Documentos de Académico
Documentos de Profesional
Documentos de Cultura
resumen
El crecimiento de los microcrditos a nivel mundial, junto con la normativa internacional sobre requerimientos de capital
(Basilea II), estn impulsando a las instituciones de microfinanzas (IMFs) a una mayor competencia con las entidades bancarias por este segmento de negocio. La banca tradicionalmente ha contado con adecuados modelos de credit scoring para
analizar el riesgo de incumplimiento, pero esto no ha sido as en las IMFs supervisadas. El objetivo de esta investigacin es
disear un modelo de credit scoring para una institucin sometida a supervisin y especializada en microcrditos, como es
la Entidad de Desarrollo de la Pequea y Micro Empresa (Edpyme) del sistema financiero del Per. El resultado de la
investi- gacin muestra la metodologa y fases necesarias para disear el modelo, as como el proceso de valoracin y
validacin para que pueda ser aplicado en el rea de negocio, especialmente para establecer la poltica de tasas de inters
con clientes. Por ltimo, tambin se muestra cmo puede utilizarse el modelo para desarrollar una gestin del riesgo de
crdito en el marco de los mtodos IRB de Basilea II.
Palabras clave: Microcrditos, instituciones de microfinanzas, Basilea II, credit scoring, Logit, IRB
abstract
The growth of microcredit worldwide along with international rules on capital requirements (Basel II) are increasing the
competition between microfinance institutions (MFIs) and banks for this business segment. The bank system traditionally
has relied on adequate credit scoring models to analyze the risk of payment failures, but this has not been the case in
supervised MFIs. The objective of this research is to design a credit scoring model for any institution subjected to
supervision and spe- cialized in microcredit as the Development Agency for Small and Micro Enterprise (Entidad de
Desarrollo de la Pequea y Micro Empresa - Edpyme) of the financial system in Peru. The results of this research includes
a methodology and the steps needed to design the model, and the assessment and validation process that can be applied in
the business area, in particular, to establish an interest rate policy with customers. Eventually, the paper also explains how
the model can be used to develop credit risk management under the Basel II IRB approaches.
Keywords: Microcredit, institutions of microfinance, Basel II, credit scoring, Logit, IRB
1. Profesor del Departamento de Economa Financiera y Contabilidad, Universidad de Granada, Espaa; <srayo@ugr.es>
2. Profesor del Departamento de Economa Financiera y Contabilidad, Universidad de Granada, Espaa; <juanlara@ugr.es>
3. Profesor del Departamento de Economa de la Empresa, Universidad Carlos III de Madrid, Espaa; <dcamino@emp.uc3m.es>
90
introduCCin
El acuerdo internacional sobre regulacin y
supervisin bancaria denominado Nuevo Acuerdo
de Capital, aprobado en 2004 por el Comit de
Basilea y conoci- do como Basilea II, exige a las
entidades financieras de los pases que se adscriba al
mismo una revisin de sus dotaciones de capital para
cubrir los riesgos. Por consiguiente, las entidades
financieras y de
mi- crofinanzas (IMFs)
supervisadas requieren adoptar procesos internos
que sean capaces de medir el riesgo de crdito. Las
entidades financieras que sirven a la industria
microfinanciera debern actuar bajo los pa- rmetros
de Basilea II. En efecto, estos parmetros les obligan
a disponer de herramientas que les permitan
establecer modelos de medicin (scorings y ratings)
con objeto de discriminar a los clientes segn su
perfil de riesgo, sistemas de seguimiento del riesgo
vivo y modelos de evaluacin de la exposicin y la
severidad en el riesgo de crdito. Basilea II tambin
obliga a las entidades financieras no solo a adaptar
sus sistemas de clculo del consumo de capital, sino
tambin a modi- ficar los sistemas de reporting
(informes financieros) y de anlisis de la
informacin. Ambos elementos, es decir los
informes financieros y el anlisis de los mismos, son
la clave de Basilea II que hace necesario gestionar
grandes bases de datos, capaces de ofrecer la
informacin exacta para cuantificar los riesgos de
cada operacin, lo que supone un verdadero reto
para los bancos y, especialmente, para las entidades
de microfinanzas.
La explicacin y prediccin del riesgo de impago
en microfinanzas deben ser abordadas de una manera
distinta a la habitual en la banca comercial debido a
las limitaciones de las bases de datos y al proceso de
elaboracin de un sistema de medicin del riesgo de
microcrdito. Preguntas tales como: conviene este
cliente?, cul es el lmite de crdito que debo
aceptarle en su solicitud?, qu tasa de inters debo
cobrarle?,
cmo puedo reducir el riesgo de impago?, etc., son
cuestiones que deben acompaarse de una respuesta
acertada, dado un determinado entorno macroeconmico. Historiales de crdito poco desarrollados y
faltos de informacin impiden predecir la
probabilidad del
June 2010
MarCo tEriCo
a) Anlisis Discriminante
de
Se entiende por sensibilidad la probabilidad de clasificar correctamente a un cliente que atiende el pago de sus deudas.
Por el contrario, la especificidad es la probabilidad de
clasi- ficar correctamente a un cliente fallido
Total CMAC
750,688
Total CRAC
15,779
201,648
1104,116
Total EDPYMES
Total
18%
Total CMAC
14%
2
Resolucin de la SBS (Superintendencia en Banca y Seguros) n 847-94 del 23 de diciembre de 1994, Resolucin de
la SBS n 259-95 del 28 de marzo de 1995 (Reglamento) y
artculo 10 de la Ley General de Instituciones Bancarias,
Financieras y de Seguros (Decreto Legislativo n 770 del
1 de abril de 1993).
68%
Total CRAC
Total EDPYMES
EDPYME Edyficar
88,803
EDPYME Confianza
20,646
EDPYME Proempresa
20,568
18,197
13,007
EDPYME Raz
11,350
5,726
5,154
4,912
EDPYME Credivisin
4,555
4,293
EDPYME Alternativa
3,106
EDPYME Solidaridad
3,036
EDPYME Efectiva
1,109
TOTAL EDPYMES
201,648
c) El sistema de informacin
Los datos recogidos por el analista u oficial de
crdito han de ser integrados correctamente en el
sistema de informacin de gestin de la entidad de
microfinanzas. Esta labor es delicada y requiere un
programador u ope- rario destinado exclusivamente a
tal funcin. La razn es simple: si se cometen errores
en esta fase, o se demora la introduccin de los datos
en un tiempo razonable, el modelo diseado perdera
su efectividad.
Definicin de incumplimiento
El incumplimiento de pago debe definirse con
cautela, por lo que es necesario identificar todo
atraso que con- lleve un coste para la organizacin.
Para ello se han de verificar las siguientes
condiciones:
a) El atraso percibido ha de ser real y no estimado,
segn fechas concretas marcadas en la contratacin del crdito, en funcin del mtodo
estipulado para su amortizacin por las partes
contratantes.
Seleccin de la muestra
La base de datos de la cartera de microcrditos de
la Edpyme Proempresa contiene informacin del
comportamiento de pago histrico de los clientes que
solicitaron crditos dentro del periodo 1997-2005. En
la seleccin de la muestra utilizada para la
elaboracin del modelo de credit scoring se ha
seguido el siguiente procedimiento:
c) El atraso considerado ha de suponer un incremento en el coste para la entidad ms que proporcional al habitual en caso de no sucederse
esta
contingencia.
Generalmente,
estos
incrementos suelen darse en trminos de costes
administrati- vos debido al incremento
monetario que supone realizar un seguimiento
y gestionar el pago de un crdito cuyo
reembolso mantiene un retraso considerable.
En el modelo de calificacin riesgo de morosidad
para los crditos de una organizacin de
microfinanzas en Bolivia, Schreiner (1999) establece
el atraso costoso como un atraso de 15 das o ms,
sin argumentar los motivos en los que se basa para
determinarlo. En nuestro caso, vamos a definir el
concepto de atraso en el pago que supone un coste
aadido para la organizacin con un mnimo de 30
das desde el vencimiento de al menos una cuota de
amortizacin del microcrdito concedido a un
determinado cliente. Este vencimiento respeta los
plazos de atraso que conllevan un coste para
c) Se pretende que la muestra aporte la mayor cantidad de informacin posible del cliente, tanto
en trminos cuantitativos como cualitativos.
d) Los casos admitidos han de contener toda la informacin de las variables explicativas. Se han
eliminado aquellos casos en los que no se aporta informacin en una determinada variable que
sea analizada y seleccionada para la construccin del modelo.
e) Los datos considerados estarn referenciados al
mismo periodo de tiempo, tanto para los casos
de impago como para los casos en los que se
atiende el pago.
El historial de crdito fue extrado del sistema
inte- grado de gestin de la institucin, sistema que
guarda informacin cuantitativa y cualitativa relativa
a cada cliente en la fecha de la concesin del
microcrdito. Posteriormente, dicha informacin fue
descargada a una base de datos en Excel. En dicha
base se dispuso de informacin que no
necesariamente constituan variables explicativas,
pero era necesaria para la de- finicin de stas. Una
vez seleccionada la muestra, se eliminaron aquellos
crditos cuya informacin relevante estaba incompleta
para la seleccin definitiva de las variables
explicativas del modelo. Finalmente, tras un proceso
de eliminacin de missing value, se construy una
base con una muestra de 5.451 microcrditos que
corresponden al periodo comprendido entre los aos
1997 y 2005.
Segn se indica en la Tabla 3, la muestra fue dividida aleatoriamente en dos submuestras. La intencin
era realizar una validacin a posteriori sobre el
modelo de regresin logstica estimado, destinando el
75% de los casos totales a la estimacin del modelo
estads- tico y el 25% restante a la validacin del
mismo. La totalidad de los casos que componen las
dos muestras son microcrditos concedidos y no
rechazados por la entidad. As, el modelo diseado
asume como fuente de datos la informacin de
prestatarios aceptados segn los procesos
habituales del manual de proce- dimientos de
gestin del microcrdito de la Edpyme Proempresa.
Tabla 3.
Cartera microcrditos Edpyme Proempresa
Pagos
2,673
2,016
657
Edpyme Proempresa
Periodo Estudio 1997 / 2005
Observaciones (N)
Impagos
TOTAL
2,778
5,451
Muestra Estimacin (75%)
2,072
4,088
Muestra Validacin (25%)
706
1,363
Montante
Mnimo
Mximo
Media
Desv. Tpica
60.00
3910.00
688.20
623.93
Si los prstamos otorgados se dan a personas naturales, stas debern tener como fuente principal de
ingresos la realizacin de actividades empresariales.
Por este motivo, los crditos otorgados para consumo
o los prstamos hipotecarios no formarn parte de la
muestra.
del crdito
El proceso comienza con la identificacin de la
sucursal o agencia a partir de la cual se realizar la investigacin de mercado y posterior promocin del crdito. La entidad establece como
objetivo determinar el procedimiento para
infor- mar a las personas naturales y jurdicas
sobre los microcrditos que la Edpyme
Proempresa brinda con el propsito de ofertar
una financiacin que satisfaga las necesidades
del cliente. La primera variable explicativa que
se debe considerar en el anlisis es la ZONA.
Fase 2: Informes de crditos para clientes nuevos o recurrentes
La entidad de microfinanzas, representada por
el analista de crdito, determina el procedimiento para informar y orientar al cliente sobre los
productos y servicios de crditos que ofrece la
institucin. Debido al desconocimiento que numerosos clientes manifiestan sobre el acceso
al crdito, la entidad de microfinanzas realiza
labores de asesora financiera para el cliente y,
en ocasiones, tambin desempean funciones
de asesora de inversiones y gestin de activos
y pasivos. Todo esto se ofrece, junto con la informacin sobre los productos ofertados, con el
objeto de que los analistas de crdito presenten
al cliente el producto financiero ms conveniente. En esta fase se comprueba si el prestatario es
ya cliente de la institucin. Por tanto, las variables que se deben tomar en cuenta en esta fase
son: ANTIGUO, CRED_CON, CRED_CON 2
y CRED_DENEG.
Fase 3: Evaluacin del expediente de crdito
La actividad de esta fase del proceso la desarrolla el analista de crdito, quien determina un
procedimiento para la evaluacin de los expedientes de crditos a ser presentados al Comit
de Crditos, que aprueba o rechaza la solicitud.
Las etapas que el analista de crdito sigue para
realizar este cometido son tres:
Zona geogrfica
Investigacin de mercado
MACROECONMICO
de crditos para clientes nuevos o recurrentes
Recepcin de Informes
documentos
Evaluacin del expediente de crditoENTORNO
1. Proceso
de promocin, evaluacin y concesin de un microcrdito
1.- Anlisis de laFigura
actividad
econmica
2.- Revisin en centrales de riesgos e historial de crdito del cliente
3.- Inspeccin econmicocliente desarrolla la actividad principal en el
finanicera en el hogar
10
2
Tabla 5.
Variables Independientes Edpyme Proempresa
Fase del proceso
de evaluacin del
microcrdito
Variable
FASE 1
ZONA
CLAS_ENT FASE 3 A
Lugar geogrfico de la agencia o sucursal. Variable dicotmica (0) Zona centro (1)
Extrarradio
CRED_CONC
CRED_CONC2
CRED_DENEG
ANTIGUO
FASE 2
Concepto
FASE 3 B
FASE 3 C
+/-
CUOT_MORA
MEDIA_MORA
MORA_MAYOR
SEXO
EDAD
E_CIVIL
SIT_LAB
Situacin laboral del cliente. Variable dicotmica (0) Propietario (1) Dependiente
R1
R2
R3
R4
R5
Jo
ur
na
l
of
Ec
on
o
mi
cs,
Fi
na
nc
e
an
d
A
d
mi
ni
str
ati
Ju
ne
20
10
Tabla 5
VariablesIindependientes Edpyme Proempresa (continuacin)
Fase del proceso
de evaluacin del
microcrdito
FASE 3 C
FASE 4
Variable
R7
R8
GARANT
Tipo de garanta aportada por el cliente. Variable dicotmica (0) Declaracin jurada
(1) Garanta real (aval, prenda, hipoteca, etc.)
MONEDA
+
+
PIB
IPC
IE
TC
MONTO_RECH
DURACION
INT_MENS
VTOCRED_SBS
FASE 6
R6
MONTO
FASE 5
Concepto
TI
Tasa de variacin anualizada del ndice General Burstil durante la vigencia del
crdito. Variable numrica
AGUA
LUZ
TFNO
Tasa de variacin anualizada de la tarifa del Telfono durante la vigencia del crdito.
Variable numrica
IGB
V
ol.
15
N
28
Ra
yo
et
al.
:
U
n
m
od
el
o
de
cr
ed
it
sc
ori
ng
pa
ra
in
sti
tu
ci
on
es
de
mi
cr
of
in
an
za
s
en
el
m
10
3
10
4
June 2010
Rayo et al.: Un modelo de credit scoring para instituciones de microfinanzas en el marco de Basilea
Vol. 15 N 28
5
II la ausencia de las variables
Segn Mester (1997),
mmaaccrrooeeccoo-- nmicas ha supuesto una fuerte limitacin
a los modelos de
10
5
VM
(1)
VMi,j
VM
i
j
entre la concesin y el vencimiento de cada microcrdito de la cartera. En seguida, con objeto de hacer
comparables los resultados, se anualizaron todas las
tasas de variacin obtenidas en cada una de las
variables macroeconmicas.
Al respecto, Greene (1992) emple un mayor
nmero
de
caractersticas
demogrficas
y
socioeconmicas del cliente, as como variables del
prestamista
y
variables
demogrficas
y
macroeconmicas de la regin en la que la entidad
financiera desarrolla su actividad. En esta l- nea,
Belloti y Crook (2007) construyeron una aplicacin de
scoring utilizando la regresin logstica en la que
intentaron analizar el impacto que tena incluir una
serie de variables que reflejaban las caractersticas
del ciclo macroeconmico. Inicialmente, los autores
elaboraron
el
modelo
sin
las
variables
macroeconmicas, contando tan solo con variables
del prestatario y de la operacin de prstamo, casi
todas ellas dummy, y que ya estaban contrastadas en
la literatura. Seguidamente, y sobre este mismo
planteamiento, procedieron a la incorporacin de
variables relacionadas con el ciclo econmico, tales
como tipos de inters, ndice general burstil,
producto interno bruto, tasa de desempleo, precio de
la vivienda,
ndice de precios y un ratio de riqueza incluyendo los
valores de renta fija. La investigacin concluye que
la incorporacin de estas variables mejora la
capacidad predictiva del modelo, en el que el tipo de
inters es la
afianzaban como factores claves que afectaban de forma
directa al comportamiento de pago de la empresa.
0 1 x1 2 x2 .....
log
k x1k p
(2)
siendo
Z 0 1 x1 2 x2 ..... k
xk
(4)
rEsultados dE la invEstigaCin
Estimacin del modelo
El tratamiento de la base de datos de la cartera de
microcrditos de la Edpyme Proempresa, mediante el
mdulo de Regresin Logstica Binaria del software
SPSS vs. 15, ofrece como resultado la ecuacin de
puntuacin Z (expresin 5) y la probabilidad de
impago P (expresin 6) para cada uno de los
prestatarios de dicha cartera:
Z = 8.703 0.498 ZONA 1.693 SIT_LAB 3.062
R3 + 1.274 R5 0.070 CRED_CON2 1.088
DEST_ CRED 1.064 GARANT 4.356
VTOCRED_SBS +
0.241 TC
(5)
donde
P (Probabilidad de incumplimiento)
1
1
e
(Z)
(6)
1 e
1
Z
e
la
Tabla 6.
Variables independientes Edpyme Proempresa
Variable
FASE 1ZONA
FASE 2
CRED_CONC2
FASE 3 A
DEST_CRED
SIT_LAB
FASE 3 C
R3
R5
FASE 4
GARANT
FASE 5
VTOCRED_SBS
FASE 6
TC
Tabla 7.
Porcentaje de acierto en el proceso de validacin
Observado
Pronosticado
Porcentaje
Pago (0)
Impago (1)
Pago (0)
586
71
89.19%
Impago (1)
233
473
67.00%
Porcentaje global
de acierto
77.70%
dispone de Modelos de calificacin para la estimacin de la probabilidad de Impago (PD), Severidad (LGD) y Exposicin (EAD).
Por tanto, es en los modelos de calificacin
interna donde se necesita el input de la probabilidad
de impago que se obtiene del modelo de credit
scoring. Para deter- minar el requerimiento de capital
en una operacin de crdito, Basilea II considera un
cuartil del 99.9%, con el objeto de que en el cmputo
del capital se contemplen el 99.9% de las situaciones
del estado de la economa que tengan influencia en
un posible impago del cliente y que el peor resultado,
en situacin de catstrofe o crisis en la misma, se
produzca con una probabilidad del 0.1%. La frmula
para calcular el requerimiento de capital exigido a las
entidades de crdito en los modelos internos, segn el
modelo propuesto por el Comit de Supervisin
Bancaria de Basilea para la cartera mino- rista, es la
siguiente7:
K = LGD N
RWA =
100%
PD LGD
1 (PD)
G (PD) + (PD) G (0.999)
LGD N
PD LGD
1 (PD)
(7)
10%
RWA = K 10 EAD;
1 e
(PD) = 0.03 35PD
1 e
35PD
1 e
35
1 e 35
donde
K
: Requerimiento de capital
PD
(PD)
: Coeficiente de correlacin
LGD
EAD
RWA
PES
: Prdida esperada
Tabla 8.
Probabilidad de impago para un cliente de rating B- y de rating CCC
Datos cliente
Variable
Coef. Logit
RATING
Zona geogrfica (0 Cntrica) y (1 Extrarradio)
Cliente 1
Cliente 2
B-
CCC
ZONA
-0.498
SIT_LAB
-1.693
Ratio liquidez
R3
-3.062
52.00%
30.00%
Endeudamiento
R5
1.274
5.00%
10.00%
CRED_CON2
-0.072
14
DEST_CRED
-1.088
GARANT
-1.064
VTOCRED_SBS
-4.356
TC
0.241
5.00%
5.00%
CONSTANTE
8.703
-2.5205
-1.2792
PD (Probabilidad Default)
7.44%
21.77%
Tabla 9.
Rentabilidad del cliente en Basilea I y Basilea II (antes del ajuste de tasas)
Concepto
Tasa inters
Importe crdito
Tasa Libre de Riesgo
Costes Operativos
Coste Fondos Ajenos
Tasa Impuestos
Cliente 1
Cliente 2
20.00%
20.00%
1,010
1,010
3.00%
3.00%
10.00%
10.00%
5.00%
5.00%
35.00%
35.00%
100.00%
100.00%
Basilea I
Ponderacin
Provisin (B- =5%; CCC =5%)
10.10
50.50
8.00%
8.00%
Fondos Propios
79.99
76.76
Fondos Ajenos
930.01
933.24
Ingresos Financieros
202.00
202.00
Costes Financieros
46.50
46.66
Costes Operativos
101.00
101.00
Beneficio de Capital
0.00
0.00
Rentabilidad Cliente
44.29%
46.01%
B-
CCC
7.44%
21.77%
45.00%
45.00%
33.83
98.94
56.0168%
82.9780%
Basilea II-IRB
Rating
PD
LGD
Perdida Esperada (EL)
Ponderacin
RWA
Coeficiente Basilea II-IRB
Fondos Propios
Fondos Ajenos
Total
Superavit/Dficit Fondos Propios
Ingresos Financieros
565.77
838.08
10.00%
10.00%
56.58
83.81
953.42
926.19
1,010.00
1,010.00
23.42
-7.05
202.00
202.00
Costes Financieros
47.67
46.31
Costes Operativos
101.00
101.00
0.00
0.00
22.40%
-34.32%
Rentabiliad Objetivo
35.00%
35.00%
Precio
20.00%
20.00%
Beneficio Capital FP
Cuadro 10.
Rentabilidad del cliente en Basilea I y Basilea II (despus del ajuste de tasas)
Concepto
Cliente 1
Tasa inters
Importe crdito
Tasa Libre de Riesgo
Costes Operativos
Coste Fondos Ajenos
Tasa Impuestos
Cliente 2
21.09%
28.85%
1,010
1,010
3.00%
3.00%
10.00%
10.00%
5.00%
5.00%
35.00%
35.00%
100.00%
100.00%
10.10
50.50
Basilea I
Ponderacin
Provisin (B- =5%; CCC =5%)
Coeficiente RRPP Basilea I
8.00%
8.00%
Fondos Propios
79.99
76.76
Fondos Ajenos
930.01
933.24
Ingresos Financieros
212.97
291.38
Costes Financieros
46.50
46.66
Costes Operativos
101.00
101.00
Beneficio de Capital
0.00
0.00
Rentabilidad Cliente
53.20%
121.70%
Basilea II-IRB
Rating
PD
LGD
Perdida Esperada (EL)
Ponderacin
RWA
Coeficiente Basilea II-IRB
B-
CCC
7.44%
21.77%
45.00%
45.00%
33.83
98.94
56.0168%
82.9780%
565.77
838.08
10.00%
10.00%
Fondos Propios
56.58
83.81
Fondos Ajenos
953.42
926.19
1,010.00
1,010.00
23.42
-7.05
212.97
291.38
Total
Superavit/Dficit Fondos Propios
Ingresos Financieros
Costes Financieros
47.67
46.31
Costes Operativos
101.00
101.00
0.00
0.00
35.00%
35.00%
Rentabiliad Objetivo
35.00%
35.00%
Precio
21.09%
28.85%
Beneficio Capital FP
Proceso de
Aplicacin
concesin de un microcrdito
estadstica: Modelo Logit
Figura 2. Esquema
general
la metodologa
para el anlisis del riesgo de microcrdito
Variables
de lade
operacin
de crdito
Historial de crdito
Clasificacin
referencias
Scoring.
Kulkosky, E. (1996). Credit Scoring Could Have a Downside, Experts Say. American Banker, 161(208), 8.
Makowski, P. (1985). Credit Scoring Branches Out: Decision
Tree - Recent Technology. Credit World, 75, 30-37.
Mester, L. (1997). Whats the Point of Credit Scoring?
Business Review (Federal Reserve Bank of
Philadelphia), September/October, 3-16.
Milena, E., Miller, M., & Simbaqueba, L. (2005). The
Case for Information Sharing by Microfinance
Institu- tions: Empirical Evidence of the Value of
Credit Bureau-Type Data in the Nicaraguan
Microfinance Sector. New York: The World Bank,
mimeo.
Miller, M., & Rojas, D. (2005). Improving Access to
Credit for Smes: An Empirical Analysis of the
Viability of Pooled Data SME Credit Scoring
Models in Brazil, Colombia & Mexico. New York:
The World Bank.
Mures, M. J., Garca, A., & Vallejo, M. E. (2005). Aplicacin del anlisis discriminante y regresin logstica en el estudio de la morosidad de las entidades
financieras. Comparacin de resultados. Pecvnia,
1, 175-199.
Orgler, Y. E. (1970). A Credit Scoring Model for Commercial Loans. Journal of Money, Credit and Banking,
2(4), 435-445.
Orgler, Y. E. (1971). Evaluation of Bank Consumer Loans
with Credit Scoring Models. Journal of Bank
Research, 2, 31-37.
Reinke, J. (1998). How to Lend Like Mad and Make a
Profit: A Micro-Credit Paradigm Versus the StartUp Fund in South Africa. Journal of Development
Studies, 34(3), 44-61.
Ripley, B. D. (1994). Neural Networks and Related Methods
for Classification. Journal of the Royal Statistical
Society, Series B(Methodological), 56(3), 409-456.
Rosenberg, E., & Gleit, A. (1994). Quantitative Methods
in Credit Management: A Survey. Operations Research, 42, 589-613.
Superintendencia de Banca y Seguros del Per SBS.
Reglamento para el requerimiento de patrimonio
efectivo por riesgo de crdito. Resolucin N
14.354 del 30/10/2009. (2009). Lima, Per: Autor.
anExo a
resultados estadsticos modelo Credit scoring
Edpyme Proempresa
Tabla A1.
Variables de la ecuacin en el modelo final
B
Paso ZONA(1)
a
SIT_LAB(1)
1
R3
R5
CRED_CON2
DEST_CRED(1)
GARANT(1)
VTOCRED_SBS(1)
TC
Constante
-4.98
-1.693
-3.062
1.274
-0.070
-1.088
-1.064
-4.356
0.241
8.703
E.T.
Wald
gl
Sig.
Exp(B)
0.081
0.563
0.552
0.275
0.017
0.136
0.083
0.233
0.010
0.639
37.967
9.032
30.782
21.399
16.244
64.501
166.253
348.203
532.525
185.375
1
1
1
1
1
1
1
1
1
1
0.000
0.003
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.608
0.184
0.047
3.576
0.932
0.337
0.345
0.013
1.273
6022.226
Superior
0.519
0.061
0.016
2.084
0.901
0.258
0.294
0.008
1.247
0.712
0.555
0.138
6.136
0.965
0.439
0.406
0.020
1.299
a. Variable(s) introducida(s) en el paso 1: ZONA, SIT_LAB, R3, R5, CRED_CON2, DEST_CRED, GARANT, TOCRED_SBS, TC.
Tabla A2.
Significatividad global del modelo de credit scoring
Prueba mnibus sobre los coeficientes del modelo
Chi-cuadrado
gl
Sig.
1848.966
1848.966
1848.966
9
9
9
0.000
0.000
0.000
Paso 1 Paso
Bloque
Modelo
Tabla A3.
Bondad del ajuste. Pseudo-R2
Resumen de los modelos
Paso
2 log de la
verosimilitud
Rcuadrado
de Cox y Snell
R cuadrado de
Nagelkerke
3817.438a
0.364
0.485
Tabla A4
Tabla de contingencias y prueba de Hosmer-Lemeshow
Y = ,00
Paso 1
1
2
3
4
5
6
7
8
9
10
Y = 1,00
Total
Observado
Esperado
Observado
Esperado
364
357
311
272
257
229
170
32
7
17
377.545
344.397
315.129
280.427
242.332
199.638
143.840
79.121
27.461
6.111
46
52
98
137
152
180
239
377
402
390
31.455
64.603
93.871
128.573
166.668
209.362
265.160
329.879
381.539
400.889
409
409
409
409
409
409
409
409
409
407
Paso
Chi-cuadrado
gl
Sig.
99.069
0.000
Tabla A5.
Matriz de correlaciones
Constant ZONA(1) SIT_LAB(1)
Paso Constante
1
ZONA(1)
SIT_LAB(1)
R3
R5
CRED_CON2
DEST_CRED(1)
GARANT(1)
VTOCRED_SBS(1)
TC
1.000
-0.076
-0.886
-0.151
-0.039
-0.041
-0.204
-0.125
-0.397
0.181
-0.076
1.000
-0.032
0.072
0.032
-0.059
0.026
-0.037
0.085
-0.059
-0.886
-0.032
1.000
0.039
0.009
0.000
0.003
-0.003
0.017
-0.041
R3
-0.151
0.072
0.039
1.000
0.151
-0.005
0.024
0.043
0.080
-0.075
R5
-0.039
0.032
0.009
0.151
1.000
-0.246
-0.019
-0.093
0.015
0.067
CRED_
CON2
DEST_
CRED(1)
-0.041
-0.059
0.000
-0.005
-0.246
1.000
-0.122
-0.063
-0.077
-0.051
-0.204
0.026
0.003
0.024
-0.019
-0.122
1.000
0.107
0.038
-0.021
GARANT(1)
VTOCRED_
SBS(1)
TC
-0.125
-0.037
-0.003
0.043
-0.093
-0.063
0.107
1.000
0.134
-0.164
-0.397
0.085
0.017
0.080
0.015
-0.077
0.038
-0.134
1.000
-0.174
0.181
-0.059
-0.041
-0.075
0.067
-0.051
-0.021
-.0164
-0.174
1.000
Tabla A6
Tabla de clasificacin
Pronosticado
Observado
Paso 1
0.00
1.00
-00
1.00
1798
671
218
1401
Porcentaje
correcto
89.2
67.6
78.3
Porcentaje global
Step number: 1
Observed Groups and Predicted Probabilities
320
240
1
1
E
C
11
160
11
111
1 0 1111
N
C
Y
80
0 0 0 0 0 0 0 0 0 1111111
1111
1
1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 11 1 0 1111111
1 1111
11
11
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1 111111111111111
111111
11111111111 0
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 11 11 1 111111111110
Predicted
Prob:
0
,
25
,5
,75
1
Group:
00000000000000000000000000000000001 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Predicted Probability is of Membership for 1,00
The Cut value is ,58
Symbols: 0 ,00
1 1,00
anExo B
Curva
Cor
Tabla B1.
Sensibilidad y especificidad del modelo
Punto de corte
Sensibilidad
Especificidad
0.0
3.2
12.7
25.3
37.9
48.0
56.2
63.1
70.2
76.7
82.4
86.7
89.2
90.5
93.3
96.3
97.8
98.8
98.8
98.8
99.1
100.0
100.0
98.6
98.1
97.1
94.9
92.3
88.6
84.7
81.1
77.1
73.2
69.7
67.6
66.2
62.5
58.5
54.2
48.2
43.3
36.2
24.3
0.0
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.35
0.40
0.45
0.50
0.55
0.58
0.60
0.65
0.70
0.75
0.80
0.85
0.90
0.95
1.00
Total
50.7
51.6
56.0
61.7
66.8
70.5
72.6
74.1
75.7
76.9
77.7
78.1
78.3
78.2
77.7
77.2
75.7
73.2
70.7
67.1
61.2
49.3
Tabla B2.
rea bajo la Curva COR.
Variables resultado de contraste: Probabilidad pronosticada
rea
0.859
Error tip.a
0.006
Sig. asintnicab
0.000
Intervalo de confianza
asinttico al 95%
Lmite inferior
Lmite
superior
0.847
0.870
1,0
sensibilidad
0,8
0,6
0,4
0,2
0,0
0,0
0,2
0,4
0,6
1 Especificidad
0,8
1,0
anExo C
diagramas de dispersin
Cambios experimentados por el coeficiente de las variables explicativas