Determinantes de rentabilidad: una aplicación a bancos en Argentina en el período 2005-2010

Revista Nº 71 Jul.-Sep. 2017

Margarita Díaz* 

Fernando García* 

Eliana Werbin** 

(Argentina) 

*Instituto de Estadística y Demografía, Facultad de Ciencias Económicas (UNC)

**Departamento de Contabilidad, Facultad de Ciencias Económicas (UNC)

Resumen

En este artículo se realizó un análisis de la información financiera de los bancos en Argentina para el período 2005-2010, con el objetivo de identificar los determinantes de su rentabilidad. En una primera etapa los bancos se clasificaron en diversos clusters. En una segunda, se analizaron los factores determinantes de la rentabilidad en cada uno de los clusters mediante un modelo lineal mixto con ordenada al origen aleatoria. En general, las variables que explican el comportamiento de la rentabilidad en todos los clusters son Spread intereses, Spread no intereses y Gastos administrativos.

Palabras clave:

Estados financieros; K-medias robusto; Modelo lineal mixto; Ratios contables; Rentabilidad.

Contenido

Introducción

1. Revisión de la literatura: modelos de rentabilidad bancaria

2. Contexto de los bancos en Argentina en la década del 2000

3. Metodología

3.1. Variables para la conformación de los clusters

3.2. Variable respuesta y covariables en el modelo de rentabilidad

4. Resultados y discusión

4.1. Agrupamiento

4.2. Modelos de rentabilidad

Conclusión

Bibliografía

Introducción

Las condiciones actuales de la economía mundial llevan a las empresas a una nueva realidad, signada por la exigencia y la competitividad. Hoy todas las organizaciones, y los bancos como un tipo particular de ellas, se enfrentan a mercados globales y a economías integradas internacionalmente. La globalización implica, por tanto, un aumento de la competencia en la mayoría de los sectores de la economía. Por otra parte, existe también una creciente concentración de la actividad económica en grandes empresas internacionales, como una estrategia de supervivencia.

Todo esto lleva a mayores exigencias para los administradores, los que deben conocer a fondo las empresas que dirigen, y cómo estas logran la rentabilidad que les permite mantenerse en un mundo cada vez más competitivo.

El objetivo de este trabajo es encontrar los factores determinantes de la rentabilidad en bancos argentinos durante el período 2005-2010, aspecto relevante ya que brinda información útil para la toma de decisiones por parte de los administradores de las entidades financieras. Se trabaja con cuatro clusters, obtenidos a través del algoritmo k-Medias robusto aplicado a datos del período mencionado.

Se aplica un modelo lineal mixto (MLM) en cada uno de los grupos identificados, siendo la variable dependiente el beneficio neto y las variables independientes las utilizadas por Werbin (2010), quien encontró que las más significativas fueron el Spread (diferencia entre ingresos y egresos) proveniente de intereses, el Spread proveniente de otras fuentes distintas a los intereses, y los gastos administrativos. De esta manera, se puede realizar una comparación entre los resultados del estudio mencionado y los del presente.

Este trabajo constituye un avance en el conocimiento porque aplica una metodología estadística avanzada, no utilizada hasta el momento, para encontrar los factores determinantes de la rentabilidad en bancos argentinos.

1. Revisión de la literatura: modelos de rentabilidad bancaria

Existen diversos estudios referidos a determinantes de la rentabilidad en bancos. En primer lugar, puede mencionarse el trabajo de Hunter y Srinivasan (1990), que determinan los factores que llevan al éxito a los bancos nuevos en EE. UU. Se indica como exitoso un banco para el cual su rendimiento sobre activo (ROA) iguala o supera el 80% del ROA medio para los bancos ya establecidos. Se concluye que tres características internas específicas de los bancos aparecen como las primeras determinantes de la probabilidad del logro del éxito financiero por parte de los bancos nuevos: política de crédito (préstamos/activos), costos operativos (salarios/activos) y el nivel de capitalización. Otros factores, como la composición de la cartera de créditos y leyes sobre sucursales aparecen como significativos, pero menos importantes. Este estudio, si bien analiza un determinado grupo de bancos (los bancos nuevos en EE. UU.), realiza un importante aporte desde el punto de vista de mostrar que sí es posible encontrar factores que explican el éxito de las entidades del sector.

Posteriormente, Naceur y Goaied (2001) encuentran los determinantes del desempeño de los bancos en Túnez. Para ello analizan a las instituciones financieras durante el lapso de quince años, tomando como medidas la rentabilidad sobre activos (ROA) y rentabilidad sobre capital (ROE), verificando su relación con la productividad, tamaño, capitalización, composición de cartera, cotización en bolsa y reformas financieras. Los principales determinantes del desempeño son: productividad laboral, composición de cartera, productividad del capital y capitalización. Esto muestra que el desempeño es principalmente una función de factores endógenos que están bajo el control de la administración. El aporte de ese estudio al presente trabajo es que permite demostrar que en países en desarrollo también es posible encontrar factores determinantes del desempeño, utilizando el método de regresión.

En una línea un poco diferente pero relacionada, Ketkar, Noulas y Agarwal (2003) estiman la eficiencia y la productividad de los bancos comerciales en India, incluyendo privados y extranjeros. Se utiliza el método DEA (método análisis envolvente de datos), analizando desde 1990 a 1995. El promedio de eficiencia para toda la muestra es aproximadamente 69%. De acuerdo con esto, los bancos en promedio pueden producir la misma cantidad de salidas (de acuerdo al método DEA) reduciendo sus entradas en un 31%. Los bancos extranjeros son los más eficientes. El tamaño está positivamente relacionado con la eficiencia, mientras que el número de sucursales se relaciona negativamente. Una menor cantidad de sucursales de los bancos extranjeros y una ubicación más metropolitana explican su mayor eficiencia. Se concluye que los bancos en India necesitan mejorar su eficiencia a través de la introducción de nuevas tecnologías, mejoras administrativas o mediante consolidaciones o fusiones. Este estudio utiliza una metodología diferente de la empleada en este trabajo, pero que sin embargo permite determinar factores relevantes para evaluar el desempeño de los bancos.

El más representativo y similar al presente estudio es el de Bodla y Verma (2006), en el que se plantea que las reformas del sistema financiero han cambiado la cara de los bancos en India. Las modificaciones incluyeron la adopción de normas prudenciales en términos de capitales mínimos, clasificación y previsionamiento de activos, desregulación de tasas de interés, ratios de liquidez, apertura del sector a la participación privada, permiso a bancos extranjeros para operar, etc. Así se pudieron crear instituciones financieras estables y eficientes, y se logró el desarrollo de la industria bancaria.

Estos cambios sucedieron rápidamente, y el foco viró hacia la calidad de servicio que se presta a los clientes. La nueva ola llevó a un incremento en la productividad de los recursos, en el nivel de depósitos, créditos y rentabilidad, y una disminución de activos no rentables. Hubo un importante crecimiento de los bancos, y aún hoy los bancos públicos dominan la escena en India.

Los autores indican que las entidades financieras enfrentan importantes cambios tales como: el progreso de la tecnología, normas prudenciales, competencia en crecimiento, nivel preocupante de activos no productivos, aumentos de las expectativas de los clientes, presión por la rentabilidad, administración de activos, liquidez, riesgo de crédito, aumento de gastos operativos, disminución del Spread, entre otros. En este escenario, una administración eficiente intentará aumentar los beneficios, para lo que se requiere conocer los factores que los explican. En esta línea, el artículo identifica los determinantes de la rentabilidad de los bancos públicos en India con datos desde 1991 hasta 2003.

Las variables consideradas son: Spread, ingresos no provenientes de intereses, ratio créditos/depósitos, activos no productivos/activos, previsiones y contingencias, gastos operativos, negocios por empleado, beneficio por empleado y beneficio neto. Se aplicó un modelo lineal clásico (MLC) para cada año, siendo el beneficio neto la variable dependiente y el resto, las independientes.

Los resultados a los que arriban los autores indican que la variación causada por las variables independientes en el beneficio neto es significativa, siendo las más relevantes: ingresos no provenientes de intereses, gastos operativos, provisiones y contingencias, y Spread. Algunas variables como ratio créditos/depósitos, activos no productivos, negocios por empleado y beneficios por empleado no tienen poder explicatorio.

Werbin (2010) en su tesis doctoral replica este estudio para bancos argentinos para el período 2005-2007, analizando los determinantes de la rentabilidad en cada clusters de bancos, aplicando un MLC para cada año.

En este trabajo se realiza un análisis similar, ampliando el período de estudio (2005-2010) y aplicando otra metodología para la conformación de los clusters y la identificación de los factores determinantes de la rentabilidad en cada uno de ellos.

2. Contexto de los bancos en Argentina en la década del 2000

La economía argentina entró en una senda de recuperación sólida después de la grave crisis económica 2001-2002 que implicó una devaluación significativa. La recuperación posdevaluación llevó las tasas de crecimiento del producto interno bruto (PIB) real al 8,8% en el 2003; 9,0% en el 2004; 9,2% en el 2005; 8,5% en el 2006; 8,7% en el 2007; 6,8% en el 2008; 0,9% en el 2009 y 9,2% en el 2010 (según las estadísticas nacionales argentinas agencia Indec).

La economía argentina está dominada por el sector servicios, que aportó cerca del 60% del PIB total en 2009. Los subsectores principales de los servicios son las finanzas y la banca, el transporte, el turismo y la información, las comunicaciones y la tecnología. El sector industrial sigue al sector servicios con una contribución del 33% al PIB total. Las industrias manufactureras que producen equipos de ingeniería pesada, motores y periféricos aeronáuticos, e indumentaria son los principales subsectores. La agricultura representaba alrededor del 8% del PIB total (Datamonitor 2010).

Las reformas relativas a la gestión se llevaron a cabo en Argentina durante la década de 1990 por dos administraciones diferentes. El alcance de la reforma fue muy amplio y abarca una variedad de temas, incluyendo la mejora del estado de derecho, el aumento de la transparencia en la administración pública, el aumento de la rendición de cuentas y la mejora de la calidad de la administración pública (Tuozzo 2009). Los efectos de la globalización y la disminución de la inflación en la contabilidad financiera argentina fueron muy positivos. Los informes financieros se volvieron más representativos de la realidad y en general mejoraron el contenido de la información de los estados financieros argentinos (Sandin y Porporato 2007).

A finales de 1980, el sector bancario argentino experimentó reformas hacia la desregulación y la liberalización. Estas se orientaron a la fuerza, seguridad y solidez de la industria. Durante la década de 1990, especialmente después de la crisis mexicana de 1994, el número de bancos se redujo de 165 en 1993 a 89 en el 2000, principalmente como resultado de las fusiones y adquisiciones entre bancos privados nacionales. Por su parte, el número de bancos públicos se redujo drásticamente debido a las privatizaciones, y varias instituciones financieras extranjeras entraron en el mercado nacional a través de la adquisición de bancos nacionales (Delfino 2007).

Todas las reformas no fueron suficientes para evitar una grave crisis a finales del 2001. En enero del 2002, Argentina abandonó el régimen de convertibilidad y cambió a un régimen de tipo de cambio flexible. El valor del peso argentino se desplomó en cuestión de días, la tasa de devaluación nominal de diciembre del 2001 a diciembre del 2003 se acercó al 200% (Bebczuk y Galindo 2008). El producto interno bruto (PIB) cayó un 10,9% en el 2002, y la inflación se aceleró (Alvarez-Plata y Schrooten 2003).

El papel del Banco Central ha variado desde la crisis económica y la política de Argentina a finales del 2001. El sistema bancario se ha ido recuperando constantemente desde entonces. La confianza en el sector bancario ha sido restaurada y, en consecuencia, el nivel de depósitos se ha incrementado. A pesar de la reducción del tamaño del mercado, varios bancos mostraron algunos beneficios para el año 2005. Tras la crisis económica del 2001, el Banco Central ha contribuido de forma decisiva a la construcción de un entorno más regulado para el sector bancario (Fortunati 2006).

A pesar de los buenos resultados del sector bancario de los últimos años, en todo el sistema los préstamos siguen siendo sobre todo a corto plazo, ya que el acceso a la financiación a largo plazo es limitado y los prestatarios son reacios a endeudarse a largo plazo a tasas variables. Los bancos argentinos se han enfrentado a una serie de retos, entre ellos la desaceleración del crecimiento interno, las condiciones macroeconómicas de incertidumbre, la inestabilidad financiera global, y la reducción en el tamaño del mercado local de capitales después de la nacionalización de los fondos de pensiones del 2008. Sin embargo, el sistema bancario argentino se ha adaptado bien a la crisis financiera mundial, permaneciendo líquido y bien capitalizado.

3. Metodología

Se consideraron los 64 bancos activos de Argentina en el año 2010, para cada uno de los cuales se tomaron los estados financieros de los últimos seis años. La fuente de datos son las publicaciones realizadas por el Banco Central de la República Argentina, para los meses de diciembre de los años 2005 al 2010.

3.1. Variables para la conformación de los clusters 

El análisis de agrupamiento tiene como objetivo la identificación de grupos relativamente homogéneos con base en un conjunto de variables específicas. El presente trabajo agrupa a los bancos, adoptando un criterio de estrategia o de productos ofrecidos, siguiendo a Wang (2007). Los grupos resultantes se caracterizan por un conjunto de variables estratégicas que afectan la toma de decisiones de la firma. La estrategia usualmente se manifiesta en diversas dimensiones simultáneamente. En la industria bancaria, estas dimensiones incluyen la mezcla de productos, fuentes de fondeo, enfoque del cliente, tamaño, alcance geográfico, etc.

Werbin (2010) hace una réplica del estudio mencionado para bancos argentinos en el período 2005-2007, siguiendo una estrategia de agrupamiento anual, concluyendo que la cantidad “ideal” de clusters es cuatro, vía la aplicación de un test F de reducción de variabilidad (Peña 2002). En el presente trabajo se utilizan las mismas variables, pero se amplía el período de estudio, ya que se analizan los estados financieros del 2005 al 2010. Adicionalmente, se aplica otra metodología que permite obtener un único agrupamiento a través de las medianas de las variables en el período bajo análisis, empleando para ello el algoritmo K-Medias robusto implementado en el software estadístico R.

Siguiendo a Werbin (2010), las variables que se emplean para armar los grupos son:

• Ingresos por servicios / total ingresos

• Títulos / total activos

• Depósitos / total activos

• Tasa pasiva implícita

• Préstamos personales + tarjetas de crédito / total préstamos

• Adelantos en cuenta corriente + descuentos de documentos + otros préstamos comerciales / total préstamos

• Patrimonio neto / total activos

El algoritmo de agrupamiento K-Medias se inicia con cuatro centros iniciales más o menos arbitrarios y los grupos se formaron asignando cada caso al grupo con el centro más cercano y luego recalculando el centroide (Lloyd 1982). En K-Medias robusto, en cada iteración se detectan los datos más alejados de los centros de todos los grupos, los cuales son considerados atípicos (Cuesta et al. 1997).

Este proceso continúa hasta que no hay mayores cambios en los centros de los grupos o hasta que un número máximo de iteraciones se realiza, conforme lo especifique quien realiza el análisis.

3.2. Variable respuesta y covariables en el modelo de rentabilidad 

La variable respuesta es el beneficio neto (bn), el cual es el resultado final que surge de la última línea del estado de resultados de los bancos. Comprende los ingresos, gastos, ganancias y pérdidas del ejercicio.

Las covariables que se emplean son similares a las utilizadas en el trabajo de Bodla y Verma (2006), con las siguientes variaciones:

• Bodla y Verma (2006) toman la variable “ingresos no provenientes de intereses”. En este trabajo se reemplaza por una denominada “Spread no intereses” que incluye los ingresos y egresos financieros no provenientes de intereses y por servicios, tal es la codificación de los balances de los bancos en Argentina.

• No se ha incluido la variable provisiones y contingencias por la alta correlación que presenta con otras.

• Las variables “negocios por empleado” y “beneficios por empleado” que utilizan Bodla y Verma (2006) son reemplazadas por la variable “(depósitos + préstamos) / personal”, ya que es la disponible más similar que puede encontrarse en la fuente de datos mencionada.

En función de lo anterior, las covariables utilizadas son:

tabla 1 con71
 

Modelo lineal mixto

El panel de datos está conformado por la información de los bancos en el período 2005-2010. En nuestro trabajo la variable respuesta es el beneficio neto, de naturaleza continua, por lo que estos problemas son abordados usualmente a través de los modelos lineales. Debido a que la estructura de los datos introduce dependencia en las respuestas múltiples dentro de cada unidad, aun condicionando sobre las covariables, es necesaria la aplicación de un modelo mixto. Dado que se estimó un modelo de rentabilidad para cada grupo, la estructura jerárquica incluye dos niveles: año de medición (nivel 1) denotado con el subíndice i y banco (nivel 2) denotado con el subíndice j.

En el mismo se incluyó una ordenada al origen aleatoria que capta la heterogeneidad no observada entre los bancos(1). Para la parte fija del modelo se incorporaron las seis covariables descritas en la tabla 1. El efecto del año fue captado a través de variables dummies Aii = 2, 3, 4, 5, 6 tomando como base el año 2005. Los cambios anuales de los efectos de las covariables en el beneficio fueron captados incluyendo interacciones representadas en el modelo con coeficientes δi.

La formulación del modelo lineal mixto (MLM) con ordenada al origen aleatoria que se aplica en este trabajo es la siguiente (Rabe-Hesketh y Skrondal 2008):

ga
ga
 

Donde:

• Los coeficientes β1 + αi representan la ordenada al origen para el i-ésimo año.

• Los coeficientes β2 α β6 cuantifican el efecto de cada covariable en el beneficio neto en el año base (2005).

• Los coeficientes δ2i α δ6i miden el cambio de los β en el i-ésimo año.

• Los coeficientes β + δi cuantifican el efecto total de cada una de las covariables sobre el beneficio neto en el i-ésimo año.

• bj representa el efecto sujeto específico que se supone aleatorio con distribución normal media cero y varianza σ2b.

• εij representa los residuos al nivel 1 que se supone aleatorio con distribución normal media cero y varianza δ2ε

• Las componentes aleatorias del modelo son independientes y la suma de sus varianzas representa la varianza total. La proporción de la varianza total atribuible a diferencias entre bancos se denomina coeficiente de correlación intraclásica (CCI).

Los coeficientes de la parte fija del modelo (β y δi) y la varianza δ2b se estiman por máxima verosimilitud.

4. Resultados y discusión

4.1. Agrupamiento 

Se obtuvo la mediana de los valores de las variables descriptas en la sección 3.1 para cada cierre de balance del período 2005-2010, los que constituyeron los datos de ingreso para la determinación de los clusters mediante el algoritmo K-Medias robusto, implementado en la función RSKC del software estadístico R.

Se arribó a un agrupamiento similar al propuesto por Werbin (2010), resultando muy clara la formación de cuatro grupos heterogéneos entre sí. El análisis descriptivo de los datos en cada grupo muestra un comportamiento asimétrico de los mismos. Tal asimetría distorsiona los valores de la media, razón por la cual se eligió la mediana como medida de tendencia central representativa para caracterizar cada una de las variables, que se presentan en la tabla 2 para cada variable y discriminados por grupo.

tabla 2 con 71
 

El análisis de las medidas descriptivas de la tabla 2 permite distinguir claramente los grupos otros bancos, bancos comerciales y bancos personales.

• El grupo de los otros bancos está caracterizado por la variable Patrimonio Neto PN, ya que exhibe el mayor índice mediano. Son bancos con una importante proporción de capital propio, que no se dedican a otorgar préstamos comerciales ni personales. Invierten en títulos, valores, préstamos interfinancieros o hipotecarios.

• Los bancos comerciales se caracterizan por mostrar el mayor valor de la mediana de la variable Préstamos Comerciales COM, ya que son bancos cuya cartera de préstamos se compone principalmente de préstamos de esa naturaleza.

• Los bancos personales se caracterizan por mostrar la mayor relación mediana para Préstamos Personales PER, donde este tipo de préstamos representa la mayor parte de la cartera.

• A diferencia de los grupos anteriores, en el de bancos típicos no se observa ninguna variable que permita distinguirlo de los restantes. Si bien presenta valores altos para las variables Depósitos e Ingresos, DEP e ING, los mismos son similares a los observados en los bancos personales. Asimismo, este tipo de bancos posee un porcentaje alto de depósitos que intermedia otorgando tanto préstamos personales como comerciales.

Como se advierte en la tabla 2, el algoritmo utilizado permitió identificar seis casos atípicos, ya que sus variables se alejan demasiado de las medias. Para la estimación de los modelos de rentabilidad, se trabajó con las 58 entidades restantes.

4.2. Modelos de rentabilidad 

El análisis descriptivo de los datos muestra un fuerte sesgo derecho de las distribuciones. Tal asimetría distorsiona los valores de la media, razón por la cual se eligió la mediana como medida de tendencia central representativa para caracterizar cada una de las variables. En la tabla siguiente se muestra para cada variable y discriminados por grupo el valor de la mediana.

tabla 3 con 71
 

tabla 3-1 con 71
 

De la tabla anterior surge que:

• Los bancos típicos presentan el mayor beneficio neto mediano, 3,77 veces mayor al de bancos personales, grupo que le sigue en importancia. En el otro extremo de la distribución encontramos el grupo de los otros bancos que exhiben los menores beneficios.

• Las variables Spread, Spread no intereses y Gastos administrativos muestran un comportamiento similar al Beneficio neto, incrementándose la diferencia entre los bancos típicos y el grupo que le sigue (bancos personales).

• Con respecto a la variable Activos no rentables / activo se observa que el grupo de los bancos típicos y bancos personales exhiben la mayor proporción de activos no rentables. En el otro extremo nos encontramos con los bancos comerciales y otros bancos que presentan la menor relación.

• Los bancos pertenecientes al grupo de los otros bancos presentan la mayor relación Préstamos / depósitos (ratio mediano = 1,58), el cual es aproximadamente entre 2,5 y 3 veces superior al correspondiente al resto de los bancos.

• En relación a la variable (Depósito + préstamos) / personal los bancos típicos y comerciales exhiben los mayores valores. En el otro extremo de la distribución encontramos el grupo de los bancos personales y otros bancos que exhiben los valores más bajos.

Los modelos de rentabilidad fueron estimados por máxima verosimilitud (LM) usando la función xtmixed del software STATA. La fórmula (1) de la sección 3 representa el modelo completo e incluye 36 coeficientes en la parte fija. La metodología de estimación en cada uno de los cuatro grupos de bancos es la siguiente: se estima en primer lugar el modelo (1) y posteriormente se eliminan secuencialmente los términos con coeficientes no significativos (α= 0.10). En ese proceso se decidió no incluir la variable Activo no rentable / activo, ya que solo tiene un efecto significativo en un año en los grupos otros bancos y bancos comerciales.

Si la varianza del efecto aleatorio δ2b no es significativamente distinta de cero, el modelo se vuelve un MLC que solo contiene efectos fijos.

En las tablas 4 a 7 se presentan los resultados de los efectos anuales significativos de las covariables. Si δi es distinto de cero por lo menos un año, se muestra la suma β + δi y se evalúa si la misma es significativa. En caso contrario es presentado el coeficiente β.

tabla 4 con 71
 

tabla 5 con 71
 

tabla 6 con 71
 

tabla 7 con 71
 

Del análisis de las tablas 4 a la 7 surge que:

• En los bancos típicos, comerciales y personales se observa que aproximadamente el 50% de la variabilidad total en la rentabilidad es atribuible a diferencias entre bancos. En cambio, el grupo de otros bancos muestra una notable homogeneidad, ya que la varianza estimada entre bancos arroja un valor cercano a cero, razón por la cual en este grupo se estimó el modelo usando un MLC.

• Las variables que explican el comportamiento de la rentabilidad de los bancos en todos los grupos son Spread intereses, Spread no intereses y Gastos administrativos, con mayor incidencia de las mismas en los grupos de bancos comerciales y otros bancos.

• En el grupo de los bancos comerciales resultaron relevantes además las variables Préstamos / depósitos y (Depósitos + préstamos) / personal y solo esta última en los bancos típicos.

• El grupo de bancos personales es el único en el que no se observan cambios anuales significativos de las variables Spread intereses, Spread no intereses y Gastos administrativos, en relación con el año 2005; es decir, que el efecto de dichas covariables sobre la rentabilidad es similar en todo el período bajo análisis.

• La variable Activos no rentables / activo no fue identificada como factor explicativo de la rentabilidad en los grupos bajo análisis.

Conclusión

En este trabajo la variable respuesta es el beneficio neto, de naturaleza continua, lo que justifica el uso de un modelo lineal. En relación con el trabajo de referencia (Werbin 2010), se amplió el período bajo análisis de tres a seis años, por lo que la estrategia de estimar un MLC anual de rentabilidad en cada cluster no resulta adecuada. Ello se debe a un incremento significativo del número final de modelos, veinticuatro en esta aplicación. Por lo expuesto, surge la necesidad de estimar un único modelo en cada cluster que tenga en cuenta la presencia de dependencia en las respuestas múltiples dentro de cada unidad; como es conocido, un MLC arroja estimadores ineficientes en presencia de datos correlacionados, por lo que se aplica un MLM con ordenada al origen aleatoria, conocido como modelo de efectos aleatorios en la literatura de datos de panel.

Una estrategia alternativa para modelar es el enfoque marginal, apropiado también para datos agregados. No obstante, el mencionado modelo tiene algunas limitaciones respecto del enfoque de modelos de efectos aleatorios, ya que la información agregada no es explotada en absoluto, porque la estimación procede como si los datos se presentaran de manera transversal, incorporando la autocorrelación en la matriz de covarianzas del error. Por ello, se les reconoce el hecho de producir inferencias válidas para los efectos promedios poblacionales siempre que el modelo de posición esté correctamente especificado, aun en el caso de que la estructura de dependencia no sea la correcta.

En otro aspecto, es evidente que los procesos causales operan necesariamente al nivel de banco, de manera tal que sus efectos específicos (subject-specific) deben ser estimados para hacer inferencias válidas.

A su vez, para la implementación eficiente de un MLM es conveniente que los casos permanezcan en el mismo grupo durante el período de análisis. Para conseguir este objetivo se realizó un agrupamiento a través de las medianas de las variables utilizadas para separar los bancos, que son aquellas consideradas estratégicas por cuanto afectan la toma de decisiones. Se aplicó el algoritmo K-Medias robusto, que permitió separar claramente los cuatro grupos de bancos identificados en Werbin (2010), caracterizados como típicos, otros bancos, comerciales y personales. La utilización de una técnica robusta para el agrupamiento permitió detectar seis bancos atípicos en el comportamiento de esas variables, los que no fueron considerados en la estimación de los modelos de rentabilidad. Esta estrategia permitió mejorar la perfomance de los modelos en la identificación de los determinantes de la rentabilidad.

Del análisis de las estimaciones obtenidas en cada cluster se concluye que la variabilidad atribuible a diferencias entre bancos representa aproximadamente el 50% de la variabilidad total en el beneficio neto en los bancos típicos, comerciales y personales. En cambio en el grupo de otros bancos se aplicó un MLC, ya que dicha variabilidad no resultó significativa.

Las variables que explican el comportamiento de la rentabilidad de los bancos en todos los clusters son Spread intereses, Spread no intereses y Gastos administrativos, con distinta intensidad en cada uno de ellos. El grupo de bancos personales es el único en el que no se observan cambios anuales significativos de las variables mencionadas en relación con el año 2005. Además, en el grupo de los bancos comerciales resultaron relevantes las variables Préstamos / depósitos y (Depósitos + préstamos) / personal y solo la última en los bancos típicos.

Consideramos que estudios como el presente aportan al conocimiento de los determinantes de la rentabilidad de entidades financieras, aspecto relevante, ya que brinda información útil para la toma de decisiones por parte de los administradores de estas. Adicionalmente, se presenta una estrategia metodológica apropiada para el agrupamiento de empresas (bancos, en este trabajo particular) y construcción de modelos explicativos, utilizando la información provista por los estados financieros.

Bibliografía

ÁLVAREZ P. y SCHROOTEN, M. (2003) “Latin America After the Argentine Crisis: Diminishing Financial Market Integration”, EconomicBulletin 40 (12) 431-436.

BALTAGI, B. (1995) Econometric Analysis of Panel Data. Chichester, Wiley.

BEBCZUCK, R. y GALINDO, A. (2008) “Financial Crisis and Sectorial Diversification of Argentine Banks, 1999-2004”, AppliedFinancialEconomics 18 (3) 199-211.

BODLA, B. y VERMA, R. (2006) “Determinants of profitability of banks in India: A multivariate analysis”, Journal of ServicesResearch 6 (2) 75-89.

CUESTA, ALBERTOS, J.; GORDALIZA, A. y MATRÁN, C. (1997) “Trimmed K-Means: an attempt to robustify quantizers”, TheAnnals of Statistics 25 (2) 553-576.

DATAMONITOR (2010) “Argentina —Country Analysis Report— In-depth PESTLE Insights”. Fecha de publicación: junio 2010.

DELFINO, M. (2007) “Control Changes and Firm Performance in Banking”, International Journal of Economics of Business 14 (2) 261-281.

FORTUNATI, R. (2006) “Confidence Returns to Banking Sector”, International FinancialLawReview 25 5-7.

HUNTER, W. y SRINIVASAN, A. (1990) “Determinants of De Novo Bank Performance”, EconomicReview Federal Reserve Bank of Atlanta 75 (2) 14-25.

KETKAR, K.; NOULAS, A. y AGARWAL, M. (2003) “An Analysis of Efficiency and Productivity Growth of The Indian Banking Sector”, Finance India 42 (2) 511-521.

LLOYD, S. (1982) “Least squares quantization in PCM”. IEEE Transactionsoninformationtheory 28 (2) 129-136.

NACEUR, S. y GOLIED, M. (2001) “The determinants of the Tunisian deposit banks´ performance”, AppliedFinancialEconomics (11) 317-319.

PEÑA, D. (2002) Análisis de datos multivariantes, Madrid, McGraw-Hill.

RABE-HESKETH, S. Y SKRONDAL, A. (2008) Multilevel and Longitudinal Modeling Using Stata, Texas, StataCorp.

SANDIN, A. y PORPORATO, M. (2007) “Corporate bankruptcy prediction models applied to emerging economies”, International Journal of Commerce and Management 17 (4) 295-311.

STATA (2012) Longitudinal Data/ Panel Data Reference Manual. A Stata Press Publication StataCorp LP College Station, Texas.

TUOZZO, M. (2009) “World Bank Influence and Institutional Reform in Argentina”, Development & Change 40 (3) 467-485.

WANG, D. (2007) “Three Essays on Bank Technology, Cost Structure, and Performance”, Dissertation, State University of New York at Binghamton.

WERBIN, E. (2010) Tesis doctoral, Facultad de Ciencias Económicas, Universidad Nacional de Córdoba.

(1) Este modelo es conocido como modelo de efectos aleatorios en la literatura econométrica de análisis de datos panel (Baltagi 1995).