Evaluación y predicción del riesgo de crédito en una institución de microfinanzas uruguaya
- Autores: Maria Nela Seijas Giménez
- Directores de la Tesis: Sara Fernández López (dir. tes.), Milagros Vivel Búa (codir. tes.)
- Lectura: En la Universidade de Santiago de Compostela ( España ) en 2019
- Idioma: español
- Tribunal Calificador de la Tesis: Alberto Vaquero García (presid.), David Rodeiro Pazos (secret.), María Jesús Rodríguez Gulías (voc.)
- Programa de doctorado: Programa de Doctorado en Economía y Empresa por la Universidad de Santiago de Compostela
- Materias:
- Enlaces
- Tesis en acceso abierto en: MINERVA
- Resumen
El objetivo principal de este documento de tesis doctoral es analizar y predecir el riesgo de crédito en una institución de microfinanzas (IMF) uruguaya, aplicando herramientas estadísticas paramétricas y no paramétricas de credit scoring -modelos logit y probit, análisis de supervivencia y redes neuronales- en el marco de la profundización del proceso de inclusión financiera en Uruguay. Ello permitiría dotar a estas instituciones de una mayor eficiencia en su gestión de microcréditos. Las técnicas estadísticas de evaluación y predicción de riesgo de crédito, habitualmente conocidas como credit scoring, consideran información sobre las características del prestatario y otras variables relevantes a efectos de estimar la futura morosidad del prestatario. Dichas técnicas, que se aplicaron desde la década de 1960 en las instituciones bancarias, generaron posteriormente una línea de investigación en el ámbito de las instituciones de microfinanzas, a partir del trabajo de Viganò (1993).
La base de datos objeto de estudio corresponde al Programa de Fortalecimiento de Emprendimientos Productivos (PFEP) del Ministerio de Desarrollo Social (MIDES), que otorga microcréditos en Uruguay a micro y pequeños emprendimientos productivos con un alto nivel de vulnerabilidad económica. En particular, se trata de una institución de microfinanzas de carácter gubernamental y con un fin estrictamente social, que corresponde al primer paradigma de las microfinanzas (Robinson, 2001). Esta base de microcréditos no ha sido incluida en investigaciones anteriores y está constituida por 1,357 microcréditos concedidos entre julio de 2012 y diciembre de 2016 y amortizados hasta febrero de 2017. Desde el punto de vista metodológico, se aplican criterios alternativos para medir la morosidad y se utilizan variables independientes relacionadas con el microcrédito, el deudor y su negocio, así como variables macroeconómicas. En los modelos de regresión logit y probit y los análisis de supervivencia se adopta una doble perspectiva a efectos de identificar los factores determinantes del riesgo de crédito (explicativa) y asimismo individualizar aquellos factores que permiten predecirlo con mayor precisión (predictiva). Bajo el enfoque de redes neuronales, se utilizan únicamente las variables conocidas al momento de concesión del préstamo, adoptando así una perspectiva predictiva.
Los resultados indican que los incumplimientos más severos están principalmente relacionados con las características del empresario y su línea de negocio, mientras que los pequeños incumplimientos se asocian mayormente con los términos del préstamo. Considerando como morosidad que un microcrédito genere atrasos de 30 o más días en el pago de al menos una de las cuotas, se determinó un impacto negativo en el incumplimiento de aquellas variables representativas del número y valor de las cuotas del préstamo, la edad del emprendedor y el hecho de que sea mujer. Por el contrario, las variables indicativas del monto del préstamo, los subsidios concedidos al emprendedor y la cantidad de cuotas morosas en el microcrédito anterior tienen un efecto incremental sobre la morosidad. En cuanto al plazo de repago de los microcréditos, se observa un alto riesgo de impago en las primeras cuotas del préstamo, manteniéndose dicho riesgo constante entre el 20% y el 80% de devolución del microcrédito y disminuyendo en el tramo posterior. Tanto los modelos de redes neuronales como los análisis de supervivencia predicen con mayor precisión a los deudores de mayor riesgo que a los de riesgo menor, siendo mayor el poder predictivo promedio de las redes neuronales en comparación con el resto de técnicas estadísticas analizadas.
Esta investigación pretende contribuir al desarrollo de los modelos de credit scoring, analizando el mercado de microfinanzas uruguayo. Asimismo, la utilización de las técnicas investigadas permitirá realizar una gestión más eficiente del riesgo de crédito por parte del PFEP, complementando el juicio experto del oficial de crédito.
