UNIVERSIDAD SAN IGNACIO DE LOYOLA FACULTAD DE...

UNIVERSIDAD SAN IGNACIO DE LOYOLA

FACULTAD DE CIENCIAS EMPRESARIALES

Economía

“Determinantes de la Morosidad en el Sistema Bancario en una

Economía Dolarizada: El caso del Perú durante el período 2005 -

2016”

Tesis para optar el título profesional de licenciado en:

Economía

Nombres y Apellidos:

Fiorella Lizbeth Jaramillo Cano

Angella Emperatriz Trevejo Curi

Asesor:

Mg. Robles Lara, Jesús

Lima- Perú

2017

2

“Determinantes de la Morosidad en el Sistema Bancario en una

Economía Dolarizada: El caso del Perú durante el período 2005 -

2016”

Fecha de Sustentación y Aprobación: Miércoles 01 de marzo de 2017

Presidente de Jurado

Dr. Leopoldo Taddei Diez

Jurados:

Mag. Canales Rimachi, Jaime

Mag. Urbina Padilla, Dante

3

TABLA DE CONTENIDO

CAPÍTULO 1. INTRODUCCIÓN ........................................................................... 7

1.1. Planteamiento del problema .............................................................................. 8

1.2. Formulación del problema ................................................................................. 9

1.3. Justificación de la investigación ......................................................................... 9

1.4. Objetivos de la investigación ............................................................................10

1.4.1. Objetivo General .......................................................................................10

1.4.2. Objetivos Específicos ...............................................................................10

1.5. Hipótesis de la investigación ............................................................................10

1.5.1. Hipótesis General .....................................................................................10

1.5.2. Hipótesis Específicas ................................................................................10

CAPÍTULO 2. MARCO REFERENCIAL ............................................................. 12

2.1. Antecedentes ...................................................................................................12

2.1.1. Investigaciones Nacionales ......................................................................12

2.1.2. Investigaciones Internacionales ................................................................13

2.2. Marco Teórico ..................................................................................................16

2.2.1. Morosidad .................................................................................................16

2.2.2. Factores macroeconómicos que determinan la morosidad .......................16

2.2.3. Factores microeconómicos que determinan la morosidad ........................17

2.3. Evidencia empírica de la relación de la morosidad con el crecimiento

económico, la inflación, el tipo de cambio y la tasa de desempleo ...............................18

2.3.1. La morosidad y el crecimiento económico ................................................18

2.3.2. La morosidad y la inflación .......................................................................18

2.3.3. La morosidad y el tipo de cambio .............................................................19

2.3.4. La morosidad y la tasa de desempleo .......................................................19

2.4. Morosidad en el Sistema Bancario Peruano durante el periodo 2005-2015 ......20

2.5. Dolarización del Crédito en el Sistema Bancario Peruano durante el periodo

2005-2015 ....................................................................................................................21

2.6. Efecto de los determinantes macroeconómicos en el comportamiento esperado

de la morosidad del Sistema Bancario Peruano durante el periodo de estudio ............22

2.7. Caracterización de la economía peruana durante el periodo de análisis 2005-

2015…. ........................................................................................................................23

2.8. Debilidades del Sistema bancario peruano .......................................................27

4

CAPÍTULO 3. METODOLOGÍA…. ..................................................................... 28

3.1. Tipo y diseño de investigación ..........................................................................28

3.1.1. Tipo de investigación ................................................................................28

3.1.2. Diseño de investigación ............................................................................28

3.2. Variables ..........................................................................................................28

3.3. Participantes ....................................................................................................28

3.4. Instrumentos de investigación ..........................................................................29

3.5. Procedimientos .................................................................................................29

CAPÍTULO 4. PRESENTACIÓN DE RESULTADOS…. ................................. …31

4.1. Resultados .......................................................................................................31

4.1.1. Análisis de las series y determinación de los rezagos del modelo ............31

4.1.2. Estimación del modelo VAR .....................................................................38

4.2. Discusión ..........................................................................................................49

4.3. Conclusiones ....................................................................................................51

4.4. Recomendaciones ............................................................................................52

ANEXOS…………....... ............................................................................................... 56

Anexo 1. Series mensuales de las Variables DMOR, DTDES, VIPC, VTC para el

periodo enero de 2005 a octubre de 2016. ...................................................................56

Anexo 2. Prueba de Raíz Unitaria de las Variables DMOR, DTDES, VIPC, VTC que

fueron incorporadas al modelo VAR .............................................................................59

5

ÍNDICE DE TABLAS

Tabla 1. Prueba de raíz unitaria de MOR primer nivel ................................................ 31

Tabla 2. Prueba de raíz unitaria de DMOR primera diferencia ................................... 32

Tabla 3. Prueba de raíz unitaria de TDES primer nivel .............................................. 32

Tabla 4. Prueba de raíz unitaria de DTDES primera diferencia .................................. 33

Tabla 5. Prueba de raíz unitaria de VIPC primer nivel ................................................ 33

Tabla 6. Prueba de raíz unitaria de VTC primer nivel ................................................. 34

Tabla 7. Criterios para la selección de los rezagos del modelo VAR de variables DMOR,

DTDES, VIPC, VTC. ................................................................................................... 35

Tabla 8. Test para la exclusión de los rezagos del modelo VAR de variables DMOR,

DTDES, VIPC, VTC. ................................................................................................... 36

Tabla 9. Modelo VAR con siete rezagos de variables DMOR, DTDES, VIPC, VTC ... 38

Tabla 10. Estructura del Modelo VAR de variables DMOR, DTDES, VIPC, VTC ....... 42

Tabla 11 Descomposición de la Varianza del Modelo VAR de variables DMOR, DTDES,

VIPC, VTC .................................................................................................................. 47

Tabla 12 Test de Causalidad de Granger del Modelo VAR de variables DMOR, DTDES,

VIPC, VTC .................................................................................................................. 47

6

ÍNDICE DE FIGURAS

Figura 1. Ratio de morosidad (porcentaje) .................................................................. 21

Figura 2. Dolarización del Crédito en el Sistema Bancario Peruano (porcentaje) ........ 22

Figura 3. Crecimiento económico (variación porcentual) ............................................. 24

Figura 4. Inflación (variación porcentual) .................................................................... 25

Figura 5. Tipo de cambio (variación porcentual) ......................................................... 26

Figura 6. Tasa de Desempleo (porcentaje) ................................................................. 27

Figura 7. Correlograma de autocorrelación de los Residuos del Modelo de variables

DMOR, DTDES, VIPC, VTC. ...................................................................................... 37

Figura 8. Condición de Estabilidad del Modelo VAR de variables DMOR, DTDES, VIPC,

VTC ............................................................................................................................ 41

Figura 9. Función Impulso Respuesta de la Morosidad Bancaria a la Tasa de Desempleo

................................................................................................................................... 43

Figura 10. Función Impulso Respuesta de la Morosidad Bancaria a la Inflación ......... 44

Figura 11. Función Impulso Respuesta de la Morosidad Bancaria a la Variación del Tipo

de Cambio .................................................................................................................. 45

7

CAPÍTULO 1. INTRODUCCIÓN

El sistema bancario desempeña un rol importante en el crecimiento económico, en

el sentido, que a través del financiamiento, los bancos proporcionan liquidez a los

inversionistas de las empresas (Viswanadham & Nahid, 2015).

Según Chavarín (2015), un sistema bancario óptimo promueve el crecimiento de

las actividades empresariales contribuyendo al crecimiento y desarrollo económico del

país. No obstante, el crecimiento de la economía se ve desalentado cuando el sistema

bancario por razones de seguridad, limita excesivamente el crédito a las actividades

empresariales o impulsa excesivamente el crédito asumiendo riesgos que podrían

deteriorar su desempeño.

De acuerdo a lo mencionado, se puede inferir que los bancos cumplen un

importante rol que estimula el crecimiento de la economía, por lo mismo es indispensable

que el Banco Central de Reserva del Perú formule e implemente las medidas necesarias

para la eficiente administración del ratio de morosidad crediticia.

Por lo mismo, Aguilar, Camargo, y Saravia (2004) mencionan que es sumamente

importante tener identificados los determinantes de la morosidad en el sistema bancario,

con la finalidad de que el ente encargado de la regulación de la cartera de créditos pueda

mantener o mejorar la calidad de los créditos otorgados. Asimismo, se puede agregar que

es de esperar que el conocimiento de los efectos que tienen estos determinantes

macroeconómicos permita implementar las acciones necesarias para la prevención del

deterioro de la cartera morosa, en el caso de que surgiera una crisis económica.

Al respecto se han realizado diversas investigaciones que analizan la relación

tanto de los determinantes macroeconómicos y microeconómicos con el ratio de

morosidad crediticio.

En consecuencia, la investigación tiene como objetivo determinar la relación e

identificar el efecto de las variables macroeconómicas tales como el crecimiento del

Producto Bruto Interno, la Tasa de Desempleo, la Inflación y el Tipo de Cambio en la

morosidad del sistema bancario peruano durante el periodo de enero de 2005 a octubre

de 2016. Para ello, se utilizaron series mensuales comprendidas en el periodo de estudio

que fueron obtenidas del Banco Central de Reserva del Perú y de la Superintendencia de

Banca y Seguros. El análisis de las series se realizó utilizando la metodología de

Vectores Auto Regresivos VAR.

8

Para lograr el objetivo tanto a nivel teórico como práctico se ha dividido la

investigación en cuatro secciones: en el primer capítulo se plantea la formulación del

problema, los objetivos y las hipótesis correspondientes. En el segundo capítulo se

presentan los antecedentes nacionales e internacionales, marco teórico y las

investigaciones empíricas que confirman la relación entre las variables de estudio. En el

tercer capítulo se desarrolla la metodología utilizada para validar la investigación. En el

cuarto capítulo se presenta las pruebas correspondientes, así como la exposición de los

resultados, las conclusiones y recomendaciones.

1.1. Planteamiento del problema

El comportamiento de la economía peruana ha reflejado su fortaleza frente al

escenario adverso internacional, debido a la apropiada administración macroeconómica

del ente regulador. En este contexto, el sistema bancario peruano se ha mostrado sólido

y solvente, aun cuando el ratio de morosidad se ha deteriorado como consecuencia de

las fluctuaciones del desempeño económico y del tipo de cambio (Asociación de Bancos

del Perú, 2016). Al respecto, el tipo de cambio afecta la morosidad del sistema bancario

debido a la condición de dolarización del sistema financiero peruano.

El elevado nivel de dolarización de la cartera crediticia del sistema bancario

peruano, representa un riesgo eminente ante una depreciación del tipo de cambio. Para

mitigar este riesgo, actualmente se ha reducido la participación de la cartera de créditos

bancarios en dólares. Sin embargo, debido a la composición de la cartera en moneda

extranjera en los últimos años se ha observado que el ratio de morosidad ha seguido una

leve tendencia creciente (Asociación de Bancos del Perú, 2016).

En consecuencia, es importante considerar los riesgos que representa para el

sistema bancario peruano el nivel de participación de los préstamos en moneda

extranjera que conforman la cartera de créditos y su relación con la morosidad.

Como señala Chavarín (2015), el comportamiento del ratio de morosidad del

sistema bancario responde a diversos factores de la economía, factores políticos y

factores regulatorios; y su valor entre los bancos diverge principalmente por las

diferencias que existen en las políticas y recursos tecnológicos con los que administran

los créditos.

Asimismo, el índice de morosidad resulta importante no solo para la empresa o

entidades financieras, puesto que esta información también permite al regulador

9

financiero, según cuál sea la situación del sistema bancario, implementar políticas para

mantener o mejorar la calidad de las carteras de colocaciones (Banco de México, 2014).

Es primordial que los bancos implementen medidas de control que aseguren el

cumplimiento de los préstamos, con la finalidad de mantener los ratios de morosidad

dentro de los márgenes establecidos en sus políticas, que le permitan operar de manera

rentable o sostenible tanto cuando las condiciones de la economía son favorables como

adversas.

Los efectos adversos originados por el impacto de una crisis del sector bancario

inciden de manera negativa y significativa en el sector real, monetario y fiscal de la

economía, poniendo en riesgo los programas implementados sobre todo en los países

emergentes como el Perú. En este sentido, los efectos adversos generados por la crisis

financiera asiática, pusieron de manifiesto la importancia de reformular la administración

del riesgo del sistema bancario. En este contexto, en algunos países se puso en

evidencia la necesidad de fortalecer la seguridad de las operaciones de crédito para

reducir la vulnerabilidad de los sistemas bancarios con el fin de corregir sus debilidades y

otorgarles sostenibilidad. Mientras que en otros países con un sistema financiero más

sólido se implementaron medidas de seguridad para afrontar los posibles rezagos del

contagio en el caso de que ocurriera una crisis financiera futura (Serra & Zuñiga, 2002).

1.2. Formulación del problema

De acuerdo a los detalles que se mencionaron en el planteamiento del problema,

se formuló la siguiente pregunta de investigación: ¿Cuáles son los determinantes

macroeconómicos de la morosidad en el sistema bancario peruano, durante el periodo

enero 2005 – octubre 2016?

1.3. Justificación de la investigación

El desempeño financiero de los bancos está determinado en gran parte por los

volúmenes de ingresos que perciben como producto de los intereses generados por los

préstamos. No obstante, cuando los préstamos se convierten en cartera morosa, se

deteriora el rendimiento de los bancos, afectando negativamente su capacidad para

promover el desarrollo de la economía (Mabvure, Gwangwava, Faitira, Mutibvu &

Kamoyo, 2012).

En este sentido, considerando la importancia que tiene el sistema bancario en el

rendimiento de la economía, la investigación tiene relevancia desde el punto de vista

10

económico, porque el conocimiento de la relación y efecto que ejercen las variables

macroeconómicas sobre la evolución del ratio de morosidad crediticia es relevante para

diseñar las medidas reguladoras que promuevan el desempeño óptimo de los bancos,

para fortalecer sus operaciones crediticias y disminuir el nivel de morosidad para que

puedan cumplir el rol fundamental de contribuir al crecimiento de la economía.

Con la finalidad de analizar la respuesta de la morosidad del sistema bancario a

las fluctuaciones de las variables macroeconómicas tanto en un entorno de crisis

financiera como en un entorno de estabilidad financiera, se ha considerado relevante

analizar las series para el periodo enero 2005 – octubre 2016.

1.4. Objetivos de la investigación

1.4.1. Objetivo General

La investigación propone identificar los determinantes macroeconómicos de la

morosidad en el sistema bancario peruano, durante el periodo enero 2005 – octubre

2016.

1.4.2. Objetivos Específicos

− Establecer la relación y el efecto que existe entre la variación de la tasa de

desempleo y la morosidad en el sistema bancario peruano.

− Determinar la relación y el efecto que existe entre la tasa de inflación y la

morosidad en el sistema bancario peruano.

− Identificar la relación y el efecto que existe entre la variación del tipo de cambio y

la morosidad en el sistema bancario peruano.

1.5. Hipótesis de la investigación

1.5.1. Hipótesis General

La investigación plantea como hipótesis general que los determinantes

macroeconómicos tales como la tasa de inflación, la variación del tipo de cambio y la

variación de la tasa de desempleo ejercen efecto en la morosidad del sistema bancario

peruano, durante el periodo enero 2005 – octubre 2016.

1.5.2. Hipótesis Específicas

− La relación entre la variación de la tasa de desempleo y la morosidad en el

sistema bancario peruano es directa y tiene un efecto significativo.

11

− La relación entre la tasa de inflación y la morosidad en el sistema bancario

peruano es directa y tiene un efecto significativo.

− La relación entre la variación del tipo de cambio y la morosidad en el sistema

bancario peruano es directa y tiene un efecto significativo.

12

CAPÍTULO 2. MARCO REFERENCIAL

2.1. Antecedentes

2.1.1. Investigaciones Nacionales

A continuación, se presentan los alcances encontrados en las investigaciones

empíricas sobre los determinantes de la morosidad en el Perú.

Frkovich, Jara, Rodríguez, y Dentone (2016), efectuaron un estudio para

determinar la correlación existente entre el ciclo económico y la morosidad del crédito de

consumo en el Perú influenciado por la tasa de interés activa en moneda nacional. Para

analizar la dinámica presente en las variables durante los años 2009-2014, emplearon un

modelo de Vectores Auto Regresivos (VAR), adicionalmente utilizaron la función de

impulso respuesta con la finalidad de analizar el impacto del ciclo económico en la

morosidad. Los investigadores, como resultado del análisis realizado concluyeron que la

relación que se presenta entre el ciclo económico y la morosidad en el crédito de

consumo es inversa.

Aguilar et al. (2004), realizaron una investigación de carácter empírico para

encontrar las variables macroeconómicas y microeconómicas que impactan en la

morosidad del sistema bancario del Perú. Para este fin, utilizaron un modelo de datos de

panel dinámico, en el que analizaron las series comprendidas entre 1993 y 2003. Los

resultados obtenidos por los investigadores comprobaron que tanto los componentes

macroeconómicos como los microeconómicos determinan la morosidad en la banca del

Perú. Por ello, es importante considerar no solo los efectos de las variables

macroeconómicas en la morosidad, sino también el de las variables internas del sector

bancario. Al respecto, como resultado se encontró que el ciclo económico presenta una

relación negativa con la morosidad, entonces cuando el crecimiento económico es

positivo la morosidad de sistema bancario disminuye, mientras que cuando la economía

se encuentra en recesión, la ratio de morosidad se incrementa. Por el contrario del

análisis del nivel de endeudamiento se encontró que no es relevante su efecto en la

morosidad, debido a que en el caso peruano la participación de los créditos sobre el PBI

es inferior al de otros países.

Por otro lado, el estudio empírico de Cermeño, León, y Mantilla (2011) fue

realizado con el objetivo de hallar cuáles eran los determinantes implicados en la

morosidad del sistema de las cajas municipales peruanas. Para ello, utilizaron un estudio

panel en el que analizaron las series mensuales para el periodo 2003-2010. En este

13

estudio se propone que la tasa de interés de los créditos, la liquidez y la intermediación

de fondos medida por el ratio créditos a depósito ejercen un efecto positivo en las tasa de

morosidad. Además, la actividad económica del país expresada como la variación

porcentual del producto bruto interno incide de forma negativa en la morosidad del

sistema de las cajas municipales de ahorros y créditos del Perú. Los investigadores

concluyeron que el organismo supervisor para contrarrestar los efectos adversos futuros

en la morosidad, debe estimular la administración óptima de las tasas de interés que

existen en las cajas municipales. Además, recomiendan a las entidades considerar la

inclusión del crecimiento del producto bruto interno para la realización de sus

proyecciones.

Álvarez (2014), elaboró un estudio con el objetivo de analizar durante el periodo

2002-2011 los factores que influyen en la morosidad de las instituciones microfinancieras

del Perú tales como: las cajas municipales de ahorro y crédito, y las empresas de

desarrollo de la pequeña y microempresa. Para elaborar el análisis, la metodología

utilizada fue la de datos de panel, el análisis de cointegración de datos panel y el modelo

de vectores auto regresivos VAR. Como resultado del estudio se encontró que las

variables macroeconómicas como el producto bruto interno y el riesgo país explican la

morosidad: mientras que las variables microeconómicas como las colocaciones por

deudor y por empleado, la rentabilidad de los activos y los créditos que fueron

refinanciados son las que influyen en la morosidad. Además, con el modelo VAR se

comprobó la persistencia de la morosidad debido a que sus valores pasados explican la

dinámica de su comportamiento.

2.1.2. Investigaciones Internacionales

En el ámbito internacional se encontraron los siguientes estudios empíricos sobre

los determinantes de la morosidad en diversos países latinoamericanos.

Salcedo (2012), realizó una investigación para identificar las variables

macroeconómicas que incidieron en el nivel de morosidad de crédito del sistema

financiero de República Dominicana y de cada sector que lo integra durante el periodo

2000-2012. La metodología utilizada fue el análisis de cointegración y la corrección de

error. Como resultado de la investigación se encontró que el nivel de morosidad del

sistema financiero dominicano en el largo plazo se comporta más sensible frente a las

variables de desempleo, actividad económica, inflación y tasa de interés activa; mientras

su desempeño en el corto plazo se relaciona principalmente al comportamiento de la tasa

14

de interés activa (costo del financiamiento). Además, para determinar el impacto de las

variables macroeconómicas en los niveles de morosidad del sistema financiero realizó

pruebas de tensión simulando diferentes escenarios macroeconómicos. Se concluyó que

el sistema financiero de República Dominicana actualmente presenta mejores

condiciones para soportar un deterioro significativo en el entorno macroeconómico que

las magnitudes experimentadas cuando ocurrió la crisis financiera.

Sellan (2011), realizó un estudio para determinar la morosidad en el sector

bancario ecuatoriano, para tal fin, se analizaron las variables macroeconómicas y

microeconómicas que impactan en los niveles de la morosidad del sistema bancario.

Como resultado del estudio se encontró que la morosidad se relaciona directamente con

el grado de endeudamiento de los agentes y el tipo de cambio real. Se concluyó que el

ciclo económico es un factor relevante que afecta la morosidad. Igualmente, la restricción

de liquidez expresada como la tasa de interés activa, la depreciación de la moneda

nacional y el mayor endeudamiento de las empresas impactan sobre la morosidad. Por

otra parte, la morosidad se vería afectada significativamente, en caso de ocurrir una

depreciación real, debido a que el tipo de cambio real se asocia con el encarecimiento de

las importaciones.

Giraldo (2010), desarrolló una investigación para identificar los factores

determinantes de la morosidad en el sistema financiero de Colombia durante el periodo

1995-2009 con series mensuales. Para ello, utilizó un modelo de Vectores

Autorregresivos (VAR) con la finalidad de estimar la función de impulso-respuesta de las

variables y la relación de causalidad de Granger. Los factores microeconómicos incluidos

en el modelo fueron: el tamaño del banco expresado como el índice de la participación de

la cartera de créditos en el sistema bancario; la eficiencia expresada como el nivel de

gastos administrativos (gastos de personal, generales, depreciaciones y amortizaciones)

y la cobertura de garantías, expresada como el valor de los créditos sin garantías

admisibles. Mientras que los factores macroeconómicos incluidos fueron: el desempeño

económico expresado como el índice de producción industrial y la demanda nacional

energética, y las variables monetarias expresadas como la tasa de interés real de los

depósitos de certificados a término.

Díaz (2009), realizó un estudio teórico y empírico para analizar los determinantes

del ratio de morosidad de las entidades que conforman el sistema financiero de Bolivia. El

análisis se efectuó utilizando la metodología de datos de panel durante el periodo 2001-

2008. Se incluyeron variables macroeconómicas y microeconómicas para analizar la

15

relación que existe entre el ratio de morosidad y el ciclo económico, la depreciación del

tipo de cambio, así como también el crecimiento de la cartera bruta, el grado de

eficiencia, la especialización crediticia, entre otras variables. Como resultado del estudio

se halló que existe una relación negativa entre la tasa de crecimiento del PBI y el ratio de

morosidad, mientras que el endeudamiento de las empresas fue significativo. La

depreciación de la moneda nacional tuvo un efecto positivo sobre la morosidad de la

cartera bruta. El crecimiento de la cartera no presentó un efecto muy significativo en la

morosidad. Los gastos administrativos no fueron significativos.

Vallcorba y Delgado (2007), realizaron un estudio para identificar los

determinantes macroeconómicos de la morosidad bancaria en Uruguay y la existencia de

cointegración entre las variables. Como resultado del estudio los investigadores

concluyeron que es importante el riesgo cambiario crediticio en una economía con un

sistema bancario dolarizado, por este motivo la reducción de los salarios en dólares y el

incremento del tipo de interés originan un incremento en la morosidad del sistema

bancario.

Quiñonez y Gonzáles (2006), elaboraron una investigación para analizar la

evolución y los determinantes de la morosidad en el sistema bancario de Ecuador. Los

investigadores utilizaron un modelo de tipo panel de datos y consideraron el análisis de

variables macroeconómicas tales como: la tasa de crecimiento del producto bruto interno

y el tipo de cambio real; y variables microeconómicas como: las políticas de créditos, los

controles de los bancos y los rezagos de la morosidad de los bancos utilizando series

entre 1995-2005. Se concluyó que los rezagos de la morosidad aportan en la explicación

del nivel de morosidad, por lo tanto cuando la existencia de morosidad en periodos

previos alerta a los responsables de las instituciones el incremento de la morosidad en

periodos posteriores. La morosidad del sistema bancario se asocia inversamente con el

ciclo económico, por lo que en ciclos de crecimiento, la morosidad de reduce. Mientras

que el nivel de endeudamiento de los agentes de la economía es una variable relevante

que explica la morosidad, debido al alto porcentaje que representan los créditos sobre el

PBI ecuatoriano. Por otro lado el spread real de las entidades bancarias afecta

negativamente la morosidad.

16

2.2. Marco Teórico

2.2.1. Morosidad

El índice de morosidad es el ratio obtenido como cociente de la cartera de crédito

vencida y en cobranza judicial sobre el total de la cartera de créditos (Lizarzaburu & Del

Brío, 2016). El ratio de morosidad puede ser medido para cada una de las entidades que

integran el sistema financiero o a nivel global, y es una manifestación del retardo que

ocurre en el cumplimiento del pago del acreditado (Comisión Nacional Bancaria y de

Valores, s.f.).

El índice de morosidad es relevante tanto para las entidades financieras como

para el ente regulador, en la medida que aporta información sobre la condición crediticia

del sistema financiero para la implementación de políticas que mejoren o mantengan la

calidad de la cartera de colocaciones (Banco de México, 2014 como se citó en

Lizarzaburu & Del Brío, 2016).

Por ello, en la economía uno de los índices importantes en el análisis de las crisis

financieras es la observación del ratio de morosidad (Torrent, 2010). En este sentido, una

de las primeras señales que presagiaron la crisis financiera de Estados Unidos del año

2007, fue el incremento en el ratio de morosidad de la cartera hipotecaria como

consecuencia de la caída de los precios de las viviendas en el año 2005 (Banco de

México, 2009).

Como se mencionó anteriormente, el cumplimiento del pago de crédito del sector

empresarial a los bancos, genera mayor rentabilidad en las operaciones de los bancos lo

que estimula el crecimiento de la economía.

Por ello, las empresas que establecen una estrecha relación con los bancos,

tienen mayores oportunidades de obtener financiamiento durante las épocas de recesión

(Viswanadham & Nahid, 2015).

2.2.2. Factores macroeconómicos que determinan la morosidad

Los factores macroeconómicos que determinan la variación de la morosidad

crediticia bancaria han sido estudiados por diversos investigadores.

Según Aguilar et al. (2004), afirmaron que durante los ciclos de crecimiento

económico la morosidad crediticia bancaria se reduce debido a la mayor solvencia de los

acreditados, mientras que en los ciclos de contracción del crecimiento económico, el

17

pago de los préstamos se reduce y por ello se deteriora el ratio de morosidad crediticio

bancario. Sin embargo, a pesar de la relación que existe entre estas dos variables, puede

ocurrir que el efecto del ciclo económico sobre el ratio de morosidad no se observe en el

corto plazo.

Por lo tanto, en las economías que tengan una mayor participación de la cartera

crediticia sobre el producto bruto interno, el efecto del ciclo económico sobre la

morosidad se presentará en menor plazo, como en el caso de las economías

desarrolladas. Mientras que en las economías que tengan una menor participación de la

cartera de créditos sobre el producto bruto interno, el efecto del ciclo económico sobre la

morosidad se apreciará en el largo plazo.

De manera similar, Agarwal y Liu (2003), consideraron el incremento en la tasa de

desempleo como una de las variables macroeconómicas que impacta de manera

significativa en el incremento en la morosidad de la cartera de las tarjetas de crédito del

sistema bancario estadounidense.

Por otro lado, otras variables macroeconómicas que han sido analizadas para

explicar la relación de los determinantes macroeconómicos con la morosidad están

relacionados con la liquidez. En este sentido Cermeño et al. (2011), propone que la tasa

de interés de los créditos tiene una relación significativa y un efecto positivo sobre la

morosidad crediticia, mientras que la liquidez de la moneda nacional y el ratio créditos a

depósito tienen una relación directa y un efecto menor en la morosidad crediticia.

En síntesis, las variables macroeconómicas que determinan el desempeño del

ratio de morosidad del sistema bancario están relacionadas con el ciclo económico, la

liquidez del sistema, entre otros factores.

2.2.3. Factores microeconómicos que determinan la morosidad

Los factores microeconómicos que determinan la variación de la morosidad

crediticia bancaria han sido analizados por diversos estudios.

Al respecto, la investigación de Álvarez (2014), encontró que el de nivel

endeudamiento por cliente y el volumen de colocaciones por empleado, demuestran que

las instituciones microfinancieras tienen una mejor administración de las colocaciones por

empleado debido a que esta variable incide negativamente sobre el nivel de morosidad,

lo que deriva en una mejor asignación crediticia por parte de los analistas. No obstante,

18

se genera un costo por el nivel de endeudamiento del cliente, que refleja un resultado

positivo.

2.3. Evidencia empírica de la relación de la morosidad con el crecimiento

económico, la inflación, el tipo de cambio y la tasa de desempleo

2.3.1. La morosidad y el crecimiento económico

El análisis de la relación que se presenta entre la morosidad del sistema bancario

y el crecimiento económico ha sido confirmado por diversos estudios empíricos

realizados tanto a nivel internacional como nacional.

Tarron y Sukrishnalall (2009) elaboraron un estudio para identificar los

determinantes de la morosidad en el sistema bancario de Guyana en el periodo 1994-

2004, como resultado del análisis se confirmó una relación negativa muy significativa

entre la morosidad del sistema bancario y el crecimiento económico real.

Asimismo, Cruz, Durán, y Muñoz (2001), en un estudio realizado en Costa Rica

sobre la morosidad del crédito del sistema bancario, hallaron que la actividad económica

tiene una relación negativa y afecta la morosidad crediticia significativamente después del

décimo mes en que ocurre la variación en el ciclo económico, mostrando la mayor

significatividad en el doceavo mes.

En el mismo sentido, otros estudios encontraron una relación, inversa entre el

ciclo económico y la morosidad crediticia como los realizados por Álvarez (2014),

Cermeño et al. (2011), Frkovich et al. (2016), cuyos resultados fueron presentados con

mayor detalle anteriormente.

2.3.2. La morosidad y la inflación

La relación que se encuentra entre el ratio de morosidad y la inflación ha sido

explicada en algunos estudios.

En la investigación realizada para identificar las variables que afectan la

morosidad crediticia del sistema bancario de Costa Rica, Cruz et al. (2001), demostraron

que la inflación tiene una relación positiva y un efecto significativo en la morosidad

crediticia, su efecto se manifiesta en el corto plazo, y se prolonga por 12 meses,

mostrando el mayor impacto en el cuarto mes.

19

De la misma forma, otros estudios encontraron una relación, directa entre la

inflación y la morosidad crediticia como los realizados por Salcedo (2012). Los resultados

encontrados en estos estudios se presentaron anteriormente.

2.3.3. La morosidad y el tipo de cambio

El efecto y la relación que se manifiesta entre la morosidad y el tipo de cambio

real ha sido tema de interés para los investigadores.

En la investigación de Cruz et al. (2001) sobre la morosidad en el sistema

bancario de Costa Rica, se comprobó que la depreciación del tipo de cambio se relaciona

de manera positiva e impacta en la morosidad crediticia sobre todo cuando los créditos

son otorgados en dólares. El efecto que tiene el tipo de cambio en la morosidad crediticia

se presenta en el corto plazo, y su impacto es significativo hasta el quinto mes, no

obstante, su efecto a partir del sexto mes es menos significativo, con lo cual el impacto se

reduce a largo plazo.

2.3.4. La morosidad y la tasa de desempleo

La discusión de la relación que se presenta entre la morosidad de las entidades

que pertenecen al sistema financiero como los bancos y cajas de ahorro, ha sido

abordada en las siguientes investigaciones internacionales:

En el contexto de la crisis económica española Climent-Serrano y Pavía (2014),

realizaron un estudio sobre los determinantes de la morosidad de los bancos y las cajas

de ahorro del sistema financiero español para el periodo 2004-2011, en el que

encontraron que la tasa de desempleo tiene una relación positiva y un impacto

significativo en la morosidad tanto para los bancos como para las cajas de ahorros,

además resaltaron que la tasa de desempleo tiene un mayor impacto sobre la morosidad

de las cajas de ahorro que en la morosidad de los bancos.

Asimismo, en el estudio del incumplimiento de pago del segmento hipotecario

estadounidense, Deng, Quigley y Van Order (2000), hallaron que la tasa de desempleo

tiene un efecto significativo sobre la morosidad.

Otros estudios que encontraron relación entre la tasa de desempleo y la

morosidad fueron: Agarwal y Liu (2003), Salcedo (2012) cuyos resultados fueron

presentados en el desarrollo de la tesis anteriormente con mayor detalle.

20

2.4. Morosidad en el Sistema Bancario Peruano durante el periodo 2005-2015

La morosidad del sistema bancario peruano se redujo en el periodo 2005-2008. La

mejora en la calidad de la cartera crediticia respondió al crecimiento económico de 2.8

puntos porcentuales al pasar de 6.3% en el año 2005 a 9.1% en el año 2008 (Ver Figura

2). Por otro lado, a pesar de los efectos de la crisis económica de 2008-2009, el ratio de

morosidad bancario no se incrementó de manera elevada.

Posteriormente, en el periodo 2011-2014 se incrementó el ratio de morosidad

crediticio de 1.5% en el año 2011 a 2.4% en el año 2014, con lo cual se incrementó en

0.9 puntos porcentuales. Según la Asociación de Bancos del Perú (2015a), el incremento

en la morosidad se ha manifestado como consecuencia de la desaceleración económica,

que ha impactado en la economía de las empresas y familias, ocasionando un

incremento en el incumplimiento del pago de los créditos.

En el año 2015 se observó un incremento ligero del ratio de morosidad del

sistema bancario, a consecuencia del deterioro de la cartera de créditos de los

segmentos de la pequeña y mediana empresa, que se originó por un menor crecimiento

económico, que afectó la capacidad de pago de los acreditados más vulnerables. A pesar

de ello, se incrementó el financiamiento bancario manteniendo un bajo nivel de

morosidad de 2.6%. Este incremento fue ocasionado por el aumento de los créditos en

moneda nacional, mientras que los créditos en moneda extranjera retrocedieron

(Asociación de Bancos del Perú, 2015a).

El retroceso en la cartera de créditos en moneda extranjera se sustenta en la

responsabilidad que asumieron los acreditados de endeudarse en la moneda en que

perciben sus ingresos, así como por las medidas regulatorias implementadas por el

Banco Central de Reserva del Perú para disminuir el volumen de la cartera crediticia en

dólares con la finalidad de disminuir la vulnerabilidad frente a las fluctuaciones del tipo de

cambio.

Algunas de las medidas que han sido implementadas por el Banco Central de

Reserva del Perú para disminuir el volumen de la cartera crediticia fueron: a) Inyectar

liquidez en moneda nacional con el objetivo de proporcionar los recursos al sistema

bancario para que puedan reemplazar los créditos en moneda extranjera por los de

moneda nacional; b) Reducir la tasa de encaje en moneda nacional para liberar fondos en

moneda nacional; c) Reducir el requerimiento de los fondos de las cuentas corrientes del

sistema bancario (Banco Central de Reserva del Perú, 2014).

21

Figura 1. Ratio de morosidad (porcentaje)

Fuente: Superintendencia de Banca y Seguros

Para terminar, es importante señalar que el ratio de morosidad del sistema

bancario peruano es uno de los menores de América Latina a pesar de que su

metodología de medición es más estricta. De esta manera mientras que Perú en el año

2015 tuvo un ratio de morosidad de 2.6%, Brasil presentó un ratio de morosidad superior

al 5%, y Colombia un ratio superior al 3% (Asociación de Bancos del Perú, 2015a).

2.5. Dolarización del Crédito en el Sistema Bancario Peruano durante el periodo

2005-2015

El crédito en el sistema bancario peruano durante el periodo 2005 a 2008, estuvo

caracterizado por un nivel alto de dolarización, más del 50% de los créditos fueron

realizados en dólares.

A partir del año 2009 el ratio de dolarización disminuyó por debajo del 50%. Se

observa que en el año 2013 el ratio de dolarización disminuyó en 6.1 puntos porcentuales

con respecto al año 2009. En el año 2014 el ratio de dolarización se redujo en 2.5 puntos

porcentuales con respecto al año 2014. En el año 2015, el ratio de dolarización se redujo

en 7.8 puntos porcentuales, variación que representó la más importante reducción de la

dolarización del crédito en el sistema bancario peruano durante el periodo 2005 a 2015.

3.1

2.0

1.6

1.3

1.6 1.7

1.5 1.7

2.1

2.4 2.6

2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

Años

Po

rce

nta

je

22

Figura 2. Dolarización del Crédito en el Sistema Bancario Peruano (porcentaje)

Fuente: Banco Central de Reserva del Perú

En resumen se aprecia que la dolarización del crédito del sistema bancario

peruano se ha reducido de manera importante durante el periodo 2005 a 2015, debido a

las medidas reguladoras implementadas por el Banco Central de Reserva para

desdolarizar el crédito e incentivar el crédito en moneda nacional, tales como: a)

Mantener una inflación doméstica de nivel similar a la extranjera con la finalidad de

impulsar el ahorro en moneda nacional; b) Aplicar mayores encajes en moneda extranjera

con el objetivo de resaltar el riesgo que representa el uso de la moneda extranjera para la

estabilidad financiera; c) Establecer un encaje condicional a la evolución del crédito total,

hipotecario y vehicular con la finalidad de reducir el porcentaje que representan los

créditos en dólares en el sistema bancario (Banco Central de Reserva del Perú, 2016b).

2.6. Efecto de los determinantes macroeconómicos en el comportamiento esperado

de la morosidad del Sistema Bancario Peruano durante el periodo de estudio

De acuerdo a los resultados obtenidos en los estudios empíricos mencionados

anteriormente, se espera que la relación que presenten las variables macroeconómicas

con la morosidad del sistema bancario se manifiesten de la siguiente manera:

Se espera encontrar una relación con un efecto negativo entre el crecimiento

económico medido como la variación porcentual del producto bruto interno y la morosidad

en el sistema bancario medido como la variación porcentual de la morosidad bancaria.

66.6

60.3 57.0

53.0

46.8 46.1 44.7 43.0 40.7

38.2

30.4

2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

0.0

10.0

20.0

30.0

40.0

50.0

60.0

70.0

Años

Po

rce

nta

je

23

Por otro lado, se espera encontrar una relación con un efecto positivo entre la tasa

de inflación medida como la variación porcentual de los índices de precios, la tasa de

desempleo medida como la variación porcentual de la tasa de desempleo, el tipo de

cambio medido como la variación porcentual del tipo de cambio nominal con la morosidad

del sistema bancario medido como la variación del ratio de morosidad bancaria.

2.7. Caracterización de la economía peruana durante el periodo de análisis 2005-

2015

En esta sección, se describe el comportamiento que reflejaron las variables

macroeconómicas en el Perú, durante el periodo 2005-2015.

La evolución del crecimiento económico durante el periodo 2005-2008 ha sido

positiva. Esta situación se debe como manifiestan Lizarzaburu & Del Brío (2016), al

contexto internacional favorable, las políticas macroeconómicas prudentes en un entorno

de una tasa baja de inflación.

A partir del año 2010, el crecimiento económico se contrajo hasta el año 2014.

Según Lizarzaburu & Del Brío (2016), la contracción del crecimiento económico fue

ocasionada por el cambio en las condiciones internacionales favorables, y la caída de los

precios de los metales.

En el año 2015 la economía creció en 3.3%, mostrando una recuperación de 0.9

puntos porcentuales con respecto al año 2014. Según el reporte del Banco de Crédito del

Perú (2016), esta recuperación se dio como resultado de la reversión de los choques de

oferta que afectaron la economía en el año 2014.

24

Figura 3. Crecimiento económico (variación porcentual)


Por otra parte, la tasa de inflación medida como la variación del índice precios

(IPC), durante los años 2005, 2006 y 2009 reflejaron las tasas más bajas en el periodo de

análisis, siendo la tasa más baja la presentada en el año 2009 de 0.2%. La disminución

de la inflación en el año 2009 fue de 6.5 puntos porcentuales con respecto al año 2008.

Según lo señalado por el Banco Central de Reserva del Perú (2010), la variación de los

precios de los alimentos fue menor a la variación registrada en el año 2008. Asimismo,

los precios de los combustibles fueron menores. Sin embargo, esta condición se revirtió a

finales del año 2009 como resultado de la recuperación de los precios del petróleo.

La evolución de la inflación durante el periodo 2010-2013 ha manifestado tasas de

inflación por encima de las metas de inflación. Así, en el año 2014 reflejó una cifra de

3.2%. En el año 2015 la inflación alcanzó un índice 4.4%, cifra que se encuentra por

encima de la meta de inflación. Según el reporte del Banco de Crédito del Perú, la

variación del año 2015 responde al incremento en la inflación de los precios de los

alimentos y las tarifas eléctricas.

6.3

7.5

8.5 9.1

1.0

8.5

6.5 6.0 5.8

2.4

3.3

2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

0.0

1.0

2.0

3.0

4.0

5.0

6.0

7.0

8.0

9.0

10.0

Años

Po

rce

nta

je

25

Figura 4. Inflación (variación porcentual)


Con respecto al tipo de cambio medido como la variación porcentual del tipo de

cambio nominal. Durante el periodo 2005 a 2008, la variación del tipo de cambio

disminuye, lo que refleja una apreciación de la moneda nacional con respecto a la

moneda extranjera. A pesar de la crisis económica del año 2009, el Sol peruano se

mantuvo estable.

A partir del año 2013 al 2015, el tipo de cambio presentó una tendencia al alza,

por lo tanto, se observó una depreciación de la moneda nacional. Según Lizarzaburu &

Del Brío (2016), este incremento ha sido promovido por la recuperación de la economía, y

la política de contracción de Estados Unidos; así como la salida de los inversionistas a

mercados más desarrollados que se encuentran más estables tras su recuperación de la

crisis.

Sin embargo, según la Asociación de Bancos del Perú (2015b) se debe resaltar

que el Sol peruano ha sido la moneda más estable en el año 2014 comparada con los

países de la región que tienen regímenes cambiarios análogos. Posteriormente, en el año

2015, se observó una variación del tipo de cambio de 12.2%, reflejando un incremento de

7.1 puntos porcentuales.

Al respecto, la tendencia al alza del tipo de cambio, enfatiza el riesgo cambiario

crediticio del sistema bancario, debido a que, frente a la depreciación de la moneda, es

1.5 1.1

3.9

6.7

0.2

2.1

4.7

2.6 2.9

3.2

4.4

2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

0.0

1.0

2.0

3.0

4.0

5.0

6.0

7.0

Años

Po

rce

nta

je

26

posible que se eleve la morosidad de los créditos en moneda extranjera, deteriorando los

ingresos y patrimonios de los agentes económicos, originando desaceleración en la

actividad económica, que de forma cíclica impacta en el sistema bancario (Banco Central

de Reserva del Perú, 2016a).

Por otro lado como señalan Lizarzaburu & Del Brío (2016), el tipo de cambio

representa una fuente de ingresos importante principalmente para las entidades

bancarias.

Figura 5. Tipo de cambio (variación porcentual)


Hay que mencionar además que durante el periodo de estudio, la tasa de

desempleo peruana medida como la relación de la población económicamente activa

desocupada (PEA desocupada) entre la población económicamente activa (PEA),

disminuyó. En el año 2005, la tasa de desempleo alcanzó una cifra de 9.6%. En el año

2015 se observa un incremento en la tasa de desempleo de 0.6 puntos porcentuales. El

incremento en la tasa de desempleo está influenciado por el deterioro del crecimiento

económico.

-3.4 -0.7 -4.4

-6.5

2.9

-6.2

-2.5 -4.2

2.4

5.1

12.2

2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

-10.0

-5.0

0.0

5.0

10.0

15.0

Años

Po

rce

nta

je

27

Figura 6. Tasa de Desempleo (porcentaje)


En resumen, se observa que durante el periodo de análisis la inflación y la tasa de

desempleo tuvieron un desempeño estable, mientras que el producto bruto interno y el

tipo de cambio experimentaron una mayor volatilidad.

2.8. Debilidades del Sistema bancario peruano

A lo largo de los años, el sistema bancario peruano se ha visto afecto por diversos

factores que condicionan el buen desempeño económico. El Perú al ser un país

económicamente dependiente, es inevitable que variables externas no influyan en el

crecimiento económico, tal es el caso del alza de la tasa de referencia de la FED, bajas

tasas de crecimiento de China y otros factores internos como el fenómeno del Niño, que

indirectamente afectan al sistema bancario.

Una de las variables que genera mayores consecuencias en el sistema bancario

peruano es el tipo de cambio, a lo largo de los últimos 3 años, el dólar ha tomado valor

frente a la moneda nacional, lo cual ha generado un bajo dinamismo en los créditos

hipotecarios los cuales operan en moneda extranjera. Asimismo, ello ha afectado

negativamente la capacidad de pago de las familias y empresas al perder liquidez para

afrontar sus obligaciones. En consecuencia, la tasa de morosidad aumentó y por ende

debilitó el desempeño del sistema bancario.

9.6

8.5 8.4 8.4 8.4 7.9 7.7

6.8

5.9 5.9 6.5

2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

0.0

2.0

4.0

6.0

8.0

10.0

12.0

Años

Po

rce

nta

je

28

CAPÍTULO 3. METODOLOGÍA

3.1. Tipo y diseño de investigación

3.1.1. Tipo de investigación

La investigación es empírica porque primero se observan las variables de estudio,

para posteriormente formular objetivos e hipótesis que buscan encontrar la relación entre

las variables de análisis y aportar conocimiento.

3.1.2. Diseño de investigación

El diseño de la investigación es descriptivo y correlacional. Es descriptivo porque

detalla el comportamiento de las variables y es correlacional porque busca identificar la

relación que existe entre las variables de estudio.

3.2. Variables

Las variables que se utilizaron para realizar el análisis de la investigación

estuvieron comprendidas entre el periodo enero de 2005 a octubre de 2016. Se utilizaron

series mensuales de las siguientes variables: Tasa de Morosidad del sistema bancario

(MOR) expresada en porcentaje, Tasa de Desempleo (TDES) expresada en porcentaje,

Tasa de Inflación (VIPC) medida como la variación del Índice de Precios al Consumidor

que es expresada en porcentaje y variación del Tipo de cambio (VTC) expresado en

porcentaje.

3.3. Participantes

Para realizar el análisis de la investigación la muestra estuvo conformada por las

series mensuales de las variables macroeconómicas: Tasa de Morosidad del sistema

bancario expresada en porcentaje que es publicada por la Superintendencia de Banca,

Seguros y AFP; Tasa de Desempleo (TDES) expresada en porcentaje, Tasa de Inflación

(VIPC) en porcentaje y variación del Tipo de cambio (VTC) expresado en porcentaje,

publicadas por el Banco Central de Reserva del Perú.

Se determinó un tamaño de muestra de 142 observaciones para cada variable,

durante el periodo enero de 2005 a octubre de 2016. El detalle de las observaciones se

puede apreciar en el anexo 1.

29

3.4. Instrumentos de investigación

El instrumento utilizado para realizar el análisis de la investigación fue el modelo

econométrico de Vectores Autorregresivos VAR. Se utilizó el modelo VAR con la finalidad

de identificar si las variables macroeconómicas incluidas en el modelo están relacionadas

y conocer los efectos ante posibles fluctuaciones como los shocks de la economía. El

modelo VAR permite a través de la función de impulso respuesta conocer cómo responde

la tasa de morosidad del sistema bancario peruano ante alteraciones en la tasa de

desempleo, la inflación y la tasa de tipo de cambio. Una de las características que se

puede destacar de la utilización de este modelo es que permite analizar en conjunto y con

modelos independientes las alteraciones que ocurren en cada variable, es decir que al

realizar el modelo de manera conjunta se obtienen para el caso de estudio cuatro

modelos paralelamente. Por ello, este modelo es de gran utilidad y es utilizado por los

Bancos Centrales de los países para evaluar el comportamiento conjunto de las variables

que afectan la economía del país. Además, este modelo permite realizar el pronóstico de

las variables para los siguientes periodos.

Asimismo, el modelo VAR permite observar la tendencia de los efectos de las

variables tanto en el corto como en el largo plazo.

Al respecto, este modelo demostró su efectividad en otras investigaciones

realizadas anteriormente por otros investigadores que analizaron los determinantes de la

tasa de morosidad de los créditos tales como el estudio de Álvarez (2014), Frkovich, Jara,

Rodríguez, Dentone (2016), y Giraldo (2010).

3.5. Procedimientos

Para recolectar la información de las series de las variables se consultó la página

oficial del Banco Central de Reserva del Perú y la página oficial de la Superintendencia

de Banca, Seguros y AFP. Las series Tasa de Morosidad del sistema bancario MOR,

Tasa de Desempleo TDES, Tasa de Inflación VIPC y variación del Tipo de cambio VTC,

estuvieron comprendidas en el periodo enero de 2005 a octubre de 2016.

Cabe resaltar que en el inicio de la investigación se consideró incluir la variable

Producto Bruto Interno; sin embargo, después de haber analizado el modelo VAR

incluyendo esta variable se observó que su efecto es muy a largo plazo, esto concuerda

con los resultados encontrados en algunos estudios que señalan que el PBI no es

significativo para explicar las alteraciones en la tasa de morosidad en los países en los

que la cartera de crédito sobre el PBI no es tan representativa en volumen. Por ello, para

30

el análisis final se excluyó esta variable del análisis. Adicionalmente se puede mencionar

que en las economías más desarrolladas, el PBI es una variable significativa porque el

volumen de créditos sobre el producto bruto interno es superior, por lo tanto su influencia

es mayor sobre la tasa de morosidad crediticia.

Realizadas las acciones anteriores, se procedió a trabajar con las series de las

variables MOR, TDES, VIPC, y VTC. Seguidamente se realizaron las pruebas de raíces

unitarias para comprobar la estacionariedad de las series. Después se realizó la

selección de los rezagos que se incluyeron en el modelo tanto con pruebas de inclusión

como de exclusión de rezagos.

Una vez que se estableció el número necesario de rezagos se procedió a evaluar

la estabilidad del modelo. Después se estimó el modelo VAR con siete rezagos para el

periodo enero de 2005 a octubre de 2016 para las variables Tasa de morosidad del

sistema bancario en su primera diferencia DMOR, DTDES Tasa de desempleo en su

primera diferencia, Tasa de inflación VIPC y Variación del tipo de cambio VTC.

Seguidamente se analizó el modelo VAR con siete rezagos a través de la función impulso

respuesta.

El software utilizado para realizar la medición y análisis de las series de las

variables fue el programa EVIEWS en su octava versión. Adicionalmente se utilizó el

programa Microsoft Excel para realizar la descripción del comportamiento anual que

tuvieron las variables para la economía peruana.

31

CAPÍTULO 4. PRESENTACIÓN DE RESULTADOS

4.1. Resultados

4.1.1. Análisis de las series y determinación de los rezagos del modelo

Para realizar el modelo VAR es necesario inicialmente comprobar la

estacionariedad de las series que conforman el modelo para verificar si la serie tiene o no

raíz unitaria. Para corroborar la estacionariedad de las variables utilizadas en el modelo,

se realizó la prueba de Dickey-Fuller a cada variable.

La prueba de raíz unitaria para la variable Morosidad MOR en el primer nivel

demostró que la serie no es estacionaria en ninguno de los valores críticos. Por ello fue

necesario verificar la estacionariedad de la variable en su primera diferencia.

Tabla 1. Prueba de raíz unitaria de MOR primer nivel

Null Hypothesis: MOR has a unit root

Exogenous: Constant

Lag Length: 12 (Automatic - based on SIC, maxlag=13) t-Statistic Prob.* Augmented Dickey-Fuller test statistic 0.058283 0.9613

Test critical values: 1% level -3.481217

5% level -2.883753

10% level -2.578694

*MacKinnon (1996) one-sided p-values.

La prueba de raíz unitaria para la primera diferencia de la variable Morosidad

demostró que la serie es estacionaria al nivel del 1%, 5% y 10% de los valores críticos.

Por lo tanto, la variable utilizada para el modelo VAR es la morosidad en su primera

diferencia denominada DMOR.

32

Tabla 2. Prueba de raíz unitaria de DMOR primera diferencia

Null Hypothesis: D(MOR) has a unit root

Exogenous: Constant

Lag Length: 11 (Automatic - based on SIC, maxlag=13) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -4.659061 0.0002


5% level -2.883753

10% level -2.578694 *MacKinnon (1996) one-sided p-values.

La prueba de raíz unitaria para la variable Tasa de Desempleo TDES en el primer

nivel demostró que la serie no es estacionaria en ninguno de los valores críticos. Por ello

fue necesario verificar la estacionariedad de la variable en su primera diferencia.

Tabla 3. Prueba de raíz unitaria de TDES primer nivel

Null Hypothesis: TDES has a unit root

Exogenous: Constant



5% level -2.883579

10% level -2.578601


La prueba de raíz unitaria para la primera diferencia de la variable Tasa de

desempleo demostró que la serie es estacionaria al nivel del 1%, 5% y 10% de los

valores críticos. Por lo tanto, la variable utilizada para el modelo VAR es la Tasa de

desempleo en su primera diferencia denominada DTDES.

33

Tabla 4. Prueba de raíz unitaria de DTDES primera diferencia

Null Hypothesis: D(TDES) has a unit root

Exogenous: Constant



5% level -2.883579

10% level -2.578601


La prueba de raíz unitaria para la variable Inflación VIPC en el primer nivel

demostró que es estacionaria en los valores críticos al 1%, 5% y 10%. Por lo tanto, se

puede utilizar la variable VIPC para estimar el modelo VAR.

Tabla 5. Prueba de raíz unitaria de VIPC primer nivel

Null Hypothesis: VIPC has a unit root

Exogenous: Constant



5% level -2.881978

10% level -2.577747


La prueba de raíz unitaria para la variable Tipo de Cambio medida como la

variación del tipo de cambio de soles por dólar. VIPC en el primer nivel demostró que es

estacionaria en los valores críticos al 1%, 5% y 10%. Por lo tanto, se puede utilizar la

variable VIPC para estimar el modelo VAR.

34

Tabla 6. Prueba de raíz unitaria de VTC primer nivel

Null Hypothesis: VTC has a unit root

Exogenous: Constant



5% level -2.881978

10% level -2.577747


En resumen, las variables que se incluyen en el modelo VAR, son las que

presentan estacionariedad, es decir que no tienen raíz unitaria y son: DMOR, DTDES,

VIPC, VTC. En el anexo 2 se puede observar el detalle completo de las pruebas de raíz

unitaria para las variables que fueron incorporadas al modelo.

Una vez definida la estacionariedad de las variables, se procedió a determinar el

número de rezagos necesarios para evitar la presencia de autocorrelación en los

residuos. Para ello se realizó la prueba de selección de los rezagos en la que se obtiene

información de los criterios de Akaike, Schwarz, Hannan-Quinn, Final Prediction y

Sequential Modified LR test statistic.

Como se aprecia los criterios de Akaike, Schwarz, Final prediction error y

Sequential Modified LR test statistic señalan que el rezago apropiado para estimar el

modelo es el séptimo rezago. Por este motivo, se incluyeron 7 rezagos para estimar el

modelo VAR.

35

Tabla 7. Criterios para la selección de los rezagos del modelo VAR de variables

DMOR, DTDES, VIPC, VTC.

VAR Lag Order Selection Criteria

Endogenous variables: DMOR DTDES VIPC VTC

Exogenous variables: C

Date: 01/10/17 Time: 12:04

Sample: 2005M01 2016M10

Included observations: 135 Lag LogL LR FPE AIC SC HQ 0 -300.9802 NA 0.001077 4.518226 4.604308* 4.553207

1 -262.7791 73.57251 0.000775 4.189321 4.619732 4.364228

2 -237.9286 46.38773 0.000681 4.058201 4.832941 4.373034

3 -202.2114 64.55544 0.000509 3.766095 4.885164 4.220853*

4 -186.4850 27.49204 0.000513 3.770149 5.233546 4.364832

5 -179.5729 11.67375 0.000589 3.904784 5.712511 4.639394

6 -151.0162 46.53690 0.000493 3.718759 5.870814 4.593294

7 -130.6902 31.91943* 0.000467* 3.654669* 6.151053 4.669130 * indicates lag order selected by the criterion

LR: sequential modified LR test statistic (each test at 5% level)

FPE: Final prediction error

AIC: Akaike information criterion

SC: Schwarz information criterion

HQ: Hannan-Quinn information criterion

Posteriormente se evaluó el número de rezagos que era necesario excluir para

estimar el modelo VAR. Como se observa, se requiere incluir los siete rezagos en el

modelo VAR porque contribuyen significativamente al modelo. Por lo tanto, se excluyen

los rezagos a partir del octavo rezago en adelante, porque no contribuyen

significativamente al modelo.

36

Tabla 8. Test para la exclusión de los rezagos del modelo VAR de variables

DMOR, DTDES, VIPC, VTC.

VAR Lag Exclusion Wald Tests

Date: 01/10/17 Time: 12:04

Sample: 2005M01 2016M10

Included observations: 135 Chi-squared test statistics for lag exclusion:

Numbers in [ ] are p-values DMOR DTDES VIPC VTC Joint Lag 1 11.25950 38.85825 38.02529 28.23628 128.8924

[ 0.023797] [ 7.45e-08] [ 1.11e-07] [ 1.12e-05] [ 0.000000]

Lag 2 10.26625 20.08165 16.90323 1.902731 61.39756

[ 0.036174] [ 0.000481] [ 0.002018] [ 0.753643] [ 3.04e-07]

Lag 3 20.49877 11.76398 10.48397 3.855113 58.33221

[ 0.000398] [ 0.019195] [ 0.033019] [ 0.425969] [ 9.97e-07]

Lag 4 12.13979 6.102550 9.147567 0.854585 34.41686

[ 0.016341] [ 0.191620] [ 0.057515] [ 0.930984] [ 0.004772]

Lag 5 13.74982 2.020522 7.925712 0.922184 29.18159

[ 0.008138] [ 0.731984] [ 0.094338] [ 0.921357] [ 0.022740]

Lag 6 43.65274 7.981289 10.23096 8.732096 66.73454

[ 7.57e-09] [ 0.092266] [ 0.036712] [ 0.068156] [ 3.70e-08]

Lag 7 13.02503 1.941804 2.609707 12.09634 35.17956

[ 0.011154] [ 0.746462] [ 0.625105] [ 0.016649] [ 0.003755] df 4 4 4 4 16

Finalmente, se establece que el número necesario de rezagos para estimar el modelo

VAR es de siete rezagos.

Después de haber definido el número de rezagos necesarios para el modelo VAR,

se procedió a analizar el comportamiento de los residuos. Se observa que los residuos

del modelo VAR con siete rezagos, se encuentran dentro de la zona de confianza, por lo

tanto, son relevantes.

37

Figura 7. Correlograma de autocorrelación de los Residuos del Modelo de

variables DMOR, DTDES, VIPC, VTC.

-.3

-.2

-.1

.0

.1

.2

.3

1 2 3 4 5 6 7

Cor(DMOR,DMOR(-i))

-.3

-.2

-.1

.0

.1

.2

.3

1 2 3 4 5 6 7

Cor(DMOR,DTDES(-i))

-.3

-.2

-.1

.0

.1

.2

.3

1 2 3 4 5 6 7

Cor(DMOR,VIPC(-i))

-.3

-.2

-.1

.0

.1

.2

.3

1 2 3 4 5 6 7

Cor(DMOR,VTC(-i))

-.3

-.2

-.1

.0

.1

.2

.3

1 2 3 4 5 6 7

Cor(DTDES,DMOR(-i))

-.3

-.2

-.1

.0

.1

.2

.3

1 2 3 4 5 6 7

Cor(DTDES,DTDES(-i))

-.3

-.2

-.1

.0

.1

.2

.3

1 2 3 4 5 6 7

Cor(DTDES,VIPC(-i))

-.3

-.2

-.1

.0

.1

.2

.3

1 2 3 4 5 6 7

Cor(DTDES,VTC(-i))

-.3

-.2

-.1

.0

.1

.2

.3

1 2 3 4 5 6 7

Cor(VIPC,DMOR(-i))

-.3

-.2

-.1

.0

.1

.2

.3

1 2 3 4 5 6 7

Cor(VIPC,DTDES(-i))

-.3

-.2

-.1

.0

.1

.2

.3

1 2 3 4 5 6 7

Cor(VIPC,VIPC(-i))

-.3

-.2

-.1

.0

.1

.2

.3

1 2 3 4 5 6 7

Cor(VIPC,VTC(-i))

-.3

-.2

-.1

.0

.1

.2

.3

1 2 3 4 5 6 7

Cor(VTC,DMOR(-i))

-.3

-.2

-.1

.0

.1

.2

.3

1 2 3 4 5 6 7

Cor(VTC,DTDES(-i))

-.3

-.2

-.1

.0

.1

.2

.3

1 2 3 4 5 6 7

Cor(VTC,VIPC(-i))

-.3

-.2

-.1

.0

.1

.2

.3

1 2 3 4 5 6 7

Cor(VTC,VTC(-i))

Autocorrelations with 2 Std.Err. Bounds

En resumen, se concluye que el modelo “DMOR, DTDES, VIPC, VTC” es

representativo para describir la autoregresión de las variables.

38

4.1.2. Estimación del modelo VAR

Tabla 9. Modelo VAR con siete rezagos de variables DMOR, DTDES, VIPC, VTC

Vector Autoregression Estimates

Date: 01/12/17 Time: 12:00

Sample (adjusted): 2005M08 2016M10

Included observations: 135 after adjustments

Standard errors in ( ) & t-statistics in [ ] DMOR DTDES VIPC VTC DMOR(-1) -0.232066 -1.825214 0.139344 -0.880264

(0.09616) (1.78232) (0.40159) (2.07622)

[-2.41333] [-1.02407] [ 0.34698] [-0.42397]

DMOR(-2) -0.065945 -1.949310 0.259934 -0.689482

(0.08381) (1.55334) (0.34999) (1.80948)

[-0.78687] [-1.25491] [ 0.74268] [-0.38104]

DMOR(-3) 0.247813 -0.101229 -0.608244 1.743868

(0.08309) (1.54001) (0.34699) (1.79395)

[ 2.98258] [-0.06573] [-1.75292] [ 0.97208]

DMOR(-4) 0.031028 -2.966089 -0.842212 -0.043093

(0.08441) (1.56461) (0.35253) (1.82261)

[ 0.36756] [-1.89574] [-2.38903] [-0.02364]

DMOR(-5) 0.025357 -0.852538 0.582660 -0.156396

(0.08438) (1.56399) (0.35239) (1.82188)

[ 0.30050] [-0.54511] [ 1.65344] [-0.08584]

DMOR(-6) 0.449176 4.307377 0.022508 -3.613846

(0.08295) (1.53748) (0.34642) (1.79100)

[ 5.41502] [ 2.80159] [ 0.06497] [-2.01778]

DMOR(-7) 0.002229 1.264674 0.274261 4.221392

(0.09133) (1.69281) (0.38142) (1.97194)

[ 0.02441] [ 0.74709] [ 0.71906] [ 2.14073]

DTDES(-1) 0.014547 -0.545737 0.057779 -0.082774

(0.00532) (0.09852) (0.02220) (0.11476)

[ 2.73683] [-5.53958] [ 2.60298] [-0.72127]

DTDES(-2) 0.020205 -0.443976 0.074288 -0.028846

(0.00644) (0.11944) (0.02691) (0.13913)

[ 3.13544] [-3.71717] [ 2.76043] [-0.20733]

DTDES(-3) 0.019242 -0.389348 0.048486 0.011628

(0.00723) (0.13403) (0.03020) (0.15613)

[ 2.66100] [-2.90494] [ 1.60553] [ 0.07448]

DTDES(-4) 0.018500 -0.172463 0.033391 -0.006273

(0.00749) (0.13883) (0.03128) (0.16172)

[ 2.46999] [-1.24228] [ 1.06746] [-0.03879]

DTDES(-5) 0.024988 -0.085093 0.041770 -0.037909

39

(0.00701) (0.12990) (0.02927) (0.15132)

[ 3.56537] [-0.65506] [ 1.42712] [-0.25052]

DTDES(-6) 0.021780 -0.020523 0.065962 0.145534

(0.00642) (0.11903) (0.02682) (0.13866)

[ 3.39136] [-0.17242] [ 2.45938] [ 1.04955]

DTDES(-7) 0.014884 -0.017399 0.020510 0.166242

(0.00505) (0.09357) (0.02108) (0.10900)

[ 2.94835] [-0.18594] [ 0.97279] [ 1.52515]

VIPC(-1) 0.020337 0.272773 0.364300 -0.910896

(0.02290) (0.42440) (0.09563) (0.49438)

[ 0.88819] [ 0.64272] [ 3.80967] [-1.84249]

VIPC(-2) 0.011222 -0.065500 0.081229 0.494203

(0.02404) (0.44562) (0.10041) (0.51910)

[ 0.46677] [-0.14699] [ 0.80901] [ 0.95204]

VIPC(-3) 0.008122 -0.633814 -0.049291 0.615156

(0.02366) (0.43861) (0.09883) (0.51094)

[ 0.34321] [-1.44504] [-0.49876] [ 1.20397]

VIPC(-4) -0.036994 0.079732 0.090564 -0.378940

(0.02356) (0.43662) (0.09838) (0.50862)

[-1.57044] [ 0.18261] [ 0.92056] [-0.74504]

VIPC(-5) -0.002061 0.211232 0.087076 -0.354591

(0.02315) (0.42909) (0.09668) (0.49984)

[-0.08901] [ 0.49228] [ 0.90065] [-0.70941]

VIPC(-6) 0.003346 0.059832 -0.114312 0.938065

(0.02220) (0.41146) (0.09271) (0.47931)

[ 0.15073] [ 0.14541] [-1.23301] [ 1.95710]

VIPC(-7) 0.039871 -0.327754 0.052992 -0.016993

(0.02040) (0.37810) (0.08519) (0.44045)

[ 1.95453] [-0.86684] [ 0.62202] [-0.03858]

VTC(-1) -0.001876 0.039960 0.067311 0.453634

(0.00426) (0.07891) (0.01778) (0.09193)

[-0.44053] [ 0.50637] [ 3.78558] [ 4.93472]

VTC(-2) 0.003320 -0.060897 -0.044734 -0.085439

(0.00479) (0.08884) (0.02002) (0.10348)

[ 0.69278] [-0.68551] [-2.23491] [-0.82562]

VTC(-3) -3.24E-06 0.108122 0.043545 0.136106

(0.00484) (0.08972) (0.02022) (0.10452)

[-0.00067] [ 1.20509] [ 2.15399] [ 1.30225]

VTC(-4) 0.006589 -0.028763 -0.031987 0.056176

(0.00490) (0.09088) (0.02048) (0.10586)

[ 1.34394] [-0.31650] [-1.56212] [ 0.53064]

VTC(-5) -0.004143 0.083693 -0.029842 0.066301

(0.00493) (0.09139) (0.02059) (0.10646)

[-0.84025] [ 0.91582] [-1.44930] [ 0.62280]

40

VTC(-6) 0.012260 0.024210 0.007965 -0.054704

(0.00495) (0.09177) (0.02068) (0.10690)

[ 2.47616] [ 0.26380] [ 0.38522] [-0.51171]

VTC(-7) -0.006951 0.087431 -0.017359 -0.196834

(0.00467) (0.08657) (0.01951) (0.10085)

[-1.48819] [ 1.00993] [-0.88992] [-1.95183]

C -0.003009 0.047088 0.133784 -0.055736

(0.01000) (0.18539) (0.04177) (0.21595)

[-0.30085] [ 0.25400] [ 3.20284] [-0.25809] R-squared 0.568393 0.459288 0.444538 0.372111

Adj. R-squared 0.454384 0.316459 0.297812 0.206254

Sum sq. resids 0.322495 110.7920 5.624667 150.3425

S.E. equation 0.055158 1.022354 0.230354 1.190935

F-statistic 4.985493 3.215639 3.029721 2.243562

Log likelihood 215.9368 -178.2173 22.96593 -198.8225

Akaike AIC -2.769434 3.069886 0.089394 3.375148

Schwarz SC -2.145338 3.693982 0.713490 3.999244

Mean dependent 0.000148 -0.018033 0.253885 0.038760

S.D. dependent 0.074673 1.236570 0.274896 1.336741 Determinant resid covariance (dof adj.) 0.000214

Determinant resid covariance 8.15E-05

Log likelihood -130.6902

Akaike information criterion 3.654669

Schwarz criterion 6.151053

Con respecto a la relación entre la tasa de morosidad del sistema bancario

peruano y las variables macroeconómicas estudiadas, se confirman los resultados para

las relaciones entre las variables de estudio expuestas en el marco teórico. Se aprecia

que la tasa de morosidad es explicada de manera significativa por el primero, el tercero y

el sexto rezago de sí misma.

Asimismo, son significativos los siete rezagos de la tasa de desempleo sobre la

tasa de morosidad del sistema bancario y su relación es positiva. Igualmente son

significativos los rezagos séptimo y sexto de la tasa de inflación y de la tasa del tipo de

cambio respectivamente. Además, las relaciones de ambas variables con la tasa de

morosidad son positivas.

41

El modelo VAR quedó configurado de la siguiente forma:

DMORt ∑ DMORt

1

∑ DTDESt ∑ VIPCt ∑ VTC 1t

1

1

1

Reemplazando los coeficientes del modelo VAR en la ecuación anterior se

obtiene:

dmor = -0.0030091 - 0.2320656dmor(-1) - 0.0659445 dmor(-2) + 0.2478125 dmor(-3) +

0.0310276 dmor(-4) + 0.0253566 dmor(-5) + 0.4491763 dmor(-6) + 0.0022292

dmor(-7) + 0.014547 dtdes(-1) + 0.0202048 dtdes(-2) + 0.0192422 dtdes(-3) +

0.0185004 dtdes(-4) + 0.0249875 dtdes(-5) + 0.0217799 dtdes(-6) +

0.0148844 dtdes(-7) + 0.0203371 vipc(-1) + 0.0112222 vipc(-2) + 0.0081216

vipc(-3) + 0.0369942 vipc(-4) - 0.0020605 vipc(-5) + 0.0033460 vipc(-6) + 0.0398711

vipc(-7) - 0.0018756 vtc(-1) + 0.0033204 vtc(-2) - 3.237e-06 vtc(-3) + 0.0065895 vtc(-4)

- 0.0041428 vtc(-5) + 0.0122601 vtc(-6) - 0.006951vtc(-7)

Estimated S.E. = 0.0551580

Posteriormente, se realizaron las pruebas para comprobar la condición de

estabilidad del modelo VAR.

Figura 8. Condición de Estabilidad del Modelo VAR de variables DMOR, DTDES,

VIPC, VTC

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

Inverse Roots of AR Characteristic Polynomial

42

Se observa en el gráfico anterior que todas las raíces se encuentran dentro del

círculo unitario, por lo tanto, no forman parte de un proceso explosivo. Por lo mismo se

concluye que el modelo es estable y al mismo tiempo es estacionario.

En la siguiente tabla, se aprecia la estructura del retardo del Modelo VAR, en ella

se confirma que todas las raíces unitarias del polinomio del modelo VAR con siete

rezagos, son menores a la unidad, por lo mismo se concluye que el sistema es estable.

Tabla 10. Estructura del Modelo VAR de variables DMOR, DTDES, VIPC, VTC

Roots of Characteristic Polynomial

Endogenous variables: DMOR DTDES VIPC VTC

Exogenous variables: C

Lag specification: 1 7

Date: 01/10/17 Time: 12:48 Root Modulus -0.451483 - 0.806862i 0.924588

-0.451483 + 0.806862i 0.924588

0.908864 0.908864

0.441191 + 0.777493i 0.893949

0.441191 - 0.777493i 0.893949

-0.872889 - 0.153971i 0.886364

-0.872889 + 0.153971i 0.886364

0.189668 + 0.851350i 0.872222

0.189668 - 0.851350i 0.872222

-0.505201 - 0.700838i 0.863946

-0.505201 + 0.700838i 0.863946

-0.058860 + 0.855522i 0.857544

-0.058860 - 0.855522i 0.857544

0.815218 + 0.230908i 0.847290

0.815218 - 0.230908i 0.847290

-0.712563 - 0.380684i 0.807878

-0.712563 + 0.380684i 0.807878

0.608593 - 0.523987i 0.803086

0.608593 + 0.523987i 0.803086

0.695608 - 0.298452i 0.756931

0.695608 + 0.298452i 0.756931

0.223610 - 0.697321i 0.732296

0.223610 + 0.697321i 0.732296

-0.370291 + 0.520074i 0.638429

-0.370291 - 0.520074i 0.638429

-0.487615 + 0.137644i 0.506670

-0.487615 - 0.137644i 0.506670

0.101294 0.101294 No root lies outside the unit circle.

VAR satisfies the stability condition.

43

Para observar los efectos de las alteraciones o shocks de la tasa de desempleo, la

inflación y la tasa de tipo de cambio, sobre morosidad crediticia bancaria se realizó el

análisis de las funciones de impulso respuesta.

Se observa que la tasa de morosidad del sistema bancario responde de manera

positiva a las variaciones de la tasa de desempleo, lo que coincide con los resultados

encontrados en la estimación del modelo VAR, a partir del segundo mes se observa un

efecto significativo y positivo. Además se aprecia que los efectos de la tasa de desempleo

sobre la tasa de morosidad crediticia son más significativos en el corto plazo y que su

efecto se va perdiendo en el largo plazo.

Figura 9. Función Impulso Respuesta de la Morosidad Bancaria a la Tasa de

Desempleo

-.03

-.02

-.01

.00

.01

.02

.03

2 4 6 8 10 12 14 16 18 20 22 24

Response of DMOR to DTDES

44

Se aprecia que la tasa de morosidad del sistema bancario responde de manera

positiva a las variaciones de la inflación, lo que coincide con los resultados encontrados

en la estimación del modelo VAR, esto quiere decir que cuando la inflación aumenta, la

tasa de morosidad también se incrementa significativamente en el séptimo mes, y se

prolonga al octavo mes, por lo que su efecto se aprecia en el mediano plazo, a partir del

noveno mes su efecto se reduce. En el largo plazo su efecto se va reduciendo. Estos

resultados también coinciden con el comportamiento de las variables en el modelo VAR.

Figura 10. Función Impulso Respuesta de la Morosidad Bancaria a la Inflación

-.03

-.02

-.01

.00

.01

.02

.03

2 4 6 8 10 12 14 16 18 20 22 24

Response of DMOR to VIPC

45

Con respecto a la influencia de los shocks de la tasa del tipo de cambio la tasa de

morosidad del sistema bancario responde de manera positiva, lo que coincide con los

resultados encontrados en la estimación del modelo VAR, esto quiere decir que cuando la

tasa del tipo de cambio se incrementa, la tasa de morosidad también se incrementa

significativamente en el sexto mes, y se prolonga los siguientes meses, por lo que su

efecto se aprecia en el mediano y largo plazo; el mismo que se va perdiendo a partir del

mes 16. Estos resultados también coinciden con el comportamiento de las variables en el

modelo VAR.

Figura 11. Función Impulso Respuesta de la Morosidad Bancaria a la Variación

del Tipo de Cambio

-.03

-.02

-.01

.00

.01

.02

.03

2 4 6 8 10 12 14 16 18 20 22 24

Response of DMOR to VTC

En resumen, se observa que cuando ocurre un shock, las tres variables DTDES,

VIPC y VTC tienen efectos significativos y positivos en la tasa de morosidad crediticia del

sistema bancario peruano durante el periodo enero 2005 a octubre 2016.

Para poder medir con mayor precisión el porcentaje de los shocks de las

variaciones de las variables de la función impulso respuesta de: la tasa de morosidad,

tasa de desempleo, inflación y tasa de variación del tipo de cambio, sobre la tasa de

morosidad en cada periodo, se realizó la descomposición de la varianza del modelo VAR.

46

En principio se aprecia que las variaciones de la tasa de morosidad responden a

las variaciones en sí misma, sin embargo conforme transcurre el tiempo, el porcentaje de

explicación de la tasa de morosidad sobre sí misma se reduce, tal como se observa en el

séptimo mes.

Con respecto a la respuesta de la tasa de morosidad a las variaciones en la tasa

de desempleo, la inflación y la tasa del tipo de cambio, se aprecia que las variaciones de

la tasa de morosidad del sistema bancario peruano responden en el corto plazo con

mayor fuerza a las variaciones de la tasa de desempleo, en segundo lugar a las

variaciones de la inflación y en tercer lugar a las variaciones de la tasa del tipo de

cambio.

La respuesta de las variaciones en la tasa de desempleo en el segundo mes son

explicadas en 5.9% por las variaciones de la tasa de interés, en 1% por las variaciones

en la inflación y en menor medida por las variaciones en la tasa del tipo de cambio. La

explicación de las variaciones en la tasa de desempleo se incrementa hasta el sexto mes,

no obstante desde el séptimo mes (inicios del tercer trimestre) su efecto disminuye. Se

observa que a largo plazo su efecto se reduce.

Las variaciones en la tasa de morosidad en el noveno mes responden a los

cambios en la inflación en 3.7%, durante este mes se alcanza el mayor porcentaje de

explicación de las variaciones de la inflación en variación de la tasa de morosidad,

posteriormente desde el décimo mes el efecto que tiene disminuye.

Las variaciones en la tasa de morosidad en el quinto mes responden a los

cambios en la tasa del tipo de cambio en 3%, se observa que el incremento en la tasa del

tipo de cambio se prolonga en los siguientes meses. De esta manera al año las

variaciones de la tasa de morosidad responden en 9% a las variaciones en la tasa del

tipo de cambio.

47

Tabla 11 Descomposición de la Varianza del Modelo VAR de variables DMOR,

DTDES, VIPC, VTC

Period S.E. DMOR DTDES VIPC VTC 1 0.055158 100.0000 0.000000 0.000000 0.000000

2 0.057731 93.28134 5.901591 0.668197 0.148870

3 0.059080 89.09318 8.615755 1.196465 1.094597

4 0.060903 89.00488 8.601891 1.267743 1.125483

5 0.062880 84.05286 9.335215 3.325630 3.286291

6 0.063794 81.66809 11.42060 3.432782 3.478523

7 0.069510 79.76206 9.703211 2.963050 7.571679

8 0.070420 78.93180 9.838416 3.775025 7.454757

9 0.070634 78.45612 9.871688 3.756503 7.915687

10 0.072493 77.83464 9.691033 3.570664 8.903661

11 0.073437 77.46945 9.656137 3.481786 9.392630

12 0.073552 77.40589 9.750402 3.476255 9.367452 Cholesky Ordering: DMOR DTDES VIPC VTC

Por otro lado, para analizar la causalidad que tiene cada variable macroeconómica

sobre la morosidad crediticia se realizó la prueba de Causalidad de Granger para el

modelo VAR. Se aprecia que la tasa de desempleo causa en el sentido de Granger a la

tasa de morosidad del sistema bancario peruano. Mientras que la inflación y la tasa del

tipo de cambio aun cuando están correlacionadas, no causan en el sentido de Granger a

la tasa de morosidad del sistema bancario.

Tabla 12 Test de Causalidad de Granger del Modelo VAR de variables DMOR,

DTDES, VIPC, VTC

VAR Granger Causality/Block Exogeneity Wald Tests

Date: 01/10/17 Time: 22:27

Sample: 2005M01 2016M10

Included observations: 135

Dependent variable: DMOR Excluded Chi-sq df Prob. DTDES 22.83348 7 0.0018

VIPC 8.449571 7 0.2946

VTC 9.085122 7 0.2466 All 45.34120 21 0.0016

48

Para concluir, se describen y analizan los resultados obtenidos del análisis

econométrico de las variables relacionadas con la morosidad del sistema bancario

peruano:

Se encontró que la tasa de desempleo, la inflación y la tasa del tipo de cambio se

relacionan con la tasa de morosidad del sistema bancario, durante el periodo 2005-1 al

2016-10.

Por otra parte, se identificó que la tasa de desempleo se relaciona positivamente y

su efecto es significativo en la tasa de morosidad del sistema bancario durante el periodo

de análisis en todos los rezagos. Los efectos de la tasa de desempleo se manifiestan con

mayor fuerza en los rezagos tres, cinco y seis; siendo el efecto más fuerte en el quinto

rezago. A largo plazo el efecto se reduce y tiende a estabilizarse.

Con respecto a la inflación se encontró que se relaciona positivamente con la

morosidad, sin embargo su efecto no es significativo en los primeros seis rezagos en la

tasa de morosidad del sistema bancario peruano. No obstante, la inflación es significativa

en el séptimo rezago.

Por otro lado, se encontró que la tasa del tipo de cambio se relaciona con la

morosidad en el sistema bancario y su efecto no es significativo en los cinco primeros

rezagos, sin embargo es significativo en el sexto rezago.

Finalmente, es importante resaltar que el efecto más significativo fue el de la tasa

de desempleo sobre la tasa de morosidad del sistema bancario peruano durante el

periodo de evaluación de enero de 2005 a octubre de 2016, seguido por el efecto del tipo

de cambio y por último de la inflación.

49

4.2. Discusión

Los resultados obtenidos demostraron que para el caso peruano, la tasa de

desempleo tiene un efecto significativo en la tasa de morosidad crediticia y su relación

con la misma es positiva.

Resultado similar, se encontró en la investigación de Climent-Serrano y Pavía

(2014) sobre la morosidad en el sistema bancario y cajas de ahorro en España para el

periodo 2004-2011, en un contexto de crisis económica en el que la morosidad del

sistema bancario español creció desproporcionadamente, el incrementó del ratio de

morosidad bancaria en 12 puntos porcentuales en el año 2013 con respecto al año 2004,

generó importantes cambios en el sistema financiero español que repercutieron tanto a

nivel macroeconómico como a nivel microeconómico, con consecuencias tales como: a)

pérdidas en los bancos prestatarios; b) reducción en la emisión de nuevos préstamos; c)

apalancamiento de las entidades españolas con inversores del extranjero; d) cambio en

la estructura del sistema bancario español por la reducción del número de entidades y e)

recesión. Una característica importante del sistema bancario español durante este

periodo fue el nivel de morosidad del crédito hipotecario que se originó como

consecuencia del boom inmobiliario.

En este sentido, Deng, Quigley y Van Order (2000) encontraron para el caso de

Estados Unidos que la tasa de desempleo afecta la morosidad del crédito hipotecario

estadounidense.

Al respecto, el crédito hipotecario en moneda extranjera en el Perú, se ha elevado

en 1.8 puntos porcentuales durante el periodo 2010 a 2015, pasando de 1.1% en el año

2010 a 2.9% en el año 2015 (Banco Central de Reserva del Perú, 2016b). Por lo que es

de esperar que el Banco Central de Reserva del Perú a través del encaje regule el crédito

de viviendas en dólares, para evitar que una situación de crisis tal como la ocurrida en

España durante el periodo 2004 a 2011 ocurra en el sistema bancario del Perú.

Mientras que Climent-Serrano y Pavía (2014), para el caso español encontraron

que el desempleo afecta significativamente el ratio de morosidad del sistema después de

dos periodos anuales; en la presente investigación se encontró que para el caso peruano

la morosidad del sistema bancario peruano se ve afectada significativamente al siguiente

mes, después de ocurrido un shock de la tasa de desempleo. Por lo tanto se observa que

la tasa de desempleo afecta en el corto plazo la morosidad del sistema bancario para el

50

caso peruano, lo que podría deberse principalmente a que la fuente principal de los

peruanos que contraen créditos proviene de sus empleos.

Asimismo, Agarwal y Liu (2003) encontraron que la tasa de desempleo incide

sobre la morosidad del crédito de tarjeta estadounidense en el periodo 1995-2001. Para

el caso peruano durante el periodo 2010 a 2015 el crédito de consumo se incrementó en

2.5 puntos porcentuales, pasando de 2.1% en 2010 a 4.6 en el año 2015 (Banco Central

de Reserva del Perú, 2016b). Por lo que es de esperar que el Banco Central de Reserva

del Perú regule el crédito de consumo en moneda extranjera a través del incentivo de

liquidez en moneda nacional.

De igual manera, Salcedo (2012) encontró en su investigación que la tasa de

desempleo es un determinante macroeconómico significativo de la morosidad del sistema

financiero dominicano para el periodo 2000-2012. Mientras que la investigación de

Salcedo (2012), encontró que para el caso de la economía dominicana la tasa de

desempleo en el largo plazo es relevante para la morosidad del sistema financiero; en el

caso peruano en la presente investigación se pudo comprobar que la tasa de desempleo

causa la morosidad bancaria durante el periodo de análisis para el caso peruano y se

demostró que la influencia de la tasa de desempleo afecta a corto y a largo plazo la tasa

de morosidad del sistema bancario.

Por otro lado, se comprobó que la inflación se relaciona positivamente con la

morosidad del sistema bancario peruano. A pesar de que el efecto de un shock de

inflación no es significativo en el corto plazo durante los seis primeros meses, a mediano

plazo en el séptimo mes después de ocurrido el shock en la tasa de inflación su influencia

en la tasa de morosidad del sistema bancario es significativa. No obstante, a largo plazo

se pierde su influencia. Este resultado coincide con los hallazgos encontrados en

estudios realizados en otros países como el estudio de Cruz et al. (2001) sobre la

morosidad crediticia del sistema bancario costarricense, para el periodo 1998-2000;

mientras que Cruz et al. (2001), señalaron que un shock de la tasa de inflación es

significativo en la tasa de morosidad en el corto plazo y el efecto surge desde que ocurre

un cambio en la tasa de inflación, para el caso peruano se encontró que el efecto de la

tasa de inflación ocurre a partir del séptimo mes de manera significativa en la tasa de

morosidad del sistema bancario peruano.

De manera similar Salcedo (2012) para el caso dominicano, encontró que la tasa

de inflación afecta la tasa de morosidad, debido a que la pérdida de poder adquisitivo de

51

los agentes económicos reduce el nivel de liquidez, lo que origina un mayor nivel de

morosidad. Asimismo, para el caso de la economía peruana el incremento en la inflación

origina la pérdida de poder adquisitivo de los agentes y genera el incremento en la tasa

de morosidad del sistema bancario.

Adicionalmente, se corroboró que la tasa del tipo de cambio se relaciona con la

morosidad en el sistema bancario y su efecto no es significativo en el corto plazo, sin

embargo es significativo en el mediano plazo. Este resultado coincide con las

conclusiones de las investigaciones de Cruz et al. (2001) que mencionan que el

incremento del tipo de cambio origina la depreciación de la moneda, que a su vez

incrementa la morosidad del sistema en el corto plazo. De igual modo, Salcedo (2012)

señaló que el tipo de cambio es un determinante de la tasa de morosidad.

En el caso peruano, el efecto de un shock que incrementa el tipo de cambio

origina que la morosidad del sistema bancario se incremente en el sexto mes de manera

significativa. A pesar de las medidas reguladoras implementadas por el Banco Central de

Reserva para disminuir el nivel de dolarización de los créditos del sistema bancario, el

riesgo bancario aún está presente, por tal motivo, frente a una depreciación de la moneda

nacional, el tipo de cambio se incrementa, lo que resta liquidez a los agentes con créditos

en moneda extranjera que perciben sus rentas en moneda nacional, magnificando los

efectos sobre la tasa de morosidad del sistema bancario.

4.3. Conclusiones

A continuación se presentan las conclusiones de la investigación:

1. Los determinantes macroeconómicos evaluados en el modelo VAR tales como la

tasa de desempleo, la inflación y la tasa del tipo de cambio se relacionan con la

tasa de morosidad del sistema bancario para el caso peruano, durante el periodo

2005-1 al 2016-10.

2. Al respecto, se identificó que para el caso peruano, la tasa de desempleo se

relaciona positivamente y su efecto es significativo en la tasa de morosidad del

sistema bancario durante el periodo de análisis en todos los rezagos del modelo.

3. Por otro lado, se determinó que para la economía peruana, la inflación se

relaciona positivamente con la morosidad, sin embargo su efecto no es

significativo en los primeros seis rezagos en la tasa de morosidad del sistema

bancario peruano. No obstante, la inflación es significativa en el séptimo rezago.

52

4. Por otra parte, se estableció que para el caso peruano, la tasa del tipo de cambio

se relaciona con la morosidad en el sistema bancario y su efecto no es

significativo en los cinco primeros rezagos, sin embargo es significativo en el

sexto rezago.

5. Finalmente, se aprecia que la tasa de desempleo causa en el sentido de Granger

a la tasa de morosidad del sistema bancario peruano.

4.4. Recomendaciones

Para terminar con el análisis de la investigación, se presentan las siguientes

recomendaciones:

1. Considerando que la investigación fue realizada con el objetivo de evaluar los

determinantes macroeconómicos que afectaron el desempeño de la tasa de

morosidad del sistema bancario, se recomienda realizar un estudio en el que se

aborden también variables microeconómicas.

2. Adicionalmente sería interesante, incorporar al análisis de las variaciones de la

tasa de morosidad del sistema bancario, variables económicas de orden externo

como por ejemplo la tasa de interés de la Reserva Federal de los Estados Unidos

FED para evaluar el efecto contagio.

3. Finalmente, se recomienda que el ente regulador de la economía, formule las

políticas macroeconómicas que considere necesarias para regular y asegurar la

sostenibilidad del sistema bancario peruano, tales como: a) promover el

endeudamiento de los agentes económicos en la moneda en la que perciben sus

ingresos con el objetivo de disminuir el riesgo cambiario; b) establecer encajes

diferenciados al sistema bancario peruano en moneda nacional y extranjera para

prevenir el endeudamiento desproporcionado; c) fortalecer el sistema bancario

peruano implementando encajes más elevados a los productos bancarios con un

alto nivel de morosidad para desalentar un mayor volumen de la oferta de créditos

de estos productos y prevenir el riesgo de crisis del sistema bancario frente al

incumplimiento de pago de los agentes económicos; d) implementar modelos de

seguimiento y supervisión de la morosidad del sistema bancario; e) definir las

metas de inflación para dar sostenibilidad a la estructura de las operaciones del

sistema bancario; y f) vigilar la tasa de desempleo de los agentes económicos.

53

BIBLIOGRAFÍA

Agarwal, S., & Liu, C. (2003). Determinants of credit card delinquency and bankruptcy:

Macroeconomic factors. Journal of Economic and Finance, 27(1), 75-84.

Aguilar, G., Camargo, G., & Saravia, R. (2004). Análisis de la Morosidad en el Sistema

Bancario Peruano. Instituto de Estudios Peruanos, Lima.

Álvarez, E. (2014). Análisis de la Morosidad de las Instituciones Microfinancieras en el

Perú 2002:01-2011:12. (Tesis de licenciatura). Universidad Nacional de Piura,

Piura.

Asociación de Bancos del Perú. (2015a). Balance de la banca peruana 2015. (Asbanc

Semanal N° 180, Año 4). Departamento de Estudios Económicos, Lima.

Asociación de Bancos del Perú. (2015b). Memoria Anual 2014. (Asbanc Semanal N° 180,

Año 4). Departamento de Estudios Económicos, Lima.

Asociación de Bancos del Perú. (2016). Análisis del comportamiento de la morosidad.

(Asbanc Semanal N° 185, Año 5). Departamento de Estudios Económicos, Lima.

Banco Central de Reserva del Perú. (2010). Memoria 2009. Lima.

Banco Central de Reserva del Perú. (2014). BCRP dicta medidas para impulsar la

desdolarización del crédito. (Nota informativa 31 de diciembre). Lima.

Banco Central de Reserva del Perú. (2016a). Reporte de Estabilidad Financiera. Lima.

Banco Central de Reserva del Perú. (2016b). Reporte de Inflación. Panorama actual y

proyecciones macroeconómicas 2016-2018. Lima.

Banco de Crédito del Perú. (2016). Reporte Anual 2015. Lima.

Banco de México. (2009). Reporte sobre el Sistema Financiero. Ciudad de México.

Cermeño, R., León, J., & Mantilla, G. (2011). Determinantes de la Morosidad: Un estudio

panel para el caso de las cajas municipales de ahorro y crédito del Perú, 2003-

2010. Centro de Investigación y Docencia Económica A. C. Ciudad de México.

Chavarín, R. (2015). Morosidad en el pago de créditos y rentabilidad de la banca

comercial en México. Revista Mexicana de Economía y Finanzas, 10(1), 73-85.

54

Climent-Serrano, S., & Pavía, J. (2014). An analysis of loan default determinants: the

Spanish case. Banks and Bank Systems, 9(4), 116-123.

Comisión Nacional Bancaria y de Valores (s.f.). Glosario de términos Portafolio de

información. Ciudad de México.

Cruz, O., Durán, R., & Muñoz, E. (2001). Sensibilidad de la razón de morosidad y liquidez

del sistema bancario nacional ante cambios en el entorno: un enfoque utilizando

datos de panel. (Documento de trabajo elaborado en la División Económica,

Departamento de Investigaciones Económicas). Banco Central de Costa Rica,

San José.

Díaz, O. (2009). Determinantes del ratio de morosidad en el sistema financiero boliviano.

(Documento de trabajo No 01/2009). Banco Central de Bolivia, Cochabamba.

Deng, Y., Quigley, J., & Van Order, R. (2000). Mortgage terminations, heterogeneity and

the exercise of mortgage options. Econometrica, 68(2), 275-307.

Frkovich, I., Jara, V., Rodríguez, L., & Dentone, L. (2016). Correlación entre el ciclo

económico y la morosidad del crédito consumo bajo la influencia de la tasa de

interés activa de la banca múltiple en el Perú entre los años 2009 – 2014. (Tesis

de licenciatura). Universidad Peruana de Ciencias Aplicadas, Lima.

Giraldo, W. (2010). Determinantes de la morosidad de la cartera en el sistema financiero

colombiano. (Tesis de maestría). Universidad Icesi, Santiago de Cali.

Lizarzaburu, E., & Del Bríob, J. (2016). Evolución del sistema financiero peruano y su

reputación bajo el índice Merco. Período: 2010-2014. Suma de negocios, 7(2016),

94–112.

Mabvure, J., Gwangwava, E., Faitira, M., Mutibvu, C., & Kamoyo, M. (2012). Non

Performing loans in Commercial Banks: A case of CBZ Bank Limited In Zimbabwe.

Interdisciplinary Journal of Contemporary Research in Business, 4(7), 467-488.

Quiñonez, E., & Gonzáles, A. (2005). Determinantes de la Morosidad en el Sistema

Bancario de Ecuador 1995-2005.

Salcedo, A. (2012). Nivel de Morosidad: Determinantes Macroeconómicos y pruebas de

estrés para el Sistema Financiero Dominicano. (Tesis de maestría). Universidad

Católica Santo Domingo, Santo Domingo.

55

Sellan, E. (2011). Estudio de la morosidad en el sector bancario del Ecuador. (Tesis de

licenciatura). Universidad de Guayaquil, Guayaquil.

Serra, C., & Zuñiga, Z. (2002). Identificando bancos en problemas. ¿Cómo debe medir la

autoridad bancaria la fragilidad financiera?. Revista Estudios Económicos, (8), 77-

124.

Tarron, K., & Sukrishnalall, P. (2009). The determinants of non-performing loans: an

econometric case study of Guyana. Munich Personal RePEc Archive, (Paper

No. 53128), pp. 1-25.

Torrent, M. (2010). La morosidad de bancos y cajas: tasa de morosidad y canje de

créditos por activos inmobiliarios. (Nota Técnica N° 1). Institut d’Estudis Financers,

Barcelona.

Vallcorba, M., & Delgado, J. (2007). Determinantes de la morosidad bancaria en una

economía dolarizada. El caso uruguayo. (Documentos de Trabajo. Nº 0722).

Banco de España, Madrid.

Veloz, A., & Benou de Gomez, G. (2007). Determinantes de fragilidad del sistema

bancario en la república dominicana: una aplicación micro-macro de modelos de

alerta temprana. Ciencia y Sociedad, 32(1), 69-87.

Viswanadham, N., & Nahid, B. (2015). Determinants of Non Performing Loans in

Commercial Banks: A Study of NBC Bank Dodoma Tanzania. International Journal

of Finance & Banking Studies, 4(1), 70-94.

56

ANEXOS

Anexo 1. Series mensuales de las Variables DMOR, DTDES, VIPC, VTC para el

periodo enero de 2005 a octubre de 2016.

DMOR DTDES VIPC VTC 2005M01 0.075077 4.232439 0.100151 -0.391759

2005M02 -0.022413 -2.435540 -0.234662 -0.287291

2005M03 -0.170000 -0.161557 0.650238 0.014868

2005M04 -0.150000 -0.741265 0.118823 -0.041712

2005M05 -0.140000 0.587845 0.126331 -0.094202

2005M06 -0.300000 -1.187428 0.263742 -0.065104

2005M07 -0.070000 -0.514127 0.104611 -0.021805

2005M08 -0.030000 1.469409 -0.179606 0.162614

2005M09 -0.220000 -0.713261 -0.094278 1.540576

2005M10 -0.090000 -1.406065 0.144780 2.215041

2005M11 -0.080000 0.709187 0.068046 -0.139443

2005M12 -0.370000 -1.019762 0.419251 1.428118

2006M01 0.120000 2.834565 0.499583 -0.905014

2006M02 0.030000 -1.520960 0.548037 -3.081678

2006M03 -0.190000 -1.158395 0.457364 1.538623

2006M04 0.000000 1.727299 0.510006 -0.233529

2006M05 -0.020000 -0.132983 -0.527869 -1.575459

2006M06 -0.080000 -1.321876 -0.132580 -0.456738

2006M07 0.030000 0.196530 -0.170441 -0.642276

2006M08 -0.100000 0.863999 0.139281 -0.268682

2006M09 -0.070000 -0.904182 0.027433 0.412806

2006M10 0.010000 -1.012980 0.043789 -0.316637

2006M11 -0.060000 1.346024 -0.282155 -0.474425

2006M12 -0.180000 -1.030228 0.025811 -0.520762

2007M01 0.040000 4.070677 0.009428 -0.399829

2007M02 -0.010000 -2.085743 0.259468 -0.068912

2007M03 -0.030000 -1.141646 0.348835 -0.146894

2007M04 0.070000 0.942398 0.178207 -0.229914

2007M05 -0.080000 -1.237759 0.491871 -0.340904

2007M06 -0.060000 -0.423501 0.469693 0.086677

2007M07 0.000000 0.578262 0.475544 -0.293070

2007M08 0.020000 -0.210959 0.136908 -0.086281

2007M09 -0.070000 0.391753 0.612501 -0.703152

2007M10 -0.030000 -0.923010 0.314014 -3.702560

2007M11 -0.100000 0.512325 0.110988 -0.624652

2007M12 -0.120000 -1.003182 0.453124 -0.673942

2008M01 0.140000 2.450819 0.222046 -1.021775

2008M02 -0.020000 1.143027 0.907019 -1.519097

2008M03 -0.020000 -2.538056 1.041851 -3.255169

2008M04 -0.050000 0.525991 0.154219 -2.243301

2008M05 0.000000 -0.666657 0.369492 2.063978

2008M06 -0.100000 -0.506339 0.769602 3.103500

2008M07 0.010000 1.803060 0.555472 -1.493643

2008M08 -0.010000 -0.549781 0.590485 1.540532

2008M09 -0.020000 -0.880629 0.567202 2.542307

2008M10 0.000000 -0.403398 0.613132 3.685908

2008M11 0.070000 0.571212 0.309020 0.544030

57

2008M12 0.010000 0.214762 0.360224 0.707856

2009M01 0.070000 2.209605 0.105779 1.199509

2009M02 0.090000 -0.917145 -0.074787 2.697449

2009M03 -0.020000 -1.210426 0.360220 -1.895856

2009M04 0.110000 0.528345 0.019011 -2.826902

2009M05 0.060000 -0.256190 -0.043005 -2.948923

2009M06 0.040000 -0.184025 -0.339577 -0.119364

2009M07 0.020000 -0.416438 0.186710 0.736465

2009M08 0.050000 0.909290 -0.207425 -2.056511

2009M09 -0.110000 -1.932420 -0.087186 -1.385795

2009M10 0.050000 0.430650 0.122626 -1.302011

2009M11 -0.010000 0.279315 -0.112068 0.443106

2009M12 -0.060000 1.390753 0.317107 -0.243589

2010M01 0.100000 0.352534 0.295920 -0.730630

2010M02 0.010000 1.245765 0.322508 -0.086646

2010M03 0.060000 -2.840398 0.280812 -0.514804

2010M04 -0.010000 1.097395 0.025357 0.019984

2010M05 0.040000 -2.092395 0.237860 0.198954

2010M06 -0.100000 0.515074 0.250849 -0.261817

2010M07 0.150000 0.043210 0.363955 -0.536784

2010M08 -0.060000 0.472126 0.268515 -0.736569

2010M09 -0.110000 0.189013 -0.032008 -0.406401

2010M10 -0.010000 -0.027522 -0.141722 0.030052

2010M11 -0.040000 -0.954630 0.007905 0.505834

2010M12 -0.100000 -0.379885 0.178466 0.359274

2011M01 0.060000 2.870707 0.390436 -1.016715

2011M02 -0.020000 1.706782 0.382321 -0.592836

2011M03 -0.020000 -3.684632 0.702468 0.320023

2011M04 0.000000 0.329692 0.680913 1.303892

2011M05 0.000000 -1.006101 -0.023706 -1.444763

2011M06 0.000000 0.532017 0.099143 -0.392113

2011M07 0.030000 -0.498233 0.792952 -0.823265

2011M08 0.030000 0.118348 0.265818 -0.070581

2011M09 -0.030000 1.225656 0.334184 0.162809

2011M10 0.030000 -1.271663 0.314850 -0.437923

2011M11 -0.050000 -0.798167 0.431423 -0.983687

2011M12 -0.050000 1.837222 0.270909 -0.321234

2012M01 0.070000 1.278181 -0.101322 -0.133669

2012M02 0.060000 -1.373006 0.324909 -0.339266

2012M03 0.020000 1.116411 0.766016 -0.466693

2012M04 0.090000 -1.542777 0.531540 -0.523108

2012M05 0.010000 -2.105094 0.039261 0.460851

2012M06 0.010000 0.927860 -0.036695 0.048788

2012M07 -0.010000 0.871574 0.090359 -1.330327

2012M08 0.030000 -0.418742 0.508401 -0.723760

2012M09 -0.030000 -0.627946 0.542706 -0.503682

2012M10 0.070000 -0.071327 -0.163323 -0.583986

2012M11 0.000000 -0.282106 -0.137469 0.426070

2012M12 -0.040000 -0.496381 0.258775 -1.221266

2013M01 0.130000 2.321082 0.115418 -0.583578

2013M02 0.030000 -1.010414 -0.087143 1.024470

2013M03 0.090000 -1.304784 0.905941 0.616540

2013M04 0.060000 -0.094572 0.252386 0.136959

2013M05 0.040000 1.602714 0.193586 1.805057

2013M06 -0.040000 -1.230221 0.261798 3.899341

2013M07 0.050000 0.432457 0.548479 1.063304

2013M08 0.000000 -0.662229 0.542905 0.901202

2013M09 0.010000 1.371407 0.108780 -0.826868

2013M10 0.050000 -1.304369 0.038272 -0.340189

58

2013M11 0.010000 -0.126127 -0.218243 1.047479

2013M12 -0.040000 1.314396 0.165818 -0.460130

2014M01 0.140000 0.895725 0.316847 0.850258

2014M02 0.020000 -0.380057 0.600839 0.132370

2014M03 0.040000 -0.617804 0.518559 -0.222888

2014M04 0.030000 -0.936059 0.393222 -0.427809

2014M05 0.080000 0.109515 0.225030 -0.264775

2014M06 -0.090000 0.361122 0.159178 0.260566

2014M07 0.080000 -0.293150 0.433313 -0.291416

2014M08 0.020000 0.411437 -0.085620 1.018664

2014M09 -0.050000 -0.961661 0.160503 1.757995

2014M10 0.060000 0.797490 0.378858 1.469678

2014M11 -0.010000 -0.649964 -0.149461 0.654826

2014M12 0.010000 0.272774 0.228892 1.245267

2015M01 0.110000 2.749085 0.170296 1.486578

2015M02 0.000000 -1.417892 0.303469 2.428860

2015M03 -0.040000 -0.901371 0.764664 0.427374

2015M04 0.060000 1.694475 0.390506 0.914411

2015M05 0.070000 -0.255888 0.564365 0.977499

2015M06 0.020000 -1.936933 0.332341 0.342430

2015M07 0.040000 1.013098 0.450786 0.633040

2015M08 -0.030000 -0.000266 0.377226 1.795116

2015M09 -0.120000 -0.134626 0.027538 -0.609677

2015M10 0.070000 -1.653408 0.142799 0.924664

2015M11 -0.030000 1.569844 0.344072 2.717293

2015M12 -0.080000 -0.085580 0.445721 1.379345

2016M01 0.100000 1.207998 0.372520 1.615836

2016M02 0.070000 -0.189483 0.174091 1.995149

2016M03 -0.010000 -0.062392 0.598118 -2.810225

2016M04 0.070000 -0.471292 0.011407 -3.106002

2016M05 0.090000 0.937859 0.209564 0.974684

2016M06 0.010000 -0.849992 0.139509 -0.514615

2016M07 -0.020000 0.268636 0.081747 -0.537742

2016M08 0.060000 -0.285484 0.358286 1.040053

2016M09 -0.050000 -0.977829 0.206464 1.477628

2016M10 0.090000 0.378418 0.413355 0.108120

Fuente: Banco Central de Reserva del Perú y La Superintendencia de Banca, Seguros y

Elaboración propia

59

Anexo 2. Prueba de Raíz Unitaria de las Variables DMOR, DTDES, VIPC, VTC que

fueron incorporadas al modelo VAR

Null Hypothesis: DMOR has a unit root

Exogenous: Constant



5% level -2.883753


Augmented Dickey-Fuller Test Equation

Dependent Variable: D(DMOR)

Method: Least Squares

Date: 01/10/17 Time: 21:59


Included observations: 130 after adjustments Variable Coefficient Std. Error t-Statistic Prob. DMOR(-1) -0.581867 0.124889 -4.659061 0.0000

D(DMOR(-1)) -0.524408 0.126870 -4.133433 0.0001

D(DMOR(-2)) -0.448496 0.131870 -3.401054 0.0009

D(DMOR(-3)) -0.361385 0.135036 -2.676206 0.0085

D(DMOR(-4)) -0.287398 0.133740 -2.148936 0.0337

D(DMOR(-5)) -0.326221 0.133641 -2.441022 0.0161

D(DMOR(-6)) -0.247581 0.135051 -1.833243 0.0693

D(DMOR(-7)) -0.372333 0.128996 -2.886388 0.0046

D(DMOR(-8)) -0.532370 0.122605 -4.342162 0.0000

D(DMOR(-9)) -0.381320 0.115915 -3.289640 0.0013

D(DMOR(-10)) -0.396061 0.101368 -3.907143 0.0002

D(DMOR(-11)) -0.304324 0.072626 -4.190257 0.0001

C 0.009138 0.004592 1.989754 0.0490 R-squared 0.782356 Mean dependent var 0.003538

Adjusted R-squared 0.760033 S.D. dependent var 0.103803

S.E. of regression 0.050849 Akaike info criterion -3.025267

Sum squared resid 0.302519 Schwarz criterion -2.738514

Log likelihood 209.6424 Hannan-Quinn criter. -2.908749

F-statistic 35.04788 Durbin-Watson stat 1.951250

Prob(F-statistic) 0.000000

60

Null Hypothesis: DTDES has a unit root

Exogenous: Constant



5% level -2.883579



Dependent Variable: D(DTDES)


Date: 01/10/17 Time: 22:01


Included observations: 131 after adjustments Variable Coefficient Std. Error t-Statistic Prob. DTDES(-1) -7.716292 0.767752 -10.05051 0.0000

D(DTDES(-1)) 5.943710 0.727130 8.174209 0.0000

D(DTDES(-2)) 5.145606 0.672568 7.650688 0.0000

D(DTDES(-3)) 4.501101 0.611549 7.360157 0.0000

D(DTDES(-4)) 3.870755 0.542588 7.133877 0.0000

D(DTDES(-5)) 3.231473 0.466647 6.924872 0.0000

D(DTDES(-6)) 2.698948 0.383254 7.042188 0.0000

D(DTDES(-7)) 2.167593 0.303653 7.138396 0.0000

D(DTDES(-8)) 1.634915 0.225145 7.261598 0.0000

D(DTDES(-9)) 0.988420 0.148028 6.677241 0.0000

D(DTDES(-10)) 0.454627 0.076125 5.972113 0.0000

C -0.168978 0.080455 -2.100285 0.0378 R-squared 0.820036 Mean dependent var -0.002525


S.E. of regression 0.898758 Akaike info criterion 2.711525

Sum squared resid 96.12406 Schwarz criterion 2.974902

Log likelihood -165.6049 Hannan-Quinn criter. 2.818547



61

Null Hypothesis: VIPC has a unit root

Exogenous: Constant



5% level -2.881978



Dependent Variable: D(VIPC)


Date: 01/10/17 Time: 22:01


Included observations: 141 after adjustments Variable Coefficient Std. Error t-Statistic Prob. VIPC(-1) -0.690176 0.080665 -8.556071 0.0000








62

Null Hypothesis: VTC has a unit root

Exogenous: Constant



5% level -2.881978



Dependent Variable: D(VTC)


Date: 01/10/17 Time: 22:02


Included observations: 141 after adjustments Variable Coefficient Std. Error t-Statistic Prob. VTC(-1) -0.633325 0.078878 -8.029150 0.0000








UNIVERSIDAD SAN IGNACIO DE LOYOLA FACULTAD DE...

Documents

Transcript of UNIVERSIDAD SAN IGNACIO DE LOYOLA FACULTAD DE...