La Calificacin Estadstica en las Microfinanzas: Podr Funcionar?

Mark Schreiner Octubre 2000 Microfinance Risk Management 6070 Chippewa St. #1W, St. Louis, MO 63109-3060, U.S.A. Telfono: (314) 481-9788, http://www.microfinance.com/Castellano/indice.html y Center for Social Development Washington University in St. Louis Campus Box 1196, One Brookings Drive, St. Louis, MO 63130-4899, U.S.A.

Resumen
En pases ricos, muchas prestamistas se apoyan en la calificacin estadsticafrmulas matemticas que estiman el riesgo basado en el desempeo de los prstamos pasados con caractersticas similares a los prstamos actualespara respaldar las decisiones y controlar los costos. Puede la calificacin estadstica lograr lo mismo para los prestamistas de las microfinanzas en los pases pobres? Este documento plantea que la calificacin estadstica puede representar un papel importante en las microfinanzas. Aunque la calificacin es menos poderosa en los pases pobres que en los pases ricos, y a pesar de que la calificacin en las microfinanzas no reemplazar el conocimiento personal del carcter por los analistas de crdito y por los grupos de crdito, la calificacin puede mejorar las estimaciones del riesgo y as disminuir los costos. Por tanto, la calificacin complementapero no sustituyelas tecnologas usadas actualmente en las microfinanzas. An ms, la derivacin de la frmula de la calificacin revela cmo es que las distintas caractersticas de los prestatarios, los prstamos, y los prestamistas afectan el riesgo, y este conocimiento es til sea que el prestamista utilice o no predicciones basadas en la calificacin para respaldar las decisiones diarias. En la prxima dcada, muchos de los ms grandes y ms rentables prestamistas de microfinanzas harn de los modelos de calificacin estadstica una de sus herramientas de decisin ms importantes.

Reconocimientos
El autor agradece el apoyo de la Divisin de Asset Building and Community Development de la Fundacin Ford. Tambin agradece a los prestamistas de microfinanzas en Bolivia y Colombia por el uso de sus bases de datos y por estar dispuestos a ser pioneros en la calificacin estadstica en microfinanzas. La participacin de Hans Dellien en el trabajo en Colombia fue imprescindible. Eduardo Arce Daz (eduarc@cnp.go.cr) tradujo el documento al espaol.

La Calificacin Estadstica en las Microfinanzas: Podr Funcionar? 1. Introduccin

La calificacin estadstica usa conocimiento cuantitativo del desempeo y de las caractersticas de prstamos ya cancelados para predecir el desempeo de prstamos actuales con caractersticas similares. Para los prestamistas en pases ricos en la dcada pasada, la calificacin ha llegado a ser una de las fuentes ms importantes de aumentos en la eficiencia. Estos prestamistas, sin embargo, califican a los posibles prestatarios basndose en los historiales de crdito suministrados por las agencias que manejan los antecedentes crediticios de la gente y en la experiencia y en el ingreso del prestatario en el caso de que ste tuviera un empleo asalariado. La mayora de los prestamistas en microfinanzas, sin embargo, no tienen acceso a las agencias que manejan los antecedentes crediticios, y, adems, la mayora de sus prestatarios son personas pobres que trabajan por cuenta propia. Las dos innovaciones principales en microfinanzasprstamos a grupos cuyos miembros usan su conocimiento informal de las amistades para descartar del grupo a las personas con poca capacidad de ser sujetos de crdito, y prstamos a individuos que llegan a ser bien conocidos por los analistas de crdito quienes pueden descartar a las personas con poca capacidad de ser sujetos de crditose apoyan fundamentalmente en informacin cualitativa mantenida en las mentes de la gente. La calificacin, en contraste, se apoya fundamentalmente en informacin cuantitativa mantenida en los sistemas computarizados del prestamista. 1

Pueden los prestamistas en microfinanzas usar la calificacin para disminuir los costos de morosidad y de las evaluaciones de prstamos de manera que mejoren la eficiencia, y as el alcance y por ende la rentabilidad? Experimentos en Bolivia y Colombia (Schreiner 2000, 1999a y 1999b) sugieren que la calificacin estadstica puede en efecto mejorar la valoracin del riesgo y, por tanto, disminuir los costos de las microfinanzas. Por ejemplo, se ha estimado que la calificacin puede ahorrarle al prestamista en Colombia alrededor de $75.000 al ao. Desde el punto de vista de valor presente, esta cifra es casi un $1 milln. La calificacin es probablemente la prxima innovacin tecnolgica importante en microfinanzas, pero no sustituir a los prstamos grupales ni a los analistas de crdito, y nunca ser tan efectivo como lo es en pases ricos porque gran parte del riesgo de los microprstamos no se relaciona con las caractersticas que pueden cuantificarse a bajo costo. An as, la calificacin puede todava ser til en microfinanzas porque algo del riesgo s est relacionado con algunas caractersticas que pueden cuantificarse a bajo costo y las tecnologas actuales en las microfinanzas no parecen aprovecharse de este hecho tanto como pudieran. Este documento describe la manera en que funciona la calificacin estadstica, lo que ella puede y no puede hacer, y la forma en que los prestamistas deberan prepararse para ejecutarla. Otras buenas aproximaciones generales al tema de la calificacin estadstica son Mays (1998), Hand y Henley (1997), Mester (1997), Vigan (1993), y Lewis (1990).

2. Cmo funcionan los modelos de calificacin?

La calificacin supone que el desempeo de los prstamos futuros con caractersticas dadas ser parecido al desempeo de los prstamos pasados con caractersticas similares. Si el futuro no es como el pasadocomo a menudo sucede a los prestamistas que buscan crecer sus carteras y que adems desarrollan productos y nichos nuevos, enfrentan la competencia, u operan en mercados cambiantesentonces la calificacin estadstica no funcionar bien. Un modelo de calificacin estadstica es una frmula matemtica que pondera las diferentes caractersticas de un prestatario, un prestamista, y un prstamo. La frmula produce una estimacin de la probabilidadel riesgode que ocurrir un cierto resultado. Por ejemplo, suponga que un prestamista quiere estimar la probabilidad (riesgo) de que un prstamo determinado para un prestatario dado tendr por lo menos un retraso de siete das o ms. Un modelo sencillo de calificacin estadstica podra establecer que el riesgo bsico para prstamos muy pequeos a fabricantes es 0,12 (12 por ciento), que los comerciantes son dos puntos porcentuales (0,02) menos riesgosos que los fabricantes, y que cada cien dlares adicionales desembolsados aumentan el riesgo en medio punto porcentual (0,005). Por tanto, un comerciante con un prstamo de $500 tendra un riesgo estimado de 12,5 por ciento (0,12
0,02 + 50,005). As mismo, un fabricante con un prstamo de $1.000 tendra un riesgo estimado del 17 por ciento (0,12
0,00 + 100,0005). Las ponderaciones en la frmula se derivan mediante 3

mtodos estadsticos pero, por supuesto, las matemticas son la parte fcil; la dificultad est en conseguir la informacin sobre el desempeo y las caractersticas de los prstamos pasados, en injertar la calificacin en el proceso actual de evaluacin del prstamo, y en ajustar la cultura organizacional para que acepte una tcnica tan fundamentalmente diferente a lo que ha sido exitoso hasta ahora en las microfinanzas.

3. Bases de datos para la calificacin estadstica

Los prestamistas de microfinanzas que quieren usar la calificacin estadstica en el futuro deberan empezar a recabar la informacin apropiada desde ahora. Sin una base de datos sobre el desempeo y las caractersticas de muchos prstamos pasados, la calificacin estadstica es imposible; los prestamistas que tienen carteras pequeas puede que nunca sean capaces de usar la calificacin. La base de datos debe computarizarse e incluir idealmente tanto los solicitantes aprobados como los rechazados, aunque se puede aprovechar de la calificacin con una base de datos que no incluye solicitantes rechazados. La base de datos debera incluir tambin un rango completo de caractersticas del prestatario, del prestamista, y del prstamo, as como informacin sobre la fecha y duracin de cada atraso. Estas caractersticas son todas sencillas y baratas de recabar, y la mayora de los prestamistas en microfinanzas ya las registra cuando un analista de crdito visita a un posible prestatario. An ms, todos los prestamistas de microfinanzas, incluyendo aquellos que ya tienen bases de datos grandes y comprensivas, deberan comenzar a cuantificar y registrar la evaluacin subjetiva de los analistas de crdito. En el campo, los analistas de crdito deben seguir libres de usar su intuicin y olfatear las evidencias de riesgos que observen, pero de regreso en la oficina, deberan registrar sus valoraciones subjetivas en forma cuantitativa adecuada para la calificacin estadstica. Por ejemplo, los analistas podran clasificar a los posibles prestatarios como muy por debajo del 5

promedio, bajo el promedio, en el promedio, por encima del promedio, o muy por encima del promedio en cuanto a cualidades tales como la reputacin en la comunidad, capacidad empresarial, experiencia con en el manejo de deudas, y capacidad para aprovecharse de redes de apoyo informal en caso de problemas inesperados. Tal vez la leccin ms importante de la calificacin es que el anlisis sistemtico de la informacin puede tener gran poder para mejorar las decisiones de los prestamistas de microfinanzas. Una base de datos grande y precisa sobre los prstamos pasados y su desempeo es un activo que muchos prestamistas no han logrado desarrollar o usar plenamente.

4. El tipo de riesgo a estimar

Una vez que los datos estn listos, los prestamistas deben escoger el tipo de riesgo que buscan estimar. La calificacin estadstica es ms til cuando estima un riesgo cuya realizacin es costosa para el prestamista y sobre el cual el prestamista tiene algn control. Por ejemplo, atrasos de un da pueden ser frecuentes pero no muy costosas, mientras que atrasos de quince das pueden ser poco frecuentes pero muy costosos. La calificacin es probablemente ms til en los casos de atrasos de quince das. De la misma manera, la calificacin podra servir para predecir el incumplimiento causado por la muerte del prestatario, pero los prestamistas tendran poco control sobre este tipo de riesgo, aunque pudieran predecirlo. Dados estos criterios, se distinguen seis tipos de modelos de calificacin relevantes en microfinanzas. El primer modelo estima la probabilidad de que un prstamo vigenteo aprobado bajo el proceso de evaluacin estndartendr un atraso x das o ms (Schreiner, 2000 y 1999b). Esta informacin puede ser usada para guiar la asignacin de tasas de inters basadas en el riesgo o para marcar posibles prestatarios que podran merecer revisin adicional o prestatarios vigentes que podran merecer una visita preventiva de un analista an antes de que caigan en atrasos. El segundo tipo de modelo estima la probabilidad de que un prstamo que lleva x das atrasado alcance eventualmente y das de mora. Esta informacin puede ayudar a fijar el orden de las visitas que harn los analistas a los prestatarios morosos. 7

El tercer tipo de modelo estima la probabilidad de que un prestatario vigente, sin problemas de pago, opte por no renovar una vez que ha repagado el crdito actual (Schreiner 1999a). Esta informacin puede usarse para ofrecer incentivos a los prestatarios buenos que son rentables pero que tienen alta probabilidad de desertar. El cuarto tipo de modelo estima el plazo de vencimiento esperado del prximo crdito de un prestatario vigente. De la misma manera, el quinto tipo de modelo estima el monto del desembolso esperado del prximo prstamo. Sexto y final, el modelo de calificacin ems avanzado combina la informacin de los primeros cinco modelos con informacin sobre el ingreso esperado de un prstamo que posee un plazo de vencimiento y un monto de desembolso dados y con informacin sobre los costos esperados de las deserciones, de las prdidas por incumplimiento, y del seguimiento de los prestatarios en mora. Este modelo ms avanzadousado actualmente por los prestamistas de tarjetas de crdito en los pases ricosestima el valor presente en trminos financieros de la relacin del prestamista con un cliente especfico. No estima el riesgo del cliente sino ms bien su rentabilidad. Por supuesto, los prestamistas en microfinanzas comenzarn probablemente con uno de los cinco modelos sencillos y, si resulta que el primer modelo sencillo funciona bien, adicionarn los otros modelos sencillos de uno en uno hasta llegar al modelo ms avanzado.

5. La calificacin estadstica en una organizacin de microfinanzas

Los retos ms difciles en un proyecto de calificacin no son de carcter tcnico sino organizacional. Dada una base de datos, las organizaciones de microfinanzas pueden fcilmente contratar a un asesor para que derive la frmula de calificacin estadstica. La parte difcil, sin embargo, es la implementacin de la frmula en una organizacin ya existente que ya cuenta con una tecnologa crediticia. Los administradores y miembros de la junta directiva deben comprender las fortalezas y debilidades de la calificacin estadstica para que puedan dedicarse a apoyar su integracin en la organizacin. De otra manera, un modelo de calificacin estadstica podra quedar sin uso; un modelo sin uso no cumple propsito alguno, y un modelo mal usado podra ser peor que no usar modelo alguno. Una forma de ayudarle a los administradores a aceptar un proyecto de calificacin es pidindoles que elijan el tipo de riesgo a ser estimado, que sugieran qu caractersticas incluir en la frmula, y que diseen el proyecto de implementacin. An ms importante, los analistas de crdito y los gerentes de crdito en las sucursales pueden sentirse amenazados por la calificacin estadstica; no se les puede culpar por eso, pues invirtieron mucho tiempo y esfuerzo en aprender a valorar el riesgo por medios cualitativos, y tienen el derecho de sospechar de un programa de computadorahecho por alguien que nunca ha conocido siquiera a uno de sus clientesque sostiene que va a ayudar sus esfuerzos. Los empleados que 9

manejan el sistema de informacin gerencial tambin deben aceptar el proyecto de calificacin estadstica para que el proyecto tenga xito. Inicialmente, puede que vean la calificacin como trabajo adicional, pero pronto reconocern que representa una transferencia fundamental de poder organizacional hacia su departamento.

5.1 Facilidad de uso

Una clave para la aceptacin de la calificacin en una organizacin es su facilidad de uso. Esta requiere que los modelos se integren en el sistema existente de informacin gerencial y que requieran poca entrada de datos ms all de lo que ya se hace como parte de los procesos estndar. Tal integracin tambin permite que se incluyan las estimaciones de riesgo en los reportes estndar que genera el sistema. En el ejemplo de Colombia, el sistema de informacin gerencial genera un reporte con el riesgo estimado de tener una cuota atrasada siete das o ms junto con otra informacin clave sobre los prstamos posibles que sern revisados en la reunin diaria del comit de crdito en cada sucursal. Los analistas de crdito tambin reciben una lista de sus prestatarios vigentes en orden segn su estimacin de riesgo, que les ayuda a decidir a quin harn visitas preventivas. En resumen, un buen sistema de calificacin permite al prestamista continuar con su negocio como siempre ha sido, pero con la incorporacin de estimaciones de riesgo cuantitativas.

10

5.2 Pruebas con casos no usados en la construccin de la frmula

La aceptacin de la calificacin estadstica en una organizacin requiere tambin una historia de desempeo probado. Una de las fortalezas ms importantes de la calificacin estadstica es que puede establecer tal historia incluso antes de ser puesta en uso. Por ejemplo, Schreiner (2000) deriv una frmula de calificacin con informacin sobre prstamos en el perodo 1993-1998. Esta frmula fue utilizada entonces para estimar el riesgo de atrasos para prstamos desembolsados en 1999. Debido a que el desempeo de estos prstamos desembolsados en 1999 ya se conoca al momento de la prueba, la comparacin entre el riesgo pronosticado y el observado muestra cmo se habra desempeado el modelo si se hubiera sido usado en 1999. Esas pruebas de bajo costo con casos no utilizados en la construccin de la frmula son tal vez la mejor forma de convencer a los administradores escpticos de que la calificacin estadstica puede funcionar en las microfinanzas. Cualesquiera que sean las debilidades tericas o estadsticas del modelo y cualesquiera que sean las debilidades de la base de datos, nada supera una prueba con casos no utilizados en la construccin de la frmula.

5.3 Seguimiento del desempeo en el uso

Una vez en uso, la calificacin acumula una historia de desempeo. Los usuarios de calificacin deben seguir tanto el riesgo pronosticado como el desempeo real de los crditos desembolsados, an si en los primeros meses, deciden no utilizar la informacin del modelo en la toma de decisiones diarias. A travs del tiempo, el seguimiento

11

cuidadoso revelar cun bien funciona el modelo. Por ejemplo, si la calificacin funciona bien, el 50 por ciento de los prstamos con un riesgo estimado del 50 por ciento de atraso de x das o ms deberan resultar con retrasos de esta magnitud. De la misma manera, los prestamistas deben dar seguimiento especial a las desautorizaciones, que son los casos en donde la poltica de crdito dicta una cierta accin para los prstamos superiores (o inferiores) a un umbral de riesgo dado, pero que los analistas de crdito y/o los gerentes de crdito deciden incumplir porque creen saber algo ms all de lo que considera el modelo de calificacin. Por supuesto, a menudo los analistas salen con razn, y es importante dar seguimiento a los resultados de las desautorizaciones para averiguar su ventaja sobre las predicciones del modelo de calificacin estadstica. Debido a que la calificacin funciona solamente si el pasado es similar al presente y puesto que el pasado reciente se parece ms al presente que al pasado lejano, el desempeo de los modelos de calificacin se degrada con el tiempo; un seguimiento cuidadoso debera sealar cundo hay que reconstruir la frmula.

12

6. Cmo las caractersticas del prestatario, prstamo, y prestamista afectan el riesgo

Ms all de las estimaciones de riesgo, los procesos para desarrollar una frmula de calificacin revelan mucho acerca de cmo el riesgo est afectado por las caractersticas de los prestatarios, prstamos, y prestamistas.

6.1 Caractersticas del prestatario

En Bolivia, la derivacin de la frmula mostr que la historia de mora de un prestatario ayud a predecir sus atrasos futuros; comparados con los prestatarios que no se atrasaron nada en el prstamo anterior, los prestatarios con atrasos de ms de quince das en el prstamo anterior fueron 2,8 puntos porcentuales ms propensos a tener un retraso de quince das en el prstamo actual (Schreiner, 1999b). Los comerciantes eran aproximadamente 4 puntos porcentuales menos riesgosos que los fabricantes, y los prestatarios en su primer crdito fueron 1,2 puntos porcentuales ms riesgosos que los prestatarios en su segundo crdito. Esta informacin podra ayudar a dirigir las campaas de mercadeo o a descartar los solicitantes con alto riesgo de mora.

6.2 Las caractersticas del prstamo

La derivacin de la frmula de calificacin tambin revela cmo el riesgo est afectado por los trminos del contrato del prstamo. En Colombia, un prstamo de cuatro cuotas mensuales tena ms o menos 3 puntos porcentuales ms probabilidad de

13

caer en morosidad costosa que un prstamo de tres cuotas mensuales (Schreiner, 2000). De igual forma, dado el nmero de cuotas, un prstamo de cuotas mensuales era cerca de 0,6 puntos porcentuales ms riesgoso que un prstamo de cuotas semanales. Los prestamistas colombianos pueden aprovechar de estos resultados para ajustar los contratos de prstamos para que el riesgo esperado sea ms aceptable.

6.3 Caractersticas del prestamista

Finalmente, la derivacin de la frmula de calificacin muestra cmo el prestamista afecta al riesgo. En Bolivia, los prestatarios del analista de crdito con el mnimo riesgo de desercin fueron cerca de 25 puntos porcentuales menos propensos a desertar que los prestatarios del analista de crdito con el mximo riesgo (Tabla 1; Schreiner, 1999a). Este hecho puede guiar la asignacin de bonificaciones de desempeo para los analistas o ayudar a enfocar la capacitacin. En Colombia, las ponderaciones de la frmula sugieren que la mayor parte del aprendizaje de los analistas ocurre muy pronto despus de haber comenzado el trabajo (Figura 1; Schreiner, 2000). Comparado con los prstamos de un analista nuevo, los prstamos de un analista con 50 desembolsos de experiencia son cerca de 7 puntos porcentuales menos propensos a tener atrasos costosos. Un aumento en la experiencia de 50 a 1.100 prstamos disminuye el riesgo solamente en dos puntos porcentuales adicionales.

14

7. Seleccionando un modelo de calificacin

La calificacin es difcil para cualquier prestamista, y es aun ms difcil en las microfinanzas. Como ya se discuti, las principales dificultades son los ajustes que requiere la organizacin para integrar la calificacin en su trabajo diario. Una segunda dificultad importante es reunir una base de datos adecuada. Una tercera dificultad es que un mismo tamao no le queda bien a todos; un modelo de calificacin desarrollado con la base de datos de un prestamista ser mucho menos poderoso si se aplica a otro prestamista debido a las diferencias en las tecnologas crediticias, clientela, competencia, y el entorno econmico general. De acuerdo con conocimiento del autor, los modelos de calificacin se han construido solamente para prestamistas de microfinanzas en Bolivia, Burkina Faso, Colombia, Chile, Mxico, Panam, Per, y Tailandia. Solamente los modelos de Schreiner (1999a, 1999b, y 2000) y Vigan (1993) usan mtodos estadsticos para derivar la frmula; el resto usa slo conocimiento heurstico o reglas prcticas basadas en la experiencia. Esos modelos no estadsticos pueden ser mejores que no tener modelo alguno, especialmente si un prestamista carece de una base de datos adecuada, pero, si todo lo dems permanece constante, los modelos estadsticos deben tener mayor poder de prediccin. An ms, los modelos estadsticos derivan las relaciones entre las caractersticas especficas y el riesgo; los modelos basados en reglas prcticas suponen estas relaciones. Independientemente de la tcnica usada para derivar la frmula, el poder de cualquier modelo de calificacin debera de mostrarse antes de su uso mediante una prueba con casos no utilizados en la construccin de la frmula. 15

8. Conclusin
La esencia de las finanzas es la prediccin del riesgo de que los prestatarios cumplirn con sus promesas. Las estimaciones de riesgo se basan en informacin, y en las microfinanzas, esta informacin es usualmente cualitativa e informal y se encuentra acumulada en las mentes de los miembros del grupo o de los analistas de crdito. La calificacin estadstica toma un camino diferente. Predice el riesgo basado en la informacin cuantitativa que se encuentra en el sistema de informacin gerencial del prestamista. Hasta ahora, los prestamistas en microfinanzas han dependido casi exclusivamente de informacin cualitativa informal. Pueden tambin las microfinanzas beneficiarse de la calificacin estadstica y de su uso de informacin cuantitativa? La calificacin estadstica puede funcionar en las microfinanzas. No es tan poderosa como la calificacin de los prestamistas de tarjetas de crdito en pases ricos, y no sustituir el buen juicio de los analistas de crdito o de los grupos solidarios basado en el conocimiento cualitativo informal. Sin embargo, la calificacin estadstica s tiene algo de poder para predecir el riesgo (y as reducir los costos) an despus de que el grupo solidario o el analista de crdito hace su mejor valoracin. Por tanto, la calificacin complementapero no sustituyea las tecnologas crediticias de microfinanzas actuales. An ms, la calificacin no solamente ayuda a predecir el riesgo, sino que el proceso de derivar la frmula revela tambin cmo afectan al riesgo las caractersticas del prestatario, del prstamo y del prestamista. Este conocimiento es til sea que el prestamista de microfinanzas use o no las predicciones del riesgo a partir de la calificacin para respaldar la toma de decisiones diarias. 16

Referencias
Hand, D.J.; y W.E. Henley. (1997) Statistical Classification Methods in Consumer Credit Scoring: A Review, Journal of the Royal Statistical Association Series A, Vol. 160, No. 3, pp. 523-541. Lewis, E.M. (1990) An Introduction to Credit Scoring, San Rafael, CA: Athena Press. Mays, E. (1998) Credit Risk Modeling: Design and Application, New York: Glenlake. Mester, L.J. (1997) Whats the Point of Credit Scoring? Business Review, Sept./Oct., pp. 3-16, Federal Reserve Bank of Philadelphia. Schreiner, Mark. (2000) Modelo de Calificacin de Crditos: Banco Mundial de la MujerColombia, informe para Banco Mundial de la Mujer. English version: A Scoring Model of the Risk of Costly Arrears for Loans from Affiliates of Women's World Banking in Colombia, hdellien@swwb.org. _____. (1999a) El Riesgo de Desercin de Prestatarios de un Prestamista de Microcrdito en Bolivia, Center for Social Development, Washington University in St. Louis. English version, The Risk of Exit by Borrowers from a Microfinance Lender in Bolivia, www.microfinance.com. _____. (1999b) Un modelo de calificacin del riesgo de morosidad para los crditos de una organizacin de microfinanzas en Bolivia, Center for Social Development, Washington University in St. Louis. English version: A Scoring Model of the Risk of Arrears at a Microfinance Lender in Bolivia, www.microfinance.com. _____. (1999c) Aspectos de la Cobertura: Un Marco para la Discusin de los Beneficios Sociales de las Microfinanzas con un Ejemplo de BancoSol de Bolivia, Center for Social Development Working Paper No. 99-3, Washington University in St. Louis. English version: Aspects of Outreach: A Framework for the Discussion of the Social Benefits of Microfinance, www.microfinance.com. Vigan, L. (1993) A Credit Scoring Model for Development Banks: An African Case Study, Savings and Development, Vol. 17, No. 4, pp. 441-482.

17

Tabla 1: Cmo el riesgo de desercin en Bolivia est afectado por el analista de crdito especfico
Analista de Crdito 1 2 3 4 5 6 7 8 9 10 ... 30 31 32 33 34 35 36 37 38 Fuente: Schreiner (1999a) Efecto sobre el riesgo en puntos porcentuales -0.048 -0.038 -0.037 -0.037 -0.033 -0.025 -0.024 -0.024 -0.023 -0.020 ... 0.005 0.005 0.007 0.007 0.008 0.009 0.009 0.021 0.021

18

Figura 1: Cmo el riesgo en Colombia de atrasos costosos est afectado por la experiencia del analista de crdito desde el punto de vista de nmero de desembolsos
0.000 -0.020 -0.040 -0.060 -0.080 -0.100 -0.120 050 300 1100 1700 Desembolsos por un analista 2500

19