Un modelo de credit scoring para insituciones de microfinanzas en el marco de Basilea II

De
Publicado por


El crecimiento de los microcréditos a nivel mundial, junto con la normativa internacional sobre requerimientos de capital (Basilea II), están impulsando a las instituciones de microfinanzas (IMFs) a una mayor competencia con las entidades bancarias por este segmento de negocio. La banca tradicionalmente ha contado con adecuados modelos de credit scoring para analizar el riesgo de incumplimiento, pero esto no ha sido así en las IMFs supervisadas. El objetivo de esta investigación es diseñar un modelo de credit scoring para una institución sometida a supervisión y especializada en microcréditos, como es la Entidad de Desarrollo de la Pequeña y Micro Empresa (Edpyme) del sistema financiero del Perú. El resultado de la investigación muestra la metodología y fases necesarias para diseñar el modelo, así como el proceso de valoración y validación para que pueda ser aplicado en el área de negocio, especialmente para establecer la política de tasas de interés con clientes. Por último, también se muestra cómo puede utilizarse el modelo para desarrollar una gestión del riesgo de crédito en el marco de los métodos IRB de Basilea II.------------------------------------------------------------
The growth of microcredit worldwide along with international rules on capital requirements (Basel II) are increasing the competition between microfinance institutions (MFIs) and banks for this business segment. The bank system traditionally has relied on adequate credit scoring models to analyze the risk of payment failures, but this has not been the case in supervised MFIs. The objective of this research is to design a credit scoring model for any institution subjected to supervision and specialized in microcredit as the Development Agency for Small and Micro Enterprise (Entidad de Desarrollo de la Pequeña y Micro Empresa - Edpyme) of the financial system in Peru. The results of this research includes a methodology and the steps needed to design the model, and the assessment and validation process that can be applied in the business area, in particular, to establish an interest rate policy with customers. Eventually, the paper also explains how the model can be used to develop credit risk management under the Basel II IRB approaches.
ESAN
Journal of economics, finance and administrative science, v. 15, n. 28, jun. 2010, pp. 89-124
Journal of economics, finance and administrative science
Publicado el : miércoles, 24 de octubre de 2012
Lectura(s) : 560
Fuente : e-archivo.uc3m.es
Licencia: Más información
Atribución, no uso comercial, sin cambios
Ver más Ver menos
Cette publication est accessible gratuitement

un Modelo de Credit scoring para instituciones de
microfnanzas en el marco de Basilea ii
a Credit Scoring Model for Institutions of Microfnance
under the Basel ii normative
1salvador rayo Cantón
2Juan lara rubio
3david Camino Blasco
resumen
El crecimiento de los microcréditos a nivel mundial, junto con la normativa internacional sobre requerimientos de capital
(Basilea II), están impulsando a las instituciones de microfnanzas (IMFs) a una mayor competencia con las entidades ban -
carias por este segmento de negocio. La banca tradicionalmente ha contado con adecuados modelos de credit scoring para
analizar el riesgo de incumplimiento, pero esto no ha sido así en las IMFs supervisadas. El objetivo de esta investigación es
diseñar un modelo de credit scoring para una institución sometida a supervisión y especializada en microcréditos, como es la
Entidad de Desarrollo de la Pequeña y Micro Empresa (Edpyme) del sistema fnanciero del Perú. El resultado de la investi -
gación muestra la metodología y fases necesarias para diseñar el modelo, así como el proceso de valoración y validación para
que pueda ser aplicado en el área de negocio, especialmente para establecer la política de tasas de interés con clientes. Por
último, también se muestra cómo puede utilizarse el modelo para desarrollar una gestión del riesgo de crédito en el marco de
los métodos IRB de Basilea II.
Palabras clave: Microcréditos, instituciones de microfnanzas, Basilea II, credit scoring, Logit, IRB
a bstract
The growth of microcredit worldwide along with international rules on capital requirements (Basel II) are increasing the
competition between microfnance institutions (MFIs) and banks for this business segment. The bank system traditionally has
relied on adequate credit scoring models to analyze the risk of payment failures, but this has not been the case in supervised
MFIs. The objective of this research is to design a credit scoring model for any institution subjected to supervision and spe-
cialized in microcredit as the Development Agency for Small and Micro Enterprise (Entidad de Desarrollo de la Pequeña y
Micro Empresa - Edpyme) of the fnancial system in Peru. The results of this research includes a methodology and the steps
needed to design the model, and the assessment and validation process that can be applied in the business area, in particular,
to establish an interest rate policy with customers. Eventually, the paper also explains how the model can be used to develop
credit risk management under the Basel II IRB approaches.
Keywords: Microcredit, institutions of microfnance, Basel II, credit scoring, Logit, IRB
1. Profesor del Departamento de Economía Financiera y Contabilidad, Universidad de Granada, España; <srayo@ugr.es>
2. Universidad de Granada, España; <juanlara@ugr.es>
3. Profesor del Departamento de Economía de la Empresa, Universidad Carlos III de Madrid, España; <dcamino@emp.uc3m.es>90 Journal of Economics, Finance and Administrative Science June 2010
no pago de deudas mediante el uso de los sistemas introduCCión
tradicionales de credit scoring desarrollados para la
El acuerdo internacional sobre regulación y supervisión banca. En este sentido, la incertidumbre provocada por
el entorno macroeconómico sugiere la importancia de bancaria denominado “Nuevo Acuerdo de Capital”,
aprobado en 2004 por el Comité de Basilea y conoci- un sistema efectivo de control de riesgos. En conse-
cuencia, planteamos un método que pueda resolver el do como Basilea II, exige a las entidades fnancieras
de los países que se adscriba al mismo una revisión problema de una correcta clasifcación de clientes, ya
de sus dotaciones de capital para cubrir los riesgos. sean cumplidos o morosos. Para ello, diseñamos una
metodología que analizará el riesgo de impago en la Por consiguiente, las entidades fnancieras y de mi -
crofnanzas (IMFs) supervisadas requieren adoptar concesión de microcréditos.
procesos internos que sean capaces de medir el riesgo
de crédito. Las entidades fnancieras que sirven a la En el Perú, el Reglamento para el Requerimiento
industria microfnanciera deberán actuar bajo los pa - de Patrimonio Efectivo por Riesgo de Crédito de la
Superintendencia de Banca y Seguros (SBS) del 2009 rámetros de Basilea II. En efecto, estos parámetros les
obligan a disponer de herramientas que les permitan constituye un notable avance para la implementación de
Basilea II entre las entidades sometidas a supervisión, establecer modelos de medición (scorings y ratings)
con objeto de discriminar a los clientes según su perfl entre ellas las Entidades de Desarrollo de la Pequeña y
de riesgo, sistemas de seguimiento del riesgo vivo y Micro Empresa (Edpyme). Si bien la norma establece
un modelo estándar para la gestión del riesgo de cré-modelos de evaluación de la exposición y la severidad
en el riesgo de crédito. Basilea II también obliga a las dito, también ofrece la posibilidad de que las IMFs
puedan implementar modelos internos. Es decir, la entidades fnancieras no solo a adaptar sus sistemas de
cálculo del consumo de capital, sino también a modi- nueva normativa derivada de este reglamento aporta
fcar los sistemas de reporting (informes fnancieros) como principal novedad la posibilidad de desarrollar
Métodos Basados en Califcaciones Internas (IRB) que y de análisis de la información. Ambos elementos,
es decir los informes fnancieros y el análisis de los deberán estar homologados por la Superintendencia
de Banca y Seguros. Por tanto, es necesario utilizar mismos, son la clave de Basilea II que hace necesario
gestionar grandes bases de datos, capaces de ofrecer métodos estadísticos más precisos para la estimación
la información exacta para cuantifcar los riesgos de de la probabilidad de insolvencia y de la severidad.
Ambas estimaciones son fundamentales para calcular cada operación, lo que supone un verdadero reto
para los bancos y, especialmente, para las entidades el requerimiento de capital, la pérdida esperada y la
pérdida inesperada, aspectos claves para establecer la de microfnanzas.
política de tasas de interés. En este nuevo contexto se
La explicación y predicción del riesgo de impago requiere contar no solo con nuevos sistemas y meto-
dologías estadísticas y econométricas, sino también, en microfnanzas deben ser abordadas de una manera
distinta a la habitual en la banca comercial debido a con profesionales con la formación adecuada para
desarrollar e implantar en la institución fnanciera los las limitaciones de las bases de datos y al proceso de
elaboración de un sistema de medición del riesgo de modelos adecuados de estimación de la insolvencia
microcrédito. Preguntas tales como: ¿conviene este y la severidad. En defnitiva, Basilea II constituye un
nuevo reto para las entidades de microfnanzas y para cliente?, ¿cuál es el límite de crédito que debo aceptarle
en su solicitud?, ¿qué tasa de interés debo cobrarle?, los profesionales que laboran en ellas.
¿cómo puedo reducir el riesgo de impago?, etc., son
cuestiones que deben acompañarse de una respuesta Desde nuestra perspectiva, el elemento clave para
acertada, dado un determinado entorno macroeconó- analizar el proceso de califcación de riesgos mediante
modelos internos (IRB), según la normativa de Ba-mico. Historiales de crédito poco desarrollados y faltos
de información impiden predecir la probabilidad del silea II, es que las IMFs dispongan de un modelo de 91Vol. 15 Nº 28 Rayo et al.: Un modelo de credit scoring para instituciones de microfnanzas en el marco de Basilea II
credit scoring que les permita medir la probabilidad El credit scoring estima el momento en el que se está
de impago del crédito que se otorga. Para tal efecto, llevando a cabo la solicitud, cuál será el comportamiento
el método estándar posibilitaría la formulación de los del crédito hasta su vencimiento, atendiendo al riesgo
métodos IRB. Este proceso se analiza en el presente del cliente. Se evalúa a través de un modelo predictivo
trabajo estructurado en seis partes. Luego de la Intro- de comportamiento de pago o reembolso mediante una
ducción, la segunda parte plantea un marco teórico puntuación que mide el riesgo de un prestatario y/o de la
donde se exponen los principales modelos de credit operación. En general, estos métodos de califcación de
scoring que se utilizan en las entidades bancarias créditos se aplican para obtener un conocimiento sobre
para el análisis del riesgo de impago. En ese mismo distintos aspectos tales como los siguientes:
apartado recopilamos las aplicaciones más relevantes
a) el comportamiento fnanciero en cuanto a los en cuanto a riesgo de impago de las IMFs. La tercera
productos solicitados y a la morosidad;parte del trabajo describe la metodología empleada
b) la relación entre el riesgo y rentabilidad. El credit
en la consecución de un modelo de credit scoring
scoring aporta información sobre el precio o pri-para instituciones de microfnanzas. Hemos utilizado
ma por riesgo, volatilidad, diversifcación, etc.;como base de investigación la cartera de créditos para
c) el coste de la operación. La agilización general microempresas de la Edpyme Proempresa, entidad del
de procesos que se consigue con el credit sco-sistema fnanciero del Perú. En el cuarto epígrafe pre -
ring permite la reducción del coste en el proceso
sentamos el desarrollo metodológico y los resultados
de concesión de un crédito. de la aplicación del credit scoring para la Edpyme
Proempresa. En el quinto apartado aplicamos el mo-
Modelos de Credit Scoring en la bancadelo de credit scoring obtenido en las decisiones de
negocio y en la política de pricing mediante un modelo
A continuación presentamos un resumen de los princi-
IRB avanzado en el marco de Basilea II. En sexto y
pales trabajos en materia de credit scoring en la banca, último lugar proponemos una serie de conclusiones
agrupados según la metodología estadística aplicada.derivadas de la investigación.
a) Análisis Discriminante
MarCo tEóriCo El análisis discriminante consiste en una técnica
multivariante que permite estudiar simultáneamente
Concepto de Credit Scoring el comportamiento de un grupo de variables indepen-
dientes con la intención de clasifcar una serie de casos
Los credit scoring, según Hand and Henley (1997), son en grupos previamente defnidos y excluyentes entre sí
procedimientos estadísticos que se usan para clasifcar (Fisher, 1936). La principal ventaja de esta técnica está
a aquellos que solicitan crédito, inclusive a los que ya en la diferenciación de las características que defnen
son clientes de la entidad crediticia, en los tipos de cada grupo, así como las interacciones que existen entre
riesgo ‘bueno’ y ‘malo’. En sus inicios, durante los años ellas. Se trata de un modelo apropiado para clasifcar
setenta, las aplicaciones del credit scoring se construían buenos y malos pagadores a la hora de reembolsar un
con técnicas estadísticas (en particular, con el análisis crédito. Entre los inconvenientes que presenta el análisis
discriminante). Posteriormente, los métodos empleados discriminante está la rigidez para cumplir las hipótesis
evolucionaron a técnicas matemáticas, econométricas de partida (linealidad, normalidad, homocedasticidad
y de inteligencia artifcial. En cualquier caso, la cons - e independencia) y, sobre todo, la incapacidad para el
trucción de toda aplicación del credit scoring se realiza cálculo de las probabilidades de impago.
tomando la información del cliente contenida en las
solicitudes del crédito, de fuentes internas e, incluso, Altman (1968) desarrolló la metodología más utiliza-
de fuentes externas de información. da para pronosticar la insolvencia empresarial aplicando 92 Journal of Economics, Finance and Administrative Science June 2010
variables explicativas en forma de ratios. La Z-score de el modelo Logit en el que determinó que dicho modelo
Altman se interpretaba a través de las variables ingresos ofrecía un porcentaje de clasifcación mejor que el
netos/ventas, ganancias retenidas/activos, EBIT/activos, análisis discriminante.
valor de mercado del patrimonio neto/valor libros de
la deuda y ventas/activos. Esta metodología se adaptó d) Modelos de Programación Lineal
posteriormente a la predicción de la morosidad de
clientes de entidades bancarias. Método encuadrado dentro de los modelos no para-
métricos de credit scoring. En general, este tipo de
b) Modelos de Probabilidad Lineal modelos presentan mayor validez cuando se desconoce
la forma que pueda mantener la relación funcional en-
Los modelos de probabilidad lineal utilizan un enfoque tre las variables. Los modelos de programación lineal
de regresión por cuadrados mínimos, donde la variable permiten programar plantillas o sistemas de asignación
dependiente (variable dummy) toma el valor de uno (1) de rating sin perder de vista el criterio de optimización
si un cliente es fallido, o el valor de cero (0) si el clien- de clientes correctamente clasifcados. Hand (1981),
te cumple con su obligación de pago. La ecuación de Showers y Chakrin (1981) y Kolesar y Showers (1985)
regresión es una función lineal de las variables expli- sentaron las bases de aplicabilidad de esta técnica en la
cativas. Orgler (1970) fue el precursor de esta técnica actividad bancaria; a partir de ellos, otros autores han
usando el análisis de regresión en un modelo para desarrollado esta metodología para predecir la omisión
préstamos comerciales. Este mismo autor recurrió a de pago de créditos.
dicha técnica para construir un modelo de credit scoring
para préstamos al consumo (Orgler, 1971), destacando e) Redes Neuronales
el alto poder predictivo de las variables sobre el com-
portamiento del cliente, clasifcadas fundamentalmen - Es una metodología catalogada dentro de las técnicas
te en cuatro grandes grupos: liquidez, rentabilidad, no paramétricas de credit scoring. Las redes neuro-
apalancamiento y actividad. nales artifciales tratan de imitar al sistema nervioso,
de modo que construyen sistemas con cierto grado
c) Modelos Logit de inteligencia. La red está formada por una serie de
procesadores simples, denominados nodos, que se
Los modelos de regresión logística permiten calcular encuentran interconectados entre sí. Como nodos de
la probabilidad que tiene un cliente para pertenecer a entrada consideramos las características o variables
uno de los grupos establecidos a priori (no pagador o de la operación de crédito. El nodo de salida sería la
pagador). La clasifcación se realiza de acuerdo con el variable respuesta defnida como la probabilidad de no
comportamiento de una serie de variables independientes pago. La fnalidad de cada nodo consiste en dar res -
de cada observación o individuo. La principal ventaja puesta a una determinada señal de entrada. El proceso
del modelo de regresión logística radica en que no es de credit scoring mediante el uso de esta técnica resulta
necesario plantear hipótesis de partida, como por ejem- complicado, pues el proceso interno de aprendizaje
plo la normalidad de la distribución de las variables, funciona como una “caja negra” (capa oculta), donde
mejorando el tratamiento de las variables cualitativas o la comprensión de lo que ocurre dentro requiere de
categóricas. Además, este modelo presenta la ventaja de conocimientos especializados.
medir la probabilidad de incumplimiento al mantener
la variable explicada siempre dentro de un rango de Davis, Edelman y Gammerman (1992) publicaron un
variación entre cero y uno. Wiginton (1980) fue uno de trabajo comparando esta técnica con otras técnicas alter-
los primeros autores en publicar un modelo de credit nativas de clasifcación de clientes. Con posterioridad,
scoring aplicando esta metodología. Este autor realizó Ripley (1994) y Rosenberg y Gleit (1994) describieron
un estudio comparado entre el análisis discriminante y algunas de las aplicaciones de las redes neuronales 93Vol. 15 Nº 28 Rayo et al.: Un modelo de credit scoring para instituciones de microfnanzas en el marco de Basilea II
empleadas en las decisiones gerenciales sobre el crédito Modelos de Credit Scoring en las Instituciones de
y sobre la detección del fraude. Desde entonces, gra- Microfnanzas
cias al avance en nuevas tecnologías, se han diseñado
El riesgo de crédito en las entidades de microfnanzas sistemas avanzados para el objetivo de la clasifcación
se manifesta de la misma forma que en el ámbito ban -de ‘buenos’ y ‘malos’ clientes potenciales.
cario. Desde sus orígenes, la actividad microfnanciera
ha requerido sistemas de gestión adecuados para mini-f) Árboles de Decisión
mizar los costes. Las limitaciones e inconvenientes en
la elaboración de sistemas de califcación estadística La principal ventaja de esta metodología es que no
del cliente potencial plantean difcultades a la hora de está sujeta a supuestos estadísticos referentes a distri-
construirlos, hecho que se refeja en la escasa literatura buciones o formas funcionales. Aunque conllevan una
existente hasta la fecha sobre modelos de credit sco-comprensión interna difícil sobre su funcionamiento,
ring para las IMFs. Hay autores que discuten sobre la presentan relaciones visuales entre las variables, los
conveniencia o no y sobre la posibilidad de éxito de grupos de la variable respuesta y el riesgo; por ello,
los modelos de crédito scoring para las microfnanzas. este método es muy usado en el credit scoring. Los
Ese es el caso de Dennis (1995), Kulkosky (1996) y algoritmos más comunes para construir los árboles de
Schreiner (2002), quienes aportan las limitaciones, decisión son el ID3, C4.5 y C5. En cada uno de ellos
ventajas e inconvenientes de los modelos de evaluación se persigue la separación óptima en la muestra, de tal
del riesgo de crédito en las microfnanzas.modo que los grupos de la variable respuesta ofrecen
distintos perfles de riesgo.
Los modelos de credit scoring en microfnanzas
publicados hasta la actualidad generalmente están
La aportación de Breiman, Friedman, Olshen y
diseñados en las regiones de América Latina y del Sur
Stone (1984) fue determinante para el desarrollo de
de África, como lo evidencian Vogelgesang (2003) y
otros trabajos utilizando esta técnica. Entre ellos,
Kleimeier y Dinh (2007) en sus investigaciones. Por su
Makowski (1985), Coffman (1986) y Carter y Catlett
parte, Schreiner (2002) afrma que los modelos plantea -
(1987) aplicaron modelos de árboles de decisión para la
dos por Sharma y Zeller (1997), Reinke (1998) y Zeller
clasifcación de clientes en términos de credit scoring.
(1998) no son estadísticamente válidos, al tiempo que
Boyle, Crook, Hamilton y Thomas (1992) realizaron un
indica que los modelos de Sharma y Zeller (1997) y de
estudio comparado de esta metodología con el análisis
Zeller (1998) no son viables por estar construidos sobre
discriminante, confrontando así una técnica paramétrica
grupos mancomunados, argumentando que el credit
ante otra no paramétrica.
scoring no tiene validez para préstamos en grupo.
Como conclusión general a los modelos de credit El primer modelo de credit scoring para microfnan -
scoring para la banca, podemos afrmar que las variables zas que conocemos fue desarrollado por Viganò (1993)
independientes que explican la variable respuesta (no para una institución de microfnanzas de Burkina Faso.
pago del crédito) suelen tener un corte más cuantitativo Sobre una muestra de 100 microcréditos, y contando
que cualitativo. Véase el estudio de Allen, Dellong y con 53 variables iniciales, Viganò utilizó el análisis
Saunders (2004) en el que se exponen los modelos más discriminante para la elaboración del modelo. Como
representativos de credit scoring surgidos a partir de consecuencia del reducido tamaño muestral, el autor tuvo
los autores precursores de cada técnica. Como se puede que reagrupar las 53 variables en 13 factores, aunque
comprobar en dicha publicación, las variables explicativas ello complica la identifcación de las características
resultantes más signifcativas de cada uno de estos mode - explicativas del no pago del microcrédito.
los tienen un carácter cuantitativo sobre la información
económica y fnanciera en la que, sobre todo, resultan Sharma y Zeller (1997) elaboraron un estudio similar
ratios formados a partir de dicha información. para una IMF de Bangladesh, donde contaron con 868 94 Journal of Economics, Finance and Administrative Science June 2010
créditos para el análisis. Tras aplicar una metodología combinación adecuada de los conceptos de sensibilidad
1Tobit, basada en estimación por máximo-verosimilitud, y especifcidad sobre el porcentaje de aciertos.
los autores obtuvieron 5 variables signifcativas de las
18 que inicialmente contaban con información. Por su
parte, Reinke (1998) utilizó un modelo Probit para la ModElo dE CrEDIT sCOrING Para
elaboración y construcción de un credit scoring para instituCionEs dE MiCrofinanZas
una entidad de microcrédito de Sudáfrica, en el que
aceptó las 8 variables explicativas disponibles para una Justifcación y objetivos del estudio
muestra de 1,641 microcréditos. Zeller (1998) diseñó
un modelo estadístico de clasifcación del cliente para En los países desarrollados, las entidades fnancieras
una institución de microfnanzas de Madagascar, tam - apoyan su decisión de concesión de un crédito en
bién con metodología Tobit. El autor disponía de una modelos matemáticos que predicen su probabilidad
muestra de 168 observaciones, incorporando 7 de las de impago a partir del comportamiento pasado de una
18 variables que tenía por crédito. cartera, con el objetivo de mejorar la efciencia y la
cuenta de resultados. La cuestión es si un procedimiento
Schreiner (1999), con una muestra de 39,956 mi- similar es compatible con el negocio de las entidades de
crocréditos, desarrolló un modelo en el que empleó microfnanzas. La escasa literatura al respecto sugiere
la regresión logística binaria en clientes de Bancosol que nos encontramos ante un campo poco explorado.
(Bolivia), y en el que incluyó las nueve variables Por otra parte, las limitaciones existentes han conducido
independientes disponibles. Dichas variables fueron a modelos y aplicaciones de la medición del riesgo de
resumidas en 1) experiencia como prestatario; 2) his- impago en microfnanzas que no son adecuadas para
torial de morosidad; 3) género; 4) sector de actividad; la toma de decisiones, ya que, como apunta Schreiner
5) cantidad desembolsada; 6) garantías; 7) sucursales; (2000), los modelos de credit scoring en microfnanzas
8) ofciales de crédito; y, 9) la fecha del desembolso. apoyan la decisión del analista de créditos, pero no la
También para Bolivia, Vogelgesang (2003) formuló sustituye.
dos aplicaciones estadísticas para dos entidades de
8.002 y 5.956 casos respectivamente, mediante un Entendemos que este aspecto es muy importante
modelo de utilidad aleatoria bajo los supuestos de en el contexto actual de incertidumbre en las IMFs, lo
Greene (1992). En la región de Latinoamérica, Miller que justifca una investigación dirigida al análisis del
y Rojas (2005) formularon un credit scoring de Pymes riesgo de impago en estas instituciones. En efecto, el
de México y Colombia respectivamente, mientras que objetivo de nuestra investigación consiste en diseñar
Milena, Miller y Simbaqueba (2005) hicieron lo mismo un modelo de credit scoring que supere las limitaciones
para microfnancieras de Nicaragua. En Mali, Diallo anteriormente comentadas. El modelo econométrico que
(2006) volvió a emplear la regresión logística para una pretendemos construir está basado en el conocimiento
muestra de 269 créditos de una entidad microbancaria de las características de los créditos en el momento de
del país. Diallo solo obtuvo 5 variables signifcativas su desembolso y su comportamiento de pago después
en su modelo. del desembolso. Tiene, por tanto, una doble fnalidad:
por una parte es explicativa, y por otra predictiva. Es
Por último Kleimeier y Dinh (2007) construyeron decir, nos proponemos estimar la probabilidad de impago
de futuros créditos potenciales antes del desembolso una aplicación de credit scoring para la banca minorista
de Vietnam mediante el uso de la regresión logística
binaria. La muestra para el modelo estaba conformada
1 Se entiende por sensibilidad la probabilidad de clasifcar co -por 56.037 créditos de todo tipo (microempresas, consu-
rrectamente a un cliente que atiende el pago de sus deudas.
mo, hipotecarios, personales). Obtuvieron 17 variables
Por el contrario, la especifcidad es la probabilidad de clasi -
signifcativas de 22 variables explicativas, aplicando una fcar correctamente a un cliente fallido95Vol. 15 Nº 28 Rayo et al.: Un modelo de credit scoring para instituciones de microfnanzas en el marco de Basilea II
por parte de la Edpyme. No obstante lo antedicho y a Corporación Financiera de Desarrollo (COFIDE). No
partir del modelo desarrollado, esta investigación tiene obstante, las Edpymes, a diferencia de las otras empresas
como objetivo calcular la prima de riesgo, la pérdida del sistema fnanciero, no están inicialmente autorizadas
esperada, la pérdida inesperada o capital requerido, la a captar ahorros del público, sino que solo pueden ha-
tasa de interés adecuada según el riesgo del cliente, y cerlo después de tres años de funcionamiento y bajo el
el cálculo de la rentabilidad ajustada al riesgo. cumplimiento de ciertos requisitos. De acuerdo con lo
antedicho, entonces, se percibe que son entidades que
Las entidades de desarrollo de la pequeña y se ajustan a las características económicas y sociales
micro empresa (Edpymes) de las IMFs.
La cartera de microcréditos utilizada en la investiga- Según puede apreciarse en la Tabla 1, las CMACs
ción corresponde a la Edpyme Proempresa, entidad de son las IMFs que contaban con un mayor número de
3microfnanzas del sistema fnanciero peruano. Actual - créditos concedidos a Pymes entre el 2001 al 2005 . Por
mente, las IMFs que operan en el Perú se clasifcan en su parte, las Edpymes, entidades de reciente creación
tres grupos: y regulación por la SBS, han escalado en el ranking de
la colocación de créditos a Pymes, superando incluso
a) Cajas Municipales de Ahorro y Crédito
a las CRACs.(CMAC);
b) Cajas Rurales de Ahorro y Crédito (CRAC); Tabla 1. Saldo medio mensual de créditos a
c) Entidades de Desarrollo de la Pequeña y Micro pymes en las IMFs
Empresa (EDPYME).
Empresas Saldo medio mensual
Total CMAC 750,688La cobertura de servicios fnancieros de las entidades
Total CRAC 15,779fnancieras se vincula directamente con el tamaño de la
empresa con la que se relaciona. Así, la banca centra sus Total EDPYMES 201,648
esfuerzos principalmente en corporaciones empresaria- Total 1’104,116
les y, en gran medida, en las empresas medianas. Por
otra parte, las entidades de microfnanzas se acercan a
18%aquellos sectores de menor riqueza y a aquellas empresas
de menor dimensión, donde la obtención de una línea
de crédito presenta muchos más obstáculos. Total CMAC
14% Total CRAC
Total EDPYMES2Según el marco legal peruano , las Edpymes están
autorizadas a conceder créditos directos a corto, mediano
68%
y largo plazo; otorgar avales, fanzas y otros tipos de
garantías; descontar letras de cambio y pagarés. Re-
Fuente: Información recabada de la SBS.
ciben, también, líneas de fnanciación procedentes de
Figura 1. Distribución del microcrédito en el instituciones de cooperación internacional, organismos
sistema microfnanciero peruano.multilaterales, empresas o entidades fnancieras y de la
2 Resolución de la SBS (Superintendencia en Banca y Segu-
ros) nº 847-94 del 23 de diciembre de 1994, Resolución de
3la SBS nº 259-95 del 28 de marzo de 1995 (Reglamento) y La cartera de préstamos de nuestro estudio contiene créditos
artículo 10 de la Ley General de Instituciones Bancarias, concedidos a Pymes durante los años comprendidos entre
Financieras y de Seguros (Decreto Legislativo nº 770 del 1º 1997 y 2005. Sin embargo, únicamente hemos podido dis-
de abril de 1993). poner datos de la SBS a partir del año 2001.96 Journal of Economics, Finance and Administrative Science June 2010
Por otra parte, la Tabla 2 nos muestra la distribución del riesgo y disminuir los costos. Por tanto, indica el
del saldo medio mensual de créditos a Pymes entre las autor, la califcación complementa, pero no sustituye,
Edpymes del sistema fnanciero peruano. Como puede las tecnologías que actualmente se aplican en las mi-
observarse, la Edpymes Proempresa mantiene una buena crofnanzas.
posición estratégica respecto del resto de empresas del
mismo sector y naturaleza; en tal sentido, colegimos La construcción de un modelo de credit scoring
que su cartera de microcréditos es representativa. para las instituciones de microfnanzas implica una
serie de limitaciones y desventajas que incrementan la
difcultad para llegar a unos resultados razonables. A Tabla 2. Saldo medio mensual de créditos a Pymes
en las Edpymes continuación exponemos algunas de esas limitaciones
que, en algunos casos, otros autores han revelado en el
Empresas Saldo Medio mensual intento de consecución de un modelo de scoring para
EDPYME Edyfcar 88,803 las microfnanzas, y en otros hemos podido detectar al
EDPYME Confanza 20,646 elaborar el presente trabajo.
EDPYME Proempresa 20,568
a) El historial de créditoEDPYME Crear Arequipa 18,197Tacna 13,007
El negocio de las IMFs se ha caracterizado por tener
EDPYME Raíz 11,350
historiales de créditos irregulares, incompletos y con un
EDPYME Nueva Visión 5,726 número escaso de observaciones sobre el préstamo. Si
EDPYME Crear Trujillo 5,154 lo que pretendemos es analizar el comportamiento de
EDPYME Pro Negocios 4,912 pago de un cliente de microcrédito, se requiere una base
EDPYME Credivisión 4,555 de datos amplia que recoja la historia de los préstamos
EDPYME Crear Cusco 4,293 que han resultado impagados en algunas de sus cuotas
desde su concesión hasta su fecha de vencimiento. Por EDPYME Alternativa 3,106
otro lado, las IMFs normalmente no incluyen en sus EDPYME Solidaridad 3,036
bases de datos la información referente a los clientes a
EDPYME Efectiva 1,109
los que se les denegó el crédito porque, en su momen-
TOTAL EDPYMES 201,648 to, no pasaron la evaluación estándar del analista. En
consecuencia, solo se podrá contar con la información
de aquellas solicitudes de crédito que están en la fase
de aprobación.
Limitaciones de los Credit Scoring
en microfnanzas b) La fgura del analista de crédito
La cuestión fundamental que actualmente se plantea A diferencia de las entidades fnancieras, la elaboración
de un modelo de califcación estadística para las mi -en los trabajos de investigación sobre credit scoring
es si los modelos estadísticos de riesgo de crédito son crofnanzas requiere la intervención de un analista de
aplicables o no a las instituciones de microfnanzas. crédito en la recopilación y captación de información
Schreiner (2000) indica que aunque la califcación es para el historial de crédito. El analista recopila infor-
menos enérgica en los países pobres que en los países mación de tipo personal y cualitativo sobre el cliente,
información que podría indicar factores de riesgo para ricos, y aunque la califcación en las microfnanzas
no reemplazará el conocimiento personal del carácter la devolución del crédito concedido. Sin embargo, este
por parte de los analistas de crédito y de los grupos de proceso podría estar muy infuenciado por la opinión
crédito, la califcación puede mejorar las estimaciones subjetiva de dicho funcionario.97Vol. 15 Nº 28 Rayo et al.: Un modelo de credit scoring para instituciones de microfnanzas en el marco de Basilea II
c) El sistema de información la organización. Al mismo tiempo, hemos considerado
esta referencia temporal por indicación de la propia
Los datos recogidos por el analista u ofcial de crédito organización, corroborada por los informes emitidos
han de ser integrados correctamente en el sistema de por la agencia de rating para microfnanzas MicroRate,
información de gestión de la entidad de microfnanzas. que considera como cartera en riesgo aquella que está
Esta labor es delicada y requiere un programador u ope- compuesta por créditos atrasados en más de 30 días
4rario destinado exclusivamente a tal función. La razón es junto con los créditos refnanciados .
simple: si se cometen errores en esta fase, o se demora
la introducción de los datos en un tiempo razonable, el La variable dependiente en el modelo estadístico
modelo diseñado perdería su efectividad. es dicótoma con un valor de uno (1) para los créditos
impagos en las características anteriormente señaladas
Defnición de incumplimiento y cero (0) para los créditos que resultaron pagados en
cada vencimiento.
El incumplimiento de pago debe defnirse con cautela,
por lo que es necesario identifcar todo atraso que con - Selección de la muestra
lleve un coste para la organización. Para ello se han de
verifcar las siguientes condiciones: La base de datos de la cartera de microcréditos de
la Edpyme Proempresa contiene información del a) El atraso percibido ha de ser real y no estimado,
comportamiento de pago histórico de los clientes que según fechas concretas marcadas en la contrata-
solicitaron créditos dentro del periodo 1997-2005. En ción del crédito, en función del método estipulado
la selección de la muestra utilizada para la elaboración para su amortización por las partes contratantes.
del modelo de credit scoring se ha seguido el siguiente
b) El atraso ha de producirse en, al menos, una cuo- procedimiento:
ta de amortización del microcrédito.
a) Los datos de la muestra constituyen una fuente
c) El atraso considerado ha de suponer un incre-
de información que son el resultado del proceso
mento en el coste para la entidad más que pro-
que sigue la entidad en la concesión de micro-
porcional al habitual en caso de no sucederse esta
créditos (véase el siguiente acápite Proceso de
contingencia. Generalmente, estos incrementos
evaluación del microcrédito). En esta línea, Kim
suelen darse en términos de costes administrati-
(2005) construye un modelo de riesgo de crédito
vos debido al incremento monetario que supone
cuya aplicación estadística depende del proceso
realizar un seguimiento y gestionar el pago de
de concesión de un crédito agrario.
un crédito cuyo reembolso mantiene un retraso
b) Se ha seleccionado la muestra de modo que el considerable.
número de casos de crédito impago se aproxi-
me al número de casos que pagan, evitando así En el modelo de califcación riesgo de morosidad
el problema de la diferencia de tamaños de gru-para los créditos de una organización de microfnanzas
pos que, generalmente, provoca una estimación en Bolivia, Schreiner (1999) establece el atraso costoso
inexacta al no defnirse correctamente los facto -como un “atraso de 15 días o más”, sin argumentar
res de clasifcación hacia los grupos previamente los motivos en los que se basa para determinarlo. En
defnidos (Mures et al., 2005).nuestro caso, vamos a defnir el concepto de atraso en el
pago que supone un coste añadido para la organización
con un mínimo de 30 días desde el vencimiento de al
4 Se considera crédito refnanciado al fnanciamiento directo
menos una cuota de amortización del microcrédito
respecto del cual se producen variaciones de plazo y /o can-
concedido a un determinado cliente. Este vencimiento tidad del contrato original y que obedecen a difcultades de
respeta los plazos de atraso que conllevan un coste para pago del deudor.98 Journal of Economics, Finance and Administrative Science June 2010
c) Se pretende que la muestra aporte la mayor can- Tabla 3.
tidad de información posible del cliente, tanto en Cartera microcréditos Edpyme Proempresa
términos cuantitativos como cualitativos.
Edpyme Proempresa
d) Los casos admitidos han de contener toda la in- Periodo Estudio 1997 / 2005
formación de las variables explicativas. Se han Observaciones (N)
eliminado aquellos casos en los que no se apor- Pagos Impagos TOTAL
ta información en una determinada variable que 2,673 2,778 5,451
sea analizada y seleccionada para la construc- Muestra Estimación (75%)
ción del modelo. 2,016 2,072 4,088
Muestra Validación (25%)
e) Los datos considerados estarán referenciados al
657 706 1,363
mismo periodo de tiempo, tanto para los casos

de impago como para los casos en los que se
atiende el pago.
Los créditos considerados en la muestra correspon-
El historial de crédito fue extraído del sistema inte- den a microempresas y Pymes. Son créditos concedidos
grado de gestión de la institución, sistema que guarda a personas naturales o jurídicas para la fnanciación de
información cuantitativa y cualitativa relativa a cada actividades de producción, comercio o prestación de
cliente en la fecha de la concesión del microcrédito. servicios y cuyos montantes se encuentran dentro de
Posteriormente, dicha información fue descargada a los límites legales establecidos por la normativa SBS
una base de datos en Excel. En dicha base se dispuso para microempresas y Pymes en el periodo de estudio.
de información que no necesariamente constituían En este sentido, en la Tabla 4 se puede observar el
variables explicativas, pero era necesaria para la de- rango del montante de los microcréditos que componen
fnición de éstas. Una vez seleccionada la muestra, se nuestra cartera, así como los estadísticos descriptivos de
eliminaron aquellos créditos cuya información relevante la media y desviación típica respecto de esta variable.
estaba incompleta para la selección defnitiva de las
Tabla 4. variables explicativas del modelo. Finalmente, tras un
Estadísticos descriptivos del montante del créditoproceso de eliminación de missing value, se construyó
una base con una muestra de 5.451 microcréditos que Mínimo Máximo Media Desv. Típica
corresponden al periodo comprendido entre los años
Montante 60.00 3910.00 688.20 623.93
1997 y 2005.
Según se indica en la Tabla 3, la muestra fue divi- Si los préstamos otorgados se dan a personas na-
dida aleatoriamente en dos submuestras. La intención turales, éstas deberán tener como fuente principal de
era realizar una validación a posteriori sobre el modelo ingresos la realización de actividades empresariales.
de regresión logística estimado, destinando el 75% de Por este motivo, los créditos otorgados para consumo
los casos totales a la estimación del modelo estadís- o los préstamos hipotecarios no formarán parte de la
tico y el 25% restante a la validación del mismo. La muestra.
totalidad de los casos que componen las dos muestras
son microcréditos concedidos y no rechazados por la El proceso de evaluación del microcrédito.
entidad. Así, el modelo diseñado asume como fuente Las variables explicativas
de datos la información de prestatarios aceptados
según los procesos habituales del manual de proce- Una vez defnido el objetivo de la investigación, concep -
dimientos de gestión del microcrédito de la Edpyme tualizada la variable dependiente (default) y determinada
Proempresa. la muestra, la fase siguiente consiste en seleccionar las

¡Sé el primero en escribir un comentario!

13/1000 caracteres como máximo.

Lisez à volonté, où que vous soyez
1 mois offert, sans engagement Conocerlo más

Difunda esta publicación

También le puede gustar