Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
resumen
El crecimiento de los microcrditos a nivel mundial, junto con la normativa internacional sobre requerimientos de capital
(Basilea II), estn 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 as en las IMFs supervisadas. El objetivo de esta investigacin es
disear un modelo de credit scoring para una institucin sometida a supervisin y especializada en microcrditos, como es la
Entidad de Desarrollo de la Pequea y Micro Empresa (Edpyme) del sistema financiero del Per. El resultado de la investigacin muestra la metodologa y fases necesarias para disear el modelo, as como el proceso de valoracin y validacin para
que pueda ser aplicado en el rea de negocio, especialmente para establecer la poltica de tasas de inters con clientes. Por
ltimo, tambin se muestra cmo puede utilizarse el modelo para desarrollar una gestin del riesgo de crdito en el marco de
los mtodos IRB de Basilea II.
Palabras clave: Microcrditos, instituciones de microfinanzas, Basilea II, credit scoring, Logit, IRB
abstract
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 Pequea 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.
Keywords: Microcredit, institutions of microfinance, Basel II, credit scoring, Logit, IRB
1. Profesor del Departamento de Economa Financiera y Contabilidad, Universidad de Granada, Espaa; <srayo@ugr.es>
2. Profesor del Departamento de Economa Financiera y Contabilidad, Universidad de Granada, Espaa; <juanlara@ugr.es>
3. Profesor del Departamento de Economa de la Empresa, Universidad Carlos III de Madrid, Espaa; <dcamino@emp.uc3m.es>
90
INTRODUCCIN
El acuerdo internacional sobre regulacin y supervisin
bancaria denominado Nuevo Acuerdo de Capital,
aprobado en 2004 por el Comit de Basilea y conocido como Basilea II, exige a las entidades financieras
de los pases que se adscriba al mismo una revisin
de sus dotaciones de capital para cubrir los riesgos.
Por consiguiente, las entidades financieras y de microfinanzas (IMFs) supervisadas requieren adoptar
procesos internos que sean capaces de medir el riesgo
de crdito. Las entidades financieras que sirven a la
industria microfinanciera debern actuar bajo los parmetros de Basilea II. En efecto, estos parmetros les
obligan a disponer de herramientas que les permitan
establecer modelos de medicin (scorings y ratings)
con objeto de discriminar a los clientes segn su perfil
de riesgo, sistemas de seguimiento del riesgo vivo y
modelos de evaluacin de la exposicin y la severidad
en el riesgo de crdito. Basilea II tambin obliga a las
entidades financieras no solo a adaptar sus sistemas de
clculo del consumo de capital, sino tambin a modificar los sistemas de reporting (informes financieros)
y de anlisis de la informacin. Ambos elementos,
es decir los informes financieros y el anlisis de los
mismos, son la clave de Basilea II que hace necesario
gestionar grandes bases de datos, capaces de ofrecer
la informacin exacta para cuantificar los riesgos de
cada operacin, lo que supone un verdadero reto
para los bancos y, especialmente, para las entidades
de microfinanzas.
La explicacin y prediccin del riesgo de impago
en microfinanzas deben ser abordadas de una manera
distinta a la habitual en la banca comercial debido a
las limitaciones de las bases de datos y al proceso de
elaboracin de un sistema de medicin del riesgo de
microcrdito. Preguntas tales como: conviene este
cliente?, cul es el lmite de crdito que debo aceptarle
en su solicitud?, qu tasa de inters debo cobrarle?,
cmo puedo reducir el riesgo de impago?, etc., son
cuestiones que deben acompaarse de una respuesta
acertada, dado un determinado entorno macroeconmico. Historiales de crdito poco desarrollados y faltos
de informacin impiden predecir la probabilidad del
June 2010
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea ii
91
MARCO TERICO
Concepto de Credit Scoring
Los credit scoring, segn Hand and Henley (1997), son
procedimientos estadsticos que se usan para clasificar
a aquellos que solicitan crdito, inclusive a los que ya
son clientes de la entidad crediticia, en los tipos de
riesgo bueno y malo. En sus inicios, durante los aos
setenta, las aplicaciones del credit scoring se construan
con tcnicas estadsticas (en particular, con el anlisis
discriminante). Posteriormente, los mtodos empleados
evolucionaron a tcnicas matemticas, economtricas
y de inteligencia artificial. En cualquier caso, la construccin de toda aplicacin del credit scoring se realiza
tomando la informacin del cliente contenida en las
solicitudes del crdito, de fuentes internas e, incluso,
de fuentes externas de informacin.
92
June 2010
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea ii
93
94
June 2010
Se entiende por sensibilidad la probabilidad de clasificar correctamente a un cliente que atiende el pago de sus deudas.
Por el contrario, la especificidad es la probabilidad de clasificar correctamente a un cliente fallido
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea II
Total CMAC
750,688
Total CRAC
15,779
201,648
1104,116
Total EDPYMES
Total
18%
Total CMAC
Total CRAC
Total EDPYMES
14%
Resolucin de la SBS (Superintendencia en Banca y Seguros) n 847-94 del 23 de diciembre de 1994, Resolucin de
la SBS n 259-95 del 28 de marzo de 1995 (Reglamento) y
artculo 10 de la Ley General de Instituciones Bancarias,
Financieras y de Seguros (Decreto Legislativo n 770 del 1
de abril de 1993).
95
68%
96
EDPYME Edyficar
88,803
EDPYME Confianza
20,646
EDPYME Proempresa
20,568
18,197
13,007
EDPYME Raz
11,350
5,726
5,154
4,912
EDPYME Credivisin
4,555
4,293
EDPYME Alternativa
3,106
EDPYME Solidaridad
3,036
EDPYME Efectiva
1,109
TOTAL EDPYMES
201,648
June 2010
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea II
c) El sistema de informacin
Los datos recogidos por el analista u oficial de crdito
han de ser integrados correctamente en el sistema de
informacin de gestin de la entidad de microfinanzas.
Esta labor es delicada y requiere un programador u operario destinado exclusivamente a tal funcin. La razn es
simple: si se cometen errores en esta fase, o se demora
la introduccin de los datos en un tiempo razonable, el
modelo diseado perdera su efectividad.
Definicin de incumplimiento
El incumplimiento de pago debe definirse con cautela,
por lo que es necesario identificar todo atraso que conlleve un coste para la organizacin. Para ello se han de
verificar las siguientes condiciones:
a) El atraso percibido ha de ser real y no estimado,
segn fechas concretas marcadas en la contratacin del crdito, en funcin del mtodo estipulado
para su amortizacin por las partes contratantes.
b) El atraso ha de producirse en, al menos, una cuota de amortizacin del microcrdito.
Seleccin de la muestra
La base de datos de la cartera de microcrditos de
la Edpyme Proempresa contiene informacin del
comportamiento de pago histrico de los clientes que
solicitaron crditos dentro del periodo 1997-2005. En
la seleccin de la muestra utilizada para la elaboracin
del modelo de credit scoring se ha seguido el siguiente
procedimiento:
a) Los datos de la muestra constituyen una fuente
de informacin que son el resultado del proceso
que sigue la entidad en la concesin de microcrditos (vase el siguiente acpite Proceso de
evaluacin del microcrdito). En esta lnea, Kim
(2005) construye un modelo de riesgo de crdito
cuya aplicacin estadstica depende del proceso
de concesin de un crdito agrario.
c) El atraso considerado ha de suponer un incremento en el coste para la entidad ms que proporcional al habitual en caso de no sucederse esta
contingencia. Generalmente, estos incrementos
suelen darse en trminos de costes administrativos debido al incremento monetario que supone
realizar un seguimiento y gestionar el pago de
un crdito cuyo reembolso mantiene un retraso
considerable.
En el modelo de calificacin riesgo de morosidad
para los crditos de una organizacin de microfinanzas
en Bolivia, Schreiner (1999) establece el atraso costoso
como un atraso de 15 das o ms, sin argumentar
los motivos en los que se basa para determinarlo. En
nuestro caso, vamos a definir el concepto de atraso en el
pago que supone un coste aadido para la organizacin
con un mnimo de 30 das desde el vencimiento de al
menos una cuota de amortizacin del microcrdito
concedido a un determinado cliente. Este vencimiento
respeta los plazos de atraso que conllevan un coste para
97
98
June 2010
c) Se pretende que la muestra aporte la mayor cantidad de informacin posible del cliente, tanto en
trminos cuantitativos como cualitativos.
d) Los casos admitidos han de contener toda la informacin de las variables explicativas. Se han
eliminado aquellos casos en los que no se aporta informacin en una determinada variable que
sea analizada y seleccionada para la construccin del modelo.
e) Los datos considerados estarn referenciados al
mismo periodo de tiempo, tanto para los casos
de impago como para los casos en los que se
atiende el pago.
El historial de crdito fue extrado del sistema integrado de gestin de la institucin, sistema que guarda
informacin cuantitativa y cualitativa relativa a cada
cliente en la fecha de la concesin del microcrdito.
Posteriormente, dicha informacin fue descargada a
una base de datos en Excel. En dicha base se dispuso
de informacin que no necesariamente constituan
variables explicativas, pero era necesaria para la definicin de stas. Una vez seleccionada la muestra, se
eliminaron aquellos crditos cuya informacin relevante
estaba incompleta para la seleccin definitiva de las
variables explicativas del modelo. Finalmente, tras un
proceso de eliminacin de missing value, se construy
una base con una muestra de 5.451 microcrditos que
corresponden al periodo comprendido entre los aos
1997 y 2005.
Segn se indica en la Tabla 3, la muestra fue dividida aleatoriamente en dos submuestras. La intencin
era realizar una validacin a posteriori sobre el modelo
de regresin logstica estimado, destinando el 75% de
los casos totales a la estimacin del modelo estadstico y el 25% restante a la validacin del mismo. La
totalidad de los casos que componen las dos muestras
son microcrditos concedidos y no rechazados por la
entidad. As, el modelo diseado asume como fuente
de datos la informacin de prestatarios aceptados
segn los procesos habituales del manual de procedimientos de gestin del microcrdito de la Edpyme
Proempresa.
Tabla 3.
Cartera microcrditos Edpyme Proempresa
Pagos
2,673
2,016
657
Edpyme Proempresa
Periodo Estudio 1997 / 2005
Observaciones (N)
Impagos
TOTAL
2,778
5,451
Muestra Estimacin (75%)
2,072
4,088
Muestra Validacin (25%)
706
1,363
Los crditos considerados en la muestra corresponden a microempresas y Pymes. Son crditos concedidos
a personas naturales o jurdicas para la financiacin de
actividades de produccin, comercio o prestacin de
servicios y cuyos montantes se encuentran dentro de
los lmites legales establecidos por la normativa SBS
para microempresas y Pymes en el periodo de estudio.
En este sentido, en la Tabla 4 se puede observar el
rango del montante de los microcrditos que componen
nuestra cartera, as como los estadsticos descriptivos de
la media y desviacin tpica respecto de esta variable.
Tabla 4.
Estadsticos descriptivos del montante del crdito
Montante
Mnimo
Mximo
Media
Desv. Tpica
60.00
3910.00
688.20
623.93
Si los prstamos otorgados se dan a personas naturales, stas debern tener como fuente principal de
ingresos la realizacin de actividades empresariales.
Por este motivo, los crditos otorgados para consumo
o los prstamos hipotecarios no formarn parte de la
muestra.
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea II
99
del crdito
100
June 2010
Zona geogrfica
Investigacin de
mercado
Promocin
del crdito
Informes de
crditos para
clientes nuevos o
recurrentes
Recepcin de
documentos
COMIT DE CRDITO DE
LA IMF
(Aprobacin de las
solicitudes de crdito)
Evaluacin de
las garantas
Seguimiento del
analista
Desembolso
Refinanciacin
de crditos
ENTORNO MACROECONMICO
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea II
101
FASE 3 C
FASE 3 B
FASE 3 A
FASE 2
Clasificacin del cliente segn la IMF. Variable dicotmica (0) Cliente normal (1)
Cliente con algn tipo de problema
Nmero total de cuotas pagadas en historial de crdito. Variable numrica
CLAS_ENT
CUOT_TOT
EDAD
E_CIVIL
SIT_LAB
+
+
R3
R4
R5
R2
R1
MORA_MAYOR
MEDIA_MORA
SEXO
CUOT_MORA
Destino del microcrdito. Variable dicotmica (0) Capital de trabajo (1) Activo Fijo
DEST_CRED
+/-
CRED_DENEG
Sector de actividad de la microempresa. Variable categrica (0) Comercio (1)
Agricultura (2) Produccin (3) Servicio
CRED_CONC2
SECTOR
CRED_CONC
Lugar geogrfico de la agencia o sucursal. Variable dicotmica (0) Zona centro (1)
Extrarradio
Concepto
ZONA
FASE 1
ANTIGUO
Variable
Tabla 5.
Variables Independientes Edpyme Proempresa
102
Journal of Economics, Finance and Administrative Science
June 2010
FASE 6
FASE 5
FASE 4
FASE 3 C
MONEDA
MONTO
+
+
+
+
+
+
INT_MENS
PIB
IPC
IE
TC
TI
IGB
AGUA
LUZ
TFNO
VTOCRED_SBS
DURACION
Tipo de garanta aportada por el cliente. Variable dicotmica (0) Declaracin jurada
(1) Garanta real (aval, prenda, hipoteca, etc.)
GARANT
MONTO_RECH
R8
Concepto
R7
R6
Variable
Tabla 5
VariablesIindependientes Edpyme Proempresa (continuacin)
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea II
103
104
June 2010
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea II
105
pas en vas de desarrollo, el Per mantiene una economa global como un sistema integrado en el contexto
econmico internacional. Por tanto, la actividad econmica del pas se ve influenciada, de alguna manera,
por los ciclos econmicos a nivel mundial.
entre la concesin y el vencimiento de cada microcrdito de la cartera. En seguida, con objeto de hacer
comparables los resultados, se anualizaron todas las
tasas de variacin obtenidas en cada una de las variables
macroeconmicas.
Inicialmente, la base de datos de la Edpyme Proempresa no contena informacin del ciclo econmico.
Teniendo en cuenta el corto plazo en trminos medios
que los microcrditos tienen, para el modelo se consider una tasa de variacin en cada una de las variables
macroeconmicas al momento en que se conceda el
crdito, segn la duracin del prstamo. Para tal efecto,
se tom la informacin de dos instituciones reguladoras peruanas, el Instituto Nacional de Estadstica e
Informtica (INEI) y de la Superintendencia de Banca
y Seguros (SBS), para las variables macroeconmicas
seleccionadas durante el perodo 1997-2005.
La siguiente expresin muestra cmo fueron calculadas las tasas de variacin de cada una de las variables
macroeconmicas consideradas en la construccin del
modelo de credit scoring:
VMi+j VMi
VMi,j =
(1)
VMi
siendo
VMi,j
VM
i
j
106
p
= 0 + 1 x1 + 2 x 2 + ..... + k x k
log
1 p
(2)
p=
eZ
1
,
=
Z
1+ e
1 + e Z
(3)
June 2010
siendo
Z = 0 + 1 x1 + 2 x 2 + ..... + k x k (4)
A continuacin, se estima la significacin estadstica
de los coeficientes del modelo a travs del estadstico
de Wald y la bondad del ajuste. Si una variable resulta
ser no significativa, se procede inmediatamente a eliminarla del modelo.
rEsultados dE la invEstigaCin
Estimacin del modelo
El tratamiento de la base de datos de la cartera de
microcrditos de la Edpyme Proempresa, mediante el
mdulo de Regresin Logstica Binaria del software
SPSS vs. 15, ofrece como resultado la ecuacin de
puntuacin Z (expresin 5) y la probabilidad de impago
P (expresin 6) para cada uno de los prestatarios de
dicha cartera:
Z = 8.703 0.498 ZONA 1.693 SIT_LAB 3.062
R3 + 1.274 R5 0.070 CRED_CON2 1.088 DEST_
CRED 1.064 GARANT 4.356 VTOCRED_SBS +
0.241 TC
(5)
donde
P (Probabilidad de incumplimiento) =
1
1 + e (Z)
(6)
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea II
Tabla 6.
Variables independientes Edpyme Proempresa
Variable
FASE 1
ZONA
FASE 2
CRED_CONC2
FASE 3 A
DEST_CRED
SIT_LAB
FASE 3 C
R3
107
R5
FASE 4
GARANT
FASE 5
VTOCRED_SBS
FASE 6
TC
Respecto de la bondad del ajuste, adems del estadstico 2 del modelo, el software calcula coeficientes
similares al R2 computado en regresin lineal. Concretamente se calculan el R2 de Cox y Snell y el R2 de
Nagelkerke, cuyos valores respectivos son indicativos
de un ajuste aceptable en regresin logstica (ver Tabla
A3 del Anexo A).
Otro elemento estadstico utilizado para valorar la
bondad de ajuste del modelo es la prueba de Hosmer
y Lemeshow, para lo cual se agrupan las observaciones para cada uno de los dos grupos definidos por la
variable dependiente, segn una tabla de contingencia
(ver Tabla A4 del Anexo A). La bondad del ajuste
determina el grado de semejanza (ajuste) que existe
entre los valores observados y los pronosticados por
el modelo. Si bien la prueba de Hosmer-Lemeshow
no ofrece un resultado satisfactorio su nivel de
significacin es bajo, se debe tomar en cuenta que
este dato estadstico solamente brinda pistas sobre la
calidad del ajuste del modelo, aunque tambin se debe
recordar que est muy condicionado por el tamao
de la muestra.
Por otra parte, puede apreciarse en la matriz de
correlaciones cmo la correlacin de las variables
explicativas que forman parte del modelo final es
reducida (ver Tabla A5 del Anexo A). Ello permite
comprobar que no existe relacin entre estas variables
en cuanto a informacin se refiere.
A su vez, es interesante valorar la capacidad o eficacia predictiva del modelo, lo que se realiza a partir
108
June 2010
Tabla 7.
Porcentaje de acierto en el proceso de validacin
Observado
Pronosticado
Pago (0)
Impago (1)
Porcentaje
Pago (0)
586
71
89.19%
Impago (1)
233
473
67.00%
Porcentaje global
de acierto
77.70%
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea II
dispone de Modelos de calificacin para la estimacin de la probabilidad de Impago (PD), Severidad (LGD) y Exposicin (EAD).
Por tanto, es en los modelos de calificacin interna
donde se necesita el input de la probabilidad de impago
que se obtiene del modelo de credit scoring. Para determinar el requerimiento de capital en una operacin de
crdito, Basilea II considera un cuartil del 99.9%, con el
objeto de que en el cmputo del capital se contemplen
el 99.9% de las situaciones del estado de la economa
que tengan influencia en un posible impago del cliente
y que el peor resultado, en situacin de catstrofe o
crisis en la misma, se produzca con una probabilidad
del 0.1%. La frmula para calcular el requerimiento de
capital exigido a las entidades de crdito en los modelos
internos, segn el modelo propuesto por el Comit de
Supervisin Bancaria de Basilea para la cartera minorista, es la siguiente7:
(Internal Rating Based) Bsico: La entidad dispone de modelos de calificacin para la estimacin
de la Probabilidad de Impago (PD), sobre lo cual
el regulador aplicar estndares para la obtencin
de la Severidad (LGD) y Exposicin (EAD).
c) Mtodo Basado en Calificaciones Internas IRB
K = LGD N
109
PD LGD
1 (PD)
RWA =
100%
LGD N
10%
PD LGD
(7)
1 (PD)
RWA = K 10 EAD;
(PD) = 0.03
1 e 35PD
1 e 35
1 e 35PD
1 e 35
110
donde
K
: Requerimiento de capital
PD
(PD)
: Coeficiente de correlacin
LGD
EAD
RWA
PES
: Prdida esperada
June 2010
Provisin =1%
5%
35%
go Minorista (Otros)
Si se sustituye en la expresin del modelo de regresin logstica los datos de los dos clientes que solicitan un microcrdito (Formulas (5) y (6)), se obtienen
las correspondientes probabilidades de impago, segn la
Tabla 8. En las Tablas 9 y 10 se calculan la rentabilidad
que la entidad de microfinanzas obtiene con cada uno
de los clientes en el marco de la normativa de Basilea I
y la de Basilea II. Adems, se calcula la tasa de inters
que debera negociarse con cada cliente para conseguir
el objetivo de rentabilidad ajustada a riesgo (RORAC),
que es del 35% anual.
Aqu se comprueba que, en el marco de la norma
sobre requerimientos de capital de Basilea I, ambos clientes aportan a la Edpyme rentabilidades muy parecidas:
cliente de rating B- aporta 44.29%; el cliente de rating
CCC, 46.01%. Sin embargo, la aplicacin de la norma
Basilea II, mediante el mtodo IRB, permite discriminar
en trminos de rentabilidad (cliente rating B- 22.40%;
cliente CCC -34.32%). Esto se debe fundamentalmente
a que la probabilidad de impago es distinta en ambos
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea II
Tabla 8.
Probabilidad de impago para un cliente de rating B- y de rating CCC
Datos cliente
Variable
Coef. Logit
RATING
Zona geogrfica (0 Cntrica) y (1 Extrarradio)
Cliente 1
Cliente 2
B-
CCC
ZONA
-0.498
SIT_LAB
-1.693
Ratio liquidez
R3
-3.062
52.00%
30.00%
Endeudamiento
R5
1.274
5.00%
10.00%
CRED_CON2
-0.072
14
DEST_CRED
-1.088
GARANT
-1.064
VTOCRED_SBS
-4.356
TC
0.241
5.00%
5.00%
CONSTANTE
8.703
-2.5205
-1.2792
PD (Probabilidad Default)
7.44%
21.77%
111
112
June 2010
Tabla 9.
Rentabilidad del cliente en Basilea I y Basilea II (antes del ajuste de tasas)
Concepto
Tasa inters
Importe crdito
Tasa Libre de Riesgo
Costes Operativos
Coste Fondos Ajenos
Tasa Impuestos
Cliente 1
Cliente 2
20.00%
20.00%
1,010
1,010
3.00%
3.00%
10.00%
10.00%
5.00%
5.00%
35.00%
35.00%
100.00%
100.00%
Basilea I
Ponderacin
Provisin (B- =5%; CCC =5%)
10.10
50.50
8.00%
8.00%
Fondos Propios
79.99
76.76
Fondos Ajenos
930.01
933.24
Ingresos Financieros
202.00
202.00
Costes Financieros
46.50
46.66
Costes Operativos
101.00
101.00
Beneficio de Capital
0.00
0.00
Rentabilidad Cliente
44.29%
46.01%
B-
CCC
7.44%
21.77%
45.00%
45.00%
33.83
98.94
56.0168%
82.9780%
Basilea II-IRB
Rating
PD
LGD
Perdida Esperada (EL)
Ponderacin
565.77
838.08
10.00%
10.00%
Fondos Propios
56.58
83.81
Fondos Ajenos
953.42
926.19
1,010.00
1,010.00
23.42
-7.05
202.00
202.00
RWA
Coeficiente Basilea II-IRB
Total
Superavit/Dficit Fondos Propios
Ingresos Financieros
Costes Financieros
47.67
46.31
Costes Operativos
101.00
101.00
0.00
0.00
22.40%
-34.32%
Rentabiliad Objetivo
35.00%
35.00%
Precio
20.00%
20.00%
Beneficio Capital FP
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea II
Cuadro 10.
Rentabilidad del cliente en Basilea I y Basilea II (despus del ajuste de tasas)
Concepto
Cliente 2
Cliente 1
Tasa inters
21.09%
Importe crdito
Tasa Libre de Riesgo
Costes Operativos
Coste Fondos Ajenos
Tasa Impuestos
28.85%
1,010
1,010
3.00%
3.00%
10.00%
10.00%
5.00%
5.00%
35.00%
35.00%
100.00%
100.00%
10.10
50.50
8.00%
8.00%
Basilea I
Ponderacin
Provisin (B- =5%; CCC =5%)
Coeficiente RRPP Basilea I
Fondos Propios
79.99
76.76
Fondos Ajenos
930.01
933.24
Ingresos Financieros
212.97
291.38
Costes Financieros
46.50
46.66
Costes Operativos
101.00
101.00
Beneficio de Capital
0.00
0.00
Rentabilidad Cliente
53.20%
121.70%
Basilea II-IRB
Rating
PD
LGD
Perdida Esperada (EL)
Ponderacin
RWA
Coeficiente Basilea II-IRB
B-
CCC
7.44%
21.77%
45.00%
45.00%
33.83
98.94
56.0168%
82.9780%
565.77
838.08
10.00%
10.00%
Fondos Propios
56.58
83.81
Fondos Ajenos
953.42
926.19
1,010.00
1,010.00
Total
Superavit/Dficit Fondos Propios
23.42
-7.05
212.97
291.38
Costes Financieros
47.67
46.31
Costes Operativos
101.00
101.00
0.00
0.00
35.00%
35.00%
Rentabiliad Objetivo
35.00%
35.00%
Precio
21.09%
28.85%
Ingresos Financieros
Beneficio Capital FP
113
June 2010
114
Proceso de
concesin de un
microcrdito
Aplicacin
estadstica: Modelo
Logit
Variables del
cliente
Historial de
crdito
Variables de la
operacin de
crdito
Clasificacin
Variables del
ciclo econmico
Probabilidad de
Default (PD)
Limitaciones
historial crediticio
LGD
Exposicin
ajustada
Prdida
esperada
individuales
Prdida
esperada
cartera
PROVISIN
Prdida
inesperada
individuales
Prdida
inesperada
cartera
CAPITAL
Tipo de
inters de la
operacin
Rentabilidad
ajustada
al riesgo
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea ii
de variables finales en este estudio se fij considerando aquella informacin susceptible de incrementar
o reducir la probabilidad de impago del cliente. Las
variables explicativas de partida han sido agrupadas
en tres grandes bloques: variables del cliente (cuantitativas y cualitativas), variables de la operacin de
prstamo y, por ltimo, variables macroeconmicas.
La consideracin de variables que incorporan la realidad macroeconmica es un aspecto importante en
esta investigacin, ya que la base de datos inicial de la
cartera no las contemplaba, y su incorporacin mejor
significativamente los resultados del modelo.
La escasez de datos econmico-financieros en los
historiales de crdito tuvo que ser completada con
informacin de tipo cualitativo; ello permiti aplicar
tcnicas estadsticas ms flexibles para la incorporacin de las variables explicativas. En concreto, la
tcnica elegida fue la regresin logstica binaria, que
constituye una herramienta estadstica adecuada para
el tratamiento de las variables independientes, tanto
cuantitativas como cualitativas. Por otro lado, esta
tcnica ofrece como principal ventaja el clculo de
la probabilidad de incumplimiento del cliente que
solicita un crdito, aspecto importante si la entidad
de microfinanzas evoluciona de los modelos estndar
a modelos basados en calificaciones internas para el
clculo del requerimiento de capital.
La estimacin del modelo de credit scoring se realiz mediante el mtodo de introduccin por pasos, y
aplicando la tcnica paramtrica de regresin logstica
de las variables explicativas sobre la base de las fases
y estadios obtenidos en el proceso de concesin de un
microcrdito. De esta forma, la investigacin realizada
disea un modelo de calificacin estadstica capaz de
115
116
June 2010
referencias
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea ii
Kulkosky, E. (1996). Credit Scoring Could Have a Downside, Experts Say. American Banker, 161(208), 8.
Makowski, P. (1985). Credit Scoring Branches Out: Decision
Tree - Recent Technology. Credit World, 75, 30-37.
Mester, L. (1997). Whats the Point of Credit Scoring?
Business Review (Federal Reserve Bank of
Philadelphia), September/October, 3-16.
Milena, E., Miller, M., & Simbaqueba, L. (2005). The Case
for Information Sharing by Microfinance Institutions: Empirical Evidence of the Value of Credit
Bureau-Type Data in the Nicaraguan Microfinance
Sector. New York: The World Bank, mimeo.
Miller, M., & Rojas, D. (2005). Improving Access to Credit
for Smes: An Empirical Analysis of the Viability of
Pooled Data Sme Credit Scoring Models in Brazil,
Colombia & Mexico. New York: The World Bank.
Mures, M. J., Garca, A., & Vallejo, M. E. (2005). Aplicacin del anlisis discriminante y regresin logstica en el estudio de la morosidad de las entidades
financieras. Comparacin de resultados. Pecvnia, 1,
175-199.
Orgler, Y. E. (1970). A Credit Scoring Model for Commercial Loans. Journal of Money, Credit and Banking,
2(4), 435-445.
Orgler, Y. E. (1971). Evaluation of Bank Consumer Loans
with Credit Scoring Models. Journal of Bank
Research, 2, 31-37.
Reinke, J. (1998). How to Lend Like Mad and Make a
Profit: A Micro-Credit Paradigm Versus the StartUp Fund in South Africa. Journal of Development
Studies, 34(3), 44-61.
Ripley, B. D. (1994). Neural Networks and Related Methods
for Classification. Journal of the Royal Statistical
Society, Series B(Methodological), 56(3), 409-456.
Rosenberg, E., & Gleit, A. (1994). Quantitative Methods
in Credit Management: A Survey. Operations Research, 42, 589-613.
Superintendencia de Banca y Seguros del Per SBS.
Reglamento para el requerimiento de patrimonio
efectivo por riesgo de crdito. Resolucin N 14.354
del 30/10/2009. (2009). Lima, Per: Autor.
117
118
June 2010
anExo a
resultados estadsticos modelo Credit scoring
Edpyme Proempresa
Tabla A1.
Variables de la ecuacin en el modelo final
B
Paso ZONA(1)
1a SIT_LAB(1)
R3
R5
CRED_CON2
DEST_CRED(1)
GARANT(1)
VTOCRED_SBS(1)
TC
Constante
-4.98
-1.693
-3.062
1.274
-0.070
-1.088
-1.064
-4.356
0.241
8.703
E.T.
Wald
gl
Sig.
Exp(B)
0.081
0.563
0.552
0.275
0.017
0.136
0.083
0.233
0.010
0.639
37.967
9.032
30.782
21.399
16.244
64.501
166.253
348.203
532.525
185.375
1
1
1
1
1
1
1
1
1
1
0.000
0.003
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.608
0.184
0.047
3.576
0.932
0.337
0.345
0.013
1.273
6022.226
Superior
0.519
0.061
0.016
2.084
0.901
0.258
0.294
0.008
1.247
0.712
0.555
0.138
6.136
0.965
0.439
0.406
0.020
1.299
a. Variable(s) introducida(s) en el paso 1: ZONA, SIT_LAB, R3, R5, CRED_CON2, DEST_CRED, GARANT, TOCRED_SBS, TC.
Tabla A2.
Significatividad global del modelo de credit scoring
Prueba mnibus sobre los coeficientes del modelo
Chi-cuadrado
gl
Sig.
1848.966
1848.966
1848.966
9
9
9
0.000
0.000
0.000
Paso 1 Paso
Bloque
Modelo
Tabla A3.
Bondad del ajuste. Pseudo-R2
Resumen de los modelos
Paso
2 log de la
verosimilitud
Rcuadrado
de Cox y Snell
R cuadrado de
Nagelkerke
3817.438a
0.364
0.485
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea II
119
Tabla A4
Tabla de contingencias y prueba de Hosmer-Lemeshow
Y = ,00
Paso 1
1
2
3
4
5
6
7
8
9
10
Y = 1,00
Total
Observado
Esperado
Observado
Esperado
364
357
311
272
257
229
170
32
7
17
377.545
344.397
315.129
280.427
242.332
199.638
143.840
79.121
27.461
6.111
46
52
98
137
152
180
239
377
402
390
31.455
64.603
93.871
128.573
166.668
209.362
265.160
329.879
381.539
400.889
409
409
409
409
409
409
409
409
409
407
Paso
Chi-cuadrado
gl
Sig.
99.069
0.000
Tabla A5.
Matriz de correlaciones
Constant ZONA(1) SIT_LAB(1)
Paso Constante
1
ZONA(1)
SIT_LAB(1)
R3
R5
CRED_CON2
DEST_CRED(1)
GARANT(1)
VTOCRED_SBS(1)
TC
1.000
-0.076
-0.886
-0.151
-0.039
-0.041
-0.204
-0.125
-0.397
0.181
-0.076
1.000
-0.032
0.072
0.032
-0.059
0.026
-0.037
0.085
-0.059
-0.886
-0.032
1.000
0.039
0.009
0.000
0.003
-0.003
0.017
-0.041
R3
-0.151
0.072
0.039
1.000
0.151
-0.005
0.024
0.043
0.080
-0.075
R5
CRED_
CON2
DEST_
CRED(1)
-0.039
0.032
0.009
0.151
1.000
-0.246
-0.019
-0.093
0.015
0.067
-0.041
-0.059
0.000
-0.005
-0.246
1.000
-0.122
-0.063
-0.077
-0.051
-0.204
0.026
0.003
0.024
-0.019
-0.122
1.000
0.107
0.038
-0.021
GARANT(1)
VTOCRED_
SBS(1)
TC
-0.125
-0.037
-0.003
0.043
-0.093
-0.063
0.107
1.000
0.134
-0.164
-0.397
0.085
0.017
0.080
0.015
-0.077
0.038
-0.134
1.000
-0.174
0.181
-0.059
-0.041
-0.075
0.067
-0.051
-0.021
-.0164
-0.174
1.000
120
June 2010
Tabla A6
Tabla de clasificacin
Pronosticado
Observado
Paso 1
0.00
1.00
-00
1.00
1798
671
218
1401
Porcentaje
correcto
89.2
67.6
78.3
Porcentaje global
320
Step number: 1
Observed Groups and Predicted Probabilities
240
11 0 0 0 0 0 1
11
160
11
111
0 1 0 1111 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 111111111111111111
N
C
Y
80
0 0 0 0 0 0 0 0 0 1111111 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 111111111111111111
1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1111 0 11111110 0 0 0 0 0 11 0 0 0
11
111111
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 11111111111111111111111111111 0
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 11111111111111111 0
Predicted
Prob:
0
,
25
,5
,75
1
Group:
000000000000000000000000000000000011111111111111111111111111
Predicted Probability is of Membership for 1,00
The Cut value is ,58
Symbols: 0 ,00
1 1,00
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea II
anExo B
Curva Cor
Tabla B1.
Sensibilidad y especificidad del modelo
Punto de corte
Sensibilidad
Especificidad
0.0
3.2
12.7
25.3
37.9
48.0
56.2
63.1
70.2
76.7
82.4
86.7
89.2
90.5
93.3
96.3
97.8
98.8
98.8
98.8
99.1
100.0
100.0
98.6
98.1
97.1
94.9
92.3
88.6
84.7
81.1
77.1
73.2
69.7
67.6
66.2
62.5
58.5
54.2
48.2
43.3
36.2
24.3
0.0
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.35
0.40
0.45
0.50
0.55
0.58
0.60
0.65
0.70
0.75
0.80
0.85
0.90
0.95
1.00
Total
50.7
51.6
56.0
61.7
66.8
70.5
72.6
74.1
75.7
76.9
77.7
78.1
78.3
78.2
77.7
77.2
75.7
73.2
70.7
67.1
61.2
49.3
Tabla B2.
rea bajo la Curva COR.
Variables resultado de contraste: Probabilidad pronosticada
rea
0.859
Error tip.a
0.006
Sig. asintnicab
0.000
Intervalo de confianza
asinttico al 95%
Lmite inferior
Lmite
superior
0.847
0.870
121
1,0
0,8
Sensibilidad
122
0,6
0,4
0,2
0,0
0,0
0,2
0,4
0,6
1 Especificidad
0,8
1,0
June 2010
Vol. 15 N 28
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea ii
Anexo C
Diagramas de dispersin
Cambios experimentados por el coeficiente de las variables explicativas
123
124
June 2010