Revista de Temas Financieros / Journal of Financial Issues SBS ©

Volumen XII ● Número 1 ● 2016

_______________________________________________________________________________________________________________________________________

Superintendencia de Banca, Seguros y AFP del Perú (SBS)

_______________________________________________________

Determinantes del riesgo de incumplimiento: una aplicación al mercado de

préstamos de consumo no revolventes*

Fátima Uriarte1
SBS

Abstract

El cálculo de probabilidades de incumplimiento mediante el uso de matrices de transición asume que

el proceso estocástico que genera la dinámica de las migraciones de una determinada categoría a otra
puede ser representado adecuadamente mediante el uso de cadenas de Markov. Sin embargo, la
posibilidad de que el deudor esté en la capacidad de pagar el crédito puede cambiar debido a una serie
de factores que la estimación de probabilidades de incumplimiento realizada de manera convencional
mantiene constantes a lo largo del tiempo. Este cálculo puede complementarse si se incorporan
variables adicionales que pueden predecirse y que están asociadas a los cambios en la situación
financiera de los deudores y en la situación económica en cada momento del tiempo. La inclusión de
estas variables es posible mediante el uso del análisis de supervivencia. En el presente documento, se
realiza una aplicación del modelo de riesgos proporcionales de Cox para identificar algunas variables
explicativas del riesgo de incumplimiento de los nuevos deudores de préstamos de consumo no
revolventes.

JEL classification codes: C41, G18, G21

Keywords: análisis de supervivencia, modelo de riesgos proporcionales de Cox,
probabilidad de incumplimiento.
E-Mail: furiarte@sbs.gob.pe

* El autor agradece los valiosos comentarios de Lucía Romero a una versión preliminar del documento. Cualquier
error u omisión es propio del autor.
1 Fátima Uriarte es Analista del Departamento de Análisis del Sistema Financiero.

1
I. INTRODUCCIÓN

El riesgo de crédito se define como la posibilidad que tienen las entidades financieras de
incurrir en pérdidas como consecuencia del incumplimiento del pago de las obligaciones de sus
deudores. Asimismo, los problemas de calidad crediticia pueden causar que el capital de una
institución financiera se reduzca de manera importante e incluso que se vuelva insolvente.

Al evaluar la exposición al riesgo de crédito de un cliente, resulta relevante analizar la

probabilidad que tiene este de no cumplir con el pago de su deuda. En la actualidad, una gran parte de
supervisores bancarios calculan las probabilidades de incumplimiento (probabilidades de default -
PDs) mediante el uso de matrices de transición. Las matrices de transición expresan el porcentaje del
saldo de créditos de deudores que permanecen o migran de una categoría de riesgo crediticio a otra en
un determinado periodo de tiempo.

Este tipo de cálculo de la probabilidad de incumplimiento asume que el proceso estocástico

que genera la dinámica de las migraciones puede ser representado de forma adecuada mediante
cadenas de Markov. Sin embargo, la posibilidad de que el deudor esté en la capacidad de pagar el
crédito puede cambiar debido a una serie de factores que la estimación de probabilidades de
incumplimiento realizada de manera convencional mantiene constantes a lo largo del tiempo. Este
cálculo puede complementarse si se incorporan variables adicionales que pueden predecirse y que
están asociadas a los cambios en la situación financiera de los deudores y en la situación económica en
cada momento del tiempo.

El análisis de supervivencia permite incorporar al modelo variables asociadas al entorno

económico, así como variables microeconómicas específicas a los deudores. En el presente
documento, se propone el uso del análisis de supervivencia para identificar algunos determinantes del
riesgo de incumplimiento de los nuevos deudores de préstamos de consumo no revolventes y evaluar
la validez del supuesto markoviano.

El presente documento está compuesto por cinco secciones. En la segunda sección, se hace
una revisión de las aplicaciones del análisis de supervivencia a la medición del riesgo de crédito. En la
tercera sección, se presenta un análisis breve del mercado de préstamos de consumo no revolventes.
En la cuarta sección, se describe la metodología a utilizar (el modelo propuesto y los datos asociados a
las características del deudor, del préstamo y el entorno macroeconómico). Finalmente, en la quinta
sección, se presentan los resultados empíricos del modelo y en la sexta, las conclusiones.

II. APLICACIONES DEL ANÁLISIS DE SUPERVIVENCIA A LA MEDICIÓN DEL

RIESGO DE CRÉDITO

El análisis de supervivencia es una herramienta cuyo uso se ha expandido recientemente en

las aplicaciones asociadas a la medición del riesgo de crédito, dado que permite incluir en la
modelación del riesgo de crédito a series de tiempo macroeconómicas. Entre las aplicaciones más
recientes es posible destacar las investigaciones realizadas por Bellotti y Crook (2009) y Gandy (2012)

2
que exploran la hipótesis de que la probabilidad de incumplimiento se encuentra afectada por las
condiciones asociadas al entorno económico.

Bellotti y Crook (2009) utilizan el análisis de supervivencia para modelar el tiempo que tarda
el deudor en dejar de pagar su deuda. Para ello, utilizan una base de datos asociada a tarjetas de
crédito de un banco de Inglaterra. Así, exploran la hipótesis de que la probabilidad de incumplimiento
está influenciada por las condiciones económicas en cada momento del tiempo. Sin embargo, las
variables macroeconómicas no pueden ser incluidas fácilmente en los modelos de regresión binaria.
Por ello, utilizan el análisis de supervivencia e incluyen series macroeconómicas en el modelo como la
tasa de desempleo y la tasa de interés. Bellotti y Crook (2009) muestran que la inclusión de las
variables macroeconómicas mejora el ajuste del modelo y la predicción de las probabilidades de
incumplimiento en el caso de la información utilizada.

Por su parte, Gandy (2012) investiga distintos modelos alternativos con el objetivo de detectar
cambios en el performance de un portafolio de créditos. Así, a través del uso de simulaciones, estima
probabilidades de incumplimiento y halla su suma acumulada (CUSUM) con la finalidad de detectar
algún cambio o quiebre estructural en el riesgo del portafolio. Gandy (2012) concluye que el uso del
análisis de supervivencia es preferible al uso de otros enfoques.

Ambas aplicaciones han sido desarrolladas utilizando información de los deudores que tienen
tarjetas de crédito de consumo. Sin embargo, existen también investigaciones que se han enfocado en
el análisis del incumplimiento en el pago de créditos otorgados a las empresas. Entre ellas, es posible
mencionar las investigaciones realizadas por Bottazzi et al (2011) y Moon y Sohn (2011) que analizan
la importancia de las características financieras y económicas de las empresas como determinante del
incumplimiento en el pago de sus deudas.

Bottazzi et al (2011), mediante el uso de pruebas no-paramétricas, evalúa cuales son los
factores que difieren entre las empresas que incurrieron en incumplimiento y las que no lo hicieron,
encontrando que los indicadores financieros y las variables del entorno económico tienen efectos en el
incumplimiento del pago en el corto y largo plazo de las empresas.

Asimismo, Moon y Sohn (2011) señalan que los modelos de rating crediticio que emplean los
bancos están fuertemente influenciados por el criterio del analista de créditos. Con el objetivo de
superar estas limitaciones, utilizan el análisis de supervivencia que permite considerar la información
censurada. Para realizar este análisis, utilizan un modelo de supervivencia con la distribución de
Weibull, el cual es usado para predecir el tiempo de supervivencia y considera como variables
atributos objetivos y subjetivos de las empresas.

En cuanto a las aplicaciones realizadas con información de créditos en América Latina,

destacan los estudios realizados por Gómez, Morales, Pineda y Zamudio (2007) y Gómez y Orozco
(2009). El primer estudio presenta una manera alternativa de estimar matrices de transición usando
el modelo de riesgos proporcionales de Cox. De esa manera, los autores evaluaron la validez del

3
supuesto markoviano y estimaron matrices de transición condicionales a las características de las
empresas y del entorno económico que influencian el proceso de migración.

Gómez y Orozco (2009) presentan un modelo estadístico de alerta temprana para evaluar la
solidez de los bancos en Colombia. Así, discuten las ventajas de utilizar el análisis de supervivencia
frente a los modelos de respuesta binaria en los modelos de alerta temprana, utilizando información
de créditos de empresas que cotizan en la bolsa colombiana. De este modo, utilizan como variables
explicativas los ratios de liquidez, apalancamiento, tamaño, rentabilidad, eficiencia, composición de la
deuda y número de operaciones. Asimismo, utilizan las clasificaciones de los deudores para construir
el modelo de duración de los créditos comerciales, clasificando a la cartera crediticia de los bancos de
Colombia como cartera “no riesgosa” si está en categoría A y como “riesgosa” si se encuentra en
cualquier categoría diferente de A.

Cabe señalar que el análisis de supervivencia no solo ha sido utilizado para estimar la
probabilidad de incumplimiento, sino también la pérdida dado el incumplimiento (Loss Given
Default). En efecto, Zhang y Thomas (2012) comparan el análisis de regresión lineal y el análisis de
supervivencia en el modelamiento de las tasas de recuperación y los montos de recuperación de los
créditos personales de un banco de Inglaterra.

III. MERCADO DE PRÉSTAMOS DE CONSUMO NO REVOLVENTES

En el sistema financiero peruano, los préstamos de consumo no revolventes para libre

disponibilidad y otros no revolventes (excluyendo los préstamos para automóviles y los otorgados bajo
convenios de descuento por planilla) crecieron a una tasa promedio anual de 16,4% en los últimos
cinco años hasta registrar un saldo de S/. 19 236 millones a octubre 2015, lo que representa una
participación de 39,3% de los créditos de consumo y 7,6% del total de créditos del sistema financiero
(ver Gráfico 1).

Gráfico 1
Saldo de créditos de consumo no revolventes
del sistema financiero peruano
30
24 000

25
20 000

16 000 20
Millones S/.

15
%

12 000

8 000 10

4 000 5

0 0
abr-11

abr-12

abr-13

abr-14

abr-15
oct-10

oct-11

oct-12

oct-13

oct-14

oct-15

Saldo Crec. Anual

Fuente: SBS

4
 Al cierre del 2014, el número de deudores de préstamos de consumo no revolventes en el
sistema financiero ascendió a 2 525 mil, lo que representa un crecimiento promedio anual de 10% en
el periodo diciembre 2010 - diciembre 2014. Asimismo, el saldo promedio por deudor ha ido
creciendo hasta situarse en S/. 6 588 (avance de 4,9% con relación al cierre del 2013), aunque la
mayor parte de deudores registra un saldo bastante inferior a este promedio. Por su parte, el número
de nuevos clientes incorporados al sistema financiero mensualmente ha estado en alrededor de 23,9
mil (ver Gráfico 2).

Gráfico 2
Préstamos de consumo no revolventes del sistema financiero peruano
Deudores totales y deuda promedio Flujo promedio mensual de nuevos deudores
3 000 6,6 7
6,3 25 520
6,0 6,0
2 500 5,4 6
24 641
24 442

Deuda Promedio (Miles S/.)

5 23 789
Miles de Deudores

2 000
4
1 500
3
1 000 21 324
2

500 1

0 0
dic-10 dic-11 dic-12 dic-13 dic-14 2010 2011 2012 2013 2014
Deudores Totales Deuda Promedio (eje derecho)

Fuente: SBS

En el mercado de préstamos de consumo no revolventes, participan 49 entidades: 12 bancos,

9 financieras, 12 cajas municipales, 7 cajas rurales, 7 Edpymes y 2 empresas estatales. La banca
múltiple participa con el 63% del saldo de préstamos no revolventes y 40% del número de deudores,
seguido de la banca estatal que participa con el 18% del saldo y deudores, y de las empresas
financieras que participan con el 11% del saldo y 30% de los deudores; mientras que las entidades
especializadas en microfinanzas (cajas municipales, cajas rurales y edpymes) cuentan con una
participación menor, al registrar participaciones de 8% del saldo y 12% de los deudores (ver Gráfico
3).

Gráfico 3
Estructura del mercado de préstamos de consumo no revolventes
Saldo Deudores
Cajas Edpymes Cajas Cajas
Rurales Cajas Edpymes
Municipales 1% Rurales
0% Municipales 3% 0%
Empresas 7% 9%
Financieras
11%

Banca
Múltiple
40%
Banca Banca Empresas
Estatal Múltiple Financieras
18% 63% 30%

Banca
Estatal
18%

Fuente: SBS

5
 Cabe precisar que en la oferta de préstamos de consumo no revolventes se puede distinguir los
préstamos para libre disponibilidad tradicionales y los préstamos para libre disponibilidad con
garantía. Los tradicionales son préstamos que pueden ser usados para financiar cualquier necesidad
de dinero, compra de bienes y/o servicios (mobiliario, artefactos electrodomésticos, computadoras,
compra de pasajes, entre otros); mientras que en los préstamos para libre disponibilidad con garantía
el préstamo se otorga con el respaldo de los depósitos que el cliente tenga en la entidad (depósitos a
plazo o fondos mutuos) o de un inmueble; por lo que el monto otorgado es significativamente superior
en este tipo de préstamos y el riesgo de incumplimiento en el pago es menor.

Grupos de competencia (clusters)

A partir del enfoque del análisis de conglomerados (clusters), se identifican cinco grupos de
entidades en el segmento de préstamos de consumo no revolventes utilizando el método de k-medias
(K-means). Para la estimación de estos clusters, se considera la información que refleja las
características de los clientes como la tasa de interés, préstamo promedio, exclusividad de clientes2,
crédito en moneda extranjera, entre otros; de modo que la agrupación de empresas define la
orientación que tienen hacia determinado perfil de clientes. Los clusters identificados se presentan en
el Cuadro 1.

Cuadro 1
Características de los clusters identificados

Cluster Carterísticas del Cluster

Cluster conformado por ocho empresas bancarias que se caracteriza por ofrecer las tasas de interés más bajas del sistema financiero y por registrar el
mayor porcentaje de préstamos en moneda extranjera (9,8%). El tamaño promedio de los préstamos de este grupo (S/. 16 013) es significativamente
Cluster 1
superior al resto de empresas y fluctúa entre los S/. 9,5 mil y los S/. 23,7 mil, por lo que las empresas de este cluster se orientan a personas del
segmento socioeconómico A y B.

Cluster conformado por tres bancos, dos empresas financieras y dos cajas. Esta agrupación se caracteriza por presentar tasas de interés superiores a
las del cluster 1, pero significativamente menores al promedio del sistema. Los clientes de estas empresas son principalmente trabajadores
Cluster 2
dependientes, de los cuales el 26% opera exclusivamente con una de las entidades que conforma el cluster . El préstamo promedio de este cluster se
ubica en S/. 5 250.

Este cluster es el más grande en cuanto a número de entidades. Está conformado por un banco, dos empresas financieras, ocho cajas municipales,
cuatro cajas rurales y una edpyme. Estas entidades presentan poca especialización en el mercado de préstamos no revolventes para libre
Cluster 3
disponibilidad (7% del total de su cartera). Este cluster se aproxima en tamaño de los créditos al cluster 2, pero en tasas de interés se ubica más
cercano al cluster 4.

Grupo de competencia conformado por un banco, tres empresas financieras, dos cajas municipales y tres Edpymes. Estas empresas se encuentran
especializadas en el segmento pequeña y microempresa (82% de su cartera total de créditos pertenece al segmento MyPE) y presentan la mayor
Cluster 4 participación de clientes exclusivos (42%); por lo que se estima que los préstamos no revolventes de libre disponibilidad se ofrecen para complementar
la oferta de productos y servicios a sus clientes MyPE. El préstamo promedio de estas empresas se ubica en S/. 3 039 y lo otorgan a tasas más bajas en
comparación con las empresas del cluster 5.

Este cluster está conformado por un banco, una empresa financiera, una caja municipal y dos edpymes. Estas empresas se caracterizan por otorgar
créditos a personas naturales de los segmentos socioeconómicos C, D y E, dado que el préstamo promedio se ubica en S/. 1 257. Este cluster se
Cluster 5 caracteriza por presentar las mayores tasas de interés del sistema financiero y uno de los mayores porcentajes de clientes exclusivos (39%), lo que
significaría que las empresas de este cluster se orientan hacia clientes más riesgosos o hacia deudores que no pueden acceder a créditos en otra
entidad.
Fuente: SBS

2 Deudores de préstamos no revolventes que no tienen deuda en otras entidades del sistema financiero.

6
 Cabe señalar que el cluster 1 es el de mayor importancia en el mercado al concentrar el 50%
del saldo de préstamos de consumo no revolventes; no obstante, solo representa el 18% de los
deudores de este mercado. El cluster 2 concentra el 30% del saldo de créditos y el 33% de los deudores
de préstamos de consumo no revolventes. Mientras que los clusters 3, 4 y 5 son los más pequeños al
participar con 8%, 7% y 6% del saldo de préstamos de consumo no revolventes; y registrar el 10%, 13%
y 26% de participación en cuanto a número de deudores, respectivamente. Cabe precisar que, se han
identificado tres empresas que, por sus características particulares de operación, no integran ninguno
de los clusters anteriores (“outliers”) y tienen una participación marginal al explicar en conjunto
menos del 1% de los préstamos no revolventes.

La evolución de los préstamos no revolventes en el periodo comprendido entre octubre de

2010 y octubre de 2015 ha sido diferenciada por cluster. Los clusters 5 y 1 presentaron el mayor
dinamismo alcanzando una tasa de crecimiento anual promedio de 19,6% y 19,2%, respectivamente.
En los clusters 4 y 2 la tasa fue 14,1% y 13,7%, siendo el cluster 3 el que registró el menor crecimiento
(11,7%).

En cuanto a la morosidad, se tiene que las empresas del cluster 2 son las que muestran los
mejores indicadores de calidad de cartera a octubre de 2015. Luego, se ubican los clusters 3 y 1 con
ratios de morosidad de 1,8% y 1,9%, respectivamente. Le sigue, el cluster 4 con un ratio de morosidad
de 2,9%. Por otro lado, las empresas del cluster 5 registran los indicadores de cartera con peor
desempeño, presentando un ratio de morosidad de 5,1% (ver Gráfico 4).

Gráfico 4
Saldo de créditos y morosidad por cluster
Saldo Morosidad
(Millones S/.) (%)
12 000 10
9
10 000
8
7
8 000
6
6 000 5
4
4 000
3
2
2 000
1
0 0
feb-11

feb-12

feb-13

feb-14

feb-15

feb-11

feb-12

feb-13

feb-14

feb-15
oct-11

oct-13
oct-10

jun-11

jun-12
oct-12

jun-13

jun-14
oct-14

jun-15
oct-15

oct-10

jun-11
oct-11

jun-12
oct-12

jun-13
oct-13

jun-14
oct-14

jun-15
oct-15

Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5 Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5
Fuente: SBS

7
IV. METODOLOGÍA

a. Modelo propuesto

El análisis de supervivencia representa una colección de procedimientos estadísticos que sirve

para analizar datos en donde la variable de interés es el tiempo que transcurre entre el inicio de un
evento hasta que este finaliza.

Una característica importante de los datos de supervivencia es la presencia de censura; es

decir, observaciones parciales de respuesta. Esto se refiere a situaciones en las que por alguna razón el
seguimiento del individuo fue interrumpido; en estos casos, el tiempo de falla es superior al
observado. Sin la presencia de censura las técnicas estadísticas clásicas, como el análisis de regresión
o el diseño de experimentos, podrían ser utilizadas. Dado que ello no ocurre, se hace necesario el uso
de métodos de análisis de supervivencia con la finalidad de incorporar al análisis estadístico
información que contenga datos censurados.

Los conjuntos de datos de supervivencia son caracterizados por el tiempo de falla y la censura.
El tiempo de falla es representado por el tiempo inicial, la escala de medida y el evento de interés.
Estos tres elementos deben ser claramente definidos conjuntamente con la censura.

 Tiempo de falla: Es el tiempo que transcurre entre el inicio del evento de interés y su
término. Para llevar a cabo una medición adecuada del tiempo de falla, el tiempo de inicio del
estudio debe ser adecuadamente definido siendo los individuos comparables al inicio del estudio,
la escala de medida debe ser en tiempo real, y se debe definir de forma precisa y clara el evento de
interés. Cabe precisar que estos eventos son - en la mayoría de casos - indeseables; por eso, son
llamados eventos de falla.
 Censura: Los estudios que envuelven una respuesta temporal son frecuentemente
prospectivos o de larga duración; sin embargo, los estudios de supervivencia usualmente terminan
antes que se registre el evento de falla para todos los individuos. De este modo, una de las
características de este tipo de estudio es la presencia de observaciones incompletas o parciales.
Estas observaciones denominadas censura pueden ocurrir por una variedad de razones; entre
ellas la pérdida de ubicación del individuo o la no ocurrencia del evento de interés hasta el
término del experimento3.

Independientemente de si los datos son censurados o no, todos los resultados provenientes
del estudio de supervivencia deben ser utilizados en el análisis estadístico. Dos razones justifican este
procedimiento: i) las observaciones censuradas ofrecen información sobre la duración del evento de
interés; y ii) la omisión de la censura en el cálculo de las estadísticas de interés puede llevar a
conclusiones erradas.

3Existen tres tipos de mecanismos de censura: censura tipo I, ocurre en aquellos estudios que finalizan después
de un periodo pre-establecido de tiempo, censura tipo II ocurre en estudios que son finalizados luego de la
ocurrencia del evento de interés en un número preestablecido de individuos, y censura tipo III o de tipo aleatorio
ocurre cuando el individuo es retirado en el transcurso del estudio sin haberse observado el evento de falla.

8
Representación de los Datos de Supervivencia

Los datos de supervivencia para el individuo i = (i = 1, … , n) bajo estudio son representados

en general por el par (t i , δi ) siendo t i el tiempo de falla o de censura y δi la variable indicadora de falla
o de censura; δi adopta el valor de 1 si t i es tiempo de falla y de 0 si t i es tiempo censurado. De esta
forma, la variable aleatoria de respuesta en el análisis de supervivencia es representada por dos
columnas en la base de datos.

Sea T una variable aleatoria no negativa que representa el tiempo hasta que un evento de falla
ocurra. En vez de referirse a la función de densidad de probabilidad de T (f(t)) o a la función
acumulada de probabilidad F(t) = Pr(𝑇 ≤ 𝑡); en el análisis de supervivencia se prefiere analizar la
función de supervivencia S(t) o la función de riesgo h(t) debido a que resulta más conveniente analizar
S(t) y h(t) a pesar que describen la misma distribución de probabilidad que f(t) y F(t).

Función de Supervivencia

S(t) = Pr(T > t) = 1 − F(t) (1)

Reporta la probabilidad de sobrevivir más allá de la unidad de tiempo t; en otras palabras, es

la probabilidad que no ocurra el evento de falla antes de t. Esta función es igual a uno cuando t = 0 y
decrece a medida que t aumenta.

Función de Riesgo

Pr(t + ∆t > T > t⁄T > t) f(t)

h(t) = lim = (2)
∆t→0 ∆t S(t)

Esta función define el riesgo instantáneo del acontecimiento. Es la probabilidad de que el

evento de falla culmine dentro de un intervalo dado de tiempo condicionado al hecho de que el
individuo ha sobrevivido hasta el comienzo del intervalo, dividido por el ancho del intervalo. La
función de riesgo varía de cero (no riesgo) a infinito (certidumbre de que el evento culmine en ese
instante).

La función de riesgo es más informativa que la función de supervivencia. Diferentes funciones

de supervivencia pueden tener formas semejantes, en tanto, la función de riesgo puede diferir
significativamente. En algunos casos, es una función creciente es decir la función de riesgo aumenta
con el transcurrir del tiempo; en otros, constante cuando la función de riesgo no se altera con el pasar
del tiempo; mientras que la función es decreciente cuando la función de riesgo disminuye con el
transcurrir del tiempo. Por ejemplo, la mortalidad humana genera una h(t) decreciente en un tiempo
posterior al nacimiento (la tasa de mortalidad infantil es relativamente alta), luego una h(t) constante
por largo tiempo y posteriormente una h(t) creciente acercándose al infinito aproximadamente a los
100 años de la persona.

9
 Función de Riesgo Acumulada

t
∆(t) = ∫ h(u) du (3)
0

La función de riesgo acumulada no posee una interpretación directa; esta función mide el
riesgo total que ha sido acumulado hasta el tiempo t . Cabe precisar que, la función de riesgo
acumulada resulta importante en la estimación no paramétrica debido a que la función de riesgo es
difícil de ser estimada y ∆(t) es un estimador con propiedades óptimas.

El análisis de supervivencia puede tomar una forma no paramétrica (estimadores de Kaplan-

Meier y Nelson-Aelen), semiparamétrica o paramétrica dependiendo de los supuestos asociados a la
forma de la función de supervivencia y acerca de cómo la supervivencia se ve afectada por covariables.

En el contexto del análisis de incumplimiento de un crédito, la población está compuesta por

los individuos que solicitan el crédito y cuya solicitud ha sido aprobada por la entidad financiera.
Cuando el deudor incumple con el pago del mismo se dice que estamos ante un evento de falla. El
tiempo de supervivencia se mide desde el momento que el crédito fue otorgado. Si el deudor nunca
incumplió, ya sea porque no fue reportado por la entidad financiera o porque el estudio terminó sin
que este presentara incumplimiento en el pago, la observación está censurada.

Las variables asociadas al crédito y al deudor se mantienen con respecto al tiempo. Sin
embargo, las variables macroeconómicas cambian con el tiempo y el valor de las covariables está dado
por el valor de la variable macroeconómica en el momento de falla. En este documento, se usa el
modelo de riesgos proporcionales de Cox. Este modelo es semiparamétrico, depende parcialmente de
un vector de coeficientes β que son los regresores lineales de cada covariable y una función de riesgo
base que es no paramétrica al depender del tiempo pero no de las covariables.

Con covariables dependientes del tiempo, el modelo de riesgos proporcionales de Cox está
dado por:

λnij (t) = Yin (t)αnij (βij , t, X n (t)) (4)

Donde: λnij (t) representa la intensidad de migración de la categoría i a la categoría j en el

momento t (donde i ≠ j); Ytn (t) es una función indicador que toma el valor de uno cuando el deudor se
encuentra en el estado i en el tiempo t; y αnij (βij , t, X n (t)) es una función del tiempo y del vector de
variables independientes del deudor n en el periodo t, X n (t). Se asume que la función αnij (βij , t, X n (t))
posee una forma multiplicativa:

αnij (βij , t, X n (t)) = α0ij (t)exp(X n (t)′ βij ) (5)

10
 Donde α0ij (t) representa la intensidad base, es decir, aquella que es común para todos los
créditos y X n (t) es un vector de covariables que contiene los siguientes elementos:

 𝛼: características del deudor y del préstamo otorgado 𝑎1 , … , 𝑎𝛼 que se consideran fijas durante
el estudio
 𝑚 : variables macroeconómicas que dependen del tiempo después de la aplicación, pero
independientes de las características del deudor 𝑧1 (𝑑 + 𝑡), … , 𝑧𝑚 (𝑑 + 𝑡)
 Varias interacciones entre las características del deudor y las variables macroeconómicas:
𝛼1 𝑧𝑗 (𝑑 + 𝑡) para (𝑖, 𝑗) ∈ 𝑆 𝜖 {1, … , 𝛼} 𝑥 {1, … , 𝑚} donde 𝑆 son las interacciones a ser incluidas.

Si el supuesto markoviano es válido αnij (βij , t, X n (t)) = α0ij (t); es decir, exp(X n (t)′ βij ) debería

ser igual a uno, ello se cumple si los parámetros incluidos en el vector βij son estadísticamente iguales
a cero. Por ello, se debe realizar tests de significancia estadística al vector de parámetros βij .

Técnicas de Estimación

En las especificaciones en las que el riesgo base se modela usando un modelo paramétrico, la
estimación puede ser realizada usando el método de máxima verosimilitud. No obstante, cuando el
riesgo base no es explícitamente modelado, el método convencional de estimación es el de
verosimilitud parcial desarrollado por Cox (1972). Lo importante de este método es que el ratio de
riesgo para cualquier par de individuos 𝑖 e 𝑗 depende de covariables, pero no depende del riesgo base:

λ𝑛𝑖𝑗 (𝑡) 𝑒𝑥𝑝(𝑋 𝑛 (𝑡)′𝛽𝑖𝑗 )

= (6)
λ𝑚
𝑖𝑗 (𝑡) 𝑒𝑥𝑝(𝑋 𝑚 (𝑡)′𝛽𝑖𝑗 )

La contribución a la función de verosimilitud parcial de cualquier observación j está dada por:

𝑒𝑥𝑝(𝑋 𝑛 (𝑡)′𝛽𝑖𝑗 )
(7)
∑ 𝑒𝑥𝑝(𝑋 𝑛 (𝑡)′𝛽𝑖𝑗 )

Este ratio representa el riesgo del individuo que falló en t j con relación a la suma de los
riesgos de los individuos que todavía no han fallado en el instante anterior a t j . De este modo, la
verosimilitud es descrita por la siguiente función:

𝑛
𝑒𝑥𝑝(𝑋 𝑛 (𝑡)′𝛽𝑖𝑗 )
𝐿(𝛽) = ∏ (8)
∑ 𝑒𝑥𝑝(𝑋 𝑛 (𝑡)′𝛽𝑖𝑗 )
𝐽=1

Así, el logaritmo de la función de verosimilitud puede ser escrito como:

𝑛 𝑁

𝑙(𝛽) = ∑ [𝑋 𝑚 (𝑡)′𝛽𝑖𝑗 − 𝑙𝑜𝑔 ∑ exp(𝑋 𝑛 (𝑡)′𝛽𝑖𝑗 )] (9)

𝑗=1 𝑛=𝑗

11
b. Datos

Para estimar la intensidad de transición de los deudores nuevos de préstamos de consumo no

revolventes a una situación de atraso mayor a 60 días, se utilizó como aproximación la clasificación
crediticia del deudor4. En el caso de estos préstamos se utilizó las categorías “normal”, “con problemas
potenciales” y “deficiente” como aproximación de una situación de atraso menor a 60 días. Cabe
precisar que las clasificaciones crediticias en el caso de los créditos de consumo consideran los días de
atraso. Así, la categoría “normal” significa que el atraso es de hasta 8 días; la categoría “con problemas
potenciales” significa un atraso de 9 a 30 días; la categoría “deficiente” significa un atraso de 31 hasta
60 días; mientras que los deudores en las categoría “dudoso” y “pérdida” registran más de 60 días de
atraso.

Cabe mencionar que, el presente estudio considera únicamente a los deudores nuevos o recién
bancarizados con la finalidad de identificar exactamente el mes en el cual se otorgó el crédito y el
periodo, en meses, que transcurre hasta el incumplimiento del pago. Por ello, se realiza un
seguimiento a un grupo de deudores a través del tiempo, obteniendo en cada momento de medición el
detalle de su clasificación crediticia, sus características financieras y las características del entorno
macroeconómico.

Las variables utilizadas en el estudio se pueden agrupar en cuatro categorías:

 Tiempo de falla y censura: ambas variables se construyeron a través de un

seguimiento mensual a la clasificación del deudor informada en el Reporte Crediticio de Deudores
de la SBS. En caso la observación no sea censurada, el tiempo de falla identifica el periodo entre el
otorgamiento del crédito y el incumplimiento de pago mayor a 60 días; mientras que si es
censurada el tiempo de falla se refiere al periodo transcurrido entre el otorgamiento del crédito y
su cancelación o término del periodo de estudio.

 Características del deudor: incluye la edad (en años), género (0: Femenino y 1:
Masculino), percentil de remuneración y experiencia del deudor. Para construir la variable
percentil de remuneración, se ordena a los deudores de acuerdo a su nivel de remuneración y se
divide en cien grupos de igual participación.

 Características del préstamo: incluye el percentil del monto inicial del préstamo de
consumo no revolvente, la tasa de interés promedio mensual y los grupos de competencia en este
mercado (clusters construidos en la sección anterior). Para construir el percentil del monto inicial,
se ordena a los deudores en función al monto inicial de su préstamo y se divide en cien grupos de
igual participación de deudores.

4El estudio de Gómez y Orozco (2010) utiliza las clasificaciones de los deudores para construir el modelo de
duración de los créditos comerciales.

12
  Variables macroeconómicas: se incluye el índice de precios al consumidor (IPC) de
Lima, el Producto Bruto Interno (PBI), la tasa de desempleo, el índice general de la BVL, el índice
de confianza empresarial y el índice de confianza del consumidor (Apoyo Consultoría). La
evolución de las series macroeconómicas, se presenta en el Anexo 1.

La población está compuesta por 1 118 848 deudores nuevos de préstamos de consumo no
revolventes que ingresaron al sistema financiero en el periodo comprendido entre los años 2010 y
20135. La muestra del estudio contiene 262 843 deudores, de los cuales se eliminan 265 observaciones
luego de utilizar el algoritmo de Bacon 6 propuesto por Billor, Hadi, y Velleman citado en Medina y
Galván (2007) para identificar outliers. La muestra final es de 262 578, lo que representa cerca del
25% de la población de análisis. El Anexo 2 contiene las estadísticas descriptivas de las variables
utilizadas en el análisis.

V. RESULTADOS

Se estima la función de supervivencia, la función de riesgo acumulado y la función de riesgo a

partir de los métodos no paramétricos de Kaplan-Meier y Nelson-Aelen, para tener una idea acerca de
la forma no condicionada en las variables explicativas del modelo. Las funciones de supervivencia y de
riesgo estimadas por los métodos de Kaplan-Meier y Nelson-Aelen son consistentes; lo que quiere
decir que en muestras grandes es relevante el método de estimación (ver Gráfico 5 y Gráfico 6).

Con relación a la función de riesgo, el riesgo instantáneo inicia alrededor de 1,6%, luego
aumenta rápidamente hasta alcanzar un nivel cercano a 2,1% en el mes 17, y luego decrece a un ritmo
constante hasta ubicarse en menos de 1,4% en el mes 55, periodo en el cual se registra el último
incumplimiento (ver Gráfico 7).

Gráfico 5 Gráfico 6
Función de supervivencia Kaplan-Meier Función de riesgo acumulado Nelson-Aelen

Fuente: SBS Fuente: SBS

5Considera deudores que registraron un préstamo inicial superior a S/. 100.

6Este test se basa en la distancia de Mahalanobis y se utiliza un percentil de 0,005 de la distribución chi-
cuadrado como línea de corte para separar los outliers y los no outliers.

13
 Gráfico 7
Función de Riesgo

Fuente: SBS

En segundo lugar, se estiman las funciones de supervivencia, de riesgo y de riesgo acumulado

por cluster (ver Gráfico 8, 9 y 10). Con relación a la estimación de las funciones de supervivencia y
riesgo por cluster, se tiene que el cluster 5 registra la menor supervivencia y el mayor nivel de riesgo
dentro de los clusters, lo que estaría asociado al hecho que se orienta hacia deudores que no pueden
acceder a créditos en otra entidad (no bancarizados), por lo que las empresas de este cluster registran
un riesgo de incumplimiento mayor acorde con la alta probabilidad de incumplimiento de los
deudores que no tienen historial crediticio en el sistema financiero. En el otro extremo, se encuentran
las empresas del cluster 2 que registran la mayor supervivencia y el menor riesgo. Cabe precisar que,
estos resultados son coherentes con el indicador de morosidad.

Gráfico 8 Gráfico 9
Función de supervivencia Kaplan-Meier Función de riesgo acumulado Nelson-Aelen

Fuente: SBS Fuente: SBS

Gráfico 10
Función de Riesgo

Fuente: SBS

14
 En cualquier análisis de datos, se debe realizar un análisis univariado antes de estimar
modelos más sofisticados. Para las variables categóricas, se utilizó el test no paramétrico de igualdad
de funciones de supervivencia log-rank. Asimismo, para el caso de las variables continuas se utilizó
una regresión de Cox univariada. En ambos casos, se identifican aquellos predictores que registran un
p-value menor a 0,25, por ser potenciales candidatos para ser incluidos en el modelo final. Cabe
precisar que, cuando un predictor registra un p-value superior a 0,25 en el análisis univariado, es muy
improbable que contribuya a un modelo que incluye otros predictores.

El test de igualdad de funciones de supervivencia log-rank para los predictores categóricos de

sexo y cluster registró p-values inferiores a 0,2; por lo que ambas variables se consideran potenciales
candidatas para el modelo final. Cabe precisar que, la variable categórica cluster presenta cinco
niveles, por lo que este predictor se incluye en el modelo a través de una variable dummy con el
cluster 2 como grupo de referencia. Con relación a las variables continuas, todas con excepción del
índice de confianza del consumidor, registran p-values inferiores a 0,2; por lo que se incluyen en el
modelo inicial. Adicionalmente, en la medida que no se tiene conocimiento previo acerca de las
interacciones que deben formar parte del modelo, se consideran todas las interacciones posibles.

Los resultados de ajuste del modelo de riesgos proporcionales de Cox, incluyendo las variables
que dependen del tiempo y las interacciones seleccionadas, se presentan en el Cuadro 2. Se puede
observar que, con excepción de la variable dependiente del tiempo Índice de la Bolsa de Valores de
Lima, las demás resultan significativas (a un nivel de significancia del 10%). Con relación a las
interacciones, se tiene que dos de estas prueban ser estadísticamente significativas. Los términos
Percentil Remuneración x PBI y Percentil Monto x Índice de Precios, sugieren que cuando la
remuneración y el monto de la deuda se incrementan, estos son menos sensibles al PBI e índice de
precios, respectivamente. Removiendo las variables que resultan ser no significativas gradualmente,
se obtiene el modelo final para la ocurrencia del incumplimiento de los deudores de préstamos de
consumo no revolventes (ver Cuadro 2).

De los resultados del modelo final, se puede observar que las características del deudor y del
préstamo como la edad, el género, la experiencia laboral, el percentil de remuneración, el cluster o
grupo de competencia, el percentil del monto inicial, la tasa de interés; y las variables
macroeconómicas IPC, PBI, tasa de desempleo e índice de confianza empresarial fueron identificados
como factores de riesgo para la ocurrencia del incumplimiento en el pago de los préstamos de
consumo no revolventes.

Cabe precisar que, todos los coeficientes de las variables que forman parte de la regresión
final registran signos coherentes con lo esperado. Por ejemplo, por cada aumento de 10 años en la
edad del deudor, se estima que la tasa de incumplimiento disminuye en 9%, lo que indica que los
deudores más jóvenes serían más propensos al incumplimiento. Por su parte, la no significancia del
coeficiente asociado al cluster 3 indicaría que la razón de riesgo de los clientes que tomaron préstamos
en las entidades del cluster 3 no difiere significativamente de aquellos que tomaron préstamos en las

15
entidades del cluster 2. Asimismo, si mantuviésemos el resto de factores de riesgo constantes, la tasa
de ocurrencia del incumplimiento para el cluster 5 sería 2,6 veces la del cluster 2.

Cuadro 2
Estimaciones obtenidas a partir del modelo de riesgos proporcionales de Cox
Modelo inicial
Modelo Inicial
Modelo final
Modelo Final

N° observaciones 262 578 N° observaciones 262 578

Significancia Global (Prob>X2) 0,0002 Significancia Global (Prob>X2 ) 0,0001

Coeficiente Coeficiente
Variables P-value Variables P-value
Estimado Estimado
Edad -0,0096 0,000 Edad -0,0096 0,000
Características Género 0,2349 0,000 Género 0,2349 0,000
del deudor Experiencia -0,0033 0,000 Experiencia -0,0033 0,000
Percentil Remuneración -0,0075 0,000 Percentil Remuneración -0,0097 0,000
Cluster Cluster
Cluster 1 1,0425 0,000 Cluster 1 1,0430 0,000
Cluster 3 0,0589 0,040 Cluster 3 0,0594 0,038
Características Cluster 4 0,6681 0,000 Cluster 4 0,6687 0,000
del préstamo Cluster 5 0,9744 0,000 Cluster 5 0,9747 0,000
Percentil Monto -0,0024 0,000 Percentil Monto -0,0024 0,000
TEA 0,0008 0,000 TEA 0,0008 0,000
IPC 0,0804 0,000 IPC 0,0782 0,000
Variables Tasa de Desempleo 0,0216 0,001 Tasa de Desempleo 0,0230 0,000
macroeconómicas PBI -0,0250 0,000 PBI -0,0233 0,000
Confianza Empresarial -0,0033 0,000 Confianza Empresarial -0,0049 0,000
Índice BVL 0,0000 0,914
Coeficiente Coeficiente
Iteraciones Seleccionadas P-value Iteraciones Seleccionadas P-value
Estimado Estimado
Percentil Monto x IPC -0,0010 0,000 Percentil Monto x IPC -0,0010 0,000
Percentil Rem. x Índice BVL 0,0000 0,432 Percentil Rem. x PBI -0,0001 0,045
Percentil Rem. x Confianza Emp 0,0000 0,230
Percentil Rem. x PBI -0,0001 0,005
Percentil Rem. x Tasa de Desempleo 0,0000 0,969
Fuente: SBS

El modelo es estadísticamente significativo al registrar un nivel de significancia global de

0,0001. Adicionalmente, se realiza el test de residuos de Schoenfeld con el objetivo de verificar el
supuesto de riesgos proporcionales. El test se encuentra diseñado para evaluar la hipótesis de
presencia de riesgos proporcionales de manera mensual. Los resultados muestran que no se puede
rechazar la hipótesis de riesgos proporcionales el 75% del tiempo, por lo que no se encuentra
evidencia de que la especificación del modelo vaya en contra de la hipótesis establecida.

La significancia estadística de las características financieras de los deudores y del entorno

macroeconómico permite afirmar que la intensidad de migración no depende únicamente de
elementos comunes a todos los créditos sino también de la información inherente a cada deudor y a la
situación económica en cada momento en el tiempo. De este modo, el cálculo de la probabilidad de
incumplimiento podría complementarse adecuadamente mediante el uso del análisis de
supervivencia.

16
VI. CONCLUSIONES

El proceso estocástico que genera la dinámica de las migraciones crediticias puede ser
representado mediante cadenas de Markov; pero este análisis no permite analizar adecuadamente las
fuentes o factores que generan las fluctuaciones en las probabilidades de incumplimiento. De este
modo, la generación de probabilidades de incumplimiento calculadas en función a la estimación
convencional de matrices de transición podría complementarse a través del análisis de supervivencia
para mejorar el análisis para fines de supervisión financiera.

Las variables edad, género, experiencia laboral, percentil de remuneración, grupo de

competencia, percentil del monto del préstamo, tasa de interés, IPC, PBI, tasa de desempleo e índice
de confianza empresarial fueron identificadas como factores de riesgo para la ocurrencia del
incumplimiento en el pago de los préstamos de consumo no revolventes. Por lo tanto, estas variables
deberían ser monitoreadas al evaluar los créditos de consumo no revolventes para identificar
potenciales drivers de incumplimiento para este tipo de deudores.

VII. BIBLIOGRAFÍA

Andreeva, G. (2006). European generic scoring models using survival analysis. The Journal of the
Operational Research Society, 57(10), 1180-1187.

Bellotti, T. & Crook, J. (2009). Credit scoring with macroeconomic variables using survival analysis.
Journal of the Operational Research Society, 60(12), 1699-1707.

Bottazi, G., Grazzi, M., Secchi, A. & Tamagni, F. (2011). Financial and Economic Determinants of firm
default. Journal of Evolutionary Economics, 21(3), 373-406.

Colosimo, E. & Giolo, S. (2010). Análisis de Sobrevivencia Aplicada. Second Edition. ABE- Projecto
Ficher.

Cox, D. (1972). Regression models and life-tables. Journal of the Royal Statistical Society Series, 34(1),
187-220.

Cleves, M., Gould, W., Gutierrez, R. & Marchenko, Y. (2010). An Introduction to Survival Analysis
Using Stata. Third Edition. Stata press.

Gandy, A. (2012). Performance monitoring of credit portfolios using survival analysis. International
Journal of Forecasting, 28(1), 139-144.

Gómez-González, J. & Orozco, I. (2009). Un modelo de alerta temprana para el sistema financiero
Colombiano. Borradores de Economía. Banco de la República.

Gómez-González, J., Morales, P., Pineda, F. & Zamudio, N. (2007). An alternative methodology for

17
 estimating credit quality transition matrices. Journal of Risk Management in Financial
Institutions.

Gómez-González, J., Morales, P., Pineda, F. & Zamudio, N. (2007). Estimación de matrices de
transición de la calidad de cartera comercial de las entidades financieras colombianas. Banco de
la República.

Gómez-González, J. & Orozco, I. Estimation of conditional time-homogeneous credit quality

transition matrices. (2010). Economic Modelling.

Kalbfleisch, J. & Prentice, R. (2002). The Statistical Analysis of Failure Time Data. Second Edition.
Wiley Series in Probability and Statistics. Hoboken, NJ.

Lando, D. & Skondeberg, T. (2002). Analyzing rating transitions and rating drift with continuous
observations. Journal of Banking & Finance.

Malik, M., & Thomas, L. C. (2012). Transition matrix models of consumer credit ratings. International
Journal of Forecasting, 28(1), 261-272.

Medina, F., & Galván, M. (2007). Imputación de datos: teoría y práctica. División de Estadística y
Proyecciones Económicas. Comisión Económica para América Latina.

Moon, T. H., & Sohn, S. Y. (2011). Survival analysis for technology credit scoring adjusting total
perception. Journal of the Operational Research Society, 62(6), 1159-1168.

Ribeiro, D. (2007). Um modelo de risco proporcional dependente do tempo. Universidade Federal de

Sao Carlos.

Zhang, J., & Thomas, L. C. (2012). Comparisons of linear regression and survival analysis using single
and mixture distributions approaches in modelling LGD. International Journal of Forecasting,
28(1), 204-215

18
 VIII.

0,0
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
5,0

0
2
4
6
8
10
12
14

30
35
40
45
50
55
60
65
70
75
80
dic-09 dic-09
dic-09
mar-10 mar-10
mar-10
jun-10 jun-10
jun-10
sep-10 sep-10
sep-10
dic-10 dic-10
dic-10
ANEXOS

mar-11 mar-11
mar-11
jun-11 jun-11
jun-11
sep-11 sep-11
sep-11
dic-11 dic-11
dic-11
mar-12 mar-12
mar-12
jun-12 jun-12
jun-12

(puntos)
(Var. % anual)

sep-12 sep-12

Fuente: BCRP y Apoyo Consultoría

sep-12

(Var. % anual)
dic-12 dic-12
dic-12

Producto Bruto Interno

mar-13 mar-13
mar-13
jun-13

Índice de Confianza Empresarial

jun-13 jun-13
Índice de Precios al Consumidor Lima

sep-13 sep-13
sep-13
dic-13 dic-13
dic-13
mar-14 mar-14
mar-14
jun-14 jun-14
jun-14
sep-14 sep-14
sep-14
dic-14 dic-14
dic-14
0
2
4
6
8
10
12

30
35
40
45
50
55
60
65
70
75
80
0
5 000
10 000
15 000
20 000
25 000
30 000
Anexo 1

dic-09 dic-09
dic-09
mar-10 mar-10
mar-10
jun-10 jun-10
jun-10
sep-10 sep-10
sep-10
dic-10 dic-10
dic-10
mar-11 mar-11
mar-11
jun-11 jun-11
jun-11
Evolución de Series Macroeconómicas

sep-11 sep-11
sep-11
dic-11 dic-11
dic-11
mar-12 mar-12
mar-12
jun-12 jun-12
(%)

jun-12

(puntos)
sep-12 sep-12 sep-12
dic-12
(1991=100)

dic-12 dic-12
Tasa de Desempleo

mar-13 mar-13 mar-13

jun-13 jun-13 jun-13
sep-13
Índice de Confianza del Consumidor

sep-13 sep-13
dic-13 dic-13 dic-13
mar-14 mar-14 mar-14
Índice General de la Bolsa de Valores de Lima

jun-14 jun-14 jun-14

sep-14 sep-14 sep-14
dic-14 dic-14 dic-14

19
 Anexo 2
Estadísticas descriptivas

Variable Promedio
Edad 31,6
Género 0,7
Experiencia 68,6
Percentil Remuneración 49,4
Cluster 3,3
Percentil Monto 48,9
TEA 36,6
IPC 108,4
Tasa de Desempleo 6,9
PBI 5,8
Confianza Empresarial 59,8
Índice BVL 18203,6
Fuente: SBS y BCRP

20