Volumen
6 / No. 14 / enero-abril 2023
https://revistaneque.org
ISSN: 2631-2883
Páginas 71 – 83
Puntuación de crédito en la Cooperativa de Ahorro y Crédito
Jardín Azuayo mediante regresión logística
Credit score at Jardin
Azuayo Savings and Loan Cooperative using logistic
regression
Pontuação de crédito na Cooperativa de
Poupança e Empréstimo Jardin Azuayousando
regressão logística
Daniele Covri Rivera
daniele.covri@ucacue.edu.ec
https://orcid.org/0000-0002-2495-0399
Andrea Elizabeth Maldonado Ambrosi
aemaldonadoa55@est.ucacue.edu.ec
https://orcid.org/0000-0002-5874-5609
Universidad Católica de Cuenca. Cuenca, Ecuador
Escanea en tu dispositivo móvil o revisa este artículo en:
https://doi.org/10.33996/revistaneque.v6i14.108
RESUMEN
Las
Cooperativas tienen la capacidad de incentivar y promover el desarrollo local
en zonas urbanas y rurales mediante sus recursos financieros, filosofía y
valores. El uso de datos primarios otorgados por la misma cooperativa
constituye uno de los valores añadidos esenciales. Por ello, el objetivo del
estudio fue determinar la puntuación de crédito de los socios de la Cooperativa
de Ahorro y Crédito (COAC) Jardín Azuayo con la finalidad de obtener beneficios
crediticios. Para el desarrollo metodológico se realizó bajo el un modelo Logit binario, en donde doce variables seleccionadas
permiten predecir el cumplimiento de la devolución del préstamo por parte del
socio. Al final, se pudo comprobar una alta capacidad predictiva del modelo,
cercana al 90% de observaciones. Para finalizar se encontró que los socios
solicitan crédito con una menor tasa de interés, residen en la zona urbana,
refinancian un crédito, pagan semestralmente, solicitan un microcrédito de acumulación
ampliada, porque tienen mayores probabilidades de incumplir en el pago en el
tiempo adecuado.
ABSTRACT
Cooperatives have the capacity to encourage and
promote local development in urban and rural areas through their financial
resources, philosophy and values. The use of primary data provided by the
cooperative itself constitutes one of the essential added values. Therefore,
the objective of the study was to determine the credit score of the members of
the Jardín Azuayo Savings
and Loan Cooperative (COAC) in order to obtain credit benefits. The
methodological development was carried out under a binary Logit
model, where twelve selected variables allow predicting the member's compliance
with loan repayment. In the end, it was possible to verify a high predictive
capacity of the model, close to 90% of observations. Finally, it was found that
members apply for credit with a lower interest rate, reside in the urban area,
refinance a loan, pay semi-annually, apply for an
extended accumulation microcredit, because they are more likely to default on
repayment in a timely manner.
RESUMO
As cooperativas têm a capacidade de incentivar e
promover o desenvolvimento local em áreas urbanas e rurais por meio de seus
recursos financeiros, filosofia e valores. O uso de dados primários fornecidos
pela própria cooperativa é um dos valores agregados essenciais. Portanto, o
objetivo do estudo foi determinar a pontuação de crédito dos membros da
Cooperativa de Crédito e Poupança Jardín Azuayo (COAC) para obter benefícios de crédito. A
metodologia foi desenvolvida por meio de um modelo logit
binário, no qual doze variáveis selecionadas preveem o desempenho do membro no
pagamento do empréstimo. Ao final, foi possível verificar uma alta capacidade
preditiva do modelo, próxima a 90% das observações. Por fim, verificou-se que
os membros solicitam crédito com uma taxa de juros mais baixa, residem na área
urbana, refinanciam um empréstimo, pagam semestralmente, solicitam um
microcrédito de acumulação estendida, porque são mais propensos a não pagar o
reembolso em tempo hábil.
Palavras-chave: Cooperativa de poupança e crédito; Logit; Pontuação de crédito
INTRODUCCIÓN
Las Cooperativas tienen la capacidad de incentivar y promover el
desarrollo local en zonas urbanas y rurales mediante sus recursos financieros,
filosofía y valores. Desde la perspectiva financiera, las cooperativas
mantienen el dinero de los socios dentro de la misma localidad, brindando
mediante créditos los ahorros depositados para velar por el bienestar de la
comunidad. Estas entidades financieras están insertadas dentro de lo que se
conoce como sector económico popular y solidario, el cual es definido como un
conjunto de formas para crear una organización económica-social dentro de la
que sus integrantes, colectivo o individualmente, pueden desarrollar procesos
de producción, para tener un intercambio, comercialización, financiamiento y consumo
de bienes y servicios (Superintendencia de Economía Popular y Solidaria, 2012).
El principal
negocio de las cooperativas es el otorgamiento de créditos, pero cuando este no
se cancela Puertas y Martí (2013) indican que se generan costos financieros y
administrativos para tratar de recuperarlos. Por esta razón, las instituciones
financieras están siendo cada vez más atentas en su proceso de puntuación de
crédito, puesto a que su cuenta de resultados se ve afectada. Los modelos de
puntuación de crédito son algoritmos que analizan de forma técnica el riesgo
crediticio de una persona que solicita un crédito, la clasifican en una clase
de riesgo buena o mala basándose en su probabilidad de
caer en mora. Surge entonces las preguntas de investigación sobre ¿cuáles son
los factores que permiten discriminar y predecir la probabilidad que un socio
de la cooperativa caiga en mora? y, ¿Qué importancia relativa tiene cada uno de
estos predictores?
En este
contexto, el propósito de este estudio es determinar la puntuación de crédito
de los socios de la Cooperativa de Ahorro y Crédito (COAC) Jardín Azuayo. Esta
pudiera ser definida como una sociedad
cooperativa segura, participativa e incluyente. Además, contribuye a mejorar
las condiciones de vida de las comunidades a través de servicios financieros y
educación cooperativa, con calidad y cercanía. Por ello, el cooperativismo es
una opción de vida que impulsa una sociedad solidaria (Cooperativa de Ahorro y
Crédito Jardín Azuayo, 2022). Esto con la finalidad de obtener resultados que
benefician directamente a la COAC en su toma de decisiones en cuanto a
préstamos a socios; otra razón de ser de esta investigación es la presentación
de un modelo de regresión que puede ser replicable.
Para cumplir
con el objetivo del estudio que se llevó acabo se empleó el
Cabe mencionar
que los datos fueron proporcionados por la misma cooperativa, los cuales abarcó
un horizonte temporal que fue desde el año 2016 hasta el 2021. Para la
elaboración del modelo econométrico se utilizó el software Stata
versión 16. En la estimación se utilizaron más de 115 mil observaciones y se
delimitaron 12 variables predictoras. La base de
datos que se utilizó en este estudio, fue proporcionada por la COAC Jardín
Azuayo y abarca más de 115 mil créditos en donde fueron considerado
el periodo antes mencionado hasta la fecha de corte del 30 de diciembre de
2021.
Con relación a
la variable dependiente Mora toma valor igual a 1 si el cliente ha caído en
mora y toma valor igual a 0 si no lo ha hecho. De las 41 variables
proporcionadas se delimitaron 12 como explicativas. A continuación, se hace una
breve descripción de cada uno de los predictores y después la Tabla 1 muestra
la codificación.
Tabla 1. Descripción de los predictores.
Forma de pago |
Es la cadencia
temporal con la que el socio cancela su crédito. |
Nombre del producto |
Es el nombre del
crédito proporcionado por la cooperativa. |
Monto solicitado |
Es la cantidad de
dinero solicitada a la cooperativa al momento de requerir el crédito. |
Tasa de interés |
Se maneja de
acuerdo al producto del crédito, el cual puede ser ordinario, sin ahorro,
emergente y comercial. |
Número de cuotas |
es el total a pagar dividido en el tiempo acordado
entre el socio y la cooperativa. |
Tipo de crédito. |
La Junta de
Regulación Monetaria y Financiera emitió la segmentación del crédito, esta se
encuentra dividida en: consumo prioritario que se divide en los siguientes
productos: inmobiliario de vivienda, microcrédito agricultura y ganadería,
microcrédito minorista, microcrédito de acumulación simple y microcrédito de
acumulación ampliada y estos a su vez se dividen en: productivo PYMES y
productivo empresarial (Cooperativa de Ahorro y Crédito Jardín Azuayo, 2022). |
Estado del crédito. |
es la condición en la que se encuentra cada crédito
de los socios. |
Garantía |
es el respaldo que presenta el solicitante de
crédito que asegura a la cooperativa que cancelará sus obligaciones
financieras. |
Localidad |
hace referencia a la provincia donde reside el socio. |
Actividad económica del socio. |
Es la actividad a
la que se dedica el socio. |
Zona de residencia |
Puede ser urbano o rural. |
Número de créditos |
Es el total de
créditos que tiene un socio en el sistema financiero. |
El criterio
para la selección de variables predictoras se basó,
en primer lugar, en el marco teórico. En segundo lugar, un requisito fue que
existieran suficientes observaciones para la variable seleccionada, es decir
con pocas observaciones ausentes y al mismo tiempo que existiese una variación
en los valores de la misma, ello para la correcta estimación. Como en la
mayoría de modelos Logit, este ha sido estimado con
el método de log máxima verosimilitud.
Entonces, en la
sección de resultados se muestran los coeficientes computados, los efectos
marginales, los cuales son “comparables” a los coeficientes presentados en las
regresiones estimadas por mínimos cuadrados ordinarios y los odds ratio que cuantifican las posibilidades de
incumplimiento. Se habla en este caso de posibilidades y no probabilidades
puesto que los valores no resultan comprendidos entre 0 y 1. En todos los
casos, debido a que, a excepción de la tasa de interés, los predictores son
variables categóricas, la interpretación de los valores numéricos
proporcionados se hace en referencia a la categoría 1 de cada variable,
denominada categoría base.
Tabla 1. Codificación de
variables.
Variable |
Etiqueta en Stata |
Categoría |
Días de mora |
MORA |
1 = Si es moroso |
0= Si no es moroso |
||
Forma de pago |
FORPAGO |
1= Si el pago es
anual |
2= Si el pago es
trimestral |
||
3= Si el pago es
mensual |
||
4= Si el pago es
semestral |
||
5= Si los pagos son
cuatrimestral, bimensual, al vencimiento, cada nueve meses, semanal y
quincenal. |
||
Nombre del producto |
NOMBREPROD |
1= Línea de crédito |
2= Ordinario |
||
3= Sin ahorro |
||
4= Extraordinario,
desarrollo PYMES, vivienda, ñukanchi, comercial
empresarial, crédito puente y sin ahorro verde. |
||
Número de cuotas |
NUMCUOTAS |
1= Si es menor a 50 |
2= Si es mayor a 49
y menor a 100 |
||
3= Si es mayor a 99 |
||
Tipo de crédito |
TIPOCRED |
1= Crédito de
consumo (CO) |
2= Microcrédito de
acumulación ampliada (MA) |
||
3= Microcrédito
agricultura y ganadería (MG) |
||
4= Microcrédito
minorista (MM) |
||
5= Microcrédito de
acumulación simple (MS) |
||
6= Productivo PYMES
(CY), inmobiliario de vivienda (IN) y productivo empresarial (CM). |
||
Clasificación industrial
internacional uniforme de todas las actividades económicas (CIIU NIVEL 1) |
ACTIVECO |
1= Si es
agricultura, ganadería y pesca (A). |
2= Si son
industrias manufactureras (C). |
||
3= Comercio al por
mayor y al por menor (G). |
||
4= Si es transporte
y alimentación (H). |
||
5= Si son
actividades de alojamiento y de servicio de comidas (I). |
||
6= Actividades de
servicios administrativos y de apoyo (N). |
||
7= Actividades de
los hogares como empleadores; actividades no diferenciadas de los hogares
como productores de bienes y servicios para uso propio (T). |
||
8= Actividades
inmobiliarias (L), construcción (F), otras actividades de servicios (S),
artes de entretenimiento y recreación (R), actividades profesionales
científicas y técnicas (M), suministro de electricidad, gas, vapor y aire
acondicionado (D), explotación de minas y canteras (B), información y
comunicación (J), enseñanza (P), actividades de atención de la salud humana y
de asistencia social(Q), vivienda (V), administración pública y defensa;
planes de seguridad social de afiliación obligatoria (O), distribución de
agua; alcantarillado, gestión de desechos y actividades de saneamiento (E),
actividades financieras y de seguros (K) y actividades de organizaciones y
órganos extraterritoriales (U). |
||
Zona de residencia |
URBANO |
1= Urbano |
0= Rural |
||
Número de créditos |
CRÉDITOS |
1= Si es menor a 3 |
2= Si es mayor a 2
y menor a 11 |
||
3= Si es mayor a 10
|
||
Estado crédito |
ESCRED |
1= Novada |
2= Original |
||
3= Reestructurada |
||
4= Refinanciada |
||
Garantía |
GARANTÍA |
1= Garantías
personales con firmas de terceros (GP) |
2= Garantías
quirografarias sin garantes (GQ) |
||
3= Garantía real
(GR) |
||
4= Garantías mixtas
compuestas por garantías personales, hipotecarías y fiduciarias (GT). |
||
Monto original |
MONTORI |
1= Si es menor a
4000 |
2= Si es mayor a
3999 y menor a 7000 |
||
3= Si es mayor a
6999 y menor a 13000 |
||
4= Si es mayor a
12999 |
||
Provincia |
LOCALIDAD |
1= Azuay |
2= Cañar |
||
3= El Oro |
||
4= Guayas |
||
5= Loja |
||
6= Morona Santiago |
||
7= Pichincha |
||
8= Santa Elena |
||
9= Barcelona,
Caracas, Carchi, Carolina del Norte y del Sur, Chimborazo, Connecticut,
Cotopaxi, Esmeraldas, Filiphinas, Florida,
Galápagos, Georgia, Florida, Illinois, Imbabura, Iowa, Leon,
Los Ríos, Madrid, Maryland, Massachusetts, Minneapolis, Minnesota, Murcia,
Napo, New Yersey, New York, Newar,
Ohio, Ontario, Orellana, Pastaza, Santo Domingo de los Tsáchilas,
Texas, Tungurahua, Valencia, Wisconsin y Zamora Chinchipe. |
Los resultados
de la estimación Logit son visibles en la Tabla 2, se
encuentran tal vez valores un poco inesperados a priori, es decir que un
incremento de la tasa de interés parece reducir la probabilidad de caer en
mora. Al mismo tiempo, si el cliente reside en el sector urbano es más probable
que no cumpla con su obligación. Al aumentarse el número de créditos otorgados
por parte de la institución se reduce la probabilidad de la variable
dependiente. Por lo que se refiere al estado del crédito (ESCRED), la categoría
base es renovada que representa la operación de représtamo
mediante la cual se extingue la obligación original vigente y nace una nueva y
distinta de la anterior.
Las otras
categorías, representadas por original restructurada
y refinanciada respectivamente, tiene mayor probabilidad de incumplimiento. En
cuanto a la forma de pago, respecto a la categoría base anual, las otras
periodicidades comportan un incremento en la probabilidad de no devolver el
préstamo. Ahora, al considerar la variable tipo de crédito, aquí la categoría
base está representada por el crédito al consumo y respecto a esta el
microcrédito de acumulación ampliada, el microcrédito de agricultura y
ganadería y el microcrédito de acumulación simple conllevan una mayor
probabilidad de caer en mora por parte del socio.
Al contrario,
el productivo Pymes e inmobiliario de vivienda y el productivo empresarial
resultan más seguros. Por su parte el microcrédito minorista no resulta
estadísticamente significativo. Puede resultar de seguro interés analizar la
variable MONTORI, de hecho, al incrementarse el monto de crédito solicitado los
efectos marginales negativos se hacen más grandes o, dicho de otro modo, se
incrementa la posibilidad de no cumplir con las obligaciones. En particular,
respecto a la categoría base constituida por préstamos inferiores a los 4 mil
dólares, la categoría dos, la cual conlleva créditos entre cuatro y siete mil
dólares incrementa la posibilidad de caer en mora en un 3% aproximadamente.
Para la categoría tres, con montos comprendidos entre siete y trece mil
dólares, el porcentaje se eleva por encima del 4% y finalmente, para la
categoría cuatro que considera montos superiores a los trece mil dólares este
porcentaje resulta superar el 5%.
Otro hallazgo
es que, al aumentarse el número de cuotas, aumenta la probabilidad de la
variable predicha. Considerando la variable nombre producto, la categoría base
está en este caso representada por la línea de crédito. Mirando la última
columna de los odds ratio se puede inferir que la
categoría tres, sin ahorro, conlleva casi 8 veces más de posibilidades de caer
en mora respecto a la línea de crédito mencionada. Al contrario, los otros
productos, constituidos por el ordinario y el extraordinario reducen las
posibilidades de incumplimiento.
Otra variable
de interés del estudio está representada por la actividad económica y aquí,
respecto a la agricultura, ganadería y pesca resultan estadísticamente
significativas con coeficientes positivos los servicios administrativos y de
apoyo, las actividades de los hogares y la categoría ocho que engloba todas las
demás actividades. La variable Garantía tiene como categoría base las garantías
personales con firmas de terceros. Respecto a esta, las garantías
quirografarias sin garante reducen la probabilidad de incumplimiento, mientras
que las otras dos garantías la incrementan, es decir, las garantías mixtas y
las reales o hipotecarias.
Como última
variable se tiene la localidad de residencia del socio, en donde la provincia
de comparación está determinada por el Azuay. Entonces, respecto a esta y de un
grado creciente en cuanto a probabilidad de caer en mora están respectivamente
la provincia del Guayas, Loja y sobre todo la de Santa Elena con 1.34 veces más
de posibilidades de que los socios aquí no respeten las obligaciones de pago en
el tiempo establecido. Al contrario, en la provincia de Cañar parece que
disminuye, si bien de forma muy modesta (0,6% si se mira al efecto marginal),
la probabilidad de la dependiente. Por lo que se refiere a la correcta
especificación del modelo, el mismo predice correctamente en casi el 88% de
observaciones.
Tabla 2. Resultados del
modelo Logit.
Variable |
Coeficiente |
Efectos marginal |
Odds ratio |
Tasint |
-0.859*** |
-0.083 |
0.424 |
1.urbano |
0.221*** |
0.021 |
1.248 |
Escred |
|
|
|
2 |
0.141*** |
0.013 |
1.151 |
3 |
1.564*** |
0.217 |
4.778 |
4 |
0.577*** |
0.060 |
1.780 |
Creditos |
|
|
|
2 |
-0.323*** |
-0.031 |
0.724 |
3 |
-0.506*** |
-0.045 |
0.603 |
Forpago |
|
|
|
2 |
1.028*** |
0.060 |
2.797 |
3 |
1.306*** |
0.085 |
3.691 |
4 |
0.933*** |
0.052 |
2.542 |
5 |
0.430** |
0.019 |
1.537 |
Tipocred |
|
|
|
2 |
0.751*** |
0.083 |
2.118 |
3 |
0.584*** |
0.061 |
1.793 |
4 |
-0.096 |
-0.008 |
0.909 |
5 |
0.821*** |
0.093 |
2.273 |
6 |
-2.056*** |
-0.090 |
0.128 |
Montori |
|
|
|
2 |
-0.269*** |
-0.029 |
0.764 |
3 |
-0.428*** |
-0.044 |
0.652 |
4 |
-0.511*** |
-0.051 |
0.600 |
Numcuotas |
|
|
|
2 |
0.111*** |
0.011 |
1.118 |
3 |
0.462*** |
0.050 |
1.588 |
Nombreprod |
|
|
|
2 |
-0.945*** |
-0.035 |
0.389 |
3 |
2.129*** |
0.218 |
8.410 |
4 |
-1.667*** |
-0.048 |
0.189 |
Activeco |
|
|
|
2 |
0.083 |
0.007 |
1.086 |
3 |
-0.057 |
-0.005 |
0.945 |
4 |
-0.101* |
-0.008 |
0.904 |
5 |
-0.026 |
-0.002 |
0.975 |
6 |
0.249** |
0.023 |
1.282 |
7 |
0.765*** |
0.083 |
2.149 |
8 |
0.359*** |
0.034 |
1.431 |
Garantia |
|
|
|
2 |
-0.650*** |
-0.053 |
0.522 |
3 |
0.121*** |
0.013 |
1.129 |
4 |
0.226** |
0.024 |
1.254 |
Localidad |
|
|
|
2 |
-0.066** |
-0.006 |
0.936 |
3 |
-0.030 |
-0.003 |
0.970 |
4 |
0.134*** |
0.013 |
1.144 |
5 |
0.184*** |
0.019 |
1.202 |
6 |
-0.029 |
-0.003 |
0.971 |
7 |
0.014 |
0.001 |
1.014 |
8 |
0.300*** |
0.031 |
1.349 |
9 |
-0.014 |
-0.001 |
0.986 |
Nota: No se han incluido los niveles de confianza en
los efectos marginales y en los odds ratio puesto que
resultan muy parecidos a los encontrados para los coeficientes. Los asteriscos
indican el nivel de confianza: * 90%, ** 95%, *** 99%.
Discusión
Pandey et al., (2021) señalan como el modelo Logit representa una de las más poderosas y populares
técnicas de clasificación para las puntuaciones de crédito. De hecho, Panyagometh (2019) afirma que este método comparado con el
tradicional, es capaz de garantizar menor sesgo, mayor celeridad y proporciona
una medición consistente de la solvencia de los socios
Campbell et
al., (2008) en su estudio aplicado a los créditos sin garantía en EE. UU. evalúan si existe discriminación racial en la asignación de
los préstamos y no encuentran evidencia en tal sentido para los créditos que
fueron rechazados a pesar de contar con una puntuación suficiente. La evidencia
no es tan clara para el caso opuesto, es decir de los créditos que fueron
otorgados a individuos que no contaban con una puntuación mínima.
También, Danis y Pennington-Cross (2008)
evaluaron la morosidad de las hipotecas en EE. UU. y encontraron que las
probabilidades de incumplimiento se incrementan en el caso de nuevos créditos
otorgados a individuos de baja puntuació
De forma
similar, Guevara et al., (2022) consideran el riesgo de crédito de personas
naturales aplicado a una caja de compensación familiar colombiana y encontraron
entre otros resultados que, mediante el análisis estadístico de variables
cuantitativas, los meses de mora, el score interno, el plazo y la tasa de
interés constituyen predictores importantes para el modelo. De manera novedosa,
Liu et al., (2019) aplican la inteligencia artificial
al modelo Logit para la puntuación de crédito en
China. Sin embargo, los resultados dependen de la validez e integridad de las
muestras recolectadas
Una investigación
a ciertos rasgos similar a la que se propone en el presente artículo es la de Fengge y Jing (2013) puesto que
el análisis se centra en considerar los microcréditos en su mayoría destinados
al sector agrícola rural. Los principales hallazgos indican que, con la
finalidad de estimar una buena puntuación de crédito, s la disponibilidad de una buena
base de datos de los socios, la cual debe estar periódicamente actualizada.
Además, se debe combinar el análisis cuantitativo con el cualitativo, este
último determinado por el juicio subjetivo del empleado que otorga los créditos
en base a su experiencia. En fin, otra recomendación que se hace es que los
empleados deben tener el conocimiento necesario sobre microfinanzas
y la institución debe encargarse de su entrenamiento y evaluación.
Este artículo
analizó la puntuación de crédito (credit score) para
los clientes de la Cooperativa Jardín Azuayo considerando un periodo
comprendido entre el 2016 y el 2021. El modelo estimado implementó un modelo Logit, el cual resultó ser robusto en cuanto predice
correctamente en la mayoría de casos. La variable dependiente caer en mora fue
explicada por doce predictores seleccionados en base al marco teórico y la
disponibilidad de la base de datos.
Lo que se
encontró fue que individuos que solicitan un crédito con una menor tasa de
interés, que residen en la zona urbana, que refinancian un crédito, que pagan
semestralmente, que solicitan un microcrédito de acumulación ampliada tienen
mayores probabilidades de incumplir en el pago en el tiempo adecuado. Así
mismo, esta probabilidad de incumplimiento se incrementa si el monto solicitado
y el número de cuotas es mayor, si el nombre del producto es sin ahorro, si se
cuenta con actividades de los hogares como empleadores y si los socios residen
en Guayas, Loja o Santa Elena.
La
investigación resulta novedosa, pudiera así ser replicada para otras
instituciones financieras y para futuros estudios se recomienda el uso
combinado de nuevas técnicas de Machine Learning.
Bardos, M. (2007). What is at stake in the construction and use of
credit scores? Computational Economics,29(2), 159-172. doi:10.1007/s10614-006-9083-x
Campbell, R., Roberts,
B., y Rogers, K. (2008). An evaluation of lender redlining in
the allocation of unsecured consumer credit in the US. Urban Studies,45(5-6),
1243-1254. doi:10.1177/0042098008089867
Clapp, J. M., Deng, Y.,
y An, X. (2006). Unobserved
heterogeneity in models of competing mortgage termination risks. Real Estate Economics,34(2), 243-273. doi:10.1111/j.1540-6229.2006.00166.x
Cooperativa de Ahorro y Crédito Jardín Azuayo.
(2022). ¿Quiénes somos? - Cooperativa de Ahorro y
Crédito Jardín Azuayo. Jardín Azuayo. Recuperado
agosto 11, 2022, de https://www.jardinazuayo.fin.ec/quienes-somos
Danis,
M. A., y Pennington-Cross, A. (2008). The delinquency of
subprime mortgages. Journal of
Economics and Business, 60(1-2), 67-90. doi:10.1016/j.jeconbus.2007.08.005
Fengge,
Y., y Jing, W. (2013). Agriculture microfinance risk control based on credit
score model in China. In 2013 6th International Conference on Information
Management, Innovation Management and Industrial Engineering (Vol. 3, pp.
316-320). IEEE.
Guevara, D. E. R., Garcia,
J. F. R., Carrasquilla, A. T., y Echeverri, E. A. J. (2022). Modelación de
riesgo de crédito de personas naturales. Un caso aplicado a una caja de
compensación familiar colombiana. Revista de Métodos Cuantitativos para la
Economía y la Empresa, 29-48.
Liu, C., Huang, H., Lu,
S. (2019). Research on Personal Credit Scoring Model Based on Artificial
Intelligence. In: Sugumaran, V., Xu,
Z., P., S., Zhou, H. (eds)
Application of Intelligent Systems in Multi-modal Information Analytics. MMIA 2019. Advances in Intelligent Systems
and Computing, vol 929. Springer,
Cham. https://doi-org.vpn.ucacue.edu.ec/10.1007/978-3-030-15740-1_64
Pandey, A., Shukla, S., y Mohbey, K. K. (2021). Comparative analysis of a
deep learning approach with various classification techniques for credit score
computation. Recent Advances in
Computer Science and Communications,14(9),
2785-2799. doi:10.2174/2666255813999200721004720
Panyagometh, K. (2019). Impactof baseline population on creditscore’s
predictive power. Economics and Sociology,12(1), 262-269.
doi:10.14254/2071-789X.2019/12-1/15
Puertas, R., y Martí, M. (2013). Credit scoring analysis. Revista de
Administração de Empresas, 53(3).
Clarivate.
https://doi.org/10.1590/S0034-75902013000300007
Superintendencia de Economía Popular y
Solidaria. (2012, 10). Boletín de
Coyuntura N°1. El Sector Económico Popular y Solidario en Ecuador.
Superintendencia de Economía Popular y Solidaria.
https://www.seps.gob.ec/documents/20181/26626/El%20sector%20económico%20popular%20y%20solidario%20en%20Ecuador%20final.pdf/ac0cded6-d7bc-4fb7-8c6a-46e9010aa4c8