BANCO CENTRAL DE RESERVA DEL PERÚ

Efectos No-Lineales entre el Riesgo Cambiario Crediticio y la

Depreciación

Pablo Julio Azabache La Torre*

*Banco Central de Reserva del Perú

Los puntos de vista expresados en este documento de trabajo corresponden al del autor y no reflejan necesariamente la posición del Banco Central de Reserva del Perú

The views expressed in this paper are those of the author and do not reflect necessarily

the position of the Central Reserve Bank of Peru

Efectos No-Lineales entre el Riesgo Cambiario Crediticio y la Depreciación†

Pablo J. Azabache La Torre±

Banco Central de Reserva del Perú

Primera versión: abril 2006, esta versión: Julio 2007

Resumen Este estudio evalúa de manera empírica la existencia del Riesgo Cambiario Crediticio, así como un posible efecto no-lineal entre los shocks de tipo de cambio y su efecto sobre la mora en moneda extranjera; en ambos casos para el sistema bancario peruano. Siendo la principal fuente de financiamiento de las empresas y familias peruanas el crédito bancario, el que está altamente dolarizado, un incremento del tipo de cambio se traduce en un encarecimiento del pago del servicio de sus deudas en dólares en términos de soles con respecto a sus ingresos. Esto les genera problemas de liquidez que lleva a los prestatarios a incumplir con sus obligaciones financieras. Es decir el riesgo cambiario de las empresas y familias se convierte en el riesgo crediticio de los bancos; lo que se ve reflejado en el incremento de la mora de la cartera de créditos en moneda extranjera (variable proxy del riesgo cambiario crediticio). Se encuentra evidencia que la volatilidad del tipo de cambio afecta negativamente la calidad de la cartera de créditos de los bancos. Y se comprueba la existencia de efectos no-lineales entre el tamaño del shock del tipo de cambio y la mora de la cartera de créditos en moneda extranjera de los bancos peruanos (MME). Se estima que el umbral de depreciación a partir del cual la MME se incrementa fuertemente es de 7,6 por ciento. Las razones detrás de estos resultados son: i) la fuerte dolarización de la cartera de créditos de los bancos, ii) el alto grado de apalancamiento de las empresas y familias, y iii) el alto grado de descalce cambiario en la posición de balance de los prestatarios. Clasificación JEL: C33, C32, E31, E51, G21, G28 Palabras Clave: Modelo Umbral, Datos de Panel Dinámico, Descalce Cambiario, Riesgo Cambiario Crediticio, Efecto no-lineal.

† Esta investigación ocupó el primer puesto en el concurso de investigación para jóvenes economistas 2005-2006 organizado por el Banco Central de Reserva del Perú. El autor agradece a Gustavo Leyva Jiménez (Universidad de Chile) y Nelson Ramírez Rondan (Banco Central de Reserva del Perú) por las sugerencias realizadas durante el desarrollo de la presente investigación. Finalmente quiero agradecer a Yalina Crispin Velásquez (Universidad Nacional de Trujillo) por su excelente asistencia de investigación. Los puntos de vista expresados en el presente documento corresponden a los del autor y no reflejan necesariamente la posición del Banco Central de Reserva del Perú. ± Subgerencia de Política Monetaria, Banco Central de Reserva del Perú; e-mail pablo.azabache@bcrp.gob.pe a20065025@pucp.edu.pe

1

1. Introducción Muchas economías latinoamericanas presentan un alto grado de dolarización financiera. Asimismo, éstas se caracterizan por lo siguiente: i) los bancos calzan sus depósitos en moneda extranjera con préstamos en moneda extranjera, ii) un alto porcentaje de préstamos se concentra en el sector no transable de la economía, y iii) tanto empresas como familias presentan un alto grado de descalce cambiario en la posición de sus balances. Una economía cuyos agentes presentan un fuerte descalce cambiario en sus balances es vulnerable en el sentido financiero a las variaciones de tipo de cambio. Un incremento del tipo de cambio eleva el costo de los préstamos en moneda extranjera en términos de la moneda doméstica. Debido a que las empresas y familias generan mayormente sus ingresos en moneda doméstica, este mayor costo financiero producto del incremento del tipo de cambio eleva su riesgo de liquidez. Si este problema persiste se convierte en un problema de solvencia, afectando las decisiones de consumo e inversión de las empresas y familias. A nivel agregado estas decisiones contraerán la demanda agregada y el producto, reforzando el efecto negativo del shock de tipo cambio inicial. Los problemas de hoja de balance de las empresas y familias se trasladan al sistema bancario debilitando su posición financiera. Los bancos al buscar cubrirse del riesgo cambiario a través de los préstamos en dólares trasladan el descalce cambiario desde sus balances a los balances de los prestatarios. Cuando las empresas y familias presentan problemas de liquidez, por los shocks de tipo de cambio, éstas dejan de cumplir con sus obligaciones financieras con los bancos; lo que se refleja en un incremento de los créditos atrasados, en cobranza judicial y refinanciados. Es así como el efecto negativo de los shocks de naturaleza cambiaria se trasladan desde el balance de las empresas y familias al balance de los bancos. Así, la dolarización financiera introduce un riesgo derivado el cual combina el riesgo cambiario y el riesgo crediticio; el cual es llamado Riesgo Cambiario Crediticio (RCC). Un indicador de este riesgo es la mora de la cartera de créditos en moneda extranjera (MME). Lo anterior plantea que shocks de naturaleza cambiaria tendrían un impacto negativo en la calidad de la cartera de los bancos, visto en un incremento de la MME. En los países industrializados el mayor riesgo de crédito (incremento de la mora bancaria), es consecuencia de la caída de la actividad económica; sin embargo en países con dolarización financiera parcial este mayor riesgo de crédito es consecuencia tanto de la caída del producto como del efecto negativo de los shocks de tipo de cambio. Se plantea que existe un umbral de depreciación a partir del cual se activa el mecanismo de transmisión del RCC. Luego de analizar el mecanismo de transmisión del RCC surge una interrogante: ¿El efecto negativo de los shocks de tipo de cambio se da para cualquier magnitud de depreciación? Si bien es cierto que un incremento del tipo de cambio incrementa el costo de las deudas en ME en términos de la moneda doméstica; esto per se no implica que las empresas y familias dejen de pagar sus obligaciones financieras con los bancos. Es a partir de un umbral de depreciación que tanto el balance de empresas y familias se ven afectados negativamente de manera importante; lo que genera la activación del mecanismo de transmisión del RCC, y en consecuencia el incremento de la MME. La presente investigación tiene dos objetivos. Por un lado se busca analizar la existencia del RCC en el sistema bancario peruano, y en segundo lugar determinar si existen efectos no-lineales entre el grado de depreciación y el RCC. La no-linealidad es definida como: Leves shocks de tipo de cambio no afectaran a la MME o será de manera marginal; sin embargo a partir de cierto umbral de depreciación la MME se incrementará fuertemente debilitando de manera importante la posición financiera de los bancos.

2

Para el logro del primer objetivo se utiliza la técnica de datos de panel dinámico. El modelo planteado considera como variable endógena a la MME, y como variables explicativas la inflación, ciclo económico y depreciación. Se utiliza una muestra de 14 bancos y el periodo de análisis es desde enero de 1997 hasta diciembre de 2000, periodo en el cual se dio la crisis bancaria peruana de fines de los años 90. Para determinar la existencia del umbral de depreciación a partir del cual se activa el mecanismo de transmisión del riesgo cambiario crediticio, utilizamos técnicas econométricas desarrolladas por Hansen y Caner (2004). Se plantea un modelo umbral (threshold model), que introduce a la MME como variable endógena, y a la inflación, actividad económica y depreciación como variables explicativas; siendo la depreciación la variable umbral (threshold variable). La estimación se realiza en tres etapas. Primero estimamos los parámetros del modelo umbral en su forma reducida; en la segunda etapa se estima el valor del umbral de depreciación usando los valores predichos de la variable endógena (MME); y finalmente utilizando el umbral estimado dividimos la muestra en dos regimenes, y estimamos los parámetros (slope parameters) para cada régimen. Los resultados de la estimación del modelo de datos de panel dinámico confirman la existencia del riesgo cambiario crediticio en la economía peruana; así se encuentra que la depreciación del nuevo sol ocurrida durante el periodo 1997-2000 deterioró la calidad de la cartera de créditos en moneda extranjera de la banca peruana. Los resultados del modelo umbral determinan la existencia de efectos no-lineales entre el grado de depreciación y el RCC. Se estima que el umbral de depreciación a partir del cual se activa el RCC es de 7,6 por ciento. Por debajo de este umbral de depreciación la MME se deteriora como mínimo en 1,8 por ciento, y por encima de este umbral la MME se puede incrementar hasta en 14,5 por ciento. Estos resultados son importantes toda vez que dan a conocer a partir de que umbral de depreciación un shock de tipo de cambio es pernicioso para la banca y la economía en general. El documento se organiza de la siguiente manera. En la sección 2 se presenta la revisión de literatura. En la sección 3, 4 y 5 se analiza el mecanismo de transmisión del riesgo cambiario crediticio, incluyendo las características de la economía peruana que llevaron a la activación de este riesgo. En la sección 6 se presenta la metodología de estimación y los resultados. Finalmente, en la sección 7 se presentan las conclusiones. 2. Revisión de literatura Una característica notable de la economía peruana es la alta dolarización de sus pasivos y activos, lo que la hace particularmente vulnerable a shocks de naturaleza cambiaria. Dado que la principal fuente de financiamiento de la economía peruana es el crédito bancario, es importante evaluar el canal por el cual la vulnerabilidad cambiaria de los balances de las empresas y familias activada por un shock de tipo de cambio se refleja en el deterioro de los balances de las empresas bancarias. La literatura ha enfatizado el rol de un tipo de riesgo financiero presente únicamente en economías que sufren un descalce cambiario. Este riesgo no es más que el riesgo crediticio condicionado al riesgo cambiario; el cual ha sido llamado por la Superintendencia de Banca, Seguros y AFP como “Riesgo Cambiario Crediticio”. Sin embargo, pocos trabajos han abordado su importancia de manera explícita. A continuación presentamos algunos estudios referenciales que han mencionado la existencia de este riesgo pero de manera indirecta.

3

Allen et al. (2002) plantean una estructura analítica para entender las crisis financieras en países emergentes basándose en el análisis de los balances agregados (activos y pasivos) de los principales sectores de la economía (sector gobierno, sector financiero, sector privado no financiero, además del resto del mundo). Con respecto al sector financiero, identifican cuatro principales riesgos, a saber, el de estructura de capital, de solvencia, de plazos y de moneda. Según estos autores, la mayoría de episodios de crisis fueron provocados por un problema de descalce, ya sea a nivel de gobierno (como en los casos de México, Rusia, Brasil y Argentina) o de sistema bancario (en Tailandia, Corea, Indonesia, Turquía y probablemente Uruguay). Los autores encuentran que un fuerte incremento en el tipo de cambio puede generar pérdidas considerables en los prestatarios. Los bancos al buscar cubrirse del riesgo cambiario a través de los préstamos en dólares trasladan el descalce cambiario de sus balances a los balances de los prestatarios. Sin embargo, esto genera un trade-off entre mitigar el riesgo cambiario y una mayor exposición al riesgo de crédito, exposición que no se genera si los préstamos son orientados al sector exportador. Los autores explican que un fuerte incremento en el tipo de cambio, genera un efecto ingreso y riqueza negativo, producto del incremento en el valor real de las obligaciones de los deudores respecto al valor de sus activos, lo cual incrementa el riesgo de solvencia de los prestatarios, convirtiéndose de este modo en el riesgo de crédito de los prestamistas. El efecto riqueza disminuye el consumo y la inversión, lo cual unido a la restricción crediticia disminuye el gasto que finalmente afecta a la actividad económica. Este es el canal a través del cual los problemas de pago de un sector se expanden rápidamente a la economía en su conjunto. De Nicoló et al. (2003) evalúan los beneficios y los riesgos asociados con la dolarización de los sistemas bancarios, y encuentran que la inestabilidad financiera es probablemente más alta en economías dolarizadas, siendo los riesgos adicionales de solvencia y liquidez las causas de la fragilidad de estos sistemas. Adicionalmente, encuentran que el descalce de monedas es el origen del riesgo de solvencia. Así, una depreciación importante afecta de manera negativa, directa o indirectamente, la calidad de los balances de los bancos, en particular la calidad de la cartera de créditos. Estos autores dan la siguiente explicación para los riesgos adicionales de solvencia: los bancos buscan balancear la posición de sus pasivos en dólares, reducir el riesgo cambiario, otorgando préstamos en moneda extranjera dentro de la economía o intentando crear activos en el exterior. En el primer caso los bancos trasladan el riesgo cambiario a los prestatarios del sistema. Sin embargo, debido a que la dolarización real no está muy acentuada, por lo que los prestatarios generan sus ingresos en moneda doméstica, se incrementa su exposición al riesgo de crédito, la cual se exacerbará cuando se produzca una depreciación importante de la moneda doméstica que induzca a una disminución en la capacidad de pago de los deudores. Así, los bancos al reducir el riesgo cambiario, dolarizando los créditos, no hacen más que aumentar el riesgo de crédito de sus operaciones de préstamo. Además, el deterioro de la situación financiera de los bancos, producto de una importante depreciación, puede tener efectos negativos considerables en el sistema financiero y el producto, sobre todo en economías que dependen mucho del financiamiento bancario (típico de economías emergentes). De esta manera, si los bancos restringen el crédito, a causa de los hechos mencionados anteriormente y si el entorno macroeconómico es desfavorable, la recesión económica se agudizará. Escobar (2004) analiza el efecto de las variaciones del tipo de cambio sobre la actividad de intermediación financiera de Bolivia durante el periodo 1990-2003. El autor sostiene que al producirse una mayor depreciación del tipo de cambio, los deudores del sistema financiero, en particular los del sector no transable, ven incrementar tanto las tasas de interés reales de sus préstamos como el capital adeudado de los mismos. De esta manera, una mayor depreciación real de la moneda doméstica (diferencial entre la tasa de depreciación y la inflación) aumenta la tasa de interés real y el capital adeudado, generando efectos negativos sobre la capacidad de pago de los prestatarios, los cuales son transmitidos al sistema

4

financiero a través del deterioro de la cartera de créditos de los bancos. Esto afecta negativamente las condiciones de los créditos existentes, así como de los nuevos créditos. Finalmente, en un reciente estudio, Azabache (2005) aproxima la importancia del riesgo cambiario crediticio en economías con sistemas bancarios parcialmente dolarizados, como Perú y Bolivia. Analiza la relación y la dinámica que presenta la morosidad bancaria ante shocks en el tipo de cambio, inflación y actividad económica, para el sistema bancario peruano y boliviano. Los resultados muestran que el mecanismo de transmisión del riesgo cambiario crediticio actúa con mayor rapidez en Bolivia respecto al de Perú. Adicionalmente, a través de la estimación del impacto de las variaciones del tipo de cambio en la calidad de cartera de los bancos de ambos países, encuentra que la morosidad del sistema bancario peruano es menos sensible a los shocks de tipo de cambio en comparación a la de Bolivia. 3. Canal de transmisión del riesgo cambiario crediticio El RCC se gesta en una estructura económica donde: i) existe un alto grado de dolarización financiera, ii) los bancos calzan sus depósitos en moneda extranjera con préstamos en moneda extranjera (véase cuadro 1); iii) una alta proporción de préstamos se concentra en el sector no transable de la economía, y iv) tanto empresas como familias presentan un alto grado de descalce cambiario (véase cuadro 2). La primera y segunda característica muestran como los bancos trasladan el riego cambiario desde sus balances hacia el de las familias; las dos características restantes generan que los balances de las empresas y familias incrementen su vulnerabilidad a shocks de tipo de cambio. Es importante mencionar que los gobiernos de los países altamente dolarizados también enfrentan el RCC, ya que recaudan sus ingresos en moneda doméstica y realizan pagos por el servicio de la deuda en moneda extranjera; en la presente investigación esto último no es analizado. Cuadro N° 1: América Latina: Dolarización de depósitos y créditos

(en porcentaje del total de depósitos) (en porcentaje del total de préstamos)

1990 2001 2002 2003 2004 2001 2002 2003 2004

Argentina 47,2 71,5 4,2 6,7 10,7 80,0 72,0 71,0 14,1Bolivia 80,7 91,5 90,8 90,0 85,3 97,0 97,3 97,7 97,7Brasil 0,0 6,1 6,5 - 6,5 18,0 19,4 - 12,0Chile 16,3 14,0 12,8 13,2 11,9 13,8 13,0 10,3 10,3Colombia 0,3 0,5 0,4 0,0 2,0 11,0 11,6 8,8 6,1Costa Rica 26,8 49,1 50,0 50,2 56,6 67,2 53,0 55,5 53,3República Dominicana 1 2,2 23,9 26,1 27,5 25,1 27,6 30,9 37,0 27,3Ecuador 13,3 100,0 100,0 100,0 100,0 100,0 100,0 100,0 100,0El Salvador 4,1 100,0 100,0 100,0 100,0 100,0 100,0 100,0 100,0Guatemala 0,0 5,1 8,8 12,4 14,9 - 15,3 16,7 17,7Honduras 1,8 33,4 34,2 35,1 35,7 22,2 22,8 26,4 30,9México 10,1 8,1 4,6 4,5 5,4 20,5 12,9 12,3 9,8Nicaragua 40,3 70,6 72,1 69,6 68,7 83,6 83,1 84,3 85,0Paraguay 2 33,9 66,6 68,7 63,0 47,0 52,8 58,2 55,7 51,7Perú 62,5 74,3 73,2 70,6 64,1 80,5 79,7 77,9 75,9Uruguay 88,6 83,0 90,0 93,0 83,0 66,0 81,0 76,0 10,0Venezuela - 0,2 0,2 0,2 0,1 0,7 0,8 0,7 0,6

Depósitos denominados en moneda extranjera Préstamos denominados en moneda extranjera

Fuente: Bancos centrales; y estimados del personal técnico del FMI 1. Para la República Dominicana y el Paraguay, la columna de 1990 se refiere a datos de 1996. 2. Coeficientes de préstamos para Uruguay incluye sólo préstamos a residentes.

5

6

Cuadro N° 2: Obligaciones corporativas denominadas en dólares, 2001 (Como porcentaje de las obligaciones totales)

Todas las empresas No exportadoras

Argentina 60,1 53,8Bolivia 52,9 47,9Brasil 20,4 21,5chile 20,5 13,8Colombia 6,4 5,1Costa Rica 64,3 n,aMéxico 33,3 14,5Perú 63,5 61,3Uruguay 77,6 77,5Venenzuela 34,3 n,a

Fuente: Banco Interamericano de Desarrollo Así, las características mencionadas anteriormente crean el contexto para que se geste el RCC, siendo el mecanismos de transmisión de este riesgo el siguiente:

Las empresas y familias presentan un alto grado de descalce cambiario entre sus pasivos (que usualmente están denominados en moneda extranjera) y, sus ingresos y activos. Éstas se endeudan en alto grado en moneda extranjera, no obstante que generan sus ingresos en moneda doméstica; es decir producen bienes cuyos precios no se mueven con el tipo de cambio (la dolarización real es parcial). Así, ante una fuerte depreciación, las empresas y familias, ven incrementado el valor de sus deudas en moneda extranjera en términos de su moneda doméstica más que el valor de sus activos e ingresos en moneda doméstica. Esto compromete su capacidad de cumplir con el pago del servicio de sus deudas (interés más principal), en consecuencia la calidad de la cartera de los bancos se deteriora; esto último se refleja en el incremento del ratio de morosidad de los bancos; y es así como: “el riesgo cambiario de las empresas y familias, producto del descalce de sus balances, se convierte en el riesgo crediticio de los bancos”.

En el corto plazo se genera un problema de liquidez, el cual si se mantiene se convierte en uno de solvencia que limitará la capacidad de endeudamiento. Este deterioro llevará a las empresas a reducir sus niveles de inversión y producción (efecto hoja de balance). Luego, si el shock de tipo de cambio es suficientemente grande puede llevar a las empresas a la quiebra.

Fuerte incremento del tipo de cambio

Efecto ingreso negativo Efecto riqueza negativo

Disminuye el consumo

Se restringe los créditos Disminuye la inversión

Se eleva el costo financiero de las deudas en dólares en términos

de soles

Los prestatarios dejan de pagar sus obligaciones financieras

Los prestatarios enfrentan problemas de solvencia

Se incrementa la morosidad de los bancos

7

Gráfico N° 1: MECANISMO DE TRANSMISIÓN DEL RIESGO CAMBIARIO CREDITICIO

Cabe mencionar que la activación del mecanismo de transmisión del riesgo cambiario crediticio ante shocks cambiarios, bajo el contexto de las cuatro características mencionadas anteriormente, se basa en parte en lo que la literatura económica ha llamado el “acelerador financiero”. Este mecanismo considera la existencia de asimetrías en el mercado de préstamos, además vincula el crédito bancario a la situación de hoja de balance de los prestatarios; de esta manera es como se magnifica el efecto de shocks sobre las decisiones de inversión y producción, incrementando la volatilidad del producto. De otro lado, cabe la posibilidad que existan efectos no-lineales entre la depreciación y el riesgo cambiario crediticio. Si bien ante un incremento del tipo de cambio las empresas y familias ven incrementadas sus deudas en moneda extranjera en términos de moneda doméstica, esto no necesariamente causará que se incumplan los compromisos de pago con los bancos, y no necesariamente se activará el efecto hoja de balance; el cual determina la activación del canal de transmisión del riesgo cambiario crediticio. Así, la devaluación del tipo de cambio per se no es una condición suficiente para que se active el efecto hoja de balance de las firmas y que los bancos vean incrementar su morosidad. Este efecto se dará bajo cierto contexto económico, además de ciertas condiciones financieras de las empresas (tales como el nivel de apalancamiento y el grado de descalce cambiario). Finalmente, también jugará un rol importante el tamaño del shock de tipo de cambio, es decir podrían existir efectos no-lineales entre la depreciación y sus efectos en el sector real y financiero. Un trabajo referencial a lo mencionado en el párrafo anterior es el de Moron y Castro (2004), los autores formalizan el grado de descalce en una economía, permitiendo que la noción de vulnerabilidad esté en función del grado de descalce, y construyen un modelo de equilibrio general donde éste depende de las decisiones de la autoridad monetaria en materia de política cambiaria. Adicionalmente, a través de un VAR asimétrico, encuentran que existen asimetrías en la respuesta del producto y los precios a shocks cambiarios de distinta magnitud; es decir, que los “efectos de hoja de balance” se activan a partir de determinado tamaño de shock cambiario. 4. Características de la economía peruana Después de analizar el mecanismo de transmisión del RCC, podemos ver que los efectos perniciosos de la volatilidad del tipo de cambio pueden ser analizados desde dos puntos de vista. El primero se enfoca en el efecto sobre el balance de las firmas, las que ven afectadas sus decisiones de inversión y producción; que a nivel agregado se refleja en una caída del producto. El segundo es ver el efecto sobre el sistema bancario; el incremento del tipo de cambio genera que las empresas tengan problemas de liquidez lo que les impide cumplir con sus obligaciones financieras (riego cambiario de las empresas se convierte en el riesgo crediticio de los bancos) lo que se refleja en el incremento de la morosidad de la cartera de créditos en moneda extranjera de los bancos. En la presente investigación se toma el segundo enfoque, ya que analizaremos los efectos de la depreciación del nuevo sol sobre los balances de las empresas bancarias. Antes de proceder a realizar la contrastación empírica analizamos si la economía peruana presenta las características para que se geste el RCC. a. Empresas no financieras Las empresas que tienen bajos niveles de apalancamiento tienen una menor exposición a las variaciones del tipo de cambio, esto pese a que sus deudas estén altamente dolarizadas; sólo en caso de devaluaciones inesperadas muy altas su situación patrimonial se deterioraría. En cambio, cuando el grado de apalancamiento y el porcentaje de la deuda es elevado, aún movimientos pequeños en el tipo de cambio deteriorarían la posición financiera de la firma. Si el grado de apalancamiento y el

8

descalce cambiario del agregado de las firmas son altos, las depreciaciones del tipo de cambio tendrán un efecto negativo en la economía en su conjunto. Caso contrario tendrá efectos aislados en un pequeño número de firmas sin mayor repercusión en el agregado de la economía. Cuadro N° 3: Ratio de dolarización de deuda

Ratio de dolarización de

deuda Ratio de deuda de corto

plazo Media Mediana Media Mediana

1994 53,7 53,1 74,8 78,3 1995 58,3 62,5 74,8 78,5 1996 59,9 62,2 75,0 76,8 1997 59,1 62,8 72,8 76,1 1998 67,2 74,0 70,9 72,2 1999 64,5 72,5 69,5 72,0 2000 62,7 66,7 65,4 64,8 2001 63,5 71,6 62,1 57,7

Fuente: Carranza, Cayo y Galdon-Sanchez (2003) Cuadro N° 4: nivel agregado de apalancamiento de las firmas

<0.5 05<a<0.75 0.75<a<1 a>1 1999 38% 11% 9% 42% 2000 39% 10% 11% 40% 2001 39% 11% 9% 41% 2002 36% 14% 8% 42% 2003 34% 15% 8% 44% 2004 35% 14% 8% 42% 2005 35% 14% 8% 42% 2006 35% 14% 8% 42%

Fuente: Balances de empresa – CONASEV Durante el periodo 1994-2001, las firmas peruanas han mantenido un ratio de dolarización de su deuda por encima del 50 por ciento; y más del 40 por ciento de las firmas presentan un apalancamiento superior al 100 por ciento de su patrimonio neto1 (ver cuadro 3 y 4). Así, las firmas peruanas presentan las características financieras que crean las condiciones necesarias para que ante una fuerte depreciación del nuevo sol el canal de hoja de balance se active.

b. Sistema bancario El sistema financiero peruano es predominantemente bancario. La importancia de esta fuente de financiamiento en comparación con otras fuentes más directas (a través del mercado de capitales) puede ser aproximada mediante el grado de intermediación de los fondos provenientes de ambas fuentes. Así, la intermediación financiera de los créditos calculada como el cociente entre el total de créditos del sistema bancario al sector privado y el PBI se sitúa alrededor de 19% a diciembre del 2004, mientras que la intermediación financiera de capitales –medida como el cociente entre el saldo de los bonos públicos y privados, y PBI- se sitúa en un modesto 8%. Si bien, desde 1999 se observa un proceso lento de sustitución, el crédito bancario sigue siendo la fuente principal de financiamiento de la economía peruana (véase el gráfico 2).

1 Información de los estados financieros auditados de 143 firmas que cotizan en la Bolsa de Valores de Lima.

9

Gráfico N° 2: Ratios de Intermediación Financiera del Sistema Bancario y Mercado de Capitales (En porcentaje sobre el PBI)*

0

5

10

15

20

25

30

1997 1998 1999 2000 2001 2002 2003 2004

Crédito total bancario al sectorprivado/PBI

Saldo de bonos totales/PBI

Fuente: Banco Central de Reserva del Perú * Las series fueron deflactadas siguiendo el procedimiento descrito en Beck, Dermigüc-Kunt y Levine (1999). A inicios de la década de los noventa se dio el programa de estabilización, la liberalización de la cuenta de capitales, y la reforma del sistema financiero. Esto hizo posible la expansión de la banca, a partir del año 1993, y su creciente importancia dentro del sistema financiero. Consecuentemente estas medidas generaron la entrada de capitales externos a la banca nacional2, el ingreso de inversión extranjera directa en el sector, el crecimiento de la participación de las colocaciones en sus activos y la mejora de los indicadores de gestión (Rojas y Acosta, 2002). El crecimiento de la banca estuvo acompañado de un proceso de dolarización de activos y pasivos. El fondeo de la banca peruana se dio principalmente en moneda extranjera. Las captaciones del público y los adeudos y obligaciones financieras, en moneda extranjera, crecieron a una tasa promedio anual de 26,6% y 84,8% respectivamente durante el periodo 1994-1998. Asimismo desde el año 1995 se comenzaron a captar recursos de empresas del sistema financiero y organismos internacionales.

2 Durante el periodo 1993-2002 ingresaron 18 bancos extranjeros.

10

Gráfico N° 3: Colocaciones y Depósitos (En Millones de Soles)

0

5 000

10 000

15 000

20 000

25 000

30 000

35 000

40 000

45 000

Dic-93

Dic-94

Dic-95

Dic-96

Dic-97

Dic-98

Dic-99

Dic-00

Dic-01

Dic-02

Dic-03

Dic-04

Dic-05

Dic-06

Cartera ME Cartera MN Depósitos MN Depósitos ME

Fuente: Superintendencia de Banca, Seguros y AFP En consecuencia, las colocaciones se incrementaron fuertemente durante el periodo 1993-1998, principalmente las de moneda extranjera (ver gráfico N° 3). Los bancos calzaron sus depósitos en dólares con los préstamos en dólares. Esto debido a que los bancos buscaron protegerse contra el riesgo cambiario; además de cumplir con regulaciones prudenciales de no mantener posiciones abiertas en moneda extranjera3. Los préstamos en moneda extranjera crecieron a una tasa promedio anual de 44% durante el periodo 1994 hasta 1998.

Gráfico N° 4: Costo del Crédito en Moneda nacional y Extranjera

-2%

8%

18%

28%

38%

48%

58%

68%

78%

Ene-93

Ene-94

Ene-95

Ene-96

Ene-97

Ene-98

Ene-99

Ene-00

Ene-01

Ene-02

Ene-03

Ene-04

Ene-05

TAMN TAMEX "TAMEX-MN" TAMEX-MN-R Fuente: Superintendencia de Banca, Seguros y AFP

3 Ver: artículo 178° de la Ley General del Sistema Financiero y del Sistema de Seguros y Orgánica de la Superintendencia de Banca y Seguros de Perú, Resolución S.B.S. N° 509-98 y Resolución S.B.S. N° 1455-2003.

11

Adicionalmente, los prestatarios tuvieron incentivos para tomar préstamos en dólares. Este comportamiento se debió a que el costo del crédito en moneda extranjera era considerablemente menor respecto al de moneda nacional (véase figura N° 4). De acuerdo a la teoría de la paridad de las tasas de interés, la tasa de interés doméstica es igual a la tasa de interés en moneda extranjera más la depreciación esperada del tipo de cambio. Sin embargo, asumiendo previsión perfecta – perfect foresight –, esto no ha ocurrido así. Adicionalmente, durante el periodo anterior a la crisis, la inflación fue mayor que la depreciación, por lo que la capacidad adquisitiva de los deudores en términos de dólares no se vio afectada. 5. Activación del riesgo cambiario crediticio en la economía peruana ¿Por qué se activó el riesgo cambiario crediticio? El descalce cambiario de los deudores no evidenció mayores problemas hasta inicios del año 1997, año a partir del cual la economía estuvo sujeta a diversos choques tanto internos como externos. Hasta antes de los choques, tanto la depreciación como la inflación mantenían una tendencia a la baja, mas aún durante el periodo octubre de 1993 hasta diciembre de 1996 la inflación fue mayor que la depreciación; por lo que se tenía una depreciación neta de inflación negativa o cercana a cero. Al existir una depreciación neta de inflación cercana a cero se tuvo un efecto precio positivo, debido al incremento del ingreso de las empresas, que compensó parcialmente el leve incremento de la deuda en dólares en términos de soles. Adicionalmente, la actividad económica mantenía un buen desempeño, lo que generaba un efecto ingreso positivo a causa del incremento de las ventas, que reforzaba el efecto precio. Así también, las colocaciones seguían manteniendo una fuerte expansión, más créditos nuevos, que disminuían el ratio de cartera atrasada o deteriorada sobre el total de colocaciones brutas, es decir existía un efecto denominador que reducía los índices de morosidad. Sin embargo, las fuertes depreciaciones del tipo de cambio, el bajo coeficiente de transmisión de la depreciación a inflación, la caída de la actividad económica y la contracción del crédito activaron el riesgo cambiario crediticio (ver gráfico N° 5). Los choques internos y externos sucedidos durante el periodo 1997-1999 afectaron la solidez del sistema bancario peruano. El dos de julio de 1997 se inicia la crisis Asiática (fecha de la devaluación del bath tailandés), la cual afectó a las economías de países emergentes. En Sudamérica, países como Chile, Colombia, Brasil y Venezuela adoptaron medidas para contrarrestar la volatilidad de sus tipos de cambio y detener la pérdida de reservas internacionales en un intento por defender sus monedas. En el Perú los efectos fueron menores debido a los fundamentos macroeconómicos que sustentaban la economía en ese entonces. Sin embargo, el 17 de agosto de 1998 Rusia declara la moratoria en el pago de su deuda la cual fue acompañada por la desestabilización del rublo. Esto generó una crisis de liquidez internacional. En América Latina las tasas de interés y la percepción el riesgo país aumentaron. En Perú, el impacto de la crisis de liquidez, luego de los sucesos en Rusia, se manifestó a través de una fuerte contracción del crédito bancario debido al recorte importante de las líneas de crédito que recibía la banca local de bancos internacionales. Y finalmente el 13 de enero de 1999 se dio la crisis brasilera (el real inicio su transición a un régimen de tipo de cambio flotante), la que acentuó la contracción del crédito bancario y de la actividad económica e indujo al alza a las tasas de interés.

12

Gráfico N° 5: Activación del Riesgo cambiario Crediticio

-3

-2

-1

0

1

2

3

4

5

1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

variación moradepreciación

inflaciónciclo

Depreciación netade inflación negativao cercana a cero

Se activa el RiesgoCambiario Credit icio

Depreciación netade inflación cercanaa cero

Efecto ingreso yriqueza negativo

Fuente: Superintendencia de Banca, Seguros y AFP y Banco Central de Reserva del Perú 6. Evaluación Empírica 6.1. Método de estimación de Panel Data Debido al componente autorregresivo de los índices de morosidad, se utiliza una estructura de datos de panel dinámico, según la metodología desarrollada por Arellano y Bond (1991) y Arellano y Bover (1995). Debido a que nuestro modelo también incluye variables exógenas consideramos el modelo extendido.

En la ecuación (1a) se presenta el modelo extendido de datos de panel dinámico propuesto por Arellano y Bond (1991).

itiittiit xyy υηβα +++= −*´

)1( (1a)

En este se puede incluir (k-1) variables explicativas independientes. La metodología desarrollada para modelos de datos de panel dinámico, es la del método generalizado de momentos (MGM), planteada por Arellano y Bond (1991), y Arellano y Bover (1995). Estos autores sugieren utilizar la primera diferencia de la ecuación de regresión para remover el efecto específico de cada individuo (banco). Sin embargo, si bien este procedimiento soluciona el problema del efecto específico de

13

cada individuo, introduce una correlación entre el nuevo término de error y el rezago de la variable dependiente. Debido ha esto último, estos autores proponen usar los rezagos de las variables explicativas en niveles como instrumentos, para señalar la correlación y el problema de endogeneidad. Adicionalmente, es importante mencionar que al estimar el modelo en primera diferencias de series integradas de orden uno, se estaría garantizando la estacionariedad de los regresores. Luego, el modelo de la ecuación (1a) puede ser expresado de la siguiente forma:

itiitit xy υηδ ++= ´ (2a)

Donde es de dimensión kx1, y ´*´)1( )( ittiit xyx −= itυ no está serialmente correlacionado. Estos autores,

suponen inicialmente que está correlacionado con *itx iη . Así, bajo este supuesto, la forma de la

matriz óptima de instrumentos dependerá si son variables predeterminadas o estrictamente exógenas.

*itx

Si las variables son predeterminadas, es decir para s < t y cero en otros casos,

entonces únicamente son instrumentos validos para la ecuación en diferencia para el periodo s.

0)( * ≠isitxE υ*

)1(*1,..., −sii xx

Luego si las variables son estrictamente exógenas, es decir para todo t, s, todos los

serán instrumentos validos. Lógicamente la matriz puede incluir una combinación de ambas variables.

0)( * =isitxE υ*itx *

itx

Arellano y Bond encuentran que la forma del estimador GMM es igual a:

__

1__

´´)´´( yZZAXXZZAX NN−

∧

=δ (3a)

Así la elección de producirá estimadores una etapa (one-step) o dos etapas (two-step). Sin embargo, Alonso-Borrego y Arellano (1999) y Blundell y Bond (1998) muestran que si los rezagos de la variable dependiente y de las variables explicativas son persistentes sobre el tiempo, los rezagos de los niveles de estas variables son instrumentos débiles para la regresión en diferencias. A esto, Arellano y Bover (1995) proponen un método alternativo que estima la regresión en diferencia conjuntamente con la regresión en niveles.

NA

Finalmente, la consistencia del estimador GMM depende de la validez de dos supuestos: i) el término de error, itυ , no exhibe correlación serial de segundo orden y ii) la validez de los instrumentos (ver Arrellano y Bond, 1991).

14

6.2. Metodología Threshold Model Para determinar la existencia de umbrales de depreciación a partir del cual se activa el mecanismo de transmisión del riesgo cambiario crediticio, utilizamos técnicas econométricas desarrolladas por Hansen y Caner (2004). Estos autores desarrollan un estimador y una teoría de inferencia para modelos lineales con variables endógenas y una variable umbral exógena. El modelo divide la muestra en regímenes o clases basándose en el valor de una variable observada, ya sea que ésta exceda o no algún umbral. Se deriva una teoría de distribución para muestras largas para los parámetros estimados y para los test estadísticos. El estimador se basa en la estimación de una regresión de forma reducida para las variables endógenas como una función de instrumentos exógenos. Esto requiere el desarrollo de un modelo donde la media condicional de las variables endógenas esté en función de las variables exógenas. Luego, basados en la forma reducida, valores predichos para las variables endógenas son formados y sustituidos dentro de la ecuación estructural de interés. La minimización de mínimos cuadrados produce el umbral estimado. La estimación de los parámetros para los regímenes (slope parameters) de esta ecuación se realiza en la tercera etapa, donde la muestra es dividida en base al umbral estimado, y a través de un convencional mínimos cuadrados en dos etapas (2SLS) o una estimación por el método generalizado de momentos (GMM) es usado para la estimación en cada sub muestra. Si bien los autores demuestran que los estimadores son consistentes, desconocen la eficiencia de éstos. El análisis estadístico del umbral estimado proviene de Hansen (2000) por usar una estructura asintótica de “small threshold”. Específicamente, la diferencia en las regresiones slope entre regiones es modelada como decreciente a medida que el tamaño de la muestra crece. Este artificio reduce la tasa de convergencia del umbral estimado y permite el desarrollo de una aproximación distribucional simple. El análisis es por lo tanto probablemente más relevante en aplicaciones empíricas donde el efecto umbral es “menor”. El supuesto de “small threshold” primero fue desarrollado en la literatura de cambio de punto (change-point) por Picard (1985) y Bai (1997). El modelo La ecuación estructural de interés es de la siguiente forma:

iii ezy += ´1θ γ≤iq ,

iii ezy += ´2θ γ>iq ,

La cual puede ser escrita de la siguiente manera:

iiiiii eqzqzy +>+≤= )(1)(1 ´2

´1 γθγθ (1b)

Así, la muestra observada es . Donde son valores reales, es un vector-m, y

es una vector-k con . La variable umbral

niiii xzy 1},,{ = iy iz ix

mk ≥ )( ii xqq = es un elemento (o función) del vector

y debe tener una distribución continua. Asimismo, el umbral,ix γ , es desconocido y necesita ser estimado. El modelo permite que los parámetros slope, 1θ y 2θ , sean diferentes dependiendo del valor de . Así, la magnitud del efecto umbral viene a ser la diferencia entre estos parámetros. El análisis del estimador umbral utilizará una estructura asintótica de “small threshold”; donde

iq

12 θθδ −=n tenderá a cero lentamente a medida que n diverge. Esto no se interpreta como un supuesto de

15

comportamiento si no más bien como un artificio para la construcción de una útil aproximación asintótica. Luego, la ecuación de error es una martingala (martingale difference sequence):

0)/( 1 =−iieE ξ (2b) Donde son medidos con respecto a ),( ii zx 1−iξ , el campo sigma generado por

. Es importante que el error satisfaga este fuerte supuesto, ya que el simple supuesto de ortogonalidad es insuficiente para identificar modelos no-lineales, incluyendo los modelos umbral.

}0:,,{ 1 ≥−−−− jezx jijiji ie

En el caso especial donde , (2b) implica que (1b) es una regresión, pero en general

puede estar correlacionado con , así será exógena. Esto es importante para el presente análisis

y para métodos donde la variable umbral es tratada como exógena.

ii zx = ie

iz iz

iq La forma reducida de la ecuación (1b), es un modelo de la expectativa condicional de dado : iz ix

iii uxgz += ),( π , (3b)

0)/( =ii xuE , (4b) Donde π es un vector parámetro px1, y traza un mapa de a (.,.)g pk RxR mR , y es mx1. Se asume que la función g es conocida, mientras que el parámetro

iuπ es desconocido. Por simplicidad,

cuando ejecutamos la evaluación el valor verdadero se escribirá como:

),( 0πii xgg = , Este cambio será útil para sustituir (3b) dentro de (1b), produciendo:

iiiiii qgqgy υγθγθ +>+≤= )(1)(1 ´2

´1 , (5b)

Donde

iiiiii eququ +>+≤= )(1)(1 ´2

´1 γθγθυ . (6b)

Este cambio será importante, como es conocido que la teoría asintótica de primer orden para nuestro estimado de γ se comportará como si hubiera sido estimado directamente de la ecuación (5b); es decir como si la media condicional de fuera observable. El error ig iυ (ecuación 6b) juega un rol importante en esta teoría de distribución. Así, el modelo planteado por Hansen y Caner (2004) se aplicaría a diversos modelos de forma reducida. Los autores explícitamente proveen condiciones de regularidad para dos ejemplos. Uno es para la regresión lineal:

ii xxg Π′=),( π , (7b) Donde es k x m. Π Y el segundo es para un modelo de regresiones umbral:

16

)(1)(1),( 21 ρρ >Π′+≤Π′=Π iiiii qxqxxg . (8b)

n esta última especificación, el parámetro umbral de la forma reducida E ρ puede igualar al umbral γ en la ecuación estructural, pero esto es no necesario, y esta restricción no será usada en la

timación. Para el modelo, el análisis asintótico asumirá que 21es Π≠Π son parámetros fijos (en contraste a 1θ y 2θ ). Estimación

ansen y Caner (2004) estiman los parámetros secuencialmente. Primero, estiman los parámetros Hde la forma reducida,π , por mínimos cuadrados (LS). Seguidamente, estiman el umbral,γ , usando valores predichos de s variables endógenas iz . Y finalmente, estiman los parámetros pe, 1la slo θ y

2θ , por mínimos cuadrados en dos etapas (2SLS) o por el método generalizado de mome os MM) sobre la muestra divida en regímenes, lo cual fue realizado teniendo en cuenta el umbral

estimado

nt(G

γ . a) Forma reducida

s útil dividir la matriz , donde

E ),( 21 iii zzz = ii xz ∈2 , y éstos son “exógenos” (una función de

1 ilarmente, div gix ) y z endógenos. Sim idimos ), ggi ( 21= , de tal manera que los parámetros de

reducida la forma π entren únicamente en g .

1

Debido a que (3b) es una regresión, el parámetro de la forma reducida,π , es estimado por mínimos

dr

(9b)

ado

cuadrados (LS). Si no hay restricciones transversales (es decir parámetros comunes) en las m ecuaciones, esto es ecuación por ecuación por mínimos cuadrados (para cada variable en iz1 ). Si hay restricciones transversales en la ecuación, luego el estimador de mínimos cua ados multivariado resuelve lo siguiente:

))),())(,((det(ˆ1

1111minarg ∑=

′−−=n

iiiii xgzxgz πππ

π

D π , los valores predichos de son: iz

)ˆ,(ˆˆ πiii xggz == .

n el caso del modelo de regresión umbral (8b) el parámetro E ρ es común a través de la ecuación

ara cada

(una restricción transversal a la ecuación), así el estimador multivariado (9b) es apropiado. Y la solución será la siguiente: P Γ∈ρ se define:

)(1(1)(ˆ1

1

1

11 ρρρ ≤′⎟

⎠

⎞⎜⎝

⎛≤′=Π ∑∑

=

−

=i

n

iiiii

n

ii qzxqxx ,

)(1(1)(ˆ1

1

1

12 ρρρ >′⎟

⎠

⎞⎜⎝

⎛>′=Π ∑∑

=

−

=i

n

iiiii

n

ii qzxqxx ,

17

)(1)(ˆ)(1)(ˆ)(ˆ 211 ρρρρρ >′Π−≤′Π−= iiiiii qxqxzu . Luego se obtiene los estimadores de (9b) por el criterio de minimización de mínimos cuadrados:

⎟⎠

⎞⎜⎝

⎛ ′= ∑=Γ∈

)(ˆ)(ˆdetˆ1

minarg ρρρρ

n

iii uu ,

)ˆ(ˆˆ 11 ρΠ=Π , )ˆ(ˆˆ 22 ρΠ=Π .

Para este modelo de la forma reducida, los valores predichos son:

)ˆ(1ˆ)ˆ(1ˆˆˆ 21 ρρ >Π′+≤Π′== iiiiii qxqxgz . b) Estimación del Umbral Ahora estimamos el umbral (γ ) en la ecuación estructural. Para cualquier γ , permitimos que

y denoten las matrices de vectores stacked para , ,ˆ, γZY ⊥Z iy )(1ˆ γ≤′ ii qz , y )(1ˆ γ>′ ii qz

respectivamente. Permitimos que )(γnS denote la suma residual de los errores al cuadrado de una

regresión de sobre y . El estimador de Mínimos Cuadrados en dos Etapas de Y γZ ⊥Z γ es la minimización de las suma de errores al cuadrado de:

)(minargˆ γγγ

nSΓ∈

= .

Como producto de la estimación, se obtiene los test estadísticos para la hipótesis sobre γ , la cual toma la forma 00 : γγ =H . Siguiendo a Hansen (2000), se considera el estadístico de verosimilitud (LR-like):

)ˆ()ˆ()()(

γγγγ

n

nnn S

SSnLR −=

c) Estimación de los parámetros slope Dado el umbral estimado ( γ ) del umbral verdadero γ , la muestra puede ser divida en dos sub muestras, esto se basa en los indicadores )ˆ(1 γ≤iq y )ˆ(1 γ>iq . Los parámetros slope, 1θ y 2θ , pueden ser estimados por 2SLS o GMM separadamente sobre cada sub muestra. Hansen y Caner (2004) centran su discusión sobre el caso donde la forma reducida es lineal en en cada sub muestra.

ix

Las siguientes matrices denotan las matrices de vectores stacked para 2121

ˆ,ˆ,ˆ,ˆ ZyZXX)ˆ(1 γ≤′ ii qx , )ˆ(1 γ>′ ii qx , )ˆ(1 γ≤′ ii qz , y )ˆ(1 γ>′ ii qz respectivamente.

Así, el estimador 2SLS para 1θ y 2θ será:

18

)ˆ)ˆˆ(ˆˆ()ˆˆ)ˆˆ(ˆˆ(~1

11111

111

111111 YXXXXZZXXXXZ ′′′′′′= −−−θ ,

)ˆ)ˆˆ(ˆˆ()ˆˆ)ˆˆ(ˆˆ(~2

12222

122

122222 YXXXXZZXXXXZ ′′′′′′= −−−θ .

Los residuos de esta ecuación son:

)ˆ(1~)ˆ(1~~21 γθγθ >′−≤′−= iiiiii qzqzye .

Construyendo las matrices de pesos:

∑=

≤′=Ωn

iiiii qexx

1

21 )ˆ(1~~ γ ,

∑=

>′=Ωn

iiiii qexx

1

22 )ˆ(1~~ γ .

El estimador GMM para 1θ y 2θ será:

)ˆ~ˆˆ()ˆˆ~ˆˆ(~1

1111

111

11111 YXXZZXXZ ′Ω′′Ω′= −−−θ , (10b)

)ˆ~ˆˆ()ˆˆ~ˆˆ(~2

1222

122

12222 YXXZZXXZ ′Ω′′Ω′= −−−θ . (11b)

Las matrices de covarianza estimadas para el estimador GMM será:

111

11111 )ˆˆ~ˆˆ(ˆ −− ′Ω′= ZXXZV , (12b)

122

12222 )ˆˆ~ˆˆ(ˆ −− ′Ω′= ZXXZV . (13b)

Los estimadores GMM son fácilmente vistos para ser estimadores eficientes de )ˆ,ˆ( 21 θθ ),( 21 θθ bajo las siguientes condiciones de momento:

0))(1( =≤ γiii qexE ,

0))(1( => γiii qexE . Estas ecuaciones son implicadas por el supuesto de asumir escasa multidimensional, pero en general no es exhaustiva estas implicaciones, así los autores sugieren que el estimador GMM no es totalmente eficiente. Sin embargo, bajo el supuesto de homocedasticidad condicional

2 , tanto el estimador 2SLS como el GMM logran el salto hacia la eficiencia semiparamétrica.

12 )/( σξ =−iieE

(14b)

6.3. Descripción de los datos y fuente de información La base de datos para la estimar el panel dinámico comprende desde enero de 1997 hasta diciembre de 2000, periodo en el cual se activó el riesgo cambiario crediticio. Se utilizó los estados financieros de una muestra de 14 bancos: Banco del Comercio, Banco de Crédito, Banco Continental, Banco del Trabajo, Banco Financiero, Banco Interamericano de Finanzas, Banco Santander, Banco Standar Chartered, Banco Sudamericano, Banco Wiese, Banco Citibank, Banco Interbank, Banco NBK y Banco Latino. Para calcular la mora en moneda extranjera de estos bancos se utilizó sus Estados Financieros, frecuencia mensual. Se obtuvo una base de datos de panel que comprende la mora de 14 bancos para un período de 48 meses, obteniéndose una muestra de 672 observaciones, las cuales se reducen de acuerdo al número de rezagos a utilizar en el modelo.

19

Respecto a la base de datos para analizar la relación no-lineal entre depreciación y mora en moneda extranjera (riesgo cambiario crediticio), comprende desde diciembre de 1993 hasta octubre de 2005. Debido a que la metodología a emplear está construida para modelos de serie de tiempo4 o de corte transversal, se utiliza la mora en moneda extranjera a nivel de sistema bancario peruano. Además se utilizó el tipo de cambio venta promedio de mercado, el índice de precios al consumidor y el índice del PBI base 1994 (estas variables se incluyen en ambos modelos). La definición tradicional de MME sólo incluye a la cartera de créditos atrasados. Sin embargo, el surgimiento de créditos refinanciados es producto de los problemas de liquidez de los prestamistas, razón por la cual se ha decidido incluir a los créditos refinanciados en nuestra definición de morosidad.

it

ititit MEBrutasesColocacionTotal

MEdarefinanciaMEatrasadaCarteraMME

+=

Donde: MME = mora de la cartera de créditos en moneda extranjera Cartera atrasada ME = créditos vencidos en ME + créditos en cobranza judicial en ME Refinanciada ME = créditos refinanciados de la cartera en ME Total colocaciones brutas = créditos vigentes ME + cartera atrasada ME + créditos refinanciados ME El subíndice i representa el banco, i= 1..N; y el subíndice t representa el periodo de tiempo (t=1...T). Como se mencionó en el párrafo anterior se ha considerado al ciclo económico y a la inflación como variables de control; esto debido a que la mora también es afectada por variables macroeconómicas. En la siguiente tabla se presenta las fuentes de las variables utilizadas. Cuadro N° 5: FUENTE DE LAS VARIABLES UTILIZADAS

Índice del Producto Bruto Interno (PBI) Banco Central de Reserva del Perú

Índice de Precios al Consumidor Banco Central de Reserva del Perú

Tipo de Cambio Venta Promedio Bancario Banco Central de Reserva del Perú

Balances de Entidades Bancarias Superintendencia de Banca, Seguros y AFP

6.4. Especificación de los modelos a. Existencia del riesgo cambiario crediticio De la discusión abordada se espera que el incremento del tipo de cambio genere un problema de liquidez en la firmas lo que determinará un incumplimiento en sus obligaciones financieras. Algunas empresas podrán refinanciar sus deudas no obstante otro grupo dejará de cumplir totalmente con el pago de sus cuotas. Existen diversas causas por las que la actividad económica se contrae; sean cuales fueren las causas de esta contracción su efecto sobre el balance de las firmas será negativo, llevándolas también a dejar de cumplir con sus compromisos financieros. En el caso del incremento

4 En el anexo 1 se presenta las pruebas de raíz unitaria.

20

de los precios, podría existir un efecto ingresos positivo que les permita seguir honrando sus deudas. Así, el modelo planteado es de la siguiente forma:

ittttjitiit eCicloInfDepMMEMME ++++Δ+=Δ − 3213 βββλα

En la estimación se utiliza la metodología de Método Generalizado de Momentos propuesto por Arellano y Bond (1991) y Arellano y Bover (1995), para datos de panel dinámico. Así, se espera que

el coeficiente 2β y 3β sean negativos y positivo en el caso del coeficiente 1β . b. Modelo umbral: no-linealidad entre la depreciación y el riesgo

cambiario crediticio Se ha planteado la existencia de asimetrías en la activación del riesgo cambiario crediticio frente a shocks cambiarios de distinta magnitud. Esto nos lleva a preguntarnos ¿Son las funciones de regresión idénticas a través de todas las observaciones de la muestra, o éstas caen dentro de una clasificación discreta? Para dar respuesta ha esto y determinar si existen efectos no-lineales entre la magnitud de la depreciación y el riesgo cambiario crediticio se propone el siguiente modelo, el cual considera un solo umbral:

iiiii eDepCicloInfMME +++= ´3

´2

´1 θθθ γ≤iDep ,

iiiii eDepCicloInfMME +++= ´3

´2

´1 βββ γ>iDep ,

El cual puede ser escrito de la siguiente forma:

iiiiiii

iiiiiii

eDepDepDepCicloDepInf

DepDepDepCicloDepInfMME

+>+>+>+

≤+≤+≤=

)(1)(1)(1

)(1)(1)(1´3

´2

´1

´3

´2

´1

γβγβγβ

γθγθγθ

6.5. Resultados a. Panel Data Los resultados de la estimación se presentan en el cuadro N° 6; dado el tamaño de la muestra todos los parámetros estimados se obtuvieron del one-step robusto a heterocedasticidad. Éstos corresponden a un modelo que incluye el segundo rezago tanto del logaritmo del tipo de cambio como del logaritmo del índice de precios al consumidor. El test de Sargan (0.724) y el test de autocorrelación de segundo orden (0.596), validan las restricciones impuestas sobre los momentos poblacionales. Los resultados validan nuestra primera hipótesis; shocks de tipo de cambio deterioran la calidad de la cartera de los bancos, lo cual se refleja en el incremento de la mora. Este resultado se sustenta en el mecanismo de transmisión del riesgo cambiario crediticio, el cual fue expuesto en una sección anterior. Adicionalmente, se encuentra que la actividad económica afecta de manera inversa a la mora bancaria; es decir, existe una relación pro-cíclica entre el ciclo económico y la calidad de la cartera de créditos, cuando la actividad económica se encuentra en la fase expansiva del ciclo económico la calidad de la cartera mejora, este efecto viene a ser la contribución del riesgo crediticio. Se encuentra que la mora bancaria reacciona de manera inversa al incremento de los

21

precios, esto es debido a que la inflación reduce la carga real de la deuda; no obstante, para el periodo de estudio no es estadísticamente significativo. Finalmente, se valida el proceso autorregresivo de la mora; la cual en un punto del tiempo refleja los problemas de liquidez de los deudores, que en muchos casos se extiende por varios periodos; así la mora del presente refleja los problemas de liquidez del pasado. Los resultados muestran que, durante el periodo en el cual se activo el riesgo cambiario crediticio, los shocks de depreciación e inflación tuvieron un efecto con dos periodos de rezago; en el caso del ciclo económico, éste tuvo un efecto inmediato. Estos resultados contrastan con los encontrados por Azabache (2005), no obstante el periodo de estudio y la muestra utilizada por el autor es mayor, la cual incluye el periodo anterior y posterior a la crisis.

CUADRO N° 6: RIESGO CAMBIARIO CREDITICIO Y TIPO DE CAMBIO

Variable Dependiente: mora Variables Explicativas: Sistema GMM

una etapa Mora(-1) Inflación(-2) Ciclo Depreciación(-2) Constante

0.9855817* (0.0093973)

-0.0720282 (0.0483783)

-0.0978583** (0.0348404)

0.0453516** (0.0229398)

0.2792711

(0.1950934) Prueba de sobre identificación de Sargan Prueba de correlación serial de primer orden Prueba de correlación serial de segundo orden Número de bancos Número de observaciones

0.724 0.521 0.596

14 644

*,** y*** significancia al 1%, 5% y 10%, respectivamente. Desviación estándar entre paréntesis. Fuente: Resultado de la estimación

b. Threshold Model Prueba para la existencia de un umbral Primero es importante determinar si el efecto threshold es estadísticamente significativo. En el modelo de la ecuación (1b), el efecto threshold desaparece bajo la hipótesis nula:

210 : θθ =H

22

Pata testear esta hipótesis Hansen y Caner (2004) recomiendan utilizar una extensión del “Sup test” de Davies (1977)5 hacia la estructura de GMM. Así, el estadístico es formado como sigue. Primero, fijamos Γ∈γ a cualquier valor. Dado este umbral fijo, se estima el modelo de la ecuación (1b) por GMM bajo las condiciones de momentos de (14b). Estos estimadores toman la forma de la ecuación (10b) y (11b) excepto que ellos son evaluados en este valor fijo de γ más bien que γ . Correspondientes a estos estimados son sus

matrices de covarianzas estimadas y , las cuales toman la forma de las ecuaciones (12b) y (13b), excepto que de nuevo éstos son evaluados en

)(1 γV )(2 γVγ más bien que γ . Así, el test

estadístico de Wald para será: 0H

))(ˆ)(ˆ())(ˆ)(ˆ())(ˆ)(ˆ()( 211

2121 γθγθγγγθγθγ −+′−= −VVWn Este cálculo es repetido para todo Γ∈γ . Así, el “Davies Sup statistic” para la hipótesis nula es entonces el mayor valor de éstos estadísticos:

)(sup γγ

nWSupWΓ∈

= .

Así, bajo ciertos supuestos Hansen y Carner (2004) presentan la distribución asintótica como:

))()()()()()()()((sup 221

22111

11 γγγγγγγγ

VQSVQSSupW d−−

Γ∈Ω′−Ω′→

121 ))()(( −+× γγ VV

)).()()()()()()()(.( 21

22211

111 γγγγγγγγ SQVSQV −− Ω′−Ω′ Debido a que el parámetro γ es no identificado bajo la hipótesis nula, esta distribución asintótica no es una Chi-cuadrado, pero puede ser escrita como el supremo de un proceso Chi-cuadrado. Esta distribución asintótica no es muy referencial pero fácilmente puede ser calculada por simulación. Así, el argumento presentado por Hansen (1996) se extiende para el presente caso. Definimos la variable seudo-dependiente , donde iii ey ηγ )(ˆ=∗ )(ˆ γie son los residuos estimados bajo el

modelo no restringido para cada γ , y iη es independiente e idénticamente distribuido (i.i.d.) con N(0,1). Entonces cuando se repite el cálculo presentado previamente usando esta variable seudo-dependiente en lugar de , el estadístico resultante tiene la misma distribución asintótica que . Así, por simulación repetida, el asintótico p-value del estadístico puede ser calculado con arbitraria precisión.

iy ∗SupWSupW SupW

Primero evaluamos el desempeño del estimador umbral γ . El gráfico N° 6, muestra el gráfico de la secuencia del ratio verosimilitud como una función de la variable umbral. Se observa que el umbral estimado,

)(γ∗nLR

0.076ˆ =γ 6, es el valor que minimiza el valor del ratio de verosimilitud (nótese que el ratio de verosimilitud es idénticamente cero en el valor del umbral estimado γγ ˆ= ).

5 Davies (1977) supone que la distribución de una variable aleatoria representa el resultado de un experimento, y depende de dos

parámetros, θξ y , y que se desea testear la hipótesis nula: θξ = , frente a la hipótesis alternativa θξ > . Si la distribución no

depende de θ cuando 0=ξ , métodos estándar asintóticos tal como el ratio de verosimilitud no son directamente aplicables. Sin embargo, estos métodos pueden, bajo condiciones apropiadas, ser usados para reducir el problema de una inferencia complicada de un proceso gausiano. 6 En el anexo 2 se presenta los resultados de estimaciones para diferentes periodos de tiempo. El parámetro umbral se sigue manteniendo alrededor de 7,6 por ciento.

23

Asimismo, se gráfica el valor crítico para un nivel de confianza de 90%; las línea punteada de color celeste muestra el valor crítico bajo el supuesto de homocedasticidad (es decir ). Las líneas punteadas de color rojo y fucsia grafican el valor crítico asumiendo heterocedasticidad, la cual es corregida usando varianza cuadrática y varianza de Kernel no-paramétrico respectivamente. Así, los resultados validan nuestra hipótesis de la existencia de efectos no-lineales entre depreciación y riesgo cambiario crediticio, mostrando evidencia razonable de la existencia de un solo umbral.

12 =η

Gráfico N° 6

Fuente: Resultado de la estimación

Si bien se ha validado la existencia del efecto threshold, para el sistema bancario peruano, es importante evaluar que tan preciso es el umbral estimado. Para esto se ha calculado los intervalos de confianza, los cuales se presentan en el cuadro N° 7. Éstos han sido calculados asumiendo homocedasticidad y heterocedasticidad, siendo esta última corregida. Bajo el supuesto de homocedasticidad el intervalo de confianza es cerrado; bajo el supuesto de heterocedasticidad corregida usando varianza cuadrática el intervalo de confianza es apretado, lo que señala la existencia de poca incertidumbre respecto al valor del umbral estimado. Sin embargo, corrigiendo la heterocedasticidas usando varianza Kernel no-paramétrica el intervalo de confianza no es tan ajustado. El cálculo de este umbral, a partir del cual se incrementa la vulnerabilidad del sistema bancario peruano es importante para diversas entidades: Superintendencia de Bancos, Seguros y AFP, Banco Central de Reserva del Perú, Bancos Privados y otros. En el caso de la SBS, es un insumo importante en la elaboración de su metodología de riesgo cambiario crediticio7. Es de utilidad al Banco Central toda vez que le da una referencia a partir de

7 Según la Resolución S.B.S. N° 41-2005, publicada el 14 de enero del 2005, las empresas bajo supervisión deberán realizar la medición del efecto de un shock de tipo de cambio sobre la capacidad de pago sobre la cartera de deudores, al menos con una periodicidad anual cuya fuente de información se encuentre actualizada. Los supuestos de shock cambiario deberán, por lo menos, asumir dos escenarios de depreciación real, uno con 10% y otro con 20% respectivamente como mínimo.

24

que umbral de depreciación, shocks de tipo de cambio tiene efectos negativos sobre el sistema bancario peruano, el cual amplía la volatilidad del ciclo económico. CUADRO N° 7: PRUEBA DE EFECTOS UMBRALES Umbral estimado 0.076213891 Intervalos de Confianza mínimo Máximo No corregido (Homocedasticidad)

0.076213891 0.076213891

Heterocedásticidad Corregida (usando varianza cuadrática)

0.076213891 0.084115966

Heterocedasticidad Corregida (usando varianza kernel no-paramétrico)

0.075626204 0.14516129

Muestra Mora ME del sistema bancario peruano Depreciación, Inflación y Ciclo Económico Periodos Dic.1993- Oct.2005 Observaciones 572

Fuente: Resultado de la estimación Finalmente, en base al umbral estimado, 0.076ˆ =γ , calculamos los parámetros slope, para lo cual dividimos la muestra en dos regímenes. El primero corresponde a un régimen donde los shocks de depreciación tienen un efecto no tan nocivo sobre la calidad de la cartera de los bancos. El segundo, corresponde a un escenario donde los shocks de tipo de cambio generan un fuerte impacto en la calidad de la cartera de los bancos; lo cual incrementa su vulnerabilidad a otros tipos de shocks que combinados pueden llevar a una crisis bancaria. Los signos de los coeficientes estimados son conforme se esperaba. En ambos regímenes tanto la inflación como el ciclo económico tienen un efecto inverso sobre la calidad de la cartera de los bancos; y un shock de tipo de cambio deteriora la calidad de la cartera crediticia. Los parámetros slope estimados muestran que en el primer régimen el efecto de los shocks de inflación, actividad económica y tipo de cambio sobre la mora bancaria son bajos. Sin embargo, en el segundo régimen, el efecto de estos shocks es alto. Es importante evaluar la significancia estadística de nuestros parámetros estimados. En el caso de la inflación, si bien el parámetro estimado exhibe la relación esperada; en ambos regímenes no es estadísticamente significativo. Se observa que el intervalo de confianza, en los dos regímenes pasa de una banda inferior negativa a una banda superior positiva, lo cual da indicios de la poca precisión de nuestro parámetro estimado. La prueba de significancia estadística para el parámetro del ciclo económico muestra resultados interesantes. En el primer régimen, de leves shocks, su efecto sobre la calidad de la cartera no es concluyente, dado que su intervalo de confianza pasa de una banda inferior negativa a una positiva. Sin embargo, en el segundo régimen es estadísticamente significativo; su banda inferior y superior son ambas negativas. Esto es una clara evidencia del efecto negativo de los shocks de actividad económica en épocas de crisis.

25

CUADRO N° 8: EFECTOS NO-LINEALES ENTRE EL RIESGO CAMBIARIO CREDITICIO Y LA DEPRECIACIÓN Variable dependiente: Mora en moneda extranjera Variables explicativas Estimación Intervalos de confianza inferior superior Régimen 1: Variable umbral menor que 0.076213891 Número de observaciones: 101 Mora(-1) 0.99636412

(0.0038222396)

0.98887253 1.0038557

Inflación -0.0040906318 (0.024466090)

-0.052044168 0.043862905

Depreciación 0.042314075 (0.012061338)

0.018673853 0.065954296

Ciclo Económico -0.010691350 (0.011095149)

-0.032437842 0.011055142

Régimen 2: Variable umbral mayor que 0.076213891 Número de observaciones: 41 Mora(-1) 0.90613104

(0.030669955)

0.84601793 0.96624415

Inflación -0.022398556 (0.038864774)

-0.098573513 0.053776401

Depreciación 0.10484205 (0.020235490)

0.065180490 0.14450361

Ciclo Económico -0.028338857 (0.013766574)

-0.055321342 -0.0013563716

Fuente: Resultados de la estimación Finalmente, en el caso de los shocks de tipo de cambio, en ambos regímenes es estadísticamente significativo. Esto valida nuestra hipótesis de que shocks de naturaleza cambiaria deterioran la calidad de la cartera de los bancos. Así, la dolarización financiera propia de economías emergentes, introduce un riesgo derivado: “Riesgo Cambiario Crediticio”. Esto último, da una señal muy importante a los entes de política monetaria y de regulación financiera de los países emergentes con economías que presentan un alto grado de dolarización financiera. Así, la importancia de reducir la volatilidad del tipo de cambio e introducir políticas de regulación bancaria para mitigar este riesgo derivado.

26

7. Conclusiones Este documento presenta un análisis empírico del riesgo cambiario crediticio, riesgo derivado propio de economías emergentes con sistemas bancarios parcialmente dolarizados. Se determinó que este riesgo se gesta bajo determinadas características financieras y se activa ante fuertes incrementos del tipo de cambio. Las características financieras por el lado de las empresas son: i) el alto grado de apalancamiento, ii) el fuerte descalce cambiario en la posición de sus balances, y iii) el alto grado de dolarización de sus pasivos; y por el lado del sector bancario se encuentra iv) el alto porcentaje de dolarización financiera y v) que la mayor parte de los préstamos se concentran en el sector no transable de la economía. Se encuentra evidencia que la economía peruana enfrenta un nuevo riesgo financiero, el cual es llamado riesgo cambiario crediticio. Los resultados del modelo de datos de panel dinámico muestran que fuertes depreciaciones del nuevo sol afectan negativamente la cartera de créditos en moneda extranjera de los bancos, la cual constituye más del 60 por ciento de la cartera total a diciembre de 2006, y que tanto el crecimiento del producto y la inflación tienen un efecto positivo. Se encuentra evidencia que existe una relación no-lineal entre los shocks de depreciación y su efecto en la MME de los bancos. Es decir para bajos shocks de tipo de cambio, el efecto será débil; sin embargo para fuertes shocks de tipo de cambio la morosidad bancaria se incrementará fuertemente, incrementándose la vulnerabilidad del sistema bancario. Los resultados de nuestro Threshold model determinan que el umbral de depreciación a partir del cual se incrementa la vulnerabilidad del sistema bancario peruano es de 7,6 por ciento. Por debajo de este umbral de depreciación la MME se deteriora como mínimo en 1,8 por ciento, y por encima de este umbral la MME se puede incrementar hasta en 14,5 por ciento. Estos resultados son importantes toda vez que dan un indicador a partir del cual un shock de depreciación es pernicioso para la banca y la economía en general. ¿Cuál es la lección que nos da estos resultados? Tanto empresas como familias deben tener presente el riesgo que asumen al tomar deudas en monedas distintas a las cuales generan sus ingresos; y si esta elección es inevitable tanto empresas como familias deben de tomar las contingencias necesarias para mitigar este riesgo. En el caso de las empresas, éstas pueden mitigar su riesgo a través del mercado de futuros. De otro lado, los bancos deben internalizar que al prestar en dólares no están mitigando su riesgo crediticio; sólo están trasladándolo a las empresas y familias, lo cual se revertirá nuevamente hacia sus balances ante un incremento del tipo de cambio. Debido a que la economía opera en un régimen donde el tipo de cambio se fija por la oferta y demanda de dólares; la actitud del policy maker se debe centrar en reducir la volatilidad del tipo de cambio, sin que esto implique defender un nivel especifico para esta variable. Asimismo, crear las condiciones macroeconómicas necesarias para impulsar un proceso de desdolarización en la economía.

27

Bibliografía 1. Allen M., Rosenberg Ch., Keller Ch., Setser B. y N. Roubini (2002). “A Balance Sheet

Approach to Financial Crises”. IMF Working Paper WP/02/210. 2. Arellano, M y S. Bond, (1991). “Some Tests of Specification for Panel Data: Monte Carlo

Evidence and an Application to Employment Equations”. Review of Economic Studies 58, 277-297. 3. Arellano, M y O. Bover (1995). “Another Look at the Instrumental Variables Estimation of

Error-Component Models”. Journal of Econometric, 68, pp. 29-51. 4. Azabache, Pablo (2004). “Guía Metodológica para Estimar la Sensibilidad de los Indicadores de

Riesgo Crediticio a Choques Macroeconómicos y Microeconómicos: Un Modelo de Datos de Panel Dinámico”. Corporación Financiera de Desarrollo - COFIDE: Mimeo.

5. Azabache, Pablo (2005). “Aproximando la Importancia del Riesgo Cambiario Crediticio en

Sistemas Bancarios Parcialmente Dolarizados”. Documento de trabajo 01/2005, Ministerio de Economía y Finanzas del Perú.

6. Bernanke, B. y M. Gertler (1995). “Inside the Black Box: the Credit Channel of Monetary

Policy Transmission”. NBER, Working Papers, 5146. 7. Beck, T., A. Demirgüc-Kunt y R. Levine (1999). “A New Database on Financial Development

and Structure”. Working Paper. World Bank. 8. Calvo, G. y C. Végh (1992). “Currency Substitution in Developing Countries: An

Introduction”. Revista de Análisis Económico. 7, 3-28. 9. Cowel, Kevin (2004). “Financial Dollarization”. Inter-American Development Bank, Chapter 4

of the Economic and Social Progress in Latin American-2005 Report. 10. De Nicoló G, Honohan P. y A. Ize (2003). “Dollarization of the Banking System: Good or

Bad?”. IMF Working Paper WP/03. Forthcoming. 11. Davies, R.B. (1997). “Hypothesis testing when a nuisance parameter is present only Ander the

alternative”. Biometrica 64, 247-254. 12. Escobar, Fernando (2003). “Efectos de las Variaciones del Tipo de Cambio sobre las

Actividades de Intermediación Financiera de Bolivia: 1990-2003”. Banco Central de Reserva de Bolivia.

13. Freixas, X. y Rochet, J. (1997). “Microeconomic of Banking”. Massachusetts Institute of

Technology. 14. Galindo, A. y Powel, A. (2004). “Bank Regulation and Supervision”. Inter-American

Development Bank, Chapter 6 of the Economic and Social Progress in Latin American-2005 Report.

15. Greuning, H. y Bratanovic, S. (2003). “Analyzing and Managing Banking Risk”. The World Bank.

16. Hansen, B.E. (1996). “Inference when a nuisance parameter is not identified under the null

hypothesis”. Econometrica 64, 413-430.

28

17. Hansen, B.E. (1999). “Threshold effects in non-dynamic panels: Estimation, testing, and inference”. Journal of Econometrics 93, 345-368.

18. Hansen, B.E. (2000). “Sample spltting and threshold estimation”. Econometrica 68, 575-603. 19. Hansen, B. y Caner, M. (2004). “Instrumental variable estimation of a threshold model”.

Econometric Theory, 20, 2004, 813-843. 20. Ize, A. y E. Levy-Yeyati, (1998). Dollarization of Financial Intermediation: Causes and Policy

Implications”. IMF Working Paper 1998/28. 21. Jiménez, Renzo (2004). “Riesgo Crediticio Derivado del Riesgo Cambiario: Perspectiva de una

Economía Latinoamericana Parcialmente Dolarizada”. Revista Apuntes N° 52. Universidad del Pacifico.

22. Kay, J. y J. Vickers, (1988). “Regulatory Reform in Britain”. Economic Policy, 7,.págs. 286-343. 23. Moron, E. y J. Castro (2004). “Política Monetaria en Economías Dolarizadas: Un Aporte

Analítico”. Mimeo, Lima: Consorcio de Investigación Ecocómica y Social. 24. Powell, Andrew (2004). “The Challenges of Basel II”. Inter-American Development Bank,

Chapter 16 of the Economic and Social Progress in Latin American-2005 Report. 25. Rojas, S. y Emma, L. (2004). “Banking Crises and Resolution”. Inter-American Development

Bank, Chapter 5 of the Economic and Social Progress in Latin American-2005 Report. 26. Savastano, M.A. (1996). “Dollarization in Latin America: recent evidence and policy issues”. En

Mizen, Paul y Eric Pentecost (Editores). The Macroeconomics of Internacional Currencies. Theory, Policy and Evidence. Chapter 12.

27. Uribe, Martín (1995). “Hysteresis in a simple model of currency substitution”. Journal of

Monetary Economics. Vol. 40 (1), 185-202. 28. Viquez, R., Mayorga M., Monetero, R. Y Muñiz E. “Análisis de la Sensibilidad de la Banca

Comercial ante Cambios en el Entorno Macroeconómico”. Documento de Trabajo. Banco Central de Costa Rica.

29

Anexo A: Contraste de raíz unitaria En el cuadro A1 se presenta los resultados de las pruebas de raíz unitaria para las series de nuestro modelo umbral. En el caso del ciclo económico, éste no presenta raíz unitaria para los niveles de significancia de 1%, 5% y 10%. En el caso de la depreciación se rechaza la hipótesis nula de existencia de raíz unitaria para un nivel de significancia de 5% y 10%. Asimismo, para el caso de la inflación, podemos determinar la no existencia de raíz unitaria para niveles de significancia de 5% y 10%. Cuadro N° A1: Test de raíz unitaria

Estadístico de la prueba Valor CríticoADF

1% 5% 10%

Mora ME -2.362916 -3.481217 -2.883753 -2.578694

Ciclo económico -3.968908 -3.477487 -2.882127 -2.577827

Depreciación -3.088873 -3.477487 -2.882127 -2.577827

Inflación -3.053892 -3.478189 -2.882433 -2.577990

Estadístico de la prueba DF-GLS

Mora ME -1.765004 -2.582872 -1.943304 -1.615087

Fuente: Resultados de las estimaciones Desde un punto de vista teórico se esperaría que la variable MME no presente raíz unitaria. Esta variable está acotada entre cero y uno; y ante la ocurrencia de un shock la trayectoria de la variable no saldrá fuera de este rango. Adicionalmente, desde un marco empírico es poco probable que llegue a un nivel cercano a uno ya que existen diversos mecanismos de supervisión y regulación prudencial implementados por las Superintendencia de Bancos, Seguros y AFPs. La aplicación del test estadístico de Dickey-Fuller aumentado da indicios de la existencia de una raíz unitaria; lo cual es contrario a lo que se espera. Sin embargo, ante la aplicación de un test más potente (DF-GLS), para un nivel de significancia de 10% podemos rechazar la hipótesis nula de que la variable mora presente una raíz unitaria.

30

Anexo B: Sensibilidad del umbral de depreciación Con el objetivo de ver si el umbral varía ante cambios en la muestra se realizaron diversas estimaciones para diferentes periodos de tiempo. Los resultados muestran que el umbral de depreciación cambia ligeramente para el periodo ene1995-oct2005 y jul95-oct2005; aumentando a 8,4 por ciento. Sin embargo, para el resto de periodos se mantiene en 7,6 por ciento. Cuadro N° B1: Estimaciones para diferentes periodos

Jul 1994

-Oct 2005 Ene 1995 -Oct 2005

Jul 1995 -Oct 2005

Dic 1993 -Abr 2002

Dic 1993 -Ene 2004

Dic 1993 -Dic 2004

Umbral estimado 0,076 0,084 0,084 0,076 0,076 0,076 Intervalos de Confianza mínimo máximo mínimo máximo mínimo máximo mínimo máximo mínimo máximo mínimo máximoNo corregido Homocedasticidad

0,076 0,076 0,076 0,109 0,076 0,109 0,076 0,076 0,076 0,076 0,076 0,076

Heterocedásticidad Corregida usando varianza cuadrática

0,076 0,084 0,076 0,109 0,076 0,109 0,076 0,084 0,076 0,142 0,076 0,084

Heterocedasticidad Corregida usando varianza kernel no-paramétrico

0,076 0,109 0,076 0,084 0,084 0,084 0,076 0,150 0,076 0,148 0,076 0,145

Fuente: Resultados de las estimaciones

31