Predicción del riesgo crediticio de empresas colombianas mejoraría con modelo estadístico

Redacción. Aunque para las empresas y los bancos es vital determinar los sectores de la economía que tienen mejores capacidades para pagar un crédito, los modelos estadísticos colombianos aún tienen vacíos para analizar cada caso. Experta en estadística diseñó uno que mejoraría la predicción del riesgo crediticio a 12 meses, para lo cual empleó una novedosa metodología que agrupa relaciones entre cada empresa y su sector económico, considerando variables como balances financieros, historial de deudas, personal contratado e índices de cartera vencida.

Según la Encuesta de Micronegocios (Emicron) del Dane, de las cerca de 5.700  pequeñas empresas colombianas, el 61,1 % usaron sus propios recursos para financiarse al iniciar su negocio, un 9,9 % recurrió a préstamos familiares, y solo el 9,5 % (541.973 compañías) pudo acceder a un crédito bancario, un dato que refleja la dificultad para lograr este tipo de ayuda. Los bancos consideran todas las variables, por lo que tener un mejor modelo de análisis facilita el proceso de selección.

La investigadora María Camila Góngora Albán, magíster en Estadística de la Universidad Nacional de Colombia (Unal), con la guía del profesor Óscar Orlando Melo Martínez, del Departamento de Estadística, diseñó un modelo que utiliza la metodología de modelos multinivel –no implementado en el campo financiero– para analizar el riesgo crediticio.

La metodología tiene la particularidad de analizar la información de manera jerárquica, con los datos tanto del nivel más bajo (empresas) como del más alto (macrosectores) y arroja una predicción más precisa de los sectores con mayor riesgo crediticio que otros modelos estadísticos reportados en la literatura.

Según la investigadora, con corte a 2019 se determinó que los sectores prioritarios con mayor riesgo eran: concesiones e infraestructura (141 empresas), logística y transporte (192), comercio (1.056) y agropecuario (263), mientras que aquellos que podrían tener un riesgo más bajo eran: educación (82), financiero (130), energía, gas y agua (62), y salud y cajas de compensación (192).

“El sector de concesiones e infraestructura tuvo una tasa de eventos de mora crediticia cercana al 18,85 %, superando por más de 7 puntos al segundo, que fue logística y transporte, con un 11,47 %. Esto significa que las empresas mostraron varías deudas o moras mayores a 60 días en los 12 meses posteriores a tomar el crédito con la entidad financiera.

Lo interesante de este modelo es que se podría usar para evaluar lo que está pasando recientemente en cada sector económico, solo hay que reemplazar los datos y recalibrarlo, lo que les permitiría a las empresas saber con certeza si pueden acceder a un crédito o no, y a los bancos si deben otorgarlo, focalizando los recursos en las partes de la economía que tienen mejor desempeño y crecimiento”, asegura.

Para diseñar el modelo la magíster recopiló 9.439 datos entre 2016 y 2019, obtenidos tanto de bases de datos del Dane como de los archivos de una importante entidad financiera con la que las empresas tuvieron créditos.

Para cada entidad se consideraron 60 variables, y 20 para el macrosector que las agrupaba por actividad económica. Entre las más importantes están: endeudamiento, hábitos de pago, balances financieros, antigüedad con la entidad, y diversos índices sectoriales macroeconómicos como el aporte al producto interno bruto (PIB), la cartera vencida, la calidad por riesgo, el seguimiento a la economía y la población ocupada.

Con toda esta información se utilizó el programa estadístico RStudiopara diseñar el modelo, pues facilita la construcción de jerarquías de la metodología multinivel, por lo que se pueden estimar las relaciones entre cada empresa y sector prioritario, prediciendo si habrá una mora o deuda con la entidad financiera.

“Hoy hay muchas herramientas que evalúan el riesgo crediticio, pero no son suficientes y se quedan en imprecisiones por cada sector, por lo que el modelo es un aporte valioso para el estudio de esta problemática”, expresa la magíster en Estadística.

También es un primer paso para mejorar el diseño de políticas públicas sobre el otorgamiento de los créditos, determinando las épocas más adecuadas para que cada sector de la economía pueda acceder a en estas ayudas, y que no tengan efectos negativos en su funcionamiento; por ejemplo, en el sector de la construcción, que en los últimos años ha tenido problemas de financiación.

Por último, explica que “el modelo se podría enriquecer en futuras investigaciones adicionando metodologías estadísticas como el enfoque bayesiano o la regresión no paramétrica, que harían la predicción del riesgo crediticio aún mejor”.