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 regressionContenido principal del artículo
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.
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.
Descargas
Detalles del artículo
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