Un modelo de panel de datos aplicado al efecto de variables micro y macroeconómicas en la cartera vencidael caso de los bancos colombianos

  1. ROMARIO ADEMIR CONTO LÓPEZ 1
  2. HERNÁN DARÍO VILLADA MEDINA 1
  3. JUAN FERNANDO RENDÓN GARCÍA 1
  1. 1 Instituto Tecnológico Metropolitano
    info

    Instituto Tecnológico Metropolitano

    Medellín, Colombia

    ROR https://ror.org/03zb5p722

Revista:
Rect@: Revista Electrónica de Comunicaciones y Trabajos de ASEPUMA

ISSN: 1575-605X

Año de publicación: 2019

Volumen: 20

Número: 2

Páginas: 167-180

Tipo: Artículo

DOI: 10.24309/RECTA.2019.20.2.04 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Rect@: Revista Electrónica de Comunicaciones y Trabajos de ASEPUMA

Resumen

Este trabajo examina los determinantes del índice de cartera vencida (ICV) en el sector bancario colombiano, mediante la implementación de un modelo con datos de panel a largo plazo. El estudio se hace por línea de crédito (vivienda, comercial, consumo y microcrédito) y su motivación es la hipótesis de que tanto el comportamiento macroeconómico como variables específicas de los bancos tienen efecto sobre la cartera vencida y que dicho efecto varía dependiendo de la línea de crédito. Los resultados permiten concluir que es posible explicar el ICV colombiano principalmente por variables macroeconómicas como la tasa de cambio representativa del mercado colombiano (TRM) y la tasa de interés real, y por variables propias de los bancos como la ratio de provisiones y la solvencia. Además, se evidencia que los efectos varían dependiendo de la línea de crédito, donde la línea de vivienda es la que menos responde a cambios en variables micro y macroeconómicas; mientras que la línea comercial es la que muestra mayor influencia de estas variables.

€ Ver financiación

Información de financiación

Este artículo es resultado del proyecto de investigación “Aplicación de metodologías para el estudio de los fenómenos en los mercados financieros”, financiado por el Tecnológico de Antioquia I.U. (Medellín, Colombia) y el Instituto Tecnológico Metropolitano (Medellín, Colombia)

Financiadores

Referencias bibliográficas

  • L. Agnello and R. Sousa, “How do banking crises impact on income inequality?,” NIPE Work. Pap., 30(2011).
  • M. Festić, A. Kavkler, and S. Repina, The macroeconomic sources of systemic risk in the banking sectors of five new EU member states, J. Bank. Financ. 35 (2011) 310–322.
  • M. Nkusu, Nonperforming Loans and Macrofinancial Vulnerabilities in Advanced Economies, IMF Work. Pap. 11/161 (2011).
  • D. T. Llewellyn, An analysis of the causes of recent banking crises, Eur. J. Financ. 8 (2002) 152–175.
  • V. Castro, “Macroeconomic determinants of the credit risk in the banking system: The case of the GIPSI,” Econ. Model. 31 (2013) 672–683.
  • C. M. Reinhart and K. S. Rogoff, From Financial Crash to Debt Crisis, NBER Work. Pap. 15795, (2010).
  • A. S. Messai and F. Jouini, Micro and Macro Determinants of Non-performing Loans, Int. J. Econ. Financ. Issues. 3 (2013) 852–860
  • A. Sagner, El índice de cartera vencida como medida de riesgo de crédito: análisis y aplicación al caso de chile, Cent. Bank Chile Work. Pap. 618 (2011).
  • D. P. Louzis, A. T. Vouldis, and V. L. Metaxas, Macroeconomic and bank-specific determinants of nonperforming loans in Greece: A comparative study of mortgage, business and consumer loan portfolios, J. Bank. Financ., 36 (2012) 1012–1027.
  • V. Makri, A. Tsagkanos,and A. Bellas, Panoeconomicus, Determ. non-performing loans case Eurozone. 61 (2014) 193–206.
  • A. S. Amin, M. O. Imam, and M. Malik, Regulations, Governance, and Resolution of Non-Performing Loan: Evidence from an Emerging Economy, Emerg. Mark. Financ. Trade. 55 (2019) 2275–2297.
  • V. Salas and J. Saurina, Credit risk in two institutional regimes: Spanish commercial and savings banks, J. Financ. Serv. Res. 22 (2002) 203–224.
  • N. Zribi and Y. Boujelbène, The factors influencing bank credit risk: the case of Tunisia, J. Account. Tax. 3 (2011) 70–78.
  • R. T. Clair, Loan growth and loan quality: some preliminary evidence from Texas banks, Fed. Reserv. Bank Dallas Econ. Rev. 9 (1992).
  • B. González-Hermosillo, C. Pazarbaşioğlu, and R. Billings, Determinants of Banking System Fragility: A Case Study of Mexico, Staff Pap. (International Monet. Fund). 44 (1997) 295–314.
  • A. Ali and K. Daly, Macroeconomic determinants of credit risk: Recent evidence from a cross country study, Int. Rev. Financ. Anal. 19 (2010) 165–171.
  • T. O. Berge and K. G. Boye, An analysis of bank’s problem loans, Norges Bank Econ. Bull. 78 (2007) 65–76.
  • L. Rinaldi and A. Sanchis-Arellano, Household debt sustainability: What explains household nonperforming loans? An empirical analysis, Eur. Cent. Bank Work. Pap. Ser. No 570, January, Frankfurt, (2006).
  • A. Cifter, S. Yilmazer, and E. Cifter, Analysis of sectoral credit default cycle dependency with wavelet networks: Evidence from Turkey,”Econ. Model. 26 (2009) 1382–1388.
  • M. Segoviano, C. Goodhart, and B. Hofmann, Default, Credit Growth, and Asset Prices, IMF Work. Pap. 223, (2006).
  • N. H. Ahmad and M. Ariff, Multi-country study of bank credit risk determinants, Int. J. Bank. Financ. 5 (2007) 135–152.
  • A. N. Berger and R. DeYoung, Problem loans and cost efficiency in commercial banks, J. Bank. Financ. 21 (1997) 849–870.
  • J. Podpiera and L. Weill, Bad luck or bad management? Emerging banking market experience, J. Financ. Stab. 4 (2008) 135–148.
  • H. Chaibi and Z. Ftiti, Credit risk determinants: Evidence from a cross-country study, Res. Int. Bus. Financ. 33 (2015) 1–16.
  • C. Brooks, Introductory Econometrics for finance, 2nd Edition, Cambridge (2008)
  • J. A. Hausman, Specification Tests in Econometrics, Econometrica. 46 (1978) 1251-1271.
  • B. H. Baltagi, Econometric analysis of panel data, 3rd Edition, John Wiley & Sons Inc., New York. (2005)
Fuente de los datos: Dialnet