Introducción

La concentración en el sector bancario es una preocupación permanente, ya que afecta al desempeño y la eficiencia de los bancos comerciales, lo que a su vez podría impactar la inversión y el crecimiento económico. Así mismo, la concentración de fondos en instituciones financieras claves, puede provocar fragilidad en el sector financiero (^{Fohlin y Jaremski, 2020}).

Por otro lado, se considera que la competencia es una de las estructuras de mercado con las características más deseables. Esto se debe a que la competencia conlleva beneficios como: estimular la innovación, precios menores, incrementar la calidad de los productos y servicios producidos, aumentar el bienestar y acelerar el crecimiento económico (^{Banya y Biekpe, 2017}).

Actualmente la investigación relacionada a la competencia bancaria se centra principalmente en dos aspectos: el crecimiento económico y la estabilidad financiera. La idea de que la competencia en el sector bancario sea una pieza clave en la obtención de mayores tasas de crecimiento; ha incrementado el interés sobre este tema.

Evidencia de diversos estudios sugieren que países que exhiben niveles de competencia más altos pueden obtener tasas de crecimiento mayores y alcanzar niveles de ingreso per cápita superiores que países que exhiben menores tasas de competencia. Entre esos estudios se encuentran los de: ^{Jayakumar et al. (2018)}, ^{Diallo y Koch (2018)}, ^{Coccorese (2017)}, ^{Banya y Biekpe (2017)}, ^{Caggiano y Calice (2016)} y ^{de Guevara y Maudos (2017)}. Los hallazgos de estos estudios han llevado a considerar que la competencia podría afectar al crecimiento económico en el largo plazo.

En específico, se propone probar empíricamente la suposición de que la competencia bancaria promueve el crecimiento económico en el largo plazo, en otras palabras, se prueba la hipótesis de poder de mercado a largo plazo.

Para este fin se examinan dos medidas de competencia: el índice de Boone y el índice de Lerner. El primero evalúa el poder de mercado y el segundo mide la competencia a través de la dimensión eficiencia. Además, se analiza la centralización del sector bancario a través del índice de concentración de los cinco bancos más importantes. Como variable dependiente se utilizó el Producto Interno Bruto per cápita por paridad de poder de compra. Se proponen tres muestras diferentes, tres por cada variable que se consideran en el estudio. Cada muestra contiene tres sub muestras, estas se clasifican en tres: alto, medio y bajo ingreso. Se emplean los métodos de Mínimos Cuadrados Ordinarios Totalmente Modificados (FMOLS) desarrollado por ^{Pedroni (2000)} y el método de Mínimos Cuadrados de Panel Dinámico (DOLS).

Este estudio se organiza de la siguiente manera: en la sección datos se encuentra la descripción de las variables, la composición de las diferentes muestras utilizadas y sus estadísticas básicas. En la sección metodología se especifican los procedimientos metodológicos utilizados. La sección resultados exhibe los principales hallazgos de las estimaciones econométricas y por último en la sección conclusiones se registran las aportaciones del estudio.

Revisión de la literatura

El debate acerca de los efectos de la competencia bancaria sobre el crecimiento económico está lejos de definirse. La literatura que estudia el efecto de la competencia bancaria sobre el crecimiento económico puede clasificarse en dos enfoques principales: el primero es el enfoque tradicional del poder de mercado el cual sostiene que la falta de competencia en el mercado bancario aumenta el costo del financiamiento y disminuye la disponibilidad de los servicios financieros (Owen y Pereira, 2018). Más aún, dada la ausencia de competencia en el mercado se observa que el número de proyectos de inversión que reciben financiamiento es menor y por tanto el crecimiento económico disminuye. Por tanto, el hecho de que el sector bancario goce de poder de mercado reducirá los incentivos para invertir en los sectores que más dependen del financiamiento externo, reduciendo por tanto su crecimiento potencial. Algunos trabajos que apoyan este enfoque son los de: ^{Mitchener y Wheelock (2013)}, ^{Adu-Asare Idun y Aboagye (2014)}, ^{Caggiano y Calice (2016)}, ^{Banya y Biekpe (2017)} y ^{Rakshit y Bardhan (2019)}

El enfoque alternativo sostiene que la competencia puede tener un impacto negativo en el crédito. Una de las razones por la que puede suceder esta situación es que la competencia puede interactuar con el nivel de información asimétrica en el mercado. Es decir. Este enfoque argumenta que los sistemas bancarios competitivos pueden reducir la creación de relaciones entre solicitantes de crédito y los bancos, al disminuir el incentivo de los bancos para invertir en información blanda. Por lo tanto, los mercados menos competitivos pueden estar asociados a una mayor disponibilidad de crédito de acuerdo a los trabajos de ^{Petersen y Rajan (1995)} y ^{Dell'Ariccia y Márquez (2004)}. Algunos trabajos cuyos resultados apoyan el enfoque alternativo son los siguientes: ^{Cetorelli y Gambera (2001)}, Bonaccorsi di Patti y Dell’Ariccia (2001) y de Guevara y Maudos (2011)

Por otro lado, en el trabajo de ^{Dayé, Housa y Reding (2016)} se argumenta que los prestamistas necesitan tomar las mejores decisiones cuando se hace la elección de los proyectos que van a ser financiados. Para ello es importante la calidad de la información (los estados financieros de la empresa, el riesgo real del proyecto y otras características) que revelan los solicitantes de créditos. Por tanto, si la información es de mala calidad, opaca o no está disponible, como es el caso de las pequeñas y medianas empresas, los prestamistas estarán más reacios a financiarlas. Esto puede dar lugar a algunas asimetrías de información, como puede ser el problema de selección adversa, esto significaría que ocurre un desplazamiento de algunos proyectos menos arriesgados y de buena calidad por proyectos de peor calidad y mayor riesgo. Para evitar esta situación, los prestatarios y los solicitantes de créditos han creado una serie de estrategias para afrontarlo. Una de estas estrategias es minimizar el coste de la obtención de información a través de la centralización de la información en los registros de crédito públicos y en las agencias de crédito privadas. Específicamente, se ha comprobado que la existencia de oficinas de crédito privadas reduce de manera importante las asimetrías de información de acuerdo al trabajo de ^{Triki y Gajigo (2014)}. Sin embargo, se ha observado que esta institución está ausente en muchos países, especialmente en los países en desarrollo (^{Dayé, Housa y Reding, 2016}).

Por otra parte, en el trabajo de ^{Ajisafe y Ajide (2014)} se analiza la relación de largo y corto plazo entre competencia en el sector bancario y crecimiento económico en Nigeria. Ellos utilizan el período de 1986-2012. Para realizar el análisis de corto plazo utilizan el método de corrección de errores vectorial. Emplean como variable para medir la competencia bancaria la proporción de concentración bancaria. Realizaron la prueba de cointegración de Johansen para probar la existencia de una relación de largo plazo en el modelo. Los resultados del estudio muestran que la competencia bancaria tiene un efecto positivo sobre el crecimiento tanto en el corto plazo de acuerdo a los resultados del modelo de corrección de errores vectorial, así como, en el largo plazo como lo sugieren la prueba de cointegración y la prueba de razón de verosimilitud.

En este contexto esta investigación extiende la literatura existente en los siguientes puntos: 1) Al analizar la relación entre competencia en el sector bancario y el crecimiento económico a largo plazo empleando técnicas de panel de datos. 2) Se divide la muestra en países de bajo, medio y alto ingreso para analizar empíricamente si los problemas de información asimétrica derivados de la ausencia de oficinas de crédito privadas siguiendo el trabajo de ^{Dayé, Housa y Reding (2016)}, pueden afectar la relación entre competencia y crecimiento económico y 3) Se proponen tres muestras diferentes, tres por cada variable que se consideran en el estudio, estas muestras están compuestas por 112, 86 y 110 países.

Datos

La base de datos está constituida por tres muestras diferentes. Los países que conforman cada muestra se clasifican de acuerdo a su ingreso en tres: alto, medio y bajo. La clasificación se realizó de acuerdo al estándar del Banco Mundial, con la excepción de que las clases ingreso medio superior e ingreso medio inferior se fusionaron en una sola clase, la cual se denomina ingreso medio. La primera muestra está constituida por dos variables, el Producto Interno Bruto per cápita expresado en paridad de poder de compra a precios constantes de 2011 (GDPppp) como variable dependiente y como variable independiente el índice de Boone (Boone). El período considerado abarca de 1999 a 2014. El número de países que conforman esta muestra es de 112 países. La segunda muestra está conformada por la variable (GDPppp) como variable dependiente y el índice de Lerner (Lerner) como variable independiente, el período de tiempo a examinar es del año 1996 al año 2014. Esta muestra se compone de 86 países. Por último, la tercera muestra se compone por las variables (GDPppp) y el índice de concentración bancaria de los tres bancos más importantes (Concentration) el período que se estudia abarca desde el año 1996 hasta 2017. Para esta muestra se obtuvieron datos de 110 países. Se utilizan distintos períodos de estudio en cada muestra debido a que los datos para los países no se encuentran disponibles para el cálculo de los índices de competencia en cada muestra, por tanto, la selección del período a estudiar se realizó considerando esta situación. Por tanto, se consideran nueve paneles de datos no balanceados, tres por cada muestra cómo se registra en la Tabla (1). Así mismo se indica la lista de países que conforman cada panel. Cabe mencionar que dichas tablas y listas se encuentran en la sección Anexo.

Uno de los primeros indicadores de concentración de mercado a tener en cuenta es el índice de concentración el cual se define como la suma de las cuotas de mercado de las empresas más grandes en el mercado ^{Lijesen, Nijkamp y Rietveld (2002)}. Por tanto, el índice de concentración se calcula de la siguiente manera:

Donde S_i es la cuota de mercado para cada banco. Si el índice de concentración para los cinco bancos más grandes es menor a 50% se considera que el sector bancario es competitivo.

El índice de Lerner representa el margen del precio sobre los costos marginales y es un indicador del grado de poder de mercado. Además, es un indicador del “nivel” de la proporción en la cual el precio excede el costo marginal y se calcula de la siguiente manera:

Donde PTA_it es el ingreso financiero entre el total de activos para el banco i y el tiempo t y MCTA_it es el costo marginal del total de activos para el banco i y el tiempo t. Si el valor del índice de Lerner es cero se asume que el mercado está en competencia perfecta, si el índice de Lerner es 1 el mercado está en monopolio y entre 0 y 1 el mercado muestra competencia monopolística.

El índice de Boone presentado por ^{Schaeck y Cihák (2013)} se manifiesta como la elasticidad de las ganancias con respecto a los costos marginales. Se expresa de la siguiente manera:

Donde πit mide las ganancias en el banco i en el tiempo t. β es el indicador Boone, a es el tamaño del mercado, y c_it denota los costos marginales.

La racionalidad detrás del indicador es que las empresas más eficientes obtienen mayores ganancias. Por tanto, cuando el índice Boone es negativo apunta a un mayor grado de competencia debido a que el efecto de recolocación es mayor. La información para las variables Lerner, Boone y Concentration proviene de la Base de datos Global de Desarrollo Financiero. Mientras que los datos para la variable GDPppp proceden de la base de datos Indicadores Mundiales de Desarrollo.

Las Tablas (3), (4) y (5) muestran las estadísticas descriptivas para las muestras: Boone, Lerner y Concentration respectivamente.

Metodología

Para analizar la relación de largo plazo entre la competencia en el sector bancario y el crecimiento económico se utilizan tres diferentes medidas de competencia: el índice de Lerner, el indicador Boone y el índice de concentración bancaria para los tres bancos más importantes. Derivado de lo anterior se proponen los siguientes modelos para analizar la relación de largo pazo entre competencia en el sector bancario y el crecimiento económico:

Estos tres modelos se estimarán tres veces una vez por cada nivel de ingreso. Como primer paso para probar la existencia de esta relación se realiza la prueba de dependencia de sección transversal para todas las variables. En el segundo paso se realizan las pruebas de raíz unitaria de primera y segunda generación. El tercer paso consiste en estimar la prueba de cointegración para panel de datos de Pedroni. Y por último utilizamos los métodos FMOLS y DOLS para estimar tres modelos diferentes uno para cada medida de competencia.

Resultados

Con el fin de determinar el método de estimación apropiado, es necesario probar si las variables son estacionarias o no estacionarias y también su orden de integración. Así mismo, la dependencia transversal o correlación de la sección transversal también debe ser tomada en consideración para las variables empleadas en el estudio con el fin de decidir que prueba de raíz unitaria para panel de datos se aplicará.

La Tabla (6) contiene los resultados de la prueba para detectar dependencia transversal en las variables utilizadas. Los resultados sugieren que es posible rechazar la hipótesis nula para todas las variables con un nivel de significancia del 1% en la mayoría de los casos. Por lo tanto, los residuos de la regresión del panel estándar se correlacionarán simultáneamente y esto debería abordarse mientras se realizan las pruebas de raíz unitaria para panel.

Se utilizan las pruebas Levin, Lin y Chu (LLC) desarrollada por ^{Levine et al (2002)}, Breitung, Im, Pesharan y Shin (IPS), las pruebas ADF-Fisher y PP-Fisher desarrolladas por ^{Choi (2001)} además de la prueba CADF para probar la estacionariedad de las variables. La prueba CADF es una prueba de segunda generación que permite tomar en consideración la dependencia transversal.

Las pruebas IPS,ADF-Fisher y PP-Fisher estas relacionadas con la hipótesis nula de “los paneles contienen raíz unitaria individual” mientras que las pruebas LLC y Breitung examinan la hipótesis nula “el panel contiene raíz unitaria común”. Las variables deben exhibir que no son estacionarias en niveles y ser estacionarias en primeras diferencias para decir que son integradas de primer orden I(1). Si las variables son integradas de primer orden I(1) se puede proceder a comprobar la relación de cointegración de largo plazo. Las pruebas de raíz unitaria se llevaron a cabo empleando la especificación para la regresión que incorpora intercepto y tendencia. Las Tablas (7), (8) y (9) presentan los resultados de la prueba de raíz unitaria para los países que exhiben evidencia de integración de primer orden I(1).

La Tabla (7) presenta los resultados de las pruebas de raíz unitaria los cuales exhiben que GDP PPP y Boone son no estacionarios en niveles pero se vuelven estacionarios en primeras diferencias, por tanto se dice que son integradas de primer orden I(1). En cuanto a las pruebas en nivel solo la prueba PP-Fisher muestra evidencia en contra de que la variable Boone sea no estacionaria. Mientras que para la variable GDPppp todas las pruebas apuntan a que la variable es estacionaria. Las pruebas PP-Fisher y CADF en primeras diferencias para la variable Boone aportan evidencia a favor de que la variable es estacionaria. Aunque solo dos pruebas de seis aportan evidencia de que la variable es estacionaria se consideró que la prueba CADF, la cual toma en cuenta la dependencia de sección transversal debe tener mayor peso, los resultados de esta prueba muestran evidencia de que la variable es estacionaria. Para la variable GDPppp, solo la prueba Breitung exhibe evidencia contraria a que GDPppp sea estacionaria. Por tanto, se procede a hacer la prueba de cointegración de Pedroni para esta muestra.

En la Tabla (8) se encuentran los resultados de las pruebas de raíz unitaria para la muestra de países con bajo ingreso. En nivel las pruebas LLC, Breitung, ADF-Fisher, PP-Fisher aportan evidencia a favor de que la variable Concentration es estacionaria, mientras que las pruebas IPS y CADF señalan que la variable es no estacionaria. Como en el caso anterior se le da más peso a la prueba CADF por tanto se considera a la variable Concentration como no estacionaria en nivel. Por otro lado, todas las pruebas en nivel indican que GDPppp es no estacionaria. Así mismo, las pruebas en primeras diferencias apuntan a que las variables Concentration y GDPppp son estacionarias. Por tanto, se cumple la condición de que las variables sean no estacionarias en niveles y estacionarias en primeras diferencias.

En la Tabla (9) se exhiben los resultados de las pruebas de raíz unitaria para la muestra de países con altos ingresos para la variable Concentration. Las pruebas en nivel que encuentran evidencia en contra de que la variable Concentration sea no estacionaria son: LLC y ADF-Fisher, el resto de las pruebas apuntan a que la variable Concentration es no estacionaria. En cuanto a la variable GDPppp las pruebas IPS, ADF-Fisher, PP-Fisher y CADF muestran que es no estacionaria en nivel. Las pruebas en primera diferencia para ambas variables apuntan a que las dos son estacionarias. En este caso, se encuentra que se puede realizar la prueba de cointegración entre las variables que se están considerando porque son integradas de primer orden.

Para poder comprobar la existencia de cointegración entre GDPppp y las variables que miden el nivel de competencia, se utiliza la prueba Pedroni de cointegración para panel de datos. Esta prueba se realiza para las siguientes muestras: ingresos bajos Boone, ingresos bajos Concentration y altos ingresos Concentration. La prueba se realizó con tres diferentes especificaciones deterministas estas son: intercepto, intercepto y tendencia y sin intercepto ni tendencia. Las Tablas (10), (11) y (12) contienen los resultados de la prueba bajo la especificación intercepto y tendencia.

Los resultados de la prueba de cointegración para la muestra de países con ingreso bajo para la variable Boone con la especificación intercepto y tendencia se muestran en la Tabla (10). En esta especificación la hipótesis de no correlación se rechaza en ocho de once estadísticos. En la especificación determinista con intercepto la hipótesis de no correlación se rechaza en uno de once estadísticos. En la tercera especificación determinista sin intercepto ni tendencia la hipótesis de no correlación se rechaza en cuatro de once estadísticos. Por tanto, los resultados apuntan a que de tres especificaciones en dos se acepta la hipótesis de la existencia de correlación.

En la Tabla (11) se muestran los resultados de la prueba de cointegración de Pedroni para la muestra de ingresos bajos con la variable Concentration. Los resultados muestran que cinco de once estadísticos rechazan la hipótesis de no correlación. En cuanto a la especificación con intercepto tres de once estadísticos rechazan la hipótesis de no correlación. Los resultados de la especificación sin intercepto ni tendencia muestra que todos los estadísticos rechazan la hipótesis de correlación. En consecuencia, dos de tres especificaciones indican que existe correlación.

La Tabla (12) contiene los resultados de la prueba de cointegración Pedroni para la muestra ingresos altos con la variable Concentration. Los resultados de la especificación determinista que incluye el intercepto y la tendencia muestran que seis de once estadísticos permiten rechazar la hipótesis de no correlación. En la especificación determinista que incluye intercepto nueve de once estadísticos aportan evidencia en contra de la hipótesis de no correlación. La especificación que considera un modelo determinista sin tendencia ni intercepto rechaza la hipótesis de no correlación en tres de once estadísticos. De manera que dos de tres especificaciones aportan evidencia en contra de la hipótesis de no correlación.

Los resultados de la prueba Pedroni permiten argumentar a favor de una relación de cointegración para las tres muestras que fueron analizadas: ingresos bajos Boone, ingresos bajos Concentration e ingresos altos Concentration.

Con el fin de estimar el coeficiente de largo plazo para las muestras antes mencionadas se emplean los métodos de Mínimos Cuadrados Ordinarios Totalmente Modificados (FMOLS) desarrollado por ^{Pedroni (2000)} y el método de Mínimos Cuadrados de Panel Dinámico (DOLS). Cada uno de los métodos antes mencionados cuenta con tres estimadores diferentes los cuales son: agrupado, agrupado con peso y media agrupada. En esta investigación se emplea el estimador agrupado con peso propuesto en los trabajos de ^{Pedroni (2001)} y Kao y Chiang (2000), el cual permite diferentes variaciones de largo plazo entre la sección transversal para paneles heterogéneos. Por otro lado, el método DOLS es una extensión del modelo con rezagos y adelantos de las diferencias de las variables dependientes e independientes y permite superar el problema de endogeneidad asintótica y correlación serial. Al igual que con el método FMOLS se emplea el estimador con peso desarrollado por ^{Mark y Sul (2003)} el cual permite una variación heterogénea a largo plazo.

La Tabla (13) muestra los resultados de las estimaciones con los métodos FMOLS y DOLS para la muestra ingresos bajos Boone. Los resultados muestran que existe una relación positiva de largo plazo entre el nivel de competencia medido por el índice Boone y el crecimiento económico cuando se considera el método FMOLS. Un aumento de 1% en la variable Boone significaría una disminución de 34 dólares en la variable GDPppp. La variable Boone es estadísticamente significativa Cabe mencionar que valores negativos de la variable Boone significan mayor competencia por lo que un aumento de esta variable significaría menor competencia. Los resultados del método DOLS señalan que la variable Boone no es estadísticamente significativa.

Los resultados de las estimaciones con los métodos FMOLS y DOLS para la muestra ingresos bajos Concentration se muestran en la Tabla (14). En ambas estimaciones se encuentra que existe una relación negativa entre GDPppp y Concentration. La estimación empleando el método FMOLS indica que un aumento de 1% en la variable Concentration implica una disminución de 14.6 dólares en la variable GDPppp. Por otro lado, la estimación que utiliza el método DOLS señala que un aumento de 1% en la variable significa una disminución de 14.3 dólares en la variable GDPppp. En ambos modelos de estimación la variable Concentration es estadísticamente significativa al 1%.

Los resultados de las estimaciones para la muestra ingresos altos Concentration se exhiben en la Tabla (15). Se muestra que en ambas estimaciones FMOLS y DOLS se encuentra una relación negativa entre Concentration y GDPppp. Un aumento de 1% en la variable Concentration sugiere una reducción de 49.8 en la variable GDPppp de acuerdo a los resultados de la estimación con el método FMOLS. Por otra parte, los resultados de la estimación con el método DOLS indican que un aumento de 1% de la variable Concentration significaría una disminución de 108 dólares en la variable GDPppp. Ambas variables son estadísticamente significativas al 1% en las dos estimaciones utilizadas.

En consecuencia, los resultados para las muestras de bajos ingresos Concentration e ingresos altos Concetration, exhiben una relación negativa entre Concentration y GDPppp. El efecto reductor del crecimiento económico es mayor en la muestra ingresos altos Concentration.

Mientras que los resultados de la muestra de bajos Ingresos Boone indican una relación positiva entre competencia y GDPppp. Es importante resaltar que de los métodos de estimación en solo uno el coeficiente es estadísticamente significativo para esta muestra.

Conclusiones

Se estudiaron nueve muestras tres por cada medida de estructura de mercado. En primer lugar, se realizó la prueba CD de Pesaran para buscar evidencia de codependencia de sección transversal. Los resultados muestran evidencia a favor de la presencia de dependencia transversal para todas las variables. Por esta razón además de utilizar las pruebas de primera generación LLC, Breitung, IPS, ADF-Fisher y PP-Fisher; se utilizó la prueba de segunda generación CADF la cual toma en consideración la dependencia transversal. Los resultados de las pruebas de raíz unitaria muestran evidencia de integración de primer orden I(1) para las muestras: bajos ingresos Boone, bajos ingresos Concentration y altos ingresos Concentration. En consecuencia, para estas tres muestras se realizaron las pruebas de cointegración de Pedroni. Se encontró evidencia a favor de la existencia de una relación de cointegración de largo plazo para las tres muestras. Por último, se realizaron las estimaciones con los métodos FMOLS y DOLS. Se detectó que existe evidencia de una relación de cointegración de largo plazo negativa entre el nivel de concentración bancaria y el crecimiento económico para las muestras bajos ingresos Concentration e ingresos altos Concentration. Estos resultados son coherentes con la predicción teórica de que mayor competencia bancaria se traduce en mayor crecimiento económico. Por tanto, la evidencia encontrada apoya el enfoque de poder de mercado. De igual manera, se encontró una relación de cointegración de largo plazo positiva entre la eficiencia medida por el índice Boone y el crecimiento económico. La evidencia proviene de la muestra ingresos bajos Boone. Este resultado también apoya el enfoque de poder de mercado.

Por otra parte, los resultados de las tres muestras bajos ingresos Concentration, ingresos altos Concentration e ingresos bajos Boone coinciden con las conclusiones de los trabajos de ^{Mitchener y Wheelock (2013)}, ^{Adu-Asare Idun y Aboagye (2014)}, ^{Caggiano y Calice (2016)}, ^{Banya y Biekpe (2017)} y ^{Rakshit y Bardhan (2019)}. Por otro lado, en el trabajo de ^{Ajisafe y Ajide (2014)} el cual estudia la relación entre competencia en el sector bancario y el crecimiento económico para el caso de Nigeria, se emplean técnicas de estimación de corto y largo plazo. Sus resultados muestran que tanto en el corto como en el largo plazo la relación entre competencia bancaria y crecimiento económico es positiva lo que coincide con los resultados obtenidos. Por otra parte, no encontramos evidencia de que los resultados de las estimaciones se vean afectados por el nivel de ingreso. Los coeficientes de correlación encontrados son altos para ambas estimaciones para las muestras ingresos altos Concentration e ingresos bajos Boone con un promedio de .9

En base a los resultados empíricos obtenidos en este estudio los cuales sugieren que la competencia bancaria podría ser beneficiosa para el crecimiento económico. Es decir, a medida que la competencia bancaria aumenta a través del canal de la eficiencia y de la disminución de la concentración, esto a su vez significa en última instancia el aumento del crecimiento económico. Por tanto, se sugiere implementar medidas que restrinjan la concentración de fondos en un número pequeño de instituciones bancarias. Así como medidas que incentiven la competencia en el sector bancario a través de políticas que fortalezcan la eficiencia en el sector. Por otro lado, una limitación de este análisis es que no se incorporan variables de control. Los hallazgos sugieren una pregunta importante ¿cuál sería el efecto de la competencia en el sector bancario sobre la estabilidad del mismo en el largo plazo?