Nonlinear effects of lending rates on credit risk in microfinance institutions: evidence from Peruvian municipal savings and credit banks

Technische Zusammenfassung: Nichtlineare Effekte von Kreditzinsen auf das Kreditrisiko in peruanischen Mikrofinanzinstitutionen

Problemstellung
Mikrofinanzinstitutionen (MFI) in Schwellenländern agieren unter Bedingungen asymmetrischer Information, wobei Kreditnehmer oft über eine begrenzte finanzielle Transparenz und eine instabile Rückzahlungsfähigkeit verfügen. Während Institutionen Kreditzinsen festlegen müssen, um die Betriebskosten und das erwartete Risiko zu decken, können übermäßig hohe Zinssätze zu negativer Selektion (Adverse Selection) und moralischem Wagnis (Moral Hazard) führen. Gemäß den Theorien von Stiglitz und Weiss (1981) können höhere Zinssätze die Zusammensetzung des Kreditnehmerpools verändern, indem sie risikoreichere Personen anziehen oder ein risikoreicheres Verhalten nach der Kreditvergabe fördern, was die Portfoliostabilität verschlechtert. Trotz umfangreicher Literatur, die das Kreditrisiko mit makroökonomischen und bankspezifischen Faktoren verknüpft, besteht weiterhin eine Lücke im Verständnis darüber, ob ein spezifischer „optimaler“ Kreditzinsschwellenwert existiert, ab dem höhere Zinsen nicht mehr das Risiko kompensieren, sondern das Kreditrisiko stattdessen erhöhen. Diese Studie adressiert diese Lücke, indem sie die nichtlineare Beziehung zwischen Kreditzinsen und dem Kreditrisiko innerhalb peruanischer kommunaler Spar- und Kreditbanken (Cajas Municipales) während des Zeitraums 2021–2025 untersucht.

Methodik
Die Studie verwendet ein quantitatives, erklärendes Forschungsdesign unter Verwendung eines ausgewogenen Panel-Datensatzes, der zehn peruanische kommunale Spar- und Kreditbanken über fünf Jahre (2021–2025) umfasst, was zu 50 jährlichen Beobachtungen führt. Die Daten wurden von der Aufsichtsbehörde für Banken, Versicherungen und private Rentenfonds (SBS) für Finanzindikatoren und von der Zentralbank von Peru (BCRP) für makroökonomische Daten bezogen.

Die zentrale ökonometrische Spezifikation ist ein Fixed-Effects-Panelmodell, das darauf ausgelegt ist, die unbeobachtete institutionelle Heterogenität (z. B. interne Prüfrichtlinien, regionale Abdeckung) zu kontrollieren. Die abhängige Variable, das Kreditrisiko ($RC_{it}$), wird als Verhältnis von überfälligen Krediten zu Gesamtkrediten gemessen. Die primäre erklärende Variable ist der Kreditzins ($r_{it}$), definiert als der jährliche effektive nominale Zinssatz, der auf Mikrokredite angewendet wird. Um auf Nichtlinearität zu testen, enthält das Modell einen quadratischen Term ($r_{it}^2$).

Die geschätzte Gleichung lautet:
$$RC_{it} = \beta_0 + \beta_1 r_{it} + \beta_2 r_{it}^2 + \beta_3 gmf_{it} + \beta_4 csa_{it} + \beta_5 y_t + \beta_6 Dm_{it} + \mu_i + u_{it}$$

Wobei:

• $gmf_{it}$: Operative Effizienz (Betriebsausgaben / Finanzmarge).
• $csa_{it}$: Kreditintensität (Direktkredite / Gesamtkundschaft/Gesamtvermögen).
• $y_t$: BIP-Wachstum (makroökonomische Kontrollvariable).
• $Dm_{it}$: Dummy-Variablen für Ausreißerbeobachtungen.
• $\mu_i$: Institutionsspezifische Fixed Effects.

Die Studie nutzt Diagnosetests, einschließlich des Jarque–Bera-Tests auf Residuen-Normalverteilung, des Pesaran-CD-Tests auf Querschnittsabhängigkeit und der Durbin–Watson-Statistik auf Autokorrelation. Der optimale Kreditzins ($r^*$) wird ermittelt, indem die marginale Wirkung des Kreditzinses auf das Kreditrisiko auf Null gesetzt wird ($\partial RC / \partial r = 0$). Um die statistische Unsicherheit dieses Schwellenwerts zu bewerten, wurde ein Cluster-Bootstrap-Verfahren (10.000 Replikationen) auf institutioneller Ebene durchgeführt.

Kernergebnisse

1. Nichtlinearer Zusammenhang: Die Schätzung bestätigt eine statistisch signifikante U-förmige Beziehung zwischen Kreditzinsen und Kreditrisiko. Der lineare Koeffizient für den Kreditzins ist negativ ($\beta_1 = -0,4497$), während der quadratische Koeffizient positiv und signifikant ist ($\beta_2 = 0,0077$, $p=0,024$). Dies deutet darauf hin, dass das Kreditrisiko zunächst sinkt, wenn die Zinsen steigen (potenziell zur Kompensation des Risikos), aber schließlich steigt, sobald ein bestimmter Schwellenwert überschritten wird.
2. Optimaler Kreditzins: Der berechnete optimale Kreditzins liegt bei 29,21 % effektivem Jahreszins. Das 95 %-Bootstrap-Konfidenzintervall für diesen Schwellenwert liegt zwischen 24,51 % und 36,53 %.
3. Kontrollvariablen:
   • Operative Effizienz ($gmf_{it}$): Positiv mit dem Kreditrisiko assoziiert ($\beta = 0,0581$), was darauf hindeutet, dass höhere Betriebskosten im Verhältnis zur Marge mit einer Verschlechterung des Portfolios korrelieren.
   • Kreditintensität ($csa_{it}$): Negativ mit dem Kreditrisiko assoziiert ($\beta = -0,0900$).
   • Wirtschaftswachstum ($y_t$): Negativ mit dem Kreditrisiko assoziiert ($\beta = -0,0798$), was bestätigt, dass günstige makroökonomische Bedingungen die Rückzahlungsfähigkeit verbessern.
4. Ökonomische Simulation: Eine Szenarioanalyse zeigt die ökonomische Größenordnung der Überschreitung des optimalen Schwellenwerts. Eine Erhöhung des Kreditzinses vom optimalen Wert von 29,21 % auf 45,00 % (unter Beibehaltung der anderen Variablen) erhöht das geschätzte Kreditrisiko von 4,98 % auf 6,90 %, was einem Anstieg um 1,92 Prozentpunkte entspricht.

Hauptbeiträge und Bedeutung
Der primäre Beitrag dieser Studie ist die empirische Identifizierung einer nichtlinearen, U-förmigen Beziehung zwischen Kreditzinsen und Kreditrisiko im peruanischen Mikrofinanzsektor. Durch die Integration des Rahmens der asymmetrischen Information von Stiglitz und Weiss (1981) mit Paneldaten-Evidenz zeigt die Arbeit auf, dass Kreditzinsen nicht nur als Preismechanismus fungieren, sondern als Determinante der Portfolioqualität.

Die Studie behauptet, dass es eine aufsichtsrechtliche Grenze für die Kreditpreisgestaltung gibt. Während Zinssätze unterhalb des optimalen Schwellenwerts den Institutionen helfen können, Kosten und Risiken zu decken, führen Zinssätze deutlich oberhalb dieses Niveaus (z. B. 45 %) nicht dazu, das Risiko zu kompensieren, sondern verschlechtern aktiv die Portfolioqualität, indem sie die Ausfallwahrscheinlichkeit erhöhen. Dieses Ergebnis liefert Evidenz für die Kreditpreisgestaltung, das Risikomanagement und die aufsichtsrechtliche Überwachung und legt nahe, dass MFI aggressive Preisstrategien vermeiden sollten, die den geschätzten Schwellenwert überschreiten, insbesondere wenn sie Kunden mit begrenzter finanzieller Information und hoher Vulnerabilität bedienen.

Limitierungen
Die Autoren räumen ein, dass die Analyse auf jährlichen Daten für eine spezifische Gruppe von zehn Institutionen über einen Zeitraum von fünf Jahren basiert. Sie schlagen vor, dass zukünftige Forschung von hochfrequenten Daten (monatlich oder quartalsweise), dynamischen Schätzansätzen (wie GMM) zur Adressierung potenzieller Endogenität und vergleichenden Studien über andere lateinamerikanische Mikrofinanzsysteme profitieren könnte, um zu bestimmen, ob die geschätzten Schwellenwerte spezifisch für den peruanischen Markt sind oder breiter anwendbar sind.