Eficiencia bancaria en Argentina. Comportamiento de los bancos entre 2005 y 2013 * Seffino, Mario 1 Hoyos Maldonado, Daniel 2

Transcripción

1 Eficiencia bancaria en Argentina. Comportamiento de los bancos entre 2005 y 2013 * Seffino, Mario 1 Hoyos Maldonado, Daniel 2 Resumen El objetivo del siguiente trabajo es analizar el desempeño en materia de eficiencia del sector bancario argentino para el período comprendido por los años 2005 y Para ello se utilizará una metodología no paramétrica llamada Análisis Envolvente de Datos (DEA) que permite estimar la eficiencia técnica global, desagregando de su componente técnico puro, el efecto escala. Dado que dicha metodología tiene carácter estático y está referido a un período de tiempo determinado, para evaluar el fenómeno de la eficiencia en un plano dinámico se utilizará el Índice de Productividad de Malmquist (IPM) que mide las variaciones en la productividad a lo largo del tiempo y que permite descomponer a estas variaciones en cambios en eficiencia y cambios tecnológicos. Abstract The aim of this paper is to analyse the performance in terms of efficiency of the Argentine banking sector for the period from 2005 to Nonparametric methodology called "Data Envelopment Analysis" (DEA) is used to estimate the overall technical efficiency, disaggregating its pure technical component and the scale effect. Since this methodology is static and refers to a period of time, the Malmquist Productivity Index (MPI) is used to assess the phenomenon of efficiency in a dynamic level, measuring changes in productivity over time using DEA methodology and decomposing these variations into efficiency changes and technological changes. Clasificación JEL: C6, D2 *Los autores agradecen el apoyo de la Facultad de Ciencias Económicas de la UNCPBA y los comentarios de la Dra. Valentina Viego (UNS) y la Mg. Gloria Trovato (UNCPBA). El presente trabajo se inscribe dentro de las actividades de investigación desarrolladas en el marco del proyecto de investigación Nº 03/B148 de la SECAT de la UNCPBA. Las opiniones corresponden a los autores y no necesariamente a la visión del Instituto de Economía, de la Facultad de Ciencias Económicas o de la UNCPBA. 1 Instituto de Economía. Universidad Nacional del Centro de la Provincia de Buenos Aires. Mail: mdseffino@gmail.com 2 Instituto de Economía. Universidad Nacional del Centro de la Provincia de Buenos Aires. Mail: dahoyosm@gmail.com

2 Introducción La medición de la eficiencia en la esfera empresarial no constituye una temática novedosa. Comúnmente, la expresión de eficiencia toma la forma de una proporción. En términos de producción, por ejemplo, podría ser la relación entre un producto (output) dividido por un insumo (input). Muchos análisis de eficiencia en economía se basan en el cálculo de ratios como el mencionado aunque éstos informan sobre la eficiencia de un factor pero nada dicen sobre el resto de los factores. En efecto, en la década del 50 del pasado siglo, Koopmans (1951) y Farrell (1957) fueron pioneros en el planteamiento de esta cuestión basados en el concepto de eficiencia de Pareto. Farrell propuso un método para medir la ineficiencia teniendo en cuenta varios factores de producción al mismo tiempo, proponiendo que la magnitud de la misma estaría dada por la desviación observada respecto a una hipotética frontera de mejores prácticas. Luego, asumiendo la validez de tal concepción, el problema básico consiste en definir dos dimensiones. Por un lado, definir la metodología más adecuada para identificar tal frontera y, por otro, identificar las variables relevantes (insumos y productos) que alimentarán el modelo. A su vez, este autor descompone a la eficiencia en dos componentes: la eficiencia técnica, que refleja la habilidad de obtener el máximo output para un determinado nivel de inputs y la eficiencia asignativa, que refleja la habilidad de una empresa para utilizar los inputs en una proporción óptima considerando el precio de los inputs. Estos conceptos combinados constituirían la eficiencia económica. Respecto a la definición de la metodología más adecuada, se ha desarrollado una profusa literatura. A modo de ejemplo, y solamente referida al sector bancario, Berger et al. (1997) identificaron una serie de 130 trabajos, mayormente referidos a la banca de los Estados Unidos. No obstante, a pesar del esfuerzo desplegado no existe un total consenso respecto a este punto para abordar la cuestión. En efecto, la raíz de tal disenso se puede buscar en el tratamiento de tres cuestiones conceptuales. En primer término, qué forma funcional debe asumirse para dicha frontera. En segundo término, si el error aleatorio atribuible a cada observación asume un rol relevante en el modelo. Finalmente, resuelto el punto anterior, definir qué distribución de probabilidades debe postularse para la componente de ineficiencia a fin de aislarlo del mencionado error aleatorio. En este contexto se pueden definir dos grandes líneas. Por un lado, las metodologías paramétricas con fuerte apoyatura en la econometría. Alternativamente, existe otra vertiente conformada por técnicas no paramétricas, sustentadas en las técnicas de programación matemática. Dentro del primer grupo se pueden identificar tres variantes principales: Stochastic Frontier Approach (SFA), Distribution Free Approach (DFA) y Thick Frontier Approach (TFA). Para enfrentar el problema, estas técnicas especifican una forma funcional a la frontera y plantean diferencias en el tratamiento de los residuos, factor relevante en esta metodología para estimar la componente de ineficiencia. Al mismo tiempo, dentro de las metodologías no paramétricas se destaca el Data Envelopment Analysis (DEA) y una derivación del mismo, el Free Disposal Hull (FDH). El DEA fue desarrollado por Charnes, Cooper y Rhodes en 1978 (Charnes et al. 1978) y se apoya en técnicas de programación matemática para determinar la estimación de la frontera y de esa manera medir la eficiencia relativa 3 de cada unidad de decisión o DMU (Decision Making Unit). Esta medida de eficiencia relativa se obtiene calculando el cociente entre la suma ponderada de todos los productos y la suma ponderada de todos los insumos. A diferencia de las técnicas paramétricas, DEA no requiere especificar una forma funcional para la frontera. El objetivo es encontrar un escalar que represente la mínima proporción a la que se pueden reducir los insumos sin que se disminuya la cantidad de producto para cada DMU pudiendo de esta manera estimar una frontera de eficiencia. La utilización de técnicas 3 Entiéndase por eficiencia relativa la obtenida por una unidad de decisión (DMU) en referencia a la conseguida por otra/s.

3 no paramétricas presentan ciertas características que resultan atractivas para un trabajo del estilo del presente. En primer lugar, permite construir modelos donde coexistan múltiples insumos y productos. En segundo lugar, no se encuentra restringido a asumir una particular forma funcional para la frontera. Por último, el modelo no exige que los insumos y productos sean expresados en una unidad de medida uniforme. Como contrapartida, al no considerar el componente aleatorio, la medida de ineficiencia estimada puede resultar sobrestimada. El modelo DEA se puede formular orientado hacia los insumos o hacia el producto. En el primer caso, se busca minimizar el uso de insumos manteniendo un nivel de producto dado. En el segundo, se apunta a maximizar el producto sin incrementar el uso de insumos. Esencialmente, se debe seleccionar la orientación según la cual las DMUs tengan un mayor control sobre las cantidades (de los inputs o los outputs). En este contexto, es necesario destacar que el foco de interés de este trabajo está centrado en la evolución de la eficiencia relativa de los bancos y, en tal sentido, no resultaría necesario forzar una especificación de una determinada forma funcional para la frontera. Consecuentemente, se empleará una metodología no paramétrica, DEA, con un enfoque orientado hacia los insumos asumiendo como hipótesis válida que el desarrollo de los productos bancarios es una consecuencia de las decisiones adoptadas por la dirección sobre los insumos. Respecto a la selección de las variables intervinientes, la literatura sugiere a efectos de realizar estudios de eficiencia en el mercado bancario que se pueden adoptar distintos enfoques, siendo los más destacados el de intermediación y el de producción. Según Aly et al. (1990), la primera visión coloca a los bancos como intermediarios de servicios financieros. Esto significa que el banco genera depósitos para transformarlos en préstamos, utilizando en dicho proceso como insumos complementarios capital y trabajo. Hay derivaciones de esta perspectiva tales como el enfoque de activos (utiliza los fondos como insumo y los préstamos como producto), el enfoque basado en el costo del usuario (define como insumo o producto dependiendo de su contribución al ingreso neto) y el enfoque del valor agregado (los insumos y productos son identificados por su contribución al valor agregado). Por su parte, el enfoque de producción considera al banco como generador de depósitos y préstamos (ambos son productos) utilizando capital y trabajo como insumos. Aquí, suelen expresarse las variables como magnitudes físicas más que monetarias, criterio adoptado en el presente trabajo, pues, se encuentra orientado hacia la evaluación de la eficiencia tecnológica. Ésta es un buen indicador de la performance de las unidades de producción que están siendo evaluadas y es posible explorar las fuentes de ineficiencias, siendo esencial para la implementación de políticas públicas y privadas dirigidas a mejorar el rendimiento. Marco conceptual Tal como se señaló anteriormente, la metodología DEA se encuentra sustentada en las técnicas de programación lineal y el objetivo es obtener un escalar que represente la mínima proporción a la que se pueden reducir los consumos de inputs sin que disminuya la cantidad producida de output. Este método, a partir de los datos observados, construye una frontera de eficiencia en el sector. Luego, esta frontera constituye un punto de referencia o benchmark que facilita la comparación entre las distintas DMU involucradas en el estudio en términos de eficiencia relativa. Si la DMU se encuentra sobre la frontera será eficiente y si se encuentra fuera de ella mostrará cierto grado de ineficiencia. Este esquema de análisis está basado en los trabajos de Farrell (1957), Banker et al. (1984) y Färe et al. (1985). Para facilitar su comprensión, Farrell recurrió a un ejemplo sencillo en el cual las empresas utilizan dos inputs para producir un output bajo el supuesto de rendimientos constantes a escala. En el Gráfico Nº 1, la curva es la isocuanta unitaria representando las

4 combinaciones mínimas de inputs necesarias para generar una unidad de producto. Es decir, cualquier combinación de inputs de esta isocuanta será eficiente para producir una unidad de output. De este modo, una DMU identificada con el punto sería una asignación eficiente mientras que no lo sería ya que emplea más inputs para lograr el mismo output. La ineficiencia de estaría representada por la distancia. Gráfico 1: Eficiencia técnica En este sentido, la eficiencia técnica de vendría dada por. Lo que es igual a. Esta medida tomará un valor entre 0 y 1, constituyendo un indicador del grado de ineficiencia técnica de esta unidad. Un valor de 1 indicaría una DMU con eficiencia técnica completa. La recta de isocosto estaría reflejando la relación de precios de los mismos necesarios para la producción de las respectivas unidades de outputs con lo cual se podría calcular la eficiencia asignativa. Su medición vendría dada por el cociente. Así, se tiene que la distancia representa la reducción de los costos de producción que ocurriría si la unidad fuese eficiente en la asignación de los recursos. En este caso, no es la DMU eficiente sino. No obstante ambas fuesen técnicamente eficientes, sólo puede ser adquirida a los precios preestablecidos con el mínimo costo posible. Finalmente, Farrell definió la eficiencia global como el producto de las medidas de eficiencia desde el punto de vista técnico y asignativo. Es decir, la eficiencia técnica global está explicada por el siguiente ratio ( ) ( ), estando su valor también entre 0 y 1. Dicho de otra manera, lo anterior se puede resumir de la siguiente forma: Generalizando el problema a múltiples insumos y productos y asumiendo rendimientos constantes a escala y que existen DMUs, todos los insumos se pueden representar en una matriz de columnas llamada, y todos los productos se pueden representar en una matriz de columnas llamada. Al mismo tiempo, para cada DMU se utiliza e para representar sus insumos y productos, respectivamente. La cuestión se resume en el siguiente problema de programación lineal para determinar la eficiencia relativa.

5 Donde es un escalar y representa un vector de ponderadores que se aplicará a las columnas de e. El valor obtenido será la eficiencia de la i-ésima DMU y está comprendido entre 0 y 1, tomando un valor 1 si la DMU está situada en la frontera de referencia, es decir, será técnicamente eficiente de acuerdo a la definición de Farrell (1957). Cabe destacar que la definición de Koopman (1951) de eficiencia técnica es más estricta que la de Farrell, ya que propone que una DMU será técnicamente eficiente solamente si opera sobre la frontera de referencia y además todas las holguras 4 asociadas son cero. Esto ocurrirá solamente si y. El Gráfico Nº2 muestra el concepto de holguras del input, donde la DMU identificada con la letra A es un punto eficiente según Farrell (1957) y se observa que podría reducirse la cantidad del input usada (por la distancia ) y aún así producir la misma cantidad de output. La distancia es lo que se conoce como holgura del input. Gráfico 2: Eficiencia técnica y holgura del input Ahora bien, cuando se analiza la dimensión técnica del problema se puede observar que el concepto de eficiencia técnica podría estar capturando y no discriminando, por efecto de la metodología empleada, un efecto de rendimientos de escala. Consecuentemente, la medición de eficiencia técnica debería desagregar una medida de eficiencia de escala 5 de la otra que represente la eficiencia técnica pura. De tal forma que la relación planteada precedentemente debería ajustarse a Sin perjuicio de lo expuesto precedentemente, y en línea con lo planteado por Drake et al. (2003), es posible enfocarse en el análisis de la eficiencia técnica global y en la descomposición de la eficiencia técnica pura y de escala. Esto puede realizarse analizando un modelo con rendimientos constantes a escala y otro con rendimientos variables sobre los mismos datos. Si hay diferencias entre las dos puntuaciones de eficiencia técnica para una DMU particular, esto indicará que dicha DMU tiene ineficiencias de escala. En el Gráfico Nº 3 se representa un ejemplo de lo mencionado anteriormente. Específicamente se presentan las fronteras determinadas por rendimientos constantes a escala (CRS 6 ) y por rendimientos variables a escala (VRS 7 ) teniendo en consideración a un 4 Se entiende por holguras de inputs cuando se puede producir la misma cantidad de output reduciendo la cantidad de inputs. Análogamente se definen las holguras de outputs. 5 El modelo original de Charnes et al. (1978) postulaba la existencia de rendimientos constantes de escala. 6 Abreviatura de Constant Returns to Scale. También conocido como modelo CCR por las siglas de Charnes, Cooper y Rhodes.

6 input (X) y un output (Y) para distintas DMU. La ineficiencia técnica del modelo CRS orientado a insumos de la DMU identificada con la letra B está definida por la distancia, mientras que la ineficiencia técnica del modelo VRS sería solamente. La diferencia entre estos dos, es interpretada como ineficiencia de escala. No obstante ello, esta medida de eficiencia no indica aún si la DMU está funcionando con rendimientos crecientes o decrecientes a escala. De acuerdo a Coelli (1996), para poder determinarlo, se agrega al modelo la restricción de rendimientos no crecientes a escala identificada en el gráfico como la frontera NIRS 8. Si la puntuación de la eficiencia bajo NIRS es igual al valor bajo el modelo VRS, existen rendimientos decrecientes a escala para dichas DMU (punto E en el gráfico). Para aquellas DMU donde la puntuación es desigual entonces existen rendimientos crecientes a escala para dichas DMU (punto B en el gráfico). Gráfico 3: Eficiencia de escala El análisis planteado hasta el momento tiene carácter estático. Esto es, está referido a un período de tiempo determinado. Luego, para evaluar el fenómeno de la eficiencia en un plano dinámico se suele utilizar el Índice de Productividad de Malmquist (IPM) que mide las variaciones en la productividad a lo largo del tiempo utilizando la metodología DEA y que permite, a su vez, descomponer a estas variaciones en cambios en eficiencia (catch up) y cambios tecnológicos (frontier shift). Los índices Malmquist fueron introducidos originalmente en el ámbito de la teoría del consumo (Malmquist, 1953). Posteriormente, esta idea fue aplicada a la medición de la productividad en un contexto de funciones de producción por Caves et al. (1982), y en un contexto no paramétrico (DEA) por Färe et al. (1994). La técnica se basa en el cálculo de la distancia que separa a una DMU de la tecnología de referencia en cada período y para ello utiliza funciones de distancia. Una de las ventajas de esta metodología es que no requiere información sobre precios y solamente utiliza datos sobre unidades físicas de insumos y de productos. Generalizando a un modelo orientado a insumos se tiene que el IPM para el período y puede ser expresado de la siguiente manera: ( ( ) ) [( ( ) ( ) ( ) ) ( ( ) ( ) )] donde y son las funciones de distancia para los períodos y respectivamente y e son el insumo y producto para los respectivos períodos. La primera parte del segundo miembro mide el cambio en la eficiencia técnica relativa entre los períodos y que 7 Abreviatura de Variable Returns to Scale. También conocido como modelo BCC por las siglas de Banker, Charnes y Cooper. 8 Abreviatura de Non-Increasing Returns to Scale.

7 permite establecer si la producción se encuentra más cerca o más lejos de la frontera ( catch up ). Si dicho valor es mayor que la unidad, la producción en el período es más eficiente que la producción en el período. Si es menor a la unidad, entonces la producción en el período es menos eficiente que en y si el valor es igual a uno, entonces no hay cambios de eficiencia entre ambos períodos. La segunda parte del segundo miembro captura los cambios en la tecnología entre los dos períodos evaluados ( frontier shift ). Si han existido mejoras tecnológicas, se tendrá un valor superior a la unidad. Posteriormente, según Färe et al. (1994) utilizando los modelos CRS y VRS para estimar las funciones de distancia descriptas anteriormente, la eficiencia técnica se puede descomponer en dos componentes: el cambio en la eficiencia técnica pura y el cambio en la eficiencia de escala. Por lo tanto, un Índice de Malmquist superior a la unidad indica que la productividad en el período es superior a la del periodo mientras que si toma valores inferiores a la unidad, implica pérdidas. Algo similar ocurre con los componentes de este índice, pero debe tenerse en cuenta que, aunque el producto del cambio en la eficiencia técnica y el cambio tecnológico debe ser, por definición, igual al IPM, estos dos componentes podrían tener comportamientos en direcciones opuestas. Metodología utilizada A los efectos del presente trabajo, se ha adoptado el enfoque de producción, computando aquellos insumos sobre los cuáles las entidades tienen mayor nivel de control y decisión más allá de los alcances de la normativa regulatoria. En tal línea de argumentación, se han seleccionado las siguientes variables por el lado de los insumos: cantidad de empleados y sucursales (incluyendo filiales y otras dependencias activas). De esta manera, se procura captar el esfuerzo específico que realiza cada entidad para comercializar los productos correspondientes. En este contexto, no debe omitirse mencionar que la habilitación de sucursales, en los términos indicados precedentemente, requiere el visto bueno del BCRA y, por ello, el proceso y tiempos de apertura de las mismas no depende, exclusivamente, de la voluntad de las entidades financieras. En cuanto a los productos se han considerado las siguientes variables: (cantidades de) cuentas corrientes, cajas de ahorro, plazos fijos, préstamos y tarjetas de crédito. De conformidad con el enfoque de producción, se han incluido tanto productos activos como pasivos. Esta decisión se ha asumido en función de la información disponible y con la intención de mantener la uniformidad en el tratamiento de los datos. Tal decisión, sin embargo, no implica ignorar las políticas de bundling adoptadas por algunas de las entidades incluidas en la muestra. Los datos empleados fueron extraídos del reporte titulado Información de Entidades Financieras, 2013 elaborado por la Superintendencia de Entidades Financieras y Cambiarias, dependiente del Banco Central de la República Argentina (BCRA). Es necesario observar que, durante el período indicado, se modificó la cantidad de entidades que operaron en el mercado local. Sin perjuicio de ello, es necesario notar que las 20 entidades con mayor nivel de activos en el sistema financiero argentino, a diciembre de 2013, reúnen el 91% de la totalidad de los activos de entidades bancarias a la fecha mencionada y a su vez, concentran el 92% de la cantidad de plazos fijos y el 86% de la cantidad de los préstamos del sistema. Al inicio del período las mismas entidades financieras representaban el 86% de los activos, el 93% de la cantidad de plazos fijos y el 85% de la cantidad de préstamos. Dado este panorama, se decidió concentrar el análisis de la información correspondiente a los mencionados bancos. Por último, a los efectos del tratamiento de los datos se utilizó el programa estadístico Stata 11.2.

8 Con los datos referidos, empleando el paquete estadístico mencionado y utilizando el análisis DEA se estimará la eficiencia técnica de cada uno de los integrantes de la muestra, procurando discriminar aquellos que serían eficientes de los que no cumplirían tal condición, tanto bajo la hipótesis de rendimientos constantes de escala como su alternativa de rendimientos variables. En el marco del mismo ejercicio se buscará aislar el fenómeno escala de la gestión pura de recursos. Posteriormente, se buscará explorar la dinámica del fenómeno y su relación con la productividad total de los factores. A tal efecto, se empleará el Índice de Malmquist como instrumento para el tratamiento de los datos correspondientes a 2005 y Con esta herramienta se buscará estimar la incidencia de las distintas componentes que hacen a la eficiencia y a la productividad. En otras palabras, se busca aislar el cambio técnico del cambio en la eficiencia técnica. Finalmente, el análisis se concentrará en las características de tal dinámica. La intención será evaluar si el patrón de cambio en la productividad es constante a lo largo de todo el período. Con tal objetivo se dividirán las observaciones en dos grupos de datos, el primero de ellos será y el segundo grupo abarcará La idea es detectar si existe un cambio de tendencia en la variación de la productividad así como en la eficiencia bancaria y si tal comportamiento es relevante en el conjunto de la muestra. Resultados Los resultados obtenidos a partir de la muestra considerada evidencian eficiencia técnica en el 55% (11 DMU) de las 20 instituciones bancarias bajo análisis, tanto en los términos de Farrell (1957) como los definidos por Koopmans (1951). Por el contrario, el 45% de las entidades (9 DMU) no serían técnicamente eficientes. La Tabla Nº1 muestra las DMU ordenadas en forma decreciente en función de su volumen de activos a diciembre de Aplicando la metodología indicada en la sección anterior se ha estimado su nivel de eficiencia técnica asumiendo rendimientos variables de escala Tabla 1: Eficiencia técnica de cada DMU DMU Θ Eficiencia Técnica (valor del theta) NACION 1, Eficiente PROVINCIA DE BUENOS AIRES 1, Eficiente SANTANDER RIO 1, Eficiente GALICIA 1, Eficiente FRANCES 1, Eficiente MACRO 1, Eficiente HSBC 1, Eficiente CREDICOOP 0, Ineficiente CIUDAD 1, Eficiente PATAGONIA 1, Eficiente ICBC 0, Ineficiente CITIBANK 0, Ineficiente HIPOTECARIO 1, Eficiente SUPERVIELLE 0, Ineficiente NUEVO BANCO DE SANTA FE 0, Ineficiente CORDOBA Ineficiente ITAU 0, Ineficiente SAN JUAN 1, Eficiente COMAFI 0, Ineficiente NUEVO BANCO DE ENTRE RIOS 0, Ineficiente

9 La Tabla Nº 2 detalla aquellas DMU que presentan ineficiencias en gestión o en escala de acuerdo con lo propuesto por Drake et al. (2003). Los resultados expuestos resaltan la presencia de 11 DMU (55%) exhibiendo eficiencia de gestión mientras que 9 DMU (45%) registran eficiencia de escala. No obstante, 9 DMU (45%) de ellas son ineficientes tanto en gestión como en escala. En tanto, siguiendo el criterio de Coelli (1996), se pudo establecer que el 50% de las entidades analizadas (10 DMU) se encuentran operando con rendimientos constantes a escala, mientras que otro 45% (9 DMU) de las instituciones opera en la porción de la frontera con rendimientos crecientes a escala y un 5% (1 DMU) presenta rendimientos decrecientes a escala. DMU Tabla 2: Eficiencia técnica de cada DMU Eficiencia de Eficiencia Gestión de Escala Rendimientos a Escala NACION Eficiente Eficiente Constantes PROVINCIA DE BUENOS AIRES Eficiente Ineficiente Decrecientes SANTANDER RIO Eficiente Eficiente Constantes GALICIA Eficiente Eficiente Constantes FRANCES Eficiente Eficiente Constantes MACRO Eficiente Eficiente Constantes HSBC Eficiente Eficiente Constantes CREDICOOP Ineficiente Ineficiente Crecientes CIUDAD Eficiente Eficiente Constantes PATAGONIA Eficiente Ineficiente Constantes ICBC Ineficiente Ineficiente Crecientes CITIBANK Ineficiente Ineficiente Crecientes HIPOTECARIO Eficiente Eficiente Constantes SUPERVIELLE Ineficiente Ineficiente Crecientes NUEVO BANCO DE SANTA FE Ineficiente Ineficiente Crecientes CORDOBA Ineficiente Ineficiente Crecientes ITAU Ineficiente Ineficiente Crecientes SAN JUAN Eficiente Eficiente Constantes COMAFI Ineficiente Ineficiente Crecientes NUEVO BANCO DE ENTRE RIOS Ineficiente Ineficiente Crecientes Posteriormente, se procedió a analizar la evolución de la productividad de las entidades financieras en el período comprendido entre los años 2005 y La intención de este análisis fue discriminar los factores que han incidido sobre la evolución de la eficiencia. Así, se examinaron las componentes de eficiencia técnica, de gestión y de escala. Este último análisis se efectuó recurriendo al índice de Malmquist. En la Tabla N 3 se exponen los resultados obtenidos comparando ambas puntas de este ciclo. Concretamente, el cambio en la productividad total de los factores para cada entidad se desagrega entre la variación en la eficiencia global 9 y el cambio tecnológico. Al mismo tiempo, la variación en la eficiencia global es la resultante de la combinación de variaciones en la eficiencia en la gestión pura de insumos y en la escala. 9 En relación con una tecnología de rendimientos constantes de escala.

10 DMU Tabla 3: Evolución de la Productividad Período 2005~2013 Productividad Variación Variación total de los Eficiencia Técnica Período factores Global Pura (tfpch) (effch) (techch) Variación Gestión Pura (pech) Variación Eficiencia Escala (sech) NACION 2005~2013 1, , PROVINCIA DE BUENOS AIRES 2005~2013 1,5789 0, , , SANTANDER RIO 2005~2013 1, , GALICIA 2005~2013 2, ,2794 1, , ,01413 FRANCES 2005~2013 1, , MACRO 2005~2013 1, , , , ,00636 HSBC 2005~2013 1, , , , ,06683 CREDICOOP 2005~2013 1, , , , , CIUDAD 2005~2013 1, , PATAGONIA 2005~2013 1, , , ,0748 1,01484 ICBC 2005~2013 0, , , , , CITIBANK 2005~2013 1, , , , , HIPOTECARIO 2005~2013 0, , SUPERVIELLE 2005~2013 2, , , , ,30653 NUEVO BANCO DE SANTA FE 2005~2013 1, , , , ,00065 CORDOBA 2005~2013 1, , ,3773 1, ,14099 ITAU 2005~2013 0, , , , , SAN JUAN 2005~2013 2, , , ,60922 COMAFI 2005~2013 1, ,6835 1, , ,12412 NUEVO BANCO DE ENTRE RIOS 2005~2013 1, , , , ,07707 PROMEDIO 2005~2013 1, , , , , Como primera observación de esta tabla se advierte que la mayoría de las entidades creció en productividad entre ambos períodos. En efecto, sólo 3 DMU muestran caídas en la productividad total de los factores. En tanto, de las 17 DMU que mostraron mejoras en esta variable, no existe una plena coincidencia respecto a los factores que provocaron tal desempeño. Si bien en todos los casos existió un cambio positivo en la eficiencia técnica pura, no ha existido un patrón uniforme en términos de la eficiencia global. Así, 10 DMU de este grupo vieron un desempeño positivo en ambas componentes. Por otra parte, la dinámica de la eficiencia global en el caso de 3 DMU contrarrestó, parcialmente, la evolución positiva de la eficiencia técnica pura y sólo 4 DMU reflejaron un efecto exclusivo de la variación positiva de la eficiencia técnica pura. En este contexto, surgió el interrogante respecto a si el comportamiento resultó uniforme durante todo el período considerado. A tal efecto, se desarrollaron dos ejercicios en relación a la evolución de la productividad total de los factores considerándose dos períodos: y La Tabla Nº 4 muestra en detalle las variaciones para cada DMU bajo estudio para el período En principio se observa una mejora puramente tecnológica en el 80% de las instituciones (16 DMU). En cuanto a la variación de la eficiencia global, el comportamiento resultó más dispar a lo ocurrido en la dimensión tecnológica. Si bien los bancos mejoraron en eficiencia global (en promedio un 8%), la proporción entre variaciones positivas, negativas y nulas fue bastante similar (40%, 30% y 30% respectivamente). A su vez, se observa una mejora de gestión pura sólo en el 35% de los bancos (7 DMU) mientras que otro 40% (8 DMU) mantuvo su eficiencia en este aspecto y el 25% restante empeoró. Adicionalmente, los resultados muestran que para el período en cuestión existió una mejora en la eficiencia de escala en el 40% de las DMU, un empeoramiento en el 30% y el restante 30% de las entidades mantuvo su eficiencia de escala.

11 DMU Tabla 4: Evolución de la Productividad Período 2005~2009 Productividad Variación Variación Variación total de los Eficiencia Técnica Gestión Período factores Global Pura Pura (tfpch) (effch) (techch) (pech) Variación Eficiencia Escala (sech) NACION 2005~2009 1, , , , PROVINCIA DE BUENOS AIRES 2005~2009 1, , SANTANDER RIO 2005~2009 1, , , , , GALICIA 2005~2009 1, ,2794 1, , ,01413 FRANCES 2005~2009 1, , MACRO 2005~2009 1, , , , , HSBC 2005~2009 1, , , , ,06683 CREDICOOP 2005~2009 1, , CIUDAD 2005~2009 0, , PATAGONIA 2005~2009 1, , , ,0748 1,01484 ICBC 2005~2009 0, , , , , CITIBANK 2005~2009 1, , HIPOTECARIO 2005~2009 0, , SUPERVIELLE 2005~2009 1, , , , ,27313 NUEVO BANCO DE SANTA FE 2005~2009 1, ,203 1, , , CORDOBA 2005~2009 0, , ,2992 0, ,04987 ITAU 2005~2009 0, , , , , SAN JUAN 2005~2009 1, , , ,43833 COMAFI 2005~2009 2, ,9187 1, , ,19916 NUEVO BANCO DE ENTRE RIOS 2005~2009 1,0518 0, , , ,00456 PROMEDIO 2005~2009 1, , , , , Los resultados indican que en el primer período existió, en general, una mejora en la productividad total de los factores. Más precisamente, el 75% (15 DMU) de las entidades bajo estudio tuvieron una mejora en la productividad. En principio, podríamos asociar dicha mejora con los cambios tecnológicos producidos durante este lapso considerado. La incidencia sobre la productividad del desarrollo y expansión de la banca electrónica como plataforma comercial podría constituir un campo interesante de investigación. En tal contexto, se puede señalar que los bancos Provincia de Buenos Aires, Francés, Credicoop y Citibank reflejan claramente el fenómeno mencionado debido a que toda la variación en la productividad estuvo originada en los cambios tecnológicos. Por su parte, en el caso de los bancos Macro, Supervielle y Comafi, la mejora en la productividad estuvo centrada, esencialmente, en la eficiencia global más que en el factor tecnológico. A su vez, en el caso del Macro y el Comafi, dicha mejora en la eficiencia global se originó en mayor medida por cambios positivos en la gestión de recursos. Los bancos Nación, Santander Río y Nuevo Banco de Entre Ríos registraron una mejora en la productividad producto de dos procesos inversos. Por un lado, empeoró la eficiencia global -como consecuencia de un deterioro en la escala en el caso del Nación- y, por otro lado, la mejora en la tecnología más que compensó dicha desmejora (en la eficiencia global) teniendo como resultado final una mejora en la productividad. El banco Córdoba también mostró dos procesos inversos pero con un resultado final negativo. Nótese, que si bien mejoró en el plano tecnológico, la merma en la eficiencia global fue producto de un deterioro en gestión cuyo efecto más que compensó la mejora tecnológica resaltada precedentemente. Para el período comprendido entre los años 2009 y 2013, los resultados obtenidos muestran que, en promedio, también hubo una mejora en la productividad total de los factores. Más precisamente, la evolución existió en el 80% de las DMU analizadas. Al igual que en el

12 período anterior, dicha mejora estuvo originada sustancialmente en cambios tecnológicos. Sin embargo, se pueden resaltar algunos aspectos. En particular, el banco Provincia de Buenos Aires registró un deterioro en la productividad total asociado a una desmejora en la eficiencia de escala. En el banco Credicoop, el detrimento registrado en la productividad total es consecuencia de ineficiencias tanto tecnológicas como de gestión y escala. El banco Citibank centra su desmejora en la productividad en dos procesos inversos. Por un lado, tuvo una pérdida en la eficiencia global por ineficiencias de gestión y de escala y, por el otro, registró una mejora en la eficiencia técnica que no alcanzó para compensar dichas ineficiencias. La Tabla Nº 5 muestra en detalle las variaciones para los distintos tipos de eficiencias. DMU Tabla 5: Evolución de la Productividad Período 2009~2013 Productividad Variación Variación total de los Eficiencia Técnica Período factores Global Pura (tfpch) (effch) (techch) Variación Gestión Pura (pech) Variación Eficiencia Escala (sech) NACION 2009~2013 1, , , ,19209 PROVINCIA DE BUENOS AIRES 2009~2013 0, , , , SANTANDER RIO 2009~2013 1, , , , ,04405 GALICIA 2009~2013 1, , FRANCES 2009~2013 1, , MACRO 2009~2013 1, , , ,07676 HSBC 2009~2013 1, , CREDICOOP 2009~2013 0, , , , , CIUDAD 2009~2013 1, , PATAGONIA 2009~2013 1, , ICBC 2009~2013 1, , , , , CITIBANK 2009~2013 0, , , , , HIPOTECARIO 2009~2013 1, , SUPERVIELLE 2009~2013 1, , , , ,02624 NUEVO BANCO DE SANTA FE 2009~2013 1, , ,1718 0, ,03174 CORDOBA 2009~2013 1, , , , ,08679 ITAU 2009~2013 0, , , , ,01867 SAN JUAN 2009~2013 1,4563 1, , ,11881 COMAFI 2009~2013 1, , , , , NUEVO BANCO DE ENTRE RIOS 2009~2013 1, , , , ,07218 PROMEDIO 2009~2013 1, , , , , Conclusiones El objetivo principal del presente trabajo ha sido analizar la evolución de la eficiencia en el sector bancario argentino entre 2005 y Según la literatura, existen distintas metodologías para abordar la cuestión. En este caso, se ha optado por una de naturaleza no paramétrica, ya que presenta ciertas ventajas como, por ejemplo, no encontrarse restringida por ciertos supuestos en torno al formato de la función de costos del sector. Tal enfoque no obsta la validez de analizar este tema considerando métodos paramétricos. Se decidió estudiar este tópico aplicando el Data Envelopment Analysis (DEA), asumiendo un enfoque de insumos. Complementariamente, para la selección y el tratamiento de los datos relevantes (en nuestra perspectiva) se ha asumido un enfoque de producción. Nuevamente, el criterio adoptado no invalida, en absoluto, que otro investigador adopte un enfoque de intermediación para efectuar este análisis.

13 Respecto a los datos extraídos de las bases del BCRA y a efectos de garantizar una cierta homogeneidad en la recopilación y tratamiento de los mismos, se han utilizado aquellos correspondientes a los 20 principales bancos clasificados según el tamaño de sus activos. A diciembre de 2013, representaban aproximadamente el 91 % del total de activos bancarios, por lo que se consideró que su análisis es significativo en términos del sistema. No obstante, la extensión de esta metodología al conjunto no debería alterar significativamente las conclusiones alcanzadas en el presente trabajo. De la aplicación de esta metodología, se concluye que existe evidencia sustantiva para pensar que la eficiencia técnica ha mejorado para la mayoría de las entidades integrantes de esta muestra. En efecto, 17 bancos muestran un cambio positivo en términos de la productividad total de los factores. Sin embargo, no todos repiten el mismo patrón de causas así como tampoco la misma intensidad de cambio, según puede observarse en las tablas incorporadas en la sección previa. Sin perjuicio de lo anterior, gran parte de la explicación de la mejora productiva radica en los positivos cambios observados en la eficiencia técnica pura. Luego, variaciones en diferentes sentidos de la eficiencia en la gestión de los recursos así como en los rendimientos de escala terminan de ilustrar el comportamiento de la productividad bancaria en el período seleccionado. Finalmente, seccionando el período considerado se aprecia que las conclusiones no se alteran sustancialmente. Sin embargo, existen ciertas entidades que no han mostrado un comportamiento uniforme en términos de productividad. Nótese que considerando el período completo existen 17 bancos que han mejorado este indicador. Pero, si se consideran dos lapsos temporales se verá que el número de entidades que mejoraron en términos absolutos en cada segmento resultó inferior (15 y 16, respectivamente). En efecto, existen 5 entidades que han alternado mejoras y retrocesos en el período referido pero que concluyeron en un progreso global en relación con la productividad.

14 Referencias Aly, H. Y., Grabowski, R., Pasurka, C. & Ragan, N. (1990). Technical, scale, and allocative efficiencies in U.S. banking: An empirical investigation. Review of Economics and Statistics, 72, Banker, R., Charnes, A. & Cooper, W. (1984). Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis. Management Science, 30, Berger, A.N. & Humphrey, D.B. (1997). Efficiency of financial institutions: International survey and directions for future research. European Journal of Operational Research, 98, Caves, D. W., Christensen, L. R. & Diewert, W. E. (1982). The Economic Theory of Index Numbers and the Measurement of Input, Output, and Productivity. Econometrica, 50 (6), Charnes, A., Cooper, W.W. & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2, Coelli, T. J. (1996). A Guide to DEAP Version 2.1: A Data Envelopment Analysis (Computer) Program. Working Paper 96/08. Centre for Efficiency and Productivity Analysis, Armidale. University of New England. Drake, L. & Simper, R. (2003). Competition and Efficiency in UK Banking: The Impact of Corporate Ownership Structure. Economic Paper ERP Loughborough University. Färe, R., Grosskopf, S., Lindgren, B. & Roos, P. (1994a). Productivity Developments in Swedish Hospitals: A Malmquist Output Index Approach. In A. Charnes, W. W. Cooper, A. Y. Lewin and L. M. Seiford (eds.), Data Envelopment Analysis: Theory, Methodology and Applications. Boston, Kluwer Academic Publishers. (Originally presented at a Conference on New Uses of DEA in Management and Public Policy, University of Texas, Austin, TX, September 27 29, 1989.) Färe, R., Grosskopf, S. & Lovell, K.C.A. (1985). The Measurement of the Efficiency of Production. Kluwer Nijhoft, Boston. Farrell, M. (1957). The measurement of productive efficiency. Journal of the Royal Statistical Society, 120, Koopmans, T.C. (1951). Analysis of Production as an Efficient Combination of Activities, in T.C. Koopmans (Ed.) Activity Analysis of Production and Allocation (pp ), New Haven, Yale University Press. Ji, Y., & Lee, C. (2010). Data Envelopment Analysis. The Stata Journal, 10 (2), Lee, C. (2011). Malmquist Productivity Analysis using DEA Frontier in Stata. Stata Conference, Chicago. Malmquist, S. (1953). Index Numbers and Indifference Surfaces. Trabajos de Estadística 4,