6
Riesgo de crédito: Evidencia en la banca múltiple peruana
Credit risk: Evidence from peruvian commercial banks
URL: https://revistas.uta.edu.ec/erevista/index.php/bcoyu/article/view/1601
Victor Echegaray – Roldán
1
Fecha de recepción: 28 de julio de 2021 Fecha de aceptación: 16 de diciembre de 2021
Resumen
Este estudio tiene como fin investigar los factores que determinan el riesgo de crédito en la banca múltiple peruana. Se
explora la relación de las variables macroeconómicas y específicas del banco frente al riesgo de crédito, las cuales fueron
analizadas a través de un conjunto de datos de panel que incluyeron 185 observaciones de la banca múltiple durante los
años 2001 – 2019. Basados en varias pruebas robustas, los resultados sugieren que el tipo de cambio y la tasa de referencia
de la política monetaria nacional son significativamente positivos al riesgo de crédito de la banca múltiple peruana, mientras
que la eficiencia bancaria, la rentabilidad sobre el patrimonio (ROE), el crecimiento de los préstamos, poder de mercado y
producto bruto interno (PBI), muestran una relación significativamente negativa al riesgo crediticio de la banca. El resultado
de este estudio provee evidencia de que el riesgo de crédito fue influenciado por variables macro y micro (específicas del
banco) juntas.
Palabras clave: Riesgo de crédito, banca múltiple, variables macroeconómicas, variables específicas del banco,
determinantes.
Abstract
This study aimed to investigate the credit risk determinants in peruvian banking sector. It explores the relationship between
macroeconomic and bank – specific variables in order to credit risk, which were analyzed through a panel data set that included
185 bank-year observations of peruvian commercial banks from 2001 to 2019. Based on several robust tests, the results
suggest that the exchange rate and the reference rate of the national monetary policy are significantly positive relationship
between the bank’s credit risk, while bank efficiency, return on equity (ROE), loan growth, market power and gross domestic
product (GDP) have a significantly negative relationship effects on credit risk in peruvian commercial bank. The outcome of
this study provides evidence that credit risk was influenced by both macro and micro (bank – specific) variables together.
Keywords: Credit risk, multiple banking, macroeconomic variables, bank-specific variables, determinants.
1
Universidad Nacional Mayor de San Marcos. Facultad de Economía. Lima – Perú. E-mail: victor.echegaray@unmsm.edu.pe. ORCID: https://orcid.org/0000-0002-6393-
3911
Boletín de Coyuntura; Nº 32; enero - marzo 2022; e-ISSN 2600 - 5727 / p-ISSN 2528 – 7931; UTA-Ecuador; Pág. 6 -16
Esta publicación se encuentra bajo una licencia de Creative Commons
Reconocimiento - NoComercial 4.0 Internacional.
Riesgo de crédito: Evidencia en la banca múltiple peruana
Credit risk: Evidence from peruvian commercial banks
7
Introducción
La salud del sector financiero es una piedra angular para el
desarrollo económico general de un país, es por ello que el
buen desempeño de los bancos refleja en gran medida la
salud de sus prestatarios que, a su vez, refleja la salud de
la economía como en su conjunto (Arpa, Giulini, Ittner y
Pauer, 2001).
El sistema financiero reviste tres tipos de riesgos: i) el riesgo
del impago de los créditos que otorga, ii) el riesgo de
liquidez para afrontar sus obligaciones de corto plazo ante
sus acreedores y iii) el riesgo de mercado que afectan los
activos y pasivos de la empresa (Freixas y Rochet, 1997).
El más importante de los riegos antes mencionados es
probablemente el riesgo de impago o llamado también
riesgo de crédito, siendo este el que se analiza en esta
pesquisa.
Durante muchas décadas, los préstamos impagos han sido
un termómetro para la salud económica. Se puede utilizar
para señalar el inicio de una crisis bancaria (Louzis, Vouldis
y Metaxas, 2012). Una tasa de morosidad creciente significa
una economía menos saludable y mayores riesgos en
términos de liquidez y rentabilidad para los bancos,
corporaciones e incluso individuos. El hecho de que los
activos bancarios se deterioren no es solo un
desestabilizador financiero para el sistema bancario, sino
que también perjudica el bienestar social (Ghosh, 2015).
A nivel mundial, el riesgo crediticio forma parte integral del
negocio bancario cuya implicancia supone que el pago
pueda retrasarse o eventualmente fallar y así causar
pérdidas a los bancos, afectando su liquidez (Thalassinos y
Thalassinos, 2018). Diversos estudios indican que los
préstamos impagos han recibido más atención de
académicos ya que la tasa creciente de préstamos dudosos
es cada vez más citada entre las principales causas de
crisis financiera y colapso en las instituciones financieras
(Adebola, Wan Yussof y Dahalan, 2011; Barr, Seiford y
Siems, 1994). Un ejemplo de ello es la crisis financiera
mundial del 2008 en el mercado de hipotecas de alto riesgo
de Estados Unidos, que reveló vulnerabilidades de los
mercados financieros y expuso las malas decisiones en la
gestión de riesgos. Debido al peso y la importancia de las
pérdidas de los préstamos impagos en la banca, es
necesario estudiar esos préstamos y las determinantes que
los causan. Cuando estos determinantes se evalúan
adecuadamente, es posible minimizar el nivel de préstamos
en mora y pérdidas crediticias, minimizar quiebras
bancarias y crisis financieras (Asfaw y Veni, 2015).
En Perú, el crédito otorgado al sector privado representó el
43% del PBI, a diciembre 2019 (Banco Central de Reserva
del Perú, 2020), alcanzando su nivel histórico más alto y
mostrando el nivel de profundización financiera de la
economía peruana. Si hacemos un acercamiento al sistema
financiero peruano, observaremos que presenta un alto
grado de concentración de sus operaciones, en la banca
múltiple, que a diciembre del 2019 agrupaba el 85,30% de
la cartera de crédito y el 81,30% de los depósitos totales
(Superintendencia de Banca, Seguros y AFP del Perú,
2020), lo que demuestra la importancia del sector financiero
y la implicancia de la banca múltiple en el desarrollo del
país.
El principal objetivo de este estudio es investigar los
determinantes del riesgo de crédito en la banca múltiple
peruana. La investigación permitirá establecer una relación
clara entre aquellos factores que podrían influir en el riesgo
de crédito. Examinar los principales determinantes del
riesgo crediticio, implica considerar a los factores internos y
externos o macroeconómicos como clasificadores de los
determinantes de riesgo (Chaibi y Ftiti, 2014). En la
investigación, se incluyeron variables específicas del banco
como ratios de: solvencia, eficiencia y gestión, rentabilidad,
liquidez, tamaño del banco y poder de mercado. Asimismo,
se consideraron variables macroeconómicas como
crecimiento del producto bruto interno, inflación, tipo de
cambio, tasa de desempleo y tasa de referencia de la
política monetaria. La muestra incluyó un conjunto de datos
de panel de 11 bancos, para el periodo 2001 – 2019, que
conforman la banca múltiple peruana.
La importancia del presente es contribuir con herramientas
al Estado y a gerentes bancarios, para que puedan
implementar políticas económicas que mantengan la
industria bancaria peruana en un nivel de estabilidad,
permitir la anticipación a dificultades bancarias que podrían
ser causa de quiebras o en un escenario extremo, impactar
en la realidad económica. Por lo tanto, se puede tener en
consideración los datos obtenidos para diseñar políticas de
crédito adecuadas, que sirvan de insumo para la toma de
decisiones efectivas sobre el crecimiento de crédito y la
adopción de riesgos.
La estructura del presente informe es, primero la
introducción del estudio, seguido de la revisión de literatura,
la sección tres presenta la data y metodología, los
resultados son presentados y discutidos en la sección
cuatro y, por último, en la sección cinco se concluye este
estudio.
Revisión de literatura
En la anterior década, se ha mostrado un especial interés
sobre el estudio del riesgo de crédito, tratando de identificar
los factores que inciden en la calidad de la cartera de
créditos con la intención de mejorar la gestión de riesgos y
que ello conlleve a mostrar niveles estables de solvencia y
rentabilidad.
La literatura previa ha distinguido dos clases de factores que
influyen en el riesgo de crédito. El primer factor, es el
relacionado a las variables específicas del banco o factores
internos; mientras que, el segundo factor está relacionado a
las variables macroeconómicas o factores externos.
Riesgo de crédito
El riesgo de crédito considera el riesgo de que un deudor no
pueda asumir sus obligaciones en cumplimiento de los
términos acordados (Ahmad, Salam, Ahmad y Abbas,
2019). Debemos tener presente que todas las entidades
crediticias deben contemplar la pérdida esperada, como un
porcentaje de error en la concesión del crédito o, dicho en
otras palabras, como la morosidad media de una entidad de
crédito en situaciones normales, no de crisis económica
más la pérdida que las entidades deben cubrir con
provisiones, el cual se debe reflejar en el precio de la
V. Roldán / Boletín de Coyuntura; Nº 32; enero - marzo 2022; e-ISSN 2600 - 5727 / p-ISSN 2528 – 7931; UTA-Ecuador; Pág. 6 -16
Riesgo de crédito: Evidencia en la banca múltiple peruana
Credit risk: Evidence from peruvian commercial banks
8
operación crediticia correspondiente, en el supuesto de
concesión.
Por tanto, la pérdida esperada es:
󰇛󰇜   
Donde:

󰇛

󰇜
es la pérdida esperada o importe medio de la
pérdida,
 (probability of default) es la probabilidad de
incumplimiento, que es distinta para cada acreditado, ya
que está directamente relacionada con la calidad crediticia
o rating del deudor,
 (exposure at default), es la deuda pendiente en el
momento del incumplimiento o impago, y
 (loss given default) o severidad, es el porcentaje de
EAD que después de una operación crediticia morosa, no
se recupera; por tanto, está condicionada a la existencia o
no de garantías de la operación en morosidad, que puede
mitigar la severidad.
Revisión de investigaciones
Este capítulo proporciona evidencia que identifica los
determinantes de los préstamos bancarios, en particular de
los préstamos impagos. Existen estudios previos que
demuestran la relación entre el riesgo de crédito y las crisis
bancarias, y que ello conlleva a una inestabilidad financiera.
Kharabsheh (2019), utilizó variables internas y externas
para determinar el riesgo crediticio en la banca comercial
jordana, reportó una asociación negativa para la
rentabilidad bancaria y riesgo de crédito ya que la
rentabilidad refleja la calidad, eficiencia, habilidades de
gestión y administración del riesgo, el resultado fue
consistente con Zheng, Sarker y Nahar (2018); Chaibi y Ftiti
(2014); Tehulu y Olana (2014); Lin, Penm, Gong y Chang
(2005); Kwan y Eisenbeis (1997). Asimismo, la liquidez
refleja una asociación negativa bajo los tres métodos de
investigación utilizados (OLS, efectos fijos y efectos
aleatorios) en relación con el riesgo de crédito.
Urbina Poveda (2019), estudió “los determinantes del riesgo
de crédito en el sistema bancario ecuatoriano”, encontrando
una relación negativa entre el ROA y el riesgo de crédito,
donde a mayor rendimiento financiero existe una posibilidad
menor de adoptar riesgos en el otorgamiento de créditos,
coincidiendo con los resultados de Uquillas y González
(2017); Louhichi y Boujelbene (2016); Boudriga, Boulila
Taktak y Jellouli (2009). También existe una relación
negativa del riesgo de crédito con el tamaño de los bancos
quienes, debido a su trayectoria, cuentan con procesos de
gestión de cartera reduciendo así los niveles de riesgo;
concepto reforzado por Waemustafa y Sukri (2015).
Además, la relación del indicador de crecimiento del PBI y
el riesgo crediticio es negativa, este mismo resultado lo
obtuvo Castro (2013).
Lu (2013), en su disertación del “Análisis de las
determinantes del riesgo de crédito: evidencia empírica de
la banca comercial china” reportó que, no existe relación
directa entre el crecimiento de la tasa real del PBI y el riesgo
de crédito en la banca comercial china; Aver (2008) y Fofack
(2005) encontraron también la misma relación. Por otro
lado, la inflación que se mide por el índice de precios al
consumidor tiene una relación positiva con el riesgo de
crédito, coincidiendo con lo obtenido por Zribi y Boujelbene
(2011); Türsoy, Resatoglu y Rjoub (2008). En cuanto a la
variable explicativa del tipo de cambio, que se mide por
cotización directa por dólar estadounidense y que se utiliza
en la presente investigación, tiene una relación
significativamente negativa con el riesgo crediticio, los
resultados son consistentes con Castro (2013); Zribi y
Boujelbene (2011). Finalmente, la relación entre el índice de
eficiencia sobre los activos (ROA) y el riesgo de crédito
bancario es estadísticamente significativa y negativa, esto
indica que la eficiencia de la administración de un banco
conduce a un menor riesgo crediticio y el resultado es
consistente con lo esperado: a mayor eficiencia menor
riesgo crediticio y alternativamente una menor eficiencia
representa un mayor riesgo crediticio, el resultado es
apoyado por los estudios previos de Berger y DeYoung
(1997); Podpiera y Weill (2008).
Otra línea de investigación se centró solamente en los
determinantes externos del riesgo crediticio mediante la
investigación de varias variables macroeconómicas como la
inflación, el desempleo, el crecimiento del PIB, entre otros.
Das y Ghosh (2007), propusieron que el riesgo crediticio se
explique con mayor frecuencia por variables
macroeconómicas que por variables específicas del banco.
El estudio utilizó diferentes métodos de estimación como
OLS, efectos fijos, efectos aleatorios y estimador dinámico
para analizar una muestra de los bancos locales que cotizan
en bolsa en Zimbabwe, durante el período 2009-2013. Se
encontró una asociación negativa entre las tasas de
crecimiento del PBI con el riesgo de crédito, similar relación
se encontró en estudios realizados por Zribi y Boujelbene
(2011); Das y Ghosh (2007). Por otro lado, los autores
encontraron una relación positiva entre el incremento de la
inflación sobre el riesgo de crédito, los resultados del
estudio se ajustan a la coyuntura que los bancos
atravesaron durante los periodos de inflación creciente
alrededor de 2003 – 2008 en Zimbabwe.
Castro (2013), en su investigación de “Determinantes
macroeconómicas del riesgo de crédito en el sistema
bancario: el caso de Grecia, Irlanda, Portugal, España e
Italia (GIPSI)”, concluye que el riesgo crediticio tiende a
aumentar cuando el entorno económico se deteriora, lo que
está en línea con los hallazgos de Katuka (2017); Bonfim
(2009). Los resultados advierten que, entre el riesgo de
crédito y el PBI e índice de precios de acciones, existe una
relación negativa; mientras que, entre el riesgo de crédito y
la tasa de desempleo, la tasa de interés y tipo de cambio,
esta es positiva.
Metodología
Esta pesquisa analiza la incidencia de los factores
particulares del banco y las variables macroeconómicas en
el riesgo de crédito en Perú. Para ello se considera
información de los estados financieros de la banca múltiple
peruana, publicados por la Superintendencia de Banca,
Seguros y AFP (SBS). En cuanto a las variables
macroeconómicas, se consideró información relacionada al
entorno macroeconómico del país los cuales fueron
Riesgo de crédito: Evidencia en la banca múltiple peruana
Credit risk: Evidence from peruvian commercial banks
V. Roldán / Boletín de Coyuntura; Nº 32; enero - marzo 2022; e-ISSN 2600 - 5727 / p-ISSN 2528 – 7931; UTA-Ecuador; Pág. 6 -16
9
obtenidos de la base de datos del Banco Central de Reserva
del Perú (BCRP). En la actualidad la banca múltiple peruana
está constituida por quince entidades. Las series son de
frecuencia anual para el periodo 2001 – 2019.
La muestra se compone de 185 observaciones, obtenidas
de 11 bancos que representan el 97,34% del total de
participación dentro de la banca múltiple peruana durante el
periodo 2001 – 2019. El estudio combina series temporales
con transversales organizadas en datos de panel a través
de las cuales es posible capturar la homogeneidad no
observable entre los individuos del estudio.
Identificación de las variables
Variable dependiente
Riesgo de crédito – índice de morosidad
Uno de los indicadores lógicos más habituales del riesgo
crediticio es el coeficiente de préstamos impagos sobre
préstamos totales. Como indica Martinez y Schmukler
(2002), el índice de morosidad puede medir el porcentaje de
préstamos que un banco podría suscribir como pérdidas.
Hay varios estudios previos como Ahmad y Ariff (2008), que
utilizan el ratio de préstamos impagos como proxy del riesgo
de crédito, el mismo método se puede encontrar en Berger
y DeYoung (1997). Entonces, el riesgo crediticio se puede
representar como la siguiente razón:



Variables explicativas
Se detallan los factores internos relacionados a las variables
específicas del banco como posibles determinantes del
riesgo crediticio y los factores externos relacionados a la
influencia del entorno macroeconómico sobre el riesgo de
crédito.
Variables internas del banco
Aunque los bancos puedan estar sujetos a las mismas
condiciones macroeconómicas en un país en general, no
todos se han expuesto al mismo nivel de riesgo crediticio.
La gestión adecuada y eficaz de cada banco puede reducir
sustancialmente su riesgo de crédito; por tanto, se centra en
los factores específicos del banco como posibles
determinantes del riesgo crediticio.
Estos factores pueden ser: el ratio de capital, la eficiencia
bancaria, la rentabilidad, el tamaño del banco, el
crecimiento de los préstamos y el poder de mercado.
• Ratio de capital: los bancos y otras instituciones
financieras normalmente tienen una variedad de
activos y cada uno tiene su propio perfil de riesgo. El
capital se utiliza para mitigar las pérdidas inesperadas
de los bancos. Conforme al acuerdo de Basilea III
(Bank for International Settlements, 2010), los bancos
deben tener un capital mínimo igual al 10,5% de sus
activos ponderados por riesgo. El coeficiente de capital
regulatorio está conformado por dos partes: el ratio de
capital de nivel 1 y ratio de capital nivel 2, donde el nivel
1 consiste principalmente en “capital básico”. Tal
capital regulatorio es requisito para garantizar que los
bancos tengan capital suficiente para amortiguar las
pérdidas con el fin de cumplir con sus obligaciones
como de costumbre. Un capital regulatorio más alto
significa que el banco tiene mayor capacidad para
absorber las pérdidas inesperadas, lo que conduce a
un menor riesgo crediticio. En esta investigación, la
medición del índice de adecuación de capital es similar
al método de Awojobi (2011).
• Eficiencia bancaria: la relación entre riesgo crediticio y
eficiencia bancaria es ambigua en la literatura, no
existe una relación de consenso. Por un lado, altos
valores de rentabilidad pueden reflejar la reducción de
los recursos asignados a la gestión de riesgos, proceso
y seguimiento de los prestatarios, lo que conducirá a
una disminución de los préstamos calidad. Según la
hipótesis de “escatimar” propuesta por Berger y
DeYoung (1997), se indica que la alta rentabilidad
conducirá a aumentar el número de préstamos en
mora, esto se debe a que existirá una relación entre la
asignación de recursos, el seguimiento de los
préstamos y la rentabilidad, es decir, los bancos serán
más rentables con menos esfuerzo y no podrán
garantizar préstamos de buena calidad. El resultado
dará lugar a una cantidad de incumplimientos de
préstamos a largo plazo.
• Rendimiento del capital: el ROE se define como la
cantidad de ingresos netos dividida entre el valor del
capital contable. El rendimiento del capital muestra
cuánto puede generar un banco con el dinero invertido
por los accionistas. El rendimiento del capital se utiliza
como medida de eficiencia en la generación de
beneficios. Alto retorno sobre el capital social puede
significar un bajo riesgo crediticio, mientras que el bajo
rendimiento sobre el capital puede significar un alto
riesgo crediticio.
• Rendimiento de los activos: ROA es una relación que
mide las ganancias de la empresa antes de intereses e
impuestos (EBIT) contra sus activos netos totales. El
rendimiento de los activos da una indicación de la
intensidad de capital de la industria bancaria, que
dependerá de la industria; los bancos que requieren
una gran inversión inicial generalmente tendrán un
menor rendimiento sobre los activos (Haslem, 1968).
• Crecimiento de los préstamos: el crecimiento del
crédito se define como el aumento en el monto del
préstamo que los bancos prestan a individuos. El rápido
crecimiento del crédito se considera una de las
principales causas del riesgo crediticio (Di Pietro,
Lusignani y Oliver, 2012). En periodos de crecimiento
económico los bancos, a menudo participan en la
competencia por la cuota de mercado de los
préstamos, lo que provoca un rápido crecimiento de la
expansión crediticia.
• Tamaño del banco: el tamaño del banco también puede
estar relacionado con la calidad del préstamo. Das y
Ghosh (2007), afirman que los bancos más grandes
tienen mayor capacidad de control del riesgo crediticio
que los bancos pequeños porque podrían controlar el
riesgo crediticio, ya que la diversificación puede reducir
el riesgo crediticio y los bancos grandes tienen una
mayor cantidad de prestatarios con diversos tipos de
negocios.
• Poder de mercado: el poder de mercado se define
como la relación entre la cartera de préstamos total del
Riesgo de crédito: Evidencia en la banca múltiple peruana
Credit risk: Evidence from peruvian commercial banks
V. Roldán / Boletín de Coyuntura; Nº 32; enero - marzo 2022; e-ISSN 2600 - 5727 / p-ISSN 2528 – 7931; UTA-Ecuador; Pág. 6 -16
10
banco i en el año t y el total de la cartera de préstamos
de todos los bancos de la industria en el mismo periodo
t. Mide los cambios del total de la industria de la cartera
de préstamos en relación con el valor del préstamo del
banco i en el año t.
Variables macroeconómicas
Es importante entender la relación del entorno
macroeconómico y el riesgo de crédito con la finalidad de
mantener un buen desempeño del sector financiero, cuya
función es significativa para el desarrollo económico de un
país.
Estos factores pueden ser: el crecimiento del PBI, el tipo de
cambio, la tasa de referencia de la política monetaria, la
inflación y el desempleo.
• Crecimiento del PIB: incluimos el crecimiento del PIB
para controlar el ciclo macroeconómico. Durante
periodos de expansión económica, los prestatarios
individuales y corporativos necesitan fondos suficientes
para pagar sus deudas, pero durante una recesión, la
capacidad para pagar el servicio de la deuda
disminuye. Por lo tanto, el crédito se extiende a los
deudores, traduciéndose en un incremento de la
morosidad. Se espera que entre el crecimiento del PIB
y el riesgo crediticio, exista una relación negativa.
• Inflación: puede depreciar el valor del efectivo y, por lo
tanto, reducir la tasa de rendimiento en general. La
inflación puede tener implicaciones mixtas para los
préstamos dudosos. Por un lado, una mayor inflación
puede hacer el servicio de la deuda más sencilla por
dos razones. Primero, puede disminuir el valor real de
los préstamos pendientes, y segundo, se asocia con un
menor desempleo, como propone la curva de Phillips
(Castro, 2013). Por otro lado, puede deteriorar la
capacidad de servicio de la deuda de los prestatarios al
reducir sus ingresos reales. La inflación es medida por
los precios al consumidor (% anual) que indica la tasa
anual de cambios porcentuales en el costo promedio de
adquirir una canasta de bienes y servicios. Por lo tanto,
los precios al consumidor (% anual) se utilizan como un
proxy de la inflación.
• Desempleo: los aumentos en la tasa de desempleo
deberían provocar un deterioro en la capacidad de
generar flujo de caja y pago del servicio de deuda. Para
las corporaciones, un aumento en el desempleo
conduce a un menor consumo de productos y servicios
y, en consecuencia, a una disminución en el flujo de
caja de las empresas y una posición débil con respecto
a la deuda (Nkusu, 2011). El efecto del desempleo en
los préstamos dudosos se espera que sea positivo.
• Tipo de cambio: se define como la moneda de un país
en términos de la divisa de otro país. La mayoría de los
tipos de cambio usan el dólar de Estados Unidos como
moneda base y luego la moneda de cualquier otro país
como moneda divisa. En cualquier país, si la moneda
nacional se deprecia frente al dólar estadounidense, el
tipo de cambio será desfavorable, por el contrario, si la
moneda se aprecia, el tipo de cambio será favorable.
Estudios empíricos (Castro, 2013; Nkusu, 2011)
incluyen esta variable para controlar la competitividad
externa.
• Tasa de referencia de la política monetaria: se refiere a
la tasa de interés que establece el Banco Central de
Reserva del Perú (BCRP) y que tiene por objetivo
influenciar en el precio de las operaciones crediticias
entre diferentes entidades bancarias; por tanto, si los
bancos se prestan o intercambian dinero a una tasa de
referencia menor o mayor, se espera que estos
cambios sean trasladados al prestatario. Es decir, se
espera que la relación entre la tasa de referencia y los
préstamos dudosos sea positiva.
Tabla 1. Identificación de las variables
Definición
Prestamos impagos / Total de préstamos
Capital/ Activos ponderados por riesgo
Gastos de operación / Margen financiero
total
Utilidad neta anualizada / Patrimonio
Promedio
Utilidad neta anualizada / Activo
Promedio
Logaritmo natural del total de activos
Crecimiento porcentual entre dos años
consecutivos
Créditos por banco / Créditos del sistema
bancario
Tasa de crecimiento porcentual anual del
PBI
Índice de precios al consumidor
(variación porcentual)
PEN por cada USD
Tasa de desempleo (%)
Tasa de interés de la política monetaria
(%)
Fuente: Elaboración propia a partir de la revisión de la literatura
Modelo de regresión
Dada la naturaleza de los datos, en este estudio se hizo uso
de los modelos de regresión para datos de panel, se
emplearon tres métodos de estimación: mínimos cuadrados
ordinarios agrupados, modelo de efectos fijos y modelo de
efectos aleatorios.
Se calculó el índice de inflación de la varianza para detectar
la multicolinealidad. Para elegir el modelo se utilizó el
criterio de R
2
, la prueba de Breusch- Pagan, la prueba de
Hausman y prueba F (Gujarati y Porter, 2010; Gutierrez,
2020).
Especificación del modelo
Este estudio utiliza como variable dependiente al riesgo de
crédito (RC), como variables independientes se
consideraron las variables internas del banco: ratio de
capital (RK), eficiencia bancaria (EB), rentabilidad sobre el
patrimonio promedio (ROE), rentabilidad sobre los activos
netos (ROA), tamaño del banco (TB), crecimiento de los
préstamos (CP), poder de mercado (PM); y como variables
macroeconómicas se consideraron: crecimiento del PBI
(PBI), inflación (INF), tipo de cambio (TC), desempleo
(Desemp) y tasa de referencia (TR), que fueron
fundamentadas en la literatura previa.
El modelo de regresión para datos de panel que se utiliza
en la literatura de Labra y Torrecillas (2014); Montero
(2011) y Baronio y Vivanco (2014), se puede expresar
mediante la siguiente relación funcional:




Donde:
Riesgo de crédito: Evidencia en la banca múltiple peruana
Credit risk: Evidence from peruvian commercial banks
V. Roldán / Boletín de Coyuntura; Nº 32; enero - marzo 2022; e-ISSN 2600 - 5727 / p-ISSN 2528 – 7931; UTA-Ecuador; Pág. 6 -16
11

es la variable dependiente en la ecuación,
: es el intercepto o constante,
: es el coeficiente de las variables explicativas,

: que es un vector de variable independientes, y

: que es el término de error, el subíndice i representa la
parte de sección transversa, y el subíndice t la parte de la
serie temporal.
Sin embargo, en esta investigación, se modifica el modelo
conceptual adoptado por Ganic (2014) y establecemos que
el riesgo de crédito se modela a partir de la siguiente
especificación:













+
+

Donde:
: corresponde a un intercepto fijo,
: representa a cada banco,
: representa los periodos a estudiar,


: riesgo crediticio del banco i en el periodo t,


: vector de variables internas de la banca múltiple,


: vector de variables macroeconómicas,
: vector de coeficientes de las variables internas del
banco,
: vector de coeficientes de las variables
macroeconómicas,

: término del error,

: error asociado a la perturbación de corte transversal,
: error asociado con la serie de tiempo, y

: error puramente aleatorio que corresponde al efecto
combinado.
Resultados
Los resultados mostraron que el riesgo de crédito de la
banca peruana es de 2,98% en promedio. Al analizar su
evolución histórica (figura 1), se muestra que los mayores
niveles de morosidad se dan entre el 2001 al 2003 debido a
la inestabilidad política nacional generada por el cambio de
gobierno del ex mandatario Alberto Fujimori; en adelante el
riesgo presentó una tendencia decreciente que se mantuvo
de manera estable hasta el 2005. Durante la crisis subprime
2008 – 2009, el riesgo crediticio incrementó evidenciando
un impacto macroeconómico en la calidad de la cartera de
créditos.
Fuente: Elaboración propia a partir de los reportes financieros de
la SBS Perú (2020)
Figura 1. El riesgo crediticio en el sistema bancario peruano
2001-2019
Se evaluó la multicolinealidad de las variables mediante el
factor de inflación de la varianza, los resultados indican que
no existe problema de multicolinealidad, por lo que se optó
por utilizar todas las variables incluidas en el estudio.
Tabla 2. Indicadores de la inflación de la varianza
Variable
V.I. F
RK
1,83
EB
1,88
ROE
7,69
ROA
7,13
TB
4,17
CP
2,24
PM
3,45
PBI
2,49
INF
1,91
TC
1,81
DESEMP
2,14
TR
2,69
Fuente: Elaboración propia a partir de los reportes financieros de
la SBS Perú (2020)
Se tomaron en consideración tres modelos de regresión
para datos de panel: mínimos cuadrados ordinarios
agrupados (OLS), modelo de efectos fijos y modelo de
efectos aleatorios; para la significancia de los parámetros
se utilizaron niveles de 10%, 5% y 1%. Se optó por el
modelo de efectos fijos basados en las pruebas de Breusch-
Pagan y Hausman, debido a que presento el mayor R
2
.
El poder explicativo general del modelo es alto con R
2
igual
a 71%. Esto indica que el 71% de la variación del riesgo
crediticio se puede explicar por el modelo.
Para las variables internas del banco se encontró una
asociación negativa entre la rentabilidad sobre el patrimonio
(ROE), la eficiencia bancaria (EB), el crecimiento de los
préstamos (CP), el poder de mercado (PM) y el riesgo
crediticio.El ROE y el riesgo de crédito se relacionan
negativamente, lo cual explica que a mayor rendimiento
financiero existe una probabilidad menor de adoptar riesgos
al momento de otorgar créditos, ya que un deterioro en la
calidad de la cartera afecta directamente en los resultados
por las pérdidas generadas. Esto es congruente con los
resultados de Urbina Poveda (2019); Uquillas y González
(2017); Louhichi y Boujelbene (2016); Boudriga et al.
(2009).
En cuanto a la eficiencia bancaria (EB), se encontró una
relación negativa con el riesgo de créditos de la banca
múltiple peruana, esta misma relación fue encontrada por
Akhtar, Ali y Sadaqat (2011). Esto debido a que los gerentes
ineficientes no enfrentarán con éxito el proceso de otorgar y
monitorear préstamos que disminuyan la calidad crediticia
de los bancos provocando un crecimiento en el problema de
los préstamos (Salas y Saurina, 2002). Los bancos
ineficientes mantienen una cartera más riesgosa, la mala
gestión en las instituciones bancarias resulta en la mala
calidad de los préstamos y, por lo tanto, aumenta el nivel de
préstamos en mora como se menciona en el estudio hecho
por Berger y DeYoung (1997).
Asimismo, los coeficientes estimados para el crecimiento de
los préstamos (CP) indican que es negativo y
estadísticamente significativo, interpretándose que las
estrategias de para otorgar créditos en Perú están
impulsadas por la experiencia de los bancos en actividades
Riesgo de crédito: Evidencia en la banca múltiple peruana
Credit risk: Evidence from peruvian commercial banks
V. Roldán / Boletín de Coyuntura; Nº 32; enero - marzo 2022; e-ISSN 2600 - 5727 / p-ISSN 2528 – 7931; UTA-Ecuador; Pág. 6 -16
12
de intermediación que permiten un mejor control del riesgo
crediticio. Este hallazgo es consistente con investigaciones
previas de Louhichi y Boujelbene (2016); Boudriga et al.
(2009).
Se confirma, que un mayor poder de mercado (PM) de las
entidades financieras se traduce en la reducción de la
morosidad de la cartera de créditos. Los resultados se
apoyan en Salazar (2019) y Musaddiq Babangida (2016)
cuya variable, en su investigación, no fue significativa.
Para los factores macroeconómicos, se encontró una
asociación positiva entre el tipo de cambio (TC) y la tasa de
referencia (TR) en relación con el riesgo de crédito; mientras
que, entre este último y el PBI se encontró una asociación
negativa.
Se halló que el tipo de cambio (TC) tiene un efecto positivo
en los préstamos deteriorados. El resultado señala que
siempre que exista una apreciación de la moneda local, las
carteras de morosidad de las entidades de crédito se espera
que sean altas. Los resultados se apoyan en el modelo de
Castro (2013); Khemraj y Pasha (2009); Türsoy et al.
(2008).
La tasa de referencia (TR) afecta la carga de la deuda y, en
consecuencia, la probabilidad de que un prestatario pague
su deuda. Los resultados del informe refuerzan la
importancia del entorno macroeconómico y muestran que
una mayor tasa de referencia tiende a incrementar
significativamente el riesgo crediticio. Por tanto, se confirma
el importante vínculo entre la tasa de referencia y el riesgo
crediticio señalado por Louzis et al. (2012); Nkusu (2011).
Es importante recalcar el papel fundamental que las
autoridades monetarias desempeñan en la estabilización de
este riesgo.
El coeficiente estimado para la tasa de crecimiento del PIB
real es negativo y significativo en relación con el índice de
morosidad del banco. El signo negativo indica que, durante
el período de auge económico, las actividades económicas
aumentan, por lo tanto, los prestatarios y los bancos
mantendrán suficiente efectivo para cumplir con sus
obligaciones financieras. Por otro lado, durante el período
de recesión, la capacidad de reembolso será peor que
antes, por lo que aumenta la probabilidad de incumplimiento
del préstamo, conclusión también obtenida por Aver (2008)
y Fofack (2005), en estudios previos.
Los hallazgos revelaron que la adecuación de capital (RK)
e inflación (INF) tienen una relación estadísticamente
insignificante con el riesgo crediticio, a continuación,
mostramos los resultados de los modelos aplicados.
1. Modelo de mínimos cuadrados ordinarios
agrupados (OLS)
Homogeneidad total
Tabla 3. ANOVA modelo OLS
FV
SC
GL
CM
F
P
Modelo
205,304764
12
17,1087304
8,64
0,000
Residual
633,790986
190
3,88
Total
1070,64
202
R
2
= 0,3762
R
2
Ajustado = 0,3327
D.W = 0,3821
Fuente: Elaboración propia a partir de los reportes financieros de
la SBS Perú (2020)
Tabla 4. Prueba t para los parámetros del modelo OLS
Parámetro
Coeficiente
t
P
RK
-0,1305
2,95
0,004
EB
-0,007
-1,96
0,051
ROE
-0,018
-0,65
0,513
ROA
-0,043
-0,20
0,842
TB
-1,095
-5,69
0,000
CP
-0,004
-1,29
0,197
PM
0,092
3,63
0,000
PBI
-0,232
-2,55
0,012
INF
-0,183
-1,46
0,147
TC
2,066
3,04
0,003
DESEMP
-0,116
-0,79
0,428
TR
0,426
2,11
0,036
CONSTANTE
13,148
3,49
0,001
Fuente: Elaboración propia a partir de los reportes financieros de
la SBS Perú (2020)
Tabla 5. Prueba de autocorrelación de Wooldridge
Wooldridge test for autocorrelation
H0: No hay autocorrelación de primer orden
F( 1, 10) = 77,386
Prob > F = 0,0000
Fuente: Elaboración propia a partir de los reportes financieros de
la SBS Perú (2020)
2. Modelo de efectos aleatorios
Heterogeneidad inobservable
Tabla 6. Prueba de heterocedasticidad de Wald para el modelo de
efectos aleatorios
Variable grupo: banco Numero de observaciones=185
Número de grupos= 11
R-Cuadrado:
within = 0,3807
between = 0,4653
overall = 0,3762
H
0
: No existe heterocedasticidad Wald Chi
2
(12) = 103,173
Prob > Chi
2
= 0,000
Fuente: Elaboración propia a partir de los reportes financieros de
la SBS Perú (2020)
Tabla 7. Prueba t para los parámetros del modelo de efectos
aleatorios
Método de mínimos cuadrados generalizado
Parámetro
Coeficiente
t
P
EB
-0,007
-1,96
0,051
ROE
-0,018
-0,65
0,513
ROA
-0,043
-0,20
0,842
TB
-1,095
-5,69
0,000
CP
-0,004
-1,29
0,197
PM
0,092
3,63
0,000
PBI
-0,232
-2,55
0,012
INF
-0,183
-1,46
0,145
TC
2,066
3,04
0,003
DESEMP
-0,116
-0,79
0,428
TR
0,426
2,11
0,036
CONSTANTE
13,148
3,49
0,001
Fuente: Elaboración propia a partir de los reportes financieros de
la SBS Perú (2020)
Tabla 8. Test de Breusch y Pagan
Test de Breusch - Pagan para autocorrelación en el modelo de efectos
aleatorios
H
0
: No existe autocorrelación
Chi bar
2
= 0,000
P > Chi
2
= 1,000
Fuente: Elaboración propia a partir de los reportes financieros de
la SBS Perú (2020)
Riesgo de crédito: Evidencia en la banca múltiple peruana
Credit risk: Evidence from peruvian commercial banks
V. Roldán / Boletín de Coyuntura; Nº 32; enero - marzo 2022; e-ISSN 2600 - 5727 / p-ISSN 2528 – 7931; UTA-Ecuador; Pág. 6 -16
13
3. Modelo de efectos fijos aplicando la corrección
PCSE
Tabla 9. Prueba t para los parámetros del modelo de efectos fijos
Parámetro
Coeficiente
t
P
RK
0,151
0,35
0,726
EB
-0,005
-2,06
0,041
ROE
-0,005
-2,03
0,044
ROA
-0,045
-0,16
0,872
TB
0,039
0,15
0,877
CP
-0,004
-1,68
0,094
PM
-0,186
-2,90
0,004
PBI
-0,165
-1,99
0,047
INF
-0,163
-1,06
0,145
TC
1,196
1,71
0,089
Desemp
0,102
0,67
0,506
TR
0,459
2,41
0,017
CONSTANTE
0,513
0,12
0,905
Fuente: Elaboración propia a partir de los reportes financieros de
la SBS Perú (2020)
Tabla 10. Especificación de los efectos fijos
Cross-section fixed (dummy variables)
R-squared
0,744870
Mean dependent var.
2,985068
Adjusted R-squared
0,710223
S.D. dependent var.
2,412201
S.E. of regression
1,298511
Akaike info criterion
3,476202
Sum squared resid
273,1530
Schwarz criterion
3,876571
Log Likelihood
-298,5487
Hannan-Quinn criter.
3,638462
F-statistic
21,49866
Durbin-Watson stat.
0,652920
Prob(F-statistic)
0,000000
Fuente: Elaboración propia a partir de los reportes financieros de
la SBS Perú (2020)
Tabla 11. Test de Hausman
Ho : EF y EA no difieren considerablemente
H
1
: Efectos Fijos
chi2(12) = 24,25
Prob>chi2 = 0,0188
Fuente: Elaboración propia a partir de los reportes financieros de
la SBS Perú (2020)
Tabla 12. Resultados de la regresión para el modelo de efectos
fijos
Parámetro
Coeficiente
T
P
Significancia
CONSTANTE
0,513
0,12
0,905
NS
RK
0,151
0,35
0,726
NS
EB
-0,005
-2,06
0,041
Significativo
ROE
-0,005
-2,03
0,044
significativo
ROA
-0,045
-0,16
0,872
NS
TB
0,039
0,15
0,877
NS
CP
-0,004
-1,68
0,094
Significativo
PM
-0,186
-2,90
0,004
Significativo
PBI
-0,165
-1,99
0,047
Significativo
INF
-0,163
-1,06
0,145
NS
TC
1,196
1,71
0,089
Significativo
Desemp
0,102
0,67
0,506
NS
TR
0,459
2,41
0,017
Significativo
Fuente: Elaboración propia a partir de los reportes financieros de
la SBS Perú (2020)
Los resultados de la investigación evidencian, de manera
empírica, que las variables internas del banco y las
variables macroeconómicas son determinantes del riesgo
crediticio en la banca múltiple peruana. Estos factores en
conjunto explican el 71% de la variación del riesgo de
crédito.
Respecto a las variables internas del banco:
• Al mejorar la eficiencia de la gestión en 1%, disminuye
el riesgo de crédito en 0,5%. Una mejor gestión en la
administración de recursos de parte de los gerentes del
banco conlleva a una reducción del riesgo de crédito.
• Al incrementar el ROE en 1%, disminuye el riesgo de
crédito en 0,5%. Una mejor rentabilidad es una
referencia que los préstamos se vienen pagando sin
problemas debido a la buena administración de los
recursos del banco.
• Los resultados indican que un mayor crecimiento
interanual de los préstamos bancarios ocasiona una
reducción de los préstamos dudosos, esto causado por
la buena administración del riesgo realizada por los
directivos y la cual, está enfocada al crecimiento y
diversificación de clientes. Entonces, al incrementar los
préstamos en el sistema financiero peruano en 1%, se
observa una reducción del riesgo de crédito en 0,4%.
• Se confirma que un mayor poder de mercado de los
bancos, expresado como los créditos colocados por
cada banco frente al total de créditos del sistema
financiero peruano, implica un menor riesgo de crédito.
Es así como, ante un incremento de 1% en la cuota de
mercado de los bancos, el riesgo de crédito disminuye
en 19%.
Respecto a las variables macroeconómicas
• Ante un incremento (o disminución) de 1% en el PBI, el
riesgo de crédito disminuye (o aumenta) en promedio
en 16,5%. Es decir, el riesgo de crédito aumenta en los
periodos de recesión económica y disminuye en las
fases de expansión del ciclo económico.
• Se corrobora que, en economías parcialmente
dolarizadas como la de Perú, el incremento del tipo de
cambio origina un aumento del riesgo de crédito de la
cartera en dólares. Un incremento de una unidad
porcentual en el tipo de cambio aumenta en promedio
el riesgo de crédito en 1,2 puntos porcentuales. Dado
que el tipo de cambio tiene influencia sobre el riesgo
crediticio en la banca múltiple, los bancos deben
otorgar preferentemente préstamos en moneda
nacional para prevenir el riesgo crediticio durante
períodos donde el tipo de cambio muestre
incertidumbre.
• Ante un incremento de un punto porcentual en la tasa
de referencia de la política monetaria, los préstamos
bancarios se encarecerían y afectarían la capacidad de
pago de los clientes; por tanto, el riesgo de crédito
incrementaría en 0,46 puntos porcentuales.
Conclusiones
El estudio de los determinantes del riesgo de crédito es
importante ya que, de acuerdo con la literatura expuesta, se
demuestra que los problemas en la calidad de la cartera de
créditos pueden desencadenar en crisis bancarias que
afecten la situación económica de un país o región. En ese
sentido, se han analizado los determinantes del riesgo de
crédito mediante dos grupos, basado en las propias
Riesgo de crédito: Evidencia en la banca múltiple peruana
Credit risk: Evidence from peruvian commercial banks
V. Roldán / Boletín de Coyuntura; Nº 32; enero - marzo 2022; e-ISSN 2600 - 5727 / p-ISSN 2528 – 7931; UTA-Ecuador; Pág. 6 -16
14
características de la banca múltiple y a través de variables
relacionadas al espectro macroeconómico.
Sobre las variables internas del banco debemos indicar que
son controlables, por tanto, se pueden administrar para
evitar fallas por defectos y se podría implementar medidas
de control adecuadas para evitar las pérdidas de los
préstamos impagos.
En cuanto a las variables macroeconómicas, los decisores
del Estado deben adoptar políticas macroeconómicas que
estimulen el crecimiento del PBI y promover la reducción de
la tasa de referencia en una economía sólida para
salvaguardar los activos bancarios y, por consiguiente,
reducir el riesgo de crédito.
En consecuencia, la investigación aporta académicamente
a los organismos de control, reguladores, autoridades
fiscales y monetarias, gerentes bancarios e incluso
accionistas de la banca múltiple.
A raíz del presente análisis, se pueden especificar algunas
rutas para ampliar los conceptos acerca de la banca múltiple
peruana y particularmente sobre la cartera de créditos
impagos. Una extensión de la investigación podría
considerar variables como medidas de gobierno
corporativo, estado de derecho, control de la corrupción, así
como el impacto de los factores culturales y nuevos
métodos de organización, reflejado en los resultados del
banco.
Referencias
Adebola, S. S., Wan Yussof, W. S. y Dahalan, J. (2011). The
Impact of Macroeconomic Variables on Islamic
Banks Financing in Malaysia. Research Journal of
Finance and Accounting, 2(4), 22-32. Recuperado
de
http://citeseerx.ist.psu.edu/viewdoc/download?doi
=10.1.1.1025.3329&rep=rep1&type=pdf
Ahmad, I., Salam, S., Ahmad, A. y Abbas, S. (2019). The
nexus between credit risk and liquidity risk and their
impact on banks financial performance: Evidence
from Pakistan. Sarhad Journal of Management
Sciences, 5(1), 67-86. doi:
10.31529/sjms.2018.5.1.5
Ahmad, N. H. y Ariff, M. (2008). Multi-country study of bank
credit risk determinants. The International Journal
of Banking and Finance, 5(1), 135-152. doi:
10.32890/IJBF2008.5.1.8362
Akhtar, M. F., Ali, K. y Sadaqat, S. (2011). Factors
Influencing the Profitability of Conventional Banks
of Pakistan. International Research Journal of
Finance and Economics, (66), 117-124.
Recuperado de
http://joc.hcc.edu.pk/faculty_publications/IRJFE_6
6_11.pdf
Arpa, M., Giulini, I., Ittner, A. y Pauer, F. (2001). The
influence of macroeconomic developments on
Austrian banks: Implications for banking
supervision. En Bank for International Settlements,
Marrying the macro-and micropudential
dimensions of financial stability. (1.
a
ed., Vol. 1, pp.
91-92). Basel, Switzerland: Monetary and
Economic Department. Recuperado de
http://citeseerx.ist.psu.edu/viewdoc/download?doi
=10.1.1.462.4785&rep=rep1&type=pdf#page=99
Asfaw, A. H. y Veni, P. (2015). Determinants of credit risk in
Ethiopian private commercial banks. International
Journal of Accounting and Financial Management
Research, 5(3), 1-14.
Aver, B. (2008). An Empirical Analysis of Credit Risk Factors
of the Slovenian Banking System. Managing
Global Transitions, 6(3), 317-334.
Awojobi, O. (2011). Analysing Risk Management in Banks:
Evidence of Bank Efficiency and Macroeconomic
Impact. Journal of Money, Investment and
Banking, 22. Recuperado de
https://papers.ssrn.com/abstract=1947550
Banco Central de Reserva del Perú [BCRP]. (2020). BCRP
Data. Lima, Perú: Gerencia Central de Estudios
Económicos del BCRP. Recuperado de
https://estadisticas.bcrp.gob.pe/estadisticas/series
/index
Bank for International Settlements [BIS]. (2010). Basilea III:
Marco regulador internacional para los bancos.
Recuperado de
https://www.bis.org/bcbs/basel3_es.htm
Baronio, A. y Vivanco, A. (2014). Datos de panel. Guía para
el uso de Eviews. Recuperado de
https://www.researchgate.net/publication/3288123
82_Datos_de_Panel_Guia_para_el_uso_de_Evie
ws
Barr, R. S., Seiford, L. M. y Siems, T. F. (1994). Forecasting
Bank Failure: A Non-Parametric Frontier
Estimation Approach. Recherches Économiques
de Louvain / Louvain Economic Review, 60(4),
417-429.
Berger, A. N. y DeYoung, R. (1997). Problem loans and cost
efficiency in commercial banks. Journal of Banking
& Finance, 21(6), 849-870. doi: 10.1016/S0378-
4266(97)00003-4
Bonfim, D. (2009). Credit risk drivers: Evaluating the
contribution of firm level information and of
macroeconomic dynamics. Journal of Banking &
Finance, 33(2), 281-299. doi:
10.1016/j.jbankfin.2008.08.006
Boudriga, A., Boulila Taktak, N. y Jellouli, S. (2009). Banking
supervision and nonperforming loans: A cross
country analysis. Journal of Financial Economic
Policy, 1(4), 286-318. doi:
10.1108/17576380911050043
Castro, V. (2013). Macroeconomic determinants of the
credit risk in the banking system: The case of the
GIPSI. Economic Modelling, 31, 672-683. doi:
10.1016/j.econmod.2013.01.027
Chaibi, H. y Ftiti, Z. (2014). Credit Risk Determinants:
Evidence From A Cross-Country Study. Research
in International Business and Finance, 33, 1-16.
doi: 10.1016/j.ribaf.2014.06.001
Das, A. y Ghosh, S. (2007). Determinants of Credit Risk in
Indian State-owned Banks: An Empirical
Investigation. Reserve Bank of India, 12(2), 48-66.
Di Pietro, F., Lusignani, G. y Oliver, M. D. (2012). Business
Cycle and the Riskiness of Italian Firm: An
Empirical Analysis. Journal of Modern Accounting
and Auditing, 8(1), 66-76.
Riesgo de crédito: Evidencia en la banca múltiple peruana
Credit risk: Evidence from peruvian commercial banks
V. Roldán / Boletín de Coyuntura; Nº 32; enero - marzo 2022; e-ISSN 2600 - 5727 / p-ISSN 2528 – 7931; UTA-Ecuador; Pág. 6 -16
15
Fofack, H. (2005). Nonperforming Loans in Sub-Saharan
Africa: Causal Analysis and Macroeconomic
Implications. World Bank Publications.
Recuperado de
https://books.google.com.pe/books?id=44IQhcGs
sd8C&lpg=PA25&ots=ztb75B2KI-
&dq=fofack%20credit%20risk&lr&hl=es&pg=PA1#
v=onepage&q&f=false
Freixas, X. y Rochet, J. (1997). Microeconomics of Banking
(1.
a
ed.). Londes, Inglaterra: The MIT Press.
Recuperado de
https://econpapers.repec.org/bookchap/mtptitles/0
262061937.htm
Ganic, M. (2014). Bank Specific Determinants of Credit
Risk-An Empirical Study on the Banking Sector of
Bosnia and Herzegovina. International Journal of
Economic Practices and Theories, 4(4), 428-436.
Ghosh, A. (2015). Banking-industry specific and regional
economic determinants of non-performing loans:
Evidence from US states. Journal of Financial
Stability, 20, 93-104. doi: 10.1016/j.jfs.2015.08.004
Gujarati, D. y Porter, D. (2010). Econometría. México D.F.,
México: McGraw Hill/Interamericana Editores S.A.
Gutierrez, J. (2020, noviembre). El modelo de datos de
panel. Todo Econometría. Recuperado de
https://todoeconometria.com/paneldata1/
Haslem, J. A. (1968). A Statistical Analysis of the Relative
Profitability of Commercial Banks. The Journal of
Finance, 23(1), 167-176. doi: org/10.2307/2325316
Katuka, B. (2017). Credit Risk Dynamics in Listed Local
Banks in Zimbabwe (2009-2013). Journal of
Economics and Sustainable Development, 8(22),
33-38. Recuperado de
https://papers.ssrn.com/abstract=3832564
Kharabsheh, B. (2019). Determinants of bank credit risk:
Empirical evidence from Jordanian Commercial
Banks. Academy of Accounting and Financial
Studies Journal, 23(3), 1-12.
Khemraj, T. y Pasha, S. (2009). The determinants of non-
performing loans: an econometric case study of
Guyana. Munich Personal RePEc Archive.
Recuperado de https://mpra.ub.uni-
muenchen.de/53128/
Kwan, S. y Eisenbeis, R. A. (1997). Bank Risk,
Capitalization, and Operating Efficiency. Journal of
Financial Services Research, 12(2), 117-131. doi:
10.1023/A:1007970618648
Labra, R. y Torrecillas, C. (2014). Guía CERO para datos de
panel. Un enfoque práctico. Recuperado de
https://www.catedrauam-
innova.com/documents/Working%20papers/WP20
14_16_Guia%20CERO%20para%20datos%20de
%20panel_Un%20enfoque%20practico.pdf
Lin, S. L., Penm, J. H. W., Gong, S.-C. y Chang, C.-S.
(2005). Risk-based capital adequacy in assessing
on insolvency-risk and financial performances in
Taiwan’s banking industry. Research in
International Business and Finance, 19(1), 111-
153. doi: 10.1016/j.ribaf.2004.10.006
Louhichi, A. y Boujelbene, Y. (2016). Credit risk, managerial
behaviour and macroeconomic equilibrium within
dual banking systems: Interest-free vs. interest-
based banking industries. Research in
International Business and Finance, 38, 104-121.
doi: 10.1016/j.ribaf.2016.03.014
Louzis, D. P., Vouldis, A. T. y Metaxas, V. L. (2012).
Macroeconomic and bank-specific determinants of
non-performing loans in Greece: A comparative
study of mortgage, business and consumer loan
portfolios. Journal of Banking & Finance, 36(4),
1012-1027. doi: 10.1016/j.jbankfin.2011.10.012
Lu, Z. (2013). Credit risk determinants analysis: Empirical
evidence from Chinese commercial banks (tesis de
maestría). The University of Nottingham, England.
Recuperado de
http://eprints.nottingham.ac.uk/26753/1/
Martinez, M. S. y Schmukler, S. L. (2002). Do Depositors
Punish Banks for Bad Behavior? Market Discipline,
Deposit Insurance, and Banking Crises. The
Journal of Finance, 56(3), 1029-1051. doi:
10.1111/0022-1082.00354
Montero, R. (2011). Efectos fijos o aleatorios: test de
especificación. Recuperado de
http://www.ugr.es/~montero/matematicas/especifi
cacion.pdf
Musaddiq Babangida, S. (2016). Credit Risk Determinants
of North Cyprus Banking Sector (tesis de
maestría). Eastern Mediterranean University,
Chipre del Norte. Recuperado de http://i-
rep.emu.edu.tr:8080/xmlui/handle/11129/3596
Nkusu, M. (2011). Nonperforming Loans and Macrofinancial
Vulnerabilities in Advanced Economies.
International Monetary Fund. Recuperado de
https://papers.ssrn.com/abstract=1888904
Podpiera, J. y Weill, L. (2008). Bad luck or bad
management? Emerging banking market
experience. Journal of Financial Stability, 4(2),
135-148. doi: 10.1016/j.jfs.2008.01.005
Salas, V. y Saurina, J. (2002). Credit Risk in Two
Institutional Regimes: Spanish Commercial and
Savings Banks. Journal of Financial Services
Research, 22(3), 203-224. doi:
10.1023/A:1019781109676
Salazar, F. (2019). Determinantes macro y
microeconómicos del riesgo crediticio en el
sistema bancario peruano (tesis doctoral).
Universidad San Martín de Porres, Lima, Perú.
Recuperado de
https://repositorio.usmp.edu.pe/handle/20.500.127
27/4761
Superintendencia de Banca, Seguros y AFP del Perú.
(2020). Estadísticas y Publicaciones. Recuperado
de https://www.sbs.gob.pe/
Tehulu, T. A. y Olana, D. R. (2014). Bank- Specific
Determinants of Credit Risk: Empirical Evidence
from Ethiopian Banks. Research Journal of
Finance and Accounting, 5(7), 80-85. Recuperado
de
https://iiste.org/Journals/index.php/RJFA/article/vi
ew/12319/12713
Thalassinos, E. y Thalassinos, Y. (2018). How to Avoid
Financial Crises. Challenges and Opportunities in
the Digital Era, 232-243. doi: 10.1007/978-3-030-
02131-3_21
Riesgo de crédito: Evidencia en la banca múltiple peruana
Credit risk: Evidence from peruvian commercial banks
V. Roldán / Boletín de Coyuntura; Nº 32; enero - marzo 2022; e-ISSN 2600 - 5727 / p-ISSN 2528 – 7931; UTA-Ecuador; Pág. 6 -16
16
Türsoy, T., Resatoglu, N. y Rjoub, H. (2008).
Macroeconomic Factors, the APT and the Istanbul
Stock Market. International Research Journal of
Finance and Economics, (22), 9.
Uquillas, A. y González, C. (2017). Determinantes macro y
microeconómicos para pruebas de tensión de
riesgo de crédito: Un estudio comparativo entre
Ecuador y Colombia basado en la tasa de
morosidad. Ensayos sobre Política Económica,
35(84), 245-259. doi: 10.1016/j.espe.2017.11.002
Urbina Poveda, M. (2019). Riesgo de crédito: Evidencia en
el sistema bancario ecuatoriano. Boletín de
Coyuntura; 23, 4-9. doi:
10.31164/bcoyu.23.2019.842
Waemustafa, W. y Sukri, S. (2015). Bank Specific and
Macroeconomics Dynamic Determinants of Credit
Risk in Islamic Banks and Conventional Banks.
International Journal of Economics and Financial
Issues, 5(2), 476-481.
Zheng, C., Sarker, N. y Nahar, S. (2018). Factors affecting
bank credit risk: An empirical insight. Journal of
Applied Finance & Banking, 8(2), 45-67.
Zribi, N. y Boujelbene, Y. (2011). The factors influencing
bank credit risk: The case of Tunisia. Journal of
Accounting and Taxation, 3(4), 70-78. doi:
10.5897/JAT11.006
Riesgo de crédito: Evidencia en la banca múltiple peruana
Credit risk: Evidence from peruvian commercial banks
V. Roldán / Boletín de Coyuntura; Nº 32; enero - marzo 2022; e-ISSN 2600 - 5727 / p-ISSN 2528 – 7931; UTA-Ecuador; Pág. 6 -16