El presente trabajo de investigación abarca las cajas municipales de ahorro y crédito del Perú, sin considerar a la caja metropolitana de Lima, por el período comprendido entre los años 2005-2012, y busca, principalmente, identificar las variables microeconómicas que le son propias a cada empresa, además de señalar las variables macroeconómicas agregadas que inciden en los niveles de morosidad de estas entidades. A diferencia de otros estudios realizados en el país, la presente investigación busca efectuar un análisis más específico de empresas similares. Para ello, se analiza uno de los subsistemas de empresas microfinancieras, en este caso, las cajas municipales de ahorro y crédito. Asimismo, si bien se considera las variables microeconómicas y macroeconómicas que resultaron significativas en otros trabajos de investigación similares, también se han considerado rezagos en variables como la de rentabilidad patrimonial; la de diversificación regional; el PBI Hodrick Prescott.

El desarrollo económico y social que ha experimentado el país durante los últimos veinte años, como consecuencia del programa de ajuste económico y redefinición del modelo de desarrollo que se implementó a inicios de la década de 1990, ha generado asimetrías y desequilibrios que no han sido cubiertos con la intervención del Estado ni la iniciativa empresarial privada, por lo que aún subsisten sectores (especialmente en zonas rurales) excluidos del sistema económico. En este contexto, la Corporación Financiera de Desarrollo (Cofide) desarrolló una iniciativa en favor de los sectores excluidos de la población, trayendo al país una metodología de inclusión desarrollada en Honduras, la cual tiene como eje de intervención el componente microfinanciero. El componente microfinanciero del modelo se construye sobre microunidades de ahorro y crédito denominadas uniones de crédito y ahorro (UNICA), que implica la asociación de familias de manera autogestionada. Cofide proporciona el soporte necesario para la formación de estas y los beneficiarios aportan el fondo que se utiliza para la intermediación financiera. Esto es lo que define el éxito del modelo y su sostenibilidad en el tiempo, al constituirse el fondo de crédito con recursos propios, donde los beneficiarios se “apropian” del modelo. Si bien las Única son un efectivo vehículo de inclusión financiera, económica y social, que ha generado resultados muy valiosos para sus beneficiarios, tanto en el aspecto social como financiero, en la medida en que han logrado empoderarse y generar un capital social —en términos financieros— muy importante. Existen algunas Unica ubicadas en el departamento de Ica, donde se ha efectuado el presente trabajo de investigación, cuyos indicadores financieros no son muy favorables. Son cinco las Unica que han mantenido un nivel de morosidad constante durante el periodo diciembre 2016-setiembre 2017 al cual se denomina con morosidad alta y 13 Unica con morosidad media. En ese sentido, el análisis se enfoca en identificar las variables que influyen directamente en el nivel de morosidad de los grupos de ahorro y crédito, para que dicha información permita prevenir los casos de morosidad de las Unica, sobre todo de aquellas que se encuentran en una “morosidad media” por estar cerca de convertirse en una Unica con “morosidad alta” y ser de mayor número. Finalmente, se brindan recomendaciones de gestión del modelo con el fin de disminuir el riesgo de morosidad en las Unica, y replicarlo en forma masiva en otras zonas del departamento de Ica.

En los últimos años, se ha producido una intensa producción de investigación académica con respecto a los modelos que estiman o predicen los eventos de incumplimiento de pago, debido al mayor interés de las empresas por mantener una mejor gestión de riesgo de crédito. Por ello, el presente trabajo tiene como principal objetivo comparar la capacidad predictiva de los modelos tradicionales o estadísticos (Regresión Logística) contra modelos Machine Learning (XGBoost y Random Forest). Para lo cual, se emplea una muestra de compañías latinoamericanas que emitieron bonos corporativos durante el período de 1990 a 2022, analizando así un total de 389 empresas. Asimismo, se usó Bloomberg, como fuente de información para extraer los ratios financieros con frecuencia trimestral en el periodo ya mencionado, obteniendo así 51,060 observaciones. Una de las características de este trabajo es que se usaron las variables del modelo de puntaje Z de Altman junto con otros ratios financieros complementarios, para así mejorar la precisión de los modelos. Sin embargo, para la determinación del mejor modelo predictivo, se usaron las métricas de clasificación como el AUC (Área bajo la curva ROC), Precisión, Recall y Score F1, y los resultados mostraron que los modelos de Machine Learning tuvieron un mejor rendimiento de clasificación con respecto a la Regresión logística, siendo el modelo Random Forest el que mejor performance según las métricas de evaluación.