Las instituciones financieras firmes y robustas son necesarias en el funcionamiento de una economía sana, posibilitando que los recursos financieros circulen enérgicamente de los agentes con exceso de liquidez a los deficitarios, facultando un mayor número de proyectos, inversiones y consumo (Aguilar, Camargo, & Morales, 2004). Es imprescindible para una economía en crecimiento y constante desarrollo el mantener un sistema financiero saludable vigilando aspectos fundamentales como el no obstaculizar el ahorro y el crédito, modernizar los medios de pagos y supervisar la movilidad de los recursos financieros (Spiegel, Mark, & Andrew, 2009).
A lo largo de la historia, gran cantidad de países en el mundo han experimentado rigurosas transformaciones económicas presentadas por acontecimientos de crisis financieras. Estos episodios no han sido exclusivos de las economías en desarrollo; como es el caso de Argentina, Chile, Ecuador, Paraguay y Venezuela; sino que también han ocurrido en países industrializados como Japón y Estados Unidos. En las últimas décadas las crisis financieras han sido muy reiteradas tanto en países desarrollados como en países en vías de desarrollo, provocando grandes caídas de la producción y elevadas pérdidas fiscales (Caprio, 1998). La oportuna detección de la fragilidad financiera de las entidades financieras, que permita implementar las medidas correctivas necesarias para restaurar su solidez y limitar las pérdidas potenciales, es de vital importancia (Morón & Rudy, 2003).
Una actividad habitual de las entidades financieras es la concesión de créditos a empresas y a familias. Dicha actividad supone un riesgo para estas instituciones pues siempre existe una cierta probabilidad de que un crédito se convierta primero en dudoso, luego en moroso y por último, en fallido, lo que de ocurrir provoca un deterioro en el balance de esas entidades. La información desempeña un papel preponderante en los mercados crediticios.
Stiglitz, Joseph y Weiss (1981) mostraron que en equilibrio un mercado de crédito puede estar caracterizado por la existencia de restricciones de crédito. En este sentido, aunque las carteras de las instituciones financieras se hallen perfectamente diversificadas, los ciclos económicos, al afectar conjuntamente a empresas y familias, inciden necesariamente, a través del aumento de los volúmenes de créditos morosos dudosos y fallidos, en la rentabilidad ex-post de las operaciones crediticias. Por tanto, es lógico pensar que existan importantes oscilaciones cíclicas en los créditos morosos de las entidades financieras.
No obstante, este episodio comienza a cambiar a finales de los 90, resultado de la crisis financiera internacional, el fenómeno natural de El Niño de 1998 y el desplome del precio del petróleo USD 6.30 por barril fueron las principales variables que envolvieron al país en una recesión agresiva por su dependencia del presupuesto del Estado a esta materia prima. Según datos del Banco Central del Ecuador la crisis financiera ocasionó aproximadamente un 70% del cierre de las instituciones financieras del país. Para 1999 la actividad económica fue -7% y el sucre perdía su valor por 195%. Las pérdidas económicas se elevaron a 8,000 millones de dólares. El ingreso per cápita del dólar americano había caído por 32% durante aquel año.
Lea también: Constancia de Interés Pagado FOVISSSTE
Riesgo de Crédito y Morosidad
El riesgo de crédito es uno de los riesgos más importante al que debe hacer frente cualquier entidad financiera. Un indicador del riesgo crediticio es el nivel de morosidad de la entidad; es decir, la proporción de su cartera que se encuentra en calidad de incumplimiento (Aguilar, Camargo, & Morales, 2004). Según Freixas y Rochet (1998) La morosidad se considera la causa dominante que padece el sistema financiero, debido a que la viabilidad en el largo plazo se explica en gran medida por una reducida cartera morosa.
Si el regulador conoce las elasticidades y niveles de significancia de cada uno de los factores que explican la tasa de morosidad, podría implementar un sistema de alertas basado en la evolución de dichas variables. Las principales causas de una crisis financiera sean estos individuales (riesgos propios o diversificable) o del sistema (riesgo no diversificable) son principalmente el deficiente manejo recursos, ineficiencia en la utilización de los activos y el muy característico problema de morosidad de sus carteras crediticias (Ergungor & Thomson, 2005; Hardy & Pazarbasioglu, 1999; Demirguc & Detragiache, 1998).
En este sentido, ante los recientes escenarios financieros internaciones la literatura económica sugiere que una previsión de la morosidad es un fundamental mecanismo de planificación de políticas crediticias. Por ello, se precisa la construcción de modelos capaces de predecir la morosidad, y que aporten positivamente al sistema financiero. Es claro entonces, que los modelos estadísticos de alerta temprana son considerados una herramienta eficaz y útil para los organismos reguladores que funciona como un sistema funcional macroprudencial que permite anticipar riesgos en el sistema financiero (Gonzalez, 2011). La revisión de la literatura para esta investigación incluye las publicaciones de Freixas, Hevia e Inurrieta (1994), Delgado y Saurina (2004), Aguilar, Camargo y Morales (2004) y Vallorca y Delgado (2007). Estos estudios basándose en el caso español y peruano permiten estimar un modelo empírico para bancos y cooperativas.
Si las instituciones mantienen demasiado capital por una mala estimación de este riesgo, se reduce el riesgo de insolvencia (y las pérdidas esperadas para los depositantes), pero aumentan los costos y se reduce la eficiencia (Cabrera & Bazerque, 2010). Se proponen diversos modelos econométricos que pronostiquen la morosidad de cada segmento de crédito. El modelo ARIMA es un método de serie de tiempo que considera la historia de su propia variable, por lo cual necesita que se nutra de su propio pasado para pronosticar la actuación de la misma en el futuro (Romero, 2015). Un sistema de alerta temprana no solo puede ser útil a los directivos y propietarios de las entidades financieras, sino que podría contribuir en las resoluciones a tomarse por otros operadores como pueden ser los inversionistas que vayan a adquirir algún producto financiero, a los propios trabajadores de la entidad estudiando su futuro laboral o a los acreedores al momento de contratar un servicio financiero (Cano, 2015).
Para medir el riesgo del crédito, la literatura sugiere varios indicadores que calculan los niveles de morosidad de cartera; sin embargo, no se observa una postura que mencione cual es el mejor indicador para determinar los niveles de morosidad. La cartera atrasada, la cartera de alto riesgo, y la cartera pesada son los indicadores más utilizados (Salcedo, 2012). La definición de estos indicadores varía dependiendo del país. Estos indicadores a pesar de ser muy utilizados, contienen limitaciones debido a que se los obtiene de los estados financieros de las instituciones; y, en el ejercicio profesional estas tienden a retirar los créditos más deteriorados para mejorar sus indicadores de morosidad ante los organismos reguladores y ante el público en general.
Lea también: ¿Qué es la Discrepancia Fiscal?
Determinantes de la Morosidad Bancaria
La literatura sobre el análisis de los determinantes de la morosidad del sistema bancario ha evolucionado tras la necesidad de modelos que expliquen este fenómeno tales como los trabajos de Freixas, Hevia e Inurrieta (1994); Morón y Loo-Kung (2003); Aguilar, Camargo y Morales (2004); Vallcorba y Delgado (2007); Veloz (2007); Veloz y Georgina (2007); Gutiérrez y Vásquez (2008); Soto y Chacón (2011); y, Salcedo (2012). Sin embargo, existen numerosos trabajos sobre el fracaso en diversos sectores económicos que además de utilizar ratios económico-financieros incluyen variables macroeconómicas, debido a que varios autores afirman que el desarrollo económico de un país puede repercutir en los resultados obtenidos por una empresa, y en consecuencia, en su posible fracaso. Como también una conclusión compartida por los modelos teóricos y empíricos es que existe una correlación negativa entre ciclo económico y morosidad.
Davis (1992) menciona que el PIB, el endeudamiento empresarial y los tipos de interés están correlacionados con las quiebras empresariales tras efectuar un estudio a varios países de la Organización para la Cooperación y el Desarrollo Económico. Freixas, Hevia e Inurrieta (1994) y Saurina (1998) basan su estudio haciendo énfasis en los determinantes macroeconómicos y microeconómicos que influyan en el comportamiento de la morosidad bancaria de España, encontrando que la actividad económica tiene una conducta cíclica con respeto al endeudamiento y una conducta contra cíclica con respecto al nivel de morosidad. Ledgerwood (1999) sintetiza que un elevado nivel de morosidad dificulta un correcto funcionamiento de las instituciones financieras, para contrarrestarlo sugiere un monitoreo más riguroso de los créditos.
Sin embargo, esto conlleva un incremento en los costos de las instituciones y por ende una reducción en sus beneficios ocasionando potenciales problemas de liquidez y probablemente acarrear perdidas de rancias de capital.
Análisis de Datos y Modelos ARIMA
La investigación fue realizada con datos de comportamiento mensual de la morosidad de cada segmento de destino del crédito bajo un estudio de tipo descriptivo donde se utilizaron modelos ARIMA. Los datos estadísticos utilizados, registrados como morosidad de cartera del sector productivo corporativo, productivo empresarial, productivo pymes, vivienda, microcrédito minorista, microcrédito acumulación simple, competen al periodo comprendido entre febrero del 2010 a marzo del 2015.
La oferta monetaria, el PIB, precios de las materias primas, salarios, tasa de desempleo, inflación, depreciación de la moneda, tipos de interés (nominales o reales), ratio de endeudamiento o del servicio de la deuda, renta disponible, son las principales variables macroeconómicas que se utilizan como factores explicativos de la morosidad del sistema financiero. En primer lugar, estarían las variables de la variación del PIB por estar relacionadas directamente con el ciclo económico, una mayor cantidad de créditos otorgados impulsa a la economía por lo que este tiene un comportamiento pro cíclico. Por otro lado, presenta una relación negativa respecto a la morosidad porque en tiempos de recesión económica los hogares y empresas se les dificultan cumplir con las obligaciones.
Lea también: Guía del Impuesto PAIS
En segundo lugar, se encuentran las variables como el tipo de interés, los salarios reales, los precios de las materias primas y la renta disponible, que afectan directamente a la capacidad de pago de los agentes económicos sea bajo la óptica de sus ingresos o de sus costes. Es importante señalar que estas variables se encuentran ligadas fuertemente al ciclo económico. Los créditos concedidos por el sistema financiero privado han sido los únicos considerado en este trabajo, debido a que el esquema de las instituciones del sector público es diferente y claramente demostrable por su dirección, funcionamiento y política estatal del gobierno de turno. La definición de morosidad utilizada se basa en el resultado del cociente entre créditos vencidos y el total de créditos.
A partir de la revisión de los trabajos empíricos existentes y de los modelos teóricos, se seleccionó́ un amplio conjunto de variables macroeconómicas y del sistema financiero en general, que podrían constituir factores explicativos de la morosidad en Ecuador. Todas las series citadas son mensuales, y cubre un periodo de 5 años, desde el primer trimestre de 2010 hasta el primer trimestre de 2015.El diseño y ajuste de un modelo ARIMA se realiza en tres etapas sucesivas: la identificación, la estimación y la revisión diagnostica (Box & Jenkins, 1976), apoyados todos ellos por el principio de parsimonia.
Este modelo supone linealidad donde la variable temporal (Yt) está en función de valores pasados Yt-1, yt-2,…,Yt-p, donde p describe el número de rezagos para predecir el valor acutal (Yt). Los parámetros de los modelos son Φi y θi y los valores de fuente externa está definido por (Ut). Donde ε es el proceso temporal puramente aleatorio (ruido blanco), distribución normal (0, σ2 ) para todo t. Cuando la media, varianza y covarianza de la serie son constantes en el tiempo, quiere decir que el modelo ARIMA tiene utilidad porque (Yt) es estacionaria. La inducción de la diferenciación es necesaria cuando la estacionalidad no es clara (Kennedy, 1998). Se utiliza la transformación logarítmica y las diferencias de la variable en el caso que la serie resulte no estacional o persista en la no estacionalidad para someterse a una prueba Dickey y Fuller aumentada (Evans, 2003).
Con el análisis de la gráfica de los residuos en busca de evidencia de valores extremos y periodos en los cuales el modelo no se ajusta a los datos, se realiza un diagnostico con los modelos seleccionados para determinar la presencia de autocorrelación. Determinar que los residuos son un proceso puramente aleatorio se lo canaliza mediante el estadístico Q acompañado de un nivel de significancia p, por ende mientras más significativo sea, mayor confianza se puede depositar en la hipótesis nula. Con base a los procedimientos indicados y considerando que las variables macroeconómicas fueron rezagadas ex ante en doce meses para modelar las morosidades de los distintos segmentos de los créditos del sector financiero privado bajo regulación de la Superintendencia de Bancos, con la finalidad de probar la significancia de los modelos con mínimo rezagos de un año, se propusieron los modelos ARIMA (p,d,q), (p,d,q) con la ayuda del programa SPSS versión 24.
Las variables explicativas analizadas fueron la morosidad del sistema y de los siguientes segmentos: productivo corporativo, productivo empresarial, productivo pequeñas y medianas empresas, consumo, vivienda, microcrédito minorista, microcrédito acumulación simple.