anÁlisis de la gestiÓn de riesgos financieros de la
TRANSCRIPT
FACULTAD DE CIENCIAS EMPRESARIALES
Carrera de Administración
ANÁLISIS DE LA GESTIÓN DE RIESGOS FINANCIEROS DE LA FINANCIERA PROEMPRESA,
AÑO 2015 al 2018
Trabajo de investigación para optar el Grado Académico de
Bachiller en Administración
MELODY ANGIE VELIZ HUACACHI
Lima – Perú
2020
2
ÍNDICE Resumen ................................................................................................................................................. 3
Abstract……………………………………………………………………………………………………………………………………………4
Introducción .......................................................................................................................................... 5
Metodo…………………………………................................................................................................7
Tipo y diseño de investigacion. ............................................................................................ 7
Participantes. ..................................................................................................................... 9
Instrumentos ...................................................................................................................... 9
Procedimiento .................................................................................................................................. 10
Analisis de datos. .............................................................................................................. 10
Resultados ............................................................................................................................................ 11
Discusion .............................................................................................................................................. 37
Referencias........................................................................................................................................... 39
INDICE DE TABLAS
Tabla 1 - Matriz de Variables………………………………………………………………………………………………………8
Tabla 2- Coeficientes del año 2015 ……………………………………………………………………………………………….18
Tabla 3 - Coeficientes del año 2016……………………………………………………………………………………………….21
Tabla 4 - Coeficientes del año 2017………………………………………………………………………………………………24
Tabla 5 - Coeficientes del año 2018 ………………………………………………………………………………………………27
3
Resumen
La investigación analizó la gestión de los riesgos financieros y los impactos positivos que se
generan en la rentabilidad de la Financiera Proempresa desde el año 2015 hasta el año
2018.Además, identificó si existe un impacto entre la gestión de los riesgos de
incumplimiento, exposición, créditos castigados y rentabilidad. Asimismo dentro de la
metodología utilizada se consideró la participación de los 49 gerentes de la agencia de
Proempresa durante el periodo de estudio 2015 al 2018.También para la recolección de
información se utilizó los datos proporcionados del portal PROSIS FINANCIERO de la
Financiera Proempresa desde el año 2015 al año 2018, luego se utilizaron hojas de cálculo del
programa Microsoft Excel, posteriormente, se utilizó el programa estadístico Rstudio para
obtener una mejor visualización y análisis econométrico de las variables. En efecto los
resultados muestran que la financiera ha mejorado su gestión de riesgos de créditos
castigados, incumplimiento y de endeudamiento, lo cual se evidencia por las diferentes
estrategias que adoptó. Esto se observa en la mejora de sus indicadores en los años analizados
como: en la disminución de clientes que están con incumplimiento de sus pagos de cuotas y
los que presentan un mayor riesgo de endeudamiento al momento de evaluarlo para darle un
crédito. Se discute si existe un impacto entre la gestión de los riesgos de incumplimiento y de
exposición de los créditos. Además, de cómo influye dentro de la rentabilidad de la financiera
Proempresa.
Palabras claves: Rentabilidad, riesgo de incumplimiento, riesgo de exposición, créditos
castigados.
4
Abstract
The research analyzed the management of financial risks and the positive impacts generated
on the profitability of Financiera Proempresa from 2015 to 2018, and also identified whether
there is an impact between the management of risks of default, exposure, credits punished
and profitability. Likewise, within the methodology used, the participation of the 49
managers of the Proempresa agency during the study period 2015 to 2018 was considered.
Also, for the collection of information, the data provided from the FINANCIAL PROSIS
portal of Financiera Proempresa since the year was used. 2015 to 2018, then Microsoft Excel
program spreadsheets were used, later, the Rstudio statistical program was used to obtain a
better visualization and econometric analysis of the variables. In effect, the results show that
the financial company has improved its risk management of written-off loans, default and
indebtedness, which is evidenced by the different strategies it adopted. This is observed in the
improvement of its indicators in the years analyzed, such as: the decrease in clients who are
in default of their installment payments and those who present a greater risk of indebtedness
when evaluating it to give it a loan. It is discussed whether there is an impact between the
management of credit default and exposure risks. Also, how it influences the profitability of
the financial company Proempresa.
Keywords: Profitability, default risk, exposure risk and level of credits punished.
5
Introducción
Los riesgos financieros, desde su creación es uno de los primordiales motivos del declive de
las empresas financieras. Sin embargo, desde 1988 se crearon mecanismos para poder
mitigarlos. Asimismo, mediante un comité de supervisión integrada por varios países, se
establecieron los lineamientos conocidos como Basilea I, en la cual indican la manera de
poder enfrentar los diferentes riesgos financieros a los cuales pueden estar expuestas.
La quiebra de varios bancos durante la crisis de la burbuja inmobiliaria, provoco que
se tomen nuevas medidas para poder identificar y gestionar de manera oportuna el nivel de
riesgo al cual pueden estar expuestos, debido a que se perdió millones en colocaciones que
se consideraron incobrables. Las entidades financieras en el Perú, no fueron ajenos frente a
esta situación, por ello la Superintendencia de Banca, Seguros y AFP del Perú (SBS),
establece en el año 2008 la creación de un Reglamento consumado de riesgos, aceptado en
la resolución N°37-2008 para que las entidades puedan identificar la complicación de su
compartimiento como negocio, operaciones, servicios y tamaño.
Por lo expuesto, la gestión de los riesgos financieros es esencial para las entidades del
sector financiero, ya que con ello se puede monitorear los peligros a los cuales están
expuestos, de esta manera pueden anticiparse y tomar contingencias para mitigar su impacto.
Sin embargo, se dificulta porque en el Perú no existe una cultura de preparación , es por ello
que las entidades financieras están obligados a establecer un proyecto de prevención de
gestión de riesgos, donde es regulado, inspeccionado y tiene que emitir un informe
financiero al público en general para difundir sus resultados obtenidos al final del periodo.
Debido a la perplejidad económica y financiera que enfrentan las entidades
financieras, la aplicación de una gestión de riesgos ayuda a mitigar su impacto y les permite
contar con una herramienta eficiente para prevenir su impacto y poder optimizar su
rentabilidad frente a sus obligaciones. La rentabilidad financiera es el indicador fundamental
para la institución financiera, debido a que una mayor rentabilidad para sus accionistas les
permitirá optimizar el interés de sus propietarios para mayores inversiones y obtener mayor
financiamiento de parte de externos. El presente estudio busca, por lo tanto, determinar de
qué manera el análisis de la gestión de riesgos financieros impacta en la rentabilidad de la
financiera Proempresa del año 2015 al 2018 mediante la valoración de los gerentes, de modo
que se pueda contar con información empírica.
6
El riesgo de crédito en las empresas
Según Partal y Gómez (2015), las empresas son creadas con el objetivo de producir
valor para sus accionistas, esto se debe a que los gerentes tienen que establecer la manera
en que la incertidumbre de estos riesgos no puedan afectar su esfuerzo por aumentar el
valor patrimonial debido a lo inherente de estos riesgos dentro de la intermediación
financiera, lo cual puede llevar al éxito o fracaso de la entidad financiera. Es por ello que
dependerá de cómo se está manejando su gestión y control de los riesgos, también, el nivel
de riesgo al cual son tolerantes, eso se le denomina el apetito al riesgo que manejan y
dependerá de cómo están preparados para mitigarlos. Es por ello, que las entidades
financieras, manejan un comité riesgos para saber a que riesgos están propensos y que
medidas deben tomar para afrontarlos, ya que se busca obtener una mayor rentabilidad.
Guenaga, A. T. (2018). Una política responsable de la gestión de riesgos de las
empresas que se debe considerar, son los intereses de los involucrados, como los
stakeholders y accionistas. Tomar los riesgos con responsabilidad es una oportunidad. Es por
ello que las empresas en gran parte se comprometen en llevar a cabo una política de gestión
de riesgos, optando planes tradicionales, así como también gestionar las fallas habituales,
para sustituir la carga de gestionar riesgos desconocidos procedimientos de gestión de
riesgos habituales.
7
Método
El estudio tuvo como objetivo determinar de qué manera el análisis de la gestión de riesgos
financieros impacta positivamente en la rentabilidad de la financiera Proempresa , 2015 al
2018. Ya que , actualmente, nos encontramos en un mundo globalizado donde existen
herramientas que permiten a las empresas tener sistemas que puedan gestionar de manera
adecuada la mitigación de sus riesgos, es por ello que esta investigación realiza un énfasis en
la necesidad de las entidades financieras, que para lograr su objetivo de bancarización, deben
contar con una herramienta que les pueda facilitar esta tarea, ya que debido a su naturaleza y
complejidad de sus operaciones pueden encontrarse expuestas. Asimismo, evaluar de qué
manera la norma establecida por el ente regulador ayuda a salvaguardar el diferente interés de
sus accionistas y acreedores.
Tipo y diseño de investigación
Hernández (2014), el tipo de investigación a emplear en este proyecto será cuantitativa
continua, ya que nos posibilita el análisis de la realidad mediante distintos procedimientos
que se basan en la medición. Además de conseguir un nivel de control mayor, en
comparación a otros tipos de investigación, desarrollando experimentos y adquiriendo
explicaciones hipotéticas. Los resultados de estas investigaciones están basados en la
estadística y son generalizables. Para que exista la metodología cuantitativa, tiene que existir
una relación entre los elementos del problema de investigación y tiene que ser interpretado
por algún modelo numérico exponencial, lineal o similar. Esto quiere decir que el problema
debe estar integrado por elementos claros de investigación, de manera que sea se puedan
definir para identificar su origen y hacia dónde se dirige.
Hernández (2014), el diseño de la investigación es no experimental longitudinal, está basado
en los cambios que realizan las variables o la relación que guardan, en un periodo de tiempo
determinado. Es por ello que se tiene que acumular datos a lo largo del tiempo en periodos
determinados para causar un cambio en los determinantes y sus consecuencias.
8
Variables
En el siguiente cuadro se van a definir las variables que pertenecen al modelo del presente
trabajo.
Tabla 1
Variable Tipo Nombre Definición nominal Frecuencia
Rentabilidad Dependiente
Es lo que
espera ganar la
empresa
Representa la
rentabilidad
económica y social
Anual
Nivel de riesgo
de
incumplimiento
Independiente
Cartera en
riesgo de
incumplimiento
Representa el
porcentaje y
motivos por lo que
sus clientes
incumplen sus
pagos.
Anual
Nivel de riesgo
de exposición Independiente
Estrategias que
asumen para
reducir sus
exposición
Representa
porcentaje de la
cartera expuesta ,
perjuicio de sus
metas y estrategias
que emplean
Anual
Nivel de
creditos
castigados
Independiente
Cartera de
créditos
castigados
Representa la
cantidad de
creditos que no
pudieron ser
cobrados
Anual
Fuente: Elaboración propia.
La variable dependiente esta expresada en soles y las variables independientes en porcentajes.
9
Participantes.
Participaron 43 gerentes generales y 6 gerentes de oficinas, cada agencia de la cual se
obtuvo información durante el periodo de estudio 2015 al 2018 estaba conformada por
gerentes generales, ejecutivos de negocio y ejecutivos de servicio. Asimismo las oficinas de
Proempresa estaba conformada por gerentes de oficina, de todos los participantes 17 son
mujeres y 32 hombres, con un rango de edad entre 28 a 45 años. Tanto los gerentes
generales y los gerentes de oficinas estudiaron la carrera de Administración, Negocios
Internacionales, Economía y Finanzas.
Para su inclusión en la muestra se tomó los datos anuales que fueron sacados del
portal PROSIS FINANCIERO y validados por los gerentes de cada agencia y oficina de la
Financiera Proempresa del periodo 2015 al 2018. Como aspecto de exclusión solo se
consideró los datos que no fueron brindados por los gerentes entre los años 2015 al 2018 de
la Financiera Proempresa.
Instrumentos.
Para la recolección de información se utilizaron tres procedimientos. En primer lugar se
ingresó al portal PROSIS FINANCIERO de Proempresa para saber los datos anuales sobre el
tipo de crédito, estado de crédito y nivel de rentabilidad de la empresa, que fueron validados
por los gerentes generales en caso de las agencias y por los gerentes de oficinas en caso de
las oficinas.
Luego se utilizaron las hojas de cálculo del programa Microsoft Excel para
organizar la información en una tabla, dicha tabla contenía los nombres de las agencias y
oficinas de Proempresa , la cantidad de micro y pequeñas empresas , los porcentajes del
nivel de rentabilidad, los saldos de créditos castigados y vigentes, para que así sea más
ordenado , entendible y se pueda dar una mejor interpretación y análisis .
Por último se utilizó el programa estadístico Rstudio para obtener una mejor
visualización y análisis econométrico de las variables (rentabilidad, nivel de riesgo de
incumplimiento, nivel de riesgo de exposición y nivel de créditos castigados) .
Estos tres procedimientos se validaron mediantes los gerentes generales y gerentes de
oficinas
10
Procedimiento.
Se ingresó al portal PROSIS FINANCIERO para la recolección de datos anuales sobre los
tipos de créditos, estado de crédito y rentabilidad de las 49 agencias del año 2015 al 2018.
Luego se corroboro toda la información obtenido del portal con los gerentes para
poder proceder a organizar los datos con software estadísticos como el programa de
Microsoft Excel, en este programa se hizo una tabla que contenía los nombres de las
agencias y oficinas de Proempresa , la cantidad de micro y pequeñas empresas , los
porcentajes del nivel de rentabilidad, los saldos de créditos castigados y vigentes. Para así
obtener una mejor visualización y análisis econométrico de las variables para que sea más
ordenado , entendible y se pueda dar una mejor interpretación y análisis .
Por último se utilizó el programa Rstudio, en donde primero se procesó la
información para evaluar un modelo econométrico, después se verifico si la información era
consistente para el modelo propuesto, luego se realizaron las pruebas de normalización para
las variables (rentabilidad, nivel de riesgo de incumplimiento, nivel de riesgo de exposición
y nivel de créditos castigados) que se obtuvieron del portal PROSIS FINANCIERO de
Proempresa.
Luego se determinó la existencia de una relación entre las variables, las cuales se
verifico si están relacionados a los créditos castigados respecto al total de créditos y poder
identificar la manera de como influenciara a la rentabilidad de la empresa. Después, ver si el
modelo es significativo y no presenta datos atípicos o que distorsionen la relación de las
variables.
Análisis de datos
Los datos fueron procesados por medio de software estadísticos como el Rstudio y Microsoft
Excel, para observar las características de las variables empleadas, luego ordenarlas y generar
un modelo econométrico que permita conseguir conclusiones adecuadas y así lograr con el
objetivo de la investigación.
El análisis de la investigación tiene dos secciones, la primera consta de la descripción
de las variables, ya que permite aplicar las pruebas de normalidad para así verificar que no
11
se presenten datos atípicos que puedan distorsionar el modelo, para asi poder ver que no
haya codependencia entre las variables y que estas sean independientes entre sí.
La segunda es la estimación del modelo lineal (Prueba de Kolmogorov- Smirnov,
Homocedasticidad de los residuos e Independencia de los residuos). La primera estimación
sirvió para verificar si las puntuaciones que se obtuvieron de la muestra siguen o no una
distribución normal. La segunda estimación nos permitió realizar modelos más fiables ya que
se pudo verificar que la varianza del error condicional a las variables explicativas fue
constante a lo largo de las observaciones. La tercera nos permite saber si los residuos se
encuentran independientes o aleatoriamente distribuidos.
Asimismo el modelo lineal estima que la variable Nivel de rentabilidad, Nivel de
incumplimiento , nivel de endeudamiento y los créditos castigados son significativos
individualmente para el modelo con un coeficiente 0.0000 que es menor que 0.05, de igual
manera, se comprueba que el modelo es significativo globalmente al tener coeficiente menor
de 0.05. Por lo tanto, se acepta la hipótesis general nula de significancia.
Mediante la prueba de normalidad permite verificar que las agencias están
manejando sus riesgos de manera constante para evitar distorsiones de kolmogorrow –
smirnov. Asimismo se determinó que existe variable nivel de rentabilidad y nivel de
incumplimiento causalidad de la variable independiente, es decir, que la rentabilidad
depende de cómo manejen sus riesgos de endeudamiento de sus clientes, lo que hace que se
acepte la hipótesis nula de existencia de causalidad.
Resultados
Presentación de resultados
Primero tenemos los datos acumulados por año del 2015 al 2018:
Año N° de
colocaciones
Nivel de Riesgo
incumplimiento Nivel de Riesgo
Exposición
2015 3267 71 3193
2016 4376 284 3893
2017 5299 836 3013
2018 24573 3761 1160
12
Análisis del nivel de riesgo de incumplimiento
Tenemos los datos del total de colocaciones y de su nivel de incumplimiento respectivo.
Primero analizaremos el comportamiento de ambas variables en conjunto, para ello haremos
un gráfico de dispersión, al cual le asociaremos un modelo lineal simple de dispersión.
Debido a que los datos no presentan un comportamiento lineal, crearemos un modelo
cuadrático aplicando log natural a la variable dependiente “nivel de incumplimiento”.
Formula :
lm(formula = log(data3$Nivel.de.Incumplimiento)~data3$Nº.colocaciones+
I(data3$Nº.colocaciones^2).data=data3)
RESIDUALES:
Minimo 1Q Mediana 3Q Maximo
-2.4233 -0.68622 0.7288 0.07035 1.95687
COEFFICIENTES:
Estimado
Error
Estandar
Valor
Probabilidad
(Interceptos) 5.459e-01 1.075e-01 5.078 8.96e-07 ***
data3$Nº.colocaciones 1.067e-02 7.558e-04 14.117 0.02e-16 ***
I(data3$Nº.colocaciones^2) -6.000e-06 1.420e-07 -08.086 6.64e-14 ***
13
Error residual estandar 0.9523 en 193 grados de libertad
Multiple R cuadrado 0.9993,R cuadrado ajustado : 0.9993
Estadistica F En 191 y 193 DF, p-valor : < 2.2e-16
El modelo es:
ln(𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 𝑖𝑛𝑐𝑢𝑚𝑝𝑙𝑖𝑚𝑖𝑒𝑛𝑡𝑜)
=0.5459 + 0.01067 ∗ 𝑁º𝑐𝑜𝑙𝑜𝑐𝑎𝑐𝑖𝑜𝑛𝑒𝑠 − 0.000006 ∗ (𝑁º𝑐𝑜𝑙𝑜𝑐𝑎𝑐𝑖𝑜𝑛𝑒𝑠)2
Verificación del modelo en función de sus residuos:
1. Normalidad de los residuos (Prueba de Kolmogorov-Smirnov):
Ho: Los residuos tiene normalidad
H1: Los residuos no tienen normalidad
D = 0.06127, p-value = 0.4536
alternative hypothesis: two-sided
Como el p-valor > 0.05 podemos decir
que los residuos si tiene una distribució
n normal.
2. Homocedasticidad de los residuos:
Podemos verificar mediante la prueba
de Breusch - Pagan
Ho: Los errores tiene varianza constante
H1: Los errores no tienen varianza
constante
data: m3
BP = 0.16542, df = 2, p-value = 0.9206
Como el p-valor > 0.05 podemos decir
que los residuos tienen una varianza
constante.
14
3. Independencia de los residuos:
Podemos verificar mediante la prueba
de Durbin-Watson:
Ho: los residuos son independientes.
H1: los residuos no son independientes.
data: m3
DW = 0.88192, p-value = 8.848e-15
Como el p-valor < 0.05 podemos decir
que los residuos no son independientes
.
Observamos que debido a que posiblemente existan observaciones atípicas el modelo no
verifica el supuesto de independencia de los residuos, así se deberá analizar dichos valores
influyentes para obtener un mejor modelo general.
15
Análisis del nivel de riesgo de exposición
Veamos la tendencia de cada variable:
Observamos que para el
total de créditos fue
aumentando
significativamente para el
año 2018, mientras que la
cantidad de créditos
Castigados disminuyo ya
sea que los estados de
créditos fueron
refinanciados, vencidos
y/o en estado vigente.
Debido a esto
analizaremos anualmente
la relación que existe entre
el total de créditos
otorgados con los créditos
castigados.
16
Graficamos respecto a cada año la relación de los créditos con sus respectivos créditos
castigados y trazamos una línea de tendencia suavizada que recolecte lo mayor posible la
cantidad de observaciones por año.
Para esto crearemos modelos lineales para cada año respectivamente.
17
• Para el año 2015:
|AGENCIA | TOTAL_CREDITOS| CREDITOS_CASTIGADOS|
|:-------------------------------|--------------:|-------------------:|
|Agencia Lima Cercado | 91| 91|
|Agencia Arequipa | 57| 52|
|Agencia Ayacucho | 57| 56|
|Agencia Nuevo San Juan | 71| 65|
|Agencia San Juan de Miraflores | 105| 99|
|Agencia Los Olivos | 198| 191|
|Agencia Andahuaylas | 48| 48|
|Agencia Comas | 179| 177|
|Agencia San Borja | 91| 87|
|Agencia Colonial | 120| 119|
|Agencia Carabayllo | 124| 122|
|Agencia Puente Piedra | 135| 134|
|Agencia Paucarpata | 83| 82|
|Agencia Orcopampa | 11| 11|
|Agencia San Miguel | 4| 4|
|Agencia Huaycan | 96| 93|
|Agencia Mariscal Cáceres | 109| 107|
|Agencia Tagore | 157| 153|
|Agencia Villa Maria del Triunfo | 113| 112|
|Agencia Huancayo | 111| 110|
|Agencia Trujillo | 267| 264|
|Agencia Villa el Salvador | 111| 110|
|Agencia Huanuco | 40| 39|
|Agencia Chuquibamba | 6| 6|
|Agencia Chocope | 28| 28|
|Agencia Pichanaqui | 111| 109|
|Agencia Puquio | 13| 11|
|Oficina Huanta Especial | 26| 26|
|Agencia Huancavelica | 55| 52|
|Oficina Pedregal Especial | 63| 60|
|Agencia Manchay | 110| 108|
|Agencia Canta | 5| 5|
|Oficina Huamachuco Especial | 38| 38|
|Agencia Tingo Maria | 53| 53|
|Oficina Uripa | 29| 28|
|Oficina Chivay Especial | 49| 47|
|Agencia Querobamba | 2| 2|
|Oficina San Francisco Especial | 38| 38|
|Agencia Huachipa | 51| 49|
|Oficina Jose Galvez | 38| 38|
|Agencia La Merced | 25| 25|
|Agencia Paucara | 2| 2|
|Agencia Mazamari | 5| 5|
|Agencia Viru | 49| 47|
|Oficina Pamplona | 30| 30|
|Oficina Pichari Especial | 17| 17|
|Oficina Canto Grande | 15| 12|
|Oficina Jicamarca Especial | 20| 20|
|Oficina Yura Especial | 11| 11|
Modelo año 2015:
18
FORMULA:
lm(formula = s1$CREDITOS_CASTIGADOS ~ s1$TOTAL_CREDITOS, data = s1)
RESIDUALES:
Minimo 1Q Mediana 3Q Maximo
-4.4164
-0.7895
0.4645
1.0240
1.9227
COEFFICIENTES:
Estimacion
Error
Estandar
Valor
Probabilidad
(Interceptos)
-0.37972
0.33937
-1.119
0.269
data3$Nº.colocaciones
0.98304
0.00388
253.346
<2e-16 ***
Error residual estandar
1.538 en 47 Grados de libertad
Multiple R cuadrado
0.9993, R cuadrado ajustado: 0.9993
Estadistica F
6.418e+04 en 1 y 47 DF, p-valor: < 2.2e-16
El modelo es:
Nivel_RiesgoExposicion2015 = −0.37972 + 0.98304 ∗ 𝐶𝑟é𝑑𝑖𝑡𝑜2015
19
Verificación del modelo en función de sus residuos:
4. Normalidad de los residuos (Prueba de Kolmogorov-Smirnov):
Ho: Los residuos tiene normalidad
H1: Los residuos no tienen normalidad
D = 0.23333, p-value = 0.009635
Como el p-valor < 0.05 podemos decir
que los residuos no tiene una distribució
n normal.
5. Homocedasticidad de los residuos:
Podemos verificar mediante la prueba
de Breusch - Pagan
Ho: Los errores tiene varianza constante
H1: Los errores no tienen varianza
constante
BP = 3.288, df = 1, p-value = 0.069
Como el p-valor > 0.05 podemos decir
que los residuos tienen una varianza
constante.
6. Independencia de los residuos:
Podemos verificar mediante la prueba
de Durbin-Watson:
Ho: los residuos son independientes.
H1: los residuos no son independientes.
DW = 1.6423, p-value = 0.08984
Como el p-valor > 0.05 podemos decir
que los residuos son independientes
.
20
• Para el año 2016:
|AGENCIA | TOTAL_CREDITOS| CREDITOS_CASTIGADOS|
|:-------------------------------|--------------:|-------------------:|
|Agencia Lima Cercado | 93| 87|
|Agencia Arequipa | 75| 66|
|Agencia Ayacucho | 156| 109|
|Agencia Nuevo San Juan | 134| 121|
|Agencia San Juan de Miraflores | 105| 95|
|Agencia Los Olivos | 252| 236|
|Agencia Andahuaylas | 63| 40|
|Agencia Comas | 183| 172|
|Agencia San Borja | 167| 148|
|Agencia Colonial | 144| 132|
|Agencia Carabayllo | 183| 167|
|Agencia Puente Piedra | 196| 189|
|Agencia Paucarpata | 52| 50|
|Agencia Orcopampa | 22| 19|
|Agencia San Miguel | 5| 4|
|Agencia Huaycan | 99| 71|
|Agencia Mariscal Cáceres | 109| 100|
|Agencia Tagore | 252| 189|
|Agencia Villa Maria del Triunfo | 159| 141|
|Agencia Huancayo | 152| 132|
|Agencia Trujillo | 182| 179|
|Agencia Villa el Salvador | 124| 117|
|Agencia Huanuco | 104| 93|
|Agencia Chuquibamba | 5| 3|
|Agencia Chocope | 45| 44|
|Agencia Pichanaqui | 162| 156|
|Agencia Puquio | 21| 17|
|Oficina Huanta Especial | 41| 34|
|Agencia Huancavelica | 59| 52|
|Oficina Pedregal Especial | 93| 88|
|Agencia Manchay | 143| 129|
|Agencia Canta | 9| 6|
|Oficina Huamachuco Especial | 46| 46|
|Agencia Tingo Maria | 103| 96|
|Oficina Uripa | 26| 20|
|Oficina Chivay Especial | 50| 40|
|Agencia Querobamba | 2| 2|
|Oficina San Francisco Especial | 36| 30|
|Agencia Huachipa | 146| 122|
|Oficina Jose Galvez | 63| 62|
|Agencia La Merced | 64| 60|
|Agencia Paucara | 24| 21|
|Agencia Mazamari | 14| 14|
|Agencia Viru | 29| 28|
|Oficina Pamplona | 25| 24|
|Oficina Pichari Especial | 12| 11|
|Oficina Canto Grande | 59| 57|
|Oficina Jicamarca Especial | 44| 36|
|Oficina Yura Especial | 44| 38
Formula:
lm(formula = s2$Nivel_RiesgoExposicion~ s2$TOTAL_CREDITOS, data = s2)
21
RESIDUALES:
Minimo 1Q Mediana 3Q Maximo
-35.049
-1.739
0.491
4.268
17.166
COEFFICIENTES:
Estimacion
Error
Estandar
Valor
Probabilidad
(Interceptos)
0.07481
2.20856
0.034
0.973
data3$Nº.colocaciones
0.88879
0.01988
44.701
<2e-16 ***
Error residual estandar
9.193 en 47 Grados de libertad
Multiple R cuadrado
0.977, R cuadrado ajustado: 0.9765
Estadistica F
1998 en 1 y 47 DF, p-valor: < 2.2e-16
El modelo es:
Nivel_RiesgoExposicion2016
=0.07481 + 0.88879 ∗ 𝐶𝑟é𝑑𝑖𝑡𝑜2016
22
Verificación del modelo en función de sus residuos:
1. Normalidad de los residuos (Prueba de Kolmogorov-Smirnov):
Ho: Los residuos tiene normalidad
H1: Los residuos no tienen normalidad
D = 0.2395, p-value = 0.00587
Como el p-valor < 0.05 podemos decir
que los residuos no tiene una distribució
n normal.
2. Homocedasticidad de los residuos:
Podemos verificar mediante la prueba
de Breusch - Pagan
Ho: Los errores tiene varianza constante
H1: Los errores no tienen varianza
constante
BP = 12, df = 1, p-value = 0.00053
Como el p-valor < 0.05 podemos decir
que los residuos no tienen una varianza
constante.
3. Independencia de los residuos:
Podemos verificar mediante la prueba
de Durbin-Watson:
Ho: los residuos son independientes.
H1: los residuos no son independientes.
DW = 2.1343, p-value = 0.6602
Como el p-valor > 0.05 podemos decir
que los residuos son independientes
.
23
• Para el año 2017:
|AGENCIA | TOTAL_CREDITOS| CREDITOS_CASTIGADOS|
|:-------------------------------|--------------:|-------------------:|
|Agencia Lima Cercado | 61| 49|
|Agencia Arequipa | 113| 66|
|Agencia Ayacucho | 184| 99|
|Agencia Nuevo San Juan | 198| 142|
|Agencia San Juan de Miraflores | 160| 54|
|Agencia Los Olivos | 166| 128|
|Agencia Andahuaylas | 134| 30|
|Agencia Comas | 237| 109|
|Agencia San Borja | 186| 102|
|Agencia Colonial | 164| 114|
|Agencia Carabayllo | 170| 64|
|Agencia Puente Piedra | 160| 99|
|Agencia Paucarpata | 79| 56|
|Agencia Orcopampa | 60| 13|
|Agencia San Miguel | 12| 6|
|Agencia Huaycan | 162| 49|
|Agencia Mariscal Cáceres | 180| 101|
|Agencia Tagore | 356| 232|
|Agencia Villa Maria del Triunfo | 132| 51|
|Agencia Huancayo | 113| 80|
|Agencia Trujillo | 106| 79|
|Agencia Villa el Salvador | 103| 75|
|Agencia Huanuco | 179| 97|
|Agencia Chuquibamba | 14| 4|
|Agencia Chocope | 30| 15|
|Agencia Pichanaqui | 116| 100|
|Agencia Puquio | 83| 8|
|Oficina Huanta Especial | 62| 24|
|Agencia Huancavelica | 75| 56|
|Oficina Pedregal Especial | 97| 61|
|Agencia Manchay | 174| 103|
|Agencia Canta | 13| 7|
|Oficina Huamachuco Especial | 26| 15|
|Agencia Tingo Maria | 141| 65|
|Oficina Uripa | 29| 6|
|Oficina Chivay Especial | 52| 18|
|Agencia Querobamba | 10| 1|
|Oficina San Francisco Especial | 42| 5|
|Agencia Huachipa | 176| 122|
|Oficina Jose Galvez | 82| 61|
|Agencia La Merced | 119| 81|
|Agencia Paucara | 18| 13|
|Agencia Mazamari | 35| 28|
|Agencia Viru | 29| 12|
|Oficina Pamplona | 70| 25|
|Oficina Pichari Especial | 31| 12|
|Oficina Canto Grande | 224| 191|
|Oficina Jicamarca Especial | 62| 44|
|Oficina Yura Especial | 74| 41|
Formula:
lm(formula = s3$Nivel_RiesgoExposicion~ s2$TOTAL_CREDITOS, data = s3)
24
RESIDUALES:
Minimo 1Q Mediana 3Q Maximo
-47.669
-8.827
1.471
15.249
57.015
COEFFICIENTES:
Estimacion
Error
Estandar
Valor
Probabilidad
(Interceptos)
-6.17865
5.46013
-1.132
0.264
data3$Nº.colocaciones
0.62573
0.04199
14.903
<2e-16 ***
Error residual estandar
21.23 en 47 Grados de libertad
Multiple R cuadrado
0.8253, R cuadrado ajustado: 0.8216
Estadistica F 222.1 en 1 y 47 DF, p-valor: < 2.2e-16
El modelo es:
Nivel_RiesgoExposicion2017
=− 6.17865 + 0.62573 ∗ 𝐶𝑟é𝑑𝑖𝑡𝑜2017
25
Verificación del modelo en función de sus residuos:
1. Normalidad de los residuos (Prueba de Kolmogorov-Smirnov):
Ho: Los residuos tiene normalidad
H1: Los residuos no tienen normalidad
D = 0.11287, p-value = 0.5237
Como el p-valor < 0.05 podemos decir
que los residuos no tiene una distribució
n normal.
2. Homocedasticidad de los residuos:
Podemos verificar mediante la prueba
de Breusch - Pagan
Ho: Los errores tiene varianza constante
H1: Los errores no tienen varianza
constante
BP = 7.96, df = 1, p-value = 0.0048
Como el p-valor < 0.05 podemos decir
que los residuos no tienen una varianza
constante.
3. Independencia de los residuos:
Podemos verificar mediante la prueba
de Durbin-Watson:
Ho: los residuos son independientes.
H1: los residuos no son independientes.
DW = 2.3082, p-value = 0.8523
Como el p-valor > 0.05 podemos decir
que los residuos son independientes.
26
• Para el año 2018:
|AGENCIA | TOTAL_CREDITOS| CREDITOS_CASTIGADOS|
|:-------------------------------|--------------:|-------------------:|
|Agencia Lima Cercado | 361| 36|
|Agencia Arequipa | 391| 34|
|Agencia Ayacucho | 416| 8|
|Agencia Nuevo San Juan | 833| 93|
|Agencia San Juan de Miraflores | 933| 47|
|Agencia Los Olivos | 483| 22|
|Agencia Andahuaylas | 849| 4|
|Agencia Comas | 610| 19|
|Agencia San Borja | 739| 54|
|Agencia Colonial | 567| 34|
|Agencia Carabayllo | 987| 38|
|Agencia Puente Piedra | 706| 31|
|Agencia Paucarpata | 463| 38|
|Agencia Orcopampa | 277| 7|
|Agencia San Miguel | 70| 0|
|Agencia Huaycan | 1418| 17|
|Agencia Mariscal Cáceres | 981| 35|
|Agencia Tagore | 1262| 76|
|Agencia Villa Maria del Triunfo | 679| 32|
|Agencia Huancayo | 320| 83|
|Agencia Trujillo | 414| 20|
|Agencia Villa el Salvador | 678| 25|
|Agencia Huanuco | 575| 28|
|Agencia Chuquibamba | 100| 2|
|Agencia Chocope | 233| 8|
|Agencia Pichanaqui | 492| 24|
|Agencia Puquio | 467| 4|
|Oficina Huanta Especial | 588| 4|
|Agencia Huancavelica | 257| 24|
|Oficina Pedregal Especial | 380| 32|
|Agencia Manchay | 850| 51|
|Agencia Canta | 84| 0|
|Oficina Huamachuco Especial | 186| 2|
|Agencia Tingo Maria | 710| 45|
|Oficina Uripa | 127| 1|
|Oficina Chivay Especial | 206| 6|
|Agencia Querobamba | 93| 0|
|Oficina San Francisco Especial | 804| 2|
|Agencia Huachipa | 624| 53|
|Oficina Jose Galvez | 359| 25|
|Agencia La Merced | 342| 23|
|Agencia Paucara | 114| 3|
|Agencia Mazamari | 177| 6|
|Agencia Viru | 207| 6|
|Oficina Pamplona | 542| 13|
|Oficina Pichari Especial | 598| 0|
|Oficina Canto Grande | 414| 14|
|Oficina Jicamarca Especial | 379| 24|
|Oficina Yura Especial | 228| 7|
27
Formula:
lm(formula = s4$Nivel_RiesgoExposicion ~ s4$TOTAL_CREDITOS, data = s4)
RESIDUALES:
Minimo 1Q Mediana 3Q Maximo
-40.495
-8.389
-5.187
7.909
66.024
COEFFICIENTES:
Estimado
Error
Estandar
Valor
Probabilidad
(Interceptos)
5.167250
5.311963
0.973
0.335654
data3$Nº.colocaciones
0.036902
0.009051
4.077
0.000175 ***
Error residual estandar
19.32 en 47 grados de libertad
Multiple R cuadrado
0.2613, R cuadrado ajustado: 0.2456
Estadistica F
16.62 en 1 y 47 DF, p-value: 0.0001746
El modelo es:
Nivel_RiesgoExposicion2018
=5.167250 + 0.036902 ∗ 𝐶𝑟é𝑑𝑖𝑡𝑜2018
28
Verificación del modelo en función de sus residuos:
1. Normalidad de los residuos (Prueba de Kolmogorov-Smirnov):
Ho: Los residuos tiene normalidad
H1: Los residuos no tienen normalidad
D = 0.13529, p-value = 0.3031
Como el p-valor > 0.05 podemos decir
que los residuos tiene una distribución n
ormal.
2. Homocedasticidad de los residuos:
Podemos verificar mediante la prueba
de Breusch - Pagan
Ho: Los errores tiene varianza constante
H1: Los errores no tienen varianza
constante
BP = 3.18, df = 1, p-value = 0.0747
Como el p-valor > 0.05 podemos decir
que los residuos tienen una varianza
constante.
3. Independencia de los residuos:
Podemos verificar mediante la prueba
de Durbin-Watson:
Ho: los residuos son independientes.
H1: los residuos no son independientes.
DW = 1.855, p-value = 0.2888
Como el p-valor > 0.05 podemos decir
que los residuos son independientes.
Observamos que debido a que posiblemente existan observaciones atípicas no todos los
modelos verifican los supuestos de los residuos, así se deberá analizar dichos valores
influyentes para obtener una mayor gestión de la rentabilidad.
29
El análisis de la gestión de riesgo de incumplimiento impacta perjudicialmente en la
rentabilidad de la empresa, verificamos que en los modelos se presentan una mejor gestión de
los incumplimientos, al principio la cartera vencida influye sobre el total de las colocaciones
y vemos que al paso del tiempo eso mejora, con lo cual aumentan su rentabilidad.
El impacto positivo del análisis de la gestión de riesgos financieros impacta en la rentabilidad
de la financiera, lo cual es beneficioso para sus accionistas y acreedores.
Análisis de créditos castigados
Veamos la tendencia de la variable:
Observamos que la cantidad de créditos Castigados disminuyo ya sea que los estados de
créditos fueron refinanciados, vencidos y/o en estado vigente. Debido a esto analizaremos
anualmente la relación que existe entre el total de créditos otorgados con los créditos
castigados.
Al analizar los créditos
castigados, observamos
que se mantiene la
tendencia de un modelo
lineal, para lo cual se
verificara si cumple con
los supuestos de
normalidad del modelo.
30
Verificación del modelo en función de sus residuos:
1. Normalidad de los residuos (Prueba de Kolmogorov-Smirnov):
Ho: Los residuos tiene normalidad
H1: Los residuos no tienen normalidad
D = 0.12287, p-value = 0.3237
Como el p-valor < 0.05 podemos decir
que los residuos no tiene una distribució
n normal.
2. Homocedasticidad de los residuos:
Podemos verificar mediante la prueba
de Breusch - Pagan
Ho: Los errores tiene varianza constante
H1: Los errores no tienen varianza
constante
BP = 4.96, df = 1, p-value = 0.0748
Como el p-valor < 0.05 podemos decir
que los residuos no tienen una varianza
constante.
3. Independencia de los residuos:
Podemos verificar mediante la prueba
de Durbin-Watson:
Ho: los residuos son independientes.
H1: los residuos no son independientes.
DW = 2.0182, p-value = 0.2852
Como el p-valor > 0.05 podemos decir
que los residuos son independientes.
31
Formula:
lm(formula = sx$CREDITOS_CASTIGADOS ~ sx$TOTAL_CREDITOS, data = s4)
RESIDUALES:
Minimo 1Q Mediana 3Q Maximo
-57.444
-15.389
-3.187
4.909
66.024
COEFiCIENTES:
Estimato
Error
Estandar
Valor
Probabilidad
(Interceptos)
6.17550
4.11963
0.893
0.435654
data3$Nº.colocaciones
0.063902
0.00951
5.077
5.077 0.00217
5 ***
Error residual estandar
15.52 en 47 grados de libertad
Multiple R cuadrado
0.5213,R cuadrado ajustado: 0.2456
R cuadrado ajustado 16.62 en 1 y 47 DF, p-value: 0.0001746
El modelo es:
𝐶𝑟é𝑑𝑖𝑡𝑜. 𝐶𝑎𝑠𝑡𝑖𝑔𝑎𝑑𝑜𝑋 =6.17550 + 4.11963 ∗ 𝐶𝑟é𝑑𝑖𝑡𝑜𝑥
32
Análisis de la rentabilidad
Ahora realizaremos un modelo teniendo como variable dependiente Rentabilidad y las
variables independientes a Nivel de exposición y Nivel de incumplimiento.
Vemos la relación que existen entre las variables mencionadas.
Verificación del modelo en función de sus residuos:
1. Normalidad de los residuos (Prueba de Kolmogorov-Smirnov):
Ho: Los residuos tiene normalidad
H1: Los residuos no tienen normalidad
D = 0.068893, p-value = 0.31
Como el p-valor > 0.05 podemos decir
que los residuos si tiene una distribució
n normal.
NIVEL.RENTABILIDAD
0 50 100 150 200 250
0.0
0.2
0.4
0.6
0.8
1.0
050
100
150
200
250
NIVEL.DE.EXPOSICION
0.0 0.2 0.4 0.6 0.8 1.0 0 50 100 150 200 250 300
050
100
150
200
250
300
NIVEL.DE.INCUMPLIMIENTO
-3 -2 -1 0 1 2 3
-2-1
01
23
Normal Q-Q Plot
Theoretical Quantiles
Sa
mp
le Q
ua
ntile
s
33
2. Homocedasticidad de los residuos:
Podemos verificar mediante la prueba
de Breusch - Pagan
Ho: Los errores tiene varianza constante
H1: Los errores no tienen varianza
constante
BP = 19.1, df = 2, p-value = 7.12e-05
Como el p-valor < 0.05 podemos decir
que los residuos no tienen una varianza
constante.
3. Independencia de los residuos:
Podemos verificar mediante la prueba
de Durbin-Watson:
Ho: los residuos son independientes.
H1: los residuos no son independientes.
DW = 1.8792, p-value = 0.1745
Como el p-valor > 0.05 podemos decir
que los residuos si son independientes
.
También vemos su correlación entre dichas variables.
Tabla 1:
=========================================================================
Estadisticas N Media St. Dev. Min Perc(25) Perc(75) Max
-------------------------------------------------------------------------
NIVEL.RENTABILIDAD 196 0.359 0.365 0.007 0.010 0.766 0.974
NIVEL.DE.EXPOSICION 196 57.464 53.230 1 15 93 264
NIVEL.DE.INCUMPLIMIENTO 196 25.265 41.893 1 1 26 290
CREDITOS.CASTIGADOS 196 57.44 15.230 1 15 66 266
Elaboración Propia
Observamos que Rentabilidad presenta una relación negativa respecto al nivel de exposición
y una relación positiva con el nivel de incumplimiento.
-4 -3 -2 -1 0
-2-1
01
23
HOMOCEDASTICIDAD DE RESIDUOS
Y1
r1
0 50 100 150 200
-2-1
01
23
GRÁFICO DE ORDEN VS RESIDUOS
Orden
r1
34
Tabla 2:
=========================================================================
NIVEL.RENTABILIDAD NIVEL.DE.EXPOSICION NIVEL.DE.INCUMPLIMIENTO CREDITOS.CASTIGADOS
-------------------------------------------------------------------------
0.010 91 1 91
0.433 52 2 52
0.010 56 1 56
0.049 65 4 65
-------------------------------------------------------------------------
Elaboración Propia
Observamos que el modelo resulta ser significativo ya que presenta un p-valor < 0.05.
Una vez que tenemos los datos estructurados adecuadamente, analizamos el comportamiento
de las variables: La rentabilidad, nivel de riesgo de incumplimiento y nivel de riesgo de
exposición.
El modelo Lineal (modelo econométrico) viene dado de la siguiente forma:
Nivel Rentabilidad
Nivel de Riesgo de Incumplimiento
Nivel de Riesgo de Exposición
e = Error
Los coeficientes (parámetros) B1 y B2 indican la magnitud del efecto de las variables
exógenas (nivel de riesgo de incumplimiento y del nivel de riesgo de exposición) que tienen
sobre la variable endógena (Nivel de rentabilidad). El coeficiente B0 es un término constante
o independiente del modelo y, por último, el término se denomina del error del modelo.
Luego se realiza la estimación de los parámetros del modelo econométrico que hemos
planteado. Para ello, usaremos el paquete estadístico Rstudio que nos permite examinar un
cuadro de salida con los siguientes estimadores.
Log(Nivel Rentabilidad) = B0 + B1Log(Nivel Riesgo Incumplimiento) + B2Log(Nivel
Riesgo de exposición) + B3Log(Nivel Riesgo de créditos castigados)+e
e
35
Regresión del modelo
==========================================================================
Variable Dependiente:
-------------------------------------------------
NIVEL.RENTABILIDAD)
(1) (2)
--------------------------------------------------------------------------
NIVEL.DE.INCUMPLIMIENTO 0.857*** -0.858***
(0.058) (0.053)
NIVEL.DE.EXPOSICION -0.403***
(0.067)
CREDITOS.CASTIGADOS 0.868*** -0.748***
(0.058) (0.053)
Constant -3.921*** -2.551***
(0.151) (0.265)
--------------------------------------------------------------------------
Observationes 196 196
R2 0.8995 0.929
Ajustado R2 0.921 0.925
Residual Std. Error 1.325 (df = 194) 1.218 (df = 193)
F Estadistica 213.233*** (df = 1; 194) 144.440*** (df = 2; 193)
==========================================================================
Note: *p<0.1; **p<0.05; ***p<0.01
Elaboración Propia
La ecuación del modelo definitivo ajustado es:
En esta ecuación observamos que un crecimiento del 1% en el riesgo de nivel de
incumplimiento esto produce que la rentabilidad disminuye en 0.85%,
De igual forma, un aumento del 1% en el riesgo de nivel exposición genera una disminución
en la rentabilidad en 0.40%.
El R2 tiene un valor 0.8995 que significa el 89.95% de la variación en la rentabilidad que se
explica mediante el riesgo de incumplimiento y riesgo de exposición, este resultado indica
que la significancia está en un buen porcentaje. Los resultados de la regresión del modelo se
explican con esas dos variables.
Log(NivelRentabilidad) = -0.858 Log(NivelRiesgoIncumplimiento) – 0.403 Log(
NivelRiesgoExposicion) -0.4353 Log(NivelRiesgoDeCreditosCastigados).
36
Prueba de Hipótesis
El modelo planteado es una aproximación de lo investigado, establecemos criterios que
indiquen que se puede demostrar el modelo para verificar si los valores considerados
coincide con las perspectiva de la teoría que deseamos demostrar.
Hipótesis especifica N°1
Se probara que la incidencia de la variable de nivel de riesgo de incumplimiento
Hipótesis estadística
H0: B1=>0; La variable de nivel de riesgo de incumplimiento no afecta al aumento de la
rentabilidad de forma negativa.
H1: B1=>0; La variable de nivel de riesgo de incumplimiento si afecta al crecimiento de la
rentabilidad.
Nivel de significación 𝛼 = 5%
Valor critico t= 1.703 (tabla de distribución t student)
Estadística de Prueba t-stat =B1/sdt error = 16.071
Decisión: como 16.071es mayor que el valor critico entonces se rechaza H0 y se acepta H1.
Hipótesis especifica N°2
Se probara que la incidencia de la variable de nivel de riesgo de exposición
Hipótesis estadística
H0: B1=>0; La variable de nivel de riesgo de exposición no afecta al crecimiento de la
rentabilidad de forma negativa.
H1: B1=>0; La variable de nivel de riesgo de exposición si afecta al aumento de la
rentabilidad.
Nivel de significación 𝛼 = 5%
Valor critico t= 1.703 (tabla de distribución t student)
Estadística de Prueba t-stat =B1/sdt error = -6.047
Decisión: como -6.047 es mayor que el valor critico entonces se rechaza H0 y se acepta H1.
37
Discusión:
A partir de los datos encontrados en la investigación, se puede señalar que la rentabilidad de
la empresa ha mejorado gracias a un buen seguimiento en la gestión de la cartera de parte de
los analistas, que ha sido evidenciado en los gráficos respecto a la evolución de los créditos
otorgados vs los riesgos de incumplimiento y créditos otorgados vs los riesgos en exposición,
en donde se observa una disminución sustancial.
Este trabajo se realizó con el propósito de saber si existe un impacto positivo entre la
gestión de los riesgos de incumplimiento y de exposición de los créditos. Además, de cómo
influye dentro de la rentabilidad de la financiera Proempresa.
Es sustancial predominar las importantes limitaciones de esta investigación, debido a
que la metodología accedió a lograr el objetivo planteado ya que demostró la relación
entre la gestión de riesgos de endeudamiento e incumplimiento y de cómo repercuten en la
rentabilidad, debido a que se usó la estimación estadistica. Sin embargo, esta presenta
limitaciones ya que no se contemplan factores endógenos.
Asimismo en la presente investigación realizada, se encontraron resultados que
prueban que la financiera ha mejorado su gestión de riesgos de incumplimiento y de
endeudamiento, lo cual se evidencia por las diferentes estrategias que adoptó. Esto se
observa en la mejora de sus indicadores en los años analizados como: en la disminución de
clientes que están con incumplimiento de sus pagos de cuotas y los que presentan un mayor
riesgo de endeudamiento al momento de evaluarlo para darle un crédito.
Del mismo modo, es semejante con la tesis de Camac (2018) sobre: “La gestión del
riesgo y rentabilidad en la financiera Proempresa S.A agencia Huánuco en el periodo 2017”
donde explica que ahora en las agencias están aplicando procesos estandarizados, ya que
ahora verifican toda la información de sus clientes aplicando medidas de diligencia para
saber que productos se adecuan a las necesidades del cliente. Otro aspecto, que toman en
cuenta es segmentar a sus clientes, y brindarles alternativas de financiamiento de corto plazo
para superar los posibles endeudamientos que amenacen su récord crediticio y esto se
evidencia en el aumento de la rentabilidad de la Financiera Proempresa entre el 2016 y 2017,
gracias a una buena aplicación de estrategias de recuperación.
38
Al analizar la data de la Financiera Proempresa del presente trabajo sobre su riesgo
de exposición, se muestra que le falta optar medidas que le permitan mejorar su
rentabilidad. Es por ello que optó en establecer estrategias, como realizar un análisis
adecuado de sus clientes, verificar si cumplen los requisitos para solventar el pago de cuotas,
también pedir garantías reales o realizar un adecuado seguimiento de cartera. Así mismo, en
contraste con la tesis realizada por Artaza (2017) titulada “Gestión de riesgos financieros y
su incidencia en la rentabilidad de las empresas del sector bancario, distrito de San Isidro,
año 2017”, indica que la gestión de riesgos financieros incurre en la rentabilidad de las
empresas financieras. Sin embargo, menciona que esto se puede mitigar gracias a que el área
de tesorería puede proyectar estimados de los riesgos de créditos o poner un crédito
otorgado a una persona natural o jurídica que tiene una probabilidad de perdida, es decir, el
dinero no se ha recuperado total o parcialmente, y como consecuencia esto perjudicaría la
rentabilidad y ganancias de la empresa.
39
Referencias
Calderón, R. (2014). La Gestión del Riesgo Crediticio y su Influencia en el Nivel de
Morosidad de la Caja Municipal de Ahorro y Crédito de Trujillo - Agencia Sede
Institucional - periodo 2013. Trujillo: Universidad Nacional de Trujillo.
Carvajal, A. & Escobar, M. (2015). Aplicación de la herramienta integrada de control
interno y administración de riesgos, enmarcada en un buen gobierno corporativo
para pequeñas y medianas empresas en Colombia. Bogotá: Universidad Externado de
Colombia.
Guenaga, A. (2018). Implicaciones éticas de la Gestión de riesgos más allá de la protección
del valor de la Empresa. Recuperado de
https://search.proquest.com/docview/2173475821?accountid=43847
Guiltinan, J. (1984). Administración de Mercado, Estrategias y Programas. México:
McGraw-Hill
Holguín, D. & Mejía, A. (2017). Comparación de metodologías para la gestión de riesgos en
los proyectos de las pymes: Journal of strategic studies journal of strategic
studies. Revista Ciencias Estrategicas, 25(38), 319-338.
Larios, J.; González, C. & Álvarez, V. (2016). Investigación en Economía y Negocios:
Manual de metodología con aplicaciones de E-views. Lima: Fondo editorial de la
Universidad San Ignacio de Loyola.
Ocampo, M. (2014). Sistema bancario colombiano y la educación financiera. Caso banco
Davivienda. Aglala, 5(1), 143-167. doi:10.22519/22157360.757. Recuperado de
http://revistas.curnvirtual.edu.co/index.php/aglala/article/view/757
Partal, A. & Gómez, P. (2015). Gestión de riesgos financieros en la banca internacional.
España: Editorial Pirámide.
Velorio, M. (2016). El Crédito Financiero y su Incidencia en el Desarrollo de la Gestión
Financiero de as MYPES del Distrito de los Olivos - Lima 2014. Lima: Facultad de
Ciencias Económicas de la Universidad San Martin de Porres.