Análisis Empírico de los Factores Determinantes del Financiamiento en plataformas de Crowdfunding en México desde la perspectiva de la teoría de la información asimétrica (2021-2023)

Empirical Analysis of Crowdfunding in Mexico from the Perspective of Asymmetric Information (2021–2023)

Introducción

Las finanzas tecnológicas se utilizan para describir las nuevas tecnologías que buscan mejorar y automatizar la oferta y el uso de los servicios financieros. Según Suryono et al. (2020), las fintech abarcan una variedad de servicios tales como financiamiento, pagos (incluidas las billeteras electrónicas), e-agregadores, e-comercio y e-seguros, y criptomonedas como Bitcoin. En esencia las fintech involucran el uso innovador de la tecnología en el diseño y la proveeduría de servicios financieros y se utilizan para asistir a las empresas, emprendedores y consumidores en la gestión de sus operaciones financieras, mediante el uso de software y algoritmos especializados (Investopedia, 2022). El fondeo colectivo forma parte del universo de las finanzas tecnológicas (Mollick 2014, p. 2 citado en Böckel 2021). De acuerdo a Corsini (2021) la literatura sobre el crowdfunding se está ampliando rápidamente al explorar las tipologías de los proyectos de fondeo colectivo, sus factores de éxito y las contraprestaciones en la relación entre fondeadores y fondeados. De cierto modo el crowdfunding se ha convertido en la opción que permite democratizar el acceso al crédito y la inversión.

El impacto del fondeo colectivo en la sociedad mexicana aún es incipiente, prueba de ello son las cifras de créditos otorgados vía fondeo colectivo a personas físicas poco relevantes en el contexto global del financiamiento en México, sin embargo, la participación del Crowdfunding como fuente de financiamiento empresarial, comienza a tomar tracción (CNBV, 2021).

La presente investigación examina la relación entre los montos de financiamiento obtenidos en plataformas de fondeo colectivo y el perfil de riesgo de los solicitantes de crédito, partiendo de la hipótesis de que el menor riesgo se asocia con mayores montos fondeados. Esta hipótesis se contextualiza dentro de la teoría de la información asimétrica, la cual señala que la disparidad en el acceso a la información entre prestamistas y prestatarios puede generar problemas como selección adversa y riesgo moral. En este marco, el estudio busca aportar evidencia empírica sobre cómo las plataformas mexicanas de crowdfunding gestionan esta asimetría, y cómo afecta la decisión de inversión de los fondeadores.

El objetivo del presente trabajo consiste en analizar la conexión entre el monto de financiamiento obtenido por los usuarios de plataformas de fondeo colectivo y el nivel de riesgo de los prestatarios, con el fin de determinar cómo diferentes niveles de financiamiento (altos, medios y bajos) se asocian con los niveles de riesgo informados en dichas plataformas. De este modo, se busca aportar evidencia empírica que sustente la hipótesis de que niveles menores de riesgo se relacionan con montos mayores de financiamiento y viceversa. Para lograr lo anterior, se evaluó el impacto de variables como la evaluación de riesgo, la cantidad del préstamo, el plazo la cantidad del préstamo, el plazo, la tasa de interés aplicada y la cantidad de inversionistas, utilizando los datos disponibles en las plataformas de crowdfunding.

Importancia del crowdfunding en el contexto latinoamericano

De acuerdo con Finnovista (2019), los países líderes en el desarrollo de iniciativas de emprendimiento fintech son: Brasil con 771, México con 512, Colombia con 279, y Perú con 132. En el caso particular de México, esto muestra un avance significativo, ya que en 2019 contaba con un total de 394 startups fintech. De estas, el 7.4 % se referían al financiamiento colectivo, el 40.7 % se destinó a segmentos de préstamos, pagos y remesas, y el 51.9 % correspondió a otros sectores.

El financiamiento colectivo ha demostrado su importancia a través de datos significativos. En el año 2021, la región de América Latina experimentó un crecimiento del 112 % en el volumen de préstamos a través del crowdfunding, alcanzando los $1.1 mil millones de dólares (BID Invest, 2022). Este impacto relevante se ve reflejado en préstamos que han beneficiado a más de 6 millones de personas y empresas en la región (Finnovista, 2023). Además, se destaca el impulso a la inclusión financiera, ya que una investigación realizada por el Banco Interamericano de Desarrollo (BID) reveló que el 47 % de los prestatarios a través del crowdfunding en América Latina no tenían acceso previo a financiación formal (BID, 2021).

México es líder en el desarrollo de las tecnologías financieras, debido a que dicho país triplicó las entidades dedicadas a dicho sector en tan solo cuatro años. El crecimiento se debe principalmente a que las plataformas de fondeo colectivo ofrecen mejores tasas de interés que las demás instituciones financieras integrantes del sistema financiero mexicano, además de mayor flexibilidad respecto a montos y plazos. Esto concuerda con los estudios de Razorpay (2023) y Finance Strategists (2023), que evidencian cómo las plataformas de fondeo colectivo permiten eliminar intermediarios, lo que posibilita mejores condiciones y costos más competitivos tanto para los usuarios como para las instituciones que prestan dichos servicios. No obstante, el fondeo colectivo también presenta desventajas, como la dificultad para alcanzar los montos solicitados, la celeridad requerida en los plazos de fondeo y la posibilidad latente de no obtener los montos requeridos e incumplimientos (Banco de México, 2023). Las cifras anteriores dan muestra de la importancia y trascendencia del estudio del crowdfunding en América Latina en lo general y en México en particular.

El análisis de las plataformas de financiamiento colectivo sujetas a estudio en el presente trabajo (Afluenta, Prestadero, Doopla y Fundary), es esencial para comprender su importancia en el contexto financiero de México, ya que estas plataformas han facilitado préstamos por más de $60 millones de dólares, beneficiando a miles de individuos y pequeñas empresas. Afluenta ha otorgado más de $30 millones, Prestadero más de $15 millones, Doopla más de $10 millones y Fundary $5 millones en tan solo dos años (Afluenta, 2022; Prestadero, 2023; Doopla, 2023; y Fundary, 2023). Estos datos resaltan el potencial del crowdfunding como una herramienta para promover la inclusión financiera, el crecimiento económico y la democratización del acceso al capital. Estas plataformas representan modelos innovadores en el ámbito financiero que facilitan el acceso al crédito para sectores tradicionalmente marginados y fomentan la competencia y eficiencia en el sector financiero.

Revisión de la literatura

La literatura referente al crowdfunding se ha enfocado principalmente en los elementos que impactan en el resultado positivo de las campañas de financiamiento, así como en los impulsores legales y macroeconómicos de la expansión del crowdfunding como medio para financiar proyectos innovadores (Bento, 2018). Además del fondeo de proyectos, Nisar (2020) menciona los préstamos entre particulares (P2P) como una forma de crowdfunding que facilita la obtención de préstamos fuera del modelo bancario tradicional, no obstante su relevancia, existen pocos trabajos que aborden la relación entre las tasas de riesgo y recompensa obtenidas por lo fondeadores de las plataformas de fondeo colectivo, al respecto Bento (2018) destaca la problemática entre la coherencia de los rendimientos de los inversionistas colectivos y el perfil de riesgo de los créditos solicitados en plataformas de crowdfunding.

Dado lo anterior Wasiuzzaman (2022) analiza la relación de los factores de riesgo y la intención de financiamiento en el equity crowdfunding, encontrando que el riesgo de inversión y el riesgo legal influyen significativamente en la decisión de financiar proyectos de equity crowdfunding; En cuanto al análisis del riesgo-rendimiento en préstamos de persona a persona, Nisar (2020) destaca la relevancia de la calificación crediticia como el factor más importante que consideran los fondeadores al momento de asignar recursos a una iniciativa de fondeo colectivo, así como la tasa de interés y el estado de acreditación del prestatario, dicha calificación se determina basado en el historial crediticio de un individuo o entidad y, especialmente, en su capacidad para reembolsar el financiamiento (Economipedia, 2022).

A pesar de la creciente producción académica, aún existen vacíos sobre el efecto específico de las calificaciones de riesgo en la asignación de fondos por parte de los inversionistas. La mayoría de los estudios revisados no profundizan en el vínculo entre el monto de financiamiento y los niveles categóricos de riesgo, ni examinan este fenómeno con datos del contexto mexicano. Esta investigación busca cubrir esa laguna y aportar elementos empíricos que robustezcan la comprensión del comportamiento de los fondeadores ante distintos niveles de riesgo crediticio en plataformas nacionales.

Corriente teórica de aportación

El presente trabajo busca mostrar evidencia a favor de la teoría de la información asimétrica desarrollada por George Akerlof, Michael Spence y Joseph Stiglitz. Dicha teoría explica y detalla situaciones en las que una de las partes en una transacción económica posee información superior a la otra. Esta teoría es determinante en el análisis del fondeo colectivo, debido a que los inversores dependen de la información proporcionada por los solicitantes de fondos para tomar decisiones informadas, lo cual puede desencadenar diversos problemas como lo son la selección adversa y riesgo moral (Allon & Babich, 2020; Belleflamme, Lambert, & Schwienbacher, 2014).

En el contexto del fondeo colectivo, la información asimétrica puede manifestarse de diversas formas. Los fondeadores suelen tener una visión limitada del perfil de riesgo debido a dos razones principales: primero, la información poco descriptiva sobre el significado de la calificación de riesgo; y segundo, el escaso entendimiento del significado de una calificación crediticia, derivado del bajo nivel de alfabetización financiera. Estudios como los de Jiménez-Jiménez et al. (2021) analizan cómo la asimetría de información impacta el logro de las campañas de crowdfunding, destacando la importancia de la claridad y la comprensión en las calificaciones de riesgo para los fondeadores.

Si los inversionistas no pueden distinguir de manera clara y contundente entre los proyectos más riesgosos, se tiene un problema de información asimétrica. Este problema se puede mitigar mediante la transparencia y la creación de políticas de igualdad de información a las dos partes de la transacción, además de que se permita conocer la reputación del emprendedor, las evaluaciones por terceros y el historial de proyectos exitosos o fallidos. (Belleflamme, Lambert, & Schwienbacher, 2014). El estudio de la teoría de la información asimétrica dentro del fondeo colectivo es fundamental para comprender y mejorar el funcionamiento de dichas plataformas, y de este modo mitigar la selección adversa y el riesgo moral mediante mayor transparencia.

Materiales y métodos

El estudio es de tipo no experimental con un alcance correlacional, ya que no se manipulan deliberadamente las variables independientes. La regresión logística se utiliza para examinar la relación entre los niveles de financiamiento (alto, medio y bajo) y variables explicativas como el perfil de riesgo, número de fondeadores, tasa de interés, plazo y destino del préstamo. La categorización del monto financiado se definió con base en percentiles: bajo (≤ 51.475), medio (51.476 – 109.250) y alto (> 109.250).

El análisis se realizó con 180 observaciones obtenidas de las plataformas Afluenta, Prestadero, Doopla y Fundary para el periodo 2021–2023 será presentado con la precisión que sea conveniente para que el lector comprenda y confirme el desarrollo de la investigación. En su caso, se describirá la muestra y las estrategias de muestreos, así como se hará referencia al tipo de análisis estadístico empleado. Si se trata de una metodología original, es necesario exponer las razones que han conducido a su empleo y describir sus posibles limitaciones. Se podrán utilizar dos niveles más para los subtítulos, como sigue:

Las variables dependientes representan la categorización de los montos de financiamiento obtenidos, los mismos que se clasificaron en alto, medio y bajo. Los umbrales para definir las categorías de montos solicitados en las plataformas de fondeo colectivo del presente trabajo corresponden a los siguientes criterios: monto bajo corresponde a montos de financiamiento obtenidos por debajo del percentil 25 (≤ 51.475); monto medio corresponde a montos obtenidos entre el percentil 25 y el percentil 75 (51.476 – 109.250); y el monto alto: corresponde a montos por encima del percentil 75 (> 109.250). Los criterios anteriores se aplicaron con base en la distribución y los estadísticos descriptivos de los datos observados.

En cuanto a las variantes independientes empleadas en este estudio se tienen: tasa de fondeo de naturaleza cuantitativa continua, plazo en días de crédito de naturaleza cuantitativa discreta, destino del préstamo de tipo categórica nominal, y perfil de riesgo del prestatario de categórica ordinal, el análisis de regresión logística se llevó a cabo mediante el software estadístico Stata 15.

Las hipótesis de investigación son:

H1: el monto de financiamiento obtenido por los usuarios de plataformas de fondeo colectivo mantiene una relación inversa con el nivel de riesgo de los prestatarios.

H2: montos altos de financiamiento obtenido por los usuarios de plataformas de fondeo colectivo están relacionados de manera inversa con menores niveles de riesgo de los prestatarios.

H3: montos medios de financiamiento obtenido por los usuarios de plataformas de fondeo colectivo están relacionados con niveles medios de riesgo de los prestatarios.

H4: montos bajos de financiamiento obtenido por los usuarios de plataformas de fondeo colectivo están relacionados de manera inversa con altos niveles de riesgo de los prestatarios.

Los datos se obtuvieron directamente de las plataformas sujetas a estudio y corresponden a 180 observaciones para el periodo (2021-2023). La descripción de las plataformas se presenta en la figura 1 y en la tabla 1 la definición y operacionalización de las variables.

Figura 1. Plataformas usadas para la investigación

Tabla 1. Definición y operacionalización de las variables

Fuente: Elaboración propia basada en los autores citados.

Técnica de análisis de datos (regresión logística)

La regresión logística es un modelo descriptivo cuya utilidad radica en predecir la probabilidad de un resultado binario basado en el análisis de una o varias variables predictivas (Menard, 2002; Lemeshow, 2000). La regresión logística está diseñada para tareas de clasificación en las que la variable dependiente es categórica. La función logística (o función sigmoidea) garantiza que las probabilidades predichas oscilen entre 0 y 1, lo que la hace adecuada para problemas de clasificación binaria (Menard, 2002). Desde la descripción matemática, el modelo de regresión logística se puede expresar mediante la ecuación 1.

Ecuación 1

logit ( p ) = ln ( P 1 - P ) = β 0 + β 1 X 1 + β 2 X 2 + … + β n X n

Donde: P es la probabilidad del resultado de interés, β 0 es el intercepto, β 1 , β 2 , ⋯ , β n son los coeficientes de las variables predictoras X 1 , X 2 , ⋯ , X n .

La validez de la regresión logística en temas de crowdfunding se fundamenta en la posibilidad de manejar los resultados de fondeos colectivos en términos binarios. Un ejemplo de esto es el estudio de Mollick (2014), que evalúa si un proyecto será financiado (éxito) o no (fracaso). En el mismo sentido, la regresión logística permite el manejo de múltiples predictores, lo que facilita la inclusión de diversas variables independientes en los modelos (Xu et al., 2016). En cuanto a la interpretabilidad, los coeficientes de la regresión logística brindan valiosa información sobre cómo el cambio en las variables predictivas influye en las probabilidades de la variable dependiente.

Esta interpretabilidad es fundamental para los promotores de campañas que buscan optimizar sus estrategias de fondeo (Greenberg et al., 2013). En estudios relacionados con el fondeo colectivo, es deseable poder tratar con la no linealidad, y en este sentido, la regresión logística puede manejar relaciones no lineales entre los predictores y las probabilidades logarítmicas del resultado, ofreciendo flexibilidad en el modelado de relaciones complejas presentes en los datos de crowdfunding (Belleflamme et al., 2014).

Análisis y resultados

El modelo de regresión logística revela que el número de inversionistas es el factor más significativo para alcanzar montos altos de financiamiento, con un efecto positivo y estadísticamente significativo. El perfil de riesgo muestra una relación inversa con el monto fondeado, aunque su significancia estadística varía según el nivel de financiamiento. En general, las variables de plazo y destino del préstamo no presentan significancia robusta. Se recomienda incluir tablas y gráficas que sinteticen estos hallazgos para fortalecer la comprensión visual de los resultados.

Análisis de los montos altos

El modelo de regresión logística muestra que, del análisis de la relación entre los proyectos financiados exitosamente con montos altos de financiamiento (mayores a $109 250) y el perfil de riesgo, las tasas de interés, el plazo del crédito y el número de inversores, el número de inversores muestra un resultado significativo en la probabilidad de obtener un monto alto en el préstamo. La variable perfil de riesgo crediticio presenta una significancia marginal (con un valor p de 0.062, que está cerca del umbral típico de 0.05), dado lo anterior los resultados del estudio no proporcionaron evidencia contundente para rechazar la hipótesis de trabajo. Las variables de plazo del préstamo y destino del préstamo presentan una significancia débil. Por otro lado, el modelo tiene una capacidad adecuada para explicar las variaciones de los montos altos de financiamiento obtenidos, lo cual se infiere de la interpretación de los odds ratios y los intervalos de confianza, consistente con el alto valor de Pseudo R² (0.8888). El detalle de los resultados y la ecuación del modelo se presentan

a continuación.

El modelo presentado tiene un valor de Pseudo R² de 0.8888, lo que indica que el modelo explica aproximadamente el 88.88 % de la variabilidad en los montos altos de financiamiento obtenido, sugiriendo que proporciona un excelente ajuste a los datos. En cuanto al valor de log-verosimilitud obtenido, es -5.740088, dicho valor apunta a un ajuste razonable del modelo a los datos observados. El valor del LR chi² de 91.78 con un valor p de 0.0000 indica que el modelo de regresión logística ajustado con los predictores es significativamente mejor que el modelo nulo. Esto sugiere que los predictores incluidos en el modelo proporcionan una mejora significativa en la explicación de la variabilidad en la variable dependiente. Este resultado es estadísticamente significativo y refuerza la validez del modelo ajustado.

En la Ecuación 2 se presenta la ecuación logística en termino de los log-odds.

Ecuación 2

log ⁡ ( P ( Y = 1 ) 1 - P ( Y = 1 ) ) = -13.2007 + 0.1126 ⁢ plazo + 0.128 ⁢ inversore + 0.3948 ⁢ destino - 2.1401 ⁢ perfil (2)

En la Ecuación 3 se presenta la ecuación logística en términos de probabilidades.

Ecuación 3

log ( Y = 1 ) = e ( - 13.2007 + 0.1126 ⁢ plazo + 0.128 ⁢ inversore + 0.3948 ⁢ destino - 2.1401 ⁢ perfil ) 1 + e ( - 13.2007 + 0.1126 ⁢ plazo + 0.128 ⁢ inversore + 0.3948 ⁢ destino - 2.1401 ⁢ perfil ) (3)

En cuanto al análisis de las variables influyentes en la probabilidad de obtener un monto alto de préstamo, la única variable con alta significancia es el número de inversores, la cual presenta un odds ratio de 1.01293. Esto indica que la probabilidad de obtener montos altos de fondeo en las plataformas de fondeo colectivo aumenta en un 1.29 % por cada inversor adicional, y este efecto es estadísticamente significativo (p = 0.016).

En relación con el perfil de riesgo crediticio (odds ratio de 0.1177953), y en concordancia con la teoría, la probabilidad de obtener un monto alto en el préstamo disminuye en un 88.22 % por cada unidad adicional en el perfil de riesgo, siendo este efecto marginalmente significativo (p = 0.062). La variable del plazo del préstamo (odds ratio de 1.118864) revela una probabilidad del 11.89 % de aumento en el monto del crédito por cada día adicional en el plazo del préstamo; no obstante, este efecto no es estadísticamente significativo (p = 0.252). En cuanto a la variable de destino del préstamo (odds ratio de 1.482301), está asociada con un aumento del 48.23 % en la probabilidad de obtener un monto alto en el préstamo en comparación con el grupo de referencia; sin embargo, este efecto no es estadísticamente significativo (p = 0.141).

La constante (odds ratio de 1.38e-06) sugiere que la probabilidad de obtener un monto alto en el préstamo cuando todas las variables independientes son cero es extremadamente baja y este efecto es altamente significativo (p = 0.020). En el modelo ajustado, las variables perfil crediticio (p = 0.038) e inversores (p = 0.009) son estadísticamente significativas. La variable perfil crediticio continúa siendo significativa tras verificar la linealidad, mientras que las variables plazo (p = 0.252) y destino (p = 0.141) no son significativas.

En cuanto a la multicolinealidad, no se observan problemas graves, con un VIF promedio de 4.98. Tanto plazo como inversores tienen VIF aceptables, lo que indica una colinealidad manejable. La prueba de Hosmer-Lemeshow no rechaza la bondad de ajuste del modelo (p = 0.9998), sugiriendo que el modelo se adapta correctamente a los datos.

Sin embargo, se identificaron varias observaciones con alta influencia y residuos extremos que deben ser revisadas para asegurar la precisión y robustez del modelo.

El análisis permite observar que la variable “número de inversores” tiene un impacto significativo en la probabilidad de obtener montos altos de financiamiento. Esto muestra que los fondeadores de proyectos con altas inversiones deben enfocarse en llegar a la mayor cantidad de personas posible. Además, parece que los fondeadores de montos altos de créditos en las plataformas de crowdfunding no prestan suficiente importancia al plazo y al destino del préstamo, dada la baja significancia de estos factores en el presente análisis.

En cuanto a la prueba de la H_2, los resultados proporcionan evidencia de que el perfil de riesgo crediticio tiene una relación inversa con la probabilidad de obtener un monto alto, aunque dicha relación es marginalmente significativa. Por tanto, aunque se encuentra evidencia que respalda la relación propuesta en H_2, esta no es completamente contundente, a pesar de que el modelo muestra un fuerte poder explicativo en términos de variabilidad. La tabla 2 muestra los principales hallazgos correspondientes al resumen de resultados significativos, específicamente aquellos con montos altos.

Análisis de los montos medios

El análisis de la regresión logística con la finalidad de comprobar la H_2 muestra que, del análisis de la relación entre los proyectos financiados con montos medios de financiamiento (entre 75 476 y 109 250 pesos) y el perfil de riesgo, y demás variables de control (tasas de interés, plazo del crédito y número de inversores), solamente el perfil de riesgo (p = 0.038) es una variable significativa. Sin embargo, las variables número de inversores (p = 0.163), plazo del préstamo (p = 0.260) y destino del préstamo (p = 0.414) presentan resultados no significativos.

Tabla 2. Resumen de Resultados Significativos (monto alto).

Fuente: Elaboración propia basada en los autores citados.

En cuanto al ajuste del modelo, se tiene un valor de Pseudo R² de 0.0268, lo que indica que el modelo explica aproximadamente el 2.68% de la variabilidad en los montos medios de financiamiento obtenido. Dicho valor sugiere que el modelo tiene una capacidad limitada para explicar la variación en el monto medio de financiamiento obtenido.

El valor del LR chi² de 6.15, con un valor p de 0.1884 y 4 grados de libertad, no permite rechazar la hipótesis nula de que los predictores no mejoran significativamente el ajuste del modelo. Esto implica que, de forma conjunta, las variables perfil de riesgo, tasa de interés, plazo del crédito y número de inversores no presentan una mejora significativa en la predicción del monto medio de crédito. En cuanto al valor de log-verosimilitud, obtenido es -111.49904, dicho valor apunta a un ajuste razonable del modelo a los datos observados. El valor del LR chi² de 91.78, con un valor p de 0.0000, indica que el modelo de regresión logística ajustado con los predictores es significativamente mejor que el modelo nulo.

Esto sugiere que los predictores incluidos en el modelo proporcionan una mejora significativa en la explicación de la variabilidad en la variable dependiente. Este resultado es estadísticamente significativo y refuerza la validez del modelo ajustado. El modelo de regresión logística relativo al análisis del impacto del perfil crediticio en los montos medios de financiamiento tiene una capacidad limitada para explicar la variabilidad en el monto medio de financiamiento obtenido. Entre las variables independientes, solo el perfil de riesgo crediticio muestra un impacto significativo en la probabilidad de obtener un monto medio de financiamiento. Tras verificar la linealidad en el modelo ajustado, las variables perfil de riesgo (p = 0.038) y número de inversores (p = 0.009) mostraron significancia, destacando que la variable perfil crediticio sigue siendo significativa tras verificar la linealidad, mientras que plazo y destino del crédito no son significativas. Por otro lado, no se observa problemas graves de multicolinealidad, con un VIF promedio de 4.98. La prueba de Hosmer-Lemeshow no rechaza la bondad de ajuste del modelo (p = 0.5906), mostrando que el modelo tiene un ajuste adecuado a los datos. El análisis presentado apoya la H_3, que busca probar la relación entre el perfil de riesgo crediticio y la probabilidad de obtener un monto medio de financiamiento. La tabla 3 muestra los principales hallazgos correspondientes al resumen de resultados significativos, específicamente aquellos con montos medios.

Tabla 3. Resumen de resultados significativos (monto medio)

Fuente: Elaboración propia.

Sin embargo, el modelo presenta una capacidad limitada para explicar la variabilidad en los montos medios de financiamiento, y las variables de control no mostraron significancia. Por tanto, a pesar de la evidencia encontrada que respalda la relación propuesta en H_3, esta es relativamente débil, además del bajo poder explicativo del modelo.

Análisis de los montos bajos

En cuanto al análisis del impacto del perfil de crédito en los montos de crédito de bajo financiamiento (≤ 51 475), el modelo de regresión logística muestra que, de forma análoga al análisis de los montos altos de financiamiento, la variable perfil de riesgo crediticio presenta una significancia marginal (valor p de 0.082). En el modelo sujeto a análisis, el número de inversores (p = 0.005) es la variable que muestra mayor significancia, seguida del destino del préstamo (p = 0.465) con una significancia débil. Cabe destacar que fue necesario omitir las variables de tasa de interés y plazo del crédito. Esta omisión se justifica por la necesidad de mejorar la significancia estadística del modelo, así como asegurar y maximizar el ajuste y la significancia global del modelo. De este modo, se presenta un modelo robusto, estable, válido y significativo de la relación entre los montos bajos de créditos obtenidos y el perfil de riesgo crediticio.

Lo relativo al análisis de la significancia y validez del modelo, presenta un valor de Pseudo R² de 0.9230, lo que muestra que el modelo explica aproximadamente el 92.30 % de la variabilidad en el fondeo de montos de crédito inferiores a 51,475. Este indicador sugiere un excelente ajuste a los datos. El valor de log-verosimilitud, obtenido es -7.7958262, dicho valor apunta a un ajuste razonable del modelo a los datos observados. El valor del LR chi² de 186.85, con un valor p de 0.0000, indica que el modelo es significativamente superior al modelo nulo. Esto indica que los predictores del modelo mantienen una contribución significativa en la explicación de la variabilidad de los montos bajos de financiamiento.

En la Ecuación 4 se presenta la ecuación logística en termino de los log-odds.

Ecuación 4

log ( P ( Y = 1 ) 1 - P ( Y = 1 ) ) = 31.671 - 0.132 ⁢ inversores + 0.137 ⁢ destino + 0.3948 ⁢ destino - 0.800 ⁢ perfil (4)

La interpretación de los odds ratios nos permite inferir que la probabilidad de obtener un préstamo de monto bajo disminuye aproximadamente un 12.37% por cada nuevo inversionista, siendo este efecto estadísticamente significativo (p = 0.005). En cuanto al perfil de riesgo, la razón de odds muestra que, por cada nivel adicional en el perfil de riesgo crediticio, la probabilidad de obtener dicho crédito disminuye aproximadamente en un 55.04 %; sin embargo, este efecto es marginalmente significativo, con un valor p de 0.082. En relación con la variable de destino del crédito (odds ratio de 1.147079), la probabilidad de obtener un crédito con un monto menor a 51 475 aumenta en un 14.71 %, siendo este efecto de baja significancia (p = 0.465). La constante (odds ratio de 5.69e-13) indica que la probabilidad de obtener un préstamo por debajo de los 51475 pesos, cuando todas las variables independientes son cero, es extremadamente baja y este efecto es altamente significativo (p = 0.0209).

De las variables estudiadas, solo el número de inversores tiene un efecto significativo en la probabilidad de obtener un monto bajo en el préstamo. El perfil de riesgo crediticio muestra una significancia marginal. El destino del préstamo no presenta una significancia estadística fuerte en este modelo. La constante también muestra un efecto significativo, sugiriendo que hay factores importantes no capturados por las variables independientes en este análisis.

En cuanto a la multicolinealidad, no se observan problemas graves, con un VIF promedio de 5.11, lo que indica una colinealidad manejable. La prueba de Hosmer-Lemeshow no rechaza la bondad de ajuste del modelo (p > 0.05), mostrando un buen ajuste del modelo a los datos. Para los tres modelos estudiados, las variables dependientes son dicotómicas, las observaciones son independientes entre sí, y el tamaño de la muestra es mayor de 10 casos por cada variable independiente.

En relación con el cumplimiento de la hipótesis H_4, (los montos bajos de financiamiento obtenidos por los usuarios de plataformas de fondeo colectivo están relacionados de manera inversa con altos niveles de riesgo de los prestatarios), los resultados del presente análisis muestran una relación inversa marginalmente significativa con los montos de financiamiento bajo. La principal variable significativa en la obtención de dichos montos de financiamiento es el número de inversores, lo que nos muestra que, cuando se trata de montos bajos, una promoción extensiva que permita impactar una gran cantidad de inversores potenciales juega un papel crucial en la obtención de financiamiento por encima de cualquier indicador. Al igual que en los análisis relativos a la obtención de montos medios y altos, las variables de control no mostraron significancia.

Los resultados de los análisis realizados a los tres niveles de montos de financiamiento (altos, medios y bajos), observan una relación inversa entre el perfil de riesgo crediticio y la probabilidad de obtener financiamiento, a pesar de que dicha relación solo es significativa para el caso de montos medios y marginalmente significativa en los casos de montos altos y bajos, los resultados encontrados apoyan la hipótesis H_1, indicando que el nivel de riesgo de los prestatarios influye en el monto de financiamiento obtenido, con una relación inversa más evidente en los montos medios. Sin embargo, dicha evidencia no es contundente para todos los niveles de financiamiento, especialmente debido a la significancia marginal en los montos medios y bajos. La tabla 4 muestra los principales hallazgos correspondientes al resumen de resultados significativos, específicamente aquellos con montos bajos.

Tabla 4. Resumen de resultados significativos (monto bajo)

Fuente: Elaboración propia.

Discusión y conclusiones

Los hallazgos confirman que el acceso al financiamiento a través de crowdfunding está fuertemente influenciado por el número de fondeadores y el perfil crediticio del solicitante. Esta relación empírica respalda la teoría de la información asimétrica, subrayando la necesidad de mayor transparencia en las calificaciones de riesgo. El limitado impacto de otras variables sugiere que los inversionistas priorizan señales simples y comprensibles de confianza, como el número de participantes previos, más que aspectos técnicos como el plazo o el destino del crédito.

El presente trabajo presenta el análisis de la relación entre el monto de financiamiento obtenido por los usuarios de plataformas de fondeo colectivo y el nivel de riesgo de los prestatarios mediante el uso de la técnica de regresión logística.

El uso de dicha técnica para el análisis de plataformas de fondeo colectivo se justifica debido a su capacidad para manejar variables categóricas, modelar probabilidades, interpretar coeficientes de manera intuitiva y validar el modelo adecuadamente. Estos aspectos son esenciales para comprender las dinámicas que influyen en el éxito de las campañas de crowdfunding y para tomar decisiones informadas relativas al financiamiento.

Los resultados encontrados en la investigación muestran que la variable más significativa para lograr el monto de financiamiento es el número de inversores. Un aumento en el número de inversores incrementa significativamente la probabilidad de éxito en la obtención de financiamiento. La relevancia de esto destaca a la vista de la débil significancia de variables como el plazo del préstamo y el destino del préstamo, lo cual muestra que su impacto en el monto del financiamiento no es tan crucial como el del perfil crediticio y el número de inversores. Los resultados de los análisis apoyan la premisa de una relación inversa entre el perfil de riesgo crediticio y la probabilidad de obtener financiamiento. Esta relación tiene distintos niveles de significancia. Sin embargo, no todos los niveles de financiamiento presentan contundencia en cuanto a la significancia, lo que abre la puerta a futuras líneas de investigación. Los hallazgos respaldan la Teoría de la Asimetría de Información,que sugiere, que las diferencias en la información disponible entre prestamistas y prestatarios impactan significativamente las decisiones financieras, por ende, es fundamental contar con transparencia y claridad en la información sobre el perfil de riesgo, además de la correcta comprensión del mismo, para abordar problemas como la selección adversa y el riesgo moral.

De manera general se puede concluir que el presente trabajo tiene implicaciones trascendentes en el ámbito de la educación financiera, ya que derivado de los resultados obtenidos se destaca la importancia de reforzar competencias relativas al adecuado manejo del perfil crediticio bajo los esquemas de educación financiera y finanzas personales. Finalmente, podemos deducir que el número de fondeadores y el perfil de riesgo del solicitante son los factores más decisivos en cuanto al monto obtenido de financiación en plataformas de financiación colectiva. Además, se destaca la importancia del número de financiadores para obtener financiamiento adicional. Estos hallazgos resaltan la necesidad de una gestión adecuada del perfil crediticio y una mayor transparencia de la información para mejorar las condiciones de financiación en las plataformas de crowdfunding. El crowdfunding presenta un enorme potencial como medio de financiamiento, especialmente cuando se aplican estrategias efectivas de gestión del perfil crediticio y se incrementa la transparencia y comprensión de los riesgos involucrados.

El estudio evidencia que el perfil de riesgo y el número de inversionistas son factores determinantes para el éxito en la obtención de financiamiento en plataformas de fondeo colectivo. La gestión adecuada del perfil crediticio, así como estrategias para atraer a un mayor número de fondeadores, resultan esenciales. Se recomienda fortalecer la educación financiera de los usuarios y promover políticas de transparencia en las plataformas para mitigar los efectos de la información asimétrica. Futuras investigaciones podrían ampliar la muestra y explorar variables adicionales como historial de campañas, reputación del solicitante o métricas de interacción en la plataforma.

Referencias

Afluenta. (2022). https://www.afluenta.mx/

Aghion, P., Bond, S., Klemm, A., & Marinescu, I. (2005). Technology and financial structure: Are innovative firms different? Journal of the European Economic Association, 2(2-3), 277-304.

Akerlof, G. A. (1970). The market for “lemons”: Quality uncertainty and the market mechanism. Quarterly Journal of Economics, 84(3), 488-500.

Allon, G., & Babich, V. (2020). Crowdfunding: Tapping into the wisdom (and wallets) of the crowd. Manufacturing & Service Operations Management, 22(1), 1-13.

Arrow, K. J. (1962). Economic welfare and the allocation of resources for invention. In The rate and direction of inventive activity: Economic and social factors (pp. 609-626). Princeton University Press.

Atieno, R. (2001). Formal and informal institutions’ lending policies and access to credit by small-scale enterprises in Kenya. AERC Research Paper 111, African Economic Research Consortium, Nairobi.

Ballell, T. (2013). El crowdfunding: una forma de financiamiento colectiva, colaborativa y participativa de proyectos, 101-123. http://www.derecho.uba.ar/publicaciones/pensar-en-derecho/revistas/3/el-crowdfunding-una-forma-de-financiacion-colectiva-colaborativa-y-participativa-de-proyectos.pdf

Banco de México. (2014). Resultados de la Encuesta de Evaluación Coyuntural del Mercado Crediticio. Cuarto Trimestre de 2013. Comunicado de Prensa, 20 de febrero. México: Banco de México.

Banco de México. (2015). Reporte sobre las condiciones de competencia en el otorgamiento de crédito a las pequeñas y medianas empresas (PYME). https://www.banxico.org.mx/publicaciones-y-prensa/reportes-sobre-las-condiciones-de-competencia-en-l/reportes-competencia-mercados.html

Belleflamme, P., Lambert, T., & Schwienbacher, A. (2014). Crowdfunding: Tapping the right crowd. Journal of Business Venturing, 29(5), 585-609. https://doi.org/10.1016/j.jbusvent.2013.07.003

Benchimol, J. (2013). Risk aversion in the Eurozone. Research in Economics, 68(1), 39-56.

Bento, N. (2018). Do crowdfunding returns reward risk? Evidences from clean-tech projects. Technological Forecasting and Social Change, 132, 139-148.

Berger, A. N., Frame, W. S., & Miller, N. H. (2005). Credit scoring and the availability, price, and risk of small business credit. Journal of Money, Credit and Banking, 37(2), 191-222.

Besanko, D., & Thakor, A. V. (1987). Collateral and rationing: Sorting equilibria in monopolistic and competitive credit markets. International Economic Review, 28(3), 671-689.

Besanko, D., & Thakor, A. V. (1987). Competitive equilibrium in the credit market under asymmetric information. Journal of Economic Theory, 42(1), 167-182.

BID Invest. (2022). Informe de Sostenibilidad 2022. https://idbinvest.org/en

Böckel, A., Hörisch, J., & Tenner, I. (2021). A systematic literature review of crowdfunding and sustainability: Highlighting what really matters. Management Review Quarterly, 71(2), 433-453. https://doi.org/10.1007/s11301-020-00189-3

Boot, A. W. A., Thakor, A. V., & Udell, G. F. (1991). Secured lending and default risk: Equilibrium analysis, policy implications and empirical results. The Economic Journal, 101, 458-472.

Brealey, R. A., Myers, S. C., & Allen, F. (2014). Principles of corporate finance. McGraw-Hill Education.

Brighi, P., & Venturelli, V. (2017). Interest rate cycles and loan demand. Journal of Financial Intermediation, 26, 50-67.

Calvo, S. (2015). Crowdfunding: Financing ventures in the digital age. Journal of Business Research, 68(2), 252-259.

Cahn, C., Girotti, M., & Salvadè, F. (2018). The impact of credit scoring on bank monitoring and firms’ loan repayment. Review of Financial Studies, 31(10), 3867-3892.

Capizzi, V., & Carluccio, E. (2016). The role of venture capital and private equity for innovation and development of SMEs: Evidence from Italy. European Journal of Innovation Management, 19(2), 185-202.

Chan, Y. S., & Kanatas, G. (1985). Asymmetric valuations and the role of collateral in loan agreements. Journal of Money, Credit and Banking, 17(1), 84-95.

Chen, J. (2018, January 10). Investopedia. https://www.investopedia.com/terms/a/asset_size.asp

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Hillsdale, NJ: Lawrence Erlbaum.

Cole, R. A., Goldberg, L. G., & White, L. J. (2004). Cookie-cutter versus character: The micro structure of small business lending by large and small banks. Journal of Financial and Quantitative Analysis, 39(2), 227-251.

Corsini, F. (2021). Exploring the development of environmentally sustainable products through reward-based crowdfunding. Electronic Markets. https://doi.org/10.1007/s10660-021-09509-5

Cuesta, C., Roibas, I., Rubio, A., Ruesta, M., Tuesta, D., & Urbiola, P. (2014). Crowdfunding en 360°: Alternativa de financiamiento en la era digital. https://www.bbvaresearch.com/wp-content/uploads/2014/10/Observatorio-crowdfunding-vf.pdf

Cuñat, V., & García-Appendini, E. (2012). Trade credit and its role in entrepreneurial finance. In D. Cumming (Ed.), Oxford handbook of entrepreneurial finance (pp. 526-557). Oxford University Press.

Darlington, R. B., & Hayes, A. F. (2017). Regression analysis and linear models: Concepts, applications, and implementation. New York: The Guilford Press.

De Vincentiis, P., Culasso, F., & Cerrato, S. (2019). The future of risk management. Volume I. Palgrave Macmillan, Springer Nature Switzerland.

Diario Oficial de la Federación [DOF]. (2018). Disposiciones de carácter general aplicables a las instituciones de tecnología financiera. https://www.dof.gob.mx/nota_detalle_popup.php?codigo=5537450

Edwards, B. (2004). Credit management handbook. Gower Publishing Limited.

Ekpu, V. (2016). Bank loan losses: Determinants, accounting, and ethical implications. Springer.

Fiedler, E. R. (1971). Measures of credit risk and experience. http://www.nber.org/books/fied71-1

Finnovista. (2019). El ecosistema Fintech mexicano recupera el liderazgo en América Latina y se acerca a la barrera de las 400 startups. https://www.finnovista.com/actualizacion-fintech-radar-mexico-2019/

Finnovista. (2023). Fintech en América Latina: Informe 2023. https://finnovista.com/

Franco, J., Jiménez, E., & Rodríguez, A. (2000). Matemáticas financieras (1a ed.). Larousse - Grupo Editorial Patria.

González, J. (2021). Derecho de las obligaciones. Editorial Jurídica.

Greenberg et al. (2013). Logistic regression to examine the role of gender in crowdfunding success.

Hauswald, R., & Marquez, R. (2003). Information technology and financial services competition. Review of Financial Studies, 16(3), 921-948.

Hayes, A. F. (2017). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (2nd ed.). New York: The Guilford Press.

HM Treasury. (2004). Management of risk – Principles and concepts. Controller of Her Majesty’s Stationery Office.

Investopedia. (2023). Risk profile. https://www.investopedia.com/terms/r/risk-profile.asp

Jaffee, D. M., & Russell, T. (1976). Imperfect information, uncertainty, and credit rationing. The Quarterly Journal of Economics, 90(4), 651-666.

Jiménez-Jiménez, F., Alba-Fernández, M. V., & Martínez-Gómez, C. (2021). Attracting the rightcrowd under asymmetric information: A game theory application to rewards-based crowdfunding. Mathematics, 9(21), 2757. https://doi.org/10.3390/math9212757

Kickstarter. (2019). https://www.kickstarter.com/help/stats

Koulafetis, P. (2017). Modern credit risk management: Theory and practice. Palgrave Macmillan.

Li, Y., Cao, H. D., & Zhao, T. J. (2018). Factors affecting successful equity crowdfunding. Journal of Mathematical Finance, 8, 446-456. https://doi.org/10.4236/jmf.2018.82028

Mäntysaari, P. (2010). The law of corporate finance: General principles and EU law. Springer.

Mollick, E. (2014). The dynamics of crowdfunding: An exploratory study. Journal of Business Venturing, 29(1), 1-16. https://doi.org/10.1016/j.jbusvent.2013.06.005

Moro, A., Fink, M., & Kautonen, T. (2017). How do banks assess entrepreneurial competence? The role of volition in loan applications. Journal of Business Venturing, 32(2), 201-222.

Nesta, L. (2014). P2P lending: Understanding the risk. Financial Management, 43(3), 537-555.

Quero, M. J., Ventura, R., & Kelleher, C. (2014). Value co-creation in crowdfunding: The role of backers. International Journal of Entrepreneurial Behavior & Research, 20(3), 339-356.

Schreiner, M. (2001). Seven aspects of loan size. Center for Social Development, Washington University in St. Louis.

Sutherland, J. (2018). Credit rating and bank competition. Journal of Banking & Finance, 92, 97-111.

Tabachnick, B. G., & Fidell, L. S. (2013). Using multivariate statistics (6th ed.). Pearson.

Tirole, J. (1988). The theory of industrial organization. MIT Press.

Wang, N., Liang, H., & Li, Y. (2021). Mitigating information asymmetry to achieve crowdfunding success: Signaling, endorsement, and herding behavior. Journal of the Association for Information Systems, 22(3), 489-510. https://aisel.aisnet.org/jais/vol22/iss3/525

Información adicional

redalyc-journal-id: 6955

IR