes de la guerra con

Chile por la grave crisis económica. Cuando estalla el conflicto, la mayoría de bancos quebraron y

desaparecieron. Luego de la catástrofe de la guerra, el sistema bancario fue sobreponiéndose

progresivamente; y como lo afirma Soliman (2015), a inicios de los años 90, comenzó a crecer

nuevamente llegando a operar 22 bancos en el sistema. Sin embargo, para 1998 el Banco Wiesse tuvo

una caída en sus colocaciones mucho más fuerte que los otros principales bancos. En estos años

comienzan a salir del sector más bancos debido a fusiones o por problemas de rentabilidad, liquidez y

patrimonio.

Page 24: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

17

Para fines del año 2000, el sistema bancario estaba formado por 18 empresas, ya que dos bancos

entraron en proceso de liquidación. En el año 2008 el sistema bancario peruano se enfrentó a un

escenario adverso, con la ya conocida crisis financiera, que según Parodi (2016), repercute sobre todo

el sistema financiero y sobre los indicadores de coyuntura económica del país. En este sentido, Luy

(2011), afirma que, en la última década, la tasa de morosidad agregada del sistema bancario peruano

ha registrado una tendencia decreciente como consecuencia del crecimiento de la actividad

económica. Sin embargo, producto de la última crisis financiera se ha incrementado ligeramente.

De acuerdo a la Superintendencia de Banca y Seguros [SBS] (2019), en el año 2003 la tasa de

morosidad promedio que registraba el sistema bancario peruano fue de 7.48 por ciento, además

registraba una tasa de crecimiento promedio en dicho año de –2.71 por ciento, este índice presentó

niveles bajos, lo cual correlacionaba con indicadores macroeconómicos como el PBI, el mismo que de

acuerdo al Banco Central de Reserva del Perú [BCRP] (2019), alcanzó un promedio de 20,466

millones de soles en el 2003, mientras que su tasa de crecimiento en promedio en dicho año fue de 0.67

por ciento.

Asimismo, según BCRP (2019), otro indicador que permanecía estable en el año 2003 era la tasa de

crecimiento del desempleo, con un promedio de 0.06 por ciento, así como la inflación, dado que un año

antes se había implementado las llamadas metas explícitas por parte del Banco Central de Reserva del

Perú, por tanto, las mantenían estables con una tasa promedio de 2 por ciento. La evolución de dichos

indicadores permanecía estable, el panorama macroeconómico era bueno, así como los indicadores del

sistema bancario, reflejado en la baja tasa del riesgo de crédito.

De acuerdo a la SBS (2019), en el año 2007 la tasa de morosidad promedio que registraba el sistema

bancario era 1.55 por ciento, cerrando en el mes de diciembre con su tasa más baja del año 1.26 por

ciento, la tasa de crecimiento promedio alcanzada fue de -2.05 por ciento. Para el mismo año, según

BBCRP (2019), el PBI registraba un promedio de 26,641.08 millones de soles, cuya tasa de

crecimiento promedio fue de 1.12 por ciento; asimismo, el máximo nivel que alcanzó el PBI en el año

2007 fue de 29,806.69 millones de soles en el mes de diciembre, con una tasa de crecimiento de 7.46

por ciento respecto al mes de noviembre.

Por otro lado, otro indicador que refleja el bienestar de la economía es la baja tasa de desempleo, la

misma que en el año 2007 según el BCRP (2019), registra una tasa promedio de 8.49 por ciento con

una tasa de crecimiento promedio de 0.85 por ciento.

Page 25: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

18

La situación en el año 2007 era positiva para el sistema bancario; en el año 2008 seguía el patrón

mostrado en los últimos años, indicadores macroeconómicos como el PBI crecían, la tasa de morosidad

bajaba, según la SBS (2019), el promedio de la tasa de morosidad en el año 2008 fue de 1.27 por

ciento, resultado por debajo del año 2007, sin embargo, pese a que llegó a obtener cifras menores, su

tasa de crecimiento promedio había pasado de un promedio de -2.05 por ciento en el año 2007 a una

tasa promedio de 0.16 por ciento durante el 2008, lo cual reflejaba el impacto que empezaba a tener la

crisis sobre el sistema bancario.

En el mismo período la situación del PBI era idéntica en cuanto a niveles, en el año 2008 había

registrado un promedio mayor al del año 2007. Según Bloomberg (2019), el PBI en el año 2008

registró en promedio 29,076.92 millones de soles, pero, sus tasas de crecimiento promedio habían

caído, de alcanzar 1.12 por ciento en el año 2007 a 0.5 por ciento en el año 2008. Por su parte el caso

del desempleo y la inflación empezaron a mostrar tendencia hacia arriba según BCRP (2019), ambos

registraron tasas de crecimiento promedios más altas en el año 2008, respecto a los promedios del año

2007.

Como explica Luy (2011), la crisis financiera afecta la actividad económica, lo mismo que repercute

rápidamente sobre el sistema bancario. Es así que en el Perú los efectos de la crisis del 2008 se ven

reflejados en el año 2009, mientras la tasa de morosidad según SBS (2019), subió hasta 1.55 por

ciento en promedio con una tasa de crecimiento promedio de 0.02 por ciento; el Producto Bruto

Interno, de acuerdo a Bloomberg Economics (2019), registró una tasa de crecimiento menor a la de

años anteriores, en promedio llegó a 0.047 por ciento, por su parte según el BCRP (2019), la tasa de

desempleo registró 8.38 por ciento en promedio, cifra mayor a la registrada en los años anteriores.

Según Alfaro y Loyaga (2018), la crisis financiera internacional tuvo un efecto en el crecimiento

sostenido que mantenía el PBI en Perú puesto que, luego de crecer 8.5% en el año 2007 y 9.1% en el

año 2008, durante el año 2009 solo creció 1.1% debido a las condiciones internacionales.

Otra situación de estrés fue la ocurrida en el año 2017, con la presencia del FEN que al igual que el

anterior escenario de crisis impacta sobre la coyuntura económica, lo mismo que repercute en el

sistema bancario, según la SBS (2019), la tasa de morosidad del año 2017 fue 3.07 por ciento en

promedio, mayor al promedio del 2016 (2.82 por ciento), por su parte Bloomberg Economics (2019),

señala que el PBI registró una tasa de crecimiento promedio de 0.28 por ciento, cifra menor a la

alcanzada en el año 2016 (0.47 por ciento); asimismo de acuerdo al BCRP (2019), el desempleo se

incrementa de 6.74 por ciento a 6.88 por ciento.

Page 26: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

19

La última situación de estrés que enfrenta la economía peruana es producto de la pandemia COVID19,

la misma que influye sobre el riesgo de crédito del sistema bancario, pues este en los primeros meses

del año 2020 registra niveles altos y se proyecta con tendencia hacia arriba por todo el 2020; mientras

que por el lado de la actividad económica, según BCRP (2020), se proyecta que el PBI presente una

tasa de crecimiento de -12.5%; las exportaciones registrarían una tasa de crecimiento de -18.9%

La evolución y comportamiento del riesgo de crédito del sistema bancario en el Perú durante el período

2003:01 al 2018.12 se muestra en el gráfico N°1.1.

Gráfico N° 1.1: Riesgo de crédito en el sistema bancario del Perú 2003:01 – 2018:12

(Índice de morosidad)

1

2

3

4

5

6

7

8

9

2004 2006 2008 2010 2012 2014 2016 2018

CRISIS FINANCIERA

INTERNACIONAL

FEN

Fuente: Superintendencia de Banca y Seguros, 2019.

En el gráfico N°1.1 se aprecia la evolución que ha mostrado el riesgo de crédito del sistema bancario

peruano y su relación con los choques macroeconómicos ocurridos; hasta el año 2007 el riesgo de

crédito presentaba tendencia hacia abajo, tras la presencia de la crisis financiera internacional cambia la

tendencia y empieza a incrementarse; asimismo en el año 2017 con la presencia de FEN, los niveles de

riesgo de crédito se incrementaron; por lo cual, se hace necesario realizar pruebas de tensión en el año

2020 y verificar la vulnerabilidad del riesgo de crédito ante choques macroeconómicos.

Lo que se busca con las pruebas de tensión es no llegar a resultados como los obtenidos en el año 2008

producto de la crisis, sino que se deben tomar medidas anticipadas para enfrentarse a la caída de algún

Page 27: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

20

indicador macroeconómico tal como surgió en la crisis 2008, donde el PBI, la tasa de desempleo, la

inflación, el tipo de cambio, etc. mostraron situaciones adversas.

Además, se sugiere realizar las pruebas de tensión debido a la relación que tiene el riesgo de crédito

con los principales indicadores macroeconómicos del Perú, y que al entrar en crisis atentarían contra la

estabilidad del sistema bancario, haciendo que este incremente su riesgo de crédito. Dichas relaciones

se muestran en el gráfico N°1.2.

Gráfico N° 1.2: Relación del riesgo de crédito del sistema bancario con indicadores

macroeconómicos del Perú 2003:01 – 2018:12

-.20

-.15

-.10

-.05

.00

.05

.10

.15

-.3 -.2 -.1 .0 .1 .2 .3

TC DEL RIESGO DE CRÉDITO

T C

D

E L

P

B I

-.6

-.4

-.2

.0

.2

.4

.6

-.3 -.2 -.1 .0 .1 .2 .3

TC DEL RIESGO DE CRÉDITO

T C

D

E L

D

E S

E M

P L

E O

-.4

-.2

.0

.2

.4

-.3 -.2 -.1 .0 .1 .2 .3

TC DEL RIESGO DE CRÉDITO

T C

D

E

E X

P O

R T

A C

I O

N E

S

-.04

-.02

.00

.02

.04

-.3 -.2 -.1 .0 .1 .2 .3

TC DEL RIESGO DE CRÉDITO

T C

D E

T

I P O

D

E

C A

M B

I O

R E

A L

Fuente: SBS, 2019 y BCRP, 2019.

Este análisis muestra entonces que indicadores del sistema bancario han estado afectados por variables

de entorno macroeconómico debido a la relación presentan. Bajo este contexto, se hace necesario

analizar ¿Si el riesgo de crédito del sistema bancario peruano ha sido afectado por choques

macroeconómicos, y de ser así, de qué manera han sido estos efectos?; la respuesta a esta pregunta fue

posible de aproximarse al evaluar empíricamente las pruebas de resistencia o simulaciones a cerca de la

capacidad del sistema bancario para enfrentase a un deterioro de la economía.

Page 28: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

21

1.1.1. Problema general

¿Cómo es el impacto que genera la presencia choques macroeconómicos en el riesgo de crédito del

sistema bancario en el Perú durante el período 2003:01 – 2018:12 y en el escenario de crisis del año

2020?

1.1.2. Problemas específicos

1. ¿Cuál es la relación que existe entre los factores macroeconómicos y el crecimiento del riesgo de

crédito del sistema bancario en el Perú durante el período 2003:01 – 2018:12?

2. ¿Cuál es la relación que existe entre los determinantes microeconómicos y el crecimiento del

riesgo de crédito del sistema bancario peruano durante el período 2003:01 – 2018:12?

3. ¿De qué manera la presencia de escenarios con choques macroeconómicos afecta el riesgo

crediticio del sistema bancario peruano durante el periodo 2020:01 – 2020:12?

4. ¿Cuál la relación que existe entre la presencia de un escenario macroeconómico estable y el riesgo

de créditos del sistema bancario peruano durante el período 2020:01 – 2020:12?

1.2. Justificación e importancia de la investigación

La primera razón que motiva la elaboración de la presente tesis es la limitada literatura sobre Stress

testing del riesgo crediticio en el sistema bancario, particularmente para el Perú donde no se abordado

este tema en mayor profundidad. El tema que se ubica en el campo de estudio de la gestión de riesgos

no ha sido explorado de manera suficiente; al parecer por falta de profesionalismo e investigaciones en

la gestión de riesgos (Soliman, 2015). Bajo esta premisa, la propuesta se orienta a reforzar la limitada

literatura existente en el tema de escenarios de estrés siendo útil para futuras investigaciones que se

aborden al respecto.

Un segundo motivo para elaborar esta tesis es el interés y la predisposición que se tuvo para indagar

sobre la labor las entidades financieras ante el riesgo; así como también, el poder anticiparse a las crisis

que la economía podría sufrir, sirviendo este estudio a financieras y/o reguladoras que podrán contar

con un método para encontrar a manera individual los niveles de riesgo que se alcanzaría y de qué

Page 29: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

22

manera repercutirá sobre las hojas de balance, de tal forma, que se pueda generar política económica

para estar preparados a escenarios adversos en la economía.

Justificación teórica. El presente estudio busca determinar cuáles son los factores que han influido en

la evolución que ha mostrado el riesgo de crédito del sistema bancario peruano en el período 2003:01

al 2018:12, así como, identificar como impactaría escenarios de crisis en dicho riesgo de crédito en el

período 2020:01 al 2020:12; lo cual permitiría a las autoridades gubernamentales, tales como, BCRP,

MEF, SBS, así como a los bancos tomar las medidas correspondientes para enfrentar tal situación.

Además, la investigación planteada, en sí es novedosa por cuanto no se conoce de trabajos similares

realizados, pues para el caso peruano solo existe un estudio similar, así como escasos a nivel

internacional, lo que justifica su ejecución.

Justificación metodológica. La presente tesis se justifica porque hace uso de metodologías con bases

científicas, aplicadas en otros estudios a nivel internacional, las mismas que se adaptan a la realidad

peruana. De tal forma que el estudio se centra en la descripción, correlación, explicación y pronóstico

de los datos que se obtienen para el caso del Perú de fuentes secundarias, esto a su vez permite

solucionar el problema de metodologías para los casos en Perú, respecto a entidades financieras que

realizan estudios similares.

Justificación práctica. Debido a que es el sistema financiero el que presenta la mayor disposición de

datos, siendo esta una de las formas por las cuales se puede palpar el desarrollo que ha mostrado. La

investigación de manera práctica se justifica, dado que identifica los factores propios del sistema

bancario así como los de coyuntura económica más importantes que explican el riesgo de crédito, los

mismos que se deben a tener en cuenta.

Justificación social. El estudio de las pruebas de tensión es importante debido a la influencia que tiene

un escenario adverso sobre el riesgo de crédito del sistema bancario, por lo tanto, sobre su estabilidad,

además que al identificar los factores influyentes sobre el riesgos de crédito permite a las autoridades

realizar dos cosas; la primera en función a cada banco y la SBS, estos plantean medidas en base a los

pilares de capital mínimo regulatorio de Basilea III, con lo cual se enfrentan a las crisis; la segunda en

función al BCRP y MEF, estas instituciones al identificar los factores macroeconómicos influyentes en

el riesgo de crédito y ante la presencia de crisis generan políticas que permitan mantener dichos

factores.

Page 30: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

23

1.3. Objetivos

1.3.1. Objetivo general

Analizar el impacto generado por la presencia de escenarios con choques macroeconómicos sobre el

riesgo crediticio en el sistema bancario peruano en el período 2003:01- 2018:12 y en el escenario de

crisis del año 2020.

1.3.2. Objetivos específicos

1. Identificar y analizar cuál es el impacto que generan factores macroeconómicos sobre el

crecimiento del riesgo de crédito del sistema bancario peruano durante el período 2003:01 –

2018:12.

2. Identificar y analizar cuál es el impacto que generan factores microeconómicos en el crecimiento

riesgo de crédito del sistema bancario peruano durante el período 2003:01 – 2018:12.

3. Realizar pruebas de tensión en el riesgo de crédito del sistema bancario peruano en el período

2020:01 – 2020:12.

4. Analizar la relación existente entre la presencia de un escenario macroeconómico estable y el

riesgo de crédito en el sistema bancario para el caso peruano durante el período 2020:01 – 2020:12.

1.4. Delimitación de la investigación

La investigación se realizó en el sistema bancario para el caso peruano, probando que ante presencia de

escenarios de estrés o de choques macroeconómicos, el riesgo de crédito tiende a incrementarse. Para

lograr contrastar dicha hipótesis se hizo uso de un modelo econométrico tipo ARIMAX siguiendo a

Uquillas y Gonzáles (2017, 2017A) y Gonzáles (2017), bajo la metodología de Box Jenkins, de dicho

modelo, se identificaron los determinantes del riesgo de crédito del sistema bancario peruano en el

período 2003:01 – 2018:12, con el mismo que se pronosticó en escenario normal y en escenarios con

choques macroeconómicos en el período 2020:01 – 2020:12.

La construcción de los escenarios se trabajaron en base a lo propuesto por la Superintendencia de

Banca y Seguros (SBS, 2019) y Luy (2011), siendo cuatro los escenarios propuestos, el normal a

través de las proyecciones del MEF; el escenario con un choque macroeconómico similar al ocurrido

en el año 2017 con la presencia de fenómeno del niño; escenario con choque macroeconómico similar

al del año 2008, y el escenario con la presencia de la pandemia COVID19; además de plantear

supuestos correspondiente, en general estos escenarios están referidos a cambios en los principales

indicadores macroeconómicos.

Page 31: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

24

CAPITULO II

2. HECHOS ESTILIZADOS

2.1. Análisis en nivel

2.1.1. Riesgo de crédito del sistema bancario peruano 2003 – 2018

Gráfico N° 2.1: evolución del riesgo de crédito del sistema bancario peruano 2003:01 – 2018:12.

(Índice de morosidad)

1

2

3

4

5

6

7

8

9

2004 2006 2008 2010 2012 2014 2016 2018

RIESGO DE CRÉDITO TENDENCIA

Fuente: Superintendencia de Banca y Seguros [SBS], 2019.

En el gráfico N°2.1 se presenta la evolución que ha tenido el riesgo de crédito del sistema bancario

peruano durante el periodo 2003:01 al 2018:12. Desde enero del 2003 hasta julio del 2008 muestra una

tendencia decreciente, dicha tendencia cambia debido a la crisis financiera internacional que empezó

en Estados unidos y se extendió a países de América Latina; el Perú no fue ajeno a ello, pues tal como

lo sostiene Parodi (2016), dicha crisis se transmite a través del canal financiero y del canal comercial a

la economía peruana ocasionando inestabilidad de diversos indicadores.

En el caso del riesgo de crédito en el año 2003 registró una tasa promedio de 7.48%, para el año 2005

dicha tasa alcanza un promedio de 3.05% y continua al 2007 con tendencia decreciente registrando una

tasa promedio de 1.55% asociada principalmente al buen ambiente macroeconómico que tenía el Perú,

en tal sentido, Parodi (2016), manifiesta que los mejores indicadores de la economía se presentaron en

dicho período.

Page 32: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

25

En el año 2008, la economía mundial entra en crisis debido a la burbuja inmobiliaria que se dio en los

Estados Unidos, esto repercute en el Perú afectando sus principales indicadores de coyuntura

económica, así como los indicadores del sistema financiero; en el caso del riesgo de crédito del sistema

bancario en dicho año muestra una tasa promedio de 1.27%, a partir de entonces empieza a revertir su

tendencia, para el año 2009 en promedio registró una tasa de riesgo de crédito de 1.55%, en el año

2010 esta tasa en promedio se incrementa en una tasa de crecimiento de 8.00%.

En el año 2012 en promedio el sistema bancario peruano registra un índice de riesgo de crédito mayor

al promedio registrado en el 2011 empezando nuevamente a tener tendencia creciente, pues en el 2012

en promedio registra una tasa de riesgo de crédito de 1.70%, la misma que para el año 2013 continúa

incrementándose, llegando a un promedio de 2.07%. En el año 2014 en el Perú se registran el menor

crecimiento del PBI primario luego de 22 años, esto impacta sobre el riesgo de crédito del sistema

bancario y lo hace incrementar de 2.07% a 2.40% en promedio; la tendencia creciente continúa

acentuándose y en el año 2015 registra un promedio de 2.62%, porcentaje mayor si se compara a años

anteriores.

El año 2016 con el cambio de presidente en el Perú el riesgo de crédito se acreciente, en promedio

registra una tasa de 2.82%, asociado a eventos políticos en general, mientras que para el año 2017 el

riesgo de crédito del sistema bancario peruano desde los primeros meses empieza a acrecentarse,

debido a que departamentos del Norte del país se registra el evento del FEN, impactando fuertemente

sobre la coyuntura económica y haciendo que el riesgo de crédito se incremente, en enero presenta una

tasa de 2.96% a la registrada en diciembre del año 2016, mientras que en febrero la tasa que registra es

2.98%, creciendo hasta el mes de mayo donde alcanza su mayor pico del año (3.15%), esto debido a

que ese mes el FEN fue más intenso, para el mes de junio el índice disminuye hasta 3.09% y vuelve a

aumentar en el mes siguiente hasta 3.12%, a octubre registra un índice de 3.14% y cierra el año con un

índice de 3.04%, que pese a bajar aún es alto en comparación al registrado desde el año 2008.

En el año 2018 el riesgo de crédito del sistema bancario peruano registra un promedio menor al del año

2017, la tasa del 2018 fue en promedio de 3.05%, mientras que la del 2017 fue de 3.07% en promedio,

sin embargo, en agosto del año 2018 muestra la mayor tasa (3.23%) registrada desde junio del año

2005 (3%), y cierra el año con una tasa de 2.95%.

Page 33: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

26

2.1.2. Producto Bruto Interno peruano 2003 – 2018

Gráfico N° 2.2: evolución del PBI peruano 2003:01 – 2018:12.

(Millones de soles 2007 = 100)

15,000

20,000

25,000

30,000

35,000

40,000

45,000

50,000

55,000

2004 2006 2008 2010 2012 2014 2016 2018

PBI TENDENCIA

Fuente: Banco Central de Reserva del Perú [BCRP], 2019.

En el gráfico N°2.2 muestra la evolución que ha presentado el Producto Bruto Interno en el Perú

durante el periodo 2003:01 al 2018:12, se aprecia tendencia creciente, así como estacionalidad a fines

de cada año. Según BCRP (2003), en el año 2003 presentó un promedio de 20,466 millones de soles, la

tasa de crecimiento que presento fue de 4.1 por ciento explicado principalmente por el aumento de 3.6

por ciento de la demanda interna y del incremento de 5.8 por ciento de las exportaciones.

Según BCRP (2004), en el año 2004 el PBI aumento hasta 21,480 millones de soles en promedio, en

este año el Perú siguió en la senda de crecimiento económico sostenido iniciado a mediados de 2001 y

acumuló 42 meses de crecimiento consecutivo a diciembre de 2004. La tasa de crecimiento del

producto fue de 4,8 por ciento, impulsada por el contexto internacional favorable a las exportaciones y

la mayor demanda interna.

Según el BCRP (2008), el PBI alcanzó un promedio de 29,076 millones de soles, creciendo a una tasa

de o 9,14 por ciento, la tasa más alta luego de 14 años, con la cual el país alcanzó diez años

consecutivos de expansión, siendo esta la fase de crecimiento más larga desde la década de los sesenta.

A diferencia de ciclos anteriores, esta evolución se logró en un entorno de sano equilibrio

macroeconómico interno y externo.

Page 34: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

27

Este mayor crecimiento se dio no obstante la difícil situación por la que atravesaba el resto de la

economía mundial, luego que se desatara la crisis financiera en los Estados Unidos y afectara

rápidamente al resto de economías, tanto desarrolladas como emergentes, y tuvieron como efecto una

menor demanda del exterior.

De acuerdo con BCRP (2009), durante el año 2009 la economía peruana tuvo que hacer frente a una

serie de desafíos, derivados de la crisis financiera internacional que generó la recesión global más

profunda desde la postguerra. Al finalizar el año 2009, la economía mundial registró por primera vez

en sesenta años una caída en el nivel de actividad, habiéndose alcanzado el punto más bajo en el primer

trimestre del año en el cual la producción global se contrajo registrando una tasa de crecimiento de

1.05 por ciento. La desaceleración de la economía peruana se observó principalmente en las

actividades con estrechos vínculos, tanto de manera directa como indirecta con el comercio exterior.

Según BCRP (2010), la economía peruana creció a una tasa de 8.5 por ciento durante 2010, con lo

cual se superó el débil ciclo económico del año 2009. El mayor impulso provino de la demanda

interna, que tuvo una expansión de 12.8 por ciento, remontando la caída que registró el año anterior.

Este desempeño ocurrió en un contexto de recuperación de la economía mundial, en particular de la

actividad económica de los Estados Unidos, principal socio comercial, así como del alto crecimiento

experimentado por la economía de China, segundo socio comercial. El crecimiento sucedió

principalmente en los sectores no primarios, cuyo dinamismo impactó directamente en el empleo

urbano de las empresas formales con 10 y más trabajadores, que creció a una tasa de 4.2 por ciento

durante 2010.

En el año 2017 según BCRP (2017), en promedio se llegó a un total de 42,867 millones de soles

creciendo a una tasa de 2.5 por ciento luego de expandirse 4.0 por ciento en 2016, afectado por dos

choques de distintas características. El primero fue FEN costero que devastó buena parte de la

infraestructura del norte del país en el primer trimestre del año; y el segundo fue el escándalo de

corrupción del caso Lava Jato que afectó la confianza de los inversionistas y paralizó proyectos de

inversión de asociaciones público-privadas.

Para el año 2018 según BCRP (2018), el PBI tuvo promedio de 44,572 millones de soles, presentado

así un mayor impulso, el cual provino de la recuperación de la demanda interna, que creció 4,3 por

ciento frente al 1,4 por ciento del año anterior. Destacó la evolución que tuvo el consumo privado,

reflejo de la recuperación del empleo y la aceleración del crédito.

Page 35: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

28

2.1.3. Tasa de desempleo en el Perú 2003 – 2018

Gráfico N° 2.3: evolución de la tasa de desempleo en el Perú 2003:01 – 2018:12.

(Porcentaje)

4

6

8

10

12

14

2004 2006 2008 2010 2012 2014 2016 2018

TASA DE DESEMPLEO TENDENCIA

Fuente: Banco Central de Reserva del Perú [BCRP], 2019.

En el gráfico N°2.3 se presenta la evolución que ha tenido la tasa de desempleo en el Perú durante el

período 2003:01 al 2018:12, según BCRP (2019), en el año 2003 presentó un promedio de 9.42 por

ciento, mientras que en el año 2004 el promedio que registro fue de 9.43 por ciento, en el año 2005 se

incrementó hasta una tasa de 9.57 por ciento, en tanto para el año 2006 la tasa de desempleo disminuyó

a 8.54 por ciento, para el año 2007 continúo disminuyendo hasta 8.42 por ciento.

En el año 2008 el promedio registrado fue de 8.37 por ciento, la tendencia hasta entonces se mostró

decreciente, sin embargo en el año 2009 la crisis financiera causaba sus efectos y la tasa de desempleo

se incrementa hasta 8.48 por ciento, el mismo que volvería a bajar en el año 2010 cuando registró un

promedio de 7.88 por ciento, en el año 2011 se registra un promedio de 7.72 por ciento, esta tendencia

se mantuvo a la baja en promedio hasta el año 2016 cuando alcanzo un promedio de 6.87 por ciento, el

año 2017 su promedio alcanzado fue de 6.68 por ciento y en el año 2018 el promedio fue de 6.64 por

ciento.

Page 36: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

29

2.1.4. Exportaciones en el Perú 2003 – 2018

Gráfico N° 2.4: evolución de las exportaciones en el Perú 2003:01 – 2018:12.

(Millones de US$)

0

1,000

2,000

3,000

4,000

5,000

2004 2006 2008 2010 2012 2014 2016 2018

EXPORTACIONES TENDENCIA

Fuente: Banco Central de Reserva del Perú [BCRP], 2019.

El gráfico N° 2.4 muestra la evolución de las exportaciones durante el período 2003:01 al 2018:12, en

dicho periodo la tendencia que ha mostrado es creciente en promedio, en el periodo que comprende

2012 a 2016 hubo una fuerte caída; sin embargo, en los años posteriores se recupera y muestra su

tendencia de largo plazo. Según BCRP (2003), en el año 2003 las exportaciones totalizaron US$ 9,

090.73 millones, mayores en US$ 1 263 millones (16 por ciento) respecto al año 2002. Este incremento

fue explicado tanto por las exportaciones tradicionales (US$ 899 millones o 17 por ciento) como las no

tradicionales (US$ 346 millones o 15 por ciento).

En el año 2007 según el BCRP (2007), las exportaciones de bienes sumaron US$ 28, 094.02 millones,

lo que representó un aumento de 17.5 por ciento respecto a 2006. Ello se explicó tanto por mayores

precios en 14.0 por ciento como por aumentos en los volúmenes exportados en 3.3 por ciento. Mientras

que en el año 2008 sumaron US$ 31,018 millones, monto que representó un aumento de 13.1 por

ciento respecto de 2007, y se explica por aumento de precios (5.1 puntos porcentuales) y volumen (8.0

puntos porcentuales).

Page 37: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

30

En el año 2009 según BCRP (2009), las exportaciones fueron de US$ 27,070.52 millones, menores en

14,7 por ciento respecto al año anterior. En este resultado influyó la disminución de las cotizaciones

internacionales de los commodities, que afectaron a las exportaciones tradicionales. Los volúmenes

exportados descendieron en 3.3 por ciento por efecto del debilitamiento de la demanda mundial,

influyendo principalmente en las exportaciones no tradicionales.

En el año 2010 de acuerdo con BCRP (2010), las exportaciones alcanzaron los US$ 35,803.08

millones, monto superior en 31.9 por ciento al del año anterior, favorecidas por las mejores

cotizaciones internacionales de los commodities y el mayor volumen exportado de los productos no

tradicionales. Por otro lado, se exportó un menor volumen de bienes tradicionales por menores

embarques de oro, zinc y harina de pescado.

Para el año 2014 según el BCRP (2014), las exportaciones totalizaron US$ 39,532.68 millones, monto

inferior en 7.8 por ciento al registrado en el año previo debido a un descenso en los precios promedio

de exportación (6.9 por ciento), principalmente de los productos tradicionales (oro y cobre), como

reflejo de un entorno internacional menos favorable. En términos de volumen, se vieron afectados el

café (debido al impacto de la plaga de la roya amarilla en los cultivos), el oro (por los menores

embarques, principalmente de las empresas comercializadoras) y en menor medida la harina de

pescado.

Según BCRP (2016), en el año 2016 las exportaciones totalizaron US$ 37,081.74 millones, monto

superior en 7.6 por ciento al registrado el año previo gracias a un aumento de los volúmenes promedio

de exportación tradicional (16.6 por ciento), principalmente de cobre, oro, café y derivados del

petróleo.

En el año 2017 según BCRP (2017), las exportaciones totalizaron US$ 45,421.59 millones, monto

superior en 21.3 por ciento al registrado el año previo gracias a un aumento de los volúmenes promedio

de exportación tradicional (7.4 por ciento), principalmente de zinc, derivados del petróleo y harina de

pescado. Asimismo, el volumen de las exportaciones no tradicionales registró un incremento de 7.0 por

ciento por los mayores embarques de productos agropecuarios, textiles y pesqueros.

Finalmente, en el año 2018 según BCRP (2018), las exportaciones totalizaron US$ 49,066.48 millones,

monto superior en US$ 45,421.59 millones al registrado el año previo. Esta mejora se explica de un

lado por los mayores precios promedio que alcanzaron durante el año los productos de exportación

tradicional (7.8 por ciento), y por el otro, por los mayores volúmenes de los productos no tradicionales

(11.0 por ciento), en particular, por productos agropecuarios, pesqueros y químicos.

Page 38: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

31

2.1.5. Liquidez del sistema bancario 2003 – 2018

Gráfico N° 2.5: Liquidez del sistema bancario peruano 2003:01 – 2018:12.

(Índice)

10

20

30

40

50

60

70

2004 2006 2008 2010 2012 2014 2016 2018

LIQUIDEZ TENDENCIA

Fuente: Superintendencia de Banca y Seguros [SBS], 2019.

En el gráfico N°2.5 muestra la evolución que ha presentado el índice de liquidez del sistema bancario

en el Perú durante el periodo 2003:01 al 2018:12, el comportamiento que muestra es cíclico, cayendo

en profundas simas y regresando a su tenencia de largo plazo. Así, para el año 2003 registra un

promedio de 29.30 por ciento. El BCRP (2003), sostiene que el saldo promedio de la liquidez total del

sistema bancario mantiene un nivel de alrededor de 25 por ciento del PBI en los últimos 5 años. Este

saldo pasó de 25.5 por ciento del PBI nominal en 2002 a 24.5 por ciento en 2003.

De acuerdo al BCRP (2004), en 2004 el índice de liquidez se incrementó hasta 41.90 por ciento, en el

año 2005 el promedio registrado fue de 49.39 por ciento, al año 2006 según BCRP (2006), el índice de

liquidez del sistema bancario registrado fue de 29.75, explicado por la desaceleración de la emisión

primaria la cual implicó un menor ritmo de expansión de los agregados monetarios más amplios.

En el año 2007 de acuerdo a la SBS (2019), el promedio registrado aumentaría hasta 50.30 por ciento,

el mismo que en el año 2008 se incrementa hasta 51.94 por ciento, y en el año 2009 dada la menor

emisión monetaria cae hasta 30.12 por ciento, para los año 2010, 2011 y 2012 muestra tendencia

creciente registrando en este último año un promedio de 46.52 por ciento, en el año 2014 registra una

caída y llega hasta 43.45 por ciento, desde entonces ha mostrado tendencia decreciente, al año 2017

registró un promedio de 32.77 por ciento mientras que en el año 2018 registra un promedio de 29.89

por ciento.

Page 39: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

32

2.1.6. Colocaciones del sistema bancario 2003 – 2018

Gráfico N° 2.6: Colocaciones del sistema bancario peruano 2003:01 – 2018:12.

(Índice)

0

40,000,000

80,000,000

120,000,000

160,000,000

200,000,000

2004 2006 2008 2010 2012 2014 2016 2018

COLOCACIONES TENDENCIA

Fuente: Superintendencia de Banca y Seguros [SBS], 2019.

El gráfico N°2.6 muestra la evolución que ha tenido las colocaciones del sistema bancario durante el

periodo 2003:01 al 2018:12, la misma que ha mostrado tendencia creciente hasta finales del 2016,

posterior a ello en el 2017 presenta una ligera caída producto FEN en la zona norte del Perú, hacia el

año 2018 las colocaciones regresan a su tendencia de largo plazo.

Según BCRP (2003), en términos de flujos, el crédito del sistema bancario al sector privado en moneda

nacional pasó de una variación de S/ 639 millones en 2002 a una variación de S/ 493 millones en 2003.

Esta expansión correspondió al aumento del crédito al sector privado de las empresas bancarias en S/

384 millones y del Banco de la Nación en S/ 76 millones, principalmente por los préstamos de

consumo a trabajadores y pensionistas del sector público.

De acuerdo al SBS (2019), en el año 2017 los créditos registraron una tasa de crecimiento promedio de

0.002 por ciento tasa inferior a la registrada en el año 2016 (0.004 por ciento), el deterioro observado

en los créditos a las medianas empresas se debió a los atrasos provenientes de empresas que operan

principalmente en los sectores construcción, comercio, servicios, manufactura y agricultura, los cuales

registraron una desaceleración en sus niveles de producción durante el año 2017. En el año 2018 las

colocaciones bancarias muestran recuperación con una tasa de crecimiento promedio de 0.009 por

ciento, superior a la registrada en el 2017 cuando se produce el fenómeno del niño en los primeros

meses del año.

Page 40: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

33

2.2. Análisis en tasas de crecimiento

2.2.1. Riesgo de crédito del sistema bancario y PBI 2003 – 2018

Gráfico N° 2.7: Riesgo de crédito y PBI en el Perú 2003:01 – 2018:12.

(Tasa de crecimiento)

-30

-20

-10

0

10

20

30

2004 2006 2008 2010 2012 2014 2016 2018

TC - RIESGO DE CRÉDITO

TC - PBI

Fuente: Superintendencia de Banca y Seguros y Banco Centra de Reserva del Perú, 2019.

El gráfico N°2.7 muestra la relación en las tasas de crecimiento entre el riesgo de crédito del sistema

bancario y el Producto Bruto Interno en el Perú durante el período 2003:01 al 2018:12, existe relación

inversa entre ambas variables, en periodos donde el PBI presenta tasas de crecimiento positivas el

riesgo de crédito tiende a caer.

En el año 2003 el riesgo de crédito presentó una tasa de crecimiento promedio de -0.02 por ciento

mientras que el PBI tuvo una tasa de crecimiento promedio de 0.67 por ciento. Hasta el año 2008 el

PBI presenta tasas de crecimiento positivas y el riesgo de crédito tasas de crecimiento en promedio

negativas, para el año 2009 tras los efectos de la crisis financiera internacional el riesgo de crédito

empieza a incrementarse mientras que las tasas de crecimiento del PBI caen, desde el 2010 el PBI ha

crecido a tasas decrecientes mientras que el riesgo de crédito empezó a incrementarse presentando una

de sus mayores tasas de crecimiento en marzo del 2018 (0.25 por ciento).

Page 41: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

34

2.2.2. Riesgo de crédito y tasa de desempleo en el Perú 2003 – 2018

Gráfico N° 2.8: Riesgo de crédito y tasa de desempleo en el Perú 2003:01 – 2018:12.

(Tasa de crecimiento)

-40

-20

0

20

40

60

2004 2006 2008 2010 2012 2014 2016 2018

TC - RIESGO DE CRÉDITO

TC - DESEMPLEO

Fuente: Superintendencia de Banca y Seguros y Banco Centra de Reserva del Perú, 2019.

En el gráfico N°2.8 se presenta la relación que tiene el riesgo de crédito del sistema bancario con la

tasa de desempleo en el Perú durante el período 2003:01 al 2018:12. La relación que presentan ambas

variables a través de las tasas de crecimiento es positiva, lo cual implica que un incremento en la tasa

de crecimiento del índice de desempleo tiene un impacto directo en el riesgo de crédito haciendo que

este se incremente.

Tal relación se verifica a lo largo de todo el periodo pues ambas variables muestran similar tendencia

en cuanto tasas de crecimiento. Sin embargo, se aprecia mejor en periodos de shock en la economía

como la crisis del año 2008, cuando el desempleo crece a una tasa promedio de 2.4 por ciento, mayor a

la registrada al promedio del año 2007 (0.08 por ciento), en el mismo año en promedio el riesgo de

crédito registra una tasa de crecimiento promedio de 0.01 por ciento la cual es mayor al promedio en

tasas de crecimiento registrada en el año 2007 (-0.02 por ciento), evidenciando la relación directa entre

ambas variables.

La relación se evidencia nuevamente entre el año 2017 y 2018, en el primero el desempleo crece en

promedio a una tasa de -1.00 por ciento y al año 2018 la tasa de crecimiento promedio fue de -0.07 por

ciento, menor a la registrada en el 2017, similar situación presenta el riesgo de crédito, en el 2017

creció a un promedio de 0.07 por ciento, mientras que en el 2018 la tasa de crecimiento promedio fue

de 0.06 por ciento.

Page 42: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

35

2.2.3. Riesgo de crédito y exportaciones en el Perú 2003 – 2018

Gráfico N° 2.9: Riesgo de crédito y exportaciones en el Perú 2003:01 – 2018:12.

(Tasa de crecimiento)

-40

-30

-20

-10

0

10

20

30

40

2004 2006 2008 2010 2012 2014 2016 2018

TC - RIESGO DE CRÉDITO

TC - EXPORTACIONES

Fuente: Superintendencia de Banca y Seguros y Banco Centra de Reserva del Perú, 2019.

El gráfico N°2.9 muestra la relación entre el riesgo de crédito del sistema bancario y las exportaciones

peruanas durante el periodo 2003:01 al 2018:12, evidenciando la relación inversa que sugiere la teoría,

en periodos cuando las exportaciones se incrementan el riesgo de crédito tiende a disminuir y

viceversa.

En el año 2004 las exportaciones tuvieron una tasa de crecimiento promedio de 4.02 por ciento mayor

a la alcanzada en el 2003 (2.86 por ciento), en tanto, el riesgo de crédito alcanza una tasa de

crecimiento promedio de -3 por ciento, mayor a la que alcanzo en el 2003 (2 por ciento). En el año

2008 las exportaciones alcanzaron una tasa de crecimiento promedio de -3.05 por ciento, menor a la

registrada en el año 2007 (2.26 por ciento), en el caso del riesgo de crédito de registrar una tasa de

crecimiento promedio de -2% en el 2007, en el año 2008 se incrementó a una tasa promedio de 0.01

por ciento; permitiendo evidenciar la relación directa que tienen ambas variables.

En el año 2017 las exportaciones presentaron una tasa de crecimiento promedio de 1.53 por ciento,

menor a la que se alcanza en el 2016 (2.69 por ciento), en el año al 2018 las exportaciones presentan

una tasa de crecimiento más baja, -0.14 por ciento, en este periodo el riesgo de crédito disminuye de

una tasa de 0.7 por ciento en promedio en el 2017 a una tasa de 0.6 por ciento en promedio el 2018.

Page 43: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

36

2.2.4. Riesgo de crédito y liquidez del sistema bancario 2003 – 2018

Gráfico N° 2.10: Riesgo de crédito y liquidez del sistema bancario peruano 2003:01 – 2018:12.

(Tasa de crecimiento)

-40

-20

0

20

40

60

2004 2006 2008 2010 2012 2014 2016 2018

TC- RIESGO DE CRÉDITO SISTEMA BANCARIO

TC - LIQUIDEZ DEL SISTEMA BANCARIO

Fuente: Superintendencia de Banca y Seguros, 2019.

El gráfico N°2.10 muestra la relación que existe entre el riesgo de crédito y el índice de liquidez del

sistema bancario a través de tasas de crecimiento, se observa que la relación no es estrictamente directa

a o inversa pues en periodos cuando el índice de liquidez ha presentado tasas crecientes el riesgo de

crédito ha tendido a disminuir y en otros a aumentar; sin embargo, el patrón que se muestra con mayor

frecuencia es el de la relación inversa. En el año 2003 el índice de liquidez en promedio alcanza 2.8 por

ciento como tasa de crecimiento la cual se incrementa hasta 2.9 por ciento en el año 2004, resultado

inverso presenta el riesgo de crédito, en el 2003 presenta en promedio -2.7 por ciento como tasa de

crecimiento y en el 2004 fue de -3 por ciento.

Para el 2007 el índice de liquidez presenta un promedio de 3.0 por ciento la misma que en el año 2008

pasa a -6.0 por ciento, en tanto el riesgo de crédito en el 2007 presento una tasa de crecimiento de -2.0

por ciento la misma que se incrementa en el 2008 a 0.6 por ciento. En el 2017 el riesgo de crédito

presenta una tasa de 0.7 por ciento en promedio, menor a la alcanzada en el 2016 cuando registró 0.8

ciento como tasa de crecimiento promedio, en tanto el índice de liquidez en el 2016 registró una tasa de

crecimiento promedio de 0.4 por ciento la cual se incrementa a 2.0 por ciento en el 2017. Esta situación

evidencia que el riesgo de crédito con el índice de liquidez del sistema bancario tiene relación inversa.

Page 44: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

37

2.2.5. Riesgo de crédito y colocaciones del sistema bancario 2003 – 2018

Gráfico N° 2.11: Riesgo de crédito y colocaciones del sistema bancario peruano 2003:01 – 2018:12.

(Tasa de crecimiento)

-30

-20

-10

0

10

20

30

2004 2006 2008 2010 2012 2014 2016 2018

TC - RIESGOS DE CRÉDITO DEL SISTEMA BANCARIO

TC- COLOCACIONES DEL SISTEMA BANCARIO

Fuente: Superintendencia de Banca y Seguros, 2019.

En el gráfico N°2.11 se presenta la relación que han tenido el riesgo de crédito del sistema bancario

con el nivel de colocaciones a través de tasas de crecimiento, se presencia relación directa, un

incremento en las tasas de crecimiento de las colocaciones ha generado que el riesgo de crédito del

sistema bancario peruano tienda a aumentar en el periodo 2003:01 al 2018:12.

En el año 2004 las colocaciones crecieron a una tasa promedio de 0.9 por ciento, mientras que el riesgo

de crédito registró una tasa de crecimiento promedio de -2.7 por ciento. Para el año 2007 la tasa de

crecimiento promedio que registraron las colocaciones fue de 3.2 por ciento, mientras que el riesgo de

crédito se incrementó y registro una tasa de crecimiento promedio de 2.0 por ciento, la situación fue

similar para el año 2008, mientras las colocaciones registraron una tasa de crecimiento promedio de 3.6

por ciento el riesgo de crédito también se incrementó hasta 0.6 por ciento como tasa de crecimiento

promedio.

En el año 2016 las colocaciones presentaron en promedio 0.4 por ciento la misma que disminuye hasta

0.2 por ciento en el 2017, similar tendencia siguió el riesgo de crédito que en el 2016 presentaba en

promedio 0.8 por ciento como tasa de crecimiento y en el 2017 disminuyó a 0.7 por ciento,

evidenciando de tal manera la relación directa que existe entre ambas variables.

Page 45: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

38

2.3. Análisis de relación de variables

2.3.1. Factores macroeconómicos

Gráfico N° 2.12: Riesgo de crédito y variables macroeconómicas en el Perú 2003:01 – 2018:12.

(Tasas de crecimiento)

-.2

-.1

.0

.1

.2

-.3 -.2 -.1 .0 .1 .2 .3

T.C RIESGO DE CRÉDITO

T.C

P

BI

(-2

)

-.6

-.4

-.2

.0

.2

.4

-.3 -.2 -.1 .0 .1 .2 .3

T.C RIESGO DE CRÉDITOT.C

T

AS

A D

E R

EF

ER

EN

CIA

DE

PO

LÍT

ICA

MO

NE

TA

RIA

-.6

-.4

-.2

.0

.2

.4

.6

-.3 -.2 -.1 .0 .1 .2 .3

T.C. RIESGO DE CRÉDITO

T.C

. D

ES

EM

PL

EO

Fuente: Superintendencia de Banca y Seguros y Banco Centra de Reserva del Perú, 2019.

En el gráfico N°2.12 se presentan la relación entre el riesgo de crédito y variables macroeconómicas de

la economía peruana (PBI, Tasa de referencia de política monetaria y el desempleo) durante el periodo

2003:01 – 2018:12. La relación que se presenta entre el riesgo de crédito y el PBI es inversa, lo cual

significa que ante un incremento en el PBI el riesgo de crédito tiende a disminuir; en cuanto a la tasa de

referencia y riesgo de crédito la relación es directa; y en cuanto al desempleo se observa relación

directa con el riesgo de crédito del sistema bancario peruano.

Page 46: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

39

Gráfico N° 2.13: Riesgo de crédito y variables macroeconómicas en el Perú 2003:01 – 2018:12.

(Tasa de crecimiento)

-.4

-.2

.0

.2

.4

-.3 -.2 -.1 .0 .1 .2 .3

T.C . RIESGO DE CRÉDITO

T.C

. E

XP

OR

TA

CIO

NE

S

-.10

-.05

.00

.05

.10

.15

-.3 -.2 -.1 .0 .1 .2 .3

T.C. RIESGO DE CRÉDITO

T.C

. E

MIS

IÓN

P

RIM

AR

IA

-3

-2

-1

0

1

-.3 -.2 -.1 .0 .1 .2 .3

T.C. RIESGO DE CRÉDITO

T.C

. S

&P

LI

MA

G

EN

ER

AL

Fuente: Superintendencia de Banca y Seguros, Banco Centra de Reserva del Perú e Investig, 2019.

En el gráfico N°2.13 se presentan la relación entre el riesgo de crédito y variables macroeconómicas de

la economía peruana (exportaciones, emisión primaria e índice bursátil de la Bolsa de Valores de

Lima); en los tres casos se observa que la relación durante el periodo 2003:10 al 2018:12 es inversa,

en períodos donde se han incrementado los indicadores macroeconómicos el riesgo de crédito ha

tendido a disminuir, esto se evidencia mejor en la relación de las exportaciones y riesgo de crédito

como en la relación emisión primaria y riesgo de crédito.

Page 47: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

40

2.3.2. Factores microeconómicos

Gráfico N° 2.14: Riesgo de crédito y variables microeconómicas en el Perú 2003:01 – 2018:12.

(tasa de crecimiento)

-.4

-.2

.0

.2

.4

.6

-.3 -.2 -.1 .0 .1 .2 .3

T.C. RIESGO DE CRÉDITO

T.C

. L

IQU

IDE

Z

-.08

-.04

.00

.04

.08

-.3 -.2 -.1 .0 .1 .2 .3

T.C. RIESGO DE CRÉDITO

T.C

. T

ASA

A

CT

IVA

-.10

-.05

.00

.05

.10

-.3 -.2 -.1 .0 .1 .2 .3

T.C. RIESGO DE CRÉDITO

T.C

. C

DIT

OS/

DE

SIT

OS

Fuente: Superintendencia de Banca y Seguros, Banco Centra de Reserva del Perú, 2019.

En el gráfico N°2.14 se muestra la relación que existe entre indicadores microeconómicos (índice de

liquidez, tasa de interés activa, ratio créditos/depósitos) con el riesgo de crédito del sistema bancario en

el Perú durante el periodo 2003:01 al 2018:12. Se presencia relación inversa entre el riesgo de crédito y

el índice de liquidez, similar relación muestra el riesgo de crédito respecto a la tasa de interés activa;

mientras que, en relación al ratio créditos/depósitos es directa.

Page 48: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

41

CAPITULO III

3. MARCO TEÓRICO Y EVIDENCIA EMPÍRICA

3.1. Riesgo de crédito

Según el Comité de Supervisión Bancaria de Basilea (2017), el riesgo de crédito es la probabilidad de

que, a su vencimiento, una entidad no haga frente, en parte o en su totalidad, a su obligación de

devolver una deuda o rendimiento, acordado sobre un instrumento financiero, debido a quiebra,

iliquidez o alguna otra razón.

Por su parte Basso (2013), sostiene que se define como el riesgo de incurrir en pérdidas producto del

incumplimiento, por falta de solvencia, de las obligaciones contractuales asumidas por una contraparte.

Además, el autor señala que el objetivo de medir el riesgo de crédito es prever anticipadamente la

pérdida potencial (individual y como portafolio) en la que podría incurrir la institución en el

otorgamiento de créditos.

En esta línea, Rodríguez (2017), afirma que el riesgo de crédito se define como la posibilidad de

incurrir en pérdidas debido a la incapacidad de la contraparte de cumplir con las obligaciones

establecidas en el contrato. Asimismo, el autor manifiesta que el riesgo de crédito depende de:

➢ Probability of default, PD: Representa la probabilidad de que la operación presente impago

superior a 90 días en un horizonte temporal determinado.

➢ Loss given default, LGD: Representa la estimación de la pérdida económica sufrida por aquellos

contratos que han entrado en situación de default.

➢ Exposure at default, EAD: Representa el importe de la exposición crediticia en el momento en que

se produce el default.

Asimismo, Jiménez y Benavides (2016), señalan que el riesgo de crédito es un componente importante

ya que a pesar de que los tipos de productos que los bancos ofrecen cambian continuamente, estos

incluyen frecuentemente un componente de riesgo de crédito. Debido a su importancia, este tipo de

riesgo ha sido tema de discusión constante en los acuerdos de Basilea.

A esto se suma Uquillas y Gonzáles (2017), quienes manifiestan que, en particular, el riesgo de crédito

es el índice de morosidad, siendo este uno de los principales indicadores de solidez financiera

propuesto por el Fondo Monetario Internacional y considerado globalmente como una medida

apropiada para medir la calidad de las carteras de préstamos.

Page 49: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

42

3.2. Modelos de medición del riesgo de crédito

Saavedra y Arellano (S.f), manifiestan que existen múltiples modelos para la medición del riesgo de

crédito, en el presente estudio se resaltan los principales en la tabla N°3.1.

Tabla 3.1: Modelos de medición del riesgo de crédito

MODELOS TRADICIONALES MODELOS RECIENTES

Sistema expertos (5 C del crédito) Modelos de KMV

Score o credit scoring Modelo de valuación de Merton

Modelo CrediMetrics de JP Morgan

Modelo CreditRisk

Modelo de retorno sobre capital ajustado

al riesgo

Fuente: Galicia, 2003 (Citado por Saavedra y Arellano, S.f).

3.2.1. Modelos tradicionales

3.2.1.1. Modelo expertos Basso (2013), manifiesta que este tipo de modelos se encuentran basados en criterios subjetivos y el

juicio o experiencia del analista de cartera.

Por su parte García y Lozano (2014), afirman que el modelo se resume en las llamadas cinco C del

crédito:

✓ Carácter: se refiere a la reputación de la empresa, a su sector, y a la solidez que demuestra.

✓ Capital: para analizar el capital se emplean varios ratios financieras como pueden ser la

cobertura de intereses o el grado de apalancamiento (Deuda/recursos propios). Lógicamente,

un alto apalancamiento unido a una baja capacidad de cubrir los intereses con su resultado

genera una alta probabilidad de incumplimiento.

✓ Capacidad de repago: se refieren a la desviación típica de los ingresos. Si el prestatario tiene

unos ingresos con una volatilidad elevada, hay una mayor probabilidad de que los ingresos

sean insuficientes en el momento de hacer un pago y, por consiguiente, de que incumpla.

✓ Colateral: se refiere a la calidad de la garantía y a su liquidez.

✓ Ciclo: la situación económica en la que se encuentra la economía. En un período coyuntural de

recesión, las probabilidades de incumplimiento son mayores que en época de bonanza.

Page 50: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

43

3.2.1.2. Z – Score o credit scoring

Este modelo se origina gracias al trabajo de Altman (1968), introdujo técnicas de análisis multivariante

en su estudio, este modelo se basa en identificar una serie de variables definidas en función de ratios

financieros y asignar unos pesos estadísticos al conjunto de variables para generar un número, el score.

No obstante, las personas naturales o jurídicas que no obtienen el score necesario, no son rechazadas

directamente, si no que se someten a un análisis mucho más detallado, para ello Altman propuso el

siguiente modelo lineal:

Z = 1,2 X1+1,4X2+3,3X3+0.6X4+0,999X5

Siendo las variables:

✓ X1: Fondo de Maniobra/Total Activo: Hace una relación entre el grado de liquidez de la

empresa y su tamaño.

✓ X2: Reservas/ Total Activo: mide indirectamente el punto del ciclo de vida de la empresa en el

que se encuentra, es decir, su grado de madurez.

✓ X3: EBIT/ Total Activo: Mide de forma aproximada el nivel de productividad de los activos, es

decir, el poder de generación de ingresos de la compañía, sin tener en cuenta impuestos e

intereses.

✓ X4: Valor de Mercado de las acciones/ Valor contable de los pasivos: Ofrece información

sobre el margen de reducción del valor del mercado de las acciones de la empresa antes de que

el total de pasivo exceda el valor contable de sus activos y la empresa se declare insolvente.

✓ X5Ventas/ Total Activo: Es el ratio de rotación. Mide la capacidad de generación de ingresos

de los activos de la compañía.

Según García y Lozano (2014), los resultados obtenidos por Altman con su modelo fueron bastante

satisfactorios al obtener una precisión del 95% y del 85% en su clasificación, con uno o dos años de

antelación respectivamente respecto a la fecha de quiebra.

Page 51: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

44

3.2.2. Modelos modernos

3.2.2.1. Modelo KMV – Merton

Según Vasicek (1997), este modelo fue desarrollado por Kealhofer, McQuown y Vasicek, el cual es

una extensión del modelo de Merton, que toma en cuenta el comportamiento crediticio de los deudores.

Los autores sostienen que es un modelo de diversificación basado en las correlaciones del mercado de

acciones que permite estimar la probabilidad de incumplimiento entre activos y pasivos.

Según Vasicek (1997), el modelo KMV define la probabilidad de incumplimiento como una función de

la estructura del capital de la firma, la volatilidad del rendimiento esperado de los activos y su valor

actual. Los autores sostienen que los supuestos más importantes del modelo son:

i) No existen costos de transacción.

ii) No existen impuestos.

iii) Divisibilidad infinita de los activos.

iv) Acceso a la información sin costo.

v) Transacciones realizadas en el mercado continuamente.

vi) No existen pagos de dividendos.

vii) No existen recompra de acciones.

viii) No existen pago de cupones (deuda cupón cero).

ix) No existe ley de banca rota a la cual acogerse.

x) Se asumen tasas de interés constantes.

En la tabla N°3.2 se presenta un resumen del modelo estructural de KMV MERTON:

Tabla 3.2: Modelo estructural KMV – MERTÓN.

Fuente: Fabozzi, Martellini y Priaulet, 2006 citado de Martínez y Ballón (S.f).

Valor de Mercado del Patrimonio

(Precio de las acciones)

Valor de libros de la deuda

(Estados financieros)

Modelos de Valoración de opciones (B&S)

Valor implícito de los activos y su volatilidad

Probabilidad de incumplimiento

Page 52: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

45

3.2.2.2. Modelo de valuación de Merton

Merton (1974), propone un modelo que vincula el riesgo de default con la estructura de capital de las

empresas. La premisa básica del modelo establece como supuesto que el default ocurre si el valor de

los activos cae por debajo de los pasivos. De la identidad contable Activos = Pasivos + Patrimonio

Neto, y del supuesto según el cual los accionistas reciben el valor residual de la empresa, si los pasivos

superan el valor de los activos, el valor del patrimonio neto será nulo y se esperará que la empresa

ejerza la opción de declararse en default.

Munafo (2018), sostiene que para estimar la probabilidad de default en el modelo de Merton se calcula

el valor de los pasivos y el valor de los activos. El valor de los pasivos se considera como un bono

cupón cero y además se supone fijo en el corto plazo, hasta T, por lo que su valor se puede extraer de

los estados financieros de la empresa. Para estimar el valor de los activos en el corto plazo, el cual no

se supone fijo, se necesita especificar la distribución de probabilidad en T. Una suposición común

establece que el valor de los activos financieros (𝐴𝑡) sigue una distribución logarítmica normal.

Simbolizamos a t como el período actual, donde 𝜇 es la media y 𝛿 la volatilidad de los activos. Siendo t

el período actual, el valor logarítmico del activo en T sigue una distribución normal con los siguientes

parámetros:

ln 𝐴𝑡 ~𝑁 (ln 𝐴𝑡 + (𝜇 − 𝛿 2 2) ∗ (𝑇 −𝑡), 𝛿 2 (𝑇 − 𝑡))

Figura N° 3.1: Teoría de probabilidad de incumplimiento de Merton.

Fuente: Munafo, 2018.

Page 53: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

46

De acuerdo a García y Lozano (2014), manifiestan que las aportaciones de Merton fueron que, si se

conoce la distribución de probabilidad del valor del activo de la compañía en el tiempo, al haberse

estimado el valor actual de los activos, se puede obtener la distribución de probabilidad del valor de los

activos en un horizonte temporal T. Cuando el valor de los activos es menor que el valor del pasivo,

entonces se produciría el impago. Las probabilidades de que el activo valga menos que ese umbral es la

probabilidad de que se produzca el fallido (probabilidad de quiebra).

Según Saavedra y Saavedra (2010), la valuación del riesgo de crédito se basa en la probabilidad de que

el prestatario o emisor del bono incumpla con sus obligaciones (ocurra un default). Un factor

importante en la ocurrencia del incumplimiento es su relación con los ciclos económicos, ya que este

incumplimiento suele reducirse durante los períodos de expansión económica, al mantenerse tasas

totales de impagos bajas; mientras que sucede lo contrario en períodos de contracción económica.

3.3. Determinantes del riesgo de crédito

Respecto a los diversos determinantes del riesgo de crédito, Kalirai y Scheicher (2002), evidencian que

el riesgo de crédito es determinado por variables económicas como el PBI, la estabilidad de los precios

(medida por el Índice de Precios al Consumidor), ingreso, consumo e inversión en los hogares y

sectores corporativos, además los índices de mercados financieros (tasas de interés e índices de

mercados accionarios) y las variables que afectan la solvencia externa como el tipo de cambio, las

exportaciones y el precio del petróleo. La propuesta de que el PBI es determinante en el riesgo de

crédito es reforzada por Vázquez, Tabak y Souto (2010), quienes sostienen que existe una sólida

relación inversa entre el riesgo de crédito y las variaciones del PBI, con una respuesta de mediano

plazo, dicha relación se muestra en la figura N°3.2.

Figura N° 3.2: Relación entre el riesgo de crédito y el crecimiento del PBI.

Fuente: Vásquez, Tabak y Souto, 2010.

RC

PBI

Page 54: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

47

En la misma línea, Deloitte (2010), encuentra que las relaciones del riesgo de crédito con el ámbito

macroeconómico son distintas. El autor al igual que los citados en el párrafo anterior, señala que el PBI

presenta relación inversa con el ratio de riesgo, sin embargo, señala dos determinantes adicionales -la

tasa de referencia de política monetaria y la tasa de desempleo - afirma que la primera debería impactar

de manera inversa, mientras que la segunda debe impactar de manera directa en el riesgo de crédito del

sistema bancario. De manera similar, Alfaro y Sagne (2011), relacionan los agregados del sistema

bancario (pérdida de préstamos provisiones, crecimiento crediticio y castigos) con variables

macroeconómicas (crecimiento del producto, tasas de interés a largo plazo y desempleo).

Respecto al tema, Bazerque y Cabrera (2011), a diferencia de los autores antes citados, afirman que los

indicadores que influyen en el riesgo de crediticio son la dolarización del crédito, el monto adeudado y

la cantidad de defaults previos. Sin embargo, el autor coincide con los tres autores antes citados al

afirmar que la evolución del PBI del país es la variable económica que más repercute de forma global

sobre el riesgo de crédito.

Una clasificación diferente a los autores antes citados lo hace Foglia (2009), quien afirma que el riesgo

de crédito está asociado a variables macroeconómicas como PBI, tasas de interés y tipo de cambio,

además el autor asocia las variables microeconómicas propias de los bancos como las que miden la

calidad de activos bancarios. En tal sentido, para complementar este argumento Gatica y Cáceres

(2011), evidencian que el riesgo de crédito se puede explicar tanto por variables macroeconómicas

como por variables propias del sistema bancario, afirman el riesgo de crédito es explicado por las

variaciones del PBI, las tasas de interés de largo plazo, los índices de mercado bursátil, además por

variables propias del sistema bancario como el flujo de créditos suspendidos y la rentabilidad de los

bancos.

De la misma manera que Foglia (2009), y el BCRP (2013), señalan que el riesgo de crédito está

determinado por factores microeconómicos, por el lado de las entidades financieras (tecnología de

administración del riesgo crediticio de cada entidad financiera) y de los prestatarios (condiciones del

mercado en que operan las empresas, así como la situación del mercado laboral en el caso de las

familias); por factores macroeconómicos (PBI, empleo, tipo de cambio, etc.); y, otros factores propios

del sistema.

De manera complementaria Uquillas y González (2017, 2017A), indican que el riesgo de crédito es

sensible negativamente a la liquidez, a la tasa de intermediación, así como el volumen de crédito,

además reafirman lo dicho por Kalirai y Scheicher (2002), que el precio del petróleo, la actividad

económica y el desempleo son determinantes relevantes en el riesgo de crédito.

Page 55: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

48

Sin embargo, Uquillas y Gonzáles (2017), a diferencia tanto de los autores que proponen determinantes

microeconómicos como macroeconómicos, sostienen que el riesgo de crédito está determinado por el

shock bursátil, los shocks de importaciones y los impactos de la producción. Bajo esta perspectiva

autores como Flores (2011), sostiene que el riesgo de crédito en el sistema bancario está relacionado

con los típicos factores macroeconómicos como la producción, las tasas de interés, el nivel de precios

en la economía, el desempleo, el tipo de cambio, la exportaciones e importaciones, y por factores tipo

microeconómicas como la deuda de los hogares, el ingreso disponible, entre otros.

Similar clasificación a la mayor parte de autores citados, respecto a los factores macroeconómicos que

determinan el riesgo de crédito la BGFRS (2012), evidencia que el riesgo crediticio está determinado

por la actividad económica, la tasa de desempleo de la población, el ingreso, el índice de precios al

consumidor. De manera similar Capera et al. (2012), y Cabrera et al. (2012), afirman que existe

relación indirecta entre el riesgo de crédito con la actividad económica, precios de la vivienda, así

como relación directa entre el desempleo y tasas de interés. Ambos grupos de autores indican que un

incremento de la tasa de interés generaría el mayor deterioro del indicador de riesgo, aunque la

probabilidad de un aumento drástico en el riesgo es baja. A su vez, también generarían deterioro en el

indicador de riesgo un crecimiento significativo del desempleo en el caso de los hogares o una

reducción de los ingresos por ventas en el caso de las empresas.

Sin embargo, de manera contradictoria a Capera et al. (2012), y Cabrera et al. (2012), según Alfaro y

Loyaga (2018), sugieren que si las tasas de interés se incrementan, por diversas situaciones

económicas, las entidades bancarias podrán cubrirse de futuras pérdidas ante los problemas de impago

de sus clientes y, captar clientes que tengan alta capacidad de pago y que pueden asumir una tasa de

interés elevada, con lo cual mantienen bajo el riesgo de crédito y en muchos casos ante un incremento

de la tasa de interés reduce el riesgo de crédito a través del canal del crédito.

Con el paso de los años los determinantes del riesgo de crédito del sistema bancario no han cambiado

de los que se han afirmado por los autores citados anteriormente, así lo evidencia Moreno (2016),

quien sostiene que el comportamiento macroeconómico impacta sobre el riesgo de crédito, así como la

inflación, la tasa de interés y el desempleo, el autor además señala que dichas variables son

significativas para predecir el comportamiento del riesgo de crédito. Dicho argumento se venía

afirmando desde años anteriores, así Deloitte (2010), sostiene que uno de los principales riesgos que

enfrenta la banca corresponde a las obligaciones contraídas por parte de sus deudores, afirma además

que los ciclos económicos afectan la capacidad de pago de los deudores, por eso es importante tener en

Page 56: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

49

consideración el efecto de los vaivenes en la economía y como estos afectan la dinámica del nivel de

provisiones y colocaciones de las instituciones financieras.

El argumento de Deloitte (2010), se reafirma 6 años después por Rodríguez (2016), quien señala que:

La prueba de riesgo crédito busca relacionar la pérdida asociada a los préstamos bancarios con la

capacidad de pago de los deudores, el gasto de provisión, el crecimiento del producto, las tasas de

interés y el nivel de endeudamiento. El mismo autor afirma que: Se interpreta que el ratio de cartera

deteriorada es producto del crecimiento del índice del PBI real y la diferencia entre las tasas de largo

y corto plazo.

Por otro lado, la literatura de los principales determinantes del riesgo de crédito encontrados cita a

Demirguc-Kunt y Detrgiache (Citado por Rodríguez, 2016), quien, respecto a variables

macroeconómicas, afirma que los factores como bajas tasas de crecimiento del PBI, pero, acompañado

por niveles altos de tasas de intereses e inflación incrementen las probabilidades de que ocurran

problemas sistémicos en el sistemáticos bancario (incremento del riesgo). Sin embargo, con una

perspectiva más amplia a la citada, Jiménez y Benavides (2016), sostienen que el riesgo de crédito en

el sistema bancario está determinado por el nivel de producción, el consumo privado, el desempleo, la

inflación, los créditos otorgados por el sector bancario, exportaciones totales, el tipo de cambio real y

la tasa de interés real nacional.

Asimismo, complementando lo señalado por Jiménez y Benavides (2016), quienes proponen al tipo de

cambio como uno de los determinantes del riesgo de crédito, Martínez et al. (2017), considera que

efectivamente el riesgo de crédito está determinado por el tipo de cambio, pero, también por las

variables propuestas tanto por Deloitte (2010), y Alfaro y Sagne (2011), como son la tasa de referencia

de política monetaria, el desempleo, el PBI y las tasas de interés.

En la misma línea de Foglia (2009), Gatica y Cáceres (2011), Uquillas y González (2017A), afirman:

La morosidad se agrava a medida que el volumen de crédito concedido crece más rápidamente

que la actividad económica. Factores específicos como la liquidez y el margen de

intermediación se relacionan negativamente con las tasas de morosidad futuras, lo cual pone de

relieve la importancia de la calidad de administración en las instituciones financieras. Aunque

puede resultar intuitivo que indicadores del bienestar económico del país o de las entidades

financieras afecten a la morosidad.

Page 57: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

50

A diferencia de Foglia (2009), Gatica y Cáceres (2011), y de Uquillas y González (2017, 2017A), una

clasificación más completa sobre los determinantes del riesgo de crédito la hace Cristófoli (2017), el

autor señala que dichos factores estarían agrupados en: crédito (incluyendo indicadores sobre la

evolución, el nivel de endeudamiento y el comportamiento del crédito del sector privado no financiero,

el tipo de interés que se aplica, y la evolución de precios), liquidez (factores e indicadores que hacen

referencia a la liquidez de las entidades bancarias y a la liquidez del mercado), concentración,

mercados financieros, desequilibrios macroeconómicos (factores e indicadores que hacen referencia a

la deuda externa, al sector público en general y a las cuentas nacionales), economía real (engloba

indicadores sobre crecimiento económico y desempleo).

Asimismo, al igual que Cristófoli (2017), en cuanto a los determinantes macro y microeconómicos que

impactan en el riesgo de crédito Gonzáles (2017), señala que los factores macroeconómicos que

determina el riesgo de crédito son la variación real del producto bruto (PIB), los precios de las materias

primas, el nivel de ingresos y el empleo, la inflación, el tipo de tasas de interés, el nivel de

endeudamiento, la depreciación de la moneda, el tipo de cambio real, entre otros. por otro lado, afirma

que los factores microeconómicos son importantes debido a que una adecuada selección de créditos y

mantenimiento de un sistema de vigilancia para la recuperación de los mismos, disminuye el riesgo de

crédito, entre los cuales resaltan los que miden la calidad de activos, la liquidez, el rendimiento, la

rentabilidad, la eficiencia operativa, entre otros.

Dua y Kapur (2018), siguieren que existe relación entre el riesgo de crédito y el ámbito

macroeconómico, determinada a través variables que incluyen la tasa de crecimiento del PBI, la tasa de

interés, la tasa de crecimiento del dinero y el tipo de cambio. Los autores señalan que:

Se espera que la probabilidad de default (riesgo de crédito) será determinado en general, un

indicador cíclico como medida del crecimiento económico tales como- la producción real o

tasa de crecimiento del PIB, índice de producción industrial y brecha de producción. Su

impacto en la tasa de mora se espera que sea negativo.

Los mismos autores indican que entre los indicadores de estabilidad de los precios, las medidas

comunes incluyen la tasa de inflación y la tasa de crecimiento del dinero.

Urbina (2017), señala que existen diversos factores que influyen sobre el riesgo de crédito del sistema

bancario, tal es el caso de la inflación, según el autor existen enfoques diferentes sobre el impacto de

esta variable en el riesgo de crédito, otra variable macroeconómica que impacta en el riesgo de crédito

es el desempleo, se espera una relación directa con el riesgo de crédito.

Page 58: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

51

Según BGFRS (2019), sostiene que los factores que deben incidir sobre el riesgo de crédito es el

Producto Interno (PIB) Nominal y Real; la tasa de desempleo de la población, cambios porcentuales (a

una tasa anual) en renta personal disponible real y nominal, y el porcentaje de cambio (a una tasa

anual) en el índice de precios al consumidor.

Los autores citados en el párrafo anterior, coinciden con Rodríguez (2016), quien señala que el impacto

producido por una variación de las variables exógenas a la economía local no es tan significativo en la

evolución y la tendencia de los indicadores de riesgo de la banca múltiple, mientras que el impacto que

generan las variables endógenas de la economía del país (variables que explican la evolución de la

economía, como el PBI, la inflación, el desempleo, el tipo de cambio, las exportaciones, la inversión,

las importaciones, la tasa de referencia de política, etc.) es significativo en los indicadores de riesgo

crédito de la banca múltiple.

3.4. Choques macroeconómicos y vulnerabilidad financiera

Según Carrera y Lanteri (2007), el fenómeno de las crisis en el sector financiero ha sido tema de

estudio en la literatura tanto a nivel teórico como empírico. Las principales teorías destacan ciertos

rasgos de los sistemas financieros, que los hacen vulnerables a shocks o a cambios en las expectativas

individuales de los agentes económicos respecto de la solvencia de las entidades financieras.

Torres (2012), manifiesta que una crisis financiera es una perturbación más o menos repentina que

produce una pérdida considerable de valor en instituciones o activos financieros que tienen influencia

decisiva en la marcha de los negocios y de la actividad financiera y económica general y que provoca

un desequilibrio fundamental entre la demanda de medios de financiación que realizan los sujetos

económicos y la oferta que hacen las entidades o intermediarios financieros.

Según Carrera y Lanteri (2007), debido a la naturaleza de las actividades que desarrollan, las entidades

financieras suelen estar expuestas a riesgos asociados con el comportamiento de la economía. Las

entidades asumen pasivos (depósitos) que son exigibles a corto plazo, pero poseen activos (préstamos)

de mayor riesgo y plazos más extensos. Cuando aumentan las dificultades de los prestatarios, el valor

de los activos de las entidades disminuye, mientras que el valor de sus pasivos se mantiene constante.

Un shock macroeconómico desfavorable incrementaría el riesgo crediticio para las entidades

financieras al reducir el valor de los activos de las firmas.

Paredes (2011), sostiene que las crisis bancarias, con su consecuente crisis financiera son resultado de

una combinación de diversos factores que se retroalimentan para agravar la crisis. En base a ello, se

puede inferir que las crisis financieras, bancarias y el riesgo de crédito no es lo mismo; la crisis

Page 59: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

52

financieras son problemas en todo el sistema financiero (Reguladoras, bancos, cajas, empresas

financieras, etc.); las crisis bancarias son eventos adversos que sufre el sub sistema bancario o los

bancos; mientras que, el riesgo de crédito es un indicador de problemas tanto en el sistema bancario

como en el sistema financiero, dichos puntos y su relación con los escenarios adversos serán tratados a

continuación.

3.4.1. Escenarios adversos y sistema financiero

Cristófoli (2017), sostiene que es de especial interés tener en claro a qué se refiere la estabilidad

financiera; se puede postular que la estabilidad financiera de un país está condicionada a las políticas

macroeconómicas que buscan establecer comportamiento prudencial y a su vez intentan, entre otras

cosas, generar tranquilidad en los inversores, es decir, buscan la estabilidad, por lo que ambos

conceptos están altamente asociados. Por otro lado, enfocándonos específicamente en los escenarios

adversos BGFRS (2012), afirma: El escenario adverso se caracteriza por un debilitamiento de la

actividad económica en todas las economías incluidas en el escenario combinada con un aumento

repentino de la inflación doméstica que provoca un rápido aumento de las tasas de interés a corto y

largo plazo.

Según ambas definiciones citadas en el párrafo anterior surgen dos postulados sobre la relación que

tiene el sistema financiero con el entorno macroeconómico, de esta forma Carrera y Lanteri (2007),

señalan que existen discrepancias respecto de la relación entre la economía real y el sector financiero.

El dilema pasa por determinar si son las caídas en los niveles de actividad las causantes de las crisis

financieras o si, por el contrario, son las crisis en el sector financiero las responsables de los problemas

en la economía real.

La respuesta empírica a esta interrogante resulta de importancia para determinar directrices de política

económica, ya que permitiría dilucidar si corresponde impulsar en primer término la protección del

sistema financiero frente a los choques macroeconómicos desfavorables (de origen doméstico o

externo), o bien si debería priorizarse proteger al resto de la economía de las situaciones de crisis o

vulnerabilidad en el sector financiero.

En el primer grupo de autores se tiene a Flores (2011), quien indica que los resultados del sector

financiero y la buena situación económica se encuentran estrechamente relacionados. El autor afirma

que, durante la fase expansiva del ciclo económico, suele elevarse en conjunto la rentabilidad

registrada por las instituciones financieras. Después, durante la fase contractiva, la rentabilidad tiende a

caer a medida que disminuyen la actividad.

Page 60: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

53

En esta línea, Cabrera et al. (2012), explican que los choques macroeconómicos se transmiten al

sistema financiero, los autores señalan que primero, hay un shock agregado a la economía, que se

refleja en una reducción en el crecimiento del PIB real, un aumento de las tasas de interés reales,

disminución de los precios y aumento del desempleo. Este shock provoca cambios la tasa de

crecimiento de las carteras de crédito así como en diversas variables del sistema financiero.

Para validar lo citado en el párrafo anterior Carrera y Lanteri (2007), sostiene que debido a la

naturaleza de las actividades que desarrollan las entidades financieras suelen estar expuestas a riesgos

asociados con el comportamiento de la economía. Los autores afirman que las entidades asumen

pasivos (depósitos) que son exigibles a corto plazo, pero poseen activos (préstamos) de mayor riesgo y

plazos más extensos. Cuando aumentan las dificultades de los prestatarios, el valor de los activos de las

entidades disminuye, mientras que el valor de sus pasivos se mantiene constante. Un shock

macroeconómico desfavorable incrementaría el riesgo crediticio para las entidades financieras al

reducir el valor de los activos de las firmas. Por ello, el seguimiento de las variables que afectan a la

economía real sería útil para identificar situaciones de vulnerabilidad o crisis en el sector financiero.

Por su parte según Cristófoli (2017), es posible afirmar que la estabilidad financiera de un país está

condicionada a las políticas macroprudenciales que se asocian a ella, y a su vez las políticas que se

establecen buscan, entre otras cosas, generar tranquilidad en los inversores financieros, es decir, la

estabilidad financiera. El mismo autor señala que la interrelación entre ambos tiende a incrementarse

en épocas de crisis; dicho de otra manera, los contagios son más pronunciados que en un escenario

donde todo marcha normal.

De acuerdo a Carrera y Lanteri (2007), los shocks que podrían afectar el sistema financiero, de donde

el riesgo de crédito es parte, son:

i) Caídas o bajas tasas de crecimiento en el PBI real.

ii) Expansión en el crédito bancario doméstico.

iii) Apreciación del tipo de cambio real.

iv) Aumento de la relación M2/reservas internacionales.

v) Incremento del déficit del gobierno respecto del PBI.

vi) Alzas en las tasas de interés reales domésticas.

vii) Mayores tasas de inflación.

viii) Elevada volatilidad en algunas variables macroeconómicas.

ix) Deterioro en los términos de intercambio.

x) Aumentos en las tasas de interés internacionales y reversión en los flujos de capital.

Page 61: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

54

Como contrapartida a los autores citados el mismo Flores (2011), sostiene que los beneficios de la

estabilidad financiera son la reducción de la incertidumbre, que se traduce en efectos externos positivos

en la economía real y una mayor contribución positiva la economía. El autor señala que los costos de la

inestabilidad financiera o crisis financiera trae consigo efectos externos negativos y altos costos

económicos como los directos (costos fiscales por la resolución de crisis bancarias) y los indirectos por

la pérdida del crecimiento económico. Por tanto, la estabilidad financiera tiene un carácter de bien

público, la estabilidad financiera desempeña un papel fundamental para el sistema financiero y para el

conjunto de la economía.

Para reforzar lo postulado por Flores (2011), Dua y Kapur (2018), afirman que la experiencia de la

economía mundial en la crisis financiera global posterior revela claramente cómo la salud del sector

financiero de un país tiene profundas implicaciones para su economía, así como para otras economías.

Es decir, el autor a diferencia de los demás señala que la crisis se produce en el sistema financiero y es

este el que impacta sobre la actividad económica.

3.4.2. Escenarios adversos y sistema bancario

Muñoz (1999), de acuerdo a la relación de los ciclos económicos y crisis bancarias, sostiene que

existen distintas formas por las cuales el desenvolvimiento macroeconómico puede conllevar a

situaciones difíciles para los bancos y, en el peor de los casos, conducir a crisis bancarias. En general,

un ciclo económico adverso puede provocar impagos en la cartera de créditos de los bancos, afectando

finalmente la solvencia bancaria. La presencia de ciclos recesivos previos a la ocurrencia de crisis

bancarias parece ser una constante, tal como lo evidencian las experiencias recientes en países

latinoamericanos. El autor muestra evidencia de que en las crisis bancarias sufridas por Argentina,

Bolivia, Chile, México y Venezuela se registró un marcado proceso recesivo uno o dos años antes que

la crisis se materializara.

Alfaro et al. (2009), afirman que hay una fuerte relación entre el ciclo económico y las variables

bancarias, pues señalan que, ante un shock negativo sobre la brecha de producto, el crecimiento de las

colocaciones se ve afectado negativamente mientras que además aumenta el gasto en provisiones y los

castigos, deteriorando la cartera de créditos y, por ende, el sistema bancario nacional. Bajo similar

perspectiva Vargas y Díaz (2016), sostienen que la crisis bancaria, se deriva de la volatilidad del

entorno macroeconómico, engloba como situaciones detonantes, los cambios inesperados en los

precios de los commodities, de la exportación o de las tasas de interés. Como ejemplo de estos tipos de

crisis la de México, en 1982, y la de Rusia, en 1998.

Page 62: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

55

Por otro lado, autores como Vargas y Díaz (2016), Amieva y Urriza (2000) y Latter (1998), sostienen

que las crisis pueden provenir de desórdenes tanto macroeconómicos como microeconómicos, así los

autores citados señalan que las causas de las crisis bancarias pueden separarse bajo diversos rubros: la

inestabilidad macroeconómica; la supervisión deficiente; las malas estrategias; la administración débil;

los sistemas de control inadecuados; las fallas operacionales y el fraude.

De acuerdo a las causas macroeconómicas Latter (1998), señala que las crisis bancarias se atribuyan a

acontecimientos macroeconómicos adversos. Así, la inestabilidad macroeconómica se menciona como

la principal fuente de inestabilidad bancaria, que se inicia por la combinación de un desplome en los

precios de los activos, especialmente de bienes raíces, un brusco aumento de las tasas de interés o una

baja en el tipo de cambio; una rápida desaceleración del ritmo de la inflación general (los bancos

generalmente prosperan durante una inflación elevada, en especial por el señoreaje y la ilusión

monetaria, a menos que las autoridades tomen medidas para recuperar tales beneficios); o el inicio de

una recesión. Desde luego que todos estos factores están interrelacionados.

Amieva y Urriza (2000), señalan que mayoría de las crisis bancarias estuvieron precedidas por algún

tipo de choque macroeconómico. Los autores resaltan que, en la mayoría de los países, los períodos de

crisis estuvieron asociados con reducciones substanciales en el crecimiento económico, la inversión y

la inflación. Es así que, los choques macroeconómicos influyen en las crisis bancarias mediante sus

efectos sobre la calidad de los activos bancarios, el fondeo de recursos y la dinámica crediticia.

También contribuyen las expectativas, la volatilidad externa e interna y la expansión excesiva de los

agregados monetarios.

Estos autores señalan también que los choques macroeconómicos deterioran la demanda de depósitos y

otros pasivos bancarios y, por lo tanto, la habilidad de los bancos para fondear su portafolio. Agregan

que las expectativas de los agentes económicos también pueden jugar un papel importante en las crisis

bancarias ya que estas pueden ser causadas por un efecto rebaño, el cual, consiste en la generalización

de las expectativas sobre un posible evento adverso, a pesar de que dichas expectativas se sustenten, o

no, con sólidos elementos analíticos.

En cuanto a los factores microeconómicos que pueden influir sobre el deterioro del sistema bancario

según Amieva y Urriza (2000) y Latter (1998), le atribuyen a la infraestructura inadecuada en aspectos

contables, el riesgo moral, falta de transparencia, la deficiente evaluación de crédito, la exposición a

riesgos de las tasas de interés o de los tipos de cambio, la concentración de préstamos y los préstamos

vinculados debería haber controles empero en algunos países los bancos individuales o tienen vínculos

Page 63: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

56

de larga permanencia con clientes específicos o con sectores económicos, debilidad en la regulación y

supervisión bancarias.

En el contexto, donde los factores microeconómicos impactan sobre el sistema bancario Cosentino

(2015), afirma que:

Los bancos están expuestos a diversos riesgos y se les suma que las relaciones entre los

mismos suelen ser muy grandes, ya que se suelen prestar grandes cantidades de dinero. Este

cóctel ocasiona que si un banco muy grande o un pequeño grupo de bancos medianos ven

debilitada su situación en términos de liquidez (no tener efectivo para hacer frente a los

egresos de dinero) o de solvencia (que el patrimonio neto sea negativo, es decir que el activo

sea menor que el pasivo), entonces deteriora la posición de todo el sistema.

Contradiciendo a los anteriores autores citados en este apartado, Quagliariello (2004), según los

resultados encontrados en su estudio para Italia para el periodo 1985 – 2002, señala que, si bien existe

una relación entre recesiones y crisis bancarias, la relación temporal no es perfecta, y puede que no

toda recesión coincide con una crisis bancaria ni toda crisis bancaria se produce durante una recesión

económica. En efecto, el tema de que las crisis financieras no necesariamente coinciden con las crisis

económicas.

3.4.3. Escenarios adversos y riesgo de crédito

De acuerdo a Rodríguez (2016), sostiene que el marco teórico de las pruebas de resistencia está en

pleno auge y evolución, debido a la importancia que han cobrado las pruebas en los episodios

posteriores a la crisis y las necesidades regulación recientes, bajo dicho argumento se construye el

marco teórico en base a las diversas perspectivas de los autores en cuanto a la relación que existe entre

los escenarios adversos (de estrés o crisis) y el riesgo de crédito del sistema bancario.

Bajo la premisa anterior Jara et al. (2008), sostienen que el riesgo de crédito es capturado a partir del

mayor gasto en provisiones en que se incurre durante un período determinado debido al deterioro de las

condiciones macroeconómicas y macro financieras implícitas en los escenarios de riesgo. En este

contexto, Cabrera et al. (2012), señalan que los efectos de un aumento en el riesgo crediticio son

consecuencia de los cambios en el entorno macroeconómico, respecto a la crisis del año 2009, el autor

señala que los efectos de la crisis en la tasa de desempleo mundial fueron bastante grandes en el

sistema financiero y bancario.

En este contexto, Uquillas y González (2017), sostienen que el entorno macroeconómico favorable en

los años previos a la crisis mundial proporcionó condiciones crediticias favorables y menores

Page 64: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

57

préstamos improductivos de los bancos. Sin embargo, el aumento de los préstamos morosos es una

característica destacada de las crisis financieras producto de la inestabilidad del entorno

macroeconómico.

Asimismo, Urbina (2017), señala que eventos como la crisis asiática y la crisis subprime, han

señalizado que tanto shocks internos como externos son un mecanismo de transmisión del riesgo, cuyo

impacto a nivel bancario se traduce en el deterioro de la calidad de cartera de crédito y en diversas

ocasiones estos eventos condujeron a crisis bancarias.

Además, como fundamento que escenarios adversos impactan en el riesgo de crédito del sistema

bancario Gatica y Cáceres (2011), señalan que el riesgo de crédito y el crecimiento de la producción

tienen una correlación negativa. Específicamente hay una relación contracíclica e incluso una

exacerbación de las provisiones ante una mala condición económica del país. Esto, según los autores se

da fundamentalmente ya que, en períodos de menor crecimiento económico, el empeoramiento de las

condiciones financieras de los deudores bancarios se ve reflejado en aumentos en el gasto en

provisiones llevando posiblemente a condiciones de inestabilidad financiera.

Por su parte de manera similar según Demirguc-Kunt y Detrgiache (citado por Rodríguez, 2016),

sostienen que los factores como bajas tasas de crecimiento del PBI acompañado por niveles altos de

tasas de intereses e inflación incrementen las probabilidades de que ocurran problemas sistémicos en el

sistema bancario.

De manera similar Cabrera et al. (2012), explican que son los choques macroeconómicos los que se

transmiten al sistema financiero, el autor señala que primero, hay un choque agregado a la economía,

este se refleja en una reducción en el crecimiento del PIB, un aumento de las tasas de interés reales,

disminución de los precios y aumento del desempleo. Esto a su vez, provoca cambios en la dinámica

de los prestamos improductivos (riesgo de crédito) y la tasa de crecimiento de las carteras de crédito.

El primero causa una variación en los ingresos por intereses y en las provisiones para pérdidas

crediticias (LLP); mientras que el último causa variación en los activos, los activos ponderados por

riesgo (RWA) y en los ingresos por intereses debido a nuevos desembolsos. Tal mecanismo de

transmisión se muestra en la tabla N°3.3.

Page 65: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

58

Tabla 3.3: Esquema de las pruebas de estrés.

Fuente: Traducido de Cabrera et al., 2012, pág.7.

Gatica y Cáceres (2011), afirman que las condiciones económicas pueden afectar la situación de un

banco, es importante tomar la perspectiva de cómo un shock a alguna variable macroeconómica puede

perjudicar la condición financiera de los clientes últimos de las entidades, ya que son estos quienes se

ven primeramente perjudicados ante, por ejemplo, un aumento del desempleo, repercutiendo su ingreso

disponible y, por ende, aumentando su probabilidad de incumplimiento. De manera similar Flores

(2011), argumenta que las pérdidas crediticias deberían ser explicadas por shocks inesperados y su

impacto debería ser peor si el sistema bancario se encontrará en un estado frágil.

Muñoz (1999), muestra evidencia de que en las crisis bancarias sufridas por Argentina, Bolivia, Chile,

México y Venezuela se registró un marcado proceso recesivo uno o dos años antes que la crisis se

materializara, para todos los países estudiados la recesión impacta directamente sobre el riesgo de

crédito del sistema bancario.

Choque agregado a

la economía

↓ ∆ PBI real

↑ ∆ tasa de interés real ↓ ∆ precio real de la vivienda ↑ ∆ ratio de desempleo

∆ Crecimiento de NPL (Riesgo) ∆ Crecimiento del crédito

∆ Ingresos

por

intereses

∆ Provisiones

por pérdida

esperada.

↓ ∆ contracíclico

de provisión de

pérdida de

préstamo.

↑ ∆ Ingreso

de Interés

neto.

∆ Ganancias antes de

impuestos (GAI)

∆ ROA

↓ ∆ Capital ∆ Ratio Core Tier 1 ∆ Relación

de Adecuación capital

∆ Activos y

riesgo

Activos

ponderados

GAI es < 0

∆ CC > 0%

Page 66: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

59

La evidencia mostrada por el autor se presenta en la tabla N°3.4, donde destaca el hecho que la mayor

parte de crisis bancarias, ha estado precedida por un shock en el ciclo económico, el mismo que

impacta de forma inversa sobre el riesgo de crédito. La recesión en Argentina de 1980 – 1982 hace que

el sistema bancario entre en crisis, incrementando la tasa de morosidad de 9% en 1980 a 30% en 1985

y además 168 instituciones cerradas. En Chile, la recesión entre 1982-1983 impacta sobre el sistema

bancario haciendo que en 1983 la tasa de morosidad alcanza 19%. En México recesión en 1995, el PBI

disminuyo entre 6-8% en 1995 y la morosidad paso de 9% en 1994 a 12% en 1995. Similar situación se

encuentra en los demás países presentados.

Tabla 3.4: Ciclo económico y crisis bancaria, experiencia en Latinoamérica

CICLO ECONÓMICO Y CRISIS BANCARIA, EXPERIENCIA LATINOAMERICANA

País Ciclo económico Situación del sistema bancario

Argentina

1980 – 1982

1989 – 1990

1995

Bolivia

1994 – 1995

Chile

1981 – 1987

México

1982

1994 – 1995

Venezuela

1994 – 1995

Perú

2008 – 2009

1999

Recesión entre 1980-82.

Recesión entre 1988-1990.

El crecimiento económico se

desacelera a partir de 1993.

Recesión 1995.

Crecimiento económico

moderado, rápida expansión

del crédito.

Recesión entre 1982-83

Crisis de la deuda

Recesión en 1995. El PBI

disminuyo entre 6-8% en

1995.

Recesión entre 1993 – 95

Recesión 2008 – 2009

Crisis de 1999

Crisis. La tasa de morosidad de 9% en 1980 a 30% en 1985.

168 instituciones cerradas.

Crisis. La tasa de morosidad alcanzó el 27%. Los bancos

liquidados representaron 40% de los activos totales.

Crisis. Hasta setiembre de 1995, 45 instituciones de un total de

205 fueron cerradas o absorbidas.

2 bancos cerrados (11% de los activos totales), y 4 de un total

de 15 bancos (30% de los activos) estaban en

descapitalización.

Crisis. En 1981, se intervinieron 4 empresas bancarias y otras 4

no bancarias (33% del crédito total). En 1983 la tasa de

morosidad fue de 19%.

Crisis. El gobierno toma control del sistema.

Crisis. La tasa de morosidad paso de 9% en 1994 a 12% en

1995.

Crisis. En 1993, la tasa de morosidad alcanzó el 8.5%. en

1994, 13 de 47 bancos fueron intervenidos.

Crisis financiera internacional. La tasa de morosidad que hasta

2007 mostraba tendencia hacia abajo, en enero 2008 empieza a

revertirse.

Después del boom crediticio, ocurrió, pues las crisis, asiática

(1997) y rusa (1998) fueron los detonantes. En 1998 la banca

múltiple estaba conformada por 25 bancos, que después de

diversas quiebras, fusiones y adquisiciones pasaron a ser sólo

18.

Fuente: modificada de Muñoz, 1999.

Page 67: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

60

3.5. Teorías de crisis del sistema financiero

3.5.1. Teoría de “las corridas” bancarias Diamond y Dybvig (1983), quienes observaron que las corridas bancarias podrían ser autogeneradas,

aun en el caso de entidades solventes pero ilíquidas. En este caso, las corridas tienen lugar cuando

algunos depositantes esperan que otros retiren sus depósitos, incluso en ausencia de un deterioro inicial

en la posición de los bancos. Las corridas sobre algunas entidades individuales podrían amenazar al

sector financiero en su conjunto si los depositantes pensaran que otros bancos del sistema presentan

también riesgos de contagio, en este caso, la corrida bancaria podría convertirse en una crisis bancaria.

McCandless et al. (2002), sostienen que, dentro del primer grupo de modelos, Diamond y Dybvig en

1983 presentan un modelo en el cual las corridas bancarias son una respuesta racional a las creencias

de los agentes racionales. En la medida que el consumidor cree que el banco no posee reservas

necesarias para hacer frente a los retiros de depósitos de ese período, se produce la corrida. Como el

modelo incorpora la idea de sequencial servicing, cualquier banco puede sufrir una corrida si los

individuos piensan que los otros correrán ese banco, todos corren para asegurarse de no quedar últimos

en la cola. En este modelo, bajo ciertas circunstancias, las corridas podrían evitarse mediante la

introducción de un seguro de depósito o mediante la amenaza de suspensión parcial.

Según Carrera y Lanteri (2007), la teoría de las corridas es una primera línea de modelos teóricos sobre

las crisis financieras y establece que los sistemas financieros serían inestables y, en consecuencia,

vulnerables a shocks aleatorios. Los efectos adversos de estos shocks podrían determinar que los

agentes económicos (los depositantes) pierdan confianza en el sistema financiero e intenten retirar sus

depósitos y canjearlos por circulante. En este caso también se observarían problemas de liquidez en las

entidades.

3.5.2. Teoría de la información asimétrica

De acuerdo a Carrera y Lanteri (2007), esta línea difiere de los modelos de corridas en que incorpora la

información asimétrica como elemento clave para la ocurrencia de las crisis bancarias y sostiene que

las corridas bancarias no serían explicadas solamente por la ocurrencia de shocks aleatorios, que

inducen a los depositantes a retirar sus depósitos del sistema financiero, sino que ellas podrían deberse

a la escasa información por parte de los depositantes sobre la exposición al riesgo y la solvencia de las

entidades (en este caso, los depositantes no serían capaces de evaluar correctamente el riesgo

individual de los bancos). Gorton (1988), afirma que podrían generarse corridas de depósitos en

Page 68: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

61

entidades solventes, debido a la escasa información de los depositantes respecto de la calidad de los

préstamos otorgados y la situación de los bancos.

De acuerdo con la teoría de la información asimétrica Carrera y Lanteri (2007), manifiestan que las

corridas de depósitos tendrían su origen en los cambios de percepción, por parte de los depositantes,

respecto de la exposición al riesgo asumida por los bancos. Las corridas bancarias podrían

desencadenarse por efectos contagio, o cuando los agentes experimentan dificultades para obtener

información sobre la solidez individual de las entidades. En este caso los depositantes se verían

obligados a utilizar información agregada sobre la marcha del sistema.

Según Carrera y Lanteri (2007), surgen tres versiones de acuerdo a la información agregada que serían

obligados a utilizar los depositantes:

i) Las crisis serían desencadenadas por fluctuaciones cíclicas extremas (‘hipótesis cíclica’).

ii) Por una inesperada caída de una importante entidad (‘hipótesis de fracaso’).

iii) Por una recesión en la economía (‘hipótesis de recesión’).

Según Carrera y Lanteri (2007), la hipótesis del fracaso resalta que la caída de una importante entidad

financiera podría generar desconfianza respecto de la solvencia del resto de las entidades y llevar al

retiro masivo de depósitos para evitar la pérdida esperada de capital (desencadenando una crisis

financiera). No obstante, suele puntualizarse que esta situación se daría preferentemente en un contexto

de recesión de la economía. La tercera justificación destaca que las crisis financieras tienen lugar a

partir de una reducción en los niveles de actividad económica (hipótesis de recesión). En este caso, los

depositantes suponen que la retracción económica podría afectar seriamente la solvencia y liquidez de

las entidades financieras.

Según el autor, el elemento común de estas tres hipótesis es la existencia de información asimétrica

entre los bancos y los depositantes, que genera externalidades de información y cambia la percepción

del riesgo sobre los depósitos bancarios. Este elemento común es la principal diferencia con el primer

cuerpo de teorías que explican las crisis financieras.

Por otro lado, respecto a la teoría de la información asimétrica, Sánchez (2001), afirma que tres

problemas han sido asociados con la información asimétrica bajo la siguiente denominación: selección

adversa (adverse selection), riesgo moral (moral hazar) y comportamiento de rebaño (herd behavior).

Cada uno tiene el potencial para conducir a los mercados financieros hacia la ineficiencia y la

inestabilidad. Estos tres puntos son explicados a continuación:

Page 69: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

62

xi) Selección adversa

Este problema hace referencia a que, en los mercados financieros, los prestamistas frecuentemente

obtienen conocimiento incompleto o limitado de la solvencia o calidad crediticia de los prestatarios. Se

considera que los prestamistas no tienen la capacidad suficiente para evaluar completamente la calidad

crediticia de cada prestatario. El precio o tasa de interés que recibirán de los prestatarios por los

préstamos reflejará sólo la calidad promedio de las empresas (o prestatarios) emisoras de valores. Este

precio probablemente será menor que el valor de mercado justo para las empresas de alta calidad, pero

mayor que el valor de mercado para las empresas de baja calidad.

xii) Riesgo moral

El riesgo moral se define como resultado de un problema de asimetría en la información. En este

sentido el riesgo moral ocurre cuando una parte en una transacción tiene el incentivo y la habilidad

para cambiar los costos sobre la otra parte. En los mercados financieros, cuando la información es

asimétrica, un prestamista puede ser incapaz de observar si un prestatario invertirá en un proyecto

riesgoso o en un proyecto seguro, y si el prestatario no está condicionado o sujeto a ciertas

obligaciones o garantías de alguna clase el resultado será una inversión excesiva en proyectos

riesgosos.

xiii) Comportamiento rebaño

Los prestamistas pueden intentar seguir la iniciativa de quien creen está mejor informado acerca de la

probabilidad de fracaso de cierto banco. El comportamiento de rebaño también puede ocurrir cuando

los inversionistas carecen de información acerca de la calidad de los administradores de dinero. Los

cuales cuando son de baja calidad encontrarán racional imitar las decisiones de inversión de otros

administradores. El rebaño puede ocurrir cuando la liquidación de un agente hace que otros adopten la

misma medida. Su aplicación ha posibilitado arribar a conclusiones que el análisis de la economía

neoclásica por sí misma no hubiera logrado.

En las mismas líneas Contreras y Burotto (2012), sostienen que la asimetría de la información,

producen ineficiencias a través del riesgo moral y la selección adversa, el mecanismo por el cual se

manifiesta es el que se muestra en la tabla N°3.5.

Page 70: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

63

Tabla 3.5: Relación de las asimetrías de la información con las ineficiencias del sistema financiero.

Fuente: Contreras y Burotto, 2012.

3.5.3. Teoría de Minsky

Minsky (1977), sostiene que la relación entre el ámbito financiero y real se manifiesta en la existencia

de dos precios para los bienes de capital, los que (basados en expectativas) representan el riesgo del

deudor y del acreedor. La igualdad de ambos precios determina el nivel de inversión. En este escenario,

las crisis financieras serían procesos complejos donde las expectativas adversas podrían llevar a una

reducción de las ganancias esperadas y a una disminución de la inversión. Ello presionaría a la baja las

tasas de interés y aumentaría la preferencia por la liquidez, induciendo una caída en la riqueza

financiera. Las ganancias disminuirían nuevamente y el proceso tendería a retroalimentarse.

Minsky (1977), estima que la inestabilidad y fragilidad financieras son intrínsecas a la economía

capitalista porque las empresas tienen que tomar sus decisiones de inversión y financiación en

inevitables condiciones de incertidumbre y gran riesgo y eso hace que las decisiones sobre el futuro

estén influidas por cambios muy bruscos de sus expectativas incluso a corto plazo. Y esas condiciones,

añadidas al atractivo de ganancias más altas pero asociadas a operaciones de mayor riesgo, son las que

incentivan los comportamientos especulativos y el exceso en la demanda de préstamos que conlleva

una constante presión al alza en los tipos de interés.

Torres (2012), de acuerdo a la teoría de Minsky, afirma que mientras que los ingresos derivados de la

actividad normal de las empresas sean estables y suficientes, la expansión podrá mantener un cierto

Page 71: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

64

equilibro entre la demanda de financiación y su oferta, pero cuando se vean afectados a la baja por

cualquier circunstancia, las empresas, o bien habrán de recurrir a nueva, más costosa y más peligrosa

financiación o a liquidar activos para hacerle frente. Resultaría entonces, según este análisis de Minsky,

que es la propia expansión la que, al generar más demanda de crédito al mismo tiempo que va

disminuyendo los ingresos, la que va provocando que el sistema financiero sea cada vez más frágil,

hasta que llega a tener un problema de liquidez que provoca la crisis.

Minsky (1977), manifiesta que la eficiencia del sector financiero influye en la actividad económica. Si

este es eficiente, el proceso préstamo – inversión – consumo funcionará, originando un aumento de la

demanda agregada, el empleo, el ingreso y el producto. Si el sistema financiero es frágil, se produce un

racionamiento del crédito, aumenta la tasa de interés, la demanda disminuye y cae el producto. Cuando

surgen problemas que afectan al sistema financiero, estos pueden trascender inmediatamente a la

economía real, al interrumpirse el crédito otorgado a las empresas y a los hogares, perjudicando tanto

el proceso prestamos- inversión – consumo como al crecimiento del producto.

3.5.4. Teoría de Mishkin – 1998

Mishkin (1998), analiza los motivos y mecanismos a través de los cuales es posible originar

inestabilidad financiera y sugiere cuatro categorías de factores fundamentales que conducen a la

inestabilidad financiera:

i) Aumentos en las tasas de interés (î).

ii) Aumentos en la incertidumbre (I).

iii) Efectos de los balances sobre los mercados de activos financieros (α).

iv) Problemas en el sector bancario (ω).

Con intención de generalizar, esta idea podría quedar expresada en la relación siguiente:

IF = f (î, I, α, ω)

Según Mishkin (1998), los cuatro factores son capaces de agravar los problemas de selección adversa y

de riesgo moral en los mercados financieros, por tanto, también a los de asimetría de la información,

ayudando a precipitar la inestabilidad financiera (IF). Respecto a los aumentos en tasas de interés,

Mishkin explica que algunos demandantes de préstamos pueden verse limitados para adquirir recursos

en crédito a pesar de su disposición a pagar una mayor tasa de interés.

Page 72: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

65

Mishkin (1998), manifiesta que cuando los bancos registran un deterioro sustancial en sus balances su

respuesta generalmente es la de contraer los préstamos a fin de restaurar las relaciones entre activos y

capital (la opción de incorporar nuevo capital es menos frecuente debido al costo que ello implica), el

efecto sobre la actividad económica es negativo. Por tanto, el deterioro en los balances de los bancos

puede proceder de los siguientes factores:

i) Aumentos de tasas de interés.

ii) Quiebra de los mercados de valores.

iii) Declive no anticipado en la inflación (el caso de los países industrializados).

iv) Depreciación o devaluación no anticipada (el caso de los países de mercado emergente con deuda

denominada en monedas extranjeras).

De acuerdo con la relación general, los países industrializados y los de mercados emergentes se

diferencian por el origen de los problemas en el sector bancario (ω), consecuentemente en la

determinación de la inestabilidad financiera (IF). Con la intención de subrayar esta diferencia

indicaremos una función general para cada grupo de países en la forma siguiente:

i) Países desarrollados: IFD = f (î, I, α, ωD)

ii) Países emergentes: IFE = f (î, I, α, ωE)

Según Mishkin (1998), los problemas bancarios en los países emergentes se manifiestan a través de las

dificultades para cumplir con los requerimientos de capital (los Acuerdos de Basilea). Esto puede

suceder si se combinasen aumentos de fondos con obligaciones denominadas en monedas extranjeras y

una depreciación o devaluación de la moneda doméstica: crece el endeudamiento, pero no el valor de

los activos de los bancos, el deterioro del capital accionarlo de los bancos conduce a una contracción

sustancial de los préstamos debido a sus problemas para cumplir con los estándares de capital vigentes.

En resumen, según Mishkin (1998), los balances de los bancos pueden deteriorarse por las siguientes

razones: a) Excesivo riesgo bancario como resultado de una inadecuada regulación y supervisión

bancaria. b) Impactos negativos, como alimentos de tasas de interés, quiebras de los mercados de

valores, declive no anticipado en la inflación (para los industrializados), o depreciación o devaluación

(para los emergentes con deuda denominada en monedas extranjeras).

Page 73: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

66

3.5.5. Teoría de Karl Marx

Según Torres (2012), autores como Carlos Marx, se vinculó la aparición de crisis financieras a la

expansión de la actividad comercial e industrial, estimando que entre ambas y la actividad financiera

había una relación estrecha, que interactuaban y que la financiera estaba en realidad al servicio de las

primeras sin perjuicio de lo cual Marx ya había señalado que en determinados se podían producir

divergencias como consecuencia de las diferentes tasas de rentabilidad que pusieran proporcionar.

Marx (citado de Torres, 2012), en su teoría sostenía que en etapas de expansión económica se produce

al mismo tiempo la del crédito pero cuando, por alguna razón específica, y en general por agotamiento

el ciclo como resultado de la progresiva aproximación de los costes a los precios, los beneficios

comenzaran a disminuir, se empezarían a liquidar los préstamos, para lo cual sería necesaria liquidez,

lo que produciría un rápido aumento en la demanda de medios de pago y una disminución de los

precios que ocasionarían la crisis.

3.5.6. Teoría de Irving Fisher

Fisher (1933), considera que las empresas tienden a financiar con crédito sus inversiones en las etapas

de expansión, sobre todo, porque en ellas aparecen innovaciones o nuevos productos que hacen muy

atractiva la inversión. Pero, en lugar de llevar a cabo este proceso de manera más o menos equilibrada,

Fisher entendió que se produce siempre un exceso de endeudamiento y que, además, tiende a

prevalecer la inversión de tipo especulativo, lo que hace más fácil que el proceso se rompa

repentinamente, simplemente como consecuencia de un cambio de expectativas o de la aparición de la

más mínima circunstancia que pueda parecer que cambiará la tendencia de los mercados y los precios.

En ese momento, la situación de sobreendeudamiento en la que se encuentran las empresas les obliga a

liquidar rápidamente activos y préstamos, provocando así la deflación y posiblemente una fase

subsiguiente de recesión.

Asimismo, Fisher (1933), sostiene que los altos niveles de deflación tienen también efectos perversos

sobre las entidades bancarias: en un escenario previo de sobre endeudamiento la liquidación de

colaterales y la disminución de los depósitos disminuyen la velocidad de circulación del dinero y, con

ella, el crecimiento del nivel de precios. Las hojas de balance de las empresas se deterioran y se entra

en una espiral de quiebras bancarias y falta de confianza.

Page 74: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

67

3.5.7. Teoría de Kindleberger

Kindleberger (1978), sobre la perspectiva de sobreendeudamiento considera que lo más relevante a la

hora de desencadenar una crisis financiera es la aparición de una circunstancia o shock externo que

altera el comportamiento de los inversores. Así, la aparición de una determinada innovación, de un

cambio normativo o de una modificación inesperada en los precios o tipos de interés provoca un

aumento en la inversión en algún bien o activo financiero con ánimo especulativo. Si este aumento

provoca una presión suficiente sobre la oferta, se producirá un aumento de precios o tipos de interés

que hará más atractiva la nueva inversión y así se comienza a alimentar un proceso en torno a dichos

activos que atrae cada vez a más inversores y que generalmente va a ser financiado con deuda,

apareciendo el sobreendeudamiento.

Asimismo, Kindleberger (1978), manifiesta que las crisis son parte de un ciclo que afecta tanto al

sector financiero de la economía como al sector real. Según esta teoría, la parte ascendente del ciclo se

verifica cuando el sector financiero otorga abundante crédito al sector real, basándose en expectativas

de un crecimiento futuro sostenido. Con el tiempo el sector financiero se torna altamente apalancado, y

cuando se produce una reversión de la situación económica y los acreedores no pueden hacer frente a

los pagos de los préstamos, se produce una crisis financiera al no tener los bancos reservas suficientes

para enfrentar las pérdidas. En resumen, según esta corriente, lo que importa a la hora de explicar una

corrida son los fundamentados de los bancos, los bancos que se corren son los insolventes.

3.5.8. Teoría monetarista: Friedman y Schwartz

Desde el punto de vista Friedam y Schwartz (1963), bajo el enfoque monetarista consideran que el

origen de las crisis financieras se encuentra en los pánicos bancarios que se producen como

consecuencia de la insuficiencia de oferta monetaria que puede provocar una pérdida de confianza que

lleva a retirar depósitos de los bancos. Si el proceso de agudiza, no solo se produce la quiebra de los

bancos, sino que, al disminuir fatalmente la oferta monetaria, se resiente inevitablemente la actividad

económica general, una situación que solo se podría resolver mediante la intervención de la banca

central para recuperar la circulación de medios de pago.

McCandless et al. (2002), sostienen que según Friedman y Schwartz en 1963 argumentan que los

pánicos devienen principalmente de una pérdida de confianza en el sector bancario en su conjunto,

originado por ejemplo en la caída de un banco grande, o de una pérdida de confianza en la moneda. En

cualquiera de los casos, el pánico está focalizado en el sistema bancario y desencadena el retiro masivo

de los depósitos, lo cual resulta en una importante contracción monetaria.

Page 75: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

68

3.5.9. Teoría de Stigliz

Según Torres (2012), Joseph Stigliz y otros autores han tratado de explicar el origen de las crisis

financieras producidas por escasez de crédito y liquidez como consecuencia de la información

imperfecta y asimétrica con la que cuentan los sujetos que intervienen en los mercados financieros.

Stigliz (2009), manifiesta que una de las causas por las cuales se transmiten las crisis es por la

globalización financiera que existe. La depresión alcanza incluso a los países en desarrollo que estaban

dirigiendo bien sus economías, que tenían buenas políticas monetarias y buenas reglamentaciones. La

crisis se está difundiendo en todos los países del mundo a través de muchas vías. La más directa, y por

la que empezó todo, es obviamente la de los mercados financieros. Las corrientes financieras tan

potentes que hubo en los años de bonanza están secándose, lo que significa que el acceso a la

financiación se hace difícil para muchos países en desarrollo.

Stigliz (2009), manifiesta que otra de las vías de contagio es la bajada sin precedentes de las

exportaciones; las cifras son de una magnitud que nadie podría haber imaginado. A ello hay que añadir

el descenso de las remesas monetarias de los emigrantes y de las corrientes de mano de obra. Cuando

flojea el empleo, unas de las primeras víctimas son, inevitablemente, los trabajadores emigrantes.

3.5.10. Teoría de Krugman

Krugman (2008), afirma que las recesiones son el resultado de una tendencia a retener liquidez por

parte de los agentes económicos, fenómeno que se traduce como un exceso de ahorro respecto a las

necesidades de inversión. La solución estriba en lo que equivaldría en su modelo a emitir más cupones,

o bien a una política monetaria expansiva bajo la égida del Banco Central.

Las crisis económicas caracterizadas por colapsos financieros, hacen que el ambiente que perciben los

individuos sea de desasosiego, frustración y desconfianza. Para Krugman (2008), las crisis recientes

entran en mecanismos complejos que propagan sus efectos hacia diferentes regiones del mundo y

causan reacciones en cadena que provocan cambios inesperados en diversos lugares, de manera que lo

que beneficia a un país puede perjudicar o fortalecer a otro.

Krugman (2008), considera que no hay una serie de medidas recomendadas para aplicar para cualquier

caso, sino que se debe responder de acuerdo con las diferentes situaciones, y además, propone analizar

a fondo el carácter de las crisis, pues son evidencias de problemas estructurales que deben ser

solucionado.

Page 76: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

69

3.6. Evidencia empírica

3.6.1. Evidencia empírica internacional

Tabla 3.6: Evidencia empírica internacional.

AUTOR/TITULO OBJETIVO METODOLOGIA CONCLUSION

Uquillas y

González (2017).

“Determinantes

macro y

microeconómicos

para pruebas de

tensión de riesgo

de crédito: Un

estudio

comparativo entre

Ecuador y

Colombia basado

en la tasa de

morosidad”

Obtener el impacto

de los determinantes

de la tasa de

morosidad en el

sistema bancario de

Ecuador, enero de

2006 - marzo de

2017 y Colombia,

enero de 2003 -

diciembre de 2014,

luego aplicarlos a

pruebas de tensión y

determinar el riesgo

de crédito del sector

bancario en dos

escenarios.

Se estima un modelo ARIMAX

sigue la metodología Box

Jenkins, luego de encontrar los

mejores modelos para cada país,

se aplica dos escenarios

posibles, el peor escenario

pesimista y el mejor escenario

optimista.

D(MORO)=β0+β1crisis+β2D((

LN(VOL)/IDEAC)))+β3D(ICC)

+β4D(RESTRICCION)+β5D(I

ND_LIQ)+β6(IND_ LIQ(-4))

+β7(INDET)+

AR(12)+MA(11)+MA(1)+u

La morosidad de ambos países es

sensible negativamente a la liquidez

(factor más importante) y a la tasa de

intermediación, pero sus impactos y la

rapidez de transmisión son diferentes.

El precio del petróleo, volumen de

crédito y actividad económica son

determinantes relevantes para

Ecuador. En Colombia, el shock

bursátil es negativo e inmediato, los

shocks de importaciones se transmiten

a corto y mediano plazo. En el caso de

Ecuador en un escenario pesimista,

para marzo de 2017, la morosidad se

incrementa en 0,14 puntos

porcentuales pasando de 7,16% a

7,30%. En un escenario optimista,

para marzo de 2017 la morosidad

disminuye 1,41 puntos porcentuales

pasando de 7,16% a 5,75%. En el

caso de Colombia, en un escenario

pesimista, para diciembre de 2014, la

morosidad pasa de 4.31% a 5.19%. En

un escenario optimista, la morosidad

pasa de 4.31% a 4.08%.

Uquillas y

González

(2017A).

“Modelo Macro

para Pruebas de

Tensión de Riesgo

de Crédito de

Consumo en el

Sistema

Financiero

Ecuatoriano"

Identificar los

determinantes del

riesgo de crédito de

consumo en el

sistema financiero

de Ecuador y el

impacto en el

período Ene.2006 -

Mar.2017 y

cuantificar cual es el

índice de morosidad

que se alcanzaría

ante posibles

escenarios.

Se estima un modelo ARIMAX

siguiendo la metodología Box

Jenkins, además de un análisis

de correlaciones y causalidad y

la prueba de causalidad de

Granger, luego de encontrar los

mejores modelos, se aplica dos

escenarios posibles, el pesimista

y optimista.

D(MORO)=β0+β1CPP+β2D((L

N( VCRED)/IDEAC))

+β3D(ICC)+β4D(REST)+β5D(

LIQ)+β6 (LIQ(-4))+β7

(M_INTER)+AR(12)+MA(11)+

MA(1)+u

Se concluye que claramente cuando

los ingresos petroleros mejoran la

percepción de la economía actual y

futura de los consumidores es positiva

y una mayor liquidez del sistema

financiero permiten que el índice de

morosidad disminuya. Para marzo

2017, en un escenario pesimista, la

morosidad hubiese incrementado en

0,14% pasando de 7,16% a 7,30 %.

En el escenario optimista para marzo

2017 la morosidad disminuye 1,41%

pasando de 7,16% a 5,75 %.

FUENTE: Elaboración propia en base a la literatura consultada.

Page 77: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

70

Tabla 3.7: Evidencia empírica internacional.

AUTOR/TITULO OBJETIVO METODOLOGIA CONCLUSION

González (2017).

"Stress Testing de la

morosidad del crédito

de consumo en el

sistema financiero

ecuatoriano."

El propósito de esta

investigación es construir

un modelo de stress

asociado a la morosidad

del crédito de consumo

en el sistema financiero

ecuatoriano,

específicamente en el

sistema de bancos

privados para el período

enero 2006 - marzo

2016.

Se hace uso de la metodología

de series temporales

incorporando variables

exógenas (ARIMAX), se sigue

a Box Jenkins, luego de

encontrar los mejores modelos

para cada país, se aplican un

escenario pesimista y un

escenario optimista.

D(MORO)=β0+β1CRISIS+β2

D(IDEAC)+β3(ICC)+β4D(RE

STRICCION)+β5D(IND_LIQ

)+β6(IND_LIQ(4))+β7(MAR

GEN_INTER)+AR(12)+MA(

11)+M(1)+u

Se concluye que los factores

que producen un mayor

impacto son: la caída

permanente del precio del

barril de petróleo que afecta

de manera positiva al

incremento del índice de

morosidad y el incremento del

margen de intermediación

financiera.

En un escenario optimista el

índice de morosidad mínimo

que alcanza es de 6.40% y el

máximo es de 7.93%. Por su

parte en un escenario

pesimista el índice de

morosidad minino es de

8.57% y el máximo es de

10.23%.

Dua y Kapur (2018).

"MACRO STRESS

TESTING AND

RESILIENCE

ASSESSMENT OF

INDIAN

BANKING”

El objetivo de este

trabajo es evaluar la

resistencia de los bancos

de la India a las

condiciones

macroeconómicas en

dificultades o estrés

macroeconómico en el

período 2010Q3 –

2013Q2. Así como

identificar los

determinantes del riesgo

de crédito de su sistema

bancario en el período

1997Q2 – 2010Q2.

Se utiliza el análisis de

escenarios y técnicas

cuantitativas para capturar el

impacto de estrés

macroeconómico sobre la

estabilidad de los bancos de la

India mediante la evaluación

de la solidez financiera

indicadores. Primero para la

construcción del modelo se

realiza a través de la

metodología de VECM con

series no estacionarias, así

como el análisis de

cointegración de con la técnica

de Johansen para el caso del

sistema bancario de la india en

el período 1997Q2 – 2010Q2.

El estrés lo realizan para el

período 2010Q3 – 2013Q2

NPA = f (y, m,i, e,i )̅

Los resultados de la

estimación de la modelo

indican una relación de

cointegración entre la calidad

del crédito y la clave

macroeconómica variables que

incluyen la tasa de salida de

crecimiento, tasa de interés,

tasa de crecimiento del dinero

y el tipo de cambio. Los

resultados del análisis de

escenarios revelan que el

sector bancario de la India

sigue siendo en gran medida

en términos de sonido de

proporción de adecuación de

capital regulatorio total, como

por corriente Basilea II e

incluso requisito de Basilea

III.

Fuente: Elaboración propia en base a la literatura consultada.

Page 78: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

71

Tabla 3.8: Evidencia empírica internacional.

AUTOR/TITULO OBJETIVO METODOLOGIA CONCLUSION

Jara, Oda y Luna

(2008).

"Pruebas de

tensión de la banca

en Chile”

El objetivo de este

trabajo es determinar el

riesgo de crédito al que

está expuesto el sector

bancario chileno en

escenarios de tensión a

diciembre de 2006.

siguen el enfoque de Elliott y

Jansson (2003), se estima un

modelo en niveles (de corrección de

errores) para el gasto en provisiones

en el período 1988 – 2006 con datos

mensuales. Posterior a ello se

pronostica en tres escenarios el

base, riesgo 1 y riesgo 2. El primer

escenario genera un impacto de

mayor intensidad sobre las

variables relevantes; el segundo es

menos intenso.

Log(igpt)=b0+b1*gap+b2*rcol+b3

*log(rdi)+ma(4) +ar(1) +ar(3) +u

Según los resultados se

encuentra que los

determinantes del riesgo

de crédito son diferencia

del PBI contemporáneo y

el de largo plazo o pleno

empleo, la tasa de interés

corto plazo, el nivel de

endeudamiento en el

período 1988 – 2006.

Para el caso de las

pruebas de tensión, se

encuentra que a mayor

sea el escenario o mayor

el shock supuesto mayor

es el riesgo de crédito al

que se enfrenta el sector

bancario

DELOITTE

(2010).

"Stresstesting del

riesgo de crédito.

Escenarios de

riesgo en la banca

chilena."

El objetivo de este

trabajo es el desarrollo

de un modelo desde

1999 al 2009 con datos

trimestrales que

permita analizar el

comportamiento

dinámico del ratio de

riesgo, en función de

determinantes

macroeconómicos en la

baca chilena. Para

predecir el ratio de

riesgo en base a

proyecciones

macroeconómicas y

análisis de stress de

estas.

Se construyen dos modelos de

MCO, uno que toma como variable

dependiente el ratio de riesgo y el

otro el logaritmo de este ratio, y un

set de variables explicativas

macroeconómicas. Seleccionando

aquellas estadísticamente

significativas y que en conjunto

tengan una adecuada bondad de

ajuste, obteniendo una buena

predicción del ratio de riesgo en

base a proyecciones

macroeconómicas y análisis de

stress de éstas.

LOG(RR)=β0+β1LOG(Desempleo)

+β2LOG(PBI(-1))+β3LOG(TPM)

+u

Se concluye que el riesgo

de crédito presenta

relación negativa con el

PBI y la tasa de política

monetaria, mientras que

con la tasa de desempleo

presenta relación

negativa, por otra parte,

se concluye que ante

escenarios adversos el

ratio de riesgo tiende a

incrementarse.

Fuente: Elaboración propia en base a la literatura consultada.

Page 79: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

72

Las tablas N°3.6, N°3.7 y N°3.8 corresponden a estudios empíricos internacionales sobre el tema de

escenarios de estrés, los mismos que en la investigación presente contribuyen de diversas maneras. La

tabla N°3.6, contiene dos estudios, el primero realizado para comparar los determinantes de las pruebas

de tensión del riesgo de crédito entre Ecuador y Colombia, este estudio contribuye a la presente

investigación en la metodología para estimar el modelo, dado que presenta un modelo ARIMAX

siguiendo a Box Jenkins, misma metodología para la estimación del modelo se hace uso en esta

investigación, además utiliza la misma medida de riesgo - la tasa de morosidad - como variable

dependiente, así como, algunas variables que son determinantes del riesgo de crédito, el estudio

contribuye también con la presente investigación en el planteamiento de los escenarios.

El segundo estudio corresponde a una investigación realizada para Ecuador en el año 2017, hace uso de

la metodología Box Jenkins y estiman un modelo ARIMAX, siendo esta la principal contribución en la

investigación presente, además, sirve de guía para definir la variable dependiente, dado que usa como

medida de riesgo de crédito la tasa de morosidad. Algunas variables independientes definidas en las

investigaciones son utilizadas en el caso peruano, como es la liquidez, el crecimiento económico,

desempleo. Este estudio contribuye también en la presente investigación en el planteamiento de

escenarios, pues sirven como guía para plantear las variables que entran en estrés en el año de

predicción, finalmente los estudios para el caso ecuatoriano subdividen el período, uno de estimación y

el otro de proyecciones, esto también se realiza en el estudio abordado.

En la tabla N°3.7 se presenta dos investigaciones la primera, realizada por Gonzáles (2017), quien

siguiendo la misma metodología expuesta en el párrafo anterior realiza una investigación para el caso

de Ecuador. En el mismo cuadro se encuentra descrita la investigación de Dua y Kapur (2018), este

contribuye con la presente investigación en la medida que utilizan para determinar el riesgo de crédito -

la tasa de morosidad – así como, de las variables independientes utilizadas como la tasa de crecimiento

del PBI, tipo de cambio, la inflación y la tasa de política monetaria. Además de contribuir en el

planteamiento de escenarios de estrés, utiliza base, moderado y severo, similares se consideran la

presente investigación.

En la tabla N°3.8 se presenta una investigación de pruebas de tensión en Chile, realizada por Jara, Oda

y Luna (2008), este estudio se utiliza en la investigación en la determinación de la variable

dependiente, la tasa de morosidad, como medida de riesgo de crédito, además del estudio se determina

que el modelo es estimado en niveles, diferencia, logaritmo y diferencia del logaritmo. Del estudio

también se toma referencias para construir los escenarios de estrés en el caso peruano. Asimismo, se

presenta una investigación para el caso chileno, de este estudio se toman para el caso peruano la forma

de medir el riesgo de crédito a través de la tasa de morosidad, como variable dependiente. Otra forma

Page 80: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

73

como contribuye a la investigación presente es a través de las variables independientes que utiliza, el

PBI, la tasa de desempleo y la tasa de referencia de política monetaria. Por otro lado, la manera como

estiman los modelos econométricos y el período de estimación y predicción son otras de las cosas que

se realizan en el estudio para Chile y que se consideran en el estudio para el caso peruano, el modelo se

estima en niveles, logaritmo, diferencia, y en el caso de los períodos consideran uno para la estimación

del modelo y el otro para la predicción, además, este estudio contribuye en la forma como se realiza la

evaluación y de las proyecciones, similares se pretenden realizar en el caso peruano pero reforzado de

las diferentes metodologías.

En las mismas líneas de los estudios anteriores se encuentra el de Ramírez (2014), quien realiza un

trabajo titulado "Prueba de estrés macro para el sistema bancario colombiano". El objetivo es realizar

una prueba de estrés macro en el sistema financiero colombiano en el período de junio 2013 - mayo

2014. Además, busca cuantificar el impacto que generan las variaciones macroeconómicas en el riesgo

de crédito del sistema financiero colombiano en el período enero 1993 - junio 2013, y así tratar de

evaluar la capacidad del mismo para soportar posibles cambios en la economía. Para lograr el objetivo

planteado, se simulan escenarios de choques macroeconómicos, mediante una prueba de estrés, usando

metodologías estadísticas de Vectores Autorregresivos, funciones impulso respuesta y Mínimos

Cuadrados Ordinarios.

Ramírez (2014), estima dos modelos, el primero es un modelo macroeconómico a través de VAR se

realiza para desarrollar escenarios proyectados a 12 meses junio 2013 - mayo 2014 y el segundo es un

modelo microeconómico que evidencia la sensibilidad de la calidad de los prestamos ante variaciones

macroeconómicas mediante el uso de mínimos cuadrados ordinarios se desarrolló en enero 1993 - junio

2013. El modelo macro especificado es el siguiente:

𝑦𝑡 = ∑ 𝐴𝑠𝑦𝑡−𝑠 + 𝛽 ∗ 𝑐𝑟𝑖𝑠𝑖𝑠𝑡 + 휀𝑡

𝑝

𝑠 =1

donde, 𝑦𝑡 =

[ 𝐼𝑀𝐴𝐶𝑂𝑡

𝐼𝑃𝐶𝑡

𝑀3𝑡

𝑇𝑅𝑀𝑡

𝐷𝑇𝐹𝑡 ]

Crisis: 1 para los meses de julio, agosto, septiembre y octubre de 1999 y cero para los demás. IMACO

t: Índice mensual de actividad económica. IPCt: crecimiento anual del Índice de precios al

consumidor. M3t: variación anual del agregado monetario M3. TRMt: variación anual de la tasa de

Page 81: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

74

cambio del peso colombiano. DTFt: la tasa de interés a 90 días tasa de depósito a término fijo efectiva

anual.

El modelo de tipo micro analiza la sensibilidad del NPL ante cambios macroeconómicos mediante un

proceso estocástico o proceso de series temporales.

𝑁𝑃𝐿𝑡 = 𝛽0 + 𝛽1𝐼𝑀𝐴𝐶𝑂𝑡 + 𝑢𝑡

NPL. La variable Non-performing loans se define como la razón entre los préstamos en mora y el total

de la cartera de préstamos.

Para proyectar las variables en escenarios adversos se consideran los siguientes:

✓ Escenario 1: Aumento de la tasa de referencia por parte del Banco de la República al 3.5%; lo

cual se debería a una recuperación en la economía.

✓ Escenario 2: Devaluación en la moneda en 2.5% (lo cual se aproximaría al denominado “Dólar

Cárdenas”, dada una recuperación en la economía de Estados Unidos, lo que provoca una

salida de capitales).

✓ Escenario 3: Aumento de la oferta monetaria en 5%, para incentivar el crecimiento de la

economía.

Los resultados reflejan la relación inversa que existe entre el nivel de riesgo de crédito de los bancos

nacionales y el indicador IMACO. Además, se encuentra que IMACO explica un 43,65% del NPL. Se

concluye que el escenario 1 es el de mayor impacto en el nivel de riesgo de crédito de los bancos,

debido a que los préstamos realizados por las entidades a través de sus diferentes medios (como las

tarjetas de crédito, créditos hipotecarios, etc.), se vuelven más costosos para las personas, y por ende

aumenta la probabilidad de impago por parte de estas. Sin embargo, el riesgo no supera el 3.5%, lo cual

demuestra que los bancos nacionales están bien preparados para soportar la cartera vencida que se

consideraría a partir cambios macroeconómicos.

Por otro lado, el estudio de Flores (2011), titulado “Aplicación de pruebas de tensión macroeconómicas

en el análisis de riesgo de crédito del sistema bancario guatemalteco". Cuyo objetivo es desarrollar una

aplicación de pruebas de tensión macroeconómicas, que constituya un instrumento para evaluar los

impactos que las principales variables exógenas y endógenas del entorno macroeconómico ejercen

sobre la morosidad de la cartera de créditos del sistema bancario guatemalteco, además de permitir

identificar, medir, dar seguimiento, controlar y prevenir la exposición al riesgo crediticio.

Page 82: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

75

Flores (2011), desarrolló un modelo econométrico de corte macroeconómico que permitió explicar la

influencia que tienen determinadas variables macroeconómicas sobre el comportamiento del indicador

de morosidad de la cartera crediticia del sistema bancario guatemalteco 2000:05 2009:12. Asimismo,

se realizaron pruebas de tensión, con escenarios moderados y severos, de las principales variables

macroeconómicas (análisis de sensibilidad) y del modelo macroeconómico (análisis de escenario)

durante 2010:01 - 2010:12, para conocer cuáles eran los cambios del indicador de morosidad ante

eventos extremos pero plausibles. Plantean el siguiente modelo:

CVCT =α + β1TIACTREAL_MN(‐3)+ β2M1 + β3ITCERBIL + AR(1)

CVCT: Es el indicador de morosidad. TIACTREAL_MN(‐3): Tasa de interés activa real en moneda

nacional con rezago de 3 meses. M1: Medio circulante. ITCERBIL: ITCERBIL bilateral.

Para el análisis de escenarios considera dos situaciones, la primera se subdivide en dos, un escenario

moderado y un escenario severo

✓ Moderado

- 0% de crecimiento en 6 meses consecutivos y disminución del 1% en siguientes 6 meses.

- Disminuciones del 2% en 6 períodos consecutivos y del 0% en los próximos 6 meses

- Aumento de 0.50 puntos porcentuales en 8 períodos consecutivos y de 0.25 puntos porcentuales en

los siguientes 4 períodos consecutivos.

- Aumentos del 1% (apreciación) en 6 meses consecutivos y del 0.75% en los próximos 6 meses.

- Reducciones del 1% (depreciación) en 6 meses consecutivos y del 0.75% en los próximos 6 meses

✓ Severo

- Disminuciones del 1% por 6 meses consecutivos y del 2% en los próximos 6 meses

- Disminuciones del 2.5% en 6 períodos consecutivos y del 3% en los próximos 6 meses

- Aumento de 0.75 puntos porcentuales en 8 períodos consecutivos y de 1.25 puntos porcentuales en

los siguientes 4 períodos consecutivos

- Aumentos del 1.50% (apreciación) en 6 meses consecutivos y del 1.25% en los próximos 6 meses

- Reducciones del 1.50% (depreciación) en 6 meses consecutivos y del 1.25% en los próximos 6

meses.

La segunda situación presentada es en los escenarios también está conformada por dos escenarios:

Page 83: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

76

✓ Moderado: Disminuciones de Medio Circulante (M1) de 2% en 6 períodos consecutivos y del 0%

en los próximos 6 meses. Resto de variables del modelo permanecen invariables.

✓ Severo: Disminuciones Medio Circulante (M1) de 2.5% en 6 períodos consecutivos y del 3% en

los próximos 6 meses. Resto de variables del modelo permanecen invariables.

Los resultados encontrados en la primera situación muestran que bajo el escenario moderado se

encuentra que el riesgo de crédito del sistema bancario alcanza un nivel de 6.75%, mientras que en el

escenario severo alcanza un total de 7.24%. En la segunda situación se encuentra que en un escenario

moderado el riesgo de crédito alcanza un ratio de 6.21%, mientras que un escenario severo alcanza un

ratio de 6.38%. Además, se concluye que las principales variables de riesgo macroeconómicas para

estimar la morosidad son el medio Circulante (M1), la tasa de interés activa real en moneda nacional

(con tres meses de rezago) y el ITCER Bilateral con Estados Unidos, las cuales explican la variación

de la calidad de la cartera de créditos con un 99% de confianza. Por el lado de los escenarios se

concluye que mientras más severo el escenario aumenta el riesgo de crédito del sistema bancario con

un promedio de 6.75% de mora para el escenario moderado y de 7.24% para el escenario severo.

Jiménez y Benavides (2016), realizan un estudio titulado "Stress-Testing para carteras de crédito del

Sistema Bancario Mexicano". El objetivo que se plantean es generar un esquema que permita evaluar

la vulnerabilidad de las carteras de crédito de instituciones del Sistema Bancario Mexicano ante

choques macroeconómicos adversos. Para ello, Se emplearon datos del ratio entre cartera vencida y

total, de 2000 a 2014, para 65 instituciones financieras. A través del método Seemingly Unrelated

Regressions (SUR), se estimó un sistema de ecuaciones que relaciona los indicadores de probabilidad

de incumplimiento con diversos factores macroeconómicos. Una vez realizadas estas estimaciones se

emplea el modelo para analizar el impacto de escenarios adversos en la economía sobre las variables

financieras del Sistema Bancario Mexicano de diciembre 2015 a diciembre 2016. Especifican cuatro

modelos para cuatro carteras de créditos del sistema bancario mexicano:

𝒚𝒕𝑽𝑰𝑽 = 𝒇(𝒙𝒕

𝑪𝑻𝑶, 𝒙𝒕𝑪𝑵𝑷, 𝒙𝒕

𝑰𝑮𝑬, 𝒙𝒕𝑰𝑷𝑪𝑼, 𝒙𝒕

𝑷𝑰𝑵 , 𝒙𝒕𝑻𝑰𝑹𝑭, 𝒙𝒕

𝑻𝑰𝑹𝑯, )

𝒚𝒕𝑻𝑫𝑪 = 𝒇(𝒙𝒕

𝑪𝑻𝑶, 𝒙𝒕𝑪𝑵𝑷, 𝒙𝒕

𝑰𝑮𝑬, 𝒙𝒕𝑻𝑰𝑹𝑭)

𝒚𝒕𝑵𝑹𝑬 = 𝒇(𝒙𝒕

𝑪𝑻𝑶, 𝒙𝒕𝑪𝑵𝑷, 𝒙𝒕

𝑰𝑮𝑬, 𝒙𝒕𝑰𝑷𝑪𝑼 , 𝒙𝒕

𝑷𝑰𝑵, 𝒙𝒕𝑻𝑫𝑪, 𝒙𝒕

𝑻𝑰𝑹𝑭, 𝒙𝒕𝑻𝑰𝑹𝑯)

𝒚𝒕𝑪𝑶𝑴 = 𝒇(𝒙𝒕

𝑪𝑻𝑶, 𝒙𝒕𝑪𝑵𝑷, 𝒙𝒕

𝑰𝑮𝑬, 𝒙𝒕𝑰𝑷𝑪𝑼, 𝒙𝒕

𝑷𝑰𝑵 , 𝒙𝒕𝑻𝑰𝑹𝑭, 𝒙𝒕

𝑻𝑰𝑹𝑯)

Donde las variables dependientes de cada modelo es la tasa de incumplimiento, la misma, que es

medida por el radio entre el monto de Cartera Vencida entre el monto total de préstamos otorgados por

los bancos en cada cartera.

Page 84: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

77

𝑦𝑡𝑉𝐼𝑉: Cartera de crédito a la vivienda, 𝑦𝑡

𝑇𝐷𝐶: Cartera de tarjeta de crédito, 𝑦𝑡𝑁𝑅𝐸: Cartera de consumo

no revolvente, 𝑦𝑡𝐶𝑂𝑀:Cartera de créditos comerciales.

Las variables independientes del modelo son: 𝑥𝑡𝐶𝑇𝑂: Credito otorgado por sector bancario, 𝑥𝑡

𝐶𝑁𝑃:

indicador de consumo privado nacional, 𝑥𝑡𝐼𝐺𝐸: indicador global de la actividad económica, 𝑥𝑡

𝐼𝑃𝐶𝑈:

ÍNDICE de precios al consumidor, 𝑥𝑡𝑃𝐼𝑁: indicador de producción industrial, 𝑥𝑡

𝑇𝐷𝐶: Tipo de cambio,

𝑥𝑡𝑇𝐼𝑅𝐹: tasa de interés real EEUU, 𝑥𝑡

𝑇𝐼𝑅𝐻: Tasa de interés real nacional.

Para el caso de los escenarios, los autores plantean que los choques serán inducidos en el período de

enero a diciembre de 2015, y se simulara la trayectoria hasta diciembre de 2016.

- En el caso del escenario base, no fue inducido ningún choque artificial.

- Crecimiento de la tasa de interés real domestica por 300 puntos base, inducido de forma paulatina

durante 12 meses

- Caída en el crecimiento del IGAE de 2.2 %, inducido igualmente de forma paulatina durante 12

meses

- Una reducción del crecimiento del IPCU por 3.3% ocurrido durante los primeros 5 meses de la

simulación

A partir de los resultados obtenidos se concluye que la variable de crédito otorgado lleva a un deterioro

en las carteras de crédito, la explicación económica es que el aumento en los créditos otorgados estaría

relacionado a que las instituciones financieras estarían ampliando su mercado y a la vez incurriendo en

un riesgo mayor. Por otro lado, los resultados indican que la perdida estimada en situaciones de estrés

no aumenta significativamente, por lo que se concluye que el riesgo es moderado bajo los escenarios

seleccionados.

Martínez et al. (2017), realizan un estudio titulado “Pruebas de Tensión Bancaria del Banco Central de

Chile: Actualización”, el estudio tiene por objetivo estimar el impacto de perturbaciones macro-

financieras extremas - pero plausibles - sobre la rentabilidad y solidez patrimonial de las instituciones

bancarias en Chile.

En este sentido, los ejercicios de tensión están diseñados para evaluar la resiliencia del sistema

bancario local frente a shocks macroeconómicos. Para ello, se realiza la estimación de un VAR

agregado a nivel de sistema bancario y luego, con base en el promedio de los últimos 12 meses de los

Page 85: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

78

datos de cada banco en el mes ancla del ejercicio, se aplica la dinámica del sistema a las variables de

colocaciones, riesgos, rentabilidad y nivel de capitalización de cada banco.

Específicamente, las variables utilizadas son: 1) Tasa de Corto Plazo (STIR) como medida del costo de

financiamiento de la banca comercial; 2) Tasa de Mediano Plazo (MTIR) que representa la tasa de

interés de los créditos de consumo; 3) Tasa de Largo Plazo (LTIR) que aproxima la tasa de interés del

sector hipotecario; 4) Tasa de Desempleo; 5) Actividad Económica medida por el cambio anualizado

del IMACEC. 6) Índice de Precios de la Vivienda (IPV) y 7) Ratio de Colocaciones a Precio de

Vivienda (LTV: Loan To Value corriente). El modelo de riesgo de crédito es calibrado con datos en

frecuencia mensual desde 1997 hasta 2016.

En el caso de la actividad económica, para el escenario de estrés se tiene en cuenta la evolución

histórica del PIB y se busca replicar las crisis más relevantes de las últimas décadas, tanto en términos

de una caída puntual de producto, como de una convergencia a un nivel de crecimiento menor en el

mediano plazo. De este modo, se configura un evento severo, pero plausible. En particular, se replica

una caída en la actividad de aproximadamente 6,6pp; similar a la experimentada en la crisis financiera

global (2008-2009). Además, se supone una convergencia a un crecimiento de largo plazo alrededor de

3pp inferior al promedio histórico post crisis asiática (entre 2000 y 2013). Para el escenario de

estrés del segundo IEF del 2016, se supone una disminución del PIB de 5,3% anual en el 2017 y un

crecimiento de 1,4% en el 2018. Con estas cifras, el modelo aplicado en el ejercicio de riesgo de

crédito indica que el desempleo llegaría a 10,9% y las tasas de interés de corto y largo plazo

alcanzarían 5,5% y 6,8% respectivamente.

Del estudio se concluye que las pruebas de tensión desempeñan un papel clave en la evaluación de la

fortaleza del sistema financiero ante perturbaciones potenciales de carácter macro-financiero. Los

resultados presentados en este artículo muestran que, dada la baja exposición a riesgos de mercado

existente en la banca local, los mayores riesgos provienen del deterioro en la calidad crediticia de los

deudores. Así, y a pesar del considerable tamaño de las perturbaciones consideradas, las instituciones

bancarias poseen capital suficiente para absorber las pérdidas potenciales. De cualquier manera, el

carácter subjetivo de los escenarios de tensión obliga a la realización, aplicación y evaluación

permanente de pruebas de tensión sobre el sector bancario.

Hernández et al. (2007), realizan un trabajo titulado “Perfil de riesgos del sistema bancario venezolano:

Aplicación de la metodología de Stress Testing”. El objetivo que se plantean es el de identificar las

áreas de vulnerabilidad o el perfil de riesgos del sistema bancario venezolano, mediante la aplicación

Page 86: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

79

de la herramienta stress testing (ST). Se realizó un macro stress testing enmarcado en cinco áreas de

riesgo: Riesgo de Crédito; Riesgo de Tasas de Interés; Riesgo Cambiario; Riesgo de Liquidez y Riesgo

de Contagio. Se aplicaron cuatro escenarios, que utilizan como factores de riesgo las tasas de interés y

el tipo de cambio.

La estimación econométrica de la cartera Inmovilizada relaciona las variaciones de la cartera morosa

con las variables macroeconómicas, la ecuación se define como:

Cartera _ inmov = f (tasa _ interés _ activa _ real, ciclo _ pibrnp, tipo _ de _ cambio _ real, cartera _ crédito)

Cartera_inmov: cartera inmovilizada, medida través de los créditos vencidos más los créditos en

proceso judicial. Como variables exógenas se consideran la tasa de interés activa real, el ciclo del PBI

real no petrolero, el tipo de cambio real y la cartera de crédito.

Los resultados para el caso del riesgo de crédito muestra que los cuatro escenarios seleccionados

plantean subidas de las tasas de interés, cuando esto ocurre, se deteriora la cartera inmovilizada o

morosa, con lo cual es necesario aumentar las provisiones, las cuales reducen el activo y, en

consecuencia, el capital y el CAR del banco Al evaluarse los cuatro escenarios se verificó que el mayor

impacto en el CAR del sistema financiero, lo experimentaron los escenarios de tensión política y de

caída de precios del petróleo (0,032 y 0,026 puntos porcentuales, respectivamente). Sin embargo, en

ningún escenario el CAR se ubicó por debajo del umbral establecido por Sudeban (12%) o por Basilea

(8%). Dado lo expuesto anteriormente, se puede deducir que el riesgo de crédito no parece constituir

una de las mayores vulnerabilidades del sistema financiero.

Por otro lado, reforzando la literatura internacional presentada, los entes supervisores aplican prueba de

stress en sus respectivos países, las metodologías, el objetivo, las entidades evaluadoras, evaluadas,

capital objetivo y los resultados para el caso de Europa, España, Estados Unidos y Brasil se muestran

en la tabla 3.9.

Page 87: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

80

Tabla 3.9: Comparación de los stress test supervisiones.

AÑO

EUROPA

2010 - 2013

ESPAÑA

2012

ESTADOS UNIDOS

2009 - 2013

BRASIL

2012

OBJETIVO

INTERVENIENTES

ENTIDADES

EVALUADAS

ESCENARIOS

ÁMBITO DE

ESPECIFICACIÓN

HORIZONTE DE

PREDICCIÓN

CAPITAL

OBJETIVO

RESULTADOS

Incrementar la

confianza a traves de la

transparencia y

solventar algunas debilidades puestas de

manifiesto en el

ejericio del CEBS (

Comunidad de Bancos Supervisores de

Europa) de 2010.

Organizador: EBA

(Autoridad Bancaria

Europea).

Colaboradores:

-Autoridades

Nacionales de

supervisión.

-Banco Central Europeo.

-Comisión Europea.

91 entidades

financieras europeas

(65% de los activos del sistema).

Dos escenarios: Base y

adverso.

Riesgo de crédito, de mercado y soberano

2 años: 2011 - 2012

Core capital:5%

Bajo escenario

adverso:

Entidades suspendidas:

8 de 91. 2.500 millones de

déficit de capital.

Restablecer la

credibilidad del

sistema bancario

español, incrementar la transparencia y

conseguir sistema

saneado, más rentable

y solvente

Organizadores:

Banco de España y

Ministerio de Economía.

Colaboradores:

- Banco central

europeo. -Comisión Europea.

-FMI

14 grupos financieros

(90% de los activos del

sistema).

Dos escenarios: Base y

adverso.

Riesgo de crédito.

3 años: 2012 – 2014

Core capital por

escenarios: Base:9% Adverso:6%

Bajo escenario

adverso:

Entidades

suspendidas:7 de 14.

57.300 millones de déficit de capital

Reducir la incertidumbre

y restablecer la confianza

en el sistema financiero

tras el comienzo de la crisis y la bancarrota de

diversas entidades

financieras.

Organizador: Banco de

la Reserva Federal Colaboradores:

-Consejo de

Gobernadores del sistema

Federal de Reserva. -Corporación Federal de

Seguros de Depósito.

-Oficina del Controlador

de la Moneda.

19 entidades financieras

(2/3 de los activos del

sistema)

Dos escenarios: base y

adverso.

Riesgo de crédito, de contraparte y de mercado.

2 años: 2009 – 2010

Capital tier: 6% Care capital:4%

Bajo escenario adverso:

Entidades suspendidas: 10

de 19 y 185.000 millones

de déficit de capital.

Identificar y analizar

vulnerabilidades del

sector financiero, dentro

del programa FSAP (Programa de

evaluación del sector

Financiero).

Organizadores: FMI,

Banco Mundial y Banco

CENTRAL DE Brasil.

Conjunto global del

sistema bancario brasileño.

Tres escenarios: recesión global,

reversión de flujos de

capital e impacto en

relación de intercambio.

Riesgo de crédito, de

mercado, de tipo de

interés, de liquidez y de contagio.

5 años: 2012 – 2016.

NA

Los bancos brasileños

mostraron capacidad de resistir el escenario de

recesión global.

Fuente: Managements Solutions, 2013. pag.27.

Page 88: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

81

3.6.2. Evidencia empírica nacional

Para el caso peruano, los estudios respecto al tema de las pruebas de tensión o stress testing son

escasos entre los cuales resaltan el elaborado por Rodríguez (2016), titulado “Prueba de estrés de

riesgo de crédito, mercado y liquidez en la banca múltiple del Perú”, el objetivo que se plantea es

cuantificar los impactos en los indicadores de riesgo producidos en un escenario de estrés. El trabajo se

limita a analizar el conjunto agregado de los 5 principales bancos de operaciones múltiple en el Perú en

un umbral de tiempo del año 2001 al año 2014; estima el modelo especificado a continuación:

𝑇𝑎𝑠𝑎 𝑑𝑒𝑡𝑒𝑟𝑖𝑜𝑟𝑜 = 𝐶 + 𝛼𝑃𝐵𝐼𝑥12𝑠𝑎 + 𝛽𝑃𝐵𝐼𝑥12𝑠𝑎2 + 𝛾𝑆𝑝𝑟𝑒𝑎𝑑2 + 𝛿(𝑡𝑎𝑠𝑎 𝑑𝑒𝑡𝑒𝑟𝑖𝑜𝑟𝑜𝑡−1)

Donde variable dependiente es la tasa deterioro ( % Cartera Deteriorada o de Alto Riesgo) y las

variables independientes son 𝛼𝑃𝐵𝐼𝑥12𝑠𝑎: Variación anual del PBI real desestacionalizado, 𝑆𝑝𝑟𝑒𝑎𝑑:

medido como la diferencia entre tasa de rendimiento de los bonos de la Resera Federal de EE.UU. a 10

años - Tasa de rendimiento de los bonos de la Reserva Federal de EE.UU. a 3 meses .

La prueba de estrés para el riesgo crédito en este estudio fue construida a partir de la aplicación de Van

den End, con una serie de ajustes propios de un modelo VAR. Los escenarios de estrés son el impacto

de la variación del PBI (stress_macro), impacto de la variación del spread (stress_margen) en 12

meses.

Para el caso de la tasa de deterioro, el impacto acumulado a los doce meses del PBI (0.55) es de mayor

dimensión. Por lo tanto, se comprueba que el impacto del PBI, que representa a las variables

endógenas de la economía, posee un mayor impacto en la evolución de la tasa de deterioro, de esto se

concluye que el impacto por una variación de las variables exógenas a la economía local en la

evolución y tendencia de los indicadores de riesgo de la baca múltiple no es tan significativo como el

impacto producido por las variables endógenas a la economía del país.

Por su parte Luy (2010), como parte de guías de la superintendencia de Banca y seguros presenta un

estudio titulado “Pruebas de Stress de Riesgo de Crédito: El Caso Peruano”, con el objetivo de analizar

cual serie el nivel de riesgo de crédito que alcanzarían diferentes instituciones bancarias ante posibles

escenarios de estrés, para ello aplica el análisis de escenarios, primero aplica un modelo

macroeconómico:

),,,,(),( int1 ernos

USAChinaE

cons crediPBIPBIPBIIcredPBICPBI += −

),,,,( TCPBIPBIPBIPBITINXG PerúOtrosChinaUSA++

Page 89: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

82

Los escenarios que plantea se muestran en la tabla N°3.10.

Tabla 3.10: Escenarios de estrés según la SBS, 2010.

Variables Escenario Base Escenario de Stress

PBI PERÚ

PBI USA

PBI CHINA

Tipo de cambio

5.5%

3.1%

10%

2.85

3.5%

2.0%

9%

2.85

Fuente: Luy, 2010.

Posterior a ello realiza un modelo microeconómico, para estimar el impacto que tendría el PBI

estresado en el riesgo de crédito modelando la tasa de morosidad por sector económico y por

instituciones financieras homogéneas. Estimando de tal manera un modelo MCO por sector, bajos los

escenarios propuestos de donde encuentran diferentes resultados mostrados en la tabla N°3.11.

Tabla 3.11: Escenario de estrés por sector económico en el estudio de Luy, 2010.

Morosidad Base Escenario base Escenario

pesimista

Sector ( Dic. 2009) (Dic. 2010) (Dic. 2010)

Agropecuario 2.24% 2.24% 2.48%

Comercio 2.41% 2.15% 2.38%

Minería 0.08% 0.11% 0.12%

Pesca 0.39% 0.34% 0.38%

Transporte y Com. 0.86% 0.73% 0.80%

Consumo 2.89% 2.89% 3.19%

Hipotecario 0.87% 0.77% 0.85%

Bienes Raíces 0.88% 1.01% 1.11%

Manufactura 0.65% 0.58% 0.63%

Servicios 1.49% 1.31% 1.44%

Textil 3.10% 3.22% 3.56%

Total 1.56% 1.47% 1.62%

Fuente: Luy, 2010.

Bajo el escenario de crecimiento base, se espera que la morosidad experimente una ligera caída

mientras que, bajo el escenario pesimista, se proyecta un aumento en la morosidad de menos de 10

puntos básicos.

Luy (2011), realiza un estudio titulado “Pruebas de estrés de riesgo de crédito enfoque práctico de la

SBS” similar al del año 2010, siguiendo la misma metodología, estimó un modelo macroeconómico y

un modelo microeconómico para calcular el riesgo de crédito al que están expuestos el sistema

bancario por sector económico, para ello plantea los supuestos de que se muestran en la tabla N°3.12.

Page 90: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

83

Tabla 3.12: Escenarios de estrés macroeconómicos en el estudio de Luy, 2011.

2011

Recesión Recesión

Mundial

Variables Moderado mundial y niño

Actividad económica y empleo

Variación anual del PBI 7.00% 2.50% -1.20%

Variación anual del sector construcción 11.30% -0.70% -3.40%

Variación anual del índice de empleo urbano total de 10 y más

trabajadores 3.00% 0.50% -0.50%

Fondeo interno y externo

Variación anual del total de depósitos de agentes e instituciones del país 17.00% 10.00% 8.00%

Variación anual de depósitos en MN de agentes e instituciones del país 18.50% 6% 5.00%

Variación anual de obligaciones con agentes e instituciones del exterior 15.50% -5.00% -5.00%

Liquide del sistema financiero local e internacional

Variación anual de liquidez del sistema financiero 16.50% 4.91% 0.00%

variación mensual de liquidez del sisma financiero 1.25% 0.40% 0.00%

Variación mensual de liquidez del sistema bancario 1.35% 0.45% 0.00%

Cambio de la Usfederal rate 0 -0.1 -0.1

Tasa de interés activa

Tasa de interés activa promedio en MN del sistema financiero 19% 23% 24%

Fuente: Luy, 2011.

En este caso los resultados encontrados se muestran en la tabla N°3.13.

Tabla 3.13: Resultados de la morosidad en escenarios de estrés, estudio de Luy 2011.

Dic-11

Sector Económico Dic. - 10 Base El Niño Recesión El niño y

Económica Recesión

Mundial económica

Agropecuario 2.12% 1.60% 8.61% 1.95% 7.55%

Comercio 2.04% 1.81% 3.16% 3.61% 4.07%

Minería 0.29% 0.08% 0.16% 0.24% 0.25%

Pesca 0.55% 0.54% 0.82% 0.67% 0.88%

Transporte y Com. 1.03% 0.97% 1.11% 1.01% 1.12%

Consumo 2.69% 4.31% 5.45% 6.53% 7.16%

Hipotecario 0.94% 0.72% 1.04% 1.68% 2.18%

Bienes Raíces 1.27% 0.67% 1.79% 1.48% 2.34%

Manufactura 0.63% 0.48% 0.98% 1.19% 1.21%

Servicios 1.34% 1.10% 2.25% 2.91% 3.94%

Textil 3.02% 2.35% 3.32% 6.68% 9.74

TOTAL 1.49% 1.36% 2.55% 2.83% 3.93%

Fuente: Luy, 2011.

Page 91: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

84

3.7. Modelo teórico de los determinantes del riesgo de crédito

De la literatura revisada y particularmente de Uquillas y González (2017), y Gonzáles (2017), se

encuentra que utilizan diferentes variables como determinantes del riesgo de crédito, además, sugieren

que la tasa de morosidad es un buen indicador de riesgo de crédito. En base a ello el modelo teórico de

los determinantes del riesgo de créditos se muestra en la ecuación N°01 y N°02.

RCt = f(factores macroeconómicos, factores microeconómicos) ………………. (01)

RCt = f (PBIt, DESt, INFt, TRPt, Xt, Mt, PPETROt, TCRt, TIRt, EMPLEOt, M1t, SPt, LIQt, SOLVt,

RENt, CATRASt, TAt, CALt, COLOt, EFIt, CDt) …………………………………….……………. (02)

Donde:

𝑅𝐶𝑡, representa el riesgo crediticio del sistema bancario, medido a través del índice de morosidad;

𝑃𝐵𝐼𝑡 , representa la actividad económica del Perú; 𝐷𝐸𝑆𝑡 , representa la tasa de desempleo;

𝐼𝑁𝐹𝑡 , representa la tasa de inflación; 𝑇𝑅𝑃, la tasa de referencia de política monetaria; 𝑋𝑡 , representan

las exportaciones; 𝑀𝑡 , importaciones; 𝑃𝑃𝐸𝑇𝑅𝑂𝑡, precio del petróleo; 𝑇𝐶𝑅𝑡 , tipo de cambio real;

𝑇𝐼𝑅𝑡, representa la tasa de interés real; 𝐸𝑀𝑃𝐿𝐸𝑂𝑡 , representa el empleo; 𝑀1𝑡 , representa el

crecimiento del dinero; 𝑆𝑃𝑡 , índice bursátil de BVL; 𝐿𝐼𝑄𝑡 , 𝑙iquidez del sistema bancario;

𝑆𝑂𝐿𝑉, solvencia del sistema bancario; 𝑅𝐸𝑁𝑡 , rentabilidad del sistema bancario; 𝐶𝐴𝑇𝑅𝐴𝑆𝑡, representa

la cartera atrasada; 𝑇𝐴𝑡 , representa la tasa de interés activa, 𝐶𝐴𝐿𝑡 , representa la calidad de cartera de

los activos en el sistema, 𝐶𝑂𝐿𝑂𝑡 , representa el total de colocaciones; 𝐸𝐹𝐼𝑡 , representa la eficiencia del

sistema bancario; 𝐶𝐷𝑡, representa el ratio de créditos a depósitos. El modelo de la ecuación (2), en

forma específica, es el siguiente:

RCt = β0 + β1PBIt + β2DESt + β3INFt + β4TRPt + β5Xt + β6Mt + β7PPETROt + β8TCRt + β9TIRt +

β10EMPLEOt + β11M1t + β12SPt + β13LIQt + β14SOLVt + β15RENt + β16CATRASt + β17TAt + β18CALt +

β19COLOt + β20EFIt + β21CDt + ut ………………………………………………………...………… (03)

Donde los coeficientes βi para todo 𝑖 = 1, 2, … , 21 son los impactos individuales de cada variable

mencionada y β0 es el intercepto de la ecuación, que también puede interpretarse como el nivel

autónomo o mínimo que alcanza el riesgo de crédito; 𝜇𝑡 representa el error estadístico.

Las interrelaciones entre los factores macroeconómicos y microeconómicos con el riesgo de crédito,

según la revisión de la literatura se muestra en la figura N°3.3 y en las tablas N°3.14 y N°3.15.

Page 92: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

85

Figura N° 3.3: Interrelación entre los factores determinantes del riesgo de crédito.

Fuente: modificado de Varona, Gismera y Gimero, 2014.

Tabla 3.14: Interrelaciones de variables macroeconómicas del modelo.

Variable Detalle operacional de las variables Referencia Relación

RC Riesgo de crédito = tasa de morosidad (índice).

Determinantes macroeconómicos

PBI Producto Bruto Interno = PBI (Millones de

soles).

3, 6, 13, 22, 30, 31, 33, 36,

37, 40, 41, 50, 65, 75, 88.

-

DES Desempleo=Tasa de desempleo (Índice). 3, 21, 24, 25, 30, 31, 37, 41,

50, 51, 58, 65, 88, 89, 90.

+

INF Inflación= Variación del IPC (%). 22, 24, 25, 33, 37, 41, 50,

65, 75, 88, 90.

+

TRP Tasa de referencia del política monetaria = TRP

de BCRP (Índice).

31, 51, 58. -

TCR Tipo de cambio real= Tipo de cambio real

multilateral (Índice).

13, 33, 36, 37, 50, 51, 58. +

X Exportaciones = Exportaciones de bienes y

servicios (millones US$).

37, 41, 50, 51, 88, 89. -

M Importaciones = Importaciones de bienes y

servicios (millones US$).

37, 41, 51, 88, 89. +

PPETROL Precio del petróleo = Precio (Miles de US$). 41, 51, 88, 89. -

TIR Tasa de interés real = (Índice). 2, 3, 36, 37, 40, 50, 58, 65. +/-

EMPLEO Empleo total = PEAO (Miles de personas). 13. -

M1 Crecimiento de dinero= emisión primaria (Miles

de soles).

33. -

SP Índice Bursátil de la Bolsa de Valores de Lima =

S&P Lima General (Punto de Índice).

51. -

Fuente: modificado de Varona, Gismera y Gimero, 2014.

▽Δ Liquidez.

▽ Δ Colocaciones.

Δ Solvencia.

Δ Rentabilidad.

▽Δ Tasa de interés

activa.

Etc.

Determinantes

microeconómicos

Δ PBI.

▽ Desempleo.

▽ Inflación.

Δ Exportaciones.

Δ Tasa de referencia

BCR

Etc.

Determinantes

macroeconómicos

▽ Riesgo

de crédito.

Determinantes

microeconómicos

▽ Colocaciones.

Δ Rentabilidad.

Δ Liquidez

Δ Exportaciones.

Δ Tasa de referencia

BCR

Etc.

Page 93: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

86

Tabla 3.15: Interrelaciones de variables microeconómicas del modelo. Factores microeconómicos

COL Colocaciones = total colocaciones del sistema bancario. 3, 30, 41, 88, 89. +/-

REN Rentabilidad=ROE y ROA del sistema bancario (Índice). 40, 41, 88, 89. -

LIQ Liquidez = Liquidez del sistema bancario (índice) 30, 41, 88, 89. -

CATRAS Cartera atrasada = cartera atrasada total del sistema bancario 42, 88, 89. -

EFI Eficiencia= eficiencia operativa (índice). 41, 88, 89. -

SOL Solvencia del sistema bancario = (índice). 30, 41, 88, 89. -

TA Tasa de interés activa del sistema bancario = (índice). 2, 41, 76, 88, 89. +/-

CD Créditos/depósitos= (ratio). 30, 88, 89. +

Fuente: modificado de Varona, Gismera y Gimero, 2014.

3.8. Hipótesis

3.8.1. Hipótesis general

Los niveles de riesgo de crédito del sistema bancario peruano se incrementan ante la presencia de

choques macroeconómicos durante el periodo 2003:01 al 2018:12 y en las proyecciones al 2020.

3.8.2. Hipótesis específicas

1. El crecimiento del riesgo de crédito del sistema bancario peruano ha sido determinado por

variables macroeconómicas como, el crecimiento del PBI, con la tiene relación inversa; el

crecimiento del desempleo, con la cual muestra relación directa; el crecimiento de la Tasa de

Referencia de Política Monetaria, con la que muestra relación directa; el crecimiento de las

exportaciones, con la que muestra relación inversa; el crecimiento del índice bursátil, con la que

muestra relación directa; el crecimiento de la emisión de dinero en la economía con la que muestra

relación inversa durante el periodo 2003:01 – 2018:12.

2. El crecimiento del riesgo de crédito del sistema bancario peruano ha sido determinado por factores

microeconómicos como el crecimiento de la liquidez, con la que muestra relación inversa; el

crecimiento de la tasa de interés activa del sistema bancario con la que muestra relación inversa y

el crecimiento del ratio créditos/depósitos con el cual muestra relación directa durante el periodo

2003:01 – 2018:12.

3. El sistema bancario peruano ha experimentado niveles de riesgo de crédito altos ante la presencia

de choques macroeconómicos, debido a los mayores niveles de riesgo que ello implica durante el

periodo 2020:01 – 2020:12.

4. El sistema bancario peruano ha experimentado niveles de riesgo bajos ante la presencia de

escenario macroeconómico estable en la economía durante el periodo 2020:01-2020:12.

Page 94: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

87

3.9. Definición y operacionalización de variables

Tabla 3.16: Definición y operacionalización de las variables macroeconómicas.

Variable Definición Conceptual Definición

Operacional

Dimensión Indicadores Fuente

Riesgo del

crédito en

el sistema

bancario

De acuerdo a la SBS (S.f),

se define como la

posibilidad de pérdida a

consecuencia del

incumplimiento de las

obligaciones por parte del

prestatario.

Diferencia del

logaritmo del índice

de morosidad.

Endógena Tasa de morosidad.

SBS

Actividad

económica

De acuerdo al BCRP

(2019), lo define como

Valor total de la

producción corriente de

bienes y servicios finales

dentro de un país durante

un período de tiempo

determinado. Incluye por

lo tanto la producción

generada por los

nacionales y los

extranjeros residentes en el

país.

Diferencia del

logaritmo del PBI.

Exógena PBI (millones de S/

2007)

BCRP

Tasa de

Referencia

de Política

Monetaria

BCRP (2019), la define

como la tasa de interés

objetivo para las

operaciones interbancarias

que el Banco Central

procura lograr mediante

sus instrumentos de

política monetaria:

operaciones de mercado

abierto, facilidades de

crédito y depósito.

Diferencia del

logaritmo de la tasa

de interés de

referencia de

política monetaria.

Exógena Tasa de referencia

de política

monetaria.

(índice)

BCRP

Desempleo Según BCRP (2019), Es la

condición de las personas

en edad y disposición de

trabajar que buscan

activamente un puesto de

trabajo, sin encontrarlo.

También se denomina

desempleo abierto.

Diferencia del

logaritmo de la tasa

de interés de

referencia

desempleo.

Exógena Índice de

desempleo

BCRP

Fuente: elaboración propia.

Page 95: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

88

Tabla 3.17: Definición y operacionalización de las variables macroeconómicas.

Variable Definición Conceptual Definición

Operacional

Dimensión Indicadores Fuente

Exportaciones BCRP (2019), son todas

las mercancías que se

envían a otros países.

Diferencia del

logaritmo de las

exportaciones.

Exógena Exportaciones

totales (millones

de $)

BCRP

Crecimiento

del dinero

BCRP (2019), lo define

como el aumento de la

oferta monetaria en la

economía.

Diferencia del

logaritmo del

crecimiento de

dinero.

Exógena Emisión de

primaria

(millones de S/)

BCRP

Mercado

bursátil

SBS (2019), es el

conjunto de todas

aquellas instituciones,

empresas e individuos

que realizan

transacciones de

productos financieros en

diferentes Bolsas

alrededor del mundo.

Diferencia del

logaritmo de

índice bursátil de

la BVL.

Exógena S&P Lima

General

(punto índice)

Investig

Fuente: elaboración propia.

Tabla 3.18: Definición y operacionalización de las variables microeconómicas.

Variable Definición Conceptual Definición

Operacional

Dimensión Indicadores Fuente

Liquidez Según BCRP (2019), es un

concepto que expresa la

facilidad con que un bien o

activo puede ser convertido en

dinero.

Diferencia del

logaritmo del

índice de liquidez.

Exógena Ratio de liquidez

(índice)

SBS

Tasa de

interés activa

Gonzáles (2017), es el precio

del dinero o tasa a la cual los

bancos venden el crédito.

Diferencia del

logaritmo de la tasa

de interés activa

del sistema

bancario.

Exógena TAMN

(índice)

BCRP

Créditos/depó

sitos

Se define como el porcentaje

de los créditos que son

directamente de depósitos.

Diferencia del

logaritmo del

índice de créditos a

depósitos.

Exógena Índice SBS

Fuente: elaboración propia.

Page 96: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

89

CAPITULO IV

4. MARCO METODOLÓGICO

Tabla 4.1: Diseño metodológico de la investigación.

Fuente: elaboración propia.

Planteamiento del problema: observación

de la realidad del sistema bancario (RC)

Pregunta de

investigación

Objetivo de

investigación

Revisión y discusión

teórica y empírica

Variables (modelo teórico)

Hipótesis

Descarga indicadores de

fuentes secundarias.

Depuración de indicadores

Excel

2016

Exportan al programa eviews 10

Prueba de estacionaridad.

Estimación del modelo

Individual

Grupal

Con rezagos

Parsimonia Metodología MCO

Contrasta a la luz de la

teoría y realidad

(discusión de resultados)

AR: Autorregresivos -

MA: Media móvil Parsimonia

Metodología ARIMAX Económica

Estadística

Econométrica

Proyección

de escenarios

Resultados

Conclusiones

Recomendaciones

Page 97: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

90

De manera general, para el caso de la estimación del modelo y la proyección en escenarios se considera diseño

Mostrado en la tabla N°4.2.

Determinar los factores de riesgo que tienen efectos heterogéneos, en

función del sector económico, tipo de crédito y tipo de entidad, con los que

se proyectan las variables.

- Salida de capitales y sus impactos en la actividad económica, aumento

tipo cambio. - Desastres naturales, como el FEN, el mismo que impacta

sobre los sectores económicos. - Recesión de los principales socios

comerciales.

Mapeo de

riesgos.

Estimación

del deterioro

de portafolio.

Elección de la

metodología

para pruebas

de estrés y

estimación

del modelo.

Definición de

escenarios

macroeconóm

icos.

Determinar la variable que mida el deterioro del portafolio, para ello es

necesario:

- Contar con una amplia base de datos.

- Definir el periodo y la frecuencia de los datos.

Se recomienda usar como variable que determina el deterioro del portafolio,

la probabilidad de default (Tasa de morosidad).

Elección de una metodología estadística para pruebas de estrés: Se tiene que

estudiar las características de la data para estimar un modelo econométrico.

- Agregadas (a nivel sectorial) → Vectores autorregresivos, Modelos de

Corrección de errores, ARIMAX, Regresiones Lineales y no Lineales.

- Desagregados (a nivel de bancos) → Modelos de Panel, Modelos

Dinámicos.

Del mapeo de riesgos se definen los escenarios que se presentaran en las

proyecciones, considerando que dichos efectos impactan sobre las algunas

variables determinantes del riesgo de crédito, que hayan sido consideradas

dentro del modelo econométrico estimado en el paso anterior.

EN GENERAL SE CONSIDERA: Dos periodos

PERÍODO DE ESTIMACIÓN

DEL MODELO

ECONOMÉTRICO

PERÍODO DE PREDICCIÓN:

CONSIDERANDO LOS

ESCENARIOS

Fuente: Modificado y resumido de SBS (2016), y Luy (2010, 2011).

Tabla 4.2: Diseño metodológico para la estimación y proyección de escenarios.

Page 98: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

91

- Situación similar a la ocurrida en el 2008 (Crisis financiera), lo cual generaría:

- Salida de capitales y sus impactos en la actividad económica, aumento tipo

cambio. - Aumento de la tasa de desempleo.

- Desastres naturales, como el FEN, el mismo que impacta sobre los sectores

económicos. Similar al ocurrido en el año 2017.

- Problemas en la economía mundial por diversos motivos (pandemias, guerras,

etc.).

Mapeo de

riesgos

De manera específica para el presente estudio en lo que respecta la estimación del modelo y la proyección en

escenarios se considera el diseño mostrado en la tabla N°4.3.

Estimación del

deterioro de

portafolio

Elección de la

metodología

para pruebas

de estrés y

estimación del

modelo.

Definición de

escenarios

macroeconó-

micos

- Variable que mide el deterioro del crédito del sistema bancario: Tasa de

morosidad (riesgo de crédito).

- Base de datos: Obtenida a través de SBS.

- Frecuencia: Mensual - Periodo: 2003:01 – 2018:12 y 2020:01 – 2020:12

Metodología estadística para pruebas de estrés: Se sigue la que siguiere la SBS

(2016) y Luy (2011, 2010).

- Modelo para identificar los determinantes del riesgo de crédito: Se estima en el

periodo 2003:01- 201812, a través del modelo sugerido por Uquillas y Gonzales

(2017) y Gonzales (2017), un modelo ARIMAX.

- Período de estimación de los escenarios de estrés: 20120:01 – 2020:12.

- Escenario estable: Panorama macroeconómico estable.

- Escenario de estrés 1: Choque macroeconómico similar al año 2017 – FEN.

- Escenarios de estrés 2: Choque macroeconómico similar al año 2008 – Crisis Financiera.

- Escenario de estrés 3: Choque macroeconómico de COVID19.

PERÍODO DE ESTIMACIÓN DEL

MODELO ECONOMÉTRICO

ARIMAX, se sigue a Uquillas y Gonzales

(2017, 2017A), y Gonzales (2017).

PERÍODO DE PREDICCIÓN:

CONSIDERANDO LOS ESCENARIOS

Escenarios propuestos SBS (2019).

Fuente: Modificado y resumido de SBS (2016) y Luy (2010, 2011).

2003:01 2018:12 2020:01 2020:12

Tabla 4.3: Diseño metodológico para la estimación y proyección de escenarios.

Page 99: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

92

4.1. Datos

Los datos para estimar el modelo ARIMAX en el caso de la variable dependiente, el riesgo del crédito

en el sistema bancario peruano en el período 2003:01 al 2018:12 se han obtenido de fuente secundaria

como es la Superintendencia de Banca y Seguros a través de su página web. En cuanto a los

determinantes macroeconómicos como son el PBI, la tasa de desempleo, la tasa de referencia de

política monetaria y la emisión de dinero se obtuvieron de la página web del Banco Central de Reserva

del Perú, asimismo el índice bursátil - S&P Lima General - se obtuvo a través de la página web de

Investig. La información sobre los determinantes microeconómicos como son la liquidez y el ratio de

créditos/depósitos se obtiene de la SBS y la tasa de interés activa en moneda nacional se obtuvo del

BCRP.

En el caso del PBI el Banco Central de Reserva del Perú brinda la información en índice, en el presente

estudio dicho índice se transformó en millones de soles mensuales para un mejor análisis, el

procedimiento para llevar el índice a millones de soles se muestra en el anexo N° 5.3.

Dado que este estudio se basa principalmente en las proyecciones en cuatro escenarios, por lo cual,

para el periodo 2019:01 – 2019:12 las variables presentan una tendencia normal, para ello se toma los

datos presentados por cada una de las instituciones encargadas de sus construcción. En el caso de las

variables microeconómicas se trabaja bajo el supuesto Ceteris paribus, para ello se tomó la data

publicada por la SBS hasta diciembre del 2019, con ello se realizó el pronóstico por escenarios para el

período 2020:01 al 2020:12.

4.2. Métodos

Consta de dos partes, en la primera se identificó los determinantes del riesgo de crédito del sistema

bancario peruano período 2003:01 – 2018:12, para ello en el ítem 2.4, en la ecuación N°02 y N°03 que

corresponde al modelo teórico, se definió las características teóricas de los diferentes aportes, la misma

que se buscó contrastar con a través de la metodología ARIMAX, siguiendo la propuesta realizada por

Uquillas y Gonzáles (2017, 2017A) y Gonzáles (2017), basada en el análisis Box Jenkins.

Luego se especificó un modelo econométrico siguiendo la metodología de los MCO, se recogió la

información necesaria, la misma que se descarga, en el programa Excel 2016 donde se realizó la

depuración de indicadores, así como la transformación del índice del PBI al PBI en millones de soles.

Antes de la estimación en el programa Eviews10 se realizó la prueba de estacionaridad de las series, se

encuentra que las variables son estacionarias en diferencia del logaritmo, por lo cual, es ese nivel con el

Page 100: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

93

que se realiza las estimaciones respectivas, luego se sigue el proceso de parsimonia hasta llegar a un

modelo econométrico bajo la metodología MCO con variables estadísticamente significativas,

posterior se procedió a agregarle los componentes autorregresivos y de media móvil de los residuos

quedando de tal forma estimado un modelo de metodología ARIMAX.

Luego se validar el modelo econométrico a través del test de Anderson y Pankratz, así como el test de

raíces unitarias, pasando posteriormente a realizar la evaluación económica, estadística y econométrica

del modelo, con los test correspondientes a cada una.

Por otro lado, se realizó la evaluación de los indicadores de proyecciones, las mismas que se hacen en

4 escenarios para período 2020:01 – 2020:12; el primer escenario se trabaja bajo el supuesto que la

economía alcanzaría las tasas proyectadas por el Ministerio de Economía y Finanzas, las cuales se

encuentran en el documento denominado Marco Macroeconómico Multianual 2020 – 2023, donde se

estipulan las proyecciones de los principales indicadores macroeconómicos del Perú; el segundo

escenario supone que la economía en el año 2020 alcanzará tasas similares a las del año 2017 cuando

se presentó el evento del FEN; el tercer escenario supone que la economía en el 2020 alcanza similares

tasas de crecimiento a las que se registraron en el año 2008, producto de la crisis financiera; mientras

que en el cuarto escenario se realiza proyecciones en un escenario con COVID19.

La proyección de las demás variables que seguirán su tendencia, se realizó través de método del

suavizamiento exponencial, en el programa Eviews10.

4.3. Tratamiento de información

Se realizó la estimación de un modelo econométrico siguiendo la metodología ARIMAX, para ello:

➢ Los datos e indicadores que se trabajaron en Excel se exportaron al programa Eviews10 en donde se

siguió la metodología propuesta por Uquillas y Gonzáles (2017, 2017A), y Gonzáles (2017), a

través del método de Box Jenkins.

➢ Luego en el programa Eviews se realizó la prueba de estacionaridad, para ello se siguen dos pasos,

el primero es un análisis visual a través del ploteo de la variable respecto a su media, también se

realiza un correlograma donde se verifica el autocorrelación. El segundo paso fue verificar la

estacionaridad a través de la forma analítica bajo el método de Dickey Fuller.

➢ Se estimó el modelo econométrico siguiendo la metodología ARIMAX, en el programa Eviews 10

y a través del proceso de parsimonia se determina el mejor modelo estimado, y a este se le realizó

diferentes pruebas tanto estadísticas como econométricas, logrando posteriormente realizar las

proyecciones en los escenarios propuestos.

Page 101: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

94

4.4. Enfoque de la investigación

La investigación presente sigue el enfoque cuantitativo, puesto que hace uso de herramientas

estadísticas, así como de un modelo econométrico para un adecuado análisis del riesgo de crédito en el

sistema bancario. Además, se determina el enfoque cuantitativo en la investigación debido a que los

datos y variables que se usaron son de series de tiempo, logrando de tal forma que las pruebas

posteriores ejecutadas respondan de mejor manera a las hipótesis formuladas.

Asimismo, de acuerdo con Hernández et al. (2014), en una investigación cuantitativa cada etapa

precede a la siguiente y no omite pasos. El orden es riguroso, aunque permite redefinir alguna fase

luego de que la idea se va acotando y una vez delimitada se procede a derivar objetivos, preguntas de

investigación, revisión de literatura y construcción de un marco y perspectiva teórica. A partir de las

preguntas se establecen hipótesis y se deducen variables, se miden para a través de hechos estilizados

analizar la evolución y relación entre variables y finalmente se analizan las mediciones utilizando

métodos estadísticos para extraer conclusiones.

4.5. Diseño de la investigación

El diseño de la presente investigación es no experimental, considerando la clasificación elaborada por

Kerlinger (2002), quien definió dos tipos de diseños: El experimental y el no experimental. Debido a

que esta propuesta no realizará un experimento en laboratorio o en campo para la recolección de los

datos de las variables, el diseño experimental fue descartado y, en consecuencia, se eligió el diseño no

experimental.

Por otro lado, de acuerdo con Hernández et al. (2014), lo que se hace en la investigación no

experimental es observar fenómenos tal como se dan en su contexto natural; las variables

independientes ocurren y no es posible manipularlas, no se tiene control directo sobre dichas variables

ni se puede influir en ellas, porque ya sucedieron, al igual que sus efectos. Si bien es cierto en el

estudio se pretende analizar el riesgo de crédito ante posibles escenarios de estrés en el período

2020:01 – 2020:12 los datos de las variables se toman tal como han evolucionado y como los brindan

las instituciones consultadas hasta el periodo 2019:12.

4.6. Nivel o alcance de la investigación

Para este estudio se considera que el nivel o alcance que tiene es descriptivo, correlacional, explicativo

y predictivo según argumentos de Hernández et al (2014):

Page 102: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

95

i) Es descriptivo, dado que se analizó la evolución del riesgo de crédito, así como de indicadores

macroeconómicos y de sistema bancario en el Perú en el período 2003:01 – 2018:12; recogiendo

información de manera independiente y en conjunto de las variables que participan en el estudio

con el objeto de indicar relaciones de estas.

ii) Es correlacional, dado que tienen la finalidad de conocer la relación o grado de asociación que

existe entre el riesgo de crédito del sistema bancario y variables macroeconómicas y

microeconómicas. Según Hernández et al. (2014), para evaluar el grado de asociación entre las

variables, en los estudios correlacionales primero se mide cada una de éstas, y después se

cuantifican, analizan y establecen las vinculaciones; tales correlaciones se sustentan en hipótesis

sometidas a prueba.

iii) Es explicativo, debido a que responde por las causas de las relaciones y/o evolución de las

variables centrándose en explicar el porqué de dichas relaciones.

iv) Es predictivo, debido a que se pronosticó el riesgo de crédito al que está expuesto el sistema

bancario mediante cuatro escenarios, proyectando así valores para el año 2020.

4.7. Tipo de investigación

La investigación es de tipo polivariable debido a que se estudia el riesgo de crédito en función a

variables exógenas como el PBI, la tasa de desempleo, las exportaciones, la tasa de referencia de

política monetaria, la liquidez del sistema bancario, la tasa de interés activa del sistema bancario y el

ratio de créditos a depósitos.

4.8. Sujetos de la investigación

La tesis se centra en el Perú, quinta mayor economía de América Latina en términos de producto bruto

interno (PBI) reales y tradicionalmente ha sido un reflejo de su variada y compleja geografía. Según el

BCRP (2019), en el año 2018 el Producto Bruto Interno del Perú asciende a 535.083 millones de soles.

El estudio se centra en la rama de las finanzas, dentro de esto, la economía peruana tiene un sistema

financiero, donde se ubica el sub sistema bancario y dentro de este, el riesgo de crédito, tal como se

muestra en la figura N°4.1.

Figura N° 4.1: Sistema financiero peruano.

Fuente: Elaboración propia.

Page 103: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

96

Espino (2013), define el sistema bancario como el conjunto de bancos privados, tanto a nivel agregado

y desagregado. Por su parte según Morón (1993), sostiene que el desarrollo del sistema bancario

peruano nace con el inicio de la independencia, pero que por casos de prácticas no adecuadas se cae,

registrando luego las primeras actividades bancarias con el auge del guano. El autor señala también que

el primer banco que se estableció en Perú fue el Banco de Providencia, creado en 1862, luego

empezaron a crearse nuevos bancos en 1863 el Banco del Perú, en 1866 el Banco de Crédito

Hipotecario, en 1869 el Banco de Lima, dando inicio al boom bancario.

Tal como lo afirma Soliman (2015), a comienzos de la década de 1990, ingresaron en el mercado

nuevos bancos, como es el caso del Banco Interamericano de Finanzas. Además, se puede mencionar

que para 1991 los cinco principales bancos eran el Banco de Crédito, Banco Wiese, Banco Continental,

Banco Interbank y Banco Latino; los cuales tenían la mayor participación de colocaciones.

Para entender el rol del sistema bancario dentro del sistema financiero es necesario conocer la

estructura del sistema financiero, presentada en la tabla N°4.4.

Tabla 4.4: Estructura del sistema financiero del Perú, 2019.

Fuente: Superintendencia de Banca y Seguros, 2019.

Page 104: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

97

Desde el año 2016 según la SBS (2018), el sistema bancario se compone por 16 empresas bancarias las

mismas que explican el 8.30% de los activos con un saldo de S/ 385.34 millones, además, es el sector

que mayor número de empresas tiene en el sistema financiero. Los principales bancos que explican el

mayor porcentaje el sistema bancario son el Banco de crédito del Perú, Banco continental, Scotiabank

Perú, Interbank.

Los otros bancos que conforman el sistema al 2018 son Banco de Comercio, Banco Pichincha, Banco

Interamericano de Finanzas, Citibank, Mibanco, Banco GNB, Banco Falabella Perú, Banco Santander

Perú, Banco Ripley, Banco Azteca Perú, Banco Cencosud y el Banco ICBC Perú Bank. El total de

activos por sub sector se muestra en la tabla N°4.5.

Tabla 4.5: Participación del sistema bancario en el sistema financiero en diciembre 2018.

INSTITUCION ACTIVOS

(Miles S/)

PARTICIPACION

(%)

Banca Múltiple

Empresas Financieras

Cajas Municipales

Cajas Rurales de Ahorro y Crédito

(EDPYME)

Banco de la Nación

Empresas de Arrendamiento Financiero

Banco Agropecuario

385 343,800.83

14 828,922.59

26 727,332.79

1 920,784.29

2 487,842.12

30 101,633.87

314,853.00

686,394.28

83.3%

3.20%

5.80%

0.40%

0.50%

6.50%

0.10%

0.10%

TOTAL 462,411,563.79955 100%

Fuente: Superintendencia de Banca y Seguros.

Tabla 4.6: Indicadores del sistema bancario peruano 2003 – 2018.

INDICADOR Al 31 dic. 2003 Al 31 dic. 2007 Al 31 dic. 2018

Créditos (miles s/)

Depósitos (miles s/)

Personal (número de personas)

Deudores (número de personas)

Morosidad (%)

7 859,140

13 843,076

19,490

1 739,766

5.80

66 829,333

75 003, 815

32,179

3 790,806

1.26

270 662,412.20

243 860,244.78

63,107.00

4 309,398

2.95

Fuente: Superintendencia de Banca y Seguros.

En la tabla N°4.6 se presentan la comparación de los créditos, depósitos, morosidad, número de

deudores y personal del sector bancario, con la finalidad de verificar el avance del mismo; los créditos

han tenido una tasa de crecimiento de 7.05 por ciento en diciembre del año 2018, respecto a diciembre

del año 2003, es decir, registra un valor en créditos en diciembre del 2018 siete veces mayor al que se

registró en el año 2003.

Page 105: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

98

Por parte los depósitos presentan una tasa de crecimiento de 2.25 por ciento en diciembre de 2018,

respecto a diciembre del año 2007, en este rubro el sistema bancario ha crecido más del doble al año

2018. Sin embargo, a la vez que han crecido tanto créditos como depósitos, producto de ello, se ha

necesitado mayor número de personal, es así que en diciembre del año 2007 contaba con 32,179

personas y en diciembre del año 2018 contaba con 63,107 personas. Por su parte, el número de

deudores y con ello el índice de morosidad también se han incrementado, en el caso de la morosidad de

un índice de 1.26 por ciento en diciembre del año 2007 paso a un índice de 2.95 por ciento en el año

2018. Para entender mejor este indicador en la tabla N°4.7 se presentan datos sobre el mismo indicador

por banco.

Tabla 4.7: Morosidad del sistema bancario por banco 2003 – 2018.

Empresas Al 31 dic. 2003 Al 31 dic.

2007 Al 31 dic. 2018

B. Continental 2.15 1.07 2.94

B. de Comercio 3.09 1.46 2.68

B. de Crédito del Perú (con sucursales en el exterior) 2.96 0.65 2.66

B. Financiero (2007) - B. Pichincha (2018) 5.99 2.97 3.45

B. Interamericano de Finanzas 2.79 1.14 2.92

Scotiabank Perú 1.97 3.53

Citibank 2.90 2.82 -

Interbank (con sucursales en el exterior) 4.91 0.94 2.64

Mibanco 3.44 2.27 5.27

B. GNB 2.63

B. Falabella Perú 3.86 2.97

B. Santander Perú - 0.62

B. Ripley 2.93

B. Azteca Perú 9.36

B. Cencosud 5.68

B. ICBC -

TOTAL BANCA MÚLTIPLE 5.80 1.26 2.95

Fuente: Superintendencia de Banca y Seguros.

La tabla N°4.7 muestra el índice de morosidad por banco, todos los bancos han tendido a incrementar

su morosidad, en diciembre del año 2007 el Banco del Crédito del Perú registro la menor tasa de

morosidad de todos los bancos con un índice de 0.65 por ciento, sin embargo, para el año 2018 su tasa

de morosidad se ubicó cerca del promedio 2.66 como índice, en diciembre del año 2007, la mayor tasa

de morosidad fue la del Banco Falabella Perú (3.86%). En el año 2018 el banco con menor tasa de

morosidad fue Santander Perú (0.62), mientras que el que tuvo mayor tasa fue el Banco Cencosud

(9.36%).

Page 106: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

99

Por otra parte, como parte de la descripción del sistema bancario peruano en el cuadro N°4.8 se

presentan los indicadores financieros del sistema bancario, en el caso de la solvencia a diciembre de

2003 tenía un ratio de 7.53 y en diciembre de 2018 muestra un indicador de 14.66, en el caso de la

calidad de activos de 5.80 en diciembre del año 2003 pasa a 2.95 en diciembre del año 2008.

Tabla 4.8: Indicadores financieros del sistema bancario peruano 2003 – 2018.

Indicadores financieros Al 31 dic. 2003 Al 31 dic. 2007 Al 31 dic. 2018

Solvencia

Apalancamiento global

𝑃𝑎𝑠𝑖𝑣𝑜 𝑇𝑜𝑡𝑎𝑙

𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑠𝑜𝑐𝑖𝑎𝑙

Calidad de activos 𝐶𝑟é𝑑𝑖𝑡𝑜𝑠 𝑎𝑡𝑟𝑎𝑠𝑎𝑑𝑜𝑠

𝐶𝑟é𝑑𝑖𝑡𝑜𝑠 𝑑𝑖𝑟𝑒𝑐𝑡𝑜𝑠

𝑃𝑟𝑜𝑣𝑖𝑠𝑖𝑜𝑛𝑒𝑠

𝐶𝑎𝑟𝑡𝑒𝑟𝑎 𝑎𝑡𝑟𝑎𝑠𝑎𝑑𝑜𝑠

Eficiencia y gestión 𝐺𝑎𝑠𝑡𝑜𝑠 𝑂𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛

𝑀𝑎𝑟𝑔𝑒𝑛 𝑓𝑖𝑛𝑎𝑛𝑐𝑖𝑒𝑟𝑜

𝐶𝑟é𝑑𝑖𝑡𝑜𝑠 𝑑𝑖𝑟𝑒𝑐𝑡𝑜𝑠

𝑃𝑒𝑟𝑠𝑜𝑛𝑎𝑙 (𝑀𝑖𝑙𝑒𝑠 𝑆/)

Rentabilidad 𝑈𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑁𝑒𝑡𝑎

𝑃𝑎𝑡𝑟𝑖𝑚𝑜𝑛𝑖𝑜 (𝑅𝑂𝐸)

𝑈𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑁𝑒𝑡𝑎

𝐴𝑐𝑡𝑖𝑣𝑜𝑠 (𝑅𝑂𝐴)

Liquidez

Ratio Liquidez M.N

Ratio Liquidez M.E

7.53

10.72

5.80

141.10

37.74

1,828

10.85

1.11

32.84

43.90

8.24

15.10

1.26

278.39

48.55

2,077

27.86

2.49

57.28

36.95

14.66

8.89

2.95

153.58

42.17

4,289

18.41

2.21

27.02

44.46

Fuente: Superintendencia de Banca y Seguros.

En el sistema bancario resalta la alta concentración que existe, en cuanto a créditos y a depósitos, son 4

empresas que concentran más del 50% en ambos indicadores, en la tabla N°4.8 se muestra la

concentración bancaria a través de los créditos en una comparación para diciembre del 2007 y

diciembre 2018.

En diciembre del año 2018 los cuatro principales bancos en términos de créditos son, Banco

Continental (34%), Banco de Comercio (20%), Banco de crédito del Perú (17%) y Banco Pichincha

(12%), los cuatro bancos suman una participación del total de créditos de 83%.

Page 107: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

100

Tabla 4.9: Ranking de créditos del sistema bancario peruano 2003 – 2018.

AL 31 dic. 2003 AL 31 dic. 2007 AL 31 dic. 2018

Ranking de créditos

Ranking de créditos

Ranking de créditos

Institución

Bancaria Monto %

Institución

Bancaria Monto % Institución Monto %

BCP

Continental

Wiese

Interbank

OTROS

11 302,125

6 418,107

5 285,040

3 433, 826

8 225,195

0.32

0.19

0.15

0.09

0.24

BCP

Continental

Scotiabank

Interbank

OTROS

23 064,614

16 993,856

10 104,458

6 252,334

10 414,071

0.34

0.25

0.15

0.094

0.16

Continental

Comercio

BCP

Pichincha

OTROS

91 824,200

54 205,749

46 015,145

32 518,012

46 099,306

0.34

0.20

0.17

0.12

0.17

TOTAL 34 681,820 1.00 TOTAL 66,829,333 1.00 TOTAL 270,662,412 1.00

Fuente: Superintendencia de Banca y Seguros.

En cuanto a la concentración a través de los depósitos tanto en diciembre del año 2007 y diciembre del

año 2018 son los mismos bancos que han tenido la mayor participación. En diciembre del año 2007,

encabezó Banco de Crédito del Perú con una participación de 40%, en segundo lugar, se ubicó el banco

Continental, con una participación de 22%, tercero fue el Scotiabank Perú con una participación de

17% y cerraba la lista de los 4 primeros Interbank con una participación de 9%, sumando en total 88%.

En diciembre del año 2018, la lista de los cuatro primeros seguía en el mismo orden Banco de crédito

del Perú encabezo (34%), Banco Continental (21%), Scotiabank (14%) e Interbank (13%). Pero la

suma era menor a la del año 2007, la participación es de 82%. Los resultados se encuentran en la tabla

N°4.10.

Tabla 4.10: Ranking de depósitos del sistema bancario peruano 2003 – 2018.

AL 31 dic. 2003 AL 31 dic. 2007 AL 31 dic. 2018

Ranking de depósitos

Ranking de depósitos

Ranking de depósitos

Institución

Monto % Institución Monto % Institución Monto %

BCP

Continental

Wiese

Interbank

OTROS

15 400,005

10 641,142

7 140,849

4 074,731

7 064,146

0.35

0.24

0.16

0.09

0.16

BCP

Continental

Scotiabank

Interbank

OTROS

30 103,032

16 858,154

12 382,655

6 976,788

8 683,191

0.4

0.22

0.17

0.09

0.12

BCP

Continental

Scotiabank

Interbank

OTROS

82 927,935

50 615,762

35 279,298

30 777,310

44 259,939

0.34

0.21

0.14

0.13

0.18

TOTAL 44 320,873 1.0 TOTAL 75 003,820 1.0 TOTAL 243 860,244 1.00

Fuente: Superintendencia de Banca y Seguros.

Page 108: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

101

CAPITULO V

5. RESULTADOS Y DISCUSIÓN

5.1. Hallazgos y resultados

5.1.1. Especificación del modelo El modelo especificado a en la ecuación 04 muestra los factores tanto macroeconómicos como

microeconómicos que han influido en el riesgo de crédito para el sistema bancario peruano durante el

período 2003:01 al 2018:12.

El modelo se especifica en diferencia del logaritmo, esto, debido a que es en esta transformación donde

todas las variables son estacionarias.

dlog(RCt) = β0 + βdlog(PBIt-2) + β2dlog(TRPt) + β3dlog(DESt-6) + β4dlog(Xt-3) + β5dlog(M1t)+

β6dlog(SPt-1) + β7dlog(LIQt-1) + β8dlog(TAt) + β9dlog(CDt-5) + Ø1dlog(RCt-1) + Ø2dlog(RCt-6) +

Ø3dlog(RCt-7) + Ø4dlog(RCt-8) + θ1dlog(RCt-6) + ut ………………………………………………(04)

Donde los coeficientes βi para todo 𝑖 = 1, 2, … ,9 son los impactos individuales de cada variable

exógena y β0 es el intercepto de la ecuación, que también puede interpretarse como el nivel autónomo o

mínimo que alcanza el riesgo de crédito; Øi, representa los componentes autorregresivos del modelo; θ1,

representa el componente de media móvil; ut representa el error estadístico.

El signo esperado que de acuerdo a la revisión de la literatura para cada coeficiente se muestra en la

tabla N°5.1.

Tabla 5.1: Interrelaciones de variables del modelo.

Variable Detalle operacional de las variables Referencia Relación

RC Diferencia del logaritmo del índice del riesgo de crédito.

Determinantes macroeconómicos

PBI Diferencia del logaritmo del PBI. 3, 6, 13, 22, 30, 31, 33, 36,

37, 40, 41, 49, 65, 75, 88.

-

TRP Diferencia del logaritmo de la Tasa de Referencia de Política

Monetaria.

31, 50, 58. -

DES Diferencia del logaritmo de índice de desempleo. 3, 21, 24, 25, 30, 31, 37, 41,

49, 50, 58, 65, 88, 89, 90.

+

X Diferencia del logaritmo de las exportaciones. 37, 41, 49, 50, 88, 89. -

M1 Diferencia del logaritmo de emisión de monetaria. 33. -

SP Diferencia del logaritmo del índice bursátil. 50. -

Factores microeconómicos

LIQ Diferencia del logaritmo del índice de liquidez. 30, 41, 88, 89. +

TA Diferencia del logaritmo de la tasa de interés activa del

sistema bancario

2, 41, 72, 88, 89. +/-

CD Diferencia del logaritmo del ratio créditos a depósitos. 30, 88, 89. +

Fuente: modificado de Varona, Gismera y Gimero, 2014.

Page 109: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

102

5.1.2. Estimación del modelo ARIMAX

Tabla 5.2: Resultados de la estimación del modelo ARIMAX.

Variables Número de observaciones: 175

Variable dependiente:

Riesgo de crédito (morosidad)

Estacionaridad: Diferencia del logaritmo

Variables

independientes

Estacionaridad Número de

rezagos

Coeficientes Error

estadístico

T

estadístico

Nivel de

significancia

estadística

Intercepto

0.01 0.00 7.34 0.00 ***

Factores macroeconómicos determinantes del riesgo de crédito

PBI

Dif. log 2 -0.17 0.06 -3.21 0.00 ***

Tasa de Referencia de

Política Monetaria

Dif. log 0 -0.06 0.02 -2.24 0.02 ***

Desempleo

Dif. log 6 0.07 0.02 4.09 0.00 ***

Exportaciones

Dif. log 3 -0.05 0.03 -1.83 0.06 **

Crecimiento del

dinero

Dif. log 0 -0.40 0.07 -5.42 0.00 ***

Índice Bursátil de

BVL

Dif. log 1 -0.02 0.01 -2.64 0.00 ***

Factores microeconómicos determinantes del riesgo de crédito

Liquidez del sistema

bancario

Dif. log 1 -0.04 0.02 -1.83 0.06 **

Tasa de interés activa

del sistema bancario

Dif. log 0 -0.24 0.13 -1.75 0.08 **

Créditos/depósitos del

sistema bancario

Dif. log 5 0.14 0.08 1.89 0.05 **

Componentes autorregresivos y de media móvil del modelo ARIMAX

AR(1) -0.35

0.07 -4.69 0.00 ***

AR(6) 0.88

0.02 45.63 0.00 ***

AR(7) 0.27

0.07 3.88 0.00 ***

AR(8) -0.06

0.02 -3.41 0.00 ***

MA(6) -0.96

0.01 -90.22 0.00 ***

Nivel de significancia global probabilidad Bondad o ajuste Bondad

ajustada

18.63 0.00 0.62 0.59

Fuente: BCRP, SBS e Investing.

D(log(RCt)) = 0.11 + 0.17D(log(PBIt-2)) - 0.06D(log(TRPt)) + 0.07D(log(DESt-6)) - 0.04D(log(Xt-3)) -

0.40D(log(M1t)) - 0.02D(log(S&Pt-1)) - 0.04D(log(LIQt-1)) - 0.24D(log(TAt)) +

0.14D(log(CDt-5)) - 0.34ARt-1 + 0.88ARt-7 - 0.06ARt-8 - 0.95MAt-6 + ut

Page 110: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

103

5.1.3. Evaluación e interpretación del modelo ARIMAX

En la evaluación económica del modelo ARIMAX se compara los signos de los parámetros mostrados

en la tabla N°5.2. en relación a los esperados mostrados en la tabla N°5.1, se encuentra que dichos

parámetros cumplen con lo esperado en el marco teórico propuesto, en cuanto a las variables

macroeconómicas, el PBI, la tasa de referencia de política monetaria, las exportaciones, el crecimiento

del dinero y el índice bursátil de la Bolsa de Valores de Lima impactan de forma inversa sobre el riesgo

de crédito, mientras que el desempleo impacta de forma directa; asimismo variables como la liquidez,

la tasa activa y el ratio créditos sobre depósitos ha impactado de manera inversa sobre el riesgo de

crédito del sistema bancario.

Tabla 5.3: Evaluación económica del modelo ARIMAX.

Variables

independientes

Nivel Rez. Coef. Interpretación

Factores macroeconómicos determinantes del riesgo de crédito

PBI

Dif. log 2 -0.17 Se encuentra relación inversa entre las variaciones de la actividad

económica y las variaciones del riesgo de crédito del sistema

bancario, el primero impacta en el segundo después de dos meses. El

resultado muestra que un incremento del 1% en la tasa del PBI ha

influido para que el riesgo de creditico del sistema bancario caiga

una tasa de 0.17%.

Tasa de

Referencia de

Política

Monetaria

Dif. log 0 -0.06 De acuerdo a los resultados obtenidos, la relación entre el

crecimiento de la tasa de referencia de política monetaria y las

variaciones del riesgo de crédito del sistema bancario peruano es

inversa, dado que un incremento del 1% en las variaciones de la tasa

de referencia de política monetaria ha significado que el riesgo de

crédito caiga en una tasa de 0.06%.

Desempleo

Dif. log 6 0.07 La relación entre las variaciones de la tasa de desempleo y las

variaciones del riesgo de crédito del sistema bancario peruano es

directa, de acuerdo a los resultados se afirma que ante un incremento

de 1% en la tasa de desempleo, el riesgo de crédito se ha

incrementado a una tasa de 0.07% luego de medio año.

Exportaciones

Dif. log 3 -0.05 De acuerdo a los resultados, se afirma que existe relación inversa

entre el crecimiento de las exportaciones y el crecimiento del riesgo

de crédito del sistema bancario, cuyo impacto se da a los 3 meses,

pues ante un incremento de 1% en el crecimiento de las

exportaciones el riesgo de crédito ha disminuye en 0.05% en su

crecimiento luego de 3 meses.

Crecimiento del

dinero

Dif. log 0 -0.40 Se encuentra que existe relación inversa entre el crecimiento de la

emisión primaria y el crecimiento del riesgo de crédito del sistema

bancario, es decir, ante un incremento de 1% en la tasa de

crecimiento de la emisión primaria, el crecimiento del riesgo de

crédito del sistema bancario ha disminuido en 0.40%.

Índice Bursátil

de BVL

Dif. log 1 -0.02 De acuerdo a los resultados se encuentra relación inversa entre el

crecimiento del índice bursátil de la Bolsa de Valores de Lima y el

crecimiento del riesgo de crédito del sistema bancario peruano, un

incremento de 1% en la tasa de crecimiento del índice bursátil

impacta luego de un mes en el riesgo de crédito haciendo que este

caiga e a una tasa de 0.02%.

Fuente: Elaboración propia.

Page 111: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

104

Tabla 5.4: Evaluación económica del modelo ARIMAX.

Variables

independientes

Estacionaridad Número

de

rezagos

Coeficiente Interpretación

Factores microeconómicos determinantes del riesgo de crédito

Liquidez del

sistema bancario

Dif. log 1 -0.04 Según los resultados obtenidos, se encuentra que

el crecimiento en la liquidez del sistema bancario

ha influido de forma inversa luego de un período

sobre el crecimiento del riesgo de crédito del

mismo sistema, pues un incremento de 1% en la

tasa de crecimiento liquidez impacta luego de un

mes en el riesgo de crédito haciendo que este

disminuya en una tasa de 0.04%.

Tasa de interés

activa del sistema

bancario

Dif. log 0 -0.24 La relación que existe entre el crecimiento de la

tasa de interés activa del sistema bancario y el

crecimiento del riesgo de crédito, es inversa, un

incremento del 1% en la tasa de interés ha

significado una caída en una tasa de 0.24% el

riesgo de crédito del sistema bancario peruano.

Créditos/depósitos

del sistema

bancario

Dif. log 5 0.14 De acuerdo a los resultados se encuentra que

existe relación directa entre el crecimiento del

ratio de créditos/depósitos del sistema bancario y

el crecimiento del riesgo de crédito en el Perú

durante el período 2003:01 – 2018:12, pues un

incremento de 1% en la tasa de crecimiento de

dicho ratio ha influido en el riesgo de crédito

haciendo que su tasa de crecimiento aumente en

0.14%.

Fuente: Elaboración propia.

Asimismo, se encuentra que tanto las variables macroeconómicas, como microeconómicas mostradas

en la tabla N°5.2 han sido estadísticamente significativas de forma individual así como global para

explicar el riesgo de crédito del sistema bancario peruano en el periodo 2003:01 al 2018:12.

Por otro lado, según lo encontrado, el 61% de las variaciones presentadas en el crecimiento del riesgo

de crédito del sistema bancario peruano durante el período 2003:01 al 2018:12 ha sido explicadas por

variaciones en variables macroeconómicas como el crecimiento del PBI, el crecimiento de la Tasa de

Interés de Referencia, el crecimiento de la tasa de desempleo, el crecimiento de las exportaciones,

crecimiento de la emisión primaria y el crecimiento del índice bursátil de la Bolsa de Valores de Lima;

así como variaciones en variables microeconómicas como la el crecimiento de la liquidez del sistema

bancario, el crecimiento de la tasa activa del sistema bancario y el crecimiento del ratio de

créditos/depósitos del sistema bancario peruano.

Page 112: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

105

De acuerdo a los test de cointegración aplicado, el test de Wald, se afirma que existe cointegración de

largo plazo en el modelo, dichos resultados se encuentran en anexos. Además, las relaciones se

presentan en el gráfico N°5.1.

Gráfico N° 5.1:Correlaciónes de variables con el riesgo de crédito.

-.2

-.1

.0

.1

.2

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(LO

G(P

BI(-2

)))

-.6

-.4

-.2

.0

.2

.4

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(LO

G(T

RP))

-.6

-.4

-.2

.0

.2

.4

.6

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(LO

G(D

ES(-6

)))

-.4

-.2

.0

.2

.4

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(LO

G(X

(-3)))

-.10

-.05

.00

.05

.10

.15

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(LO

G(E

P))

-3

-2

-1

0

1

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(LO

G(S

P(-1

)))

-.4

-.2

.0

.2

.4

.6

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(LO

G(L

Q(-1

)))

-.08

-.04

.00

.04

.08

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(LO

G(T

A))

-.10

-.05

.00

.05

.10

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(LO

G(C

D(-5

)))

Fuente: BCRP, SBS e INVESTING.

Asimismo, en las figuras N°5.1 y N°5.2 se prpesentan los mecanismos como se transmiten cada

variable en el riesgo de crédito.

Figura N° 5.1: mecanismos de transmisión de factores microeconómicos en el RC.

Fuente: elaboración propia.

Page 113: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

106

Figura N° 5.2: mecanismos de transmisión de factores macroeconómicos en el RC.

Fuente: elaboración propia.

5.1.4. Análisis de escenarios con choques macroeconómicos

5.1.4.1. Predicción en escenario macroeconómico estable

➢ Supuestos

En un escenario estable, tanto el PBI como las exportaciones crecerán a las tasas que se presentan por

el Ministerio de Economía y Finanzas (2019), en el Marco Macroeconómico Multianual 2020 – 2023;

para este período la economía peruana alcanzaría tasas de crecimiento en promedio de 4,0%, impulsada

principalmente por el fortalecimiento de la inversión privada y pública, y por el efecto de las medidas

de política económica orientadas a mejorar la productividad y competitividad del país. Con ello, Perú

continuará liderando el crecimiento en la región en 2020 y en los próximos años.

De acuerdo al MEF (2019), bajo supuesto que la economía continúe estable y no haya eventos que

generen shock, las exportaciones para crecerían a tasas de 3,5% en promedio durante el año 2020.

Page 114: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

107

Tabla 5.5: Proyecciones macroeconómicas en el Marco Macroeconómico Multianual.

Estructura % Prom.

del PBI 2018 2018 2019 2020 2021-2023

I. Demanda interna 97.9 4.3 3.4 4.3 4.5

1. Gasto privado 82.6 4 3.5 4 4.3

a. Consumo privado 65 3.8 3.3 3.8 4

b. Inversión privada 17.6 4.4 4 4.8 5.3

2. Gasto público 16.4 3.4 2.6 5.3 4.3

a. Consumo público 11.5 2 2.6 3.8 3.6

b. Inversión pública 4.8 6.8 2.5 9 5.8

II. Demanda externa neta

1. Exportaciones 25 2.5 0.8 3.5 4.8

2. Importaciones 23 3.4 2.1 4.5 4.6

III. PBI 100 4 3 4 4.5

Fuente: Ministerio de Economía y Finanzas, 2019. Además, se plantea como supuesto que las demás variables tanto macroeconómicas como

microeconómicas evolucionaran en el año 2020 de acuerdo a su tendencia presentada. En el caso de las

exportaciones como el PBI su pronóstico al 2020 se realizó a través de las tasas propuestas por el MEF

en el MMM 2020 – 2023, mientras que el pronóstico para las demás variables en un escenario estable

se realizó a través del método de suavizamiento exponencial.

5.1.4.2. Predicción en escenario con choque macroeconómico tipo 2017

➢ Supuestos:

✓ En el año 2020 se presenta una situación similar a la ocurrida en el año 2017, tras la presencia del

fenómeno del niño en los primeros meses del año impactará sobre las principales variables

macroeconómicas, como son el PBI, el desempleo y las exportaciones. Además, se trabaja bajo el

supuesto de que las variables de aspecto microeconómico seguirán de acuerdo al choque.

✓ El Producto bruto Interno alcanza niveles y tasas de crecimiento menores a las mostradas, de tal

manera que no llega a alcanzar la meta propuesta por el MEF, el crecimiento en el año 2017 fue de

2,5% un resultado por debajo de la meta de 2,8%. Por lo tanto.

✓ Se asume que el PBI, la tasa de desempleo y las exportaciones alcanzaran tasas de crecimiento

similares a las que presentaron en el año 2017. Mientras que las demás variables seguirán una

tendencia normal.

✓ Para el año 2019 las variables presentan una tendencia normal, los valores que alcanzan se toman de

las fuentes que publican hasta el 2019. En el caso de las variables microeconómicas se trabaja bajo el

supuesto que seguirán con tendencia normal, para ello los valores en el 2020 se pronostican a través

del método de suavizamiento exponencial que mejor se ajusta a su histórico.

Page 115: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

108

5.1.4.3. Predicción en escenario con choque macroeconómico 2008

➢ Supuestos

✓ En el año 2020 se presenta una situación similar a la ocurrida en el año 2008, por lo tanto,

se asume que el PBI, la tasa de desempleo y las exportaciones alcanzarán tasas de crecimiento

similares a las que presentaron en el año 2008, producto de la crisis financiera internacional.

Mientras que las demás variables seguirán una tendencia normal.

✓ Para el año 2019 las variables presentan una tendencia normal, los valores que alcanzan se toman

de las fuentes que publican hasta el 2019. En el caso de las variables microeconómicas se trabaja

bajo el supuesto que seguirán con tendencia normal, para ello los valores en el 2020 se pronostican

a través del método de suavizamiento exponencial que mejor se ajusta a su histórico.

5.1.4.4. Predicción en escenario con choque macroeconómico COVID19

➢ Supuestos

✓ En el año 2020 tras la presencia del COVID19 la economía peruana tiende a registrar indicadores

adversos, como el PBI, el desempleo y las exportaciones. Según las proyecciones del BCRP

(2020), en el caso del PBI, el aislamiento social en el segundo trimestre, con un enfoque de

reapertura gradual y sectorial de las actividades económicas desde mayo para enfrentar la

pandemia, conllevaría una significativa contracción de la actividad de 12,5 por ciento en el 2020.

✓ En el caso de las exportaciones se proyecta que crecerán a una tasa de -18.9% en el año 2020; la

tasa de interés de política monetaria ha registrado un nivel de 0.25% desde abril y se proyecta hasta

diciembre, en el caso del desempleo hasta mayo registro un nivel de 13.1% y se proyecta esta

tendencia alcista por todo el 2020.

✓ Para el año 2019 las variables presentan una tendencia normal, los valores que alcanzan se toman

de las fuentes que publican hasta el 2019. En el caso de las variables microeconómicas se trabaja

bajo el supuesto que seguirán con tendencia normal, para ello los valores en el 2020 se pronostican

a través del método de suavizamiento exponencial que mejor se ajusta a su histórico.

Page 116: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

109

Los resultados de las proyecciones para los tres escenarios propuestos se muestran en la tabla N°5.6 y

en gráfico N°5.2. y N°5.3.

Tabla 5.6: Riesgo de crédito en escenarios 2020:01 – 2020:12.

RIESGO DE CRÉDITO DEL SISTEMA BANCARIO EN EL AÑO 2020

PERIODO

ESCENARIO

ESTABLE

ESCENARIO

CON FEN 2017

ESCENARIO CON

CRISIS 2008

ESCENARIO

CON COVID19

Enero 3.16 3.16 3.25 3.61

Febrero 3.24 3.24 3.31 3.74

Marzo 3.18 3.24 3.36 4.07

Abril 3.22 3.41 3.52 4.75

Mayo 3.25 3.42 3.49 5.06

Junio 3.23 3.44 3.48 5.56

Julio 3.17 3.37 3.44 5.89

Agosto 3.18 3.37 3.44 5.79

Septiembre 3.15 3.37 3.41 5.70

Octubre 3.18 3.42 3.46 5.66

Noviembre 3.17 3.43 3.45 6.14

Diciembre 3.03 3.35 3.40 6.13

Promedio 3.18 3.35 3.41 5.17

Fuente: BCRP, SBS e Investing.

Según la proyección mostrada en la tabla N°5.6 se espera que en un escenario normal el riesgo de

crédito del sistema bancario peruano tienda a disminuir, en promedio crecerá en una tasa de 3.18%, es

decir alcanzaría tasas mayores a los promedios registrados en el 2018 y 2019; la tasa promedio del

riesgo de crédito para el 2018 fue de 3.05% y 3.07% en el año 2019.

Además, se espera que en un escenario con presencia del FEN tipo el año 2017, el riesgo de crédito del

sistema bancario peruano tienda a incrementarse, alcanzado cifras mayores a las que registró en el año

2018 y mayores a las cifras que registraría en un escenario estable en el año 2020 cuya tasa de

crecimiento promedio es 3.18%; y la tasa que registra en un escenario con choque macroeconómico

con FEN 2017 es de 3.35% en promedio, llegando a su máximo nivel de 3.44% y registrando un

mínimo de 3.16%.

Por otro lado, se espera que en un escenario con choque macroeconómico tipo el año 2008, el riesgo de

crédito del sistema bancario peruano tienda a incrementarse, alcanzado cifras mayores a las que

registro en el año 2018, y mayores a las cifras que registraría en un escenario macroeconómico estable,

y en un escenario con presencia de FEN, así se tiene que la tasa promedio del riesgo de crédito en el

año 2018 fue de 3.05% y 3.07% en el año 2019, mientras que en un escenario estable la tasa promedio

es de 3.18%;en tanto, la tasa que registra en un escenario adverso tipo 2008 es de 3.40% en promedio.

Page 117: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

110

Finalmente el análisis muestra que con la presencia del COVID19 el riesgo de crédito del sistema

bancario tiende a incrementarse respecto al nivel alcanzado en escenarios con choques como FEN

2017, crisis financiera internacional 2008. El riesgo de crédito durante el periodo 2020:01 – 2020:12

con la presencia de COVID19 alcanzaría un promedio de 5.17%, registrando así su mayor índice luego

de 17 años.

De forma visual las proyecciones en los escenarios propuestos se muestran en los gráficos N°5.2 y

N°5.3, donde se puede apreciar que a mayor choque macroeconómico mayor es la vulnerabilidad del

riesgo de crédito que experimenta el sistema bancario para el periodo 2020:01 – 2020:12.

Gráfico N° 5.2: Riesgo de crédito en escenarios al 2020:01 – 2020:12.

3.0

3.1

3.2

3.3

3.4

3.5

3.6

III IV I II III IV

2019 2020

Fuente: BCRP, SBS e Investing.

Page 118: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

111

Gráfico N° 5.3: Riesgo de crédito con escenario de COVID19, 2020:01 – 2020:12.

3.0

3.5

4.0

4.5

5.0

5.5

6.0

6.5

III IV I II III IV

2019 2020

RIESGO DE CRÉDITO

RC - ESCENARIO ESTABLE

RC - CHOQUE FEN 2017

RC - CHOQUE 2008

RC - CHOQUE COVID19

Fuente: BCRP, SBS e Investing, 2019.

5.2. Discusión y análisis económico

Según los resultados encontrados, los determinantes macroeconómicos que han influido sobre la

variabilidad del riesgo de crédito del sistema bancario peruano han sido el PBI, la tasa de referencia de

política monetaria del Banco Central de Reserva del Perú, la tasa de desempleo, las exportaciones, las

emisiones monetarias y el índice bursátil de la Bolsa de Valores de Lima.

En el caso del PBI, el impacto generado ha sido inverso, un cambio de este empieza a tener efecto en el

riesgo de crédito luego de dos meses haciendo que disminuya en 17%, siendo este uno de los mayores

efectos que una variable tiene sobre el riesgo de crédito, este resultado se asemeja a los resultados de

países de América Latina, como es el caso de Ecuador, a través de los estudios de Uquillas y Gonzáles

(2017), Gonzáles (2017), así como el caso de la economía Colombiana con los estudios de Uquillas y

Gonzáles (2017A), y Ramírez (2014), asimismo se encuentran resultados similares para la economía

Chilena, en los estudio de Jara et al. (2008), Deloitte (2010), en donde se encuentra que el PBI tiene

impacto negativo después de un mes, asimismo el estudio de Martínez et al. (2017); similares

resultados se encuentran en el caso venezolano en el estudio de Hernández et al. (2007) y para el caso

Mexicano a través del estudio de Jiménez y Benavides (2016).

Asimismo, en el ámbito mundial los resultados son similares a los encontrados en el presente estudio y

en el caso de América Latina; para la India según los resultados del estudio de Dua y Kapur (2018),

Page 119: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

112

existe relación inversa entre la actividad económica y el riesgo de crédito, asimismo, se encuentra el

estudio de Flores (2011), para el caso de Guatemala donde se sugiere similar relación.

Otra variable macroeconómica que ha impactado de manera inversa sobre el riesgo de crédito del

sistema bancario peruano ha sido la Tasa de Referencia de Política Monetaria del Banco Central, un

ajuste hacia arriba de esta ha influido negativamente sobre el riesgo de crédito haciendo que este

disminuya en 6%, complementando lo encontrado por Deloitte (2010), para el caso de Chile.

Por otro lado, la tasa de desempleo ha sido uno de los factores estadísticamente significativos que han

influido sobre el riesgo de crédito del sistema bancario peruano, los efectos de un cambio en esta

empiezan a sentirse luego de 6 meses en el riesgo de crédito siendo el efecto de 6%; a nivel de América

Latina, los resultados se asemejan a los encontrados por Martínez et al. (2017), Deloitte (2010), para el

caso de Chile, en los dos estudios encuentran asociación directa entre el desempleo y el riesgo de

crédito, mientras que Jara et al. (2008), encuentra que en el caso del empleo se asocia de forma inversa

con el riesgo de crédito en el caso chileno.

En el presente estudio, los resultados indican que las exportaciones tienen un efecto negativo en el

riesgo de crédito, el cual se siente luego de 3 meses con una contribución del 3%, estos resultados

refuerzan los encontrados por Luy (2011), para el caso peruano así como al estudio de Jiménez y

Benavides (2016), para el caso específico de México y en el caso de Ecuador y Colombia, se

encuentran los estudios de Uquillas y Gonzáles (2017), y Gonzáles (2017), quienes hallan que las

exportaciones de petróleo son variables determinantes del riesgo de crédito con quien tienen relación

inversa.

Un efecto rápido lo genera la emisión de dinero, pues un cambio en este tiene un efecto inmediato en el

riesgo de crédito, explicando sus variaciones en 47%, hallando relación inversa con el riesgo de

crédito, este resultado se justifica en lo señalado por Ramírez (2014), un incremento del dinero en la

economía le da estabilidad e ingresos a la población haciendo que haya mejor actividad económica y

con ello que se reduzca el nivel de riesgo de crédito, el autor obtiene resultados similares para el caso

Colombiano; mientras que a nivel del mundo, Flores (2011), encuentra que en el caso específico de

Guatemala el incremento del circulante influye negativamente sobre el riesgo de crédito, similar

resultado lo encuentra Dua y Kapur (2018), para el caso de la economía Hindú.

Por su parte el índice bursátil impacta negativamente luego de un mes al riesgo de crédito del sistema

bancario peruano haciendo que este disminuya en solo 2%, los resultados se complementan a los

encontrado para el caso de Ecuador y Colombia en los estudios de Uquillas y Gonzáles (2017), así

Page 120: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

113

como en el estudio de Gonzáles (2017), quienes afirman que un crecimiento en el mercado bursátil

influye de manera inversa sobre el riesgo de crédito del sistema bancario.

Los determinantes microeconómicos del riesgo de crédito en el sistema bancario peruano durante el

periodo 2003:01 al 2018:12 han sido la liquidez del sistema bancario, la tasa de interés activa del

sistema bancario y el ratio de créditos/depósitos. En el caso de la liquidez, tiene un impacto inverso y

el efecto es después de un mes, este resultado se complementa con resultados encontrados para

América Latina, en el caso del Ecuador en el estudio de González (2017), y Uquillas y Gonzáles

(2017), encuentran que la liquidez tiene impacto inverso y tarda cuatro meses, similar resultado se

encuentra para el caso colombiano en el estudio de Uquillas y Gonzáles (2017A).

Otro factor determinante del riesgo de crédito del sistema bancario peruano ha sido el ratio

créditos/depósitos, el cual, tiene efecto directo sobre el riesgo de crédito luego de 5 meses, haciendo

que se incremente en 14%, este resultado es similar al encontrado por Hernández et al. (2007), para el

caso de Venezuela y al encontrado por Martínez et al. (2017), para el caso chileno.

En el caso de los factores microeconómicos determinantes del riesgo de crédito, en el presente estudio

se encuentra que la tasa de interés activa en moneda nacional del sistema bancario ha sido

estadísticamente significativa y tiene relación inversa con el riesgo de crédito, haciendo que ante

incrementos de la misma, el riesgo de crédito disminuya en 24%, estos resultados son similares a los

encontrados por Alfaro y Loyaga (2018), en su estudio para el caso peruano en el periodo 2010 – 2016;

por el contario, el resultado encontrado en esta investigación difiere a los resultados para América

Latina, pues se encuentra relación directa entre las tasas de interés y el riesgo de crédito, tal es el caso

de Venezuela en el estudio de Hernández et al. (2007), así como para el caso chileno, cuyos resultados

se encuentran en el estudio de Martínez et al (2017), y Oda et al. (2008), y en Colombia, en el estudio

de Ramírez (2014). Los resultados en países del mundo como es el caso de la India también sugieren

relación directa, se encuentra en el estudio de Dua y Kapur (2018), así como en el caso de Guatemala

el estudio de Flores (2011).

Por otro lado, de acuerdo a los resultados por cada escenario, se encuentra que mientras la economía

peruana se enfrente a una mayor situación adversa, el riesgo en el que incurre el sistema bancario

respecto al crédito es mayor; en promedio el riesgo de crédito alcanzaría un índice de 3.18% en un

escenario sin ningún choque macroeconómico, mientras que en un escenario con choque

macroeconómico con presencia del FEN tipo el año 2017, solo serían 13 puntos porcentuales más, pues

el riesgo de crédito que se registra en esta situación en promedio es de 3.35% el mismo que se

Page 121: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

114

incrementaría aún más si la economía peruana presenta tasas de crecimiento en sus indicadores

similares a las mostradas en el año 2008, el riesgo de crédito sería de 3.40% en promedio; mientras que

con presencia de choque macroeconómico producto del COVID19 el riesgo de crédito llegaría a

registrar un promedio de 5.17%.

Los resultados encontrados sobre la vulnerabilidad del riesgo de crédito son similares tanto a nivel

nacional, América Latina y en países del mundo. En el caso peruano, los resultados mostradas por

Rodríguez (2016), indican que en un escenario normal el riesgo de crédito es de 1.62%, mientras que

un escenario optimista sería de 1.47% y se incrementa en un escenario pesimista hasta 1.65%, similares

resultados los encuentra Luy (2010), en el pronóstico al 2011 su estudio sugiere que mientras mayor

sea el choque macroeconómico mayor es la vulnerabilidad del riesgo de crédito, sus resultados indican

que en escenario normal el riesgo de crédito sería de 1.36%, mientras que de presentarse un evento

como el fenómeno del niño el riesgo de crédito se incrementa hasta 2.55%, y de haber una recesión

como en el año 2008 el riesgo de crédito alanza un nivel de 2.83% y de presentarse ambos choques

llegaría hasta 2.93%.

Para el caso de América Latina, según los resultados de Martínez et al. (2017), Oda et al. (2008), y

Deloitte (2010), en el caso de Chile, mientras mayor sea el choque sufrido por la economía más

vulnerable es el riesgo de crédito. Para el caso de Ecuador según el estudio de Uquillas y Gonzáles

(2017), en un escenario normal el riesgo de crédito es de 7.16%, mientras que un escenario optimista es

de 5.75% y este se incrementa hasta 7.30% en un escenario pesimista,

Los resultados para Colombia son similares, según el estudio de Uquillas y Gonzáles (2017), en un

escenario normal el riesgo de crédito es de 4.31%, en un escenario optimista es de 4.08% y en un

escenario pesimista es de 5.75%; similar resultado encuentra Ramírez (2014), para la misma economía.

Asimismo, para el caso de Venezuela según los resultados de Hernández et al. (2007), se asemejan a

los encontrados en los demás estudios.

Finalmente, a nivel de mundo, los resultados encontrados por Flores (2011), para el caso de Guatemala

respaldan la hipótesis que mientras más severo es el choque macroeconómico el riesgo de crédito

tiende a ser más vulnerable y a incrementarse, es así que, en escenario normal llegaría a un nivel de

6.75% mientas que en escenario severo llegaría hasta 7.24%, asimismo los resultados encontrados por

Dua y Kapur (2018), para el caso de la India siguieren similar análisis.

Page 122: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

115

CONCLUSIONES

Del estudio se llega a la conclusión que durante el período 2003:01 – 2018:12 y en el escenario al

2020:12 los niveles de morosidad del sistema bancario peruano se incrementen con la presencia de

escenarios de estrés macroeconómicos encontrándose relación directa entre ambos. Es así que en la

crisis del año 2008 los niveles de riesgo crediticio tendieron a incrementarse prolongándose hasta el

año 2018; otra situación que hizo que el riesgo de crédito se incremente fue la del año 2017 con la

presencia del fenómeno del niño, cuyo efecto se ven trasladado al riesgo de crédito del sistema

bancario; asimismo, durante el periodo 2020:01 al 2020:12, el riesgo de crédito se incrementa mientras

mayor sea el choque macroeconómico al que se enfrente la economía, en un escenario con panorama

macroeconómico estable alcanzaría un promedio de 3.18%, en presencia de FEN 2017 alcanzaría

3.35% en promedio; en presencia de una crisis tipo 2008 el riesgo de crédito alcanzado sería de 3.40%

en promedio y un escenario con COVID19 el riesgo de crédito promedio sería de 5.17%.

Se concluye además que en el período 2003:01 al 2018:12 los factores macroeconómicos que han

influido sobre el crecimiento del riesgo de crédito de manera inversa son el crecimiento del PBI, el

crecimiento de la tasa de referencia de política monetaria, el crecimiento de las exportaciones, el

crecimiento de la emisión de dinero y el crecimiento del índice de la Bolsa de Valores de Lima el S&P

Lima General; mientras que el crecimiento del desempleo, es un factor determinante del crecimiento

del riesgo de crédito que ha influido de manera directa.

Se concluye también que, las variables microeconómicas que explican el crecimiento del riesgo de

crédito de manera inversa son el crecimiento de la liquidez del sistema bancario asi como el

crecimiento de la tasa de interés activa, mientras que el ratio créditos/depósitos es un factor

determinante que se relaciona de manera directa con el crecimiento del riesgo de crédito.

Finalmente se concluye que en el período 2020:01 al 2020:12 el riesgo de crédito es menor en

presencia de un escenario estable, es decir, si las principales variables macroeconómicas evolucionen

tal como las proyecta el MEF (2019), en el Marco Macroeconómico Multianual.

Page 123: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

116

RECOMENDACIONES

Recomendaciones metodológicas:

➢ En caso se realice un estudio similar para el sistema bancario, trabajar con la metodología de los

datos de panel, modelos VAR, modelos de cointegración entre otros.

➢ Suponer escenarios un poco más severos para la estimación de las proyecciones, con un error del

1.0 por ciento al considerado en este estudio.

➢ Incluir una variable dummy que mida la presencia del FEN.

➢ Considerar variables de economías externas como son Estados Unidos y China principales socios

comerciales del Perú.

Recomendaciones de política económica ante choques macroeconómicos:

➢ En escenario de crisis, dada la relación que se presenta entre emisión monetaria y riesgo de crédito,

se recomienda al BCRP aplicar política monetaria expansiva, a través de la emisión de dinero al

sistema financiero, acompañada de una reducción en la tasa de interés de política monetaria. Esto

permitiría reemplazar las cadenas de pagos de personas y empresas, haciendo que el riesgo de

crédito no se incremente desmedidamente.

➢ En este sentido, la política monetaria expansiva, se daría a través de mayor oferta de dinero

inyectada al sistema financiero, el cual se debe canalizar como crédito a sectores claves. En el caso

del sector primario, el crédito se debe canalizar al sub sector agropecuario, pesca y minería, dado

que estos representan más del 70% del PBI primario además de poseer producción exportable.

Asimismo, en el caso del sector no primario, el crédito se debe canalizar a sub sectores como

comercio, manufactura y transportes, siendo estos los más significativos del sector. El dinamismo

tanto del sector primario como el de no primario influye en el nivel de PBI, a través de la inversión

y las exportaciones, así como en el empleo, con ello se logra estabilizar el ámbito macroeconómico

y a su vez el riesgo de crédito del sistema bancario.

➢ Además como política sobre la canalización de los créditos, estos se deben brindar principalmente a

los departamentos que mayor incidencia tienen sobre el PBI nacional, tal es el caso de Lima,

Arequipa, La Libertad, Cusco, Junín y Piura, a través de sectores y empresas claves, donde hay

producción transable como no transable; así como empresas que generen mayores puestos de

empleo. Esto permite, mejorar el PBI nacional, así vez que mejora las y reduce la tasa de

Page 124: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

117

desempleo, mejorando los ingresos de las personas así como los flujos de las empresas; con ello

dada la relación que presentan con el riesgo de crédito permitiría que este se estabilice.

➢ Al MEF se le recomienda inmediata aplicación política fiscal expansiva contracìclica, dado que la

inversión privada, las exportaciones, etc. Ocasionaran ciclos en la economia, se hace necesario que

la entidad fiscal actué con mayores niveles de inversión pública, esto será posible dado que se

cuenta con reservas sólidas, permitiendo de tal forma sostener a la actividad económica y con ello el

riesgo de crédito del sistema bancario.

➢ Para mantener estables los indicadores microeconómicos propios del sistema bancario, dadas las

relaciones que muestran con el riesgo de crédito, y puesto que la SBS solo es un ente regulador, se

le recomienda dar facultades a los bancos para brindar medidas que faciliten el pago de personas

naturales y jurídicas, como las reprogramaciones de créditos, periodos de gracia, etc. de tal forma

que permita que la empresa o persona no caiga en morosidad.

Figura N° 0.1: mecanismos de política monetaria recomendado.

Fuente: elaboración propia.

CHOQUE MACROECONÓMICO

Respuesta del BCRP

TRPM

M1

Política Monetaria

expansiva.

CRÉDITO

Sistema Financiero

(Bancario)

Sector primario

(Empresas de inversión

y exportación)

Sector no primario

(Empresas de inversión y

exportación)

Regiones

▪ Hidrocarburo

▪ Minería

▪ Comercio

▪ Manufactura

▪ Lima

▪ Arequipa

▪ La Libertad

▪ Cusco

▪ Junín

▪ Piura

PBI desempleo Exportaciones

RIESGO DE CRÉDITO

Facultar a entidades bancarias a

adoptar medidas de préstamos

con facilidades de pagos.

SBS

Modificar condiciones

contractuales

Tiempo de

gracia

Page 125: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

118

REFERENCIAS BIBLIOGRÁFICAS

[1] ALFARO, R. CALVO, D. y ODA, D. (2009), Riesgo de crédito de la banca de

consumo. Economía Chilena, 12(3), 59-77. https://core.ac.uk/download/pdf/6360282.pdf

[2] ALFARO, C. y LOYAGA, E. (2018). Factores macroeconómicos que afectan la morosidad de

las entidades financieras peruanas en el periodo 2010-2016. Universidad Peruana de Ciencias

Aplicadas (UPC), Lima, Perú. doi:

https://repositorioacademico.upc.edu.pe/bitstream/handle/10757/624932/Alfaro_cc.pdf?sequen

ce=1&isAllowed=y

[3] ALFARO, R. y SAGNE, A. (2011). Stress tests for banking sector: a technical

note. Documentos de Trabajo (Banco Central de Chile), (610), 1. https://www.bcentral.cl/-

/stress-tests-for-banking-sector-a-technical-note

[4] ALTMAN, E. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate

Bankruptcy. Journal of Finance, 23, (4), pp. 589-609. https://sci-

hub.se/https://onlinelibrary.wiley.com/doi/pdf/10.1111/j.1540-6261.1968.tb00843.x

[5] AMIEVA, J. y URRIZA, B. (2000). Crisis bancarias: causas, costos, duración, efectos y

opciones de política. CEPAL. https://repositorio.cepal.org/handle/11362/7512

[6] BAZERQUE, P. y CABRERA, J. (2010). Probabilidad de default de los créditos bancarios en

una economía dolarizada. Banco Central de Uruguay.

https://www.bcu.gub.uy/Comunicaciones/Jornadas%20de%20Economa/iees03j3501010.pdf

[7] BANCO CENTRAL DE RESERVA DEL PERÚ. (2003). Memoria 2003. Lima, Perú.

http://www.bcrp.gob.pe/docs/Publicaciones/Memoria/2003/Memoria-BCRP-2003-8.pdf

[8] BANCO CENTRAL DE RESERVA DEL PERÚ. (2004). Memoria 2004. Lima, Perú.

http://www.bcrp.gob.pe/publicaciones/memoria-anual/memoria-2004.html

[9] BANCO CENTRAL DE RESERVA DEL PERÚ. (2007). Memoria 2007. Lima, Perú.

http://www.bcrp.gob.pe/publicaciones/memoria-anual/memoria-2007.html

[10] BANCO CENTRAL DE RESERVA DEL PERÚ. (2008). Memoria 2008. Lima, Perú.

http://www.bcrp.gob.pe/docs/Publicaciones/Memoria/2008/Memoria-BCRP-2008.pdf

[11] BANCO CENTRAL DE RESERVA DEL PERÚ. (2009). Memoria 2009. Lima, Perú.

http://www.bcrp.gob.pe/docs/Publicaciones/Memoria/2009/Memoria-BCRP-2009.pdf

[12] BANCO CENTRAL DE RESERVA DEL PERÚ. (2010). Memoria 2010. Lima, Perú.

http://www.bcrp.gob.pe/docs/Publicaciones/Memoria/2010/Memoria-BCRP-2010.pdf

Page 126: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

119

[13] BANCO CENTRAL DE RESERVA DEL PERU [BCRP]. (2013). Reporte de estabilidad

financiera. Lima, Perú. http://www.bcrp.gob.pe/publicaciones/reporte-de-estabilidad-

financiera/ref-mayo-2013.html

[14] BANCO CENTRAL DE RESERVA DEL PERÚ. (2014). Memoria 2014. Lima, Perú.

http://www.bcrp.gob.pe/docs/Publicaciones/Memoria/2014/memoria-bcrp-2014.pdf

[15] BANCO CENTRAL DE RESERVA DEL PERÚ. (2016). Memoria 2016. Lima, Perú.

http://www.bcrp.gob.pe/docs/Publicaciones/Memoria/2016/memoria-bcrp-2016.pdf

[16] BANCO CENTRAL DE RESERVA DEL PERÚ. (2017). Memoria 2017. Lima, Perú.

http://www.bcrp.gob.pe/docs/Publicaciones/Memoria/2017/memoria-bcrp-2017.pdf

[17] BANCO CENTRAL DE RESERVA DEL PERÚ. (2018). Memoria 2018. Lima, Perú.

http://www.bcrp.gob.pe/docs/Publicaciones/Memoria/2018/memoria-bcrp-2018.pdf

[18] BANCO CENTRAL DE RESERVA DEL PERÚ- BCRP. (2019). Series Estadísticas.

Disponible en https://estadisticas.bcrp.gob.pe/estadisticas/series/ [ Accesado el 20 de febrero

2019]

[19] BANCO CENTRAL DE RESERVA DEL PERÚ [BCRP]. (2020). Reporte de inflación:

panorama actual y proyecciones macroeconómicas 2020 – 2021. Lima, Perú.

https://www.bcrp.gob.pe/docs/Publicaciones/Reporte-Inflacion/2020/junio/reporte-de-

inflacion-junio-2020.pdf

[20] BASSO, O. (2013). Modelos de gestión del riesgo de crédito. Guatemala: Superintendencia de

Bancos de Guatemala.

https://www.sib.gob.gt/c/document_library/get_file?folderId=1409374&name=DLFE-

13522.pdf

[21] BOARD OF GOVERNORS OF THE FEDERAL RESERVE SYSTEM. (2012). 2013

Supervisory scenarios for annual stress tests required under the Dodd-Frank act stress testing.

Estados Unidos: Reserve Federal.

https://www.federalreserve.gov/bankinforeg/bcreg20121115a1.pdf

[22] BOARD OF GOVERNORS OF THE FEDERAL RESERVE SYSTEM. (2019). 2019

Supervisory scenarios for annual stress tests required underthe Dodd-Frank act stress testing

rules and the capital plan rule. Estados Unidos: Reserva Federal.

https://www.federalreserve.gov/newsevents/pressreleases/files/bcreg20190213a1.pdf

[23] BLOOMBERG ECONOMICS. (2019). Series Estadísticas. Disponible en

https://www.bloomberg.com/markets/economics [ Accesado el 20 de febrero 2019]

Page 127: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

120

[24] CABRERA, W., GUTIÉRREZ, J. y MENDOZA, J. (2012). Credit risk stress testing: An

exercise for Colombian banks. Bogotá: Colombia. Temas, (73).

http://www.banrep.gov.co/sites/default/files/publicaciones/archivos/ref_tema4_sep_2012.pdf

[25] CAPERA, L., CABRERA, W., MORALES, M. y ESTRADA, D. (2012). Un mapa de riesgo

de crédito para el sistema financiero colombiano. Bogotá: Banco de la República de Colombia.

Temas, (68). http://www.banrep.gov.co/es/estabilidad-tema-68

[26] CARRERA, J. Y LANTERI, L. (2007). Shocks macroeconómicos y vulnerabilidad

financiera. Banco Central de la República Argentina. Ensayos Económicos, 48, 13-71.

https://www.researchgate.net/publication/237272764_Shocks_macroeconómicos_y_vulnerabili

dad_financiera

[27] CONSENTINO, D. (2015). Modelo de riesgo integral y stress testing. Buenos Aires,

Argentina: Centro de investigación de métodos cuantitativos aplicados a la economía. Vol. 1.

http://www.economicas.uba.ar/wp-content/uploads/2016/02/Cosentino-D.-A.-Modelo-de-

riesgo-integral-y-Stress-Testing.pdf

[28] CONTRERAS, F. y BUROTTO, J. (2012). Asimetrías de información entre agente y principal

de las Universidades Chilenas. Chile: Universidad Los Lagos.

http://www.scielo.org.co/pdf/eg/v28n122/v28n122a06.pdf

[29] COMITÉ DE SUPERVISIÓN DE BASILEA (2017). Resumen de las reformas de Basilea III.

Banco de Pagos Internacionales. https://www.bis.org/bcbs/publ/d424_hlsummary_es.pdf

[30] CRISTÓFOLI, M. (2017). Reverse stress testing para el análisis de la estabilidad financiera

española. Tesis. Doctorado en Ciencias Económicas. Universidad de Buenos Aires.

http://bibliotecadigital.econ.uba.ar/download/tesis/1501-1282_CristofoliME.pdf

[31] DELOITTE. (2010). Stresstesting de riesgo de crédito. Escenarios de riesgo en la banca

chilena. Santiago, Chile: Financial Advisory Services.

http://oportunidades.deloitte.cl/marketing/Reportes-

internos/Financiera/noviembre/Analisis_Stress.pdf

[32] DIAMOND, D. y DYBVING, P. (1983). Bank Runs, Deposit Insurance, and Liquidity. The

Journal of Political Economy, Vol. 91, No. 3. (Jun., 1983), pp. 401-419.

https://www.macroeconomics.tu-

berlin.de/fileadmin/fg124/financial_crises/literature/Diamon_Dybvig_Bank_Runs__Deposit_I

nsurance__and_Liquidity.pdf

[33] DUA, P. y KAPUR, H. (2018). Macro stress testing and resilience assessment of Indian

banking. Journal of Policy Modeling, 40(2), 452-475.

https://doi.org/10.1016/j.jpolmod.2018.01.005

Page 128: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

121

[34] ESPINO, F. (2013). Hechos estilizados del sistema bancario peruano. Series de Documentos de

Trabajo BCRP. http://www.bcrp.gob.pe/docs/Publicaciones/Documentos-de-

Trabajo/2013/documento-de-trabajo-05-2013.pdf

[35] FISHER, I. (1933). The debt-deflation theory of great depressions. Federal Reserve Bank of St.

Louis. https://phare.univ-paris1.fr/fileadmin/PHARE/Irving_Fisher_1933.pdf

[36] FLORES, N. (2011). “Aplicación de pruebas de tensión macroeconómicas en el análisis de

riesgo de crédito del sistema bancario guatemalteco”. Tesis. Licenciado en Economía.

Universidad de San Carlos de Guatemala. http://biblioteca.usac.edu.gt/tesis/03/03_3701.pdf

[37] FOGLIA, A. (2009). Stress testing credit risk: a survey of authorities' approaches. Bank of

Italy occasional paper, (37). https://www.ijcb.org/journal/ijcb09q3a1.pdf

[38] FRIEDMAN, M. y SCHWARTZ, J. (1963). A monetary history of the United States 1967 –

1960. Princeton Universty. https://core.ac.uk/download/pdf/6608544.pdf

[39] GARCIA, C. y LOZANO, C. (2014). Análisis del riesgo de crédito en la empresa. Madrid,

España: Universidad Pontifica Comillas.

https://repositorio.comillas.edu/jspui/bitstream/11531/147/1/TFG000036.pdf

[40] GATICA, R. y CÁCERES, M. (2011). Pruebas de tensión en el sector bancario en Chile y el

mundo: Revisión y recomendaciones. Santiago, Chile: Universidad de Chile.

http://repositorio.uchile.cl/bitstream/handle/2250/108047/ec-

gatica_s.pdf?sequence=3&isAllowed=y

[41] GONZÁLES, C. (2017). Stress testing de la morosidad del crédito de consumo en el sistema

financiero ecuatoriano. Tesis. Licenciatura en Economía. Colección de tesis digitales Escuela

Politécnica Nacional. http://bibdigital.epn.edu.ec/handle/15000/17448

[42] GORTON, G. (1988). Banking Panics and Business Cycles. Oxford Economic Papers, vol. 40,

issue 4, 751-81.

https://econpapers.repec.org/article/oupoxecpp/v_3a40_3ay_3a1988_3ai_3a4_3ap_3a751-

81.htm

[43] GUJARATI, D. (2010). ECONOMETRÍA. México: Mc Graw Hill Educación. Quinta edición.

https://scalleruizunp.files.wordpress.com/2015/04/econometria_-_damodar_n-_gujarati.pdf

[44] HERNANDEZ, R., FERNÁNDEZ, C. y BAPTISTA, L. (2014). Metodología de la

investigación. sexta edición. McGRAW-HILL / INTERAMERICANA EDITORES, S.A. DE

C.V. D.F., México. Pág. 1 – 355. http://observatorio.epacartagena.gov.co/wp-

content/uploads/2017/08/metodologia-de-la-investigacion-sexta-edicion.compressed.pdf

Page 129: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

122

[45] HERNÁNDEZ, VALERO y BERNARDETTE. (2007). Perfil de Riesgos del Sistema Bancario

Venezolano: Aplicación de la metodología de Stress Testing. Venezuela: Banco Central de

Venezuela. http://www.cemla.org/red/papers2007/xii-VENEZUELA02.pdf

[46] HOFGMAN, D. (1960). Credit Risk and Credit Rationing. The Quarterly Journal of

Economics, Vol. 74, No. 2 (May, 1960), pp. 258-278. https://sci-

hub.tw/https://academic.oup.com/qje/article-abstract/74/2/258/1864462

[47] JARA, A., LUNA, L. y ODA, D. (2008). Pruebas de tensión de la banca en Chile. Informe de

estabilidad financiera, segundo semestre, Banco Central de Chile.

https://www.researchgate.net/publication/237764790_Pruebas_de_tension_de_la_banca_en_C

hile

[48] JIMÉNEZ, L. A., Y BENAVIDES, G. (2016). Stress-Testing para carteras de crédito del

Sistema Bancario Mexicano. Revista Mexicana de Economía y Finanzas, 11(3), 117-140.

http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1665-53462016000300117

[49] KALIRAI, H. y SCHEICHER, M. (2002). Macroeconomic stress testing: preliminary

evidence for Austria. Financial Stability Report, (3), 58-74.

https://ideas.repec.org/a/onb/oenbfs/y2002i3b3.html

[50] KERLINGER, F. (2002). Investigación del comportamiento: Técnicas y comportamiento.

Editorial Interamericana. D.F., México.

https://www.academia.edu/6753714/Investigacion_Del_Comportamiento_-

_Kerlinger_Fred_N_PDF

[51] KINDLEBERGER, C. (1978). Manias, Panics and Crashes. Basic Books, New York.

https://www.amazon.es/Manias-Panics-Crashes-Financial-Investment/dp/0471467146

[52] KONGCHAROEN, C. and KRUANGPRADIT, T. (2013). Autoregressive Integrated Moving

Average with Explanatory Variable (ARIMAX) Model for Thailand Export. Thammasat

University, Thailand. https://forecasters.org/wp-content/uploads/gravity_forms/7-

2a51b93047891f1ec3608bdbd77ca58d/2013/07/Kongcharoen_Chaleampong_ISF2013.pdf

[53] KRUGMAN, P. (2008). Acabad ya con esta crisis.

https://cgrandola.files.wordpress.com/2008/04/krugman-acabad-ya-con-esta-crisis.pdf

[54] LATTER, T. (1998). Las causas de las crisis bancarias y su manejo. Centro de estudios

monetarios Latinoamericanos. http://cemla.org/PDF/ensayos/pub-en-63.pdf

[55] LUY, M. (2010). Pruebas de Stress de Riesgo de Crédito: El Caso Peruano. Lima, Perú:

Superintendencia de Banco y Seguros.

http://webcache.googleusercontent.com/search?q=cache:h0wd6tTbgRUJ:www.sbs.gob.pe/Port

als/0/jer/basileaii_2010/2010_06%2520FSI_ASBA%2520Pruebas%2520de%2520Stress%252

Page 130: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

123

0de%2520Riesgo%2520de%2520Cr%25C3%25A9dito%2520El%2520Caso%2520Peruano%

2520MLUY_publicable.ppt+&cd=1&hl=es-419&ct=clnk&gl=pe

[56] LUY, M. (2011). Pruebas de estrés de riesgo de crédito enfoque práctico de la SBS. Lima,

Perú: Superintendencia de Banca y Seguros.

https://www.academia.edu/28890975/Pruebas_de_Estr%C3%A9s_de_Riesgo_de_Cr%C3%A9

dito_Enfoque_Pr%C3%A1ctico_de_la_SBS_Taller_Regional_sobre_STRESS_TESTING_CA

PTAC-DR

[57] MANAGEMENTS SOLUTIONS. (2013). Análisis de impacto de las pruebas de resistencia

del sistema financiero. España:

https://www.managementsolutions.com/sites/default/files/publicaciones/esp/stress-test.pdf

[58] MARTÍNEZ, J., CIFUENTES, R. y BECERRA, J. (2017). Pruebas de tensión bancaria del

banco central de Chile: Actualización (No. 801). Central Bank of Chile.

http://si2.bcentral.cl/public/pdf/documentos-trabajo/pdf/dtbc801.pdf

[59] MARTINEZ, O. y BALLÓN, R. (S.f). Modelo KMV- Merton para la medición del riesgo de

crediticio de las reservas internacionales del Banco Central de Bolivia. Bolivia: Banco Central

de Bolivia.

https://www.bcb.gob.bo/webdocs/publicacionesbcb/revista_analisis/ra_vol12/articulo_5_v12.p

df

[60] MERTON, R. (1974). On the pricing of corporate debt: the risk structure of interest rates.

https://sci-hub.tw/https://onlinelibrary.wiley.com/doi/10.1111/j.1540-6261.1974.tb03058.x

[61] McCANDLESS, G., GABRIELLI, F. y ROUILLIET, J. (2002). Determinantes de las causas

de las corridas bancarias en Argentina durante 2001. Argentina: Banco Central de la República

de Argentina. http://www.bvrie.gub.uy/local/File/JAE/2002/iees03j300702.pdf

[62] MINISTERIO DE ECONOMÍA y FINANZAS [MEF] (2019). Marco Macroeconómico

Multianual 2020 – 2023. Lima, Perú: Separata especial.

https://www.mef.gob.pe/contenidos/pol_econ/marco_macro/MMM_2020_2023.pdf

[63] MINSKY, H. (1977). A Theory of Systemic Fragility.

https://digitalcommons.bard.edu/cgi/viewcontent.cgi?article=1230&context=hm_archive

[64] MISHKIN, F. (1998). International capital movements, financial volatility and financial

instability. In NBER Working Paper, num. 6390, January.

https://www.nber.org/papers/w6390.pdf

[65] MORENO, A. (2016). Impacto del comportamiento macroeconómico sobre la morosidad de la

cartera de consumo en Colombia. Tesis. Magister en Ciencias Económicas. Universidad

Nacional de Colombia. http://bdigital.unal.edu.co/52315/1/1032452407.2016.pdf

Page 131: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

124

[66] MORÓN, E. (1993). La Experiencia De La Banca Libre En El Perú: 1860-1879. Lima, Perú:

Universidad de Pacifico.

http://repositorio.up.edu.pe/bitstream/handle/11354/62/DT10+La+experiencia+de+ba%20nca+

libre+en+el+Per%C3%BA+1860-1879.pdf?sequence=1

[67] MUNAFO, F. (2018). Aplicación del modelo de Merton utilizando VBA. Buenos Aires,

Argentina: Centro de Investigación en métodos cuantitativos aplicados a la economía y la

gestión, Universidad de Buenos Aires. http://www.economicas.uba.ar/wp-

content/uploads/2017/11/Munafo-F.-Aplicaci%C3%B3n-del-modelo-de-Merton-utilizando-

VBA.pdf

[68] MUÑOZ, J. (1999). Calidad de cartera del sistema bancario y el ciclo económico: una

aproximación econométrica para el caso peruano. Revista de Estudios Económicos, 4, 107-

118. http://www.bcrp.gob.pe/docs/Publicaciones/Revista-Estudios-Económicos/04/Estudios-

Económicos-4-5.pdf

[69] OLIVAS, R. (2016). Evaluación de la crisis bancaria e integración financiera del banco del

éxito Banex en el período 2008 al 2010. Tesis. Licenciado en Banca y Finanzas, Universidad

Nacional Autónoma De Nicaragua. http://repositorio.unan.edu.ni/3351/1/17306.pdf

[70] ORREGO, L. (2012). Breve Historia De La Banca En Lima Hasta 1950. Lima, Perú: Blog de

la Pontificia Universidad Católica del Perú.

http://blog.pucp.edu.pe/blog/juanluisorrego/2012/01/01/breve-historia-de-la-banca-en-lima-

hasta-1950/

[71] PAREDES, C. (2011). Los créditos del sistema bancario peruano y la crisis financiera

internacional. Trujillo, Perú: Universidad Nacional de Trujillo.

http://dspace.unitru.edu.pe/bitstream/handle/UNITRU/770/paredes_constante.pdf?sequence=1

&isAllowed=y

[72] PARODI, C. (2016). Perú 1995-2012: Cambios y Continuidades. Lima, Perú: Universidad del

Pacífico, (1ª ed. 2014).

[73] QUAGLIARIELLO, M. (2004). Banks’ Performance over the Business Cycle: A Panel

Analysis on Italian Intermediaries. Department of Economics, University of York Discussion

Paper, 17. https://ideas.repec.org/p/yor/yorken/04-17.html

[74] RAMIREZ, J. (2014). Prueba de estrés macro para el sistema bancario colombiano. Bogotá,

Colombia.

https://www.researchgate.net/publication/268206720_Prueba_de_estres_macro_para_el_sistem

a_bancario_colombiano

Page 132: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

125

[75] RODRIGUEZ, A. (2016). Prueba de estrés de riesgo de crédito, mercado y liquidez en la banca

múltiple del Perú. Tesis. Título profesional en Economía. Universidad de Lima

http://repositorio.ulima.edu.pe/bitstream/handle/123456789/1165/Rodriguez_Manrique_Alan.p

df?sequence=1

[76] RODRIGUEZ, I. (2017). Análisis de la metodología de stress test llevada a cabo por la EBA.

Madrid, España: Universidad Pontifica Comillas.

https://repositorio.comillas.edu/jspui/bitstream/11531/24226/1/TFM000773.pdf

[77] SAAVEDRA, M. y ARELLANO, E. (S.f). Los derivados en la administración del riesgo de

crédito de la Banca en México: una propuesta de aplicación. Bogotá, Colombia: Finance and

Accounting. https://dialnet.unirioja.es/descarga/articulo/2747751.pdf

[78] SAAVEDRA, M. y SAAVEDRA, M. (2010). Modelos para medir el riesgo de crédito de la

banca. Bogotá, Colombia. 23 (40): 295-319.

http://www.scielo.org.co/pdf/cadm/v23n40/v23n40a13.pdf

[79] SANCHEZ., A. (2001). Información asimétrica y mercados financieros emergentes: el análisis

de Mishkin. Distrito Federal, México: Universidad Autónoma Metropolitana Unidad

Azcapotsalco. Análisis Económico, vol. XVII, núm. 34, pp. 35-66.

http://www.redalyc.org/pdf/413/41303402.pdf

[80] SOLIMAN, M. (2015). Historia de la banca en el Perú. Lima, Perú: Revista de Banca y

Finanzas. https://revistabancayfinanzas.wordpress.com/2015/09/24/historia-de-la-banca-en-el-

peru/

[81] STIGLIZ, J. (2009). Crisis mundial, protección social y empleo. Revista Internacional del

Trabajo, vol. 128 (2009), núm. 1-2. http://www.pensamientocritico.org/primera-

epoca/jossti0511.pdf

[82] SUPERINTENDENCIA DE BANCA Y SEGUROS – SBS. (S.f). Glosario de términos e

indicadores financieros. Disponible en

https://intranet2.sbs.gob.pe/estadistica/financiera/2015/Setiembre/SF-0002-se2015.PDF

[83] SUPERINTENDENCIA DE BANCA Y SEGUROS – SBS. (2016). Modelo de Stress Testing

Supervisor: El Caso Peruano. https://docplayer.es/29240395-Modelo-de-stress-testing-

supervisor-el-caso-peruano.html

[84] SUPERINTENDENCIA DE BANCA Y SEGUROS – SBS. (2018). Evolución del sistema

financiero. Lima, Perú. https://intranet2.sbs.gob.pe/estadistica/financiera/2018/Diciembre/SF-

2103-di2018.PDF

Page 133: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

126

[85] SUPERINTENDENCIA DE BANCA Y SEGUROS – SBS. (2019). Glosario de términos

clave. Disponible en http://www.sbs.gob.pe/regulacion/basilea-ii-y-basilea-iii/glosario-de-

terminos-clave [ Accesado el 27 de febrero 2019]

[86] SUPERINTENDENCIA DE BANCA Y SEGUROS – SBS. (2019). Series Estadísticas.

Disponible en

http://www.sbs.gob.pe/app/stats_net/stats/EstadisticaBoletinEstadistico.aspx?p=1# [ Accesado

el 20 de febrero 2019]

[87] TORRES, J. (2012). Crisis financiera. Mexico: Universidad Autónoma de México.

http://conceptos.sociales.unam.mx/conceptos_final/504trabajo.pdf

[88] UQUILLAS, A. y GONZÁLEZ, C. (2017). Determinantes macro y microeconómicos para

pruebas de tensión de riesgo de crédito: un estudio comparativo entre Ecuador y Colombia

basado en la tasa de morosidad. Ensayos sobre Política Económica, 35(84), 245-259.

https://www.sciencedirect.com/science/article/pii/S0120448317300507

[89] UQUILLAS, A.Y GONZÁLEZ, C. (2017A). Modelo Macro para Pruebas de Tensión de

Riesgo de Crédito de Consumo en el Sistema Financiero Ecuatoriano. Analítika: Revista de

análisis estadístico, (14), 75-99. http://www.ecuadorencifras.gob.ec/documentos/web-

inec/Revistas/Analitika/Anexos_pdf/Analit_14/3a.pdf

[90] URBINA, M. (2017). Determinantes del riesgo de crédito bancario: evidencia en

Latinoamérica., Chile: Universidad de Chile.

http://repositorio.uchile.cl/bitstream/handle/2250/149796/urbina%20poveda%20myriam.pdf?s

equence=1&isallowed=y

[91] VARGAS, G. y DIAZ, M. (2016) Las crisis financieras y la evolución del paradigma en la

práctica de las finanzas. Semestre Económico, 19(40), 53-70.

http://www.scielo.org.co/pdf/seec/v19n40/2248-4345-seec-19-40-00053.pdf

[92] VARONA, L. GISMERA, L. Y GIMERO, R. (2014). Supervivencia de las empresas según

indicadores empresariales. Modelo lineal mixto con datos de panel, perıodo 2004 al 2008, caso

de España. Asociación Peruana de Economía. http://perueconomics.org/wp-

content/uploads/2014/01/WP-13.pdf

[93] VASICEK, A. (1997). The Loan Loss Distribution. Technical Report, KMV Corporation.

http://screpey.free.fr/doc/Limiting_Loan_Loss_Probability_Distribution.pdf

[94] VAZQUEZ, F., TABAK, B. y SOUTO, M. (2010). A macro stress test model of credit risk for

the Brazilian banking sector. Journal of Financial Stability, 8(2), 69-83.

https://www.bcb.gov.br/pec/wps/ingl/wps226.pdf

Page 134: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

127

6. ANEXOS

Anexo 6.1: matriz de consistencia del estudio.

Tabla 6.1: Matriz de consistencia del estudio.

Fuente: Elaboración propia

Preguntas Hipótesis Objetivos

G ¿Cómo es el impacto que genera la

presencia choques macroeconómicos en el

riesgo de crédito del sistema bancario en

el Perú durante el período 2003:01 –

2018:12 y en el escenario al 2020:12?

Los niveles de riesgo de crédito del sistema bancario

peruano se incrementan ante la presencia de choques

macroeconómicos durante el periodo 2003:01 al

2018:12 y en las proyecciones al 2020.

Analizar el impacto generado por la

presencia de escenarios de choques

macroeconómicos sobre el riesgo

crediticio en el sistema bancario peruano

en el período 2003:01- 2018:12 y en el

escenario al 2020:12.

E1 ¿Cuál es la relación que existe entre los

factores macroeconómicos y el

crecimiento del riesgo de crédito del

sistema bancario en el Perú durante el

período 2003:01 – 2018:12?

El crecimiento del riesgo de crédito del sistema

bancario peruano ha sido determinado por variables

macroeconómicas como, el crecimiento del PBI, con

la tiene relación inversa; el crecimiento del

desempleo, con la cual muestra relación directa; el

crecimiento de la Tasa de Referencia de Política

Monetaria, con la que muestra relación directa; el

crecimiento de las exportaciones, con la que muestra

relación inversa; el crecimiento del índice bursátil, con

la que muestra relación directa; el crecimiento de la

emisión de dinero en la economía con la que muestra

relación inversa durante el periodo 2003:01 – 2018:12.

Identificar y analizar cuál es el impacto

que generan factores macroeconómicos

sobre el crecimiento del riesgo de crédito

del sistema bancario peruano durante el

período 2003:01 – 2018:12.

Page 135: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

128

Tabla 6.2: Matriz de consistencia del estudio.

Fuente: Elaboración propia

Preguntas Hipótesis Objetivos

E2 ¿Cuál es la relación que existe entre los

determinantes microeconómicos y el

crecimiento del riesgo de crédito del

sistema bancario peruano durante el

período 2003:01 – 2018:12?

El crecimiento del riesgo de crédito del sistema

bancario peruano ha sido determinado por factores

microeconómicos como el crecimiento de la liquidez,

con la que muestra relación inversa; el crecimiento de

la tasa de interés activa del sistema bancario con la

que muestra relación inversa y el crecimiento del ratio

créditos/depósitos con el cual muestra relación directa

durante el periodo 2003:01 – 2018:12.

Identificar y analizar cuál es el impacto

que generan factores microeconómicos en

el crecimiento riesgo de crédito del sistema

bancario peruano durante el período

2003:01 – 2018:12.

E3 ¿De qué manera la presencia de escenarios

con choques macroeconómicos afecta el

riesgo crediticio del sistema bancario

peruano durante el periodo 2020:01 –

2020:12?

El sistema bancario peruano ha experimentado niveles

de riesgo de crédito altos ante la presencia de choques

macroeconómicos, debido a los mayores niveles de

riesgo que ello implica durante el periodo 2020:01 –

2020:12.

Realizar pruebas de tensión en el riesgo de

crédito del sistema bancario peruano en el

período 2020:01 – 2020:12.

E4 ¿Cuál la relación que existe entre la

presencia de un escenario

macroeconómico estable y el riesgo de

créditos del sistema bancario peruano

durante el período 2020:01 – 2020:12?

El sistema bancario peruano ha experimentado niveles

de riesgo bajos ante la presencia de escenario

macroeconómico estable en la economía durante el

periodo 2020:01-2020:12.

Analizar la relación existente entre la

presencia de un escenario

macroeconómico estable y el riesgo de

crédito en el sistema bancario para el caso

peruano durante el período 2020:01 –

2020:12.

Page 136: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

129

Anexo 6.2: Glosario de términos básicos.

Riesgo de crédito: De acuerdo a la SBS (2019), se define como la posibilidad de pérdida a

consecuencia del incumplimiento de las obligaciones por parte del prestatario.

Desempleo: BCRP (2019), Es la condición de las personas en edad y disposición de trabajar que

buscan activamente un puesto de trabajo, sin encontrarlo. También se denomina desempleo

abierto.

Inflación: BCRP (2019), lo define como el aumento persistente del nivel general de los precios de la

economía, con la consecuente pérdida del valor adquisitivo de la moneda.

Tipo de cambio Real: BCRP (2019), lo define como el Precio relativo de dos canastas de bienes y

servicios. Dependiendo de cuál sea la composición de dicha canasta.

ARIMAX: Kongcharoen and Kruangpradit (2013), un modelo de media móvil integrada

autorregresiva con variable explicativa. ARIMAX está relacionado con la técnica ARIMA,

pero, mientras que ARIMA es adecuado para conjuntos de datos que son univariado, ARIMAX

es adecuado para el análisis donde hay variables explicativas adicionales (multivariadas) en

formato categórico y / o numérico.

La Tasa de Política Monetaria: BCRP (2019), Tasa de interés objetivo para las operaciones

interbancarias que el Banco Central procura lograr mediante sus instrumentos de política

monetaria: operaciones de mercado abierto, facilidades de crédito y depósito.

Las Exportaciones: Según BCRP (2019), es el registro de la venta al exterior de bienes o servicios

realizada por una empresa residente dando lugar a una transferencia de la propiedad de

los mismos.

Estrés: Presencia de crisis y escenarios adversos a la actual evolución de la economía, caída

de sus principales indicadores.

Page 137: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

130

Anexo 6.3: Transformación del índice mensual del PBI a millones de soles.

Para llevar el índice mensual que brinda el BCRP a millones de soles se hace el siguiente

procedimiento:

1. Año base PBI 2007 anual = 319693

2. PBI base mensual 2007= Año base PBI 2007 anual

12 =

319693

12 = 26,641.08333 (1)

Luego para transformar cada índice en miles de soles se hace con la siguiente formula de los números

índices:

3. 𝑃𝐵𝐼 𝑚𝑒𝑛𝑠𝑢𝑎𝑙 𝑡 (𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑠𝑜𝑙𝑒𝑠) = PBI base mensual 2007 ∗ 𝐼𝑛𝑑𝑖𝑐𝑒 𝑃𝐵𝐼 𝑚𝑒𝑛𝑠𝑢𝑎𝑙𝑡 (2)

Por ejemplo, si se transforma el índice de noviembre del 2018 en miles de soles seria de la siguiente

manera:

4. ÍNDICE PBI noviembre 2018 = 170.7/100 = 1.707

Se reemplaza valores en la ecuación (2):

𝑃𝐵𝐼 𝑛𝑜𝑣. 2018 (𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑠𝑜𝑙𝑒𝑠) = 26,641.08333 ∗ 17.707

𝑃𝐵𝐼 𝑛𝑜𝑣. 2018 (𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑠𝑜𝑙𝑒𝑠) = 45,476.32925

La forma de validar que estos datos son los correctos es que al determinar los 12 meses y al sumarlos

es igual al total anual que brinda el BCRP, la suma de los 12 meses del año 2017 y la suma de los 12

meses del año 2018 dan los valores anuales, sacándoles la variación anual es 4.0, la misma que registra

el BCRP. Además, al sacar su variación anualizada de mes a mes es la misma que brinda el BCRP.

Para cada mes desde 2003:01 hasta 2018:12 se hace el mismo procedimiento determinando el valor en

millones de soles del PBI real.

Page 138: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

131

Anexo 6.4: Estadísticas descriptivas de las variables en estudio.

Tabla 6.3: Estadísticas descriptivas de las variables en estudio.

Variable Nombre Medida Media Desviació

n estándar

Mínimo Máximo

RC Riesgo de crédito Índice de

morosidad

2.46 1.17 1.19 7.58

Determinantes macroeconómicos

PBI Producto Bruto Interno. Millones de

soles

32,663.50 7,971.42 18,936.3 49,905.40

INF Inflación. Variación del

IPC

0.24 0.30 -0.53 1.30

DES Desempleo. Porcentaje 7.62 1.52 4.67 13.01

TRP Tasa de referencia del

política monetaria.

Índice 3.74 1.11 1.25 6.50

TCR Tipo de cambio real. Índice 99.22 3.99 89.99 107.21

X Exportaciones. Millones de

US$

2,746.08 1,58.83 643.28 4,584.40

M Importaciones. Millones de

US$

2,382.40 1,032.14 613.44 4,012.52

PPETROL Precio del petróleo. US$ por barril 67.52 25.26 24.81 117.94

TIR Tasa de interés real. Índice 93.03 13.09 61.88 116.20

EMPLEO Empleo total. Miles de

personas

4,300.58 427.14 3,461.51 5,080.72

M1 Emisión primaria. Millones de

soles

23,778.30 13,412.5 4,977.27 49,826.77

SP Índice Bursátil. Punto índice 13,581.92 6,403.19 1,517.40 23,612.02

Determinantes microeconómicos

REN Rentabilidad. Índice 21.06 5.68 6.48 31.99

LIQ Liquidez. Índice 38.03 10.88 19.68 63.82

EFI Eficiencia. Índice 4.02 0.58 3.11 4.93

SOL Solvencia. Índice 11.68 3.28 7.03 15.95

TA Tasa de interés activa. Índice 19.83 3.45 14.06 26.28

CD Créditos/depósitos. Ratio 0.95 0.29 0.52 1.57

Fuente: BCRP, SBS e Investig.

Page 139: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

132

Anexo 6.5: Desarrollo del modelo econométrico

1. Especificación del modelo

Se especifica un modelo econométrico que explica el riesgo de crédito para el sistema de bancos en el

Perú durante el período 2003:01 al 2018:12, tratando de realizar un pronóstico hacia el 2020:12. La

ecuación especificada es la que sigue a continuación:

RCt = f (factores macroeconómicos, factores microeconómicos) ………………. (07)

RCt = f (PBIt, DESt, INFt, TRPt, Xt, Mt, PPETROt, TCRt, TIRt, EMPLEOt, M1t, SPt, LIQt, SOLVt,

RENt, CATRASt, TAt, CALt, COLOt, EFIt, CDt) …………………………………..……………. (08)

Donde:

𝑅𝐶𝑡, representa el riesgo crediticio del sistema bancario, medido a través del índice de morosidad;

𝑃𝐵𝐼𝑡 , representa la actividad económica del Perú; 𝐷𝐸𝑆𝑡 , representa la tasa de desempleo;

𝐼𝑁𝐹𝑡 , representa la tasa de inflación; 𝑇𝑅𝑃, la tasa de referencia de política monetaria; 𝑋𝑡 , representan

las exportaciones; 𝑀𝑡 , importaciones; 𝑃𝑃𝐸𝑇𝑅𝑂𝑡, precio del petróleo; 𝑇𝐶𝑅𝑡 , tipo de cambio real;

𝑇𝐼𝑅𝑡, representa la tasa de interés real; 𝐸𝑀𝑃𝐿𝐸𝑂𝑡 , representa el empleo; 𝑀1𝑡 , representa el

crecimiento del dinero; 𝑆𝑃𝑡 , índice bursátil de BVL; 𝐿𝐼𝑄𝑡 , 𝑙iquidez del sistema bancario;

𝑆𝑂𝐿𝑉, solvencia del sistema bancario; 𝑅𝐸𝑁𝑡 , rentabilidad del sistema bancario; 𝐶𝐴𝑇𝑅𝐴𝑆𝑡, representa

la cartera atrasada; 𝑇𝐴𝑡 , representa la tasa de interés activa, 𝐶𝐴𝐿𝑡 , representa la calidad de cartera de

los activos en el sistema, 𝐶𝑂𝐿𝑂𝑡 , representa el total de colocaciones; 𝐸𝐹𝐼𝑡 , representa la eficiencia del

sistema bancario; 𝐶𝐷𝑡, representa el ratio de créditos a depósitos. El modelo de la ecuación (2), en

forma específica, es el siguiente:

RCt = β0 + β1PBIt + β2DESt + β3INFt + β4TRPt + β5Xt + β6Mt + β7PPETROt + β8TCRt + β9TIRt +

β10EMPLEOt + β11M1t + β12SPt + β13LIQt + β14SOLVt + β15RENt + β16CATRASt + β17TAt + β18CALt +

β19COLOt + β20EFIt + β21CDt + ut ………………………………………………………...………… (09)

Donde los coeficientes βi para todo 𝑖 = 1, 2, … , 21 son los impactos individuales de cada variable

mencionada y β0 es el intercepto de la ecuación, que también puede interpretarse como el nivel

autónomo o mínimo que alcanza el riesgo de crédito; 𝜇𝑡 representa el error estadístico.

El signo esperado que de acuerdo a la revisión de la literatura para cada coeficiente se muestra en el

cuadro N°6.4.

Page 140: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

133

Tabla 6.4: Interrelaciones entre variables del modelo.

Variable Detalle operacional de las variables Referencia Relación

RC Riesgo de crédito = tasa de morosidad (índice).

Determinantes macroeconómicos

PBI Producto Bruto Interno = PBI (Millones de

soles).

3, 6, 13, 22, 30, 31, 33, 36,

37, 40, 41, 50, 65, 75, 88.

-

INF Inflación= Variación del IPC (%). 22, 24, 25, 33, 37, 41, 50,

65, 75, 88, 90.

+

DES Desempleo=Tasa de desempleo (Índice). 3, 21, 24, 25, 30, 31, 37,

41, 50, 51, 58, 65, 88, 89,

90.

+

TRP Tasa de referencia del política monetaria = TRP

de BCRP (Índice).

31, 51, 58. -

TCR Tipo de cambio real= Tipo de cambio real

multilateral (Índice).

13, 33, 36, 37, 50, 51, 58. +

X Exportaciones = Exportaciones de bienes y

servicios (millones US$).

37, 41, 50, 51, 88, 89. -

M Importaciones = Importaciones de bienes y

servicios (millones US$).

37, 41, 51, 88, 89. +

PPETROL Precio del petróleo = Precio ( Miles de US$). 41, 51, 88, 89. -

TIR Tasa de interés real = (Índice). 2, 3, 36, 37, 40, 50, 58, 65. +

EMPLEO Empleo total = PEAO (Miles de personas). 13. -

M1 Crecimiento de dinero= emisión primaria

(Millones de soles).

33. -

SP Índice Bursátil de la Bolsa de Valores de Lima =

S&P Lima General (Punto de Índice).

51. -

Determinantes microeconómicos

COL Colocaciones = total colocaciones del sistema

bancario (miles de soles).

3, 30, 41, 88, 89.

+

REN Rentabilidad=ROE y ROA del sistema bancario

(Índice).

40, 41, 88, 89. -

LIQ Liquidez = Liquidez del sistema bancario (índice) 30, 41, 88, 89. -

CATRAS Cartera atrasada = cartera atrasada total del

sistema bancario (miles de soles).

42, 88, 89. -

EFI Eficiencia= eficiencia operativa (índice). 41, 88, 89. -

SOL Solvencia del sistema bancario = (índice). 30, 41, 88, 89. -

TA Tasa de interés activa del sistema bancario =

(índice).

2, 41, 72, 88, 89. +/-

CD Créditos/depósitos= (ratio). 30, 88, 89. +

Fuente: modificado de Varona et al. (2014).

Page 141: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

134

a. Prueba de estacionaridad de las variables.

Tabla 6.5: Prueba de estacionaridad de las variables del modelo.

Variables ¿Es estacionaria?

Nomenclatura Nombre Nivel Diferencia Logaritmo Diferencia de

logaritmo

RC Riesgo de crédito NO SI NO SI

Variables macroeconómicas

PBI Producto Bruto Interno. NO SI NO SI

INF Inflación. SI SI SI SI

DES Desempleo. NO SI NO SI

TRP Tasa de referencia del

política monetaria.

NO NO NO SI

TCR Tipo de cambio real. NO SI NO SI

X Exportaciones. NO SI NO SI

M Importaciones. NO SI NO SI

PPETROL Precio del petróleo. NO SI NO SI

TIR Tasa de interés real. NO SI NO SI

EMPLEO Empleo total. NO SI NO SI

M1 Crecimiento de dinero. NO SI NO SI

SP Índice Bursátil. NO SI NO SI

Variables microeconómicas

COL Colocaciones. NO SI NO SI

REN Rentabilidad. NO SI NO SI

LIQ Liquidez. NO SI NO SI

EFI Eficiencia. NO SI NO SI

SOL Solvencia. SI SI SI SI

TA Tasa de interés activa. NO SI NO SI

CD Créditos/depósitos. NO SI NO SI

Fuente: elaboración propia.

Page 142: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

135

2. Estimación del modelo ARIMAX

Resumen de los modelos econométricos de MCO con variables estacionarias. 2003:01 – 2018:12.

Tabla 6.6: Resumen de los modelos MCO estimados.

Variables

Nivel de significancia estadística (probabilidad)

Variable dependiente:

Riesgo de crédito (morosidad) Modelo

I

Modelo

II

Modelo

III

( 1

rezago)

Modelo

IV

(1 rezago)

Modelo

V

(2

rezagos)

Modelo

VI

(2 rezagos)

Variables

independientes

Estacionaridad (Todas) (Significativas) (Todas) (Significativas) (Todas) (Significativas)

Intercepto

0.49 0.89 0.29 0.35 0.28 0.32

Factores macroeconómicos determinantes del riesgo de crédito

Producto Bruto

Interno.

Dif. log 0.08 0.02 0.42 0.01 0.03

Inflación. Dif. log 0.07 0.11 0.23 0.42

Desempleo. Dif. log 0.90 0.24 0.03 0.03

Tasa de referencia

del política

monetaria.

Dif. log 0.00 0.01 0.68 0.32

Tipo de cambio

real.

Dif. log 0.03 0.02 0.51 0.59

Exportaciones. Dif. log 0.32 0.65 0.50

Importaciones. Dif. log 0.03 0.06 0.90 0.05 0.03

Precio del

petróleo.

Dif. log 0.41 0.93 0.81

Tasa de interés

real.

Dif. log 0.84 0.03 0.02 0.41

Empleo total. Dif. log 0.62 0.08 0.01 0.02

Crecimiento de

dinero.

Dif. log 0.009 0.00 0.62 0.86

Índice Bursátil. Dif. log 0.30 0.00 0.00 0.91

Factores microeconómicos determinantes del riesgo de crédito

Colocaciones. Dif. log 0.46 0.00 0.01 0.42

Rentabilidad. Dif. log 0.17 0.67 0.44

Liquidez. Dif. log 0.07 0.22 0.06 0.01 0.50

Eficiencia. Dif. log 0.89 0.67 0.74

Solvencia. Dif. log 0.43 0.28 0.65

Tasa de interés

activa.

Dif. log 0.04 0.08 0.69 0.92

Créditos/depósitos. Dif. log 0.24 0.17 0.38

R – sq: 0.32 0.28 0.21 0.16 0.12 0.07

Page 143: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

136

Variables

Nivel de significancia estadística (probabilidad)

Variable dependiente:

Riesgo de crédito (morosidad) Modelo

VII

(3 Rez)

Modelo

VIII

(3 Rez)

Modelo

IX

( 4 rez)

Modelo

X

(4 rez)

Modelo

XI

(5 rez.)

Modelo

XII

(5 rez.)

Variables

independientes

Estacionaridad (Todas) (Significativas) (Todas) (Significativas) (Todas) (Significativas)

Intercepto

0.98 0.12 0.89 0.08 0.47 0.00

Factores macroeconómicos determinantes del riesgo de crédito

Producto Bruto

Interno.

Dif. log 0.04 0.00 0.86 0.49

Inflación. Dif. log 0.43 0.50 0.91

Desempleo. Dif. log 0.03 0.05 0.61 0.20

Tasa de referencia

del política

monetaria.

Dif. log 0.39 0.14 0.78

Tipo de cambio

real.

Dif. log 0.91 0.95 0.66

Exportaciones. Dif. log 0.01 0.00 0.95 0.96

Importaciones. Dif. log 0.50 0.68 0.06

Precio del

petróleo.

Dif. log 0.78 0.82 0.25

Tasa de interés

real.

Dif. log 0.82 0.07 0.06 0.82

Empleo total. Dif. log 0.10 0.64 0.55

Crecimiento de

dinero.

Dif. log 0.93 0.57 0.41

Indice Bursátil. Dif. log 0.18 0.38 0.00 0.00

Factores microeconómicos determinantes del riesgo de crédito

Colocaciones. Dif. log 0.33 0.28 0.77

Rentabilidad. Dif. log 0.29 0.72 0.68

Liquidez. Dif. log 0.32 0.57 0.99

Eficiencia. Dif. log 0.70 0.23 0.76

Solvencia. Dif. log 0.83 0.11 0.54

Tasa de interés

activa.

Dif. log 0.15 0.81 0.12

Créditos/depósitos. Dif. log 0.68 0.002 0.01 0.18

R – sq: 0.15 0.09 0.11 0.05 0.20 0.12

Page 144: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

137

Variables

Nivel de significancia estadística (probabilidad)

Variable dependiente:

Riesgo de crédito (morosidad) Modelo

XII

(6 Rez)

Modelo

XIV

(6 Rez)

Modelo

XV

( 7 rez)

Modelo

XVI

( 7 rez)

Modelo

XVII

(8 rez.)

Modelo

XVIII

(Mejor

modelo)

Variables

independientes

Estacionaridad (Todas) (Significativas) (Todas) (Significativas) (Todas) (Significativas)

Intercepto

0.66 0.35 0.50 0.09 0.40 0.43

Factores macroeconómicos determinantes del riesgo de crédito

Producto Bruto

Interno.

Dif. log 0.39 0.19 0.71

Inflación. Dif. log 0.05 0.28 0.19 0.18

Desempleo. Dif. log 0.05 0.17 0.19 0.01 0.00

Tasa de referencia

del política

monetaria.

Dif. log 0.14 0.70 0.19

Tipo de cambio

real.

Dif. log 0.71 0.66 0.67

Exportaciones. Dif. log 0.00 0.00 0.26 0.32

Importaciones. Dif. log 0.88 0.03 0.11 0.06 0.07

Precio del

petróleo.

Dif. log 0.92 0.28 0.59

Tasa de interés

real.

Dif. log 0.88 0.86 0.57

Empleo total. Dif. log 0.30 0.00 0.64 0.67

Crecimiento de

dinero.

Dif. log 0.49 0.70 0.09 0.57

Índice Bursátil. Dif. log 0.00 0.00 0.82 0.36

Factores microeconómicos determinantes del riesgo de crédito

Colocaciones. Dif. log 0.66 0.17 0.15

Rentabilidad. Dif. log 0.01 0.00 0.93 0.45

Liquidez. Dif. log 0.40 0.04 0.77 0.79

Eficiencia. Dif. log 0.99 0.72 0.43

Solvencia. Dif. log 0.40 0.52 0.62

Tasa de interés

activa.

Dif. log 0.29 0.36 0.98

Créditos/depósitos. Dif. log 0.11 0.45 0.03 0.03

R – sq: 0.29 0.22 0.18 0.01 0.14 0.07

Fuente: BCRP, SBS e Investig.

Page 145: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

138

Tabla 6.7: Modelo MCO con variables rezagadas estadísticamente significativas.

Variables Estacionaridad

Variable dependiente:

Riesgo de crédito (morosidad)

Diferencia del logaritmo

Variables

independientes

Estacionaridad Número

de

rezagos

Coeficientes Error

estadístico

T

estadístico

Nivel de

significancia

estadística

Intercepto

0.00 0.00 1.12 0.26

Factores macroeconómicos determinantes del riesgo de crédito

PBI

Dif. log 2 -0.16 0.05 -2.90 0.00 ***

Tasa de Referencia

de Política

Monetaria

Dif. log 0 -0.11 0.04 -2.76 0.01 **

Desempleo

Dif. log 6 0.09 0.02 4.88 0.00 ***

Exportaciones

Dif. log 3 -0.10 0.03 -4.88 0.0 ***

Crecimiento del

dinero

Dif. log 0 -0.53 0.07 -6.95 0.00 ***

Índice Bursátil de

BVL

Dif. log 1 -0.03 0.01 -3.11 0.00 ***

Factores microeconómicos determinantes del riesgo de crédito

Liquidez del

sistema bancario

Dif. log 1 -0.09 0.03 -2.50 0.01 **

Tasa de interés

activa del sistema

bancario

Dif. log 0 -0.31 0.17 -1.72 0.01 **

Créditos/depósitos

del sistema

bancario

Dif. log 5 -0.11 0.11 0.97 0.03 **

MA(17)

Nivel de significancia global probabilidad Bondad o ajuste Bondad

ajustada

12.91 0.00 0.40 0.37

Fuente: BCRP, SBS e Investig.

El mejor modelo de MCO se logró tras realizar análisis de correlaciones y estimaciones lineales de la

variable dependiente estacionaria en función de las variables exógenas rezagadas hasta el rezago 8, de

ello se encuentra que cada variable es estadísticamente significativa en el número de rezago mostrado

en la tabla N°6.7.

Page 146: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

139

Luego de la estimación de MCO se procede a realizar un correlograma de los residuos con el objetivo

de identificar los componentes autorregresivos y de media móvil del modelo, mostrados en la tabla

N°6.8.

Tabla 6.8: Correlograma de los residuos del modelo MCO.

Fuente: SBS, BCRP e INVESTING.

➢ Se encuentra que los componentes de media móvil son:

MA(2), MA(4), MA(6), MA(15), MA(17), MA(21).

➢ Los componentes autorregresivos son:

AR(1), AR(2), AR(3), AR(4), AR(6), AR(7), AR(8).

Page 147: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

140

Tabla 6.9: Resultados de la estimación del modelo ARIMAX con todos los componentes AR y MA.

Variables Estacionaridad

Variable dependiente:

Riesgo de crédito (morosidad)

Diferencia del logaritmo

Variables

independientes

Estacionaridad Número de

rezagos

Coeficientes Error

estadístico

T

estadístico

Nivel de

significancia

estadística

Intercepto -0.00 0.01 -0.35 0.72

Factores macroeconómicos determinantes del riesgo de crédito

PBI

Dif. log 2 -0.14 0.05 -2.64 0.01 ***

Tasa de Referencia de

Política Monetaria

Dif. log 0 -0.09 0.02 -3.23 0.00 ***

Desempleo

Dif. log 6 0.08 0.01 4.58 0.00 ***

Exportaciones

Dif. log 3 -0.05 0.02 -2.09 0.04 **

Crecimiento del

dinero

Dif. log 0 -0.49 0.06 -7.46 0.00 ***

Índice Bursátil de BVL

Dif. log 1 -0.02 0.01 -2.16 0.03 **

Factores microeconómicos determinantes del riesgo de crédito

Liquidez del sistema bancario

Dif. log 1 -0.03 0.02 -1.32 0.18

Tasa de interés activa

del sistema bancario

Dif. log 0 -0.17 0.13 -1.42 0.15

Créditos/depósitos del

sistema bancario

Dif. log 5 0.12 0.08 1.44 0.15

Componentes autorregresivos y de media móvil del modelo ARIMAX

AR(1) -0.26

0.08 -3.08 0.00 ***

AR(2) 0.10

0.15 0.66 0.51

AR(3) 0.16

0.07 2.38 0.01 ***

AR(4) -0.01

0.10 -0.13 0.89

AR(6) 0.70

0.11 6.27 0.00 ***

AR(7) 0.25

0.09 2.68 0.00 ***

AR(8) -0.08

0.09 -0.86 0.39

MA(2) -0.06

0.15 -0.44 0.66

MA(4) 0.07

0.13 0.55 0.58

MA(6) -0.63

0.39 -1.60 0.11

MA(15) 0.18

0.22 0.85 0.39

MA(17) 0.19 0.32 0.61 0.54 Nivel de significancia global probabilidad Bondad o ajuste Bondad

ajustada

9.57 0.00 0.55 0.50

Fuente: BCRP, SBS e Investing.

Page 148: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

141

Tras aplicar el proceso de parsimonia al modelo ARIMAX presentado en la tabla N°5.9, se encuentra

un modelo ARIMAX óptimo que se presenta en la tabla N°6.10. El modelo le incluye componentes

autorregresivos y componentes de media móvil.

Tabla 6.10: Resultados de la estimación del modelo ARIMAX con componentes AR y MA

significativos.

Variables N=175

Variable dependiente:

Riesgo de crédito (morosidad)

Estacionaridad: Diferencia del logaritmo

Variables

independientes

Estacionaridad Número de

rezagos

Coeficientes Error

estadístico

T

estadístico

Nivel de

significancia

estadística

Intercepto

0.01 0.00 7.34 0.00 ***

Factores macroeconómicos determinantes del riesgo de crédito

PBI

Dif. log 2 -0.17 0.06 -3.21 0.00 ***

Tasa de Referencia de Política Monetaria

Dif. log 0 -0.06 0.02 -2.24 0.02 ***

Desempleo

Dif. log 6 0.07 0.02 4.09 0.00 ***

Exportaciones

Dif. log 3 -0.05 0.03 -1.83 0.06 *

Crecimiento del

dinero

Dif. log 0 -0.40 0.07 -5.42 0.00 ***

Índice Bursátil de

BVL

Dif. log 1 -0.02 0.01 -2.64 0.00 ***

Factores microeconómicos determinantes del riesgo de crédito

Liquidez del sistema

bancario

Dif. log 1 -0.04 0.02 -1.83 0.06 *

Tasa de interés activa del sistema bancario

Dif. log 0 -0.24 0.13 -1.75 0.08 *

Créditos/depósitos del

sistema bancario

Dif. log 5 0.14 0.08 1.89 0.05 *

Componentes autorregresivos y de media móvil del modelo ARIMAX

AR(1) -0.35

0.07 -4.69 0.00 ***

AR(6) 0.88

0.02 45.63 0.00 ***

AR(7) 0.27

0.07 3.88 0.00 ***

AR(8) -0.06

0.02 -3.41 0.00 ***

MA(6) -0.96

0.01 -90.22 0.00 ***

Nivel de significancia global probabilidad Bondad o ajuste Bondad

ajustada

18.63 0.00 0.62 0.59

Fuente: BCRP, SBS e Investing.

Page 149: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

142

3. Evaluación del modelo

a. Evaluación económica

Tabla 6.11: Evaluación de signos en variables macroeconómicas del modelo ARIMAX.

Variables Signo esperado Signo obtenido Conclusión

Crecimiento del PBI Negativo Negativo Cumple con lo especificado

Tasa de interés de

referencia

Negativo Negativo Cumple con lo especificado

Tasa de desempleo Positivo Positivo Cumple con lo especificado

Exportaciones Negativo Negativo Cumple con lo especificado

Crecimiento del dinero Negativo Negativo Cumple con lo especificado

ÍNDICE bursátil Negativo Negativo Cumple con lo especificado

Fuente: Elaboración propia

Tabla 6.12: Evaluación de signos en variables microeconómicos del modelo ARIMAX.

Variables Signo esperado Signo obtenido Conclusión

Liquidez Negativo Negativo Cumple con lo especificado

Tasa de interés activa Negativo Negativo Cumple con lo especificado

Ratio de créditos/depósitos Positivo Positivo Cumple con lo especificado

Fuente: Elaboración propia

Page 150: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

143

b. Interpretación de los estimadores

Tabla 6.13: Interpretación de parámetros en variables macro del modelo ARIMAX.

Variables

independientes

Nivel Rez. Coef. Interpretación

Factores macroeconómicos determinantes del riesgo de crédito

PBI

Dif. log 2 -0.17 Se encuentra relación inversa entre las variaciones de la actividad

económica y las variaciones del riesgo de crédito del sistema

bancario, el primero impacta en el segundo después de dos meses. El

resultado muestra que un incremento del 1% en la tasa del PBI ha

influido para que el riesgo de creditico del sistema bancario caiga

una tasa de 0.17%.

Tasa de

Referencia de

Política

Monetaria

Dif. log 0 -0.06 De acuerdo a los resultados obtenidos, la relación entre el

crecimiento de la tasa de referencia de política monetaria y las

variaciones del riesgo de crédito del sistema bancario peruano es

inversa, dado que un incremento del 1% en las variaciones de la tasa

de referencia de política monetaria ha significado que el riesgo de

crédito caiga en una tasa de 0.06%.

Desempleo

Dif. log 6 0.07 La relación entre las variaciones de la tasa de desempleo y las

variaciones del riesgo de crédito del sistema bancario peruano es

directa, de acuerdo a los resultados se afirma que ante un incremento

de 1% en la tasa de desempleo, el riesgo de crédito se ha

incrementado a una tasa de 0.07% luego de medio año.

Exportaciones

Dif. log 3 -0.05 De acuerdo a los resultados, se afirma que existe relación inversa

entre el crecimiento de las exportaciones y el crecimiento del riesgo

de crédito del sistema bancario, cuyo impacto se da a los 3 meses,

pues ante un incremento de 1% en el crecimiento de las

exportaciones el riesgo de crédito ha disminuye en 0.05% en su

crecimiento luego de 3 meses.

Crecimiento del

dinero

Dif. log 0 -0.40 Se encuentra que existe relación inversa entre el crecimiento de la

emisión primaria y el crecimiento del riesgo de crédito del sistema

bancario, es decir, ante un incremento de 1% en la tasa de

crecimiento de la emisión primaria, el crecimiento del riesgo de

crédito del sistema bancario ha disminuido en 0.40%.

Índice Bursátil

de BVL

Dif. log 1 -0.02 De acuerdo a los resultados se encuentra relación inversa entre el

crecimiento del índice bursátil de la Bolsa de Valores de Lima y el

crecimiento del riesgo de crédito del sistema bancario peruano, un

incremento de 1% en la tasa de crecimiento del índice bursátil

impacta luego de un mes en el riesgo de crédito haciendo que este

caiga e a una tasa de 0.02%.

Fuente: Elaboración propia.

Page 151: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

144

Tabla 6.14: Interpretación de parámetros en variables micro del modelo ARIMAX.

Variables

independientes

Estacionaridad Número

de

rezagos

Coeficiente Interpretación

Factores microeconómicos determinantes del riesgo de crédito

Liquidez del

sistema bancario

Dif. log 1 -0.04 Según los resultados obtenidos, se encuentra que

el crecimiento en la liquidez del sistema bancario

ha influido de forma inversa luego de un período

sobre el crecimiento del riesgo de crédito del

mismo sistema, pues un incremento de 1% en la

tasa de crecimiento liquidez impacta luego de un

mes en el riesgo de crédito haciendo que este

disminuya en una tasa de 0.04%.

Tasa de interés

activa del sistema

bancario

Dif. log 0 -0.24 La relación que existe entre el crecimiento de la

tasa de interés activa del sistema bancario y el

crecimiento del riesgo de crédito, es inversa, un

incremento del 1% en la tasa de interés ha

significado una caída en una tasa de 0.24% el

riesgo de crédito del sistema bancario peruano.

Créditos/depósitos

del sistema

bancario

Dif. log 5 0.14 De acuerdo a los resultados se encuentra que

existe relación directa entre el crecimiento del

ratio de créditos/depósitos del sistema bancario y

el crecimiento del riesgo de crédito en el Perú

durante el período 2003:01 – 2018:12, pues un

incremento de 1% en la tasa de crecimiento de

dicho ratio ha influido en el riesgo de crédito

haciendo que su tasa de crecimiento aumente en

0.14%.

Fuente: Elaboración propia.

c. Evaluación estadística.

Tabla 6.15: Evaluación estadística individual de variables macro en el modelo ARIMAX.

VARIABLE HIPÓTESIS Tc Tt Prob. Conclusión

D(LOG(PBI(-2))) h0: 𝜷𝟏 = 𝟎

h1:𝜷𝟏 ≠ 𝟎

3.21 1.97 0.0016 Dado que Tc > Tt se rechaza H0, por lo tanto, al 5% de

significancia estadística, de manera individual el

crecimiento del PBI es estadísticamente significativas

para explicar el crecimiento riesgo de crédito del sistema

bancario peruano.

D(LOG(TRP)) h0: 𝜷𝟐 = 𝟎

h1: 𝜷𝟐 ≠ 𝟎

2.24 1.97 0.0262 Dado que Tc > Tt se rechaza H0, por lo tanto, al 5% de

significancia estadística, individualmente el crecimiento

de la tasa de referencia de política monetaria es

estadísticamente significativa para explicar el

crecimiento del riesgo de crédito del sistema bancario

peruano.

D(LOG(DES(-6))) h0: 𝜷𝟑 = 𝟎

h1: 𝜷𝟑 ≠ 𝟎

4.09 1.97 0.0001 Dado que Tc > Tt se rechaza H0, por lo tanto, al 5% de

Page 152: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

145

Fuente: elaboración propia.

Tabla 6.16: Evaluación estadística individual de variables micro en el modelo ARIMAX.

Fuente: elaboración propia.

significancia estadística, individualmente el crecimiento

del desempleo de 6 períodos antes es estadísticamente

significativo para explicar el crecimiento del riesgo de

crédito del sistema bancario peruano.

D(LOG(X(-3))) h0: 𝜷𝟒 = 𝟎

h1: 𝜷𝟒 ≠ 𝟎

1.82 1.65 0.0698 Dado que Tc > Tt se rechaza H0, por lo tanto, al 10% de

significancia estadística, individualmente el crecimiento

de las exportaciones rezagadas 3 períodos es

estadísticamente significativa para explicar el

crecimiento del riesgo.

D(LOG(M1)) h0: 𝜷𝟓 = 𝟎

h1: 𝜷𝟓 ≠ 𝟎

5.41 1.97 0.0000 A un nivel de significancia del 5% y dado que Tc < Tt se

rechaza H0, por lo tanto, el crecimiento de la emisión

primaria es estadísticamente significativa de manera

individual para explicar el crecimiento del riesgo de

crédito del sistema bancario peruano.

D(LOG(SP(-1))) h0: 𝜷𝟔 = 𝟎

h1: 𝜷𝟔 ≠ 𝟎

2.63 1.97 0.0091 Dado que Tc > Tt se rechaza H0, por lo tanto, al 5% de

significancia estadística, el índice bursátil S&P General

de la Bolsa de Valores de Lima es estadísticamente

significativa para explicar el crecimiento del riesgo de

crédito del sistema bancario peruano.

VARIABLE HIPÓTESIS Tc Tt Prob. Conclusión

D(LOG(LQ(-1))) h0: 𝜷𝟕 = 𝟎

h1: 𝜷𝟕 ≠ 𝟎

1.83 1.65 0.0683 Dado que Tc > Tt se rechaza H0, por lo tanto al 10% de

significancia estadística, el crecimiento de la liquidez del

sistema bancario es estadísticamente significativa para

explicar el crecimiento del riesgo de crédito del sistema

bancario peruano.

D(LOG(TA)) h0: 𝜷𝟖 = 𝟎

h1: 𝜷𝟖 ≠ 𝟎

1.75 1.65 0.0814 Dado que Tc > Tt se rechaza H0, por lo tanto al 10% de

significancia estadística, el crecimiento de la tasa de

interés activa del sistema bancario es estadísticamente

significativa para explicar el crecimiento del riesgo de

crédito del sistema bancario peruano.

D(LOG(CD(-5))) h0: 𝜷𝟗 = 𝟎

h1: 𝜷𝟗 ≠ 𝟎

1.89 1.65 0.0599 Dado que Tc > Tt se rechaza H0, por lo tanto al 10% de

significancia estadística el crecimiento del ratio

créditos/depósitos del sistema bancario es

estadísticamente significativa para explicar el crecimiento

del riesgo de crédito del sistema bancario peruano.

Page 153: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

146

Tabla 6.17: Evaluación estadística individual de variables macro en el modelo ARIMAX.

HIPÓTESIS Fc Ft Prob. Conclusión

h0:𝜷𝟏 = 𝜷𝟐 = 𝜷𝟑 = 𝜷𝟒 = 𝜷𝟓 =𝜷𝟔 = 𝜷𝟕 = 𝜷𝟖 = 𝜷𝟗 = 𝟎

h1: 𝜷𝟏 ≠ 𝜷𝟐 ≠ 𝜷𝟑 ≠ 𝜷𝟒 ≠ 𝜷𝟓 ≠𝜷𝟔 ≠ 𝜷𝟕 ≠ 𝜷𝟖 ≠ 𝜷𝟗 ≠ 𝟎

18.63

2.07

0.0

Dado que Fc > Ft y Prob. < 5%, se rechaza H0, por lo tanto, se

afirma que de forma global, las variacionesen el crecimiento

del PBI, en el crecimiento de la tasa de interés de referencia, en

el crecimiento de la tasa de desempleo, en el crecimiento de las

exportaciones, en el crecimiento de la emisión primaria, en el

crecimiento del índice bursátil de la Bolsa de Valores de Lima,

el crecimiento crecimiento de la liquidez del sistema bancario,

el crecimiento de la tasa activa del sistema bancario y el

crecimiento del ratio de créditos/depósitos en conjunto son

estadísticamente significativas para explicar el riesgo de crédito

del sistema bancario peruano durante el período 2003:01 al

2018:12.

Fuente: elaboración propia.

d. Test de bondad o de ajuste

A partir de que 𝑅2 =𝑆𝐶𝐸

𝑆𝐶𝑇𝑅2 = 0.61

Según lo encontrado, el 61% de las variaciones presentadas en el crecimiento del riesgo de crédito del

sistema bancario peruano durante el período 2003:01 al 2018:12 ha sido explicadas por variaciones en

variables macroeconómicas como el crecimiento del PBI, el crecimiento de la Tasa de Interés de

Referencia, el crecimiento de la tasa de desempleo, el crecimiento de las exportaciones, crecimiento de

la emisión primaria y el crecimiento del índice bursátil de la Bolsa de Valores de Lima; así como

variaciones en variables microeconómicas como la el crecimiento de la liquidez del sistema bancario,

el crecimiento de la tasa activa del sistema bancario y el crecimiento del ratio de créditos/depósitos del

sistema bancario peruano.

Page 154: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

147

e. Evaluación Econométrica.

➢ Contraste de Normalidad

h0: μ Se aproxima a una distribución Normal.

h1: μ No Se aproxima a una distribución Normal.

Gráfico N° 6.1: Test de normalidad de los residuos del modelo ARIMAX.

0

4

8

12

16

20

24

28

32

-0.15 -0.10 -0.05 0.00 0.05

Series: Residuals

Sample 2004M06 2018M12

Observations 175

Mean 0.000704

Median 0.000761

Maximum 0.086379

Minimum -0.184779

Std. Dev. 0.028585

Skewness -1.273035

Kurtosis 12.12733

Jarque-Bera 654.7233

Probability 0.000000

Fuente: BCRP, SBS e Investing.

En el gráfico se puede observar que 𝐽𝐵 = 654.72. Además la probalidad asociada = 0.000 por otro

lado tenemos que el 𝑥(𝛼,2)2 = 5.99. Comparando 𝐽𝐵 ≅ 𝑥(𝛼,2)

2 , se observa que el 𝐽𝐵 (654.72) >

𝑥(𝛼,2)2 (5.99), Por lo tanto al 5% de significancia estadística se rechaza H0, con lo cual se concluye que

𝜇 (Errores) no se aproxima a una distribución Normal.

Page 155: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

148

➢ Contraste de multicolinealidad

1. Regla de Klein: Segunda Versión

Si 𝑟𝑥𝑖.𝑥𝑗…𝑥𝑘>𝑅𝑦,𝑥𝑖.𝑥𝑗…𝑥𝑘 existe un alto grado de multicolinealidad. Para ello elaboramos la

matriz de correlaciones, presentada a continuación.

Tabla 6.18: Test de multicolinealidad; segunda versión regla...

Correlación D(LOG(RC))

D(LO

G(PB

I(-2)))

D(LOG

(TRP))

D(LOG

(DES(-

6)))

D(LOG

(X(-

3)))

D(LO

G(EP)

)

D(LO

G(SP(

-1)))

D(LO

G(LQ

(-1)))

D(LO

G(TA

))

D(LOG(C

D(-5)))

D(LOG(RC)) 1.00 D(LOG(PBI(-

2))) -0.16 1.00

D(LOG(TRP))

-0.18 0.06 1.00

D(LOG(DES(

-6))) 0.21 0.11 -0.05 1.00

D(LOG(X(-

3))) -0.18 -0.27 0.00 -0.05 1.00

D(LOG(EP)) -0.37 0.14 -0.02 0.19 -0.14 1.00

D(LOG(SP(-

1))) -0.22 0.06 -0.01 -0.03 0.05 0.05 1.00

D(LOG(LQ(-1)))

-0.16 -0.09 -0.13 -0.04 0.06 0.13 -0.13 1.00

D(LOG(TA)) -0.05 0.00 0.13 0.08 0.14 -0.19 0.03 0.00 1.00

D(LOG(CD(-

5))) 0.01 0.04 -0.08 -0.12 -0.06 -0.01 0.01 -0.09 -0.13 1.00

Fuente: BCRP, SBS e Investing.

Tenemos que 𝑅𝑦,𝑥𝑖.𝑥𝑗…𝑥𝑘 = 0.78. Al comparar con cada coeficiente de correlación de la matriz

se encuentra que ninguna supera al 0.78 por lo tanto no existe grado de multicolinealidad.

Page 156: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

149

➢ Contraste de Autocorrelación

h0: Ausencia de Autocorrelación de orden K.

h1: Existencia de Autocorrelación de orden K.

Tabla 6.19: Test de Breush – Godfrey, autocorrelación de los residuos del modelo ARIMAX.

Test Rezago Obs*sqr 𝒙(𝟎.𝟗𝟓,𝜶)𝟐 Prob. Decisión

Breush -

Godfrey

1 0.010 3.84 0.91 Dado que 𝑥(0.95,1)2 > Obs*sqr no se

rechaza H0, no hay presencia de

autocorrelación de orden 1 en los residuos. 2 0.41 5.99 0.17 Dado que 𝑥(0.95,1)

2 > Obs*sqr no se

rechaza H0, no hay presencia de

autocorrelación de orden 2 en los residuos.

Fuente: BCRP, SBS e Investing.

Tabla 6.20: Test de Box Pierce, autocorrelación de los residuos del modelo ARIMAX.

Test Rezago BP 𝒙(𝟎.𝟗𝟓,𝑵−𝒌)𝟐 Prob. Decisión

Box

Pierce

1 0.0007 3.84 0.93 Dado que 𝑥(0.95,1)2 > BP no se rechaza H0, Por tanto,

no existe presencia de autocorrelación de orden 1 en

el modelo.

2 0.168 5.99 0.15 Dado que 𝑥(0.95,2)2 > BP no se rechaza H0, Por tanto, no

existe presencia de autocorrelación de orden 2 en

el modelo.

Fuente: BCRP, SBS e Investing.

➢ Contraste de Heterocedasticidad

h0: Ausencia de heterocedasticidad.

h1: Existencia de heterocedasticidad.

Tabla 6.21: Test de heterocedasticidad de los residuos del modelo ARIMAX.

Test Obs*Sqr 𝒙(𝟎.𝟗𝟓,𝟗)𝟐 Prob. Decisión

Breush -

Pagan

12.73 14.06 0.17 Dado que 𝒙(𝟎.𝟗𝟓,𝟗)𝟐 > Obs*sqr no se rechaza H0, por lo tanto se afirma

que el modelo no tiene presencia de Heterocedasticidad en los

residuos del modelo.

Harvey 9.37 14.06 0.40 Dado que 𝒙(𝟎.𝟗𝟓,𝟗)𝟐 > Obs*sqr no se rechaza H0, por lo tanto se

afirma que el modelo no tiene presencia de Heterocedasticidad en los

residuos del modelo.

Glejser 10.58 14.06 0.53 Dado que 𝒙(𝟎.𝟗𝟓,𝟗)𝟐 > Obs*sqr no se rechaza H0, por lo tanto se afirma

que el modelo no tiene presencia de Heterocedasticidad en los

residuos del modelo.

Page 157: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

150

ARCH

(2)

5.70 14.06 0.057 Dado que 𝒙(𝟎.𝟗𝟓,𝟗)𝟐 > Obs*sqr no se rechaza H0, por lo tanto se afirma

que el modelo no tiene presencia de Heterocedasticidad en los

residuos del modelo.

Fuente: BCRP, SBS e Investing.

5. Validación del modelo ARIMAX

Gujarati (2010), afirma que si el modelo superase satisfactoriamente el proceso de validación estaría en

condiciones de utilizarlo en la predicción de valores futuros de la variable.

5.1. Análisis de los residuos

5.1.1. Test de Anderson y test de Pankrantz

h0: εt se comporta como ruido blanco.

h1: εt no se comporta como ruido blanco.

En el Eviews se obtiene para 20 retardos el correlograma de los residuos:

Tabla 6.22: Correlograma de los residuos del modelo ARIMAX.

Fuente: BCRP, SBS e Investing.

Included observations: 175

Q-statistic probabilities adjusted for 5 ARMA terms and 9 dynamic

regressors

Autocorrelation Partial Correlation AC PAC Q-Stat Prob*

1 0.002 0.002 0.0011

2 0.031 0.031 0.1716

3 0.073 0.073 1.1404

4 0.125 0.125 3.9751

5 -0.049 -0.053 4.4070

6 0.002 -0.012 4.4076 0.036

7 0.067 0.053 5.2365 0.073

8 0.062 0.057 5.9573 0.114

9 -0.053 -0.044 6.4797 0.166

10 0.050 0.037 6.9487 0.224

11 0.076 0.059 8.0483 0.235

12 -0.062 -0.068 8.7810 0.269

13 0.040 0.049 9.0843 0.335

14 0.050 0.029 9.5674 0.387

15 0.033 0.021 9.7798 0.460

16 -0.097 -0.085 11.601 0.394

17 0.033 0.012 11.808 0.461

18 -0.110 -0.134 14.212 0.359

19 -0.023 -0.012 14.322 0.426

20 0.008 0.048 14.334 0.500

Page 158: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

151

Tabla 6.23: Test de Anderson y Pankratz para validar el modelo ARIMAX.

TEST HIPOTESIS RESULTADO CONCLUSIÓN

ANDERSON h0: εt se comporta como

ruido blanco.

h1: εt no se comporta como

ruido blanco.

1.96

√90= 0.1481 Anderson ninguno de los

coeficientes de correlación supera

a 1.96

√90= 0.148, por lo tanto los

residuos del modelo estimado son

ruido blanco.

PANKRATZ

PANKRATZ

1

h0: εt se comporta como

ruido blanco.

1.25

√90= 0.094

Los tres primero coeficientes de

autocorrelación estimados son

menores 1.25

√90= 0.094, por lo

tanto los residuos del modelo

estimado son ruido blanco.

PANKRATZ

2 h1: εt no se comporta como

ruido blanco.

1.60

√90= 0.129

El resto de coeficientes de

autocorrelación estimados son

menores a 1.60

√90= 0.129, por lo

tanto los residuos del modelo

estimado son ruido blanco.

Fuente: BCRP, SBS e Investing.

5.1.2. Homocedasticidad

Gráfico N° 6.2: Test de homocedasticidad de los residuos del modelo ARIMAX.

-.20

-.15

-.10

-.05

.00

.05

.10-.3

-.2

-.1

.0

.1

.2

.3

04 05 06 07 08 09 10 11 12 13 14 15 16 17 18

Residual Actual Fitted

Fuente: BCRP, SBS e Investing.

Page 159: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

152

Observando el gráfico se puede concluir que los residuos son homocedástico, por lo tanto, se

comportan como ruido blanco, de los residuos estandarizados se concluye que no existe ninguna

observación atípica.

➢ Test de raíces unitarias

Gráfico N° 6.3: Test de raíces unitarias de los residuos del modelo ARIMAX.

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

AR roots

MA roots

Inverse Roots of AR/MA Polynomial(s)

Fuente: BCRP, SBS e Investing.

Ninguno de los AR y MA sale del círculo, se concluye que modelo es estable, pues sus residuos se

comportan como ruido blanco.

Tabla 6.24: Test de raíces unitarias de los residuos del modelo ARIMAX.

Page 160: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

153

AR Root(s) Modulus Cycle

-0.495196 ± 0.858086i 0.990722 3.000276

0.476645 ± 0.854277i 0.978254 5.917098

-0.971557 0.971557

0.963411 0.963411

-0.460591 0.460591

0.157193 0.157193

No root lies outside the unit circle.

ARMA model is stationary.

MA Root(s) Modulus Cycle

0.992938 0.992938

-0.496469 ± 0.859909i 0.992938 3.000000

0.496469 ± 0.859909i 0.992938 6.000000

-0.992938 0.992938

No root lies outside the unit circle.

ARMA model is invertible.

Fuente: BCRP, SBS e Investing.

5.1.3. Cointegración de las variables y presencia de no relación espúreas

5.1.3.1. Test de raíz unitaria de los residuos

𝒉𝟎: 𝐴𝑢𝑠𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑒𝑛 𝑒𝑙 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜. 𝒉𝟏: 𝑃𝑟𝑒𝑠𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑒𝑛 𝑒𝑙 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜.

Tabla 6.25: Test de raíces unitarias de los residuos del modelo ARIMAX.

Lag Length: 0 (Automatic - based on SIC, maxlag=13)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -13.14023 0.0000

Test critical values: 1% level -3.468072

5% level -2.878015

10% level -2.575632

Fuente: BCRP, SBS e Investing.

Dado que Test Critical Values > DFA. Se acepta 𝒉𝟏, por lo tanto, los residuos no presentan Raíz

Unitaria, es decir son estacionarios por lo tanto se concluye que existe cointegración de largo plazo en

el modelo.

5.1.3.2. Test de Wald

Page 161: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

154

𝒉𝟎: 𝐴𝑢𝑠𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑒𝑛 𝑒𝑙 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜. 𝒉𝟏: 𝑃𝑟𝑒𝑠𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑒𝑛 𝑒𝑙 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜.

Tabla 6.26: Test de Wald en el modelo ARIMAX.

Wald Test

Test Statistic Value df Valor F -

CHI

Probability

F-statistic 253.45 (1,160) 2.16 0.0000

Chi-square 253.45 1 5.99 0.0000

Fuente: BCRP, SBS e Investing.

No se rechaza H1, Se afirma que al 5% de nivel de significancia el Valor crítico es mayor al F de la

tabla (253.45 > 2.16), así como, el valor critico de Chi es mayor al valor Chi de la tabla (253.45>5.99)

por lo tanto se afirma que las variables del modelo cointegran en el largo plazo. Tales relaciones se

presentan en los gráficos a continuación.

5.1.4. Análisis de correlaciones

Tabla 6.27: Correlación entre las variables del modelo ARIMAX final.

Correlación D(LOG(RC)) D(LOG(PBI

(-2)))

D(LOG(

TRP))

D(LOG(DES(-

6)))

D(LOG(

X(-3)))

D(LOG(EP)

)

D(LOG(SP(

-1)))

D(LOG(LQ(

-1)))

D(LOG(TA)

)

D(LOG(C

D(-5)))

D(LOG(RC)) 1.00 D(LOG(PBI(-

2))) -0.16 1.00

D(LOG(TRP)) -0.18 0.06 1.00

D(LOG(DES(-6)))

0.21 0.11 -0.05 1.00

D(LOG(X(-

3))) -0.18 -0.27 0.00 -0.05 1.00

D(LOG(EP)) -0.37 0.14 -0.02 0.19 -0.14 1.00 D(LOG(SP(-

1))) -0.22 0.06 -0.01 -0.03 0.05 0.05 1.00

D(LOG(LQ(-

1))) -0.16 -0.09 -0.13 -0.04 0.06 0.13 -0.13 1.00

D(LOG(TA)) -0.05 0.00 0.13 0.08 0.14 -0.19 0.03 0.00 1.00

D(LOG(CD(-

5))) 0.01 0.04 -0.08 -0.12 -0.06 -0.01 0.01 -0.09 -0.13 1.00

Fuente: BCRP, SBS e Investing.

Gráfico N° 6.4: Correlación entre las variables del modelo ARIMAX final.

Page 162: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

155

-.2

-.1

.0

.1

.2

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(L

OG

(PB

I(-2)

))

-.6

-.4

-.2

.0

.2

.4

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(L

OG

(TR

P))

-.6

-.4

-.2

.0

.2

.4

.6

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(L

OG

(DE

S(-6

)))

-.4

-.2

.0

.2

.4

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(L

OG

(X(-3

)))

-.10

-.05

.00

.05

.10

.15

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(L

OG

(EP

))

-3

-2

-1

0

1

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(L

OG

(SP

(-1)))

-.4

-.2

.0

.2

.4

.6

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(L

OG

(LQ

(-1)))

-.08

-.04

.00

.04

.08

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(L

OG

(TA

))

-.10

-.05

.00

.05

.10

-.3 -.2 -.1 .0 .1 .2 .3

D(LOG(RC))

D(L

OG

(CD

(-5)))

Fuente: BCRP, SBS e Investing.

5.1.5. Capacidad predictiva del modelo.

Tabla 6.28: Capacidad predictiva del modelo ARIMAX.

1

2

3

4

5

6

04 05 06 07 08 09 10 11 12 13 14 15 16 17 18

RCF ± 2 S.E.

Forecast: RCF

Actual: RC

Forecast sample: 2003M01 2018M12

Adjusted sample: 2004M06 2018M12

Included observations: 175

Root Mean Squared Error 0.067985

Mean Absolute Error 0.046575

Mean Abs. Percent Error 2.106767

Theil Inequality Coefficient 0.014159

Bias Proportion 0.000468

Variance Proportion 0.001887

Covariance Proportion 0.997644

Theil U2 Coefficient 0.610697

Symmetric MAPE 2.101032

Fuente: BCRP, SBS e Investing.

La capacidad de predicción que presenta el modelo es buena, dado que el índice Theil se acerca al

10%, además, los valores pronosticados se ajustan a los reales.

Page 163: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

156

Por lo tanto, tras verificar el cumplimiento de las pruebas económicas, estadísticas y econométricas

incluyendo la capacidad predictiva del modelo, se puede pronosticar la evolución del riesgo de crédito

en sus diferentes escenarios.

Anexo 6.6: Predicción en escenario sin choques macroeconómicos.

➢ Supuestos:

En un escenario estable, tanto el PBI como las exportaciones crecerán a las tasas que se presentan por

el Ministerio de Economía y Finanzas (2019), en el Marco Macroeconómico Multianual 2020 – 2023;

para este período la economía peruana alcanzaría tasas de crecimiento en promedio de 4,0%, impulsada

principalmente por el fortalecimiento de la inversión privada y pública, y por el efecto de las medidas

de política económica orientadas a mejorar la productividad y competitividad del país. Con ello, Perú

continuará liderando el crecimiento en la región en 2020 y en los próximos años.

De acuerdo al MEF (2019), bajo supuesto que la economía continúe estable y no haya eventos que

generen shock, las exportaciones para crecerían a tasas de 3,5% en promedio durante el año 2020.

Tabla 6.29: Proyecciones macroeconómicas en el Marco Macroeconómico Multianual.

Estructura % Prom.

del PBI 2018 2018 2019 2020 2021-2023

I. Demanda interna 97.9 4.3 3.4 4.3 4.5

1. Gasto privado 82.6 4 3.5 4 4.3

a. Consumo privado 65 3.8 3.3 3.8 4

b. Inversión privada 17.6 4.4 4 4.8 5.3

2. Gasto público 16.4 3.4 2.6 5.3 4.3

a. Consumo público 11.5 2 2.6 3.8 3.6

b. Inversión pública 4.8 6.8 2.5 9 5.8

II. Demanda externa neta

1. Exportaciones 25 2.5 0.8 3.5 4.8

2. Importaciones 23 3.4 2.1 4.5 4.6

III. PBI 100 4 3 4 4.5

Fuente: Ministerio de Economía y Finanzas, 2019. Además, se plantea como supuesto que las demás variables tanto macroeconómicas como

microeconómicas evolucionaran en el año 2020 de acuerdo a su tendencia presentada. En el caso de las

exportaciones como el PBI su pronóstico al 2020 se realizó a través de las tasas propuestas por el MEF

Page 164: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

157

en el MMM 2020 – 2023, mientras que el pronóstico para las demás variables en un escenario estable

se realizó a través del método de suavizamiento exponencial.

Gráfico N° 6.5: Proyección de variables macroeconómicas a través del método de suavizamiento

exponencial.

15,000

20,000

25,000

30,000

35,000

40,000

45,000

50,000

55,000

03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20

PBI01 PBISM

4

6

8

10

12

14

03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20

DES DESSM

0

1,000

2,000

3,000

4,000

5,000

6,000

7,000

03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20

X01 XSM

1

2

3

4

5

6

7

03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20

TRP TRPSM

0

20,000

40,000

60,000

80,000

100,000

120,000

140,000

03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20

EP EPSM

0

4,000

8,000

12,000

16,000

20,000

24,000

03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20

SP SPSM Fuente: BCRP, SBS e Investing.

Para el pronóstico en escenario normal de las variables microeconómicas, se realizan bajo el supuesto

que continúen con su tendencia, para ello se usa el método de suavizamiento exponencial con ello se

asegura que las variables continúen como su histórico. Los resultados se muestran en el gráfico

siguiente:

Gráfico N° 6.6: Proyección de variables microeconómicas a través del método de suavizamiento

exponencial.

Page 165: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

158

10

20

30

40

50

60

70

03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20

LQ LQSM

12

14

16

18

20

22

24

26

28

03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20

TA TASM

0.4

0.6

0.8

1.0

1.2

1.4

1.6

1.8

03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20

CD CDSM

Fuente: BCRP, SBS e Investing.

Al realizar el pronóstico los resultados que arroja a cerca de los indicadores para determinar si la

predicción es o no buena, se presenta en el gráfico a continuación.

Tabla 6.30: Capacidad predictiva del modelo ARIMAX en escenario base.

1

2

3

4

5

6

04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20

RCF ± 2 S.E.

Forecast: RCF

Actual: RC

Forecast sample: 2003M01 2020M12

Adjusted sample: 2004M06 2020M12

Included observations: 199

Root Mean Squared Error 0.239291

Mean Absolute Error 0.196106

Mean Abs. Percent Error 8.647836

Theil Inequality Coefficient 0.051239

Bias Proportion 0.229650

Variance Proportion 0.106239

Covariance Proportion 0.664111

Theil U2 Coefficient 2.259303

Symmetric MAPE 8.985935

Fuente: BCRP, SBS e Investing.

La capacidad de predicción que presenta el modelo es buena, dado que el índice Theil se

encuentra debajo del 10%, en un escenario normal.

Los resultados sobre la predicción en el escenario normal se muestran en el gráfico N° 5.7.

Gráfico N° 6.7: Proyección en escenario normal.

Page 166: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

159

1

2

3

4

5

6

7

8

9

2004 2006 2008 2010 2012 2014 2016 2018 2020

3.00

3.05

3.10

3.15

3.20

3.25

3.30

3.35

3.40

3.45

II III IV I II III IV

2019 2020

RIESGO DE CRÉDITO

RC - SIN CHOQUE MACROECONÓMICO

Fuente: BCRP, SBS e Investing.

Anexo 6.7: Vulnerabilidad del riesgo de crédito ante escenario con choque macroeconómico tipo

2017.

➢ Supuestos:

✓ En el año 2020 se presenta una situación similar a la ocurrida en el año 2017, tras la presencia del

fenómeno del niño en los primeros meses del año impactará sobre las principales variables

Page 167: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

160

macroeconómicas, como son el PBI, el desempleo y las exportaciones. Además, se trabaja bajo el

supuesto de que las variables de aspecto microeconómico seguirán de acuerdo al choque.

✓ El Producto bruto Interno alcanza niveles y tasas de crecimiento menores a las mostradas, de tal

manera que no llega a alcanzar la meta propuesta por el MEF, el crecimiento en el año 2017 fue de

2,5% un resultado por debajo de la meta de 2,8%. Por lo tanto.

✓ Se asume que el PBI, la tasa de desempleo y las exportaciones alcanzaran tasas de crecimiento

similares a las que presentaron en el año 2017. Mientras que las demás variables seguirán una

tendencia normal.

✓ Para el año 2019 las variables presentan una tendencia normal, los valores que alcanzan se toman de

las fuentes que publican hasta el 2019. En el caso de las variables microeconómicas se trabaja bajo el

supuesto que seguirán con tendencia normal, para ello los valores en el 2020 se pronostican a través

del método de suavizamiento exponencial que mejor se ajusta a su histórico.

Al realizar el pronóstico los resultados que arroja a cerca de los indicadores para determinar si la

predicción es o no buena, se presenta en el gráfico a continuación:

Tabla 6.31: Capacidad predictiva del modelo ARIMAX en escenario con choque macroeconómico 1.

1

2

3

4

5

6

04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20

RCF ± 2 S.E.

Forecast: RCF

Actual: RC

Forecast sample: 2003M01 2020M12

Adjusted sample: 2004M06 2020M12

Included observations: 199

Root Mean Squared Error 0.249604

Mean Absolute Error 0.203847

Mean Abs. Percent Error 8.754311

Theil Inequality Coefficient 0.052649

Bias Proportion 0.261491

Variance Proportion 0.114815

Covariance Proportion 0.623693

Theil U2 Coefficient 2.300302

Symmetric MAPE 9.120472

Fuente: BCRP, SBS e Investing.

Los resultados de los pronósticos en el escenario con choque macroeconómico se muestran en los

gráficos y cuadros siguientes.

Gráfico N° 6.8: Proyección del riesgo de crédito en escenario con choque macroeconómico tipo 2017.

Page 168: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

161

1

2

3

4

5

6

7

8

9

2004 2006 2008 2010 2012 2014 2016 2018 2020

3.0

3.1

3.2

3.3

3.4

3.5

II III IV I II III IV

2019 2020

RIESGO DE CRÉDITO

RIESGO DE CRÉDITO SIN CHOQUE MACROECONÓMICO

RC - ANTE CHOQUE MACROECONÓMICO 2017

Fuente: BCRP, SBS e Investing.

Anexo 6.8: Vulnerabilidad del riesgo de crédito ante escenario con choque macroeconómico tipo

2008, producto de la crisis financiera.

Page 169: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

162

➢ Supuestos:

✓ En el año 2020 se presenta una situación similar a la ocurrida en el año 2008, por lo tanto,

se asume que el PBI, la tasa de desempleo y las exportaciones alcanzarán tasas de crecimiento

similares a las que presentaron en el año 2008, producto de la crisis financiera internacional.

Mientras que las demás variables seguirán una tendencia normal.

✓ Para el año 2019 las variables presentan una tendencia normal, los valores que alcanzan se toman

de las fuentes que publican hasta el 2019. En el caso de las variables microeconómicas se trabaja

bajo el supuesto que seguirán con tendencia normal, para ello los valores en el 2020 se pronostican

a través del método de suavizamiento exponencial que mejor se ajusta a su histórico.

Al realizar el pronóstico los resultados que arroja a cerca de los indicadores para determinar si la

predicción es o no buena, se presenta en el gráfico a continuación:

Tabla 6.32: Capacidad predictiva del modelo ARIMAX en escenario con choque macroeconómico 2.

1

2

3

4

5

6

04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20

RCF ± 2 S.E.

Forecast: RCF

Actual: RC

Forecast sample: 2003M01 2020M12

Adjusted sample: 2004M06 2020M12

Included observations: 199

Root Mean Squared Error 0.249604

Mean Absolute Error 0.203847

Mean Abs. Percent Error 8.754311

Theil Inequality Coefficient 0.052649

Bias Proportion 0.261491

Variance Proportion 0.114815

Covariance Proportion 0.623693

Theil U2 Coefficient 2.300302

Symmetric MAPE 9.120472

Fuente: BCRP, SBS e Investing.

Se afirma que el pronóstico en el segundo escenario es bueno, dado que el índice de Theil es menor al

10%.

Los resultados del pronóstico en un escenario adverso similar al año 2008 se presentan a continuación

en el gráfico.

Page 170: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

163

Gráfico N° 6.9: Proyección del riesgo de crédito en escenario con choque macroeconómico tipo 2008.

1

2

3

4

5

6

7

8

9

2004 2006 2008 2010 2012 2014 2016 2018 2020

3.0

3.1

3.2

3.3

3.4

3.5

3.6

M10 M11 M12 M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12

2019 2020

RIESGO DE CRÉDITO

RIESGO DE CRÉDITO SIN CHOQUE MACROECONÓMICO

RC - CHOQUE MACROECONÓMICO 2008

Fuente: BCRP, SBS e Investing.

Anexo 6.9: Vulnerabilidad del riesgo de crédito ante escenario con choque macroeconómico con

COVID19.

Page 171: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

164

➢ Supuestos

✓ En el año 2020 tras la presencia del COVID19 la economía peruana tiende a registrar

indicadores adversos, como el PBI, el desempleo y las exportaciones. Según las

proyecciones del BCRP (2020), en el caso del PBI, el aislamiento social en el segundo

trimestre, con un enfoque de reapertura gradual y sectorial de las actividades económicas

desde mayo para enfrentar la pandemia, conllevaría una significativa contracción de la

actividad de 12,5 por ciento en el 2020.

✓ En el caso de las exportaciones se proyecta que crecerán a una tasa de -18.9% en el año

2020; la tasa de interés de política monetaria ha registrado un nivel de 0.25% desde abril y

se proyecta hasta diciembre, en el caso del desempleo hasta mayo registro un nivel de

13.1% y se proyecta esta tendencia alcista por todo el 2020.

✓ Para el año 2019 las variables presentan una tendencia normal, los valores que alcanzan se toman

de las fuentes que publican hasta el 2019. En el caso de las variables microeconómicas se trabaja

bajo el supuesto que seguirán con tendencia normal, para ello los valores en el 2020 se pronostican

a través del método de suavizamiento exponencial que mejor se ajusta a su histórico.

Al realizar el pronóstico los resultados que arroja a cerca de los indicadores para determinar si la

predicción es o no buena, se presenta en el gráfico a continuación:

Tabla 6.33: Capacidad predictiva del modelo ARIMAX en escenario con COVID19.

2

3

4

5

6

7

8

9

10

III IV I II III IV

2019 2020

RCF ± 2 S.E.

Forecast: RCF

Actual: RC

Forecast sample: 2019M09 2020M12

Included observations: 16

Root Mean Squared Error 0.090101

Mean Absolute Error 0.079411

Mean Abs. Percent Error 2.433341

Theil Inequality Coefficient 0.013753

Bias Proportion 0.052306

Variance Proportion 0.762460

Covariance Proportion 0.185234

Theil U2 Coefficient 0.439258

Symmetric MAPE 2.436354

Fuente: BCRP, SBS e Investing.

Gráfico N° 6.10: Vulnerabilidad del riesgo de crédito ante choque COVID19.

Page 172: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

165

1

2

3

4

5

6

7

8

2004 2006 2008 2010 2012 2014 2016 2018 2020

3.0

3.5

4.0

4.5

5.0

5.5

6.0

6.5

III IV I II III IV

2019 2020

RIESGO DE CRÉDITO

RC - ESCENARIO NORMAL

RC - COOVID19

Fuente: BCRP, SBS e Investing.

Gráfico N° 6.11: Proyección del riesgo de crédito en los cuatro escenarios propuestos.

Page 173: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

166

1

2

3

4

5

6

7

8

2004 2006 2008 2010 2012 2014 2016 2018 2020

3.0

3.5

4.0

4.5

5.0

5.5

6.0

6.5

III IV I II III IV

2019 2020

Fuente: BCRP, SBS e Investing.

Page 174: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

167

Anexo 6.10: matriz de correlación con rezagos.

➢ Correlación sin rezagos

Tabla 6.34: Matriz de correlación de las variables del modelo.

Covariance D(LOG(RC)) D(LOG(PBI)) D(LOG(TRP)) D(LOG(DES)) D(LOG(X)) D(LOG(EP)) D(LOG(SP)) D(LOG(LQ)) D(LOG(TA)) D(LOG(CD))

D(LOG(RC)) 0.002221

D(LOG(PBI)) -0.000694 0.002741

D(LOG(TRP)) -0.000587 6.24E-05 0.004784

D(LOG(DES)) 0.000978 -0.003159 -6.80E-05 0.024068

D(LOG(X)) -0.001732 0.003247 -9.12E-05 -0.005232 0.013232

D(LOG(EP)) -0.000693 0.001026 -5.88E-05 -0.001094 0.002228 0.001538

D(LOG(SP)) 0.001196 -0.000387 0.000127 -0.003201 -0.000174 -0.000284 0.050762

D(LOG(LQ)) 4.53E-05 -0.000851 -0.000983 0.000945 -0.000602 -0.000765 -0.002786 0.008322

D(LOG(TA)) -3.89E-05 -0.000282 0.000154 0.000590 -0.000210 -0.000127 1.42E-05 0.000242 0.000276

D(LOG(CD)) -0.000115 0.000176 3.07E-05 -0.000480 0.000254 0.000213 0.000521 -0.001368 -0.000109 0.000829

t-Statistic D(LOG(RC)) D(LOG(PBI)) D(LOG(TRP)) D(LOG(DES)) D(LOG(X)) D(LOG(EP)) D(LOG(SP)) D(LOG(LQ)) D(LOG(TA)) D(LOG(CD))

D(LOG(RC)) -----

D(LOG(PBI)) -3.940747 -----

D(LOG(TRP)) -2.461170 0.232035 -----

D(LOG(DES)) 1.815445 -5.679274 -0.085303 -----

D(LOG(X)) -4.536933 8.613512 -0.154254 -4.125472 -----

D(LOG(EP)) -5.441090 7.760390 -0.291832 -2.458003 7.638115 -----

D(LOG(SP)) 1.525669 -0.441435 0.109621 -1.237200 -0.090076 -0.432750 -----

D(LOG(LQ)) 0.141733 -2.436522 -2.121657 0.900501 -0.773137 -2.944786 -1.840445 -----

D(LOG(TA)) -0.668374 -4.605830 1.821395 3.165981 -1.489489 -2.672052 0.050900 2.173251 -----

D(LOG(CD)) -1.140319 1.577294 0.207441 -1.455551 1.033415 2.583663 1.084656 -8.207301 -3.153281 -----

Fuente: BCRP, SBS e Investing.

Page 175: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

168

➢ Matriz de correlaciones con un rezago

Tabla 6.35: Matriz de correlación con un rezago de las variables del modelo.

Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-1))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-1... D(LOG(CD(-...

D(LOG(RC)) 1.000000

D(LOG(PBI(-1))) 0.133854 1.000000

D(LOG(TRP(-1))) 0.005357 0.017380 1.000000

D(LOG(DES(-1))) -0.019574 -0.392482 -0.006340 1.000000

D(LOG(X(-1))) 0.107949 0.541336 -0.011467 -0.293289 1.000000

D(LOG(EP(-1))) 0.207322 0.492924 -0.021814 -0.181235 0.494811 1.000000

D(LOG(SP(-1))) -0.221799 -0.034775 0.008149 -0.091641 -0.006934 -0.033828 1.000000

D(LOG(LQ(-1))) -0.160139 -0.178301 -0.155785 0.066832 -0.057203 -0.213953 -0.135413 1.000000

D(LOG(TA(-1))) -0.060512 -0.330984 0.134240 0.229063 -0.110723 -0.199830 0.003310 0.159937 1.000000

D(LOG(CD(-1))) 0.080608 0.121941 0.015427 -0.107483 0.077270 0.193722 0.080914 -0.521528 -0.227234 1.000000

t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-1))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-1... D(LOG(CD(-...

D(LOG(RC)) -----

D(LOG(PBI(-1))) 1.812151 -----

D(LOG(TRP(-1))) 0.071867 0.233208 -----

D(LOG(DES(-1))) -0.262664 -5.725077 -0.085068 -----

D(LOG(X(-1))) 1.456794 8.637879 -0.153850 -4.115879 -----

D(LOG(EP(-1))) 2.843294 7.600829 -0.292731 -2.472466 7.639341 -----

D(LOG(SP(-1))) -3.051760 -0.466837 0.109328 -1.234684 -0.093028 -0.454111 -----

D(LOG(LQ(-1))) -2.176575 -2.431109 -2.115907 0.898658 -0.768719 -2.938520 -1.833652 -----

D(LOG(TA(-1))) -0.813338 -4.705853 1.817470 3.157150 -1.494693 -2.736188 0.044408 2.173764 -----

D(LOG(CD(-1))) 1.084994 1.648314 0.207000 -1.450435 1.039789 2.649243 1.089143 -8.200594 -3.130565 -----

Fuente: BCRP, SBS e Investing.

Page 176: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

169

➢ Matriz de correlaciones con 2 rezagos

Tabla 6.36: Matriz de correlación con dos rezagos de las variables del modelo. Balanced sample (listwise missing value deletion)

Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-2))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-2... D(LOG(CD(-...

D(LOG(RC)) 1.000000

D(LOG(PBI(-2))) -0.166275 1.000000

D(LOG(TRP(-2))) -0.105512 0.017382 1.000000

D(LOG(DES(-2))) -0.022985 -0.395671 -0.006366 1.000000

D(LOG(X(-2))) -0.045103 0.541951 -0.011469 -0.292518 1.000000

D(LOG(EP(-2))) -0.207212 0.492775 -0.021817 -0.183481 0.495384 1.000000

D(LOG(SP(-2))) 0.018458 -0.033802 0.008163 -0.086858 -0.008286 -0.032897 1.000000

D(LOG(LQ(-2))) -0.022512 -0.177955 -0.155831 0.069291 -0.057782 -0.213638 -0.137136 1.000000

D(LOG(TA(-2))) 0.010254 -0.330670 0.134295 0.232618 -0.111438 -0.199461 0.001623 0.159356 1.000000

D(LOG(CD(-2))) -0.007912 0.121367 0.015439 -0.111499 0.078232 0.193241 0.083448 -0.521130 -0.226383 1.000000

t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-2))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-2... D(LOG(CD(-...

D(LOG(RC)) -----

D(LOG(PBI(-2))) -2.256015 -----

D(LOG(TRP(-2))) -1.419576 0.232595 -----

D(LOG(DES(-2))) -0.307598 -5.764115 -0.085169 -----

D(LOG(X(-2))) -0.604046 8.627699 -0.153461 -4.092643 -----

D(LOG(EP(-2))) -2.833812 7.576668 -0.291958 -2.497204 7.629776 -----

D(LOG(SP(-2))) 0.246992 -0.452495 0.109217 -1.166494 -0.110869 -0.440365 -----

D(LOG(LQ(-2))) -0.301269 -2.419495 -2.110660 0.929281 -0.774367 -2.925837 -1.852258 -----

D(LOG(TA(-2))) 0.137193 -4.687766 1.813165 3.200001 -1.500290 -2.723335 0.021717 2.159641 -----

D(LOG(CD(-2))) -0.105853 1.635876 0.206583 -1.501116 1.049894 2.635056 1.120372 -8.169211 -3.109532 -----

Fuente: BCRP, SBS e Investing.

Page 177: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

170

➢ Matriz de correlaciones con 3 rezagos

Tabla 6.37: Matriz de correlación con tres rezagos de las variables del modelo.

Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-3))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-3... D(LOG(CD(-...

D(LOG(RC)) 1.000000

D(LOG(PBI(-3))) 0.052964 1.000000

D(LOG(TRP(-3))) -0.066359 0.017387 1.000000

D(LOG(DES(-3))) 0.110358 -0.397715 -0.006376 1.000000

D(LOG(X(-3))) -0.186650 0.541873 -0.011470 -0.293612 1.000000

D(LOG(EP(-3))) 0.040329 0.493437 -0.021821 -0.182762 0.495707 1.000000

D(LOG(SP(-3))) 0.076378 -0.037358 0.008239 -0.095431 -0.009885 -0.030667 1.000000

D(LOG(LQ(-3))) -0.071308 -0.178006 -0.155831 0.069396 -0.057786 -0.213674 -0.138419 1.000000

D(LOG(TA(-3))) -0.135513 -0.330161 0.134368 0.234955 -0.111138 -0.200221 0.006169 0.159445 1.000000

D(LOG(CD(-3))) -0.022267 0.121759 0.015441 -0.110869 0.078408 0.193024 0.086232 -0.521184 -0.227016 1.000000

t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-3))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-3... D(LOG(CD(-...

D(LOG(RC)) -----

D(LOG(PBI(-3))) 0.707621 -----

D(LOG(TRP(-3))) -0.887290 0.232009 -----

D(LOG(DES(-3))) 1.481410 -5.783242 -0.085063 -----

D(LOG(X(-3))) -2.534766 8.601812 -0.153041 -4.097882 -----

D(LOG(EP(-3))) 0.538490 7.568885 -0.291192 -2.480115 7.615008 -----

D(LOG(SP(-3))) 1.021990 -0.498764 0.109925 -1.279043 -0.131893 -0.409345 -----

D(LOG(LQ(-3))) -0.953802 -2.413439 -2.104756 0.928093 -0.772256 -2.918168 -1.864694 -----

D(LOG(TA(-3))) -1.824807 -4.666576 1.809103 3.224969 -1.492009 -2.726487 0.082309 2.154834 -----

D(LOG(CD(-3))) -0.297151 1.636649 0.206027 -1.488359 1.049323 2.624614 1.154780 -8.147538 -3.109963 -----

Fuente: BCRP, SBS e Investing.

Page 178: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

171

➢ Matriz de correlaciones con 4 rezagos

Tabla 6.38: Matriz de correlación con cuatro rezagos de las variables del modelo.

Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-4))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-4... D(LOG(CD(-...

D(LOG(RC)) 1.000000

D(LOG(PBI(-4))) 0.003196 1.000000

D(LOG(TRP(-4))) -0.058842 0.017388 1.000000

D(LOG(DES(-4))) -0.006167 -0.397650 -0.006376 1.000000

D(LOG(X(-4))) 0.003250 0.542478 -0.011477 -0.294305 1.000000

D(LOG(EP(-4))) 0.058373 0.493708 -0.021825 -0.183101 0.495426 1.000000

D(LOG(SP(-4))) -0.019539 -0.036504 0.008350 -0.099150 -0.015600 -0.034304 1.000000

D(LOG(LQ(-4))) -0.141318 -0.177947 -0.155837 0.069278 -0.058117 -0.213893 -0.141742 1.000000

D(LOG(TA(-4))) -0.028929 -0.330664 0.134451 0.235638 -0.110085 -0.199699 0.012048 0.159856 1.000000

D(LOG(CD(-4))) 0.201418 0.121553 0.015450 -0.110446 0.079651 0.193837 0.093087 -0.521210 -0.228485 1.000000

t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-4))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-4... D(LOG(CD(-...

D(LOG(RC)) -----

D(LOG(PBI(-4))) 0.042522 -----

D(LOG(TRP(-4))) -0.784205 0.231364 -----

D(LOG(DES(-4))) -0.082051 -5.765863 -0.084833 -----

D(LOG(X(-4))) 0.043234 8.591192 -0.152697 -4.096914 -----

D(LOG(EP(-4))) 0.777924 7.553070 -0.290428 -2.477889 7.587883 -----

D(LOG(SP(-4))) -0.259995 -0.485983 0.111100 -1.325641 -0.207569 -0.456649 -----

D(LOG(LQ(-4))) -1.899178 -2.405824 -2.098918 0.923903 -0.774499 -2.913083 -1.904987 -----

D(LOG(TA(-4))) -0.385035 -4.661412 1.805144 3.225796 -1.473548 -2.711436 0.160302 2.154452 -----

D(LOG(CD(-4))) 2.735765 1.629239 0.205568 -1.478436 1.063064 2.628695 1.243848 -8.125159 -3.122389 -----

Fuente: BCRP, SBS e Investing.

Page 179: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

172

➢ Matriz de correlaciones con 5 𝑟𝑒𝑧𝑎𝑔𝑜𝑠 Tabla 6.39: Matriz de correlación con cinco rezagos de las variables del modelo.

Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-5))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-5... D(LOG(CD(-...

D(LOG(RC)) 1.000000

D(LOG(PBI(-5))) 0.069197 1.000000

D(LOG(TRP(-5))) -0.011340 0.017388 1.000000

D(LOG(DES(-5))) -0.132846 -0.397595 -0.006377 1.000000

D(LOG(X(-5))) -0.010237 0.542441 -0.011478 -0.294188 1.000000

D(LOG(EP(-5))) -0.194542 0.493776 -0.021839 -0.182741 0.495351 1.000000

D(LOG(SP(-5))) 0.357037 -0.036486 0.008351 -0.099195 -0.015570 -0.034231 1.000000

D(LOG(LQ(-5))) -0.046023 -0.177894 -0.155842 0.069171 -0.058020 -0.213734 -0.141770 1.000000

D(LOG(TA(-5))) -0.140518 -0.330837 0.134710 0.235269 -0.109552 -0.197936 0.011910 0.159643 1.000000

D(LOG(CD(-5))) -0.012841 0.121332 0.015467 -0.109937 0.079173 0.192449 0.093314 -0.521408 -0.226249 1.000000

t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-5))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-5... D(LOG(CD(-...

D(LOG(RC)) -----

D(LOG(PBI(-5))) 0.920214 -----

D(LOG(TRP(-5))) -0.150453 0.230716 -----

D(LOG(DES(-5))) -1.778158 -5.748603 -0.084601 -----

D(LOG(X(-5))) -0.135816 8.566066 -0.152277 -4.083559 -----

D(LOG(EP(-5))) -2.631160 7.533071 -0.289802 -2.465860 7.564905 -----

D(LOG(SP(-5))) 5.070852 -0.484361 0.110786 -1.322494 -0.206580 -0.454398 -----

D(LOG(LQ(-5))) -0.611218 -2.398279 -2.093057 0.919866 -0.771021 -2.902568 -1.899976 -----

D(LOG(TA(-5))) -1.882860 -4.650961 1.803568 3.211339 -1.462179 -2.678916 0.158019 2.145416 -----

D(LOG(CD(-5))) -0.170371 1.621636 0.205214 -1.467379 1.053656 2.601758 1.243372 -8.106410 -3.081439 -----

Fuente: BCRP, SBS e Investing.

➢ Matriz de correlaciones con 6 rezagos

Page 180: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

173

Tabla 6.40: Matriz de correlación con seis rezagos de las variables del modelo.

Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-6))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-6... D(LOG(CD(-...

D(LOG(RC)) 1.000000

D(LOG(PBI(-6))) -0.169970 1.000000

D(LOG(TRP(-6))) -0.092634 0.017388 1.000000

D(LOG(DES(-6))) 0.224951 -0.397867 -0.006380 1.000000

D(LOG(X(-6))) -0.279001 0.544080 -0.011508 -0.292914 1.000000

D(LOG(EP(-6))) -0.044036 0.493889 -0.021848 -0.183742 0.498876 1.000000

D(LOG(SP(-6))) -0.312627 -0.036374 0.008400 -0.096557 -0.023555 -0.031396 1.000000

D(LOG(LQ(-6))) -0.043196 -0.177967 -0.156038 0.070797 -0.061870 -0.212678 -0.148218 1.000000

D(LOG(TA(-6))) -0.068013 -0.330842 0.134710 0.235344 -0.109764 -0.198043 0.012093 0.159895 1.000000

D(LOG(CD(-6))) 0.096995 0.121341 0.015467 -0.109910 0.079194 0.192598 0.093583 -0.522193 -0.226247 1.000000

SSCP D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-6))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-6... D(LOG(CD(-...

D(LOG(RC)) 0.375223

D(LOG(PBI(-6))) -0.073128 0.493321

D(LOG(TRP(-6))) -0.053094 0.011428 0.875525

D(LOG(DES(-6))) 0.287404 -0.582858 -0.012451 4.350304

D(LOG(X(-6))) -0.264954 0.592444 -0.016693 -0.947151 2.403475

D(LOG(EP(-6))) -0.014207 0.182697 -0.010767 -0.201839 0.407333 0.277379

D(LOG(SP(-6))) -0.566176 -0.075532 0.023237 -0.595420 -0.107963 -0.048887 8.740992

D(LOG(LQ(-6))) -0.032598 -0.153994 -0.179873 0.181918 -0.118168 -0.137994 -0.539861 1.517751

D(LOG(TA(-6))) -0.009326 -0.052016 0.028215 0.109878 -0.038091 -0.023348 0.008003 0.044094 0.050107

D(LOG(CD(-6))) 0.023065 0.033085 0.005618 -0.088994 0.047663 0.039378 0.107409 -0.249744 -0.019661 0.150705

Fuente: BCRP, SBS e Investing.

Page 181: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

174

➢ Matriz de correlaciones con 7 rezagos

Tabla 6.41: Matriz de correlación con siete rezagos de las variables del modelo.

Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-7))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-7... D(LOG(CD(-...

D(LOG(RC)) 1.000000

D(LOG(PBI(-7))) -0.055954 1.000000

D(LOG(TRP(-7))) -0.047510 0.017444 1.000000

D(LOG(DES(-7))) 0.004557 -0.404507 -0.006391 1.000000

D(LOG(X(-7))) 0.105702 0.549163 -0.011515 -0.291441 1.000000

D(LOG(EP(-7))) 0.049434 0.495215 -0.021848 -0.184243 0.499340 1.000000

D(LOG(SP(-7))) -0.050377 -0.032345 0.008411 -0.093780 -0.025554 -0.031274 1.000000

D(LOG(LQ(-7))) 0.005660 -0.179607 -0.156052 0.070150 -0.061427 -0.212739 -0.147741 1.000000

D(LOG(TA(-7))) 0.075301 -0.330376 0.134736 0.236958 -0.110599 -0.198021 0.011070 0.160203 1.000000

D(LOG(CD(-7))) 0.065035 0.121775 0.015467 -0.110064 0.079227 0.192601 0.093681 -0.522231 -0.226304 1.000000

t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-7))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-7... D(LOG(CD(-...

D(LOG(RC)) -----

D(LOG(PBI(-7))) -0.739238 -----

D(LOG(TRP(-7))) -0.627404 0.230135 -----

D(LOG(DES(-7))) 0.060110 -5.834455 -0.084301 -----

D(LOG(X(-7))) 1.402158 8.667979 -0.151910 -4.018827 -----

D(LOG(EP(-7))) 0.652881 7.519049 -0.288266 -2.472662 7.602384 -----

D(LOG(SP(-7))) -0.665369 -0.426882 0.110954 -1.242518 -0.337185 -0.412733 -----

D(LOG(LQ(-7))) 0.074659 -2.408342 -2.083993 0.927628 -0.811807 -2.871965 -1.970464 -----

D(LOG(TA(-7))) 0.996120 -4.617220 1.793652 3.217327 -1.467908 -2.664841 0.146033 2.140874 -----

D(LOG(CD(-7))) 0.859694 1.618368 0.204046 -1.460722 1.048371 2.589052 1.241192 -8.077700 -3.064659 -----

Fuente: BCRP, SBS e Investing.

Page 182: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

175

➢ Matriz de correlación con 8 rezagos

Tabla 6.42: Matriz de correlación con ocho rezagos de las variables del modelo.

Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-8))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-8... D(LOG(CD(-...

D(LOG(RC)) 1.000000

D(LOG(PBI(-8))) 0.107751 1.000000

D(LOG(TRP(-8))) -0.083239 0.017457 1.000000

D(LOG(DES(-8))) -0.213145 -0.405624 -0.006392 1.000000

D(LOG(X(-8))) 0.099081 0.548201 -0.011539 -0.293306 1.000000

D(LOG(EP(-8))) -0.025724 0.496610 -0.021854 -0.183897 0.501965 1.000000

D(LOG(SP(-8))) -0.046079 -0.032546 0.008411 -0.093882 -0.025896 -0.031180 1.000000

D(LOG(LQ(-8))) 0.016137 -0.177118 -0.156585 0.071958 -0.056434 -0.215400 -0.147876 1.000000

D(LOG(TA(-8))) -0.090128 -0.328594 0.135135 0.239147 -0.106200 -0.200403 0.011449 0.154857 1.000000

D(LOG(CD(-8))) -0.089613 0.123337 0.015477 -0.109485 0.081730 0.191966 0.093900 -0.527289 -0.229851 1.000000

t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-8))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-8... D(LOG(CD(-...

D(LOG(RC)) -----

D(LOG(PBI(-8))) 1.425542 -----

D(LOG(TRP(-8))) -1.098656 0.229648 -----

D(LOG(DES(-8))) -2.869420 -5.836894 -0.084074 -----

D(LOG(X(-8))) 1.309654 8.621375 -0.151786 -4.035320 -----

D(LOG(EP(-8))) -0.338457 7.525441 -0.287510 -2.460748 7.633720 -----

D(LOG(SP(-8))) -0.606723 -0.428302 0.110636 -1.240302 -0.340726 -0.410313 -----

D(LOG(LQ(-8))) 0.212274 -2.367051 -2.085281 0.948919 -0.743456 -2.901244 -1.966627 -----

D(LOG(TA(-8))) -1.190295 -4.576079 1.793875 3.239487 -1.404793 -2.690469 0.150593 2.061695 -----

D(LOG(CD(-8))) -1.183440 1.634724 0.203587 -1.448764 1.078598 2.572762 1.240549 -8.162317 -3.106384 -----

Fuente: BCRP, SBS e Investing.

Page 183: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

176

➢ Matriz de correlaciones con 9 rezagos

Tabla 6.43: Matriz de correlación con nueve rezagos de las variables del modelo.

Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-9))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-9... D(LOG(CD(-...

D(LOG(RC)) 1.000000

D(LOG(PBI(-9))) -0.211719 1.000000

D(LOG(TRP(-9))) -0.054843 0.017489 1.000000

D(LOG(DES(-9))) 0.142833 -0.403890 -0.006400 1.000000

D(LOG(X(-9))) -0.285079 0.554593 -0.011566 -0.297707 1.000000

D(LOG(EP(-9))) -0.080095 0.500105 -0.021869 -0.186083 0.500933 1.000000

D(LOG(SP(-9))) -0.058555 -0.035785 0.008423 -0.091563 -0.022430 -0.029298 1.000000

D(LOG(LQ(-9))) -0.079443 -0.172389 -0.157335 0.067574 -0.063537 -0.220243 -0.143681 1.000000

D(LOG(TA(-9))) -0.060268 -0.323920 0.138624 0.234378 -0.124837 -0.214265 0.023674 0.137205 1.000000

D(LOG(CD(-9))) 0.105819 0.122686 0.015478 -0.108905 0.082938 0.192671 0.093270 -0.528427 -0.232438 1.000000

t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-9))) D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-9... D(LOG(CD(-...

D(LOG(RC)) -----

D(LOG(PBI(-9))) -2.841075 -----

D(LOG(TRP(-9))) -0.720345 0.229399 -----

D(LOG(DES(-9))) 1.892645 -5.790261 -0.083931 -----

D(LOG(X(-9))) -3.900639 8.740809 -0.151701 -4.089831 -----

D(LOG(EP(-9))) -1.053828 7.574001 -0.286878 -2.483836 7.590741 -----

D(LOG(SP(-9))) -0.769266 -0.469619 0.110465 -1.205897 -0.294237 -0.384410 -----

D(LOG(LQ(-9))) -1.045189 -2.295229 -2.089456 0.888256 -0.834973 -2.961171 -1.904119 -----

D(LOG(TA(-9))) -0.791849 -4.490259 1.835760 3.161911 -1.650126 -2.876867 0.310567 1.816605 -----

D(LOG(CD(-9))) 1.395633 1.621255 0.203020 -1.436815 1.091486 2.575110 1.228576 -8.163049 -3.134236 -----

Fuente: BCRP, SBS e Investing.

Page 184: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

177

➢ Matriz de correlación con 10 rezagos

Tabla 6.44: Matriz de correlación con diez rezagos de las variables del modelo.

Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-10... D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-... D(LOG(CD(-...

D(LOG(RC)) 1.000000

D(LOG(PBI(-10))) 0.254445 1.000000

D(LOG(TRP(-10))) -0.000982 0.025535 1.000000

D(LOG(DES(-10))) -0.051371 -0.398769 -0.016126 1.000000

D(LOG(X(-10))) 0.199798 0.551581 -0.004140 -0.291971 1.000000

D(LOG(EP(-10))) 0.085878 0.502702 -0.022849 -0.188052 0.503321 1.000000

D(LOG(SP(-10))) -0.114532 -0.044337 0.017657 -0.082401 -0.030452 -0.028518 1.000000

D(LOG(LQ(-10))) -0.103379 -0.171568 -0.159668 0.066158 -0.062363 -0.220449 -0.142697 1.000000

D(LOG(TA(-10))) 0.003767 -0.315511 0.125599 0.221731 -0.113644 -0.218764 0.040324 0.136231 1.000000

D(LOG(CD(-10))) 0.042487 0.119785 0.019375 -0.105370 0.080005 0.193224 0.089809 -0.528240 -0.229051 1.000000

t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-10... D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-... D(LOG(CD(-...

D(LOG(RC)) -----

D(LOG(PBI(-10))) 3.440536 -----

D(LOG(TRP(-10))) -0.012842 0.334028 -----

D(LOG(DES(-10))) -0.672651 -5.686241 -0.210899 -----

D(LOG(X(-10))) 2.666455 8.647254 -0.054133 -3.991963 -----

D(LOG(EP(-10))) 1.127163 7.604388 -0.298865 -2.503763 7.616929 -----

D(LOG(SP(-10))) -1.507617 -0.580355 0.230935 -1.081206 -0.398402 -0.373069 -----

D(LOG(LQ(-10))) -1.359137 -2.277312 -2.115064 0.867029 -0.817097 -2.955451 -1.885294 -----

D(LOG(TA(-10))) 0.049261 -4.347933 1.655533 2.973520 -1.495779 -2.931720 0.527735 1.798212 -----

D(LOG(CD(-10))) 0.556095 1.577747 0.253412 -1.385603 1.049567 2.575262 1.179169 -8.135283 -3.077037 -----

Fuente: BCRP, SBS e Investing.

Page 185: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

178

➢ Matriz de correlación con 11 rezagos

Tabla 6.45: Matriz de correlación con once rezagos de las variables del modelo.

Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-11... D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-... D(LOG(CD(-...

D(LOG(RC)) 1.000000

D(LOG(PBI(-11))) 0.097876 1.000000

D(LOG(TRP(-11))) -0.046932 0.025532 1.000000

D(LOG(DES(-11))) -0.247720 -0.398781 -0.016122 1.000000

D(LOG(X(-11))) 0.144470 0.550837 -0.004193 -0.292297 1.000000

D(LOG(EP(-11))) -0.058124 0.502243 -0.022872 -0.187937 0.502901 1.000000

D(LOG(SP(-11))) -0.057096 -0.053914 0.018015 -0.083027 -0.049401 -0.035715 1.000000

D(LOG(LQ(-11))) -0.022355 -0.170266 -0.159804 0.065914 -0.059186 -0.219536 -0.136182 1.000000

D(LOG(TA(-11))) -0.160150 -0.317801 0.125722 0.222338 -0.117827 -0.220425 0.029978 0.138713 1.000000

D(LOG(CD(-11))) 0.018810 0.119613 0.019372 -0.105326 0.079700 0.193108 0.090612 -0.528467 -0.229673 1.000000

t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-11... D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-... D(LOG(CD(-...

D(LOG(RC)) -----

D(LOG(PBI(-11))) 1.282304 -----

D(LOG(TRP(-11))) -0.612592 0.333008 -----

D(LOG(DES(-11))) -3.333787 -5.669800 -0.210237 -----

D(LOG(X(-11))) 1.903630 8.605231 -0.054670 -3.985124 -----

D(LOG(EP(-11))) -0.759131 7.572863 -0.298291 -2.494851 7.586138 -----

D(LOG(SP(-11))) -0.745662 -0.703981 0.234925 -1.086292 -0.644892 -0.465966 -----

D(LOG(LQ(-11))) -0.291549 -2.252892 -2.110716 0.861292 -0.773050 -2.933973 -1.792290 -----

D(LOG(TA(-11))) -2.115400 -4.370172 1.652322 2.973352 -1.547055 -2.946455 0.391047 1.826256 -----

D(LOG(CD(-11))) 0.245293 1.570838 0.252626 -1.380963 1.042483 2.566123 1.186320 -8.116296 -3.076817 -----

Fuente: BCRP, SBS e Investing.

Page 186: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

179

➢ Matriz de correlación con 12 rezagos

Tabla 6.46: Matriz de correlación con doce rezagos de las variables del modelo.

Correlation D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-12... D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-... D(LOG(CD(-...

D(LOG(RC)) 1.000000

D(LOG(PBI(-12))) -0.235483 1.000000

D(LOG(TRP(-12))) 0.014804 0.006806 1.000000

D(LOG(DES(-12))) 0.204735 -0.387172 -0.007026 1.000000

D(LOG(X(-12))) -0.376994 0.548100 -0.011308 -0.286265 1.000000

D(LOG(EP(-12))) -0.326692 0.498834 -0.029784 -0.181316 0.499764 1.000000

D(LOG(SP(-12))) -0.025272 0.002005 0.041741 -0.114488 -0.029726 -0.016513 1.000000

D(LOG(LQ(-12))) 0.026074 -0.171516 -0.159267 0.064881 -0.058307 -0.219186 -0.144394 1.000000

D(LOG(TA(-12))) 0.113000 -0.317861 0.129389 0.219934 -0.115383 -0.218454 0.021572 0.138340 1.000000

D(LOG(CD(-12))) -0.125660 0.108843 0.014047 -0.099489 0.075036 0.189218 0.110443 -0.528714 -0.228035 1.000000

t-Statistic D(LOG(RC)) D(LOG(PBI(... D(LOG(TRP(... D(LOG(DES(... D(LOG(X(-12... D(LOG(EP(-... D(LOG(SP(-... D(LOG(LQ(-... D(LOG(TA(-... D(LOG(CD(-...

D(LOG(RC)) -----

D(LOG(PBI(-12))) -3.149860 -----

D(LOG(TRP(-12))) 0.192469 0.088484 -----

D(LOG(DES(-12))) 2.719151 -5.459005 -0.091343 -----

D(LOG(X(-12))) -5.291340 8.518888 -0.147020 -3.883987 -----

D(LOG(EP(-12))) -4.493551 7.482252 -0.387362 -2.396831 7.500826 -----

D(LOG(SP(-12))) -0.328645 0.026070 0.543105 -1.498192 -0.386611 -0.214700 -----

D(LOG(LQ(-12))) 0.339076 -2.263252 -2.097246 0.845238 -0.759283 -2.920427 -1.897007 -----

D(LOG(TA(-12))) 1.478469 -4.358230 1.696312 2.930911 -1.510063 -2.910197 0.280496 1.815878 -----

D(LOG(CD(-12))) -1.646626 1.423422 0.182627 -1.299808 0.978221 2.505094 1.444596 -8.097650 -3.044674 -----

Fuente: BCRP, SBS e Investing.

Page 187: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

180

Anexo 6.11: Data del estudio.

Tabla 6.47: Data del estudio.

Morosidad

PBI

MENSUAL

Tasa de

Referencia

de la

Política

Monetaria

Tasa de

Desempleo

Exportaciones

valores FOB

(millones

US$)

Emisión

primaria

S&P

Lima

General

Ratio de

Liquidez

MN

Activas -

TAMN

Creditos

/despositos

(%) (Millones

de soles) (%) (%)

(millones

S/)

(Punto

Indice

(Promedio

de saldos

del mes)

(términos

efectivos

anuales) (%)

Ene03 7.95 19507.23 n.d. 9.92 697.22 7544.83 1517.40 25.31 20.29 0.56

Feb03 7.90 18936.33 n.d. 9.56 689.90 7666.62 1556.31 24.86 19.95 0.58

Mar03 7.71 19805.71 n.d. 10.60 643.80 7947.24 1558.90 26.56 20.32 0.58

Abr03 7.82 21490.75 n.d. 9.42 643.28 7979.44 1768.56 25.79 20.04 0.61

May03 7.72 22171.41 n.d. 9.30 763.76 7980.13 1808.34 26.18 19.79 0.60

Jun03 7.73 21540.32 n.d. 9.10 813.75 8000.06 1824.88 26.49 20.70 0.60

Jul03 7.96 21101.61 n.d. 8.22 794.14 8563.19 1850.17 29.37 21.07 0.58

Ago03 7.66 19770.88 n.d. 10.51 768.36 8195.80 1896.82 31.30 21.57 0.58

Sep03 7.58 19679.19 2.75 8.21 787.62 8222.29 2109.18 32.99 21.99 0.57

Oct03 7.18 20673.19 2.75 9.06 800.63 8298.78 2151.18 35.69 21.91 0.57

Nov03 6.81 20133.34 2.50 9.41 769.40 8456.98 2435.04 34.18 22.28 0.59

Dic03 5.80 20782.64 2.50 9.74 918.87 9311.63 2730.00 32.85 22.28 0.57

Ene04 5.98 20224.12 2.50 11.12 880.17 8978.16 2748.11 39.81 23.68 0.56

Feb04 5.79 19740.36 2.50 10.58 903.99 9278.92 3035.72 40.78 24.11 0.56

Mar04 5.75 20949.34 2.50 10.22 1010.53 9846.02 2827.34 41.13 24.53 0.57

Abr04 5.69 22403.68 2.50 10.69 891.68 9827.17 2926.83 42.32 24.23 0.59

May04 5.50 23047.35 2.50 9.09 988.84 9925.83 2885.90 40.20 24.39 0.57

Jun04 5.10 22188.68 2.50 8.61 993.57 9954.96 2825.45 39.53 25.06 0.57

Jul04 5.06 21874.13 2.50 8.08 1140.18 10387.59 2850.68 39.74 25.02 0.58

Ago04 4.93 20650.74 2.75 9.46 1155.98 10191.52 3545.37 41.11 25.12 0.57

Sep04 4.59 20620.89 2.75 9.14 1148.52 10251.38 3616.72 44.31 25.08 0.57

Oct04 4.47 21214.95 3.00 9.18 1192.14 10849.62 3710.39 44.61 24.95 0.57

Nov04 4.14 22037.39 3.00 8.27 1106.47 11065.26 3881.96 44.45 24.58 0.56

Dic04 3.71 22818.17 3.00 8.77 1397.08 12419.63 4078.26 44.76 25.36 0.57

Ene05 3.78 21307.32 3.00 13.00 1264.05 11906.17 4159.85 49.36 26.28 0.55

Feb05 3.76 21348.69 3.00 10.57 1137.00 12195.49 3986.29 52.66 26.21 0.54

Mar05 3.59 21684.89 3.00 10.40 1347.49 12343.03 3925.34 52.75 26.24 0.52

Abr05 3.44 23197.31 3.00 9.66 1257.79 12619.20 4038.07 47.73 25.95 0.55

May05 3.30 24547.48 3.00 10.25 1354.78 12563.01 4210.83 46.80 25.74 0.54

Jun05 3.00 23565.58 3.00 9.06 1421.94 12749.94 4611.76 49.60 25.99 0.53

Jul05 2.93 23251.43 3.00 8.55 1558.41 13808.24 4764.35 49.84 25.98 0.55

Ago05 2.90 22109.30 3.00 10.02 1491.79 13397.82 5034.30 51.07 25.70 0.56

Sep05 2.68 21869.10 3.00 9.31 1505.15 13536.74 4802.25 53.49 25.59 0.57

Oct05 2.59 22592.36 3.00 7.90 1468.87 13736.52 5633.51 50.91 24.61 0.60

Nov05 2.51 24108.88 3.00 8.61 1546.31 13882.06 6080.68 49.89 24.49 0.62

Page 188: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

181

Dic05 2.14 24388.83 3.25 7.59 2014.10 15488.87 5920.50 38.58 23.63 0.68

Ene06 2.26 22820.50 3.50 10.42 1430.56 14369.81 7142.92 30.72 24.14 0.70

Feb06 2.29 22545.96 3.75 8.90 1448.15 14644.63 7211.67 29.79 24.08 0.71

Mar06 2.10 24304.31 4.00 7.74 1745.91 14891.66 8155.80 28.14 24.28 0.71

Abr06 2.10 24450.65 4.25 9.47 1821.84 14579.17 8973.69 19.68 24.26 0.76

May06 2.08 26044.83 4.50 9.34 1944.42 14588.39 10011.95 21.44 24.38 0.74

Jun06 2.00 25328.45 4.50 8.02 2043.00 15087.17 10694.54 20.03 24.34 0.75

Jul06 2.03 24765.98 4.50 8.21 2363.31 15600.94 11482.41 19.81 24.14 0.77

Ago06 1.93 24391.18 4.50 9.08 2018.64 15313.52 12884.20 31.24 24.05 0.74

Sep06 1.86 23649.11 4.50 8.17 2168.10 15527.06 13633.78 34.34 23.89 0.76

Oct06 1.87 24558.34 4.50 7.16 2070.54 15887.16 15150.74 36.09 23.42 0.78

Nov06 1.81 25252.40 4.50 8.51 2191.35 16138.66 17157.05 42.69 23.14 0.78

Dic06 1.63 26486.13 4.50 7.48 2584.32 18975.45 20674.78 43.08 23.08 0.77

Ene07 1.67 23963.36 4.50 11.55 1747.48 17720.11 20129.50 48.53 23.75 0.73

Feb07 1.66 23624.09 4.50 9.46 1907.76 18071.90 22365.90 48.24 23.57 0.74

Mar07 1.63 25766.37 4.50 8.32 2099.54 19144.79 23418.17 48.10 23.40 0.75

Abr07 1.70 25744.84 4.50 9.26 2119.75 19148.94 20846.26 47.32 22.78 0.81

May07 1.62 27905.14 4.50 8.02 2144.56 18761.90 21696.27 53.14 22.13 0.78

Jun07 1.56 26975.66 4.50 7.60 2455.69 19274.71 18255.97 52.42 22.41 0.79

Jul07 1.56 27316.36 4.75 8.18 2712.30 20309.04 17524.79 50.35 23.27 0.83

Ago07 1.58 26671.44 4.75 7.97 2373.98 20471.75 15009.98 44.32 22.86 0.80

Sep07 1.51 26701.28 5.00 8.36 2553.70 20148.63 17766.94 40.60 22.54 0.83

Oct07 1.48 27481.56 5.00 7.44 2667.96 20990.20 17387.47 54.32 22.76 0.81

Nov07 1.38 27736.21 5.00 7.95 2358.03 21446.62 17429.94 59.00 22.54 0.81

Dic07 1.26 29806.69 5.00 6.95 2953.26 24476.05 17130.79 57.28 22.28 0.84

Ene08 1.40 26245.46 5.25 9.40 2551.84 23287.02 16336.67 59.67 23.26 0.77

Feb08 1.38 26830.20 5.25 10.54 2483.05 24572.38 13765.45 59.18 23.33 0.71

Mar08 1.36 27737.45 5.25 8.00 2768.98 25902.35 13287.42 62.75 23.86 0.67

Abr08 1.31 29381.83 5.50 8.53 2692.25 26152.70 7055.04 63.82 23.81 0.66

May08 1.31 29870.23 5.50 7.86 2879.37 25999.17 7405.50 62.71 23.57 0.70

Jun08 1.21 29894.39 5.75 7.35 2812.70 27046.18 7048.67 58.48 23.73 0.73

Jul08 1.22 29923.40 6.00 9.16 3012.58 27052.99 6905.39 57.36 23.70 0.77

Ago08 1.21 29018.08 6.25 8.61 2875.17 27106.43 6671.72 56.65 23.87 0.79

Sep08 1.19 29498.36 6.50 7.73 2616.26 26925.03 9237.65 50.60 24.33 0.81

Oct08 1.19 29742.38 6.50 7.32 2294.76 26978.46 9979.19 36.03 24.07 0.85

Nov08 1.26 29479.69 6.50 7.89 2067.23 27041.56 13392.27 29.82 23.54 0.91

Dic08 1.27 31301.55 6.50 8.11 1964.29 28930.09 13059.70 26.25 23.02 0.94

Ene09 1.34 27443.81 6.50 10.32 1630.57 27183.66 14092.02 26.16 22.93 0.94

Feb09 1.43 26912.79 6.25 9.40 1815.17 27912.54 13955.38 21.97 22.89 0.96

Mar09 1.41 28538.34 6.00 8.19 1962.66 27430.69 14213.54 23.41 22.64 0.97

Abr09 1.52 28987.65 5.00 8.72 1789.23 26839.22 14129.00 23.12 21.96 0.97

May09 1.58 30430.68 4.00 8.46 2154.84 27264.39 14167.20 24.86 20.72 0.96

Jun09 1.62 29008.84 3.00 8.28 2192.34 28204.71 14440.05 25.85 20.69 0.97

Page 189: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

182

Jul09 1.64 29496.41 2.00 7.86 2344.95 28689.70 14002.32 26.69 20.58 0.96

Ago09 1.69 29250.72 1.25 8.77 2332.33 28900.50 15129.00 31.31 20.22 0.98

Sep09 1.58 29535.86 1.25 6.84 2519.38 28835.13 15842.26 35.78 20.18 0.99

Oct09 1.63 30092.70 1.25 7.27 2579.05 29698.96 14487.31 41.46 19.92 0.96

Nov09 1.62 30270.72 1.25 7.55 2718.74 30861.31 13985.01 42.09 19.83 0.97

Dic09 1.56 32615.50 1.25 8.94 3031.27 33146.58 14275.38 38.77 19.94 0.98

Ene10 1.66 28280.32 1.25 9.29 2438.84 33229.04 15153.33 44.72 19.98 0.96

Feb10 1.67 28278.53 1.25 10.54 2649.19 33491.52 19220.93 47.09 19.76 0.93

Mar10 1.73 30859.36 1.25 7.70 2817.38 34660.18 20854.50 48.28 19.49 0.91

Abr10 1.72 31299.15 1.25 8.80 2671.19 34431.53 23374.57 45.58 19.39 0.93

May10 1.76 32776.23 1.50 6.70 2391.15 35326.17 22887.41 42.66 19.18 0.97

Jun10 1.66 32811.88 1.75 7.22 3153.32 36556.67 22842.96 41.97 19.12 0.97

Jul10 1.81 32474.00 2.00 7.26 3035.36 36659.61 21957.49 44.87 18.21 0.95

Ago10 1.75 31864.83 2.50 7.73 3035.65 37462.71 19636.22 48.95 18.08 0.89

Sep10 1.64 32580.00 3.00 7.92 3311.48 37105.90 21566.07 51.29 18.34 0.90

Oct10 1.63 32991.01 3.00 7.90 3170.41 38052.83 18878.78 55.28 18.71 0.84

Nov10 1.59 32971.29 3.00 6.94 3356.10 39562.59 21963.10 56.55 18.72 0.85

Dic10 1.49 35193.40 3.00 6.56 3773.00 42650.59 20697.11 54.61 18.73 0.86

Ene11 1.55 31065.46 3.25 9.43 2964.12 40449.60 19629.63 56.04 18.68 0.87

Feb11 1.53 30623.73 3.50 11.14 3377.98 40715.46 19911.82 56.37 18.58 0.87

Mar11 1.51 33307.09 3.75 7.45 3751.35 41985.22 19473.31 53.54 18.65 0.89

Abr11 1.51 33716.17 4.00 7.78 3417.51 42249.10 21948.07 44.13 18.51 0.93

May11 1.51 34641.40 4.25 6.78 4105.47 41496.15 22728.75 37.61 18.49 0.93

Jun11 1.51 33818.47 4.25 7.31 4204.13 41727.03 23612.02 36.13 18.58 0.95

Jul11 1.54 34471.68 4.25 6.81 4194.85 43670.60 22677.93 37.88 18.54 0.94

Ago11 1.57 33950.42 4.25 6.93 4554.92 45088.85 20997.56 40.89 18.66 0.94

Sep11 1.54 34183.43 4.25 8.16 3977.82 44245.35 20207.16 40.91 18.72 0.92

Oct11 1.57 34478.39 4.25 6.88 3936.00 45266.24 19652.66 37.20 19.01 0.95

Nov11 1.52 34538.78 4.25 6.09 3352.28 44833.49 20311.66 36.64 18.85 0.95

Dic11 1.47 38256.96 4.25 7.92 4539.53 48766.34 20789.41 39.23 18.86 0.95

Ene12 1.54 32721.27 4.25 9.20 4029.25 47660.22 20044.62 42.08 19.03 0.92

Feb12 1.60 32746.56 4.25 7.83 3823.89 47244.89 20629.35 47.84 18.76 0.89

Mar12 1.62 35201.01 4.25 8.94 4166.01 48303.58 21435.29 50.67 19.01 0.87

Abr12 1.71 34675.56 4.25 7.40 3226.98 48877.63 20611.68 49.82 19.21 0.87

May12 1.72 36979.87 4.25 5.30 3718.07 49049.27 19858.95 48.56 19.34 0.86

Jun12 1.73 36305.45 4.25 6.22 3871.23 49688.61 17352.92 43.77 19.62 0.90

Jul12 1.72 36911.38 4.25 7.10 4084.63 51211.41 16049.65 42.89 19.47 0.90

Ago12 1.75 36281.43 4.25 6.68 3989.39 52317.05 15549.55 45.46 19.41 0.90

Sep12 1.72 36431.95 4.25 6.05 4185.80 51704.11 15118.46 46.40 19.30 0.89

Oct12 1.79 36960.22 4.25 5.98 4083.66 52997.57 16652.22 47.13 19.33 0.87

Nov12 1.79 36565.54 4.25 5.70 4031.40 53405.38 16322.01 47.32 19.28 0.87

Dic12 1.75 39492.74 4.25 5.20 4200.28 57246.57 15200.40 46.29 19.09 0.89

Ene13 1.88 34706.33 4.25 7.52 3493.22 55965.27 15753.65 49.53 19.41 0.83

Page 190: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

183

Feb13 1.91 34328.99 4.25 6.51 3261.41 58133.64 15452.05 52.76 19.27 0.81

Mar13 2.00 36392.32 4.25 5.21 3753.82 56992.10 15441.26 51.49 19.08 0.82

Abr13 2.06 37692.22 4.25 5.11 3229.15 57213.38 14298.92 50.73 19.09 0.84

May13 2.10 38545.65 4.25 6.71 3547.04 56633.90 15528.38 49.05 18.95 0.86

Jun13 2.06 38452.47 4.25 5.48 3344.67 57058.78 15753.25 47.04 18.81 0.88

Jul13 2.11 38880.77 4.25 5.92 3444.82 58546.30 16662.28 42.80 18.47 0.90

Ago13 2.11 38307.86 4.25 5.25 4186.12 58304.36 16866.07 38.69 18.12 0.94

Sep13 2.12 38242.51 4.25 6.62 3632.99 57289.21 17010.82 36.04 17.58 0.96

Oct13 2.17 39296.63 4.25 5.32 3674.13 57220.33 15673.23 37.00 16.65 0.98

Nov13 2.18 39295.83 4.00 5.19 3429.26 57879.35 15106.46 35.38 16.37 1.00

Dic13 2.14 42307.14 4.00 6.51 3864.01 62228.83 14794.32 30.83 15.88 1.02

Ene14 2.28 36176.69 4.00 7.40 3168.74 59918.02 13669.78 30.79 15.99 1.06

Feb14 2.30 36130.08 4.00 7.02 3330.26 60119.99 13397.42 29.49 15.81 1.07

Mar14 2.34 38336.54 4.00 6.41 3280.74 60927.17 12461.81 28.73 15.61 1.09

Abr14 2.37 38791.96 4.00 5.47 3127.17 59902.83 13366.86 27.60 15.53 1.10

May14 2.45 39541.06 4.00 5.58 3126.15 59270.17 13180.61 28.73 15.61 1.09

Jun14 2.36 38606.25 4.00 5.94 3238.09 59699.74 13113.17 29.70 16.04 1.08

Jul14 2.44 39478.77 3.75 5.65 3365.76 60920.83 11987.88 28.25 15.93 1.09

Ago14 2.46 38833.19 3.75 6.06 3623.61 61600.81 10340.49 27.94 15.88 1.11

Sep14 2.41 39280.15 3.50 5.10 3374.64 62049.08 10545.61 26.75 15.69 1.14

Oct14 2.47 40188.18 3.50 5.90 3362.86 61736.26 10226.18 26.56 15.55 1.15

Nov14 2.46 39349.49 3.50 5.25 3154.91 63174.03 9848.59 24.00 15.61 1.16

Dic14 2.47 42664.11 3.50 5.52 3379.77 68382.06 9391.84 24.38 15.67 1.17

Ene15 2.58 36743.67 3.25 8.27 2822.27 65926.09 10742.19 28.60 16.17 1.20

Feb15 2.58 36569.38 3.25 6.85 2626.75 66294.29 12057.93 28.62 16.00 1.22

Mar15 2.54 39475.25 3.25 5.95 2698.81 64786.88 13702.47 25.68 16.08 1.30

Abr15 2.60 40411.02 3.25 7.64 2421.50 64051.26 13535.97 24.31 15.92 1.34

May15 2.67 40073.70 3.25 7.39 2662.08 63795.32 13856.90 24.38 16.00 1.40

Jun15 2.69 40175.37 3.25 5.45 3199.34 63748.78 15210.97 25.57 16.18 1.42

Jul15 2.73 40886.34 3.25 6.46 2859.02 65306.15 15130.24 23.01 16.15 1.43

Ago15 2.70 39878.44 3.25 6.46 3051.09 64632.76 15171.04 23.29 16.25 1.51

Sep15 2.58 40549.78 3.50 6.33 2729.02 64249.87 15414.97 26.01 16.09 1.57

Oct15 2.65 41538.60 3.50 4.67 3113.62 66609.96 15566.96 28.57 16.24 1.55

Nov15 2.62 40921.83 3.50 6.24 2945.71 65910.06 15983.95 28.69 16.08 1.55

Dic15 2.54 45453.00 3.75 6.16 3285.16 71324.19 15766.12 26.52 16.09 1.53

Ene16 2.64 38049.22 4.00 7.37 2474.89 69125.06 15757.01 26.88 16.24 1.56

Feb16 2.71 38923.82 4.25 7.18 2456.81 68688.74 15559.30 26.86 16.13 1.55

Mar16 2.70 40885.07 4.25 7.11 2822.11 66579.70 16000.08 25.73 16.05 1.56

Abr16 2.77 41540.02 4.25 6.64 2804.39 67225.17 16132.87 26.01 15.99 1.57

May16 2.86 42036.87 4.25 7.58 2858.18 66280.25 16750.17 26.53 16.02 1.53

Jun16 2.87 41622.22 4.25 6.73 2703.83 66503.99 17616.44 26.01 16.20 1.54

Jul16 2.85 42356.89 4.25 7.04 3351.89 69531.20 19874.12 28.92 16.38 1.47

Ago16 2.91 42184.77 4.25 6.71 3260.04 70019.18 19694.09 30.81 16.50 1.43

Page 191: UNIVERSIDAD NACIONAL DE PIURA Facultad de Economía …

184

Sep16 2.86 42378.42 4.25 5.74 3263.13 69258.84 19974.38 30.39 16.84 1.44

Oct16 2.95 42441.01 4.25 6.12 3561.83 69873.88 21068.89 29.68 17.06 1.46

Nov16 2.96 42352.22 4.25 5.66 3408.83 69853.55 20831.78 29.01 17.03 1.45

Dic16 2.80 47000.48 4.25 7.01 4115.82 73804.69 20558.84 27.40 17.16 1.46

Ene17 2.96 39975.23 4.25 8.92 3296.83 70918.41 21428.86 29.91 17.74 1.42

Feb17 2.98 39238.30 4.25 7.25 3576.41 72075.16 20814.29 32.00 17.07 1.40

Mar17 3.01 41342.11 4.25 6.99 3300.16 70590.97 19800.26 31.59 16.96 1.39

Abr17 3.06 41660.21 4.25 6.20 3139.65 70909.46 20485.72 31.42 16.84 1.38

May17 3.15 43549.42 4.00 6.60 3547.04 71664.95 19443.11 32.30 16.78 1.36

Jun17 3.09 43257.93 4.00 7.96 3869.54 73005.18 18909.40 30.48 17.08 1.34

Jul17 3.12 43296.45 3.75 6.59 3447.18 74634.99 19180.97 28.10 17.10 1.34

Ago17 3.11 43398.68 3.75 5.48 4067.44 73468.11 19350.40 32.07 16.93 1.30

Sep17 3.08 43804.81 3.50 7.21 4393.67 76896.20 1980.83 37.38 16.65 1.27

Oct17 3.14 44012.54 3.50 5.93 3986.56 77683.52 3278.80 36.98 16.40 1.25

Nov17 3.12 43226.57 3.25 6.53 4212.71 78581.64 5070.83 36.65 16.10 1.27

Dic17 3.04 47652.81 3.25 6.86 4584.40 81713.06 10390.34 34.32 15.80 1.26

Ene18 3.12 41139.83 3.00 8.54 4088.62 81632.73 21823.44 34.89 15.89 1.23

Feb18 2.45 40312.55 3.00 8.66 3670.98 82079.04 11248.42 36.87 15.69 1.23

Mar18 3.07 42936.54 2.75 6.99 4191.50 82806.08 15144.20 36.12 15.11 1.26

Abr18 3.11 44986.80 2.75 6.31 3807.18 80278.52 17867.36 32.05 14.35 1.27

May18 3.14 46458.75 2.75 6.55 4245.00 83040.35 18329.10 28.94 14.07 1.26

Jun18 3.10 44137.94 2.75 5.79 4540.59 81794.40 21674.79 28.45 14.09 1.27

Jul18 3.18 44433.92 2.75 6.15 4097.84 83131.53 15919.71 26.72 14.06 1.27

Ago18 3.23 44398.80 2.75 6.32 4058.53 85509.21 16226.61 26.97 14.22 1.25

Sep18 3.07 44860.69 2.75 6.12 3885.87 85281.55 10030.57 26.65 14.30 1.28

Oct18 3.10 45822.99 2.75 6.87 3989.09 86488.08 15296.98 26.62 14.16 1.27

Nov18 3.07 45473.21 2.75 5.69 4168.99 88140.48 18538.27 27.40 14.22 1.26

Dic18 2.95 49905.40 2.75 5.73 4322.28 92197.85 19564.07 27.02 14.30 1.25

Fuente: BCRP, SBS e Investing.