FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES
88
Conclusiones
El FMI (2006) propone 24 índices bancarios que pueden ser utilizados para evaluar
la solidez del sistema bancario de un país. Para el análisis del presente estudio se
tuvo acceso a ocho indicadores, de los cuales únicamente tres fueron significativos
(índice de morosidad, índice de endeudamiento e índice de liquidez) para medir
su impacto en el crecimiento económico; lo que representó una limitante en los
resultados arrojados por el modelo propuesto.
El modelo arrojó un R2 cercano a cero, lo que significa que existen otros factores
que afectan la variable dependiente (crecimiento económico) que es congruente
con la conclusión anterior; adicionalmente, que la bondad de ajuste analizada sea
pequeña implica que la varianza del error sea relativamente grande, en relación
a la varianza de la variable del crecimiento económico. Lo anterior puede ser
contrarrestado con un tamaño de muestra grande. Este estudio fue realizado
únicamente con 96 observaciones para cada país como consecuencia de que no
toda la información es publicada por los países en estudio. Congruente con lo
anterior, la banca regional, a excepción de Panamá, no está desarrollada como la
de otros países donde se han realizado estudios similares.
El índice de morosidad, para los seis países objeto de este estudio muestran una
tendencia a la baja; sin embargo, no fue posible determinar si este efecto se debe
a una disminución real de los créditos vencidos o a un aumento del gasto de las
instituciones bancarias, para absorber como pérdidas los incumplimientos de sus
clientes; lo cual puede repercutir en el signo observado en la estimación del modelo.
Los índices de liquidez, solvencia y desarrollo, obtuvieron el signo esperado en la
estimación del modelo propuesto.
Este estudio representa un punto de partida en el estudio econométrico de la relación
existente entre la solidez bancaria y el crecimiento económico para Centroamérica
y Panamá, mismo que posteriormente puede ser ampliado mediante la utilización
de modelos más complejos, utilizando una mayor frecuencia de datos y otras
variables relevantes omitidas.