Ayer cuando decidí escribir sobre este tema, sabía que iba a ser un ejercicio interesante e intuía sorpresas en cuanto al razonamiento macroeconómico. En cualquier caso, una buena forma de entender la situación económica actual de España es repasar la evolución reciente del crédito.

Por otra parte, si hay algo que nos ha enseñado esta crisis, es que la macroeconomía elemental de los manuales no es suficiente y que la realidad es mucho más compleja.

La inversión y el tipo de interés.

Según los manuales de macroeconomía, en una economía cerrada existe una relación inversa entre el tipo de interés real y la inversión. Es algo muy razonable y explicable a través de curvas de oferta y demanda.

Gráficamente es algo así.

Todo eso está muy bien, sin embargo, la evidencia es que los tipos de interés no fueron el mecanismo ni el motivo del ajuste del crédito en España. ¡Nada nuevo!

El siguiente gráfico muestra el importe de las operaciones de crédito y los tipos de interés desde enero de 2003 a septiembre de 2015, tanto de empresas como de particulares.

library(pxR)
serie<-read.px("pcaxis1725996338.px")
serie<-as.data.frame(serie)
serie_cor<-reshape(serie, timevar="Tipos.de.interés.importe", direction="wide", 
                idvar=c("Periodo", "nuevas.operaciones"))
names(serie_cor)<- c("Meses", "Operación", "TI", "Volumen")
serie_cor$Operación<-as.character(gsub(pattern = "Prestamos y créditos a hogares e ISFLSH. ",
                                       replacement = "Particulares. ", serie_cor$Operación))
serie_cor$Operación<-as.character(gsub(pattern = "Prestamos y créditos a Sociedades no financ. ",
                                       replacement = "Empresas. ", serie_cor$Operación))

ggplot(data=serie_cor, aes(x=Volumen, y=TI))+
  geom_point()+
  geom_smooth()+
  facet_wrap(~Operación, scales = "free", ncol = 2)+
  ylab("Tipos de interés") + xlab("Importe de créditos")

La diferencia entre lo ocurrido y lo esperado es abismal. A pesar de ello la falta de coherencia macroeconómica no es lo llamativo de ese gráfico, de hecho reconozco que faltan datos de otros mercados de inversión para un análisis de esa profundidad. Lo interesante está en los retículos del descubierto financiero. En ellos se pueden observar dos grupos de puntos muy separados que invitan a la curiosidad, y de hecho serán los protagonistas en los siguientes apartados.

Evolución del crédito.

En el caso de los particulares, el crédito de la vivienda alcanzó unas cifras espectaculares hasta el pinchazo de una burbuja inmobiliaria. Hay que decir que hubieron dos pinchazos, el primero se produjo en agosto del 2007, una especie de alerta, y el segundo y definitivo en agosto de 2008. A partir de entonces nada ha vuelto a ser lo mismo.

library(dygraphs)
### Volumen ###
serie_vol<-serie[serie$Tipos.de.interés.importe!="Tipos de interés", ]
serie_vol<-serie_vol[, -3]

part<-levels(serie_vol$nuevas.operaciones)[1:4]
part_n<-gsub(pattern = "Prestamos y créditos a hogares e ISFLSH. ", replacement = "", part)

# Particulares #
serie_vol_p<-serie_vol[serie_vol$nuevas.operaciones %in% part,]

cred_part<-reshape(serie_vol_p, timevar="nuevas.operaciones", direction="wide", idvar="Periodo")
names(cred_part)<-c("Mes", part_n)

x<-ts(cred_part[,2:5], start = c(2003, 1), frequency = 12)

dygraph(x, main="Volumen del crédito a particulares") %>%
  dyHighlight(highlightSeriesOpts = list(strokeWidth = 2))%>%
  dyRangeSelector() %>%
  dyEvent("2008-9-15", "Bancarrota de Lehman Brothers", labelLoc = "bottom") 

# Empresas #
serie_vol_e<-serie_vol[!serie_vol$nuevas.operaciones %in% part,]

cred_emp<-reshape(serie_vol_e, timevar="nuevas.operaciones", direction="wide", idvar="Periodo")
names(cred_emp)<-c("Mes", "Descubiertos y lineas de crédito", "Hasta 1 millón", "Más 1 millón")

x<-ts(cred_emp[,2:4], start = c(2003, 1), frequency = 12)

dygraph(x, main="Volumen del crédito a empresas no financieras") %>%
  dyHighlight(highlightSeriesOpts = list(strokeWidth = 2))%>%
  dyRangeSelector() %>%
  dyEvent("2008-9-15", "Bancarrota de Lehman Brothers", labelLoc = "bottom")

Como ya he comentado anteriormente, me ha llamado mucho la atención la aparición de un plumazo de tanto crédito en descubierto, en el caso de los particulares prácticamente podría inferirse una migración del crédito inmobiliario a crédito en descubierto. ¿Qué pasó para que emergiera de forma tan precipitada todo ese crédito relacionado con la morosidad?

Lo normal es que ese crédito moroso hubiese sido reclasificado en la medida que fue produciéndose. Sin embargo al parecer no fue así y lo más lamentable es que haya tanto dinero destinado a cubrir excesos.

Empecinado en buscar la coherencia de los datos he repasado dos cronologías de la crisis. La de [Wikipedia](https://es.wikipedia.org/wiki/Crisis_econ%C3%B3mica_espa%C3%B1ola_(2008-2015) y esta del diario Cinco Días. Desafortunadamente no encontré nada explícito sobre este asunto y más adelante me gustaría investigar qué ocurrió en junio del 2010. Quizás todo se deba simplemente a cambios de criterios contables, aún así hay dos sucesos inmediatamente posteriores que podrían generar suspicacias.

Si comparamos mercados financieros, vemos que el crédito de las empresas supera significativamente al de los particulares. Aunque no quiero sacar ninguna conclusión de esto, básicamente porque no se como se comporta ese ratio en otros países, me parece oportuno reflejar que los excesos de las familias es una nimiedad en comparación con la financiación externa de las empresas, donde gran parte de ella es actualmente crédito moroso.

Por desgracia, mucha gente intenta explicar la deformación del mercado laboral a través de la productividad. A esos mismos les invito a considerar también otras variables como el riesgo financiero de las empresas españolas.

credagg<-cbind(rowSums(cred_part[,2:5]), rowSums(cred_emp[,2:4]))
credagg<-as.data.frame(credagg)
names(credagg)<-c("Particulares", "Empresas")
credagg$Total<-rowSums(credagg)

x<-ts(credagg, start = c(2003, 1), frequency = 12)
dygraph(x, main = "Destino del crédito") %>%
  dyHighlight(highlightSeriesOpts = list(strokeWidth = 2))%>%
  dyRangeSelector()

Evolución de los tipos de interés.

Lo que se observa en la serie es una caída de los tipos de interés. Resalta mucho que cuando se produce la explosión del crédito de descubierto también cae dramáticamente su tipo de interés. Aprovecho para aclarar que el tipo de interés del descubierto financiero está regulado e indexado al tipo interés legal del dinero. Más información.

Ahora bien, el tipo de interés legal del dinero se ha mantenido constante en el 4% desde 2010 hasta 2014. ¿Qué explica la repentina caída del tipo de interés del descubierto financiero? Tengo la sensación que podría estar vinculado a la titularidad de ese crédito. En fin …

serie_ti<-serie[serie$Tipos.de.interés.importe=="Tipos de interés", ]
serie_ti<-serie_ti[, -3]

# Tipo de interés particulares
serie_ti_p<-serie_ti[serie_ti$nuevas.operaciones %in% part,]

x<-reshape(serie_ti_p, timevar="nuevas.operaciones", direction="wide", idvar="Periodo")
names(x)<-c("Mes", part_n)

x<-ts(x[,2:5], start = c(2003, 1), frequency = 12)

dygraph(x, main = "Tipos de interés en los préstamos a particulares") %>%
  dyHighlight(highlightSeriesOpts = list(strokeWidth = 2))%>%
  dyRangeSelector()

# Tipo de interés empresas
serie_ti_e<-serie_ti[!serie_ti$nuevas.operaciones %in% part,]

x<-reshape(serie_ti_e, timevar="nuevas.operaciones", direction="wide", idvar="Periodo")
names(x)<-c("Mes", "Descubiertos y líneas de crédito", "Hasta 1 millón", "Más 1 millón")

x<-ts(x[,2:4], start = c(2003, 1), frequency = 12)

dygraph(x, main="Tipos de interés en los préstamos a empresas no financieras") %>%
  dyHighlight(highlightSeriesOpts = list(strokeWidth = 2))%>%
  dyRangeSelector()

Dejando a un lado lo del descubierto financiero. La realidad es que han bajo mucho los tipos interés de la financiación que ofrece el BCE; en cambio, es sobradamente sabido que el crédito apenas ha fluido hacia el mercado, además es tangible en el contexto actual de deflación.

euribor<-read.px("pcaxis213777861.px")
euribor<-as.data.frame(euribor)
s_euribor<-ts(euribor[,3], start = c(2003, 1), frequency = 12)
dygraph(s_euribor, main = "Evolución Euribor 1 Año") %>%
  dyHighlight(highlightSeriesOpts = list(strokeWidth = 2))%>%
  dyRangeSelector()

¿Cómo se explica que el dinero no fluya al mercado?

Muy simple. Las entidades financieras ha incorporado es sus algorimos de scoring más adversión al riesgo (por activa o por pasiva) y probablemente prefieran destinar el crédito barato que proporciona el BCE a otras cuestiones … sanearse o invertir en mercados con menor riesgo financiero y en algunos casos sin importarle mucho la rentabilidad. Más.

Notas sobre los datos utilizados.

Este artículo es de Elaboración propia con datos extraídos del sitio web del INE: www.ine.es.

Fuente de los datos.

Fecha de descarga: 10 de diciembre de 2015.

Los datos de volumen de crédito están en millones.