0061 Castro

UNIVERSIDAD SAN IGNACIO DE LOYOLA
FACULTAD DE CIENCIAS EMPRESARIALES
Economía
“Determinantes de la Morosidad en el Sistema Bancario en una

Economía Dolarizada: El caso del Perú durante el período 2005 -
2016”
Tesis para optar el título profesional de licenciado en:
Economía
Nombres y Apellidos:
Fiorella Lizbeth Jaramillo Cano
Angella Emperatriz Trevejo Curi
Asesor:
Mg. Robles Lara, Jesús
Lima- Perú
2017
“Determinantes de la Morosidad en el Sistema Bancario en una
Economía Dolarizada: El caso del Perú durante el período 2005 -
2016”
Fecha de Sustentación y Aprobación: Miércoles 01 de marzo de 2017
Presidente de Jurado
Dr. Leopoldo Taddei Diez
Jurados:
Mag. Canales Rimachi, Jaime
Mag. Urbina Padilla, Dante
2
TABLA DE CONTENIDO
CAPÍTULO 1. INTRODUCCIÓN ........................................................................... 7
1.1. Planteamiento del problema .............................................................................. 8

1.2. Formulación del problema ................................................................................. 9
1.3. Justificación de la investigación ......................................................................... 9
1.4. Objetivos de la investigación ............................................................................10
1.4.1. Objetivo General .......................................................................................10
1.4.2. Objetivos Específicos ...............................................................................10
1.5. Hipótesis de la investigación ............................................................................10
1.5.1. Hipótesis General .....................................................................................10
1.5.2. Hipótesis Específicas ................................................................................10
CAPÍTULO 2. MARCO REFERENCIAL ............................................................. 12
2.1. Antecedentes ...................................................................................................12

2.1.1. Investigaciones Nacionales ......................................................................12
2.1.2. Investigaciones Internacionales ................................................................13
2.2. Marco Teórico ..................................................................................................16
2.2.1. Morosidad .................................................................................................16
2.2.2. Factores macroeconómicos que determinan la morosidad .......................16
2.2.3. Factores microeconómicos que determinan la morosidad ........................17
2.3. Evidencia empírica de la relación de la morosidad con el crecimiento
económico, la inflación, el tipo de cambio y la tasa de desempleo ...............................18
2.3.1. La morosidad y el crecimiento económico ................................................18
2.3.2. La morosidad y la inflación .......................................................................18
2.3.3. La morosidad y el tipo de cambio .............................................................19
2.3.4. La morosidad y la tasa de desempleo.......................................................19
2.4. Morosidad en el Sistema Bancario Peruano durante el periodo 2005-2015......20
2.5. Dolarización del Crédito en el Sistema Bancario Peruano durante el periodo
2005-2015....................................................................................................................21
2.6. Efecto de los determinantes macroeconómicos en el comportamiento esperado
de la morosidad del Sistema Bancario Peruano durante el periodo de estudio ............22
2.7. Caracterización de la economía peruana durante el periodo de análisis 2005-
2015…. ........................................................................................................................23
2.8. Debilidades del Sistema bancario peruano.......................................................27
3
CAPÍTULO 3. METODOLOGÍA…. ..................................................................... 28
3.1. Tipo y diseño de investigación ..........................................................................28

3.1.1. Tipo de investigación ................................................................................28
3.1.2. Diseño de investigación ............................................................................28
3.2. Variables ..........................................................................................................28
3.3. Participantes ....................................................................................................28
3.4. Instrumentos de investigación ..........................................................................29
3.5. Procedimientos.................................................................................................29
CAPÍTULO 4. PRESENTACIÓN DE RESULTADOS…. ................................. …31
4.1. Resultados .......................................................................................................31

4.1.1. Análisis de las series y determinación de los rezagos del modelo ............31
4.1.2. Estimación del modelo VAR .....................................................................38
4.2. Discusión..........................................................................................................49
4.3. Conclusiones ....................................................................................................51
4.4. Recomendaciones ............................................................................................52
ANEXOS…………....... ............................................................................................... 56
Anexo 1. Series mensuales de las Variables DMOR, DTDES, VIPC, VTC para el
periodo enero de 2005 a octubre de 2016....................................................................56
Anexo 2. Prueba de Raíz Unitaria de las Variables DMOR, DTDES, VIPC, VTC que
fueron incorporadas al modelo VAR.............................................................................59
4
ÍNDICE DE TABLAS
Tabla 1. Prueba de raíz unitaria de MOR primer nivel ................................................ 31

Tabla 2. Prueba de raíz unitaria de DMOR primera diferencia ................................... 32
Tabla 3. Prueba de raíz unitaria de TDES primer nivel .............................................. 32
Tabla 4. Prueba de raíz unitaria de DTDES primera diferencia .................................. 33
Tabla 5. Prueba de raíz unitaria de VIPC primer nivel ................................................ 33
Tabla 6. Prueba de raíz unitaria de VTC primer nivel ................................................. 34
Tabla 7. Criterios para la selección de los rezagos del modelo VAR de variables DMOR,
DTDES, VIPC, VTC. ................................................................................................... 35
Tabla 8. Test para la exclusión de los rezagos del modelo VAR de variables DMOR,
DTDES, VIPC, VTC. ................................................................................................... 36
Tabla 9. Modelo VAR con siete rezagos de variables DMOR, DTDES, VIPC, VTC ... 38
Tabla 10. Estructura del Modelo VAR de variables DMOR, DTDES, VIPC, VTC ....... 42
Tabla 11 Descomposición de la Varianza del Modelo VAR de variables DMOR, DTDES,
VIPC, VTC .................................................................................................................. 47
Tabla 12 Test de Causalidad de Granger del Modelo VAR de variables DMOR, DTDES,
VIPC, VTC .................................................................................................................. 47
5
ÍNDICE DE FIGURAS
Figura 1. Ratio de morosidad (porcentaje) .................................................................. 21

Figura 2. Dolarización del Crédito en el Sistema Bancario Peruano (porcentaje) ........ 22
Figura 3. Crecimiento económico (variación porcentual) ............................................. 24
Figura 4. Inflación (variación porcentual) .................................................................... 25
Figura 5. Tipo de cambio (variación porcentual) ......................................................... 26
Figura 6. Tasa de Desempleo (porcentaje) ................................................................. 27
Figura 7. Correlograma de autocorrelación de los Residuos del Modelo de variables
DMOR, DTDES, VIPC, VTC. ...................................................................................... 37
Figura 8. Condición de Estabilidad del Modelo VAR de variables DMOR, DTDES, VIPC,
VTC ............................................................................................................................ 41
Figura 9. Función Impulso Respuesta de la Morosidad Bancaria a la Tasa de Desempleo
................................................................................................................................... 43
Figura 10. Función Impulso Respuesta de la Morosidad Bancaria a la Inflación ......... 44
Figura 11. Función Impulso Respuesta de la Morosidad Bancaria a la Variación del Tipo
de Cambio .................................................................................................................. 45
6
CAPÍTULO 1. INTRODUCCIÓN
El sistema bancario desempeña un rol importante en el crecimiento económico, en

el sentido, que a través del financiamiento, los bancos proporcionan liquidez a los
inversionistas de las empresas (Viswanadham & Nahid, 2015).
Según Chavarín (2015), un sistema bancario óptimo promueve el crecimiento de

las actividades empresariales contribuyendo al crecimiento y desarrollo económico del
país. No obstante, el crecimiento de la economía se ve desalentado cuando el sistema
bancario por razones de seguridad, limita excesivamente el crédito a las actividades
empresariales o impulsa excesivamente el crédito asumiendo riesgos que podrían
deteriorar su desempeño.
De acuerdo a lo mencionado, se puede inferir que los bancos cumplen un

importante rol que estimula el crecimiento de la economía, por lo mismo es indispensable
que el Banco Central de Reserva del Perú formule e implemente las medidas necesarias
para la eficiente administración del ratio de morosidad crediticia.
Por lo mismo, Aguilar, Camargo, y Saravia (2004) mencionan que es sumamente

importante tener identificados los determinantes de la morosidad en el sistema bancario,
con la finalidad de que el ente encargado de la regulación de la cartera de créditos pueda
mantener o mejorar la calidad de los créditos otorgados. Asimismo, se puede agregar que
es de esperar que el conocimiento de los efectos que tienen estos determinantes
macroeconómicos permita implementar las acciones necesarias para la prevención del
deterioro de la cartera morosa, en el caso de que surgiera una crisis económica.
Al respecto se han realizado diversas investigaciones que analizan la relación

tanto de los determinantes macroeconómicos y microeconómicos con el ratio de
morosidad crediticio.
En consecuencia, la investigación tiene como objetivo determinar la relación e

identificar el efecto de las variables macroeconómicas tales como el crecimiento del
Producto Bruto Interno, la Tasa de Desempleo, la Inflación y el Tipo de Cambio en la
morosidad del sistema bancario peruano durante el periodo de enero de 2005 a octubre
de 2016. Para ello, se utilizaron series mensuales comprendidas en el periodo de estudio
que fueron obtenidas del Banco Central de Reserva del Perú y de la Superintendencia de
Banca y Seguros. El análisis de las series se realizó utilizando la metodología de
Vectores Auto Regresivos VAR.
7
Para lograr el objetivo tanto a nivel teórico como práctico se ha dividido la
investigación en cuatro secciones: en el primer capítulo se plantea la formulación del
problema, los objetivos y las hipótesis correspondientes. En el segundo capítulo se
presentan los antecedentes nacionales e internacionales, marco teórico y las
investigaciones empíricas que confirman la relación entre las variables de estudio. En el
tercer capítulo se desarrolla la metodología utilizada para validar la investigación. En el
cuarto capítulo se presenta las pruebas correspondientes, así como la exposición de los
resultados, las conclusiones y recomendaciones.
1.1. Planteamiento del problema
El comportamiento de la economía peruana ha reflejado su fortaleza frente al

escenario adverso internacional, debido a la apropiada administración macroeconómica
del ente regulador. En este contexto, el sistema bancario peruano se ha mostrado sólido
y solvente, aun cuando el ratio de morosidad se ha deteriorado como consecuencia de
las fluctuaciones del desempeño económico y del tipo de cambio (Asociación de Bancos
del Perú, 2016). Al respecto, el tipo de cambio afecta la morosidad del sistema bancario
debido a la condición de dolarización del sistema financiero peruano.
El elevado nivel de dolarización de la cartera crediticia del sistema bancario

peruano, representa un riesgo eminente ante una depreciación del tipo de cambio. Para
mitigar este riesgo, actualmente se ha reducido la participación de la cartera de créditos
bancarios en dólares. Sin embargo, debido a la composición de la cartera en moneda
extranjera en los últimos años se ha observado que el ratio de morosidad ha seguido una
leve tendencia creciente (Asociación de Bancos del Perú, 2016).
En consecuencia, es importante considerar los riesgos que representa para el

sistema bancario peruano el nivel de participación de los préstamos en moneda
extranjera que conforman la cartera de créditos y su relación con la morosidad.
Como señala Chavarín (2015), el comportamiento del ratio de morosidad del

sistema bancario responde a diversos factores de la economía, factores políticos y
factores regulatorios; y su valor entre los bancos diverge principalmente por las
diferencias que existen en las políticas y recursos tecnológicos con los que administran
los créditos.
Asimismo, el índice de morosidad resulta importante no solo para la empresa o

entidades financieras, puesto que esta información también permite al regulador
8
financiero, según cuál sea la situación del sistema bancario, implementar políticas para
mantener o mejorar la calidad de las carteras de colocaciones (Banco de México, 2014).
Es primordial que los bancos implementen medidas de control que aseguren el

cumplimiento de los préstamos, con la finalidad de mantener los ratios de morosidad
dentro de los márgenes establecidos en sus políticas, que le permitan operar de manera
rentable o sostenible tanto cuando las condiciones de la economía son favorables como
adversas.
Los efectos adversos originados por el impacto de una crisis del sector bancario
inciden de manera negativa y significativa en el sector real, monetario y fiscal de la
economía, poniendo en riesgo los programas implementados sobre todo en los países
emergentes como el Perú. En este sentido, los efectos adversos generados por la crisis
financiera asiática, pusieron de manifiesto la importancia de reformular la administración
del riesgo del sistema bancario. En este contexto, en algunos países se puso en
evidencia la necesidad de fortalecer la seguridad de las operaciones de crédito para
reducir la vulnerabilidad de los sistemas bancarios con el fin de corregir sus debilidades y
otorgarles sostenibilidad. Mientras que en otros países con un sistema financiero más
sólido se implementaron medidas de seguridad para afrontar los posibles rezagos del
contagio en el caso de que ocurriera una crisis financiera futura (Serra & Zuñiga, 2002).
1.2. Formulación del problema
De acuerdo a los detalles que se mencionaron en el planteamiento del problema,

se formuló la siguiente pregunta de investigación: ¿Cuáles son los determinantes
macroeconómicos de la morosidad en el sistema bancario peruano, durante el periodo
enero 2005 – octubre 2016?
1.3. Justificación de la investigación
El desempeño financiero de los bancos está determinado en gran parte por los
volúmenes de ingresos que perciben como producto de los intereses generados por los
préstamos. No obstante, cuando los préstamos se convierten en cartera morosa, se
deteriora el rendimiento de los bancos, afectando negativamente su capacidad para
promover el desarrollo de la economía (Mabvure, Gwangwava, Faitira, Mutibvu &
Kamoyo, 2012).
En este sentido, considerando la importancia que tiene el sistema bancario en el

rendimiento de la economía, la investigación tiene relevancia desde el punto de vista
9
económico, porque el conocimiento de la relación y efecto que ejercen las variables
macroeconómicas sobre la evolución del ratio de morosidad crediticia es relevante para
diseñar las medidas reguladoras que promuevan el desempeño óptimo de los bancos,
para fortalecer sus operaciones crediticias y disminuir el nivel de morosidad para que
puedan cumplir el rol fundamental de contribuir al crecimiento de la economía.
Con la finalidad de analizar la respuesta de la morosidad del sistema bancario a

las fluctuaciones de las variables macroeconómicas tanto en un entorno de crisis
financiera como en un entorno de estabilidad financiera, se ha considerado relevante
analizar las series para el periodo enero 2005 – octubre 2016.
1.4. Objetivos de la investigación
1.4.1. Objetivo General
La investigación propone identificar los determinantes macroeconómicos de la

morosidad en el sistema bancario peruano, durante el periodo enero 2005 – octubre
2016.
1.4.2. Objetivos Específicos
− Establecer la relación y el efecto que existe entre la variación de la tasa de

desempleo y la morosidad en el sistema bancario peruano.
− Determinar la relación y el efecto que existe entre la tasa de inflación y la
morosidad en el sistema bancario peruano.
− Identificar la relación y el efecto que existe entre la variación del tipo de cambio y
la morosidad en el sistema bancario peruano.
1.5. Hipótesis de la investigación
1.5.1. Hipótesis General
La investigación plantea como hipótesis general que los determinantes

macroeconómicos tales como la tasa de inflación, la variación del tipo de cambio y la
variación de la tasa de desempleo ejercen efecto en la morosidad del sistema bancario
peruano, durante el periodo enero 2005 – octubre 2016.
1.5.2. Hipótesis Específicas
− La relación entre la variación de la tasa de desempleo y la morosidad en el

sistema bancario peruano es directa y tiene un efecto significativo.
10
− La relación entre la tasa de inflación y la morosidad en el sistema bancario
peruano es directa y tiene un efecto significativo.
− La relación entre la variación del tipo de cambio y la morosidad en el sistema
bancario peruano es directa y tiene un efecto significativo.
11
CAPÍTULO 2. MARCO REFERENCIAL
2.1. Antecedentes
2.1.1. Investigaciones Nacionales
A continuación, se presentan los alcances encontrados en las investigaciones

empíricas sobre los determinantes de la morosidad en el Perú.
Frkovich, Jara, Rodríguez, y Dentone (2016), efectuaron un estudio para

determinar la correlación existente entre el ciclo económico y la morosidad del crédito de
consumo en el Perú influenciado por la tasa de interés activa en moneda nacional. Para
analizar la dinámica presente en las variables durante los años 2009-2014, emplearon un
modelo de Vectores Auto Regresivos (VAR), adicionalmente utilizaron la función de
impulso respuesta con la finalidad de analizar el impacto del ciclo económico en la
morosidad. Los investigadores, como resultado del análisis realizado concluyeron que la
relación que se presenta entre el ciclo económico y la morosidad en el crédito de
consumo es inversa.
Aguilar et al. (2004), realizaron una investigación de carácter empírico para

encontrar las variables macroeconómicas y microeconómicas que impactan en la
morosidad del sistema bancario del Perú. Para este fin, utilizaron un modelo de datos de
panel dinámico, en el que analizaron las series comprendidas entre 1993 y 2003. Los
resultados obtenidos por los investigadores comprobaron que tanto los componentes
macroeconómicos como los microeconómicos determinan la morosidad en la banca del
Perú. Por ello, es importante considerar no solo los efectos de las variables
macroeconómicas en la morosidad, sino también el de las variables internas del sector
bancario. Al respecto, como resultado se encontró que el ciclo económico presenta una
relación negativa con la morosidad, entonces cuando el crecimiento económico es
positivo la morosidad de sistema bancario disminuye, mientras que cuando la economía
se encuentra en recesión, la ratio de morosidad se incrementa. Por el contrario del
análisis del nivel de endeudamiento se encontró que no es relevante su efecto en la
morosidad, debido a que en el caso peruano la participación de los créditos sobre el PBI
es inferior al de otros países.
Por otro lado, el estudio empírico de Cermeño, León, y Mantilla (2011) fue
realizado con el objetivo de hallar cuáles eran los determinantes implicados en la
morosidad del sistema de las cajas municipales peruanas. Para ello, utilizaron un estudio
panel en el que analizaron las series mensuales para el periodo 2003-2010. En este
12
estudio se propone que la tasa de interés de los créditos, la liquidez y la intermediación
de fondos medida por el ratio créditos a depósito ejercen un efecto positivo en las tasa de
morosidad. Además, la actividad económica del país expresada como la variación
porcentual del producto bruto interno incide de forma negativa en la morosidad del
sistema de las cajas municipales de ahorros y créditos del Perú. Los investigadores
concluyeron que el organismo supervisor para contrarrestar los efectos adversos futuros
en la morosidad, debe estimular la administración óptima de las tasas de interés que
existen en las cajas municipales. Además, recomiendan a las entidades considerar la
inclusión del crecimiento del producto bruto interno para la realización de sus
proyecciones.
Álvarez (2014), elaboró un estudio con el objetivo de analizar durante el periodo

2002-2011 los factores que influyen en la morosidad de las instituciones microfinancieras
del Perú tales como: las cajas municipales de ahorro y crédito, y las empresas de
desarrollo de la pequeña y microempresa. Para elaborar el análisis, la metodología
utilizada fue la de datos de panel, el análisis de cointegración de datos panel y el modelo
de vectores auto regresivos VAR. Como resultado del estudio se encontró que las
variables macroeconómicas como el producto bruto interno y el riesgo país explican la
morosidad: mientras que las variables microeconómicas como las colocaciones por
deudor y por empleado, la rentabilidad de los activos y los créditos que fueron
refinanciados son las que influyen en la morosidad. Además, con el modelo VAR se
comprobó la persistencia de la morosidad debido a que sus valores pasados explican la
dinámica de su comportamiento.
2.1.2. Investigaciones Internacionales
En el ámbito internacional se encontraron los siguientes estudios empíricos sobre

los determinantes de la morosidad en diversos países latinoamericanos.
Salcedo (2012), realizó una investigación para identificar las variables

macroeconómicas que incidieron en el nivel de morosidad de crédito del sistema
financiero de República Dominicana y de cada sector que lo integra durante el periodo
2000-2012. La metodología utilizada fue el análisis de cointegración y la corrección de
error. Como resultado de la investigación se encontró que el nivel de morosidad del
sistema financiero dominicano en el largo plazo se comporta más sensible frente a las
variables de desempleo, actividad económica, inflación y tasa de interés activa; mientras
su desempeño en el corto plazo se relaciona principalmente al comportamiento de la tasa
13
de interés activa (costo del financiamiento). Además, para determinar el impacto de las
variables macroeconómicas en los niveles de morosidad del sistema financiero realizó
pruebas de tensión simulando diferentes escenarios macroeconómicos. Se concluyó que
el sistema financiero de República Dominicana actualmente presenta mejores
condiciones para soportar un deterioro significativo en el entorno macroeconómico que
las magnitudes experimentadas cuando ocurrió la crisis financiera.
Sellan (2011), realizó un estudio para determinar la morosidad en el sector

bancario ecuatoriano, para tal fin, se analizaron las variables macroeconómicas y
microeconómicas que impactan en los niveles de la morosidad del sistema bancario.
Como resultado del estudio se encontró que la morosidad se relaciona directamente con
el grado de endeudamiento de los agentes y el tipo de cambio real. Se concluyó que el
ciclo económico es un factor relevante que afecta la morosidad. Igualmente, la restricción
de liquidez expresada como la tasa de interés activa, la depreciación de la moneda
nacional y el mayor endeudamiento de las empresas impactan sobre la morosidad. Por
otra parte, la morosidad se vería afectada significativamente, en caso de ocurrir una
depreciación real, debido a que el tipo de cambio real se asocia con el encarecimiento de
las importaciones.
Giraldo (2010), desarrolló una investigación para identificar los factores

determinantes de la morosidad en el sistema financiero de Colombia durante el periodo
1995-2009 con series mensuales. Para ello, utilizó un modelo de Vectores
Autorregresivos (VAR) con la finalidad de estimar la función de impulso-respuesta de las
variables y la relación de causalidad de Granger. Los factores microeconómicos incluidos
en el modelo fueron: el tamaño del banco expresado como el índice de la participación de
la cartera de créditos en el sistema bancario; la eficiencia expresada como el nivel de
gastos administrativos (gastos de personal, generales, depreciaciones y amortizaciones)
y la cobertura de garantías, expresada como el valor de los créditos sin garantías
admisibles. Mientras que los factores macroeconómicos incluidos fueron: el desempeño
económico expresado como el índice de producción industrial y la demanda nacional
energética, y las variables monetarias expresadas como la tasa de interés real de los
depósitos de certificados a término.
Díaz (2009), realizó un estudio teórico y empírico para analizar los determinantes
del ratio de morosidad de las entidades que conforman el sistema financiero de Bolivia. El
análisis se efectuó utilizando la metodología de datos de panel durante el periodo 2001-
2008. Se incluyeron variables macroeconómicas y microeconómicas para analizar la
14
relación que existe entre el ratio de morosidad y el ciclo económico, la depreciación del
tipo de cambio, así como también el crecimiento de la cartera bruta, el grado de
eficiencia, la especialización crediticia, entre otras variables. Como resultado del estudio
se halló que existe una relación negativa entre la tasa de crecimiento del PBI y el ratio de
morosidad, mientras que el endeudamiento de las empresas fue significativo. La
depreciación de la moneda nacional tuvo un efecto positivo sobre la morosidad de la
cartera bruta. El crecimiento de la cartera no presentó un efecto muy significativo en la
morosidad. Los gastos administrativos no fueron significativos.
Vallcorba y Delgado (2007), realizaron un estudio para identificar los

determinantes macroeconómicos de la morosidad bancaria en Uruguay y la existencia de
cointegración entre las variables. Como resultado del estudio los investigadores
concluyeron que es importante el riesgo cambiario crediticio en una economía con un
sistema bancario dolarizado, por este motivo la reducción de los salarios en dólares y el
incremento del tipo de interés originan un incremento en la morosidad del sistema
bancario.
Quiñonez y Gonzáles (2006), elaboraron una investigación para analizar la

evolución y los determinantes de la morosidad en el sistema bancario de Ecuador. Los
investigadores utilizaron un modelo de tipo panel de datos y consideraron el análisis de
variables macroeconómicas tales como: la tasa de crecimiento del producto bruto interno
y el tipo de cambio real; y variables microeconómicas como: las políticas de créditos, los
controles de los bancos y los rezagos de la morosidad de los bancos utilizando series
entre 1995-2005. Se concluyó que los rezagos de la morosidad aportan en la explicación
del nivel de morosidad, por lo tanto cuando la existencia de morosidad en periodos
previos alerta a los responsables de las instituciones el incremento de la morosidad en
periodos posteriores. La morosidad del sistema bancario se asocia inversamente con el
ciclo económico, por lo que en ciclos de crecimiento, la morosidad de reduce. Mientras
que el nivel de endeudamiento de los agentes de la economía es una variable relevante
que explica la morosidad, debido al alto porcentaje que representan los créditos sobre el
PBI ecuatoriano. Por otro lado el spread real de las entidades bancarias afecta
negativamente la morosidad.
15
2.2. Marco Teórico
2.2.1. Morosidad
El índice de morosidad es el ratio obtenido como cociente de la cartera de crédito

vencida y en cobranza judicial sobre el total de la cartera de créditos (Lizarzaburu & Del
Brío, 2016). El ratio de morosidad puede ser medido para cada una de las entidades que
integran el sistema financiero o a nivel global, y es una manifestación del retardo que
ocurre en el cumplimiento del pago del acreditado (Comisión Nacional Bancaria y de
Valores, s.f.).
El índice de morosidad es relevante tanto para las entidades financieras como

para el ente regulador, en la medida que aporta información sobre la condición crediticia
del sistema financiero para la implementación de políticas que mejoren o mantengan la
calidad de la cartera de colocaciones (Banco de México, 2014 como se citó en
Lizarzaburu & Del Brío, 2016).
Por ello, en la economía uno de los índices importantes en el análisis de las crisis
financieras es la observación del ratio de morosidad (Torrent, 2010). En este sentido, una
de las primeras señales que presagiaron la crisis financiera de Estados Unidos del año
2007, fue el incremento en el ratio de morosidad de la cartera hipotecaria como
consecuencia de la caída de los precios de las viviendas en el año 2005 (Banco de
México, 2009).
Como se mencionó anteriormente, el cumplimiento del pago de crédito del sector

empresarial a los bancos, genera mayor rentabilidad en las operaciones de los bancos lo
que estimula el crecimiento de la economía.
Por ello, las empresas que establecen una estrecha relación con los bancos,
tienen mayores oportunidades de obtener financiamiento durante las épocas de recesión
(Viswanadham & Nahid, 2015).
2.2.2. Factores macroeconómicos que determinan la morosidad
Los factores macroeconómicos que determinan la variación de la morosidad

crediticia bancaria han sido estudiados por diversos investigadores.
Según Aguilar et al. (2004), afirmaron que durante los ciclos de crecimiento
económico la morosidad crediticia bancaria se reduce debido a la mayor solvencia de los
acreditados, mientras que en los ciclos de contracción del crecimiento económico, el
16
pago de los préstamos se reduce y por ello se deteriora el ratio de morosidad crediticio
bancario. Sin embargo, a pesar de la relación que existe entre estas dos variables, puede
ocurrir que el efecto del ciclo económico sobre el ratio de morosidad no se observe en el
corto plazo.
Por lo tanto, en las economías que tengan una mayor participación de la cartera
crediticia sobre el producto bruto interno, el efecto del ciclo económico sobre la
morosidad se presentará en menor plazo, como en el caso de las economías
desarrolladas. Mientras que en las economías que tengan una menor participación de la
cartera de créditos sobre el producto bruto interno, el efecto del ciclo económico sobre la
morosidad se apreciará en el largo plazo.
De manera similar, Agarwal y Liu (2003), consideraron el incremento en la tasa de

desempleo como una de las variables macroeconómicas que impacta de manera
significativa en el incremento en la morosidad de la cartera de las tarjetas de crédito del
sistema bancario estadounidense.
Por otro lado, otras variables macroeconómicas que han sido analizadas para
explicar la relación de los determinantes macroeconómicos con la morosidad están
relacionados con la liquidez. En este sentido Cermeño et al. (2011), propone que la tasa
de interés de los créditos tiene una relación significativa y un efecto positivo sobre la
morosidad crediticia, mientras que la liquidez de la moneda nacional y el ratio créditos a
depósito tienen una relación directa y un efecto menor en la morosidad crediticia.
En síntesis, las variables macroeconómicas que determinan el desempeño del

ratio de morosidad del sistema bancario están relacionadas con el ciclo económico, la
liquidez del sistema, entre otros factores.
2.2.3. Factores microeconómicos que determinan la morosidad
Los factores microeconómicos que determinan la variación de la morosidad

crediticia bancaria han sido analizados por diversos estudios.
Al respecto, la investigación de Álvarez (2014), encontró que el de nivel

endeudamiento por cliente y el volumen de colocaciones por empleado, demuestran que
las instituciones microfinancieras tienen una mejor administración de las colocaciones por
empleado debido a que esta variable incide negativamente sobre el nivel de morosidad,
lo que deriva en una mejor asignación crediticia por parte de los analistas. No obstante,
17
se genera un costo por el nivel de endeudamiento del cliente, que refleja un resultado
positivo.
2.3. Evidencia empírica de la relación de la morosidad con el crecimiento

económico, la inflación, el tipo de cambio y la tasa de desempleo
2.3.1. La morosidad y el crecimiento económico
El análisis de la relación que se presenta entre la morosidad del sistema bancario

y el crecimiento económico ha sido confirmado por diversos estudios empíricos
realizados tanto a nivel internacional como nacional.
Tarron y Sukrishnalall (2009) elaboraron un estudio para identificar los

determinantes de la morosidad en el sistema bancario de Guyana en el periodo 1994-
2004, como resultado del análisis se confirmó una relación negativa muy significativa
entre la morosidad del sistema bancario y el crecimiento económico real.
Asimismo, Cruz, Durán, y Muñoz (2001), en un estudio realizado en Costa Rica

sobre la morosidad del crédito del sistema bancario, hallaron que la actividad económica
tiene una relación negativa y afecta la morosidad crediticia significativamente después del
décimo mes en que ocurre la variación en el ciclo económico, mostrando la mayor
significatividad en el doceavo mes.
En el mismo sentido, otros estudios encontraron una relación, inversa entre el

ciclo económico y la morosidad crediticia como los realizados por Álvarez (2014),
Cermeño et al. (2011), Frkovich et al. (2016), cuyos resultados fueron presentados con
mayor detalle anteriormente.
2.3.2. La morosidad y la inflación
La relación que se encuentra entre el ratio de morosidad y la inflación ha sido

explicada en algunos estudios.
En la investigación realizada para identificar las variables que afectan la

morosidad crediticia del sistema bancario de Costa Rica, Cruz et al. (2001), demostraron
que la inflación tiene una relación positiva y un efecto significativo en la morosidad
crediticia, su efecto se manifiesta en el corto plazo, y se prolonga por 12 meses,
mostrando el mayor impacto en el cuarto mes.
18
De la misma forma, otros estudios encontraron una relación, directa entre la
inflación y la morosidad crediticia como los realizados por Salcedo (2012). Los resultados
encontrados en estos estudios se presentaron anteriormente.
2.3.3. La morosidad y el tipo de cambio
El efecto y la relación que se manifiesta entre la morosidad y el tipo de cambio

real ha sido tema de interés para los investigadores.
En la investigación de Cruz et al. (2001) sobre la morosidad en el sistema

bancario de Costa Rica, se comprobó que la depreciación del tipo de cambio se relaciona
de manera positiva e impacta en la morosidad crediticia sobre todo cuando los créditos
son otorgados en dólares. El efecto que tiene el tipo de cambio en la morosidad crediticia
se presenta en el corto plazo, y su impacto es significativo hasta el quinto mes, no
obstante, su efecto a partir del sexto mes es menos significativo, con lo cual el impacto se
reduce a largo plazo.
2.3.4. La morosidad y la tasa de desempleo
La discusión de la relación que se presenta entre la morosidad de las entidades

que pertenecen al sistema financiero como los bancos y cajas de ahorro, ha sido
abordada en las siguientes investigaciones internacionales:
En el contexto de la crisis económica española Climent-Serrano y Pavía (2014),

realizaron un estudio sobre los determinantes de la morosidad de los bancos y las cajas
de ahorro del sistema financiero español para el periodo 2004-2011, en el que
encontraron que la tasa de desempleo tiene una relación positiva y un impacto
significativo en la morosidad tanto para los bancos como para las cajas de ahorros,
además resaltaron que la tasa de desempleo tiene un mayor impacto sobre la morosidad
de las cajas de ahorro que en la morosidad de los bancos.
Asimismo, en el estudio del incumplimiento de pago del segmento hipotecario

estadounidense, Deng, Quigley y Van Order (2000), hallaron que la tasa de desempleo
tiene un efecto significativo sobre la morosidad.
Otros estudios que encontraron relación entre la tasa de desempleo y la

morosidad fueron: Agarwal y Liu (2003), Salcedo (2012) cuyos resultados fueron
presentados en el desarrollo de la tesis anteriormente con mayor detalle.
19
2.4. Morosidad en el Sistema Bancario Peruano durante el periodo 2005-2015
La morosidad del sistema bancario peruano se redujo en el periodo 2005-2008. La

mejora en la calidad de la cartera crediticia respondió al crecimiento económico de 2.8
puntos porcentuales al pasar de 6.3% en el año 2005 a 9.1% en el año 2008 (Ver Figura
2). Por otro lado, a pesar de los efectos de la crisis económica de 2008-2009, el ratio de
morosidad bancario no se incrementó de manera elevada.
Posteriormente, en el periodo 2011-2014 se incrementó el ratio de morosidad

crediticio de 1.5% en el año 2011 a 2.4% en el año 2014, con lo cual se incrementó en
0.9 puntos porcentuales. Según la Asociación de Bancos del Perú (2015a), el incremento
en la morosidad se ha manifestado como consecuencia de la desaceleración económica,
que ha impactado en la economía de las empresas y familias, ocasionando un
incremento en el incumplimiento del pago de los créditos.
En el año 2015 se observó un incremento ligero del ratio de morosidad del

sistema bancario, a consecuencia del deterioro de la cartera de créditos de los
segmentos de la pequeña y mediana empresa, que se originó por un menor crecimiento
económico, que afectó la capacidad de pago de los acreditados más vulnerables. A pesar
de ello, se incrementó el financiamiento bancario manteniendo un bajo nivel de
morosidad de 2.6%. Este incremento fue ocasionado por el aumento de los créditos en
moneda nacional, mientras que los créditos en moneda extranjera retrocedieron
(Asociación de Bancos del Perú, 2015a).
El retroceso en la cartera de créditos en moneda extranjera se sustenta en la

responsabilidad que asumieron los acreditados de endeudarse en la moneda en que
perciben sus ingresos, así como por las medidas regulatorias implementadas por el
Banco Central de Reserva del Perú para disminuir el volumen de la cartera crediticia en
dólares con la finalidad de disminuir la vulnerabilidad frente a las fluctuaciones del tipo de
cambio.
Algunas de las medidas que han sido implementadas por el Banco Central de
Reserva del Perú para disminuir el volumen de la cartera crediticia fueron: a) Inyectar
liquidez en moneda nacional con el objetivo de proporcionar los recursos al sistema
bancario para que puedan reemplazar los créditos en moneda extranjera por los de
moneda nacional; b) Reducir la tasa de encaje en moneda nacional para liberar fondos en
moneda nacional; c) Reducir el requerimiento de los fondos de las cuentas corrientes del
sistema bancario (Banco Central de Reserva del Perú, 2014).
20
Figura 1. Ratio de morosidad (porcentaje)
3.5
3.0
3.1
2.5
2.6
2.4
Porcentaje
2.0
2.0 2.1
1.5 1.7 1.7
1.6 1.6 1.5
1.0 1.3
0.5
0.0
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Años
Fuente: Superintendencia de Banca y Seguros
Para terminar, es importante señalar que el ratio de morosidad del sistema

bancario peruano es uno de los menores de América Latina a pesar de que su
metodología de medición es más estricta. De esta manera mientras que Perú en el año
2015 tuvo un ratio de morosidad de 2.6%, Brasil presentó un ratio de morosidad superior
al 5%, y Colombia un ratio superior al 3% (Asociación de Bancos del Perú, 2015a).
2.5. Dolarización del Crédito en el Sistema Bancario Peruano durante el periodo

2005-2015
El crédito en el sistema bancario peruano durante el periodo 2005 a 2008, estuvo

caracterizado por un nivel alto de dolarización, más del 50% de los créditos fueron
realizados en dólares.
A partir del año 2009 el ratio de dolarización disminuyó por debajo del 50%. Se
observa que en el año 2013 el ratio de dolarización disminuyó en 6.1 puntos porcentuales
con respecto al año 2009. En el año 2014 el ratio de dolarización se redujo en 2.5 puntos
porcentuales con respecto al año 2014. En el año 2015, el ratio de dolarización se redujo
en 7.8 puntos porcentuales, variación que representó la más importante reducción de la
dolarización del crédito en el sistema bancario peruano durante el periodo 2005 a 2015.
21
Figura 2. Dolarización del Crédito en el Sistema Bancario Peruano (porcentaje)
70.0
60.0 66.6
60.3
57.0
Porcentaje
50.0 53.0
40.0 46.8 46.1 44.7
43.0
40.7
38.2
30.0
30.4
20.0
10.0
0.0
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Años
Fuente: Banco Central de Reserva del Perú
En resumen se aprecia que la dolarización del crédito del sistema bancario

peruano se ha reducido de manera importante durante el periodo 2005 a 2015, debido a
las medidas reguladoras implementadas por el Banco Central de Reserva para
desdolarizar el crédito e incentivar el crédito en moneda nacional, tales como: a)
Mantener una inflación doméstica de nivel similar a la extranjera con la finalidad de
impulsar el ahorro en moneda nacional; b) Aplicar mayores encajes en moneda extranjera
con el objetivo de resaltar el riesgo que representa el uso de la moneda extranjera para la
estabilidad financiera; c) Establecer un encaje condicional a la evolución del crédito total,
hipotecario y vehicular con la finalidad de reducir el porcentaje que representan los
créditos en dólares en el sistema bancario (Banco Central de Reserva del Perú, 2016b).
2.6. Efecto de los determinantes macroeconómicos en el comportamiento esperado

de la morosidad del Sistema Bancario Peruano durante el periodo de estudio
De acuerdo a los resultados obtenidos en los estudios empíricos mencionados

anteriormente, se espera que la relación que presenten las variables macroeconómicas
con la morosidad del sistema bancario se manifiesten de la siguiente manera:
Se espera encontrar una relación con un efecto negativo entre el crecimiento

económico medido como la variación porcentual del producto bruto interno y la morosidad
en el sistema bancario medido como la variación porcentual de la morosidad bancaria.
22
Por otro lado, se espera encontrar una relación con un efecto positivo entre la tasa
de inflación medida como la variación porcentual de los índices de precios, la tasa de
desempleo medida como la variación porcentual de la tasa de desempleo, el tipo de
cambio medido como la variación porcentual del tipo de cambio nominal con la morosidad
del sistema bancario medido como la variación del ratio de morosidad bancaria.
2.7. Caracterización de la economía peruana durante el periodo de análisis 2005-

2015
En esta sección, se describe el comportamiento que reflejaron las variables

macroeconómicas en el Perú, durante el periodo 2005-2015.
La evolución del crecimiento económico durante el periodo 2005-2008 ha sido

positiva. Esta situación se debe como manifiestan Lizarzaburu & Del Brío (2016), al
contexto internacional favorable, las políticas macroeconómicas prudentes en un entorno
de una tasa baja de inflación.
A partir del año 2010, el crecimiento económico se contrajo hasta el año 2014.
Según Lizarzaburu & Del Brío (2016), la contracción del crecimiento económico fue
ocasionada por el cambio en las condiciones internacionales favorables, y la caída de los
precios de los metales.
En el año 2015 la economía creció en 3.3%, mostrando una recuperación de 0.9

puntos porcentuales con respecto al año 2014. Según el reporte del Banco de Crédito del
Perú (2016), esta recuperación se dio como resultado de la reversión de los choques de
oferta que afectaron la economía en el año 2014.
23
Figura 3. Crecimiento económico (variación porcentual)
10.0
9.0
9.1
8.0 8.5 8.5
7.0 7.5
Porcentaje
6.0 6.5
6.3 6.0
5.0 5.8
4.0
3.0
3.3
2.0 2.4
1.0
1.0
0.0
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Años
Por otra parte, la tasa de inflación medida como la variación del índice precios
(IPC), durante los años 2005, 2006 y 2009 reflejaron las tasas más bajas en el periodo de
análisis, siendo la tasa más baja la presentada en el año 2009 de 0.2%. La disminución
de la inflación en el año 2009 fue de 6.5 puntos porcentuales con respecto al año 2008.
Según lo señalado por el Banco Central de Reserva del Perú (2010), la variación de los
precios de los alimentos fue menor a la variación registrada en el año 2008. Asimismo,
los precios de los combustibles fueron menores. Sin embargo, esta condición se revirtió a
finales del año 2009 como resultado de la recuperación de los precios del petróleo.
La evolución de la inflación durante el periodo 2010-2013 ha manifestado tasas de

inflación por encima de las metas de inflación. Así, en el año 2014 reflejó una cifra de
3.2%. En el año 2015 la inflación alcanzó un índice 4.4%, cifra que se encuentra por
encima de la meta de inflación. Según el reporte del Banco de Crédito del Perú, la
variación del año 2015 responde al incremento en la inflación de los precios de los
alimentos y las tarifas eléctricas.
24
Figura 4. Inflación (variación porcentual)
7.0
6.0 6.7
5.0
Porcentaje
4.7
4.0 4.4
3.9
3.0
3.2
2.6 2.9
2.0
2.1
1.0 1.5
1.1
0.2
0.0
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Años
Con respecto al tipo de cambio medido como la variación porcentual del tipo de
cambio nominal. Durante el periodo 2005 a 2008, la variación del tipo de cambio
disminuye, lo que refleja una apreciación de la moneda nacional con respecto a la
moneda extranjera. A pesar de la crisis económica del año 2009, el Sol peruano se
mantuvo estable.
A partir del año 2013 al 2015, el tipo de cambio presentó una tendencia al alza,
por lo tanto, se observó una depreciación de la moneda nacional. Según Lizarzaburu &
Del Brío (2016), este incremento ha sido promovido por la recuperación de la economía, y
la política de contracción de Estados Unidos; así como la salida de los inversionistas a
mercados más desarrollados que se encuentran más estables tras su recuperación de la
crisis.
Sin embargo, según la Asociación de Bancos del Perú (2015b) se debe resaltar
que el Sol peruano ha sido la moneda más estable en el año 2014 comparada con los
países de la región que tienen regímenes cambiarios análogos. Posteriormente, en el año
2015, se observó una variación del tipo de cambio de 12.2%, reflejando un incremento de
7.1 puntos porcentuales.
Al respecto, la tendencia al alza del tipo de cambio, enfatiza el riesgo cambiario

crediticio del sistema bancario, debido a que, frente a la depreciación de la moneda, es
25
posible que se eleve la morosidad de los créditos en moneda extranjera, deteriorando los
ingresos y patrimonios de los agentes económicos, originando desaceleración en la
actividad económica, que de forma cíclica impacta en el sistema bancario (Banco Central
de Reserva del Perú, 2016a).
Por otro lado como señalan Lizarzaburu & Del Brío (2016), el tipo de cambio
representa una fuente de ingresos importante principalmente para las entidades
bancarias.
Figura 5. Tipo de cambio (variación porcentual)
15.0
10.0 12.2
Porcentaje
5.0
5.1
2.9 2.4
0.0
-3.4 -0.7 -2.5
-4.4 -4.2
-5.0 -6.5 -6.2
-10.0
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Años
Hay que mencionar además que durante el periodo de estudio, la tasa de

desempleo peruana medida como la relación de la población económicamente activa
desocupada (PEA desocupada) entre la población económicamente activa (PEA),
disminuyó. En el año 2005, la tasa de desempleo alcanzó una cifra de 9.6%. En el año
2015 se observa un incremento en la tasa de desempleo de 0.6 puntos porcentuales. El
incremento en la tasa de desempleo está influenciado por el deterioro del crecimiento
económico.
26
Figura 6. Tasa de Desempleo (porcentaje)
12.0
10.0
9.6
8.0 8.5 8.4 8.4 8.4
Porcentaje
7.9 7.7
6.0 6.8 6.5
5.9 5.9
4.0
2.0
0.0
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Años
En resumen, se observa que durante el periodo de análisis la inflación y la tasa de

desempleo tuvieron un desempeño estable, mientras que el producto bruto interno y el
tipo de cambio experimentaron una mayor volatilidad.
2.8. Debilidades del Sistema bancario peruano
A lo largo de los años, el sistema bancario peruano se ha visto afecto por diversos
factores que condicionan el buen desempeño económico. El Perú al ser un país
económicamente dependiente, es inevitable que variables externas no influyan en el
crecimiento económico, tal es el caso del alza de la tasa de referencia de la FED, bajas
tasas de crecimiento de China y otros factores internos como el fenómeno del Niño, que
indirectamente afectan al sistema bancario.
Una de las variables que genera mayores consecuencias en el sistema bancario

peruano es el tipo de cambio, a lo largo de los últimos 3 años, el dólar ha tomado valor
frente a la moneda nacional, lo cual ha generado un bajo dinamismo en los créditos
hipotecarios los cuales operan en moneda extranjera. Asimismo, ello ha afectado
negativamente la capacidad de pago de las familias y empresas al perder liquidez para
afrontar sus obligaciones. En consecuencia, la tasa de morosidad aumentó y por ende
debilitó el desempeño del sistema bancario.
27
CAPÍTULO 3. METODOLOGÍA
3.1. Tipo y diseño de investigación
3.1.1. Tipo de investigación
La investigación es empírica porque primero se observan las variables de estudio,

para posteriormente formular objetivos e hipótesis que buscan encontrar la relación entre
las variables de análisis y aportar conocimiento.
3.1.2. Diseño de investigación
El diseño de la investigación es descriptivo y correlacional. Es descriptivo porque

detalla el comportamiento de las variables y es correlacional porque busca identificar la
relación que existe entre las variables de estudio.
3.2. Variables
Las variables que se utilizaron para realizar el análisis de la investigación

estuvieron comprendidas entre el periodo enero de 2005 a octubre de 2016. Se utilizaron
series mensuales de las siguientes variables: Tasa de Morosidad del sistema bancario
(MOR) expresada en porcentaje, Tasa de Desempleo (TDES) expresada en porcentaje,
Tasa de Inflación (VIPC) medida como la variación del Índice de Precios al Consumidor
que es expresada en porcentaje y variación del Tipo de cambio (VTC) expresado en
porcentaje.
3.3. Participantes
Para realizar el análisis de la investigación la muestra estuvo conformada por las

series mensuales de las variables macroeconómicas: Tasa de Morosidad del sistema
bancario expresada en porcentaje que es publicada por la Superintendencia de Banca,
Seguros y AFP; Tasa de Desempleo (TDES) expresada en porcentaje, Tasa de Inflación
(VIPC) en porcentaje y variación del Tipo de cambio (VTC) expresado en porcentaje,
publicadas por el Banco Central de Reserva del Perú.
Se determinó un tamaño de muestra de 142 observaciones para cada variable,

durante el periodo enero de 2005 a octubre de 2016. El detalle de las observaciones se
puede apreciar en el anexo 1.
28
3.4. Instrumentos de investigación
El instrumento utilizado para realizar el análisis de la investigación fue el modelo

econométrico de Vectores Autorregresivos VAR. Se utilizó el modelo VAR con la finalidad
de identificar si las variables macroeconómicas incluidas en el modelo están relacionadas
y conocer los efectos ante posibles fluctuaciones como los shocks de la economía. El
modelo VAR permite a través de la función de impulso respuesta conocer cómo responde
la tasa de morosidad del sistema bancario peruano ante alteraciones en la tasa de
desempleo, la inflación y la tasa de tipo de cambio. Una de las características que se
puede destacar de la utilización de este modelo es que permite analizar en conjunto y con
modelos independientes las alteraciones que ocurren en cada variable, es decir que al
realizar el modelo de manera conjunta se obtienen para el caso de estudio cuatro
modelos paralelamente. Por ello, este modelo es de gran utilidad y es utilizado por los
Bancos Centrales de los países para evaluar el comportamiento conjunto de las variables
que afectan la economía del país. Además, este modelo permite realizar el pronóstico de
las variables para los siguientes periodos.
Asimismo, el modelo VAR permite observar la tendencia de los efectos de las

variables tanto en el corto como en el largo plazo.
Al respecto, este modelo demostró su efectividad en otras investigaciones

realizadas anteriormente por otros investigadores que analizaron los determinantes de la
tasa de morosidad de los créditos tales como el estudio de Álvarez (2014), Frkovich, Jara,
Rodríguez, Dentone (2016), y Giraldo (2010).
3.5. Procedimientos
Para recolectar la información de las series de las variables se consultó la página

oficial del Banco Central de Reserva del Perú y la página oficial de la Superintendencia
de Banca, Seguros y AFP. Las series Tasa de Morosidad del sistema bancario MOR,
Tasa de Desempleo TDES, Tasa de Inflación VIPC y variación del Tipo de cambio VTC,
estuvieron comprendidas en el periodo enero de 2005 a octubre de 2016.
Cabe resaltar que en el inicio de la investigación se consideró incluir la variable

Producto Bruto Interno; sin embargo, después de haber analizado el modelo VAR
incluyendo esta variable se observó que su efecto es muy a largo plazo, esto concuerda
con los resultados encontrados en algunos estudios que señalan que el PBI no es
significativo para explicar las alteraciones en la tasa de morosidad en los países en los
que la cartera de crédito sobre el PBI no es tan representativa en volumen. Por ello, para
29
el análisis final se excluyó esta variable del análisis. Adicionalmente se puede mencionar
que en las economías más desarrolladas, el PBI es una variable significativa porque el
volumen de créditos sobre el producto bruto interno es superior, por lo tanto su influencia
es mayor sobre la tasa de morosidad crediticia.
Realizadas las acciones anteriores, se procedió a trabajar con las series de las
variables MOR, TDES, VIPC, y VTC. Seguidamente se realizaron las pruebas de raíces
unitarias para comprobar la estacionariedad de las series. Después se realizó la
selección de los rezagos que se incluyeron en el modelo tanto con pruebas de inclusión
como de exclusión de rezagos.
Una vez que se estableció el número necesario de rezagos se procedió a evaluar

la estabilidad del modelo. Después se estimó el modelo VAR con siete rezagos para el
periodo enero de 2005 a octubre de 2016 para las variables Tasa de morosidad del
sistema bancario en su primera diferencia DMOR, DTDES Tasa de desempleo en su
primera diferencia, Tasa de inflación VIPC y Variación del tipo de cambio VTC.
Seguidamente se analizó el modelo VAR con siete rezagos a través de la función impulso
respuesta.
El software utilizado para realizar la medición y análisis de las series de las

variables fue el programa EVIEWS en su octava versión. Adicionalmente se utilizó el
programa Microsoft Excel para realizar la descripción del comportamiento anual que
tuvieron las variables para la economía peruana.
30
CAPÍTULO 4. PRESENTACIÓN DE RESULTADOS
4.1. Resultados
4.1.1. Análisis de las series y determinación de los rezagos del modelo
Para realizar el modelo VAR es necesario inicialmente comprobar la

estacionariedad de las series que conforman el modelo para verificar si la serie tiene o no
raíz unitaria. Para corroborar la estacionariedad de las variables utilizadas en el modelo,
se realizó la prueba de Dickey-Fuller a cada variable.
La prueba de raíz unitaria para la variable Morosidad MOR en el primer nivel

demostró que la serie no es estacionaria en ninguno de los valores críticos. Por ello fue
necesario verificar la estacionariedad de la variable en su primera diferencia.
Tabla 1. Prueba de raíz unitaria de MOR primer nivel
Null Hypothesis: MOR has a unit root

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

Test critical values: 1% level -3.481217
5% level -2.883753
10% level -2.578694
*MacKinnon (1996) one-sided p-values.
La prueba de raíz unitaria para la primera diferencia de la variable Morosidad

demostró que la serie es estacionaria al nivel del 1%, 5% y 10% de los valores críticos.
Por lo tanto, la variable utilizada para el modelo VAR es la morosidad en su primera
diferencia denominada DMOR.
31
Tabla 2. Prueba de raíz unitaria de DMOR primera diferencia
Null Hypothesis: D(MOR) has a unit root

Exogenous: Constant
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.659061 0.0002

5% level -2.883753
10% level -2.578694
La prueba de raíz unitaria para la variable Tasa de Desempleo TDES en el primer

nivel demostró que la serie no es estacionaria en ninguno de los valores críticos. Por ello
fue necesario verificar la estacionariedad de la variable en su primera diferencia.
Tabla 3. Prueba de raíz unitaria de TDES primer nivel
Null Hypothesis: TDES has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.883579
10% level -2.578601
La prueba de raíz unitaria para la primera diferencia de la variable Tasa de

desempleo demostró que la serie es estacionaria al nivel del 1%, 5% y 10% de los
valores críticos. Por lo tanto, la variable utilizada para el modelo VAR es la Tasa de
desempleo en su primera diferencia denominada DTDES.
32
Tabla 4. Prueba de raíz unitaria de DTDES primera diferencia
Null Hypothesis: D(TDES) has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.883579
10% level -2.578601
La prueba de raíz unitaria para la variable Inflación VIPC en el primer nivel

demostró que es estacionaria en los valores críticos al 1%, 5% y 10%. Por lo tanto, se
puede utilizar la variable VIPC para estimar el modelo VAR.
Tabla 5. Prueba de raíz unitaria de VIPC primer nivel
Null Hypothesis: VIPC has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.881978
10% level -2.577747
La prueba de raíz unitaria para la variable Tipo de Cambio medida como la

variación del tipo de cambio de soles por dólar. VIPC en el primer nivel demostró que es
estacionaria en los valores críticos al 1%, 5% y 10%. Por lo tanto, se puede utilizar la
variable VIPC para estimar el modelo VAR.
33
Tabla 6. Prueba de raíz unitaria de VTC primer nivel
Null Hypothesis: VTC has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.881978
10% level -2.577747
En resumen, las variables que se incluyen en el modelo VAR, son las que
presentan estacionariedad, es decir que no tienen raíz unitaria y son: DMOR, DTDES,
VIPC, VTC. En el anexo 2 se puede observar el detalle completo de las pruebas de raíz
unitaria para las variables que fueron incorporadas al modelo.
Una vez definida la estacionariedad de las variables, se procedió a determinar el

número de rezagos necesarios para evitar la presencia de autocorrelación en los
residuos. Para ello se realizó la prueba de selección de los rezagos en la que se obtiene
información de los criterios de Akaike, Schwarz, Hannan-Quinn, Final Prediction y
Sequential Modified LR test statistic.
Como se aprecia los criterios de Akaike, Schwarz, Final prediction error y

Sequential Modified LR test statistic señalan que el rezago apropiado para estimar el
modelo es el séptimo rezago. Por este motivo, se incluyeron 7 rezagos para estimar el
modelo VAR.
34
Tabla 7. Criterios para la selección de los rezagos del modelo VAR de variables
DMOR, DTDES, VIPC, VTC.
VAR Lag Order Selection Criteria

Endogenous variables: DMOR DTDES VIPC VTC
Exogenous variables: C
Date: 01/10/17 Time: 12:04
Sample: 2005M01 2016M10
Included observations: 135
Lag LogL LR FPE AIC SC HQ
0 -300.9802 NA 0.001077 4.518226 4.604308* 4.553207

1 -262.7791 73.57251 0.000775 4.189321 4.619732 4.364228
2 -237.9286 46.38773 0.000681 4.058201 4.832941 4.373034
3 -202.2114 64.55544 0.000509 3.766095 4.885164 4.220853*
4 -186.4850 27.49204 0.000513 3.770149 5.233546 4.364832
5 -179.5729 11.67375 0.000589 3.904784 5.712511 4.639394
6 -151.0162 46.53690 0.000493 3.718759 5.870814 4.593294
7 -130.6902 31.91943* 0.000467* 3.654669* 6.151053 4.669130
* indicates lag order selected by the criterion

LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion
Posteriormente se evaluó el número de rezagos que era necesario excluir para

estimar el modelo VAR. Como se observa, se requiere incluir los siete rezagos en el
modelo VAR porque contribuyen significativamente al modelo. Por lo tanto, se excluyen
los rezagos a partir del octavo rezago en adelante, porque no contribuyen
significativamente al modelo.
35
Tabla 8. Test para la exclusión de los rezagos del modelo VAR de variables
DMOR, DTDES, VIPC, VTC.
VAR Lag Exclusion Wald Tests

Date: 01/10/17 Time: 12:04
Sample: 2005M01 2016M10
Chi-squared test statistics for lag exclusion:

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

[ 0.023797] [ 7.45e-08] [ 1.11e-07] [ 1.12e-05] [ 0.000000]
Lag 2 10.26625 20.08165 16.90323 1.902731 61.39756

[ 0.036174] [ 0.000481] [ 0.002018] [ 0.753643] [ 3.04e-07]
Lag 3 20.49877 11.76398 10.48397 3.855113 58.33221

[ 0.000398] [ 0.019195] [ 0.033019] [ 0.425969] [ 9.97e-07]
Lag 4 12.13979 6.102550 9.147567 0.854585 34.41686

[ 0.016341] [ 0.191620] [ 0.057515] [ 0.930984] [ 0.004772]
Lag 5 13.74982 2.020522 7.925712 0.922184 29.18159

[ 0.008138] [ 0.731984] [ 0.094338] [ 0.921357] [ 0.022740]
Lag 6 43.65274 7.981289 10.23096 8.732096 66.73454

[ 7.57e-09] [ 0.092266] [ 0.036712] [ 0.068156] [ 3.70e-08]
Lag 7 13.02503 1.941804 2.609707 12.09634 35.17956

[ 0.011154] [ 0.746462] [ 0.625105] [ 0.016649] [ 0.003755]
df 4 4 4 4 16
Finalmente, se establece que el número necesario de rezagos para estimar el modelo

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

se procedió a analizar el comportamiento de los residuos. Se observa que los residuos
del modelo VAR con siete rezagos, se encuentran dentro de la zona de confianza, por lo
tanto, son relevantes.
36
Figura 7. Correlograma de autocorrelación de los Residuos del Modelo de
variables DMOR, DTDES, VIPC, VTC.
Autocorrelations with 2 Std.Err. Bounds

Cor(DMOR,DMOR(-i)) Cor(DMOR,DTDES(-i)) Cor(DMOR,VIPC(-i)) Cor(DMOR,VTC(-i))
.3 .3 .3 .3
.2 .2 .2 .2
.1 .1 .1 .1
.0 .0 .0 .0
-.1 -.1 -.1 -.1
-.2 -.2 -.2 -.2
-.3 -.3 -.3 -.3

1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5 6 7
Cor(DTDES,DMOR(-i)) Cor(DTDES,DTDES(-i)) Cor(DTDES,VIPC(-i)) Cor(DTDES,VTC(-i))

.3 .3 .3 .3
.2 .2 .2 .2
.1 .1 .1 .1
.0 .0 .0 .0
-.1 -.1 -.1 -.1
-.2 -.2 -.2 -.2
-.3 -.3 -.3 -.3

1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5 6 7
Cor(VIPC,DMOR(-i)) Cor(VIPC,DTDES(-i)) Cor(VIPC,VIPC(-i)) Cor(VIPC,VTC(-i))

.3 .3 .3 .3
.2 .2 .2 .2
.1 .1 .1 .1
.0 .0 .0 .0
-.1 -.1 -.1 -.1
-.2 -.2 -.2 -.2
-.3 -.3 -.3 -.3

1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5 6 7
Cor(VTC,DMOR(-i)) Cor(VTC,DTDES(-i)) Cor(VTC,VIPC(-i)) Cor(VTC,VTC(-i))

.3 .3 .3 .3
.2 .2 .2 .2
.1 .1 .1 .1
.0 .0 .0 .0
-.1 -.1 -.1 -.1
-.2 -.2 -.2 -.2
-.3 -.3 -.3 -.3

1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5 6 7
En resumen, se concluye que el modelo “DMOR, DTDES, VIPC, VTC” es

representativo para describir la autoregresión de las variables.
37
4.1.2. Estimación del modelo VAR
Tabla 9. Modelo VAR con siete rezagos de variables DMOR, DTDES, VIPC, VTC
Vector Autoregression Estimates

Date: 01/12/17 Time: 12:00
Sample (adjusted): 2005M08 2016M10
Included observations: 135 after adjustments
Standard errors in ( ) & t-statistics in [ ]
DMOR DTDES VIPC VTC
DMOR(-1) -0.232066 -1.825214 0.139344 -0.880264

(0.09616) (1.78232) (0.40159) (2.07622)
[-2.41333] [-1.02407] [ 0.34698] [-0.42397]
DMOR(-2) -0.065945 -1.949310 0.259934 -0.689482

(0.08381) (1.55334) (0.34999) (1.80948)
[-0.78687] [-1.25491] [ 0.74268] [-0.38104]
DMOR(-3) 0.247813 -0.101229 -0.608244 1.743868

(0.08309) (1.54001) (0.34699) (1.79395)
[ 2.98258] [-0.06573] [-1.75292] [ 0.97208]
DMOR(-4) 0.031028 -2.966089 -0.842212 -0.043093

(0.08441) (1.56461) (0.35253) (1.82261)
[ 0.36756] [-1.89574] [-2.38903] [-0.02364]
DMOR(-5) 0.025357 -0.852538 0.582660 -0.156396

(0.08438) (1.56399) (0.35239) (1.82188)
[ 0.30050] [-0.54511] [ 1.65344] [-0.08584]
DMOR(-6) 0.449176 4.307377 0.022508 -3.613846

(0.08295) (1.53748) (0.34642) (1.79100)
[ 5.41502] [ 2.80159] [ 0.06497] [-2.01778]
DMOR(-7) 0.002229 1.264674 0.274261 4.221392

(0.09133) (1.69281) (0.38142) (1.97194)
[ 0.02441] [ 0.74709] [ 0.71906] [ 2.14073]
DTDES(-1) 0.014547 -0.545737 0.057779 -0.082774

(0.00532) (0.09852) (0.02220) (0.11476)
[ 2.73683] [-5.53958] [ 2.60298] [-0.72127]
DTDES(-2) 0.020205 -0.443976 0.074288 -0.028846

(0.00644) (0.11944) (0.02691) (0.13913)
[ 3.13544] [-3.71717] [ 2.76043] [-0.20733]
DTDES(-3) 0.019242 -0.389348 0.048486 0.011628

(0.00723) (0.13403) (0.03020) (0.15613)
[ 2.66100] [-2.90494] [ 1.60553] [ 0.07448]
DTDES(-4) 0.018500 -0.172463 0.033391 -0.006273

(0.00749) (0.13883) (0.03128) (0.16172)
[ 2.46999] [-1.24228] [ 1.06746] [-0.03879]
DTDES(-5) 0.024988 -0.085093 0.041770 -0.037909

38
(0.00701) (0.12990) (0.02927) (0.15132)
[ 3.56537] [-0.65506] [ 1.42712] [-0.25052]
DTDES(-6) 0.021780 -0.020523 0.065962 0.145534

(0.00642) (0.11903) (0.02682) (0.13866)
[ 3.39136] [-0.17242] [ 2.45938] [ 1.04955]
DTDES(-7) 0.014884 -0.017399 0.020510 0.166242

(0.00505) (0.09357) (0.02108) (0.10900)
[ 2.94835] [-0.18594] [ 0.97279] [ 1.52515]
VIPC(-1) 0.020337 0.272773 0.364300 -0.910896

(0.02290) (0.42440) (0.09563) (0.49438)
[ 0.88819] [ 0.64272] [ 3.80967] [-1.84249]
VIPC(-2) 0.011222 -0.065500 0.081229 0.494203

(0.02404) (0.44562) (0.10041) (0.51910)
[ 0.46677] [-0.14699] [ 0.80901] [ 0.95204]
VIPC(-3) 0.008122 -0.633814 -0.049291 0.615156

(0.02366) (0.43861) (0.09883) (0.51094)
[ 0.34321] [-1.44504] [-0.49876] [ 1.20397]
VIPC(-4) -0.036994 0.079732 0.090564 -0.378940

(0.02356) (0.43662) (0.09838) (0.50862)
[-1.57044] [ 0.18261] [ 0.92056] [-0.74504]
VIPC(-5) -0.002061 0.211232 0.087076 -0.354591

(0.02315) (0.42909) (0.09668) (0.49984)
[-0.08901] [ 0.49228] [ 0.90065] [-0.70941]
VIPC(-6) 0.003346 0.059832 -0.114312 0.938065

(0.02220) (0.41146) (0.09271) (0.47931)
[ 0.15073] [ 0.14541] [-1.23301] [ 1.95710]
VIPC(-7) 0.039871 -0.327754 0.052992 -0.016993

(0.02040) (0.37810) (0.08519) (0.44045)
[ 1.95453] [-0.86684] [ 0.62202] [-0.03858]
VTC(-1) -0.001876 0.039960 0.067311 0.453634

(0.00426) (0.07891) (0.01778) (0.09193)
[-0.44053] [ 0.50637] [ 3.78558] [ 4.93472]
VTC(-2) 0.003320 -0.060897 -0.044734 -0.085439

(0.00479) (0.08884) (0.02002) (0.10348)
[ 0.69278] [-0.68551] [-2.23491] [-0.82562]
VTC(-3) -3.24E-06 0.108122 0.043545 0.136106

(0.00484) (0.08972) (0.02022) (0.10452)
[-0.00067] [ 1.20509] [ 2.15399] [ 1.30225]
VTC(-4) 0.006589 -0.028763 -0.031987 0.056176

(0.00490) (0.09088) (0.02048) (0.10586)
[ 1.34394] [-0.31650] [-1.56212] [ 0.53064]
VTC(-5) -0.004143 0.083693 -0.029842 0.066301

(0.00493) (0.09139) (0.02059) (0.10646)
[-0.84025] [ 0.91582] [-1.44930] [ 0.62280]
39
VTC(-6) 0.012260 0.024210 0.007965 -0.054704
(0.00495) (0.09177) (0.02068) (0.10690)
[ 2.47616] [ 0.26380] [ 0.38522] [-0.51171]
VTC(-7) -0.006951 0.087431 -0.017359 -0.196834

(0.00467) (0.08657) (0.01951) (0.10085)
[-1.48819] [ 1.00993] [-0.88992] [-1.95183]
C -0.003009 0.047088 0.133784 -0.055736

(0.01000) (0.18539) (0.04177) (0.21595)
[-0.30085] [ 0.25400] [ 3.20284] [-0.25809]
R-squared 0.568393 0.459288 0.444538 0.372111

Adj. R-squared 0.454384 0.316459 0.297812 0.206254
Sum sq. resids 0.322495 110.7920 5.624667 150.3425
S.E. equation 0.055158 1.022354 0.230354 1.190935
F-statistic 4.985493 3.215639 3.029721 2.243562
Log likelihood 215.9368 -178.2173 22.96593 -198.8225
Akaike AIC -2.769434 3.069886 0.089394 3.375148
Schwarz SC -2.145338 3.693982 0.713490 3.999244
Mean dependent 0.000148 -0.018033 0.253885 0.038760
S.D. dependent 0.074673 1.236570 0.274896 1.336741
Determinant resid covariance (dof adj.) 0.000214

Determinant resid covariance 8.15E-05
Log likelihood -130.6902
Akaike information criterion 3.654669
Schwarz criterion 6.151053
Con respecto a la relación entre la tasa de morosidad del sistema bancario

peruano y las variables macroeconómicas estudiadas, se confirman los resultados para
las relaciones entre las variables de estudio expuestas en el marco teórico. Se aprecia
que la tasa de morosidad es explicada de manera significativa por el primero, el tercero y
el sexto rezago de sí misma.
Asimismo, son significativos los siete rezagos de la tasa de desempleo sobre la

tasa de morosidad del sistema bancario y su relación es positiva. Igualmente son
significativos los rezagos séptimo y sexto de la tasa de inflación y de la tasa del tipo de
cambio respectivamente. Además, las relaciones de ambas variables con la tasa de
morosidad son positivas.
40
El modelo VAR quedó configurado de la siguiente forma:
DMORt ∑ DMORt ∑ DTDESt ∑ VIPCt ∑ VTC 1t

1 1 1 1
Reemplazando los coeficientes del modelo VAR en la ecuación anterior se

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

0.0310276 dmor(-4) + 0.0253566 dmor(-5) + 0.4491763 dmor(-6) + 0.0022292
dmor(-7) + 0.014547 dtdes(-1) + 0.0202048 dtdes(-2) + 0.0192422 dtdes(-3) +
0.0185004 dtdes(-4) + 0.0249875 dtdes(-5) + 0.0217799 dtdes(-6) +
0.0148844 dtdes(-7) + 0.0203371 vipc(-1) + 0.0112222 vipc(-2) + 0.0081216
vipc(-3) + 0.0369942 vipc(-4) - 0.0020605 vipc(-5) + 0.0033460 vipc(-6) + 0.0398711
vipc(-7) - 0.0018756 vtc(-1) + 0.0033204 vtc(-2) - 3.237e-06 vtc(-3) + 0.0065895 vtc(-4)
- 0.0041428 vtc(-5) + 0.0122601 vtc(-6) - 0.006951vtc(-7)
Estimated S.E. = 0.0551580
Posteriormente, se realizaron las pruebas para comprobar la condición de

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

VIPC, VTC
Inverse Roots of AR Characteristic Polynomial
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 41
Se observa en el gráfico anterior que todas las raíces se encuentran dentro del
círculo unitario, por lo tanto, no forman parte de un proceso explosivo. Por lo mismo se
concluye que el modelo es estable y al mismo tiempo es estacionario.
En la siguiente tabla, se aprecia la estructura del retardo del Modelo VAR, en ella
se confirma que todas las raíces unitarias del polinomio del modelo VAR con siete
rezagos, son menores a la unidad, por lo mismo se concluye que el sistema es estable.
Tabla 10. Estructura del Modelo VAR de variables DMOR, DTDES, VIPC, VTC
Roots of Characteristic Polynomial

Endogenous variables: DMOR DTDES VIPC VTC
Exogenous variables: C
Lag specification: 1 7
Date: 01/10/17 Time: 12:48
Root Modulus
-0.451483 - 0.806862i 0.924588

-0.451483 + 0.806862i 0.924588
0.908864 0.908864
0.441191 + 0.777493i 0.893949
0.441191 - 0.777493i 0.893949
-0.872889 - 0.153971i 0.886364
-0.872889 + 0.153971i 0.886364
0.189668 + 0.851350i 0.872222
0.189668 - 0.851350i 0.872222
-0.505201 - 0.700838i 0.863946
-0.505201 + 0.700838i 0.863946
-0.058860 + 0.855522i 0.857544
-0.058860 - 0.855522i 0.857544
0.815218 + 0.230908i 0.847290
0.815218 - 0.230908i 0.847290
-0.712563 - 0.380684i 0.807878
-0.712563 + 0.380684i 0.807878
0.608593 - 0.523987i 0.803086
0.608593 + 0.523987i 0.803086
0.695608 - 0.298452i 0.756931
0.695608 + 0.298452i 0.756931
0.223610 - 0.697321i 0.732296
0.223610 + 0.697321i 0.732296
-0.370291 + 0.520074i 0.638429
-0.370291 - 0.520074i 0.638429
-0.487615 + 0.137644i 0.506670
-0.487615 - 0.137644i 0.506670
0.101294 0.101294
No root lies outside the unit circle.

VAR satisfies the stability condition.
42
Para observar los efectos de las alteraciones o shocks de la tasa de desempleo, la
inflación y la tasa de tipo de cambio, sobre morosidad crediticia bancaria se realizó el
análisis de las funciones de impulso respuesta.
Se observa que la tasa de morosidad del sistema bancario responde de manera

positiva a las variaciones de la tasa de desempleo, lo que coincide con los resultados
encontrados en la estimación del modelo VAR, a partir del segundo mes se observa un
efecto significativo y positivo. Además se aprecia que los efectos de la tasa de desempleo
sobre la tasa de morosidad crediticia son más significativos en el corto plazo y que su
efecto se va perdiendo en el largo plazo.
Figura 9. Función Impulso Respuesta de la Morosidad Bancaria a la Tasa de

Desempleo
Response of DMOR to DTDES

.03
.02
.01
.00
-.01
-.02
-.03
2 4 6 8 10 12 14 16 18 20 22 24
43
Se aprecia que la tasa de morosidad del sistema bancario responde de manera
positiva a las variaciones de la inflación, lo que coincide con los resultados encontrados
en la estimación del modelo VAR, esto quiere decir que cuando la inflación aumenta, la
tasa de morosidad también se incrementa significativamente en el séptimo mes, y se
prolonga al octavo mes, por lo que su efecto se aprecia en el mediano plazo, a partir del
noveno mes su efecto se reduce. En el largo plazo su efecto se va reduciendo. Estos
resultados también coinciden con el comportamiento de las variables en el modelo VAR.
Figura 10. Función Impulso Respuesta de la Morosidad Bancaria a la Inflación
Response of DMOR to VIPC

.03
.02
.01
.00
-.01
-.02
-.03
2 4 6 8 10 12 14 16 18 20 22 24
44
Con respecto a la influencia de los shocks de la tasa del tipo de cambio la tasa de
morosidad del sistema bancario responde de manera positiva, lo que coincide con los
resultados encontrados en la estimación del modelo VAR, esto quiere decir que cuando la
tasa del tipo de cambio se incrementa, la tasa de morosidad también se incrementa
significativamente en el sexto mes, y se prolonga los siguientes meses, por lo que su
efecto se aprecia en el mediano y largo plazo; el mismo que se va perdiendo a partir del
mes 16. Estos resultados también coinciden con el comportamiento de las variables en el
modelo VAR.
Figura 11. Función Impulso Respuesta de la Morosidad Bancaria a la Variación

del Tipo de Cambio
Response of DMOR to VTC

.03
.02
.01
.00
-.01
-.02
-.03
2 4 6 8 10 12 14 16 18 20 22 24
En resumen, se observa que cuando ocurre un shock, las tres variables DTDES,
VIPC y VTC tienen efectos significativos y positivos en la tasa de morosidad crediticia del
sistema bancario peruano durante el periodo enero 2005 a octubre 2016.
Para poder medir con mayor precisión el porcentaje de los shocks de las
variaciones de las variables de la función impulso respuesta de: la tasa de morosidad,
tasa de desempleo, inflación y tasa de variación del tipo de cambio, sobre la tasa de
morosidad en cada periodo, se realizó la descomposición de la varianza del modelo VAR.
45
En principio se aprecia que las variaciones de la tasa de morosidad responden a
las variaciones en sí misma, sin embargo conforme transcurre el tiempo, el porcentaje de
explicación de la tasa de morosidad sobre sí misma se reduce, tal como se observa en el
séptimo mes.
Con respecto a la respuesta de la tasa de morosidad a las variaciones en la tasa

de desempleo, la inflación y la tasa del tipo de cambio, se aprecia que las variaciones de
la tasa de morosidad del sistema bancario peruano responden en el corto plazo con
mayor fuerza a las variaciones de la tasa de desempleo, en segundo lugar a las
variaciones de la inflación y en tercer lugar a las variaciones de la tasa del tipo de
cambio.
La respuesta de las variaciones en la tasa de desempleo en el segundo mes son

explicadas en 5.9% por las variaciones de la tasa de interés, en 1% por las variaciones
en la inflación y en menor medida por las variaciones en la tasa del tipo de cambio. La
explicación de las variaciones en la tasa de desempleo se incrementa hasta el sexto mes,
no obstante desde el séptimo mes (inicios del tercer trimestre) su efecto disminuye. Se
observa que a largo plazo su efecto se reduce.
Las variaciones en la tasa de morosidad en el noveno mes responden a los

cambios en la inflación en 3.7%, durante este mes se alcanza el mayor porcentaje de
explicación de las variaciones de la inflación en variación de la tasa de morosidad,
posteriormente desde el décimo mes el efecto que tiene disminuye.
Las variaciones en la tasa de morosidad en el quinto mes responden a los

cambios en la tasa del tipo de cambio en 3%, se observa que el incremento en la tasa del
tipo de cambio se prolonga en los siguientes meses. De esta manera al año las
variaciones de la tasa de morosidad responden en 9% a las variaciones en la tasa del
tipo de cambio.
46
Tabla 11 Descomposición de la Varianza del Modelo VAR de variables DMOR,
DTDES, VIPC, VTC
Period S.E. DMOR DTDES VIPC VTC
1 0.055158 100.0000 0.000000 0.000000 0.000000

2 0.057731 93.28134 5.901591 0.668197 0.148870
3 0.059080 89.09318 8.615755 1.196465 1.094597
4 0.060903 89.00488 8.601891 1.267743 1.125483
5 0.062880 84.05286 9.335215 3.325630 3.286291
6 0.063794 81.66809 11.42060 3.432782 3.478523
7 0.069510 79.76206 9.703211 2.963050 7.571679
8 0.070420 78.93180 9.838416 3.775025 7.454757
9 0.070634 78.45612 9.871688 3.756503 7.915687
10 0.072493 77.83464 9.691033 3.570664 8.903661
11 0.073437 77.46945 9.656137 3.481786 9.392630
12 0.073552 77.40589 9.750402 3.476255 9.367452
Cholesky Ordering: DMOR DTDES VIPC VTC
Por otro lado, para analizar la causalidad que tiene cada variable macroeconómica
sobre la morosidad crediticia se realizó la prueba de Causalidad de Granger para el
modelo VAR. Se aprecia que la tasa de desempleo causa en el sentido de Granger a la
tasa de morosidad del sistema bancario peruano. Mientras que la inflación y la tasa del
tipo de cambio aun cuando están correlacionadas, no causan en el sentido de Granger a
la tasa de morosidad del sistema bancario.
Tabla 12 Test de Causalidad de Granger del Modelo VAR de variables DMOR,

DTDES, VIPC, VTC
VAR Granger Causality/Block Exogeneity Wald Tests

Date: 01/10/17 Time: 22:27
Sample: 2005M01 2016M10
Dependent variable: DMOR
Excluded Chi-sq df Prob.
DTDES 22.83348 7 0.0018

VIPC 8.449571 7 0.2946
VTC 9.085122 7 0.2466
All 45.34120 21 0.0016
47
Para concluir, se describen y analizan los resultados obtenidos del análisis
econométrico de las variables relacionadas con la morosidad del sistema bancario
peruano:
Se encontró que la tasa de desempleo, la inflación y la tasa del tipo de cambio se

relacionan con la tasa de morosidad del sistema bancario, durante el periodo 2005-1 al
2016-10.
Por otra parte, se identificó que la tasa de desempleo se relaciona positivamente y

su efecto es significativo en la tasa de morosidad del sistema bancario durante el periodo
de análisis en todos los rezagos. Los efectos de la tasa de desempleo se manifiestan con
mayor fuerza en los rezagos tres, cinco y seis; siendo el efecto más fuerte en el quinto
rezago. A largo plazo el efecto se reduce y tiende a estabilizarse.
Con respecto a la inflación se encontró que se relaciona positivamente con la

morosidad, sin embargo su efecto no es significativo en los primeros seis rezagos en la
tasa de morosidad del sistema bancario peruano. No obstante, la inflación es significativa
en el séptimo rezago.
Por otro lado, se encontró que la tasa del tipo de cambio se relaciona con la
morosidad en el sistema bancario y su efecto no es significativo en los cinco primeros
rezagos, sin embargo es significativo en el sexto rezago.
Finalmente, es importante resaltar que el efecto más significativo fue el de la tasa

de desempleo sobre la tasa de morosidad del sistema bancario peruano durante el
periodo de evaluación de enero de 2005 a octubre de 2016, seguido por el efecto del tipo
de cambio y por último de la inflación.
48
4.2. Discusión
Los resultados obtenidos demostraron que para el caso peruano, la tasa de

desempleo tiene un efecto significativo en la tasa de morosidad crediticia y su relación
con la misma es positiva.
Resultado similar, se encontró en la investigación de Climent-Serrano y Pavía

(2014) sobre la morosidad en el sistema bancario y cajas de ahorro en España para el
periodo 2004-2011, en un contexto de crisis económica en el que la morosidad del
sistema bancario español creció desproporcionadamente, el incrementó del ratio de
morosidad bancaria en 12 puntos porcentuales en el año 2013 con respecto al año 2004,
generó importantes cambios en el sistema financiero español que repercutieron tanto a
nivel macroeconómico como a nivel microeconómico, con consecuencias tales como: a)
pérdidas en los bancos prestatarios; b) reducción en la emisión de nuevos préstamos; c)
apalancamiento de las entidades españolas con inversores del extranjero; d) cambio en
la estructura del sistema bancario español por la reducción del número de entidades y e)
recesión. Una característica importante del sistema bancario español durante este
periodo fue el nivel de morosidad del crédito hipotecario que se originó como
consecuencia del boom inmobiliario.
En este sentido, Deng, Quigley y Van Order (2000) encontraron para el caso de
Estados Unidos que la tasa de desempleo afecta la morosidad del crédito hipotecario
estadounidense.
Al respecto, el crédito hipotecario en moneda extranjera en el Perú, se ha elevado

en 1.8 puntos porcentuales durante el periodo 2010 a 2015, pasando de 1.1% en el año
2010 a 2.9% en el año 2015 (Banco Central de Reserva del Perú, 2016b). Por lo que es
de esperar que el Banco Central de Reserva del Perú a través del encaje regule el crédito
de viviendas en dólares, para evitar que una situación de crisis tal como la ocurrida en
España durante el periodo 2004 a 2011 ocurra en el sistema bancario del Perú.
Mientras que Climent-Serrano y Pavía (2014), para el caso español encontraron

que el desempleo afecta significativamente el ratio de morosidad del sistema después de
dos periodos anuales; en la presente investigación se encontró que para el caso peruano
la morosidad del sistema bancario peruano se ve afectada significativamente al siguiente
mes, después de ocurrido un shock de la tasa de desempleo. Por lo tanto se observa que
la tasa de desempleo afecta en el corto plazo la morosidad del sistema bancario para el
49
caso peruano, lo que podría deberse principalmente a que la fuente principal de los
peruanos que contraen créditos proviene de sus empleos.
Asimismo, Agarwal y Liu (2003) encontraron que la tasa de desempleo incide

sobre la morosidad del crédito de tarjeta estadounidense en el periodo 1995-2001. Para
el caso peruano durante el periodo 2010 a 2015 el crédito de consumo se incrementó en
2.5 puntos porcentuales, pasando de 2.1% en 2010 a 4.6 en el año 2015 (Banco Central
de Reserva del Perú, 2016b). Por lo que es de esperar que el Banco Central de Reserva
del Perú regule el crédito de consumo en moneda extranjera a través del incentivo de
liquidez en moneda nacional.
De igual manera, Salcedo (2012) encontró en su investigación que la tasa de

desempleo es un determinante macroeconómico significativo de la morosidad del sistema
financiero dominicano para el periodo 2000-2012. Mientras que la investigación de
Salcedo (2012), encontró que para el caso de la economía dominicana la tasa de
desempleo en el largo plazo es relevante para la morosidad del sistema financiero; en el
caso peruano en la presente investigación se pudo comprobar que la tasa de desempleo
causa la morosidad bancaria durante el periodo de análisis para el caso peruano y se
demostró que la influencia de la tasa de desempleo afecta a corto y a largo plazo la tasa
de morosidad del sistema bancario.
Por otro lado, se comprobó que la inflación se relaciona positivamente con la

morosidad del sistema bancario peruano. A pesar de que el efecto de un shock de
inflación no es significativo en el corto plazo durante los seis primeros meses, a mediano
plazo en el séptimo mes después de ocurrido el shock en la tasa de inflación su influencia
en la tasa de morosidad del sistema bancario es significativa. No obstante, a largo plazo
se pierde su influencia. Este resultado coincide con los hallazgos encontrados en
estudios realizados en otros países como el estudio de Cruz et al. (2001) sobre la
morosidad crediticia del sistema bancario costarricense, para el periodo 1998-2000;
mientras que Cruz et al. (2001), señalaron que un shock de la tasa de inflación es
significativo en la tasa de morosidad en el corto plazo y el efecto surge desde que ocurre
un cambio en la tasa de inflación, para el caso peruano se encontró que el efecto de la
tasa de inflación ocurre a partir del séptimo mes de manera significativa en la tasa de
morosidad del sistema bancario peruano.
De manera similar Salcedo (2012) para el caso dominicano, encontró que la tasa
de inflación afecta la tasa de morosidad, debido a que la pérdida de poder adquisitivo de
50
los agentes económicos reduce el nivel de liquidez, lo que origina un mayor nivel de
morosidad. Asimismo, para el caso de la economía peruana el incremento en la inflación
origina la pérdida de poder adquisitivo de los agentes y genera el incremento en la tasa
de morosidad del sistema bancario.
Adicionalmente, se corroboró que la tasa del tipo de cambio se relaciona con la

morosidad en el sistema bancario y su efecto no es significativo en el corto plazo, sin
embargo es significativo en el mediano plazo. Este resultado coincide con las
conclusiones de las investigaciones de Cruz et al. (2001) que mencionan que el
incremento del tipo de cambio origina la depreciación de la moneda, que a su vez
incrementa la morosidad del sistema en el corto plazo. De igual modo, Salcedo (2012)
señaló que el tipo de cambio es un determinante de la tasa de morosidad.
En el caso peruano, el efecto de un shock que incrementa el tipo de cambio

origina que la morosidad del sistema bancario se incremente en el sexto mes de manera
significativa. A pesar de las medidas reguladoras implementadas por el Banco Central de
Reserva para disminuir el nivel de dolarización de los créditos del sistema bancario, el
riesgo bancario aún está presente, por tal motivo, frente a una depreciación de la moneda
nacional, el tipo de cambio se incrementa, lo que resta liquidez a los agentes con créditos
en moneda extranjera que perciben sus rentas en moneda nacional, magnificando los
efectos sobre la tasa de morosidad del sistema bancario.
4.3. Conclusiones
A continuación se presentan las conclusiones de la investigación:
1. Los determinantes macroeconómicos evaluados en el modelo VAR tales como la

tasa de desempleo, la inflación y la tasa del tipo de cambio se relacionan con la
tasa de morosidad del sistema bancario para el caso peruano, durante el periodo
2005-1 al 2016-10.
2. Al respecto, se identificó que para el caso peruano, la tasa de desempleo se

relaciona positivamente y su efecto es significativo en la tasa de morosidad del
sistema bancario durante el periodo de análisis en todos los rezagos del modelo.
3. Por otro lado, se determinó que para la economía peruana, la inflación se

relaciona positivamente con la morosidad, sin embargo su efecto no es
significativo en los primeros seis rezagos en la tasa de morosidad del sistema
bancario peruano. No obstante, la inflación es significativa en el séptimo rezago.
51
4. Por otra parte, se estableció que para el caso peruano, la tasa del tipo de cambio
se relaciona con la morosidad en el sistema bancario y su efecto no es
significativo en los cinco primeros rezagos, sin embargo es significativo en el
sexto rezago.
5. Finalmente, se aprecia que la tasa de desempleo causa en el sentido de Granger

a la tasa de morosidad del sistema bancario peruano.
4.4. Recomendaciones
Para terminar con el análisis de la investigación, se presentan las siguientes

recomendaciones:
1. Considerando que la investigación fue realizada con el objetivo de evaluar los

determinantes macroeconómicos que afectaron el desempeño de la tasa de
morosidad del sistema bancario, se recomienda realizar un estudio en el que se
aborden también variables microeconómicas.
2. Adicionalmente sería interesante, incorporar al análisis de las variaciones de la

tasa de morosidad del sistema bancario, variables económicas de orden externo
como por ejemplo la tasa de interés de la Reserva Federal de los Estados Unidos
FED para evaluar el efecto contagio.
3. Finalmente, se recomienda que el ente regulador de la economía, formule las

políticas macroeconómicas que considere necesarias para regular y asegurar la
sostenibilidad del sistema bancario peruano, tales como: a) promover el
endeudamiento de los agentes económicos en la moneda en la que perciben sus
ingresos con el objetivo de disminuir el riesgo cambiario; b) establecer encajes
diferenciados al sistema bancario peruano en moneda nacional y extranjera para
prevenir el endeudamiento desproporcionado; c) fortalecer el sistema bancario
peruano implementando encajes más elevados a los productos bancarios con un
alto nivel de morosidad para desalentar un mayor volumen de la oferta de créditos
de estos productos y prevenir el riesgo de crisis del sistema bancario frente al
incumplimiento de pago de los agentes económicos; d) implementar modelos de
seguimiento y supervisión de la morosidad del sistema bancario; e) definir las
metas de inflación para dar sostenibilidad a la estructura de las operaciones del
sistema bancario; y f) vigilar la tasa de desempleo de los agentes económicos.
52
BIBLIOGRAFÍA
Agarwal, S., & Liu, C. (2003). Determinants of credit card delinquency and bankruptcy:
Macroeconomic factors. Journal of Economic and Finance, 27(1), 75-84.
Aguilar, G., Camargo, G., & Saravia, R. (2004). Análisis de la Morosidad en el Sistema
Bancario Peruano. Instituto de Estudios Peruanos, Lima.
Álvarez, E. (2014). Análisis de la Morosidad de las Instituciones Microfinancieras en el

Perú 2002:01-2011:12. (Tesis de licenciatura). Universidad Nacional de Piura,
Piura.
Asociación de Bancos del Perú. (2015a). Balance de la banca peruana 2015. (Asbanc
Semanal N° 180, Año 4). Departamento de Estudios Económicos, Lima.
Asociación de Bancos del Perú. (2015b). Memoria Anual 2014. (Asbanc Semanal N° 180,
Año 4). Departamento de Estudios Económicos, Lima.
Asociación de Bancos del Perú. (2016). Análisis del comportamiento de la morosidad.

(Asbanc Semanal N° 185, Año 5). Departamento de Estudios Económicos, Lima.
Banco Central de Reserva del Perú. (2010). Memoria 2009. Lima.
Banco Central de Reserva del Perú. (2014). BCRP dicta medidas para impulsar la
desdolarización del crédito. (Nota informativa 31 de diciembre). Lima.
Banco Central de Reserva del Perú. (2016a). Reporte de Estabilidad Financiera. Lima.
Banco Central de Reserva del Perú. (2016b). Reporte de Inflación. Panorama actual y
proyecciones macroeconómicas 2016-2018. Lima.
Banco de Crédito del Perú. (2016). Reporte Anual 2015. Lima.
Banco de México. (2009). Reporte sobre el Sistema Financiero. Ciudad de México.
Cermeño, R., León, J., & Mantilla, G. (2011). Determinantes de la Morosidad: Un estudio
panel para el caso de las cajas municipales de ahorro y crédito del Perú, 2003-
2010. Centro de Investigación y Docencia Económica A. C. Ciudad de México.
Chavarín, R. (2015). Morosidad en el pago de créditos y rentabilidad de la banca

comercial en México. Revista Mexicana de Economía y Finanzas, 10(1), 73-85.
53
Climent-Serrano, S., & Pavía, J. (2014). An analysis of loan default determinants: the
Spanish case. Banks and Bank Systems, 9(4), 116-123.
Comisión Nacional Bancaria y de Valores (s.f.). Glosario de términos Portafolio de

información. Ciudad de México.
Cruz, O., Durán, R., & Muñoz, E. (2001). Sensibilidad de la razón de morosidad y liquidez
del sistema bancario nacional ante cambios en el entorno: un enfoque utilizando
datos de panel. (Documento de trabajo elaborado en la División Económica,
Departamento de Investigaciones Económicas). Banco Central de Costa Rica,
San José.
Díaz, O. (2009). Determinantes del ratio de morosidad en el sistema financiero boliviano.

(Documento de trabajo No 01/2009). Banco Central de Bolivia, Cochabamba.
Deng, Y., Quigley, J., & Van Order, R. (2000). Mortgage terminations, heterogeneity and
the exercise of mortgage options. Econometrica, 68(2), 275-307.
Frkovich, I., Jara, V., Rodríguez, L., & Dentone, L. (2016). Correlación entre el ciclo
económico y la morosidad del crédito consumo bajo la influencia de la tasa de
interés activa de la banca múltiple en el Perú entre los años 2009 – 2014. (Tesis
de licenciatura). Universidad Peruana de Ciencias Aplicadas, Lima.
Giraldo, W. (2010). Determinantes de la morosidad de la cartera en el sistema financiero

colombiano. (Tesis de maestría). Universidad Icesi, Santiago de Cali.
Lizarzaburu, E., & Del Bríob, J. (2016). Evolución del sistema financiero peruano y su
reputación bajo el índice Merco. Período: 2010-2014. Suma de negocios, 7(2016),
94–112.
Mabvure, J., Gwangwava, E., Faitira, M., Mutibvu, C., & Kamoyo, M. (2012). Non
Performing loans in Commercial Banks: A case of CBZ Bank Limited In Zimbabwe.
Interdisciplinary Journal of Contemporary Research in Business, 4(7), 467-488.
Quiñonez, E., & Gonzáles, A. (2005). Determinantes de la Morosidad en el Sistema

Bancario de Ecuador 1995-2005.
Salcedo, A. (2012). Nivel de Morosidad: Determinantes Macroeconómicos y pruebas de

estrés para el Sistema Financiero Dominicano. (Tesis de maestría). Universidad
Católica Santo Domingo, Santo Domingo.
54
Sellan, E. (2011). Estudio de la morosidad en el sector bancario del Ecuador. (Tesis de
licenciatura). Universidad de Guayaquil, Guayaquil.
Serra, C., & Zuñiga, Z. (2002). Identificando bancos en problemas. ¿Cómo debe medir la
autoridad bancaria la fragilidad financiera?. Revista Estudios Económicos, (8), 77-
124.
Tarron, K., & Sukrishnalall, P. (2009). The determinants of non-performing loans: an

econometric case study of Guyana. Munich Personal RePEc Archive, (Paper
No. 53128), pp. 1-25.
Torrent, M. (2010). La morosidad de bancos y cajas: tasa de morosidad y canje de

créditos por activos inmobiliarios. (Nota Técnica N° 1). Institut d’Estudis Financers,
Barcelona.
Vallcorba, M., & Delgado, J. (2007). Determinantes de la morosidad bancaria en una

economía dolarizada. El caso uruguayo. (Documentos de Trabajo. Nº 0722).
Banco de España, Madrid.
Veloz, A., & Benou de Gomez, G. (2007). Determinantes de fragilidad del sistema
bancario en la república dominicana: una aplicación micro-macro de modelos de
alerta temprana. Ciencia y Sociedad, 32(1), 69-87.
Viswanadham, N., & Nahid, B. (2015). Determinants of Non Performing Loans in

Commercial Banks: A Study of NBC Bank Dodoma Tanzania. International Journal
of Finance & Banking Studies, 4(1), 70-94.
55
ANEXOS
Anexo 1. Series mensuales de las Variables DMOR, DTDES, VIPC, VTC para el
periodo enero de 2005 a octubre de 2016.
DMOR DTDES VIPC VTC
2005M01 0.075077 4.232439 0.100151 -0.391759

2005M02 -0.022413 -2.435540 -0.234662 -0.287291
2005M03 -0.170000 -0.161557 0.650238 0.014868
2005M04 -0.150000 -0.741265 0.118823 -0.041712
2005M05 -0.140000 0.587845 0.126331 -0.094202
2005M06 -0.300000 -1.187428 0.263742 -0.065104
2005M07 -0.070000 -0.514127 0.104611 -0.021805
2005M08 -0.030000 1.469409 -0.179606 0.162614
2005M09 -0.220000 -0.713261 -0.094278 1.540576
2005M10 -0.090000 -1.406065 0.144780 2.215041
2005M11 -0.080000 0.709187 0.068046 -0.139443
2005M12 -0.370000 -1.019762 0.419251 1.428118
2006M01 0.120000 2.834565 0.499583 -0.905014
2006M02 0.030000 -1.520960 0.548037 -3.081678
2006M03 -0.190000 -1.158395 0.457364 1.538623
2006M04 0.000000 1.727299 0.510006 -0.233529
2006M05 -0.020000 -0.132983 -0.527869 -1.575459
2006M06 -0.080000 -1.321876 -0.132580 -0.456738
2006M07 0.030000 0.196530 -0.170441 -0.642276
2006M08 -0.100000 0.863999 0.139281 -0.268682
2006M09 -0.070000 -0.904182 0.027433 0.412806
2006M10 0.010000 -1.012980 0.043789 -0.316637
2006M11 -0.060000 1.346024 -0.282155 -0.474425
2006M12 -0.180000 -1.030228 0.025811 -0.520762
2007M01 0.040000 4.070677 0.009428 -0.399829
2007M02 -0.010000 -2.085743 0.259468 -0.068912
2007M03 -0.030000 -1.141646 0.348835 -0.146894
2007M04 0.070000 0.942398 0.178207 -0.229914
2007M05 -0.080000 -1.237759 0.491871 -0.340904
2007M06 -0.060000 -0.423501 0.469693 0.086677
2007M07 0.000000 0.578262 0.475544 -0.293070
2007M08 0.020000 -0.210959 0.136908 -0.086281
2007M09 -0.070000 0.391753 0.612501 -0.703152
2007M10 -0.030000 -0.923010 0.314014 -3.702560
2007M11 -0.100000 0.512325 0.110988 -0.624652
2007M12 -0.120000 -1.003182 0.453124 -0.673942
2008M01 0.140000 2.450819 0.222046 -1.021775
2008M02 -0.020000 1.143027 0.907019 -1.519097
2008M03 -0.020000 -2.538056 1.041851 -3.255169
2008M04 -0.050000 0.525991 0.154219 -2.243301
2008M05 0.000000 -0.666657 0.369492 2.063978
2008M06 -0.100000 -0.506339 0.769602 3.103500
2008M07 0.010000 1.803060 0.555472 -1.493643
2008M08 -0.010000 -0.549781 0.590485 1.540532
2008M09 -0.020000 -0.880629 0.567202 2.542307
2008M10 0.000000 -0.403398 0.613132 3.685908
2008M11 0.070000 0.571212 0.309020 0.544030
56
2008M12 0.010000 0.214762 0.360224 0.707856
2009M01 0.070000 2.209605 0.105779 1.199509
2009M02 0.090000 -0.917145 -0.074787 2.697449
2009M03 -0.020000 -1.210426 0.360220 -1.895856
2009M04 0.110000 0.528345 0.019011 -2.826902
2009M05 0.060000 -0.256190 -0.043005 -2.948923
2009M06 0.040000 -0.184025 -0.339577 -0.119364
2009M07 0.020000 -0.416438 0.186710 0.736465
2009M08 0.050000 0.909290 -0.207425 -2.056511
2009M09 -0.110000 -1.932420 -0.087186 -1.385795
2009M10 0.050000 0.430650 0.122626 -1.302011
2009M11 -0.010000 0.279315 -0.112068 0.443106
2009M12 -0.060000 1.390753 0.317107 -0.243589
2010M01 0.100000 0.352534 0.295920 -0.730630
2010M02 0.010000 1.245765 0.322508 -0.086646
2010M03 0.060000 -2.840398 0.280812 -0.514804
2010M04 -0.010000 1.097395 0.025357 0.019984
2010M05 0.040000 -2.092395 0.237860 0.198954
2010M06 -0.100000 0.515074 0.250849 -0.261817
2010M07 0.150000 0.043210 0.363955 -0.536784
2010M08 -0.060000 0.472126 0.268515 -0.736569
2010M09 -0.110000 0.189013 -0.032008 -0.406401
2010M10 -0.010000 -0.027522 -0.141722 0.030052
2010M11 -0.040000 -0.954630 0.007905 0.505834
2010M12 -0.100000 -0.379885 0.178466 0.359274
2011M01 0.060000 2.870707 0.390436 -1.016715
2011M02 -0.020000 1.706782 0.382321 -0.592836
2011M03 -0.020000 -3.684632 0.702468 0.320023
2011M04 0.000000 0.329692 0.680913 1.303892
2011M05 0.000000 -1.006101 -0.023706 -1.444763
2011M06 0.000000 0.532017 0.099143 -0.392113
2011M07 0.030000 -0.498233 0.792952 -0.823265
2011M08 0.030000 0.118348 0.265818 -0.070581
2011M09 -0.030000 1.225656 0.334184 0.162809
2011M10 0.030000 -1.271663 0.314850 -0.437923
2011M11 -0.050000 -0.798167 0.431423 -0.983687
2011M12 -0.050000 1.837222 0.270909 -0.321234
2012M01 0.070000 1.278181 -0.101322 -0.133669
2012M02 0.060000 -1.373006 0.324909 -0.339266
2012M03 0.020000 1.116411 0.766016 -0.466693
2012M04 0.090000 -1.542777 0.531540 -0.523108
2012M05 0.010000 -2.105094 0.039261 0.460851
2012M06 0.010000 0.927860 -0.036695 0.048788
2012M07 -0.010000 0.871574 0.090359 -1.330327
2012M08 0.030000 -0.418742 0.508401 -0.723760
2012M09 -0.030000 -0.627946 0.542706 -0.503682
2012M10 0.070000 -0.071327 -0.163323 -0.583986
2012M11 0.000000 -0.282106 -0.137469 0.426070
2012M12 -0.040000 -0.496381 0.258775 -1.221266
2013M01 0.130000 2.321082 0.115418 -0.583578
2013M02 0.030000 -1.010414 -0.087143 1.024470
2013M03 0.090000 -1.304784 0.905941 0.616540
2013M04 0.060000 -0.094572 0.252386 0.136959
2013M05 0.040000 1.602714 0.193586 1.805057
2013M06 -0.040000 -1.230221 0.261798 3.899341
2013M07 0.050000 0.432457 0.548479 1.063304
2013M08 0.000000 -0.662229 0.542905 0.901202
2013M09 0.010000 1.371407 0.108780 -0.826868
2013M10 0.050000 -1.304369 0.038272 -0.340189
57
2013M11 0.010000 -0.126127 -0.218243 1.047479
2013M12 -0.040000 1.314396 0.165818 -0.460130
2014M01 0.140000 0.895725 0.316847 0.850258
2014M02 0.020000 -0.380057 0.600839 0.132370
2014M03 0.040000 -0.617804 0.518559 -0.222888
2014M04 0.030000 -0.936059 0.393222 -0.427809
2014M05 0.080000 0.109515 0.225030 -0.264775
2014M06 -0.090000 0.361122 0.159178 0.260566
2014M07 0.080000 -0.293150 0.433313 -0.291416
2014M08 0.020000 0.411437 -0.085620 1.018664
2014M09 -0.050000 -0.961661 0.160503 1.757995
2014M10 0.060000 0.797490 0.378858 1.469678
2014M11 -0.010000 -0.649964 -0.149461 0.654826
2014M12 0.010000 0.272774 0.228892 1.245267
2015M01 0.110000 2.749085 0.170296 1.486578
2015M02 0.000000 -1.417892 0.303469 2.428860
2015M03 -0.040000 -0.901371 0.764664 0.427374
2015M04 0.060000 1.694475 0.390506 0.914411
2015M05 0.070000 -0.255888 0.564365 0.977499
2015M06 0.020000 -1.936933 0.332341 0.342430
2015M07 0.040000 1.013098 0.450786 0.633040
2015M08 -0.030000 -0.000266 0.377226 1.795116
2015M09 -0.120000 -0.134626 0.027538 -0.609677
2015M10 0.070000 -1.653408 0.142799 0.924664
2015M11 -0.030000 1.569844 0.344072 2.717293
2015M12 -0.080000 -0.085580 0.445721 1.379345
2016M01 0.100000 1.207998 0.372520 1.615836
2016M02 0.070000 -0.189483 0.174091 1.995149
2016M03 -0.010000 -0.062392 0.598118 -2.810225
2016M04 0.070000 -0.471292 0.011407 -3.106002
2016M05 0.090000 0.937859 0.209564 0.974684
2016M06 0.010000 -0.849992 0.139509 -0.514615
2016M07 -0.020000 0.268636 0.081747 -0.537742
2016M08 0.060000 -0.285484 0.358286 1.040053
2016M09 -0.050000 -0.977829 0.206464 1.477628
2016M10 0.090000 0.378418 0.413355 0.108120
Fuente: Banco Central de Reserva del Perú y La Superintendencia de Banca, Seguros y
Elaboración propia
58
Anexo 2. Prueba de Raíz Unitaria de las Variables DMOR, DTDES, VIPC, VTC que
fueron incorporadas al modelo VAR
Null Hypothesis: DMOR has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.883753
10% level -2.578694
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(DMOR)
Method: Least Squares
Date: 01/10/17 Time: 21:59
Variable Coefficient Std. Error t-Statistic Prob.
DMOR(-1) -0.581867 0.124889 -4.659061 0.0000

D(DMOR(-1)) -0.524408 0.126870 -4.133433 0.0001
D(DMOR(-2)) -0.448496 0.131870 -3.401054 0.0009
D(DMOR(-3)) -0.361385 0.135036 -2.676206 0.0085
D(DMOR(-4)) -0.287398 0.133740 -2.148936 0.0337
D(DMOR(-5)) -0.326221 0.133641 -2.441022 0.0161
D(DMOR(-6)) -0.247581 0.135051 -1.833243 0.0693
D(DMOR(-7)) -0.372333 0.128996 -2.886388 0.0046
D(DMOR(-8)) -0.532370 0.122605 -4.342162 0.0000
D(DMOR(-9)) -0.381320 0.115915 -3.289640 0.0013
D(DMOR(-10)) -0.396061 0.101368 -3.907143 0.0002
D(DMOR(-11)) -0.304324 0.072626 -4.190257 0.0001
C 0.009138 0.004592 1.989754 0.0490
R-squared 0.782356 Mean dependent var 0.003538

Adjusted R-squared 0.760033 S.D. dependent var 0.103803
S.E. of regression 0.050849 Akaike info criterion -3.025267
Sum squared resid 0.302519 Schwarz criterion -2.738514
Log likelihood 209.6424 Hannan-Quinn criter. -2.908749
F-statistic 35.04788 Durbin-Watson stat 1.951250
Prob(F-statistic) 0.000000
59
Null Hypothesis: DTDES has a unit root
Exogenous: Constant
t-Statistic Prob.*

5% level -2.883579
10% level -2.578601

Dependent Variable: D(DTDES)
Date: 01/10/17 Time: 22:01
DTDES(-1) -7.716292 0.767752 -10.05051 0.0000

D(DTDES(-1)) 5.943710 0.727130 8.174209 0.0000
D(DTDES(-2)) 5.145606 0.672568 7.650688 0.0000
D(DTDES(-3)) 4.501101 0.611549 7.360157 0.0000
D(DTDES(-4)) 3.870755 0.542588 7.133877 0.0000
D(DTDES(-5)) 3.231473 0.466647 6.924872 0.0000
D(DTDES(-6)) 2.698948 0.383254 7.042188 0.0000
D(DTDES(-7)) 2.167593 0.303653 7.138396 0.0000
D(DTDES(-8)) 1.634915 0.225145 7.261598 0.0000
D(DTDES(-9)) 0.988420 0.148028 6.677241 0.0000
D(DTDES(-10)) 0.454627 0.076125 5.972113 0.0000
C -0.168978 0.080455 -2.100285 0.0378
R-squared 0.820036 Mean dependent var -0.002525

S.E. of regression 0.898758 Akaike info criterion 2.711525
Sum squared resid 96.12406 Schwarz criterion 2.974902
Log likelihood -165.6049 Hannan-Quinn criter. 2.818547
60
Null Hypothesis: VIPC has a unit root
Exogenous: Constant
t-Statistic Prob.*

5% level -2.881978
10% level -2.577747

Dependent Variable: D(VIPC)
Date: 01/10/17 Time: 22:01
VIPC(-1) -0.690176 0.080665 -8.556071 0.0000

C 0.173494 0.029809 5.820122 0.0000

61
Null Hypothesis: VTC has a unit root
Exogenous: Constant
t-Statistic Prob.*

5% level -2.881978
10% level -2.577747

Dependent Variable: D(VTC)
Date: 01/10/17 Time: 22:02
VTC(-1) -0.633325 0.078878 -8.029150 0.0000

C 0.022578 0.102884 0.219454 0.8266

62

0061 Castro

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

0061 Castro

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDAD SAN IGNACIO DE LOYOLA

FACULTAD DE CIENCIAS EMPRESARIALES

“Determinantes de la Morosidad en el Sistema Bancario en una

Tesis para optar el título profesional de licenciado en:

Fiorella Lizbeth Jaramillo Cano

Angella Emperatriz Trevejo Curi

Mg. Robles Lara, Jesús

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

Dr. Leopoldo Taddei Diez

Mag. Canales Rimachi, Jaime

Mag. Urbina Padilla, Dante

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

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

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

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

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

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

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

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

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

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

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

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

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

Al respecto se han realizado diversas investigaciones que analizan la relación

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

1.1. Planteamiento del problema

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

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

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

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

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

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

1.2. Formulación del problema

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

1.3. Justificación de la investigación

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

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

1.4. Objetivos de la investigación

1.4.1. Objetivo General

La investigación propone identificar los determinantes macroeconómicos de la

1.4.2. Objetivos Específicos

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

1.5. Hipótesis de la investigación

1.5.1. Hipótesis General

La investigación plantea como hipótesis general que los determinantes

1.5.2. Hipótesis Específicas

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

2.1.1. Investigaciones Nacionales

A continuación, se presentan los alcances encontrados en las investigaciones

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

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

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

2.1.2. Investigaciones Internacionales

En el ámbito internacional se encontraron los siguientes estudios empíricos sobre

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

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

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

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

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

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

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

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

2.2.2. Factores macroeconómicos que determinan la morosidad