El Impacto de las Calificaciones de Crédito Computarizados Sobre los Préstamos en Colombia

Ubicación:
Zona Urbana de Colombia
Muestra:
1421 individuos
Línea de tiempo:
2010 - 2011
Grupo objetivo:
  • Small and medium enterprises
Resultado de interés:
  • Social service delivery
  • Provider Performance
  • Credit balance/repayment
Tipo de intervención:
  • Credit
  • Incentives
  • Information
  • Targeting
  • Technology
  • Simplification
Número de registro del AEA RCT Registry:
AEARCTR-0001978
Socios Implementadores:

Se piensa que las pequeñas y medianas empresas presentan un gran potencial como motores del crecimiento en los países en vías de desarrollo; sin embargo, estas muchas veces no alcanzan su verdadero potencial por causa de ciertas barreras al crecimiento, tales como el acceso limitado al crédito. Los investigadores utilizaron una evaluación aleatoria para medir el impacto de introducir calificaciones de crédito computarizados sobre el nivel de préstamos a las micro y pequeñas empresas en Colombia. El programa aumentó significativamente la productividad en el proceso de aprobación de préstamos, y mejoró la distribución del crédito sin afectar el monto promedio de los préstamos ni las tasas de morosidad.

Problema de política pública

Se piensa que las pequeñas y medianas empresas (PyMEs) representan una fuente importante de innovación y empleo en los países en vías de desarrollo, dada su flexibilidad a la hora de responder a nuevas oportunidades de mercado, y a su potencial de crecimiento. Sin embargo, los emprendedores enfrentan una cantidad de barreras que limitan la expansión de sus negocios, y la contratación de nuevos trabajadores, incluyendo el acceso restringido al crédito.

Aunque establecer la solvencia crediticia de un prestatario potencial se ha convertido en un proceso relativamente fácil y barato en países desarrollados, gracias al uso de calificaciones de crédito, en países en vías de desarrollo este proceso puede ser engorroso si no existe información confiable sobre el historial crediticio y financiero de los potenciales clientes bancarios. El alto costo asociado a la evaluación del riesgo de los solicitantes de préstamos puede superar los retornos financieros del préstamo, haciendo que los bancos sean reticentes o incapaces de ofrecer préstamos a las PyMEs. Las calificaciones de crédito se han utilizado de manera exitosa en Estados Unidos y en otros países desarrollados para reducir el costo de identificar la solvencia crediticia de los postulantes, sin embargo, existe poca evidencia acerca de si las calificaciones de crédito generadas por computadora podrían funcionar en el contexto de países en vías de desarrollo.

Contexto de la evaluación

Los investigadores colaboraron con BancaMía, un banco con fines de lucro que ofrece préstamos a pequeñas y medianas empresas en Colombia. Antes de que se llevara a cabo este estudio, BancaMía tomaba todas sus decisiones acerca de sus préstamos en base a información recolectada por oficiales de crédito. Las solicitudes que incluían la información recolectada eran revisadas por el comité de crédito, el cual las aprobaba o rechazaba. En los casos más complicados, el comité podía también referir la solicitud a gerentes de altos cargos, o bien, aplazar su decisión hasta que se pudiera recolectar más información. El proceso de aprobación de préstamos en este sistema quedaba a criterio del comité y era muy caro, dado el alto número de referencias y rondas de levantamiento de información. En un esfuerzo por mejorar su proceso de aprobación de préstamos, BancaMía desarrolló su propio software de calificación de crédito, el cual produce calificaciones de crédito basadas en información verificable del cliente.

Woman counts money in register
A small business owner in Colombia. Photo: Paul Smith | J-PAL/IPA
Paul Smith

Detalles de la intervención

Los investigadores, en colaboración con BancaMía, aplicaron una evaluación aleatoria para medir el impacto del software de calificación de crédito sobre el proceso de aprobación de préstamos, y sus efectos sobre los resultados de préstamos.

De las 1.421 solicitudes de préstamo que fueron calificadads utilizando el nuevo software, 1.086 puntajes fueron seleccionados de manera aleatoria para ser revelados al comité. Los puntajes se revelaron al inicio del proceso de revisión de la solicitud, o bien, después de que el comité hubiera terminado una revisión inicial y hubiera tomado una decisión provisional sobre si ofrecería el préstamo o no. Aunque los miembros del comité en el segundo caso no conocían el puntaje exacto del postulante, sí sabían que se les informaría del puntaje una vez tomada su decisión provisional.

Los investigadores levantaron información sobre varios aspectos del proceso de aprobación de préstamos (por ejemplo, el tiempo promedio de evaluar una postulación, el número de aprobaciones y rechazos etc.), además de información sobre el rendimiento de los préstamos y la tasa de morosidad.

Resultados y lecciones de la política pública

Impacto sobre Esfuerzo y Rendimiento del Comité de Crédito: Revelar los puntajes de crédito generados por la computadora al inicio del proceso de revisión de la solicitud aumentó la probabilidad de que el comité tomara una decisión, así como la cantidad de esfuerzo invertido en la revisión de la solicitud. Ver el puntaje de antemano aumentó la probabilidad de que el comité tomase una decisión en 4,6 puntos porcentuales de su base de 89 por ciento. Este cambio fue impulsado por la reducción en el número de postulaciones que fueron referidas a los gerentes de banco, y en el número de casos en que el comité pidió recolectar más información para una segunda ronda de evaluaciones. Además, el comité dedicó más tiempo a la evaluación de las solicitudes de préstamo, especialmente en casos más complejos (es decir, solicitudes para préstamos más grandes).

El comité también se volvió más productivo cuando sabía que un puntaje estaría a su disposición después de la evaluación inicial. La anticipación de conocer el puntaje aumentó la probabilidad de que el comité tomase una decisión de aprobar o rechazar una postulación en 3,9 puntos porcentuales. Esta mejora en la productividad del comité, aun cuando no hubiera un puntaje crediticio, sugiere que tal vez el comité ya contaba con la información necesaria para tomar una decisión sobre las solicitudes más complejas, pero carecía de los incentivos de usar esa información de manera eficiente.

El Impacto sobre la Distribución de Préstamos y su Rendimiento: Aunque ofrecer puntajes computarizados al comité no afectó el tamaño promedio de los préstamos entregados ni las tasas de morosidad entre los prestatarios, sí mejoró la distribución de crédito. Los puntajes de crédito computarizados redujeron la incertidumbre sobre la solvencia crediticia de los prestatarios, permitiendo que los bancos otorgaran préstamos más grandes a prestatarios de menor riesgo, y préstamos más pequeños a prestatarios de mayor riesgo. En consecuencia, no hubo cambios en el tamaño promedio del préstamo ofrecido, sin embargo, el banco tuvo mayor capacidad de emparejar las características del prestatario con el tipo de préstamo.

Considerando estos puntos en conjunto, los resultados muestran que el programa de calificaciones de crédito tuvo un impacto significativo sobre la productividad de los bancos. Específicamente, el acto de sintetizar la solvencia crediticia del prestatario potencial en un número simple y fácil de entender aumentó la cantidad de casos complejos que el comité de crédito decidió resolver. Asimismo, el puntaje estimuló a los miembros del comité a invertir un mayor esfuerzo en las postulaciones complejas. Esto potencialmente podría reducir la cantidad de trabajo de los gerentes de banco, y el costo de administrar préstamos para el banco. El aumento en la productividad, aun cuando no se ofreció nueva información al comité de crédito, también implica que los bancos probablemente necesiten ofrecer mejores incentivos a los trabajadores que tengan información útil.

Paravisini, Daniel, and Antoinette Schoar. "The Incentive Effect of IT: Randomized Evidence from Credit Committees." NBER Working Paper No. 19303, August 2013.
1.
The World Bank. “Understanding Poverty” Topics. Small and Medium Enterprises (SMEs) Finance. Accessed in September 2021 at https://www.worldbank.org/en/topic/smefinance
2.
Wendel, Charles and Matthew Harvey. 2006. “SME Credit Scoring: Key Initiatives, Opportunities, and Issues.” The World Bank Group Access Finance Newsletter, March 2006. Accessed August 27, 2021.  http://www-wds.worldbank.org/external/default/WDSContentServer/WDSP/IB/2007/03/09/000310607_20070309164527/Rendered/PDF/389550AF101Wendel1article01PUBLIC1.pdf