Intellectual capital and financial performance of private banks in Ecuador

A
By Admin

Capital intelectual y desempeño financiero de los bancos privados en Ecuador

Intellectual capital and financial performance of private banks in Ecuador

Miguel Angel Peñarreta Quezada1 , Reinaldo Armas1 ,
José Álvarez-García2* , Mercedes Teijeiro3 

Universidad Técnica Particular de Loja, Ecuador 
Universidad de Extremadura,España 
Universidad Da Coruña, España

Recibido el 11 de febrero de 2024; aceptado el 5 de abril de 2024 Disponible en Internet el: 16 de abril de 2024

Abstract

This study evaluates the intellectual capital (IC) in the private banking sector of Ecuador and its impact on financial performance. Using panel data from 15 banks between 2003 and 2021 and applying the MVAIC model to measure IC, significant trends were identified. The average M-VAIC was 2,378, with eight banks surpassing the sectorial average. Regression analyses reveal a positive correlation between IC and the indicators of Return on Assets (ROA) and Return on Equity (ROE). At the component level, physical capital leads in profitability generation, followed by human capital, while structural capital has less influence. Surprisingly, relational capital shows a negative correlation, These findings provide a profound understanding of how intangible aspects influence banking profitability over time. The analysis, unique in its panel data approach for the Ecuadorian context, contributes to the literature on knowledge management and finance, offering valuable insights for strategic decision-making in the banking sector. JEL Code: O34, G20, G32 Keywords: intellectual capital; financial performance; banks; VAIC; M-VAIC

Introducción

La economía del conocimiento ha transformado la gestión empresarial, donde la creación de valor y la ventaja competitiva se centran en activos intangibles (Buallay et al, 2020; Xu et al, 2022). El capital intelectual (CI), que abarca el capital humano, estructural y relacional, se ha destacado como un activo estratégico crucial (Edvinsson & Malone, 1997; Nimtrakoon, 2015). Aunque se ha demostrado la influencia positiva del CI en la competitividad y el desempeño financiero en las organizaciones (Nazari, 2014; Xu, Haris, & Irfan, 2022), la evidencia empírica recogida sobre la influencia del CI en el desempeño financiero de los bancos presenta matices distintos, si bien existen estudios que confirman una relación positiva significativa entre el capital intelectual y el desempeño financiero de los bancos (Buallay et al. 2020; Faruq et al. 2023a; Ousama, 2019; Soewarno & Tjahjadi, 2020; Tran & Vo, 2020). También se encuentra evidencia empírica donde esta relación es marginal o nula (Firer & Mitchell Williams, 2003; Haris et al. 2019; Yao et al. 2019). La banca ecuatoriana, con características únicas se convierte en un contexto intrigante y poco explorado. Existe concentración bancaria, con alta regulación, con mínima presencia de banca extranjera y las operaciones se realizan en una economía dolarizada, volviéndolo interesante para probar el enfoque del capital intelectual sobre el desempeño financiero. Además, no existe una normativa que motive la medición y divulgación del CI, lo que supone que los bancos no están administrando su capital intelectual para cumplir los objetivos estratégicos y mejorar el desempeño financiero (Peñarreta et al. 2022). Este estudio no solo aborda la falta de investigación en el contexto específico de la banca ecuatoriana en términos de su capital intelectual, sino que también ofrece una contribución metodológica única al aplicar datos panel y modelos de regresiones en un campo donde la evidencia empírica es escasa.

La investigación también destaca al adoptar el enfoque M-VAIC para medir el CI, considerando el capital relacional, aportando así una visión más completa de los activos intangibles que podrían influir en el rendimiento financiero de los bancos privados. Este enfoque integral busca llenar una brecha significativa en la comprensión de la gestión del conocimiento y la influencia del CI en el rendimiento financiero, proporcionando así valiosas aportaciones tanto a la literatura académica como a la práctica empresarial en la región latinoamericana. El estudio se divide en secciones, tras la introducción, en la sección dos se desarrolla la fundamentación teórica. En sección 3, se expone la metodología. La sección 4, muestra los resultados del estudio y la discusión. Finalmente, las conclusiones se exponen en la sección 5 del documento

Fundamentación

teórica Definición y medición de

CI El CI en la economía moderna juega un rol importante y puede ser conceptualizado como el conjunto de activos intangibles, conocimientos, capacidades y relaciones, entre otros, que combinados contribuyen a la generación de valor y ventaja competitiva de las empresas, con un impacto significativo en su rendimiento financiero y no financiero y que, de cara a la gestión de las empresas y el éxito empresarial, asumen el rol de activos estratégicos (Edvinsson & Malone, 1997; Mondal & Ghosh, 2012; Zerenler et al. 2008). El CI en base al modelo tríadico puede clasificarse en capital humano, capital estructural y capital relacional (Faruq et al. 2023a; Secundo et al. 2016). El capital humano es la mezcla de conocimientos, conjunto de habilidades, competencias, así como, experiencia de los empleados obtenidos a través de la formación y experiencia (Nawaz, 2019; Soewarno & Tjahjadi, 2020). El capital estructural comprende la infraestructura, los procedimientos, entre otros, de la organización que brinda asistencia para respaldar el desempeño de los empleados y la rentabilidad del negocio (Alrowwad et al. 2020; Mollah & Rouf, 2022). Respecto al capital relacional, se refiere a la habilidad de la empresa para preservar su relación con los accionistas, clientes, proveedores y gobierno (Baima et al. 2020; Weqar & Haque, 2022). Múltiples propuestas metodológicas se han desarrollado para medir el CI en las organizaciones a lo largo del tiempo, como el modelo Skandia Navigator (Edvinsson & Malone, 1997), el Intangible Assets Monitor (Sveiby, 1997), Balanced Score (Kaplan & Norton, 1996), método de capitalización de mercado y el modelo VAIC- Coeficiente Intelectual de Valor Agregado (Pulic, 1998, 2000). El modelo VAIC permite calcular la contribución del capital humano, estructural y físico en la creación de valor agregado, tomando la información del balance de las empresas (Meles et al. 2016;

Tiwari, 2020). En esencia establece que un valor más alto de VAIC indica una mayor eficiencia en el uso del capital intelectual y su cálculo resulta de la suma del capital empleado, la eficiencia del capital humano y la eficiencia del capital estructural (Pulic, 2000). Sin embargo, el modelo presenta algunas limitaciones. El diseño del modelo VAIC no está hecho para medir el CI sino las eficiencias de los insumos de las empresas antes referidos, tampoco incorpora el nivel de riesgo de las empresas (Chu et al. 2011) y dado que su cálculo se realiza en base a los datos financieros de las empresas, el VAIC es una medida del valor creado en el pasado y no del potencial de creación de valor de las empresas (Janošević et al. 2013). En adición, la medida del capital estructural es incompleta porque ignora la existencia del capital relacional y del capital innovación (Nimtrakoon, 2015). Sin embargo, este modelo es uno de los métodos más empleados por los investigadores y administradores para medir la eficiencia del CI en base al capital humano, estructural y físico de las empresas (Gupta & Raman, 2021; Kasoga, 2020; Weqar & Haque, 2022). Además, la metodología VAIC se ha actualizado incluyendo al capital relacional dentro del modelo, a dicha actualización se le denomina modelo M-VAIC (Modified Value-Added Intellectual Capital) (Bayraktaroglu et al. 2019; Nadeem et al. 2019; Soewarno & Tjahjadi, 2020) y tiene como principal ventaja, explicar mejor cómo se genera el CI y, por tanto, gestionar con más elementos de medición y análisis para el diseño de las estrategias futuras de valor (García Castro et al,, 2021).

Capital intelectual, componentes y desempeño financiero

Los recientes estudios del nexo entre CI, sus componentes y el rendimiento financiero en la banca muestran que el CI influye de manera positiva y significativa sobre el desempeño financiero de la banca medido por el rendimiento sobre los activos (ROA) y sobre el rendimiento sobre el patrimonio (ROE) (Akkas & Asutay, 2022; Anifowose et al. 2018; Chowdhury et al. 2018). A nivel de influencia de los componentes del CI sobre la rentabilidad bancaria, algunos estudios proporcionaron evidencia para la eficiencia del capital humano (HCE) y la eficiencia del capital físico (CEE), como dos de los principales componentes que influyen en el ROA y ROE de los bancos (Buallay et al. 2020; Mollah & Rouf, 2022; Nawaz, 2019; Ousama, 2019; Uslu, 2022). De su parte, el estudio de Momani & Nour (2019) en los bancos comerciales de Jordania mostró que la eficiencia del capital físico (CEE) y la eficiencia del capital estructural (SCE) son los principales impulsores del ROE. Nazir et al. (2021) en base a un estudio comparativo de los bancos en Hong Kong, China y Taiwán demostró que HCE y CEE son los componentes de CI impulsores del ROA. Las investigaciones de Githaiga (2022) en la banca del este de África y Tiwari & Vidyarthi (2018) en la banca que cotiza en Bolsa de la India mostraron que SCE es el principal impulsor del ROA,

mientras que Nimtrakoon (2015) mostró que CEE y HCE son los componentes con mayor influencia sobre el desempeño financiero y que SCE y RCE tienen menor relevancia. En contraste con estos resultados, Selvam et al. (2020) encontró que HCE y RCE son los principales impulsores del ROA y ROE de los bancos extranjeros que operan en la India. Tran & Vo (2020) usando el mismo modelo determinaron que CEE, SCE y RCE son influyentes en el ROA y ROE de la banca en Vietnam. Los resultados del estudio con datos panel de Weqar et al. (2020) en la banca de la India encontraron que HCE, SCE y CEE son influyentes sobre el ROA. Yao et al. (2019) y Saruchi et al. (2019) aplicando el modelo M-VAIC concluyen que HCE es el componente del CI más influyente sobre el ROA de la banca en Pakistán y la banca islámica. Estos hallazgos confirman que la gestión de CI es crucial para las organizaciones bancarias. Los bancos para ofrecer a sus clientes productos y servicios de alta calidad dependen de sus inversiones en elementos relacionados con el CI, como sus recursos humanos, la construcción de marcas, los sistemas, los procesos y las relaciones con el entorno externo que a su vez se traduce en un mejor desempeño (Nawaz, 2019; Yao et al. 2019). A pesar de la evidencia general de la existencia de una relación positiva entre CI y el desempeño financiero de la banca, algunos estudios no encontraron esta causalidad. Joshi et al. (2013) empleando una muestra de 40 instituciones financieras en Australia mostró que el CI medido por el VAIC no es influyente sobre el ROA, Vo & Tran (2021) después de evaluar 16 bancos cotizados en Tailandia concluyeron que el CI no influye sobre la rentabilidad bancaria a diferencia de algunos de sus componentes. Mondal et al. (2022)sobre el análisis de 59 bancos en Bangladesh, concluye que el CI no afecta el ROA y ROE, mientras que en el contexto de la banca cotizada en Colombia no está claro el rol de CI medido por el VAIC sobre la rentabilidad (García Castro et al. 2021).

 

Metodología

Desarrollo de hipótesis

Con la finalidad de medir la influencia del CI y el desempeño financiero de los bancos en Ecuador, se han formulado cinco hipótesis de investigación comprobables, La primera hipótesis está relacionada con el vínculo positivo entre CI y el desempeño financiero de los bancos. El CI en combinación con los activos tangibles, puede permitir que los bancos logren ventajas competitivas y, en consecuencia, mejorar el rendimiento en el tiempo (Farooq & Ahmad, 2023; Faruq et al. 2023; Meles et al. 2016). La eficiencia del CI se mide bajo el enfoque del modelo M-VAIC. Así la primera hipótesis es la siguiente: H1: CI influye positivamente en el desempeño financiero de los bancos en Ecuador,

Los estudios consultados mostraron que HCE, SCE, RCE son los principales componentes del CI que conjuntamente con el capital físico (CEE), pueden influir de manera positiva en el desempeño financiero de los bancos (Buallay et al. 2020; Mohammed & Irbo, 2018; Nawaz, 2019; Tran & Vo, 2020). Así, se plantea el siguiente conjunto de hipótesis:

H2 HCE tiene un impacto positivo en el desempeño financiero de los bancos en Ecuador.

H3 SCE tiene un impacto positivo en el desempeño financiero de los bancos en Ecuador.

H4 RCE tiene un impacto positivo en el desempeño financiero de los bancos en Ecuador.

H5 CEE tiene un impacto positivo en el desempeño financiero de los bancos en Ecuador.

Datos, variables y modelos

Los datos correspondientes a la información del balance y de los indicadores de rendimiento financiero de los bancos fueron recopilados empleando la base de datos de la Superintendencia de Bancos de Ecuador en el sitio web www.superbancos.gob.ec. La muestra del estudio corresponde a 15 de 24 bancos privados que operan en Ecuador y que tienen acceso a toda la información con un total de 285 observaciones. 9 bancos fueron excluidos de la muestra porque no presentan toda la información para el periodo de estudio.

Este estudio siguiendo la propuesta de la reciente evidencia empírica (Akkas & Asutay, 2022; Faruq et al. 2023; Mollah & Rouf, 2022; Nazir et al. 2021) considera como variables dependientes a la rentabilidad sobre los activos (ROA) y la rentabilidad sobre el patrimonio (ROE).

El ROA mide la capacidad del banco para crear beneficios a partir de sus activos. La ecuación 1 muestra su forma de cálculo:

ROA = Beneficio neto/Total activos (1)

El ROE mide la rentabilidad del banco al ilustrar cuántos ingresos genera la organización con el dinero que han financiado los accionistas y suele considerarse uno de los indicadores financieros más importantes para los inversores y se estima en base a la ecuación 2:

ROE = Beneficio neto/Total patrimonio (2)

Referente a las variables independientes, el estudio utiliza el modelo M-VAIC para medir el CI de los bancos. La estimación del M-VAIC se realiza en tres fases: La primera fase consiste en determinar el valor agregado (VA) de los bancos siguiendo la

VA = OP + EC + D + A (3)

Donde VA es el valor agregado, OP corresponde al margen operacional, D la depreciación y A

la amortización de los bancos.

La segunda fase es calcular la eficiencia del capital intelectual (ICE), que es la suma de HCE, SCE y RCE, HCE mide cuánto valor se ha creado mediante la inversión monetaria en los empleados, SCE muestra la cantidad de capital que ha creado el SC. Pulic (1998, 2000) señaló que SC está correlacionado negativa y simétricamente con el HC. El RCE indica cuánto valor se ha creado por una unidad invertida de CR. Los cálculos son los siguientes:

ICE = HCE + SCE + RCE (4)

HCE = VA/HC (5) SCE = (VA − HC)/VA (6)

RCE = VA/RC (7)

Donde HC corresponde a sueldos y salarios de los empleados y RC son los gastos de publicidad realizados por los bancos. La tercera y última fase es calcular la eficiencia del capital empleado (CEE).

La CEE mide cuánto valor ha sido creado por dólar de capital empleado, Se calcula de la siguiente manera:

CEE = VA/CE (8)

Donde, CE corresponde al valor contable de los activos totales. Por lo tanto, el M-VAIC se define como sigue:

M − VAIC = ICE + CEE (9)

M − VAIC = HCE + SCE + RCE + CEE (10)

M-VAIC indica la eficacia de la creación de valor de las organizaciones. Cuanto más alto sea el M-VAIC, mejor habrá utilizado la organización los recursos del capital intelectual (Asutay & Ubaidillah, 2023; Faruq et al. 2023).

El estudio para reconocer el efecto específico del M-VAIC en el desempeño de los bancos privados, incluye el apalancamiento, tamaño de los activos como variables de control del sector (Nazir et al. 2021; Uslu, 2022; Weqar & Haque, 2022). El apalancamiento (Leverage) se determina en base a la relación pasivo para patrimonio de los bancos. El tamaño se expresa como el logaritmo de los activos (LogActivos). Referente a la variable macroeconómica, este estudio en línea con estudios previos (Akkas & Asutay, 2022; Rehman et al. 2022), considera al Producto interno bruto (PIB) como variable del entorno.

El estudio incluye una variable tipo dummy para los periodos de crisis financiera (CF). Para los periodos de crisis asume el valor de 1 (crisis financiera, 2008-2010; Covid 19, 2020-2021) y, 0 para el resto de periodos. Estudios previos también emplearon una variable dummy similar con el fin de medir el comportamiento de CI y su incidencia en el ROA y ROE de los bancos (Alabass, 2019; Farooq & Ahmad, 2023; Faruq et al. 2023; Oppong & Pattanayak, 2019).

Los modelos (1) y (2) son utilizados para evaluar la relación entre el CI y el desempeño financiero de los bancos:

ROAit=α0+α1MVAICit+α2LEVit+α3LNTAit+α4PIBit+α5CFit\text{ROA}_{it} = \alpha_0 + \alpha_1 \text{MVAIC}_{it} + \alpha_2 \text{LEV}_{it} + \alpha_3 \text{LNTA}_{it} + \alpha_4 \text{PIB}_{it} + \alpha_5 \text{CF}_{it}

ROEit=α0+α1MVAICit+α2LEVit+α3LNTAit+α4PIBit+α5CFit+ϵit\text{ROE}_{it} = \alpha_0 + \alpha_1 \text{MVAIC}_{it} + \alpha_2 \text{LEV}_{it} + \alpha_3 \text{LNTA}_{it} + \alpha_4 \text{PIB}_{it} + \alpha_5 \text{CF}_{it} + \epsilon_{it}

Los modelos (1a-1d) y (2a-2d) son usados para analizar en qué medida los componentes del capital intelectual (HCE, SCE, RCE y CEE) influyen en el desempeño financiero de los bancos, medido por ROA y ROE. Los modelos de regresión se describen a continuación:

ROAit=α0+α1HCEit+α2LEVit+α3LNTAit+α4PIBit+α5CFit+ϵit\text{ROA}_{it} = \alpha_0 + \alpha_1 \text{HCE}_{it} + \alpha_2 \text{LEV}_{it} + \alpha_3 \text{LNTA}_{it} + \alpha_4 \text{PIB}_{it} + \alpha_5 \text{CF}_{it} + \epsilon_{it}

ROAit=α0+α1SCEit+α2LEVit+α3LNTAit+α4PIBit+α5CFit+ϵit\text{ROA}_{it} = \alpha_0 + \alpha_1 \text{SCE}_{it} + \alpha_2 \text{LEV}_{it} + \alpha_3 \text{LNTA}_{it} + \alpha_4 \text{PIB}_{it} + \alpha_5 \text{CF}_{it} + \epsilon_{it}

(1c)

ROAit=α0+α1RCEit+α2LEVit+α3LNTAit+α4PIBit+α5CFit+ϵit\text{ROA}_{it} = \alpha_0 + \alpha_1 \text{RCE}_{it} + \alpha_2 \text{LEV}_{it} + \alpha_3 \text{LNTA}_{it} + \alpha_4 \text{PIB}_{it} + \alpha_5 \text{CF}_{it} + \epsilon_{it}

(1d)

ROAit=α0+α1CEEit+α2LEVit+α3LNTAit+α4PIBit+α5CFit+ϵit\text{ROA}_{it} = \alpha_0 + \alpha_1 \text{CEE}_{it} + \alpha_2 \text{LEV}_{it} + \alpha_3 \text{LNTA}_{it} + \alpha_4 \text{PIB}_{it} + \alpha_5 \text{CF}_{it} + \epsilon_{it}

(2a)

ROEit=α0+α1HCEit+α2LEVit+α3LNTAit+α4PIBit+α5CFit+ϵit\text{ROE}_{it} = \alpha_0 + \alpha_1 \text{HCE}_{it} + \alpha_2 \text{LEV}_{it} + \alpha_3 \text{LNTA}_{it} + \alpha_4 \text{PIB}_{it} + \alpha_5 \text{CF}_{it} + \epsilon_{it}

(2b)

ROEit=α0+α1SCEit+α2LEVit+α3LNTAit+α4PIBit+α5CFit+ϵit\text{ROE}_{it} = \alpha_0 + \alpha_1 \text{SCE}_{it} + \alpha_2 \text{LEV}_{it} + \alpha_3 \text{LNTA}_{it} + \alpha_4 \text{PIB}_{it} + \alpha_5 \text{CF}_{it} + \epsilon_{it}

(2c)

ROEit=α0+α1RCEit+α2LEVit+α3LNTAit+α4PIBit+α5CFit+ϵit\text{ROE}_{it} = \alpha_0 + \alpha_1 \text{RCE}_{it} + \alpha_2 \text{LEV}_{it} + \alpha_3 \text{LNTA}_{it} + \alpha_4 \text{PIB}_{it} + \alpha_5 \text{CF}_{it} + \epsilon_{it}

(2d)

ROEit=α0+α1CEEit+α2LEVit+α3LNTAit+α4PIBit+α5CFit+ϵit\text{ROE}_{it} = \alpha_0 + \alpha_1 \text{CEE}_{it} + \alpha_2 \text{LEV}_{it} + \alpha_3 \text{LNTA}_{it} + \alpha_4 \text{PIB}_{it} + \alpha_5 \text{CF}_{it} + \epsilon_{it}

 

Donde i indica el i-ésimo banco, t el período de tiempo, LNTA indica que la variable está en logaritmos naturales y 𝜀𝑖𝑡 es el error aleatorio.

Resultados

Estadísticas descriptivas

En tabla 1, se muestra que los valores medios del ROA y ROE fueron de 0,011 y 0,109 respectivamente, lo que indica que los bancos están generando mayor rendimiento con los fondos propios que con los activos del banco. La relación deuda patrimonio promedio fue de 8,8. En cuanto al capital intelectual, HCE tiene el valor medio más alto (1,960) frente a SCE (0,318), RCE (0,062) y CEE (0,039). La suma de HCE, SCE y RCE (2,340) supera al valor medio de CEE (0,039), señalando que los bancos generan más valor a través del CI que del capital físico y financiero. Con un M-VAIC medio de 2,378, los bancos, en promedio, generan 2,378 por cada unidad monetaria invertida.

Descriptive Statistics (Table 1)

VariablesNMeanStandard DeviationMinimumMaximumSkewnessKurtosis
ROA2850.0110.0070.0000.0411.1082.149
ROE2850.1090.0640.0000.3100.245-0.376
M-VAIC2852.3781.685-18.6286.703-7.26086.604
HCE2851.9600.778-0.4685.8030.6822.309
SCE2850.3181.309-19.7373.135-13.239197.814
RCE2850.0620.074-0.0111.0599.034119.101
CEE2850.0390.017-0.0060.0910.8661.232
LEV2858.8002.6832.26116.292-0.268-0.022
LNTA28513.3321.6289.33316.411-0.394-0.544
PIB2850.0290.036-0.0780.082-1.1151.864
CF2850.2630.4410.0001.0001.081-0.836

Note: ROA, ROE, M-VAIC, HCE, SCE, RCE, CEE, LEV, LNTA, PIB, and CF represent Return on Assets, Return on Equity, Modified Value-Added Intellectual Coefficient, Human Capital Efficiency, Structural Capital Efficiency, Relational Capital Efficiency, Capital Employed Efficiency, Leverage, Natural Logarithm of Total Assets, Gross Domestic Product, and Financial Crisis, respectively.

Source: Compiled data analysis

Correlation Analysis (Table 2)

VariablesROAROEM-VAICHCESCERCECEELEVLNTAPIBCF
ROA1          
ROE0.907***1         
M-VAIC0.767***0.763***1        
HCE0.769***0.765***0.992***1       
SCE0.753***0.749***0.995***0.979***1      
RCE-0.0250.035-0.035-0.060-0.0811     
CEE0.461***0.345***0.344***0.350***0.329***-0.242***1    
LEV0.0310.370***0.161**0.163**0.151*0.247***-0.312***1   
LNTA0.201***0.236***0.363***0.351***0.349***0.421***-0.382***0.290***1  
PIB0.291***0.340***0.177**0.183**0.163**-0.0240.265***0.153**-0.164**1 
CF-0.230***-0.215***-0.137*-0.144*-0.123*-0.050-0.198***0.72640.051-0.1091

Note: * p < 0.05, ** p < 0.01, *** p < 0.001

Source: Compiled data analysis

Los resultados de la matriz de correlación muestran que en algunos casos las correlaciones son altas, especialmente entre M-VAIC y sus componentes HCE y SCE, lo que sugiere un problema de multicolinealidad. Para superar este problema, el estudio incluyó las variables independientes en modelos por separado.

Hallazgos Clave sobre la Eficiencia del Capital Intelectual

La Tabla 3 revela que el M-VAIC promedio para los bancos privados en el período 2003-2021 fue de 2.378. Los mejores desempeños fueron:

  • BP Internacional: M-VAIC de 3.417
  • BP Bolivariano: M-VAIC de 3.233
  • BP Guayaquil

Por otro lado, los bancos con los índices M-VAIC más bajos fueron:

  • BP Pacífico: 1.763
  • BP Litoral: 1.528
  • BP Amazonas: 0.703

Promedio de la Industria: El 60% de los bancos superaron el promedio del M-VAIC, indicando la creación de valor en la industria.

Comparación con Estándares Internacionales

El M-VAIC promedio de 2.378 en los bancos privados de Ecuador es inferior a la media en otros países:

  • Países del Golfo Pérsico: 4.39
  • Jordania: 7.19
  • Vietnam: 5.25
  • Etiopía: 9.16
  • Pakistán: 3.92
  • Bangladesh: 3.95

Estas cifras fueron informadas por Ousama (2019), Momani & Nour (2019), Vo & Tran (2021), Mohammed & Irbo (2018), Haris et al. (2019) y Mondal et al. (2022).

Análisis Detallado de los Componentes del Capital Intelectual

Los valores promedio de los componentes del CI muestran la contribución de cada uno:

  • HCE (Eficiencia del Capital Humano): La más influyente, con una media de 1.960, lo que confirma que los bancos privados en Ecuador dependen en gran medida del capital humano.
  • SCE (Eficiencia del Capital Estructural): Promedio de 0.318.
  • RCE (Eficiencia del Capital Relacional): Promedio de 0.062, el más bajo.
  • CEE (Eficiencia del Capital Empleado): Promedio de 0.039.

Tabla 3: Valores de Eficiencia del Capital Intelectual de Bancos Privados (2003-2021)

Banco PrivadoM-VAICHCESCERCECEE
BP Amazonas0.7031.037-0.4250.0670.023
BP Austro2.9152.2410.5340.1030.037
BP Bolivariano3.2332.5370.6000.0620.035
BP Citibank2.3791.8430.4970.0050.033
BP Comercial de Manabí2.5762.0510.4310.0440.052
BP General Rumiñahui2.2441.7920.3840.0340.033
BP Guayaquil3.1892.4630.5820.1060.038
BP Internacional3.4172.7240.6200.0330.039
BP Litoral1.5281.3550.1050.0150.053
BP Loja2.9202.2910.5470.0430.040
BP Machala1.8611.4380.2980.0920.033
BP Pacífico1.7632.246-0.6160.1040.028
BP Pichincha2.3921.8340.4310.0960.031
BP Produbanco2.7182.1040.5080.0730.033
BP Solidario1.8401.4390.2790.0530.069

Promedio (2003-2021): M-VAIC: 2.3785, HCE: 1.9597, SCE: 0.3183, RCE: 0.0620, CEE: 0.0385.

Nota: VAIC, M-VAIC, HCE, SCE, RCE y CEE representan el coeficiente de valor añadido intelectual, coeficiente de valor añadido modificado, eficiencia del capital humano, eficiencia del capital estructural, eficiencia del capital relacional y eficiencia del capital empleado, respectivamente.

Fuente: Elaboración propia.

Pruebas de Diagnóstico para la Regresión de Datos de Panel

Antes de ejecutar la regresión de datos de panel, se investigó la presencia de multicolinealidad entre las variables utilizando el Factor de Inflación de la Varianza (VIF). Los resultados mostrados en la Tabla 4 confirman que no existe ningún problema de multicolinealidad, ya que todos los valores del VIF están por debajo de 10. Según Gujarati & Porter (2010), un VIF superior a 10 indica un problema de multicolinealidad. Por lo tanto, en este contexto, la multicolinealidad no afecta adversamente los modelos planteados en este estudio.

Tabla 4: Resultados del VIF

VariablesM-VAIC_ROA_ROEHCE_ROA_ROESCE_ROA_ROERCE_ROA_ROECEE_ROA_ROE
M-VAIC1.06————
HCE—1.17———
SCE——1.01——
RCE———1.06—
CEE————1.46
LEV1.481.491.481.491.64
LNTA1.551.631.511.541.55
PIB1.181.231.151.151.25
CF1.071.081.071.071.10

Fuente: Elaboración propia

Pruebas de Diagnóstico Adicionales

El estudio aplicó cuatro pruebas de diagnóstico para evaluar la idoneidad de los modelos de regresión de datos de panel:

  1. Test de Hausman (Tabla 5): Esta prueba se utilizó para determinar si el modelo de datos de panel debía ser de efectos fijos o efectos aleatorios.
  2. Test de Wald (Tabla 6): Evaluó la presencia de heterocedasticidad en los modelos.
  3. Test de Wooldridge (Tabla 7): Identificó la posible autocorrelación en los modelos.
  4. Test de Pesaran (Tabla 8): Comprobó la presencia de correlación contemporánea.

Estos diagnósticos permitieron confirmar la validez y robustez de los modelos, garantizando que los resultados obtenidos fueran confiables y libres de problemas de especificación comunes.

Tabla 5: Resultados del Test de Hausman

ModeloEstadísticoProbabilidadTipo de efecto
M-VAIC_ROA (1)X² = 112.18Prob > X² = 0.0000Fijo
M-VAIC_ROE (2)X² = 92.60Prob > X² = 0.0000Fijo
HCE_ROA (1a)X² = 28.43Prob > X² = 0.0000Fijo
HCE_ROE (2a)X² = 66.53Prob > X² = 0.0000Fijo
SCE_ROA (1b)X² = 53.34Prob > X² = 0.0000Fijo
SCE_ROE (2b)X² = 81.48Prob > X² = 0.0000Fijo
RCE_ROA (1c)X² = 55.40Prob > X² = 0.0000Fijo
RCE_ROE (2c)X² = 78.69Prob > X² = 0.0000Fijo
CEE_ROA (1d)X² = 33.67Prob > X² = 0.0000Fijo
CEE_ROE (2d)X² = 56.71Prob > X² = 0.0000Fijo

Nota: H₀ = No hay diferencia sistemática entre los coeficientes (aleatorio); H₁ = Existe diferencia sistemática entre los coeficientes (fijos).
Fuente: Elaboración propia

Tabla 6: Resultados del Test de Wald

ModeloEstadísticoProbabilidadResultado
M-VAIC_ROA (1)X² = 2026.34Prob > X² = 0.0000Heterocedasticidad
M-VAIC_ROE (2)X² = 388.70Prob > X² = 0.0000Heterocedasticidad
HCE_ROA (1a)X² = 1639.77Prob > X² = 0.0000Heterocedasticidad
HCE_ROE (2a)X² = 271.48Prob > X² = 0.0000Heterocedasticidad
SCE_ROA (1b)X² = 1419.69Prob > X² = 0.0000Heterocedasticidad
SCE_ROE (2b)X² = 354.66Prob > X² = 0.0000Heterocedasticidad
RCE_ROA (1c)X² = 1263.12Prob > X² = 0.0000Heterocedasticidad
RCE_ROE (2c)X² = 297.39Prob > X² = 0.0000Heterocedasticidad
CEE_ROA (1d)X² = 1358.75Prob > X² = 0.0000Heterocedasticidad
CEE_ROE (2d)X² = 386.20Prob > X² = 0.0000Heterocedasticidad

Nota: H₀ = Homocedasticidad; H₁ = Heterocedasticidad.
Fuente: Elaboración propia

Tabla 7: Resultados del Test de Wooldridge

ModeloEstadísticoProbabilidadResultado
M-VAIC_ROA (1)F = 9.082Prob = 0.0093Autocorrelación
M-VAIC_ROE (2)F = 9.349Prob = 0.0085Autocorrelación
HCE_ROA (1a)F = 7.260Prob = 0.0174Autocorrelación
HCE_ROE (2a)F = 8.527Prob = 0.0112Autocorrelación
SCE_ROA (1b)F = 9.986Prob = 0.0070Autocorrelación
SCE_ROE (2b)F = 9.497Prob = 0.0081Autocorrelación
RCE_ROA (1c)F = 10.844Prob = 0.0053Autocorrelación
RCE_ROE (2c)F = 9.754Prob = 0.0075Autocorrelación
CEE_ROA (1d)F = 6.716Prob = 0.0213Autocorrelación
CEE_ROE (2d)F = 12.253Prob = 0.0035Autocorrelación

Nota: H₀ = No hay autocorrelación; H₁ = Autocorrelación.
Fuente: Elaboración propia

Tabla 8: Resultados del Test de Pesaran

ModeloValor Test PesaranProbabilidadResultado
M-VAIC_ROA (1)4.737Prob = 0.0000Existe correlación contemporánea
M-VAIC_ROE (2)4.624Prob = 0.0000Existe correlación contemporánea
HCE_ROA (1a)0.263Prob = 0.7929Sin correlación contemporánea
HCE_ROE (2a)0.722Prob = 0.4702Sin correlación contemporánea
SCE_ROA (1b)6.124Prob = 0.0000Existe correlación contemporánea
SCE_ROE (2b)5.952Prob = 0.0000Existe correlación contemporánea
RCE_ROA (1c)6.017Prob = 0.0000Existe correlación contemporánea
RCE_ROE (2c)5.777Prob = 0.0000Existe correlación contemporánea
CEE_ROA (1d)1.697Prob = 0.0897Sin correlación contemporánea
CEE_ROE (2d)2.676Prob = 0.0074Existe correlación contemporánea

Nota: H₀ = No existe correlación contemporánea; H₁ = Existe correlación contemporánea.
Fuente: Elaboración propia

Conclusiones de las Pruebas de Diagnóstico

Las pruebas de diagnóstico aplicadas a los modelos revelaron la presencia de heterocedasticidad, autocorrelación y correlación contemporánea. Para abordar estos problemas, se implementó la estimación de Driscoll-Kraay (Driscoll & Kraay, 1998), la cual es robusta ante estos inconvenientes, tal como señalan Torres-Reyna (2007) y Joshi et al. (2021).

Análisis de Resultados de las Regresiones

Los resultados de la Tabla 9 muestran que el CI medido por M-VAIC tiene un impacto positivo y significativo sobre el ROA (Modelo 1) al nivel de confianza del 95%. Esto implica que la creación de M-VAIC por parte de los bancos puede aumentar la rentabilidad sobre activos en 0,00165 unidades, lo que valida la Hipótesis 1.

Componentes del Capital Intelectual (CI)

  • HCE, SCE y CEE: Relación positiva y significativa con ROA al 1% en los modelos 1a, 1b y 1d, validando las hipótesis H2, H3 y H5.
  • RCE: Relación significativa pero negativa con ROA en el modelo 1c, por lo que se rechaza la Hipótesis H4.

Conclusión sobre los Impulsores del ROA: HCE y CEE se destacan como los principales impulsores de la rentabilidad sobre activos.

Incidencia de Variables de Control

El apalancamiento (LEV), el tamaño de los bancos (LNTA) y la crisis financiera (CF) resultaron ser estadísticamente significativos, pero con un impacto negativo sobre el ROA.

abla 9: Resultados de las Regresiones de Efectos Fijos entre el CI y ROA

Variables(Modelo 1) ROA(Modelo 1a) ROA(Modelo 1b) ROA(Modelo 1c) ROA(Modelo 1d) ROA
M-VAIC0.00165**————
 (0.000609)    
HCE—0.00647***———
  (0.000771)   
SCE——0.000997***——
   (0.000264)  
RCE———-0.0156***—
    (0.00301) 
CEE————0.362***
     (0.0589)
LEV-0.0380**-0.0276*-0.0436**-0.0435**-0.0112
 (0.0145)(0.0135)(0.0167)(0.0174)(0.0151)
LNTA-0.00445***-0.00340***-0.00449***-0.00433***-0.000578
 (0.000586)(0.000242)(0.000881)(0.000889)(0.000546)
PIB0.0179**0.004630.0264***0.0273***0.00618
 (0.00650)(0.00663)(0.00748)(0.00764)(0.00703)
CF-0.00229***-0.00152***-0.00252***-0.00263***-0.000666
 (0.000607)(0.000300)(0.000756)(0.000766)(0.000495)
Constante0.100***0.0686***0.109***0.108***0.0150
 (0.0174)(0.0106)(0.0239)(0.0242)(0.0162)
R-cuadrado0.44320.64070.33180.31990.5774
Observaciones285285285285285

Nota: *** p<0.01, ** p<0.05, * p<0.1
Fuente: Elaboración propia

Resumen de Resultados

  • M-VAIC tiene un impacto positivo y significativo sobre ROA, validando la Hipótesis 1.
  • HCE, SCE y CEE están relacionados de manera positiva y significativa con ROA, apoyando las hipótesis H2, H3 y H5.
  • RCE mostró una relación significativa pero negativa con ROA, lo que llevó al rechazo de la Hipótesis H4.
  • Entre las variables de control, LEV y LNTA tienen un impacto negativo significativo en ROA, mientras que PIB es positivo y significativo.
  • La crisis financiera (CF) afecta negativamente al ROA.

Resultados de las Regresiones de Efectos Fijos entre el CI y ROE

Los resultados del modelo (2) en la Tabla 10 muestran que M-VAIC tiene un impacto positivo y significativo sobre el ROE, lo que permite aceptar la Hipótesis 1. Un aumento de una unidad en M-VAIC puede incrementar el ROE de los bancos en 0.0122 unidades.

Componentes del CI y ROE

  • HCE, SCE y CEE mantienen un vínculo positivo con ROE, validando las hipótesis H2, H3 y H5.
  • RCE tiene una relación negativa y significativa con ROE, rechazando la Hipótesis H4.

Las variables de control, como el tamaño de los bancos y la crisis financiera, tienen un efecto estadísticamente significativo en el ROE, mientras que el apalancamiento (LEV) no es influyente.

Este análisis proporciona una visión detallada de cómo los componentes del capital intelectual y las variables de control afectan la rentabilidad de los bancos en Ecuador.

 

pero de manera negativa. Las crisis reducen la capacidad de los bancos para generar rendimiento sobre el patrimonio. Para el caso de la variable macroeconómica PIB, el resultado fue distinto, PIB es estadísticamente significativo y positivo con el ROE

Tabla 10: Resultados de las Regresiones de Efectos Fijos entre el CI y ROE

Variables(Modelo 2) ROE(Modelo 2a) ROE(Modelo 2b) ROE(Modelo 2c) ROE(Modelo 2d) ROE
M-VAIC0.0122***————
 (0.00419)    
HCE—0.0457***———
  (0.00575)   
SCE——0.00787***——
   (0.00187)  
RCE———-0.126***—
    (0.0193) 
CEE————2.323***
     (0.416)
LEV0.1800.2510.1390.1400.344
 (0.155)(0.163)(0.169)(0.170)(0.222)
LNTA-0.0384***-0.0309***-0.0389***-0.0376***-0.0133**
 (0.00548)(0.00345)(0.00785)(0.00804)(0.00610)
PIB0.217**0.1270.278***0.285***0.153
 (0.0831)(0.0851)(0.0901)(0.0918)(0.0900)
CF-0.0174***-0.0120***-0.0191***-0.0200***-0.00714
 (0.00559)(0.00362)(0.00663)(0.00667)(0.00520)
Constante0.431**0.2090.498**0.491*-0.111
 (0.172)(0.163)(0.231)(0.237)(0.254)
R-cuadrado0.48070.62250.39110.38060.5355
Observaciones285285285285285

Nota: *** p<0.01, ** p<0.05, * p<0.1
Fuente: Elaboración propia

Resumen de Resultados

  • M-VAIC es positivo y significativo con ROE, indicando que un aumento en una unidad de M-VAIC puede incrementar el ROE en 0.0122 unidades. Esto valida la Hipótesis 1.
  • HCE, SCE y CEE muestran un vínculo positivo y significativo con ROE en los modelos 2a, 2b y 2d, aceptando las hipótesis H2, H3 y H5.
  • RCE tiene una relación negativa y significativa con ROE, por lo que se rechaza la Hipótesis H4.
  • Las crisis financieras (CF) reducen la capacidad de los bancos para generar rendimiento sobre el patrimonio, mientras que el PIB tiene un impacto positivo y significativo sobre el ROE.

Análisis Adicional

El entorno de la banca en Ecuador se caracteriza por ser tradicional, con una dependencia significativa de la infraestructura física y bajos niveles de especialización en el portafolio de productos y servicios. Solo el 50% de los ecuatorianos tiene acceso a productos y servicios bancarios, y los niveles de educación financiera son bajos. Estos factores limitan la gestión de intangibles por parte de los estrategas bancarios.

Eficiencia en la Gestión del Talento Humano

Aunque HCE mantiene un vínculo positivo con ROA y ROE, su impacto es limitado. Esto sugiere una ineficiencia en la gestión del talento humano, posiblemente debido a la alta rotación del personal operativo y los bajos incentivos salariales.

Respecto a SCE, es el segundo componente del CI con influencia positiva sobre ROA y ROE. Esto podría justificarse, porque los bancos ecuatorianos aún poseen niveles bajos de inversión en I+D. Además, estas inversiones tienen efectos retardados sobre la rentabilidad y requieren del diseño e implementación de estrategias vinculantes a HCE. El vínculo significativo, pero con signo negativo de RCE sobre la rentabilidad bancaria es otro hallazgo novedoso en el estudio. Este vínculo contrario a la teoría del CI denota qué para el contexto ecuatoriano, invertir en marketing y publicidad no genera retorno inmediato. Esta discrepancia se puede explicar por el hecho de que los gastos asociados con estas actividades se contabilizan como egresos en el balance de los bancos, lo que reduce el margen neto y, por ende, impacta negativamente en la rentabilidad (ROA; ROE) a corto plazo.

Análisis de robustez

Para comprobar que los resultados no se vean influenciados por el método de estimación, se probará con la regresión de Prais-Winsten, errores estándar corregidos por paneles heterocedásticos, que tiene en cuenta los problemas de heterocedasticidad, autocorrelación y correlación contemporánea (Labra & Torrecillas, 2014; Moreno-Brieva et al,, 2019). En tablas 11 y 12 se exponen los resultados de las regresiones para las variables dependientes ROA y ROE.

Tabla 11: Resultados de la Regresión Prais-Winsten para ROA

Variables(Modelo 1) ROA(Modelo 1a) ROA(Modelo 1b) ROA(Modelo 1c) ROA(Modelo 1d) ROA
MVAIC0.00116***————
 (0.000241)    
HCE—0.00587***———
  (0.000453)   
SCE——0.000512**——
   (0.000258)  
RCE———-0.00723—
    (0.00498) 
CEE————0.253***
     (0.0314)
LEV-0.0330**-0.0230*-0.0396***-0.0397***-0.00953
 (0.0136)(0.0120)(0.0147)(0.0149)(0.0144)
LNTA0.000519-0.0001300.0006990.000794*0.00140***
 (0.000388)(0.000321)(0.000445)(0.000454)(0.000390)
PIB0.0254***0.009110.0261***0.0253***0.0117
 (0.00821)(0.00699)(0.00808)(0.00806)(0.00737)
CF-0.00391***-0.00248***-0.00439***-0.00443***-0.00245***
 (0.000786)(0.000667)(0.000807)(0.000810)(0.000744)
Constante0.0312***0.0223**0.0373***0.0368***-0.00836
 (0.0114)(0.0100)(0.0125)(0.0126)(0.0128)
R-cuadrado0.3100.5250.2510.2460.423
Observaciones285285285285285

Nota: Errores estándar en paréntesis *** p<0.01, ** p<0.05, * p<0.1

Tabla 12: Resultados de la Regresión Prais-Winsten para ROE

Variables(Modelo 2) ROE(Modelo 2a) ROE(Modelo 2b) ROE(Modelo 2c) ROE(Modelo 2d) ROE
M-VAIC0.00913***————
 (0.00173)    
HCE—0.0461***———
  (0.00348)   
SCE——0.00444**——
   (0.00187)  
RCE———-0.0645*—
    (0.0368) 
CEE————1.918***
     (0.238)
LEV0.274***0.358***0.217**0.216**0.428***
 (0.0906)(0.0878)(0.0961)(0.0969)(0.105)
LNTA0.00354-0.001600.005050.00592*0.0105***
 (0.00302)(0.00261)(0.00344)(0.00350)(0.00329)
PIB0.255***0.132**0.267***0.261***0.156***
 (0.0649)(0.0563)(0.0642)(0.0641)(0.0588)
CF-0.0324***-0.0207***-0.0359***-0.0362***-0.0214***
 (0.00633)(0.00553)(0.00649)(0.00652)(0.00612)
Constante-0.201***-0.275***-0.149**-0.155**-0.483***
 (0.0699)(0.0692)(0.0758)(0.0765)(0.0902)
R-cuadrado0.3670.5430.3010.2940.437
Observaciones285285285285285

Nota: Errores estándar en paréntesis *** p<0.01, ** p<0.05, * p<0.1

Los resultados reafirman el vinculo del CI con el desempeño financiero de los bancos bajo distintas variaciones. A nivel de componentes, CEE es el componente más influyente en la rentabilidad bancaria en Ecuador, seguido de HCE y SCE. RCE mantiene influencia con ROA y ROE, pero con signo negativo.

Discusión de resultados

Los resultados y el análisis ofrecen nuevas perspectivas sobre la relación de la rentabilidad de los bancos con el CI y sus componentes. Los resultados de los modelos (1)-(2) de las tablas 9 y 10 indican que el CI influye positivamente en los indicadores de rendimiento de los bancos, en consonancia con los resultados

de Poh et al. (2018), Buallay et al. (2019), Nawaz (2019), Selvam et al. (2020) y Uslu (2022). Los bancos para mejorar el ROA y ROE deben invertir en CI, Por tanto, H1 se acepta en el estudio. En cuanto a los componentes del CI, los modelos (1d) y (2d) en tablas 9 y 10 denotan que CEE es el componente más influyente sobre el ROA y ROE de los bancos. Este hallazgo es consistente con las investigaciones desarrolladas por Tiwari & Vidyarthi (2018) en la India, Tran & Vo (2020) en Vietnam, Ousama (2019) en los países del Golfo, Gama et al. (2020) en Indonesia, Uslu (2022) en Turquía y Faruq et al. (2023) en Bangladesh. En Ecuador, el sector bancario aún no se ha consolidado, por ende, la banca para generar mayor rendimiento debe continuar invirtiendo en CEE. Sin embargo, en la era del conocimiento, invertir y gestionar el CI es fundamental para obtener una ventaja competitiva (Xu & Li, 2020). A nivel de componentes, HCE y SCE también mostraron tener influencia sobre la rentabilidad bancaria, lo que apoya el cumplimiento de H2 y H3. Esto coincide con los hallazgos de Isanzu (2016) en la banca de Tanzania, Poh et al. (2018) en Malasia y Githaiga (2022) en países del este de África. Respecto a la relación significativa y positiva entre RCE y los indicadores de rendimiento de los bancos, el estudio no encontró evidencia que permita aceptar H4. Este hallazgo en concordancia con la investigación de Saruchi et al. (2019) en la banca islámica y Weqar et al. (2020) en la banca de la India revelan que los bancos en un contexto como Ecuador deberían gestionar de mejor manera las inversiones en sus relaciones con los grupos de interés vinculados al negocio bancario.

Conclusiones

En base a una muestra de 15 bancos durante el periodo 2003 a 2021, este estudio analiza el impacto entre capital intelectual y el desempeño financiero de los bancos privados ecuatorianos. Respecto al M-VAIC promedio alcanzado fue de 2,378 (M-VAIC). Además, el 60% de los bancos está por encima del nivel promedio de eficiencia del sector, lo que indica que los bancos en base a la gestión de CI pueden crear valor para el negocio bancario incluso en tiempos de turbulencia. Por otro lado, CEE, HCE y SCE son tres de los cuatro componentes de CI que influyen de manera positiva sobre la rentabilidad bancaria. Donde CEE es el componente más influyente sobre el ROA y ROE, seguido de HCE y SCE, lo que sugiere que los bancos en un contexto como Ecuador deberían seguir invirtiendo en capital físico sin dejar de lado las inversiones en las competencias de sus empleados, en los procesos, bases de datos y tecnología vinculados al negocio bancario para generar mayor rentabilidad. En la medida que el sector se consolide y la gerencia se concientice sobre la importancia que tienen activos estratégicos como el CI y sus componentes, la gestión bancaria adoptará el enfoque del CI para crear ventaja competitiva y mejorar la rentabilidad.

El impacto significativo, pero con signo negativo de RCE sobre ROA y ROE es un aspecto crítico que amerita mayores análisis. Los bancos podrían desarrollar estrategias que equilibren la construcción de relaciones de largo plazo con la necesidad de mantener la rentabilidad de corto plazo como parte de las recomendaciones del estudio. La implementación de métricas para evaluar el retorno de las inversiones en CR, identificando aquellas relaciones que generen mayores beneficios a corto y largo plazo constituyen otra acción de mejora seguido de la formación al personal con habilidades necesarias para construir y mantener relaciones efectivas que permitan optimizar la eficiencia en la gestión del CR. En este contexto, el estudio pionero para el caso ecuatoriano presenta algunas implicaciones. Los responsables de la gestión bancaria en base a M-VAIC tienen una métrica que permiten medir el CI, lo que supone diseñar acciones futuras para gestionar e impulsar las inversiones en CI y sus principales componentes. Los responsables de la política pública, en base al establecimiento de políticas gubernamentales, podrán incentivar el desarrollo y la divulgación del CI en las empresas privadas del sector bancario de Ecuador. El estudio no estuvo exento de limitaciones. El modelo M-VAIC, aunque mide el CI de los bancos privados, proporciona una medida limitada del capital intelectual. Para evitar este posible sesgo habrá que recurrir al levantamiento de información primaria e implementar modelos de medición complementarios al modelo M-VAIC. Finalmente, nuestros hallazgos refuerzan la teoría del CI y su vínculo en el desempeño financiero de las organizaciones. El CI continúa siendo un activo estratégico con influencia positiva en el desempeño financiero de los bancos en entornos nunca antes investigados, como el caso de la banca ecuatoriana. Por tanto, las investigaciones futuras podrán analizar otros tipos de empresas que conforman la industria bancaria con el propósito de valorar el rol del CI sobre el desempeño financiero. Además, con la inclusión de otras medidas de desempeño financiero como ATO y el CAMEL se puede ampliar la comprensión de la influencia de CI en el desempeño financiero de este tipo de empresas. Encontrar mayores explicaciones del vínculo significativo con signo negativo de RCE con la rentabilidad bancaria permitiría profundizar con la teoría del CI. También habrá que investigar el rol de las variables de interacción de CI en el rendimiento de los bancos, puesto que no existe consenso identificado en la evidencia empírica.

Referencias

  1. Akkas, E., & Asutay, M. (2022). The impact of intellectual capital formation and knowledge economy on banking performance: a case study of GCC’s conventional and Islamic banks. Journal of Financial Reporting and Accounting. https://doi.org/10.1108/JFRA-08-2021-0251
  2. Alabass, H. (2019). Intellectual Capital and Financial Performance: Empirical Evidence from Iraq Stock Exchange (ISE). Academy of Accounting and Financial Studies Journal, 23(1), 1-11.
  3. Alrowwad, A., Abualoush, S., & Masa’deh, R. (2020). Innovation and intellectual capital as intermediary variables among transformational leadership, transactional leadership, and organizational performance. Journal of Management Development, 39(2), 196–222. https://doi.org/10.1108/JMD-02-2019-0062
  4. Anifowose, M., Abdul Rashid, H.M., Annuar, H.A., & Ibrahim, H. (2018). Intellectual capital efficiency and corporate book value: evidence from Nigerian economy. Journal of Intellectual Capital, 19(3), 644-668. https://doi.org/10.1108/JIC-09-2016-0091
  5. Asutay, M., & Ubaidillah (2023). Examining the Impact of Intellectual Capital Performance on Financial Performance in Islamic Banks. Journal of the Knowledge Economy. https://doi.org/10.1007/s13132-023-01114-1
  6. Baima, G., Forliano, C., Santoro, G., & Vrontis, D. (2020). Intellectual capital and business model: a systematic literature review to explore their linkages. Journal of Intellectual Capital, 22(3), 653-679. https://doi.org/10.1108/JIC-02-2020-0055
  7. Bayraktaroglu, A.E., Calisir, F., & Baskak, M. (2019). Intellectual capital and firm performance: an extended VAIC model. Journal of Intellectual Capital, 20(3), 406-425. https://doi.org/10.1108/JIC-12-2017-0184
  8. Buallay, A., Hamdan, A., & Cummings, R. (2019). Intellectual capital and performance of Islamic and conventional banking: Empirical evidence from Gulf Cooperative Council countries. Pacific Accounting Review, 38(7), 518-537. https://doi.org/10.1108/JMD-01-2019-0020
  9. Buallay, A., Hamdan, A., Reyad, S., Badawi, S., & Madbouly, A. (2020). The efficiency of GCC banks: the role of intellectual capital. European Business Review, 32(3), 383–404. https://doi.org/10.1108/EBR-04-2019-0053
  10. Chowdhury, L.A. M., Rana, T., Akter, M., & Hoque, M. (2018). Impact of intellectual capital on financial performance: evidence from the Bangladeshi textile sector. Journal of Accounting and Organizational Change, 14(4), 429-454. https://doi.org/10.1108/JAOC-11-2017-0109
  11. Chu, S.K.W., Chan, K.H., & Wu, W.W.Y. (2011). Charting intellectual capital performance of the gateway to China. Journal of Intellectual Capital, 12(2), 249-276. https://doi.org/10.1108/14691931111123412
  12. Driscoll, J.C., & Kraay, A.C. (1998). Consistent Covariance Matrix Estimation with Spatially Dependent Panel Data. Review of Economics and Statistics, 80(4), 549–560.
  13. Edvinsson, L., & Malone, M. (1997). Intellectual Capital: Realizing Your Company’s True Value by Finding Its Hidden Brainpower. Harper Collins Publishers, Inc.

  14. Farooq, M., & Ahmad, N. (2023). Nexus between board characteristics, firm performance and intellectual capital: an emerging market evidence. Corporate Governance: The International Journal of Business in Society, 23(6), 1269-1297.

  15. Faruq, M.O., Akter, T., & Mizanur Rahman, M. (2023). Does intellectual capital drive bank’s performance in Bangladesh? Evidence from static and dynamic approach. Heliyon, 9(7). https://doi.org/10.1016/j.heliyon.2023.e17656

  16. Firer, S., & Mitchell Williams, S. (2003). Intellectual capital and traditional measures of corporate performance. Journal of Intellectual Capital, 4(3), 348-360. https://doi.org/10.1108/14691930310487806

  17. Gama, A., Wiagustini, N., Sedana, I., & Purbawangsa, I. (2020). Intellectual capital and financial performance of Indonesian banks. Quality – Access to Success, 21, 09–14.

  18. García Castro, J.P., Duque Ramírez, D.F., & Moscoso Escobar, J. (2021). The relationship between intellectual capital and financial performance in Colombian listed banking entities. Asia Pacific Management Review, 26(4), 237-247. https://doi.org/10.1016/j.apmrv.2021.03.002

  19. Githaiga, P. (2022). Intellectual capital and bank performance: the moderating role of income diversification. Asia-Pacific Journal of Business Administration, 15(4), 509-526. https://doi.org/10.1108/APJBA-06-2021-0259

  20. Gujarati, D., & Porter, D. (2010). Basic Econometrics (5th ed.). Edited by A.E. Hilbert.

  21. Gupta, K., & Raman, T. (2021). The nexus of intellectual capital and operational efficiency: the case of Indian financial system. Journal of Business Economics, 91(3), 283–302. https://doi.org/10.1007/s11573-020-00998-8

  22. Haris, M., Yao, H., Tariq, G., Malik, A., & Javaid, H. (2019). Intellectual Capital Performance and Profitability of Banks: Evidence from Pakistan. Journal of Risk and Financial Management, 12(2), 56-70. https://doi.org/10.3390/jrfm12020056

  23. Isanzu, J.N. (2016). The Relationship Between Intellectual Capital and Financial Performance of Banks in Tanzania. Risus-Journal on Innovation and Sustainability, 7(1), 28–38.

  24. Janošević, S., Dženopoljac, V., & Bontis, N. (2013). Intellectual Capital and Financial Performance in Serbia. Knowledge & Process Management, 20(1), 1-11. https://doi.org/10.1002/kpm.1404

  25. Joshi, J.M., Dalei, N.N., & Mehta, P. (2021). Estimation of gross refining margin of Indian petroleum refineries using Driscoll-Kraay standard error estimator. Energy Policy, 150, 112148. https://doi.org/10.1016/j.enpol.2021.112148

  26. Joshi, M., Cahill, D., Sidhu, J., & Kansal, M. (2013). Intellectual capital and financial performance: An evaluation of the Australian financial sector. Journal of Intellectual Capital, 14(2), 264–285. https://doi.org/10.1108/14691931311323887

  27. Kaplan, R.S., & Norton, D.P. (1996). Using the Balanced Scorecard as a Strategic Management System. Harvard Business Review, 85(7-8), 150-161.

  28. Kasoga, P. (2020). Does investing in intellectual capital improve financial performance? Panel evidence from firms listed in Tanzania DSE. Cogent Economics and Finance, 8(1), 1802815. https://doi.org/10.1080/23322039.2020.1802815

  29. Kianto, A., Andreeva, T., & Pavlov, Y. (2013). The impact of intellectual capital management on company competitiveness and financial performance. Knowledge Management Research and Practice, 11(2), 112-122. https://doi.org/10.1057/kmrp.2013.9

  30. Labra, R., & Torrecillas, C. (2014). Guía CERO para datos de panel, Un enfoque práctico. UAM-Accenture Working Papers, 16(1), 57-62.

  31. Meles, A., Porzio, C., Sampagnaro, G., & Verdoliva, V. (2016). The impact of intellectual capital efficiency on commercial bank performance: Evidence from the US. Journal of Multinational Financial Management, 36, 64-74. https://doi.org/10.1016/j.mulfin.2016.04.003

  32. Mohammed, A., & Irbo, M. (2018). Intellectual capital and firm performance nexus: Evidence from Ethiopian private commercial banks. International Journal of Learning and Intellectual Capital, 15(3), 189-203.

  33. Mollah, M.A.S., & Rouf, M.A. (2022). The impact of intellectual capital on commercial banks’ performance: evidence from Bangladesh. Journal of Money and Business, 2(1), 82–93. https://doi.org/10.1108/jmb-07-2021-0024

  34. Momani, A., & Nour, A. (2019). The influence of intellectual capital on the return of equity among banks listed in Amman Stock Exchange. International Journal Electronic Banking, 1(3), 220–232.

  35. Mondal, A., & Ghosh, S.K. (2012). Intellectual capital and financial performance of Indian banks. Journal of Intellectual Capital, 13(4), 515–530. https://doi.org/10.1108/14691931211276115

  36. Mondal, A., Mukherjee, S., & Basak, R. (2022). Are Islamic banks intellectually efficient? Empirical evidence from Bangladesh. International Journal of Learning and Intellectual Capital, 19(3), 236-256. https://doi.org/10.1504/IJLIC.2022.122589

  37. Moreno-Brieva, F., He, Y., & Merino, C. (2019). Manual Práctico para Datos de Panel (Kimberly Domínguez Rodríguez (ed.)). Universidad Complutense de Madrid. Easy Global Practical Studies. https://doi.org/10.13140/RG.2.2.22226.40648

  38. Nadeem, M., Dumay, J., & Massaro, M. (2019). If You Can Measure It, You Can Manage It: A Case of Intellectual Capital. Australian Accounting Review, 29(2), 395-407. https://doi.org/10.2139/ssrn.3032145

  39. Nawaz, T. (2019). Intellectual capital profiles and financial performance of Islamic banks in the UK. International Journal of Learning and Intellectual Capital, 16(1), 87-97.

  40. Nazari, J.A. (2014). Intellectual capital measurement and reporting models. In Knowledge Management for Competitive Advantage During Economic Crisis (pp. 117–139). IGI Global. https://doi.org/10.4018/978-1-4666-6457-9.ch008

  41. Nazir, M.I., Tan, Y., & Nazir, M.R. (2021). Intellectual capital performance in the financial sector: Evidence from China, Hong Kong, and Taiwan. International Journal of Finance and Economics, 26(4), 6089–6109. https://doi.org/10.1002/ijfe.2110

  42. Nimtrakoon, S. (2015). The relationship between intellectual capital, firms’ market value and financial performance: Empirical evidence from the ASEAN. Journal of Intellectual Capital, 16(3), 587–618. https://doi.org/10.1108/JIC-09-2014-0104

  43. Oppong, G.K., & Pattanayak, J.K. (2019). Does investing in intellectual capital improve productivity? Panel evidence from commercial banks in India. Borsa Istanbul Review, 19(3), 219–227. https://doi.org/10.1016/j.bir.2019.03.001

  44. Ousama, A.A. (2019). The association between intellectual capital and financial performance in the Islamic banking industry: an analysis of the GCC banks. International Journal of Islamic and Middle Eastern Finance and Management, 13(1), 75-93. https://doi.org/10.1108/IMEFM-05-2016-0073

  45. Peñarreta, M., Armas, R., & Reategui, R. (2022). Identifying Patterns in Banking based on Intellectual Capital and Financial Performance. 2022 17th Iberian Conference on Information Systems and Technologies (CISTI), 1–6.

  46. Poh, L., Kilicman, A., & Ibrahim, S. (2018). On intellectual capital and financial performances of banks in Malaysia. Cogent Economics and Finance, 6(1), 1-15. https://doi.org/10.1080/23322039.2018.1453574

  47. Pulic, A. (1998). Measuring the performance of intellectual potential in knowledge economy. In 2nd McMaster Word Congress on Measuring and Managing Intellectual Capital by the Austrian Team for Intellectual Potential.

  48. Pulic, A. (2000). VAIC TM – an accounting tool for IC management. Ante Pulic, 20, 702–714.

  49. Secundo, G., Dumay, J., Schiuma, G., & Passiante, G. (2016). Managing intellectual capital through a collective intelligence approach: An integrated framework for universities. Journal of Intellectual Capital, 17(2), 298-319. https://doi.org/10.1108/JIC-05-2015-0046

  50. Selvam, M., Thanikachalam, V., Dhanasekar, D., Amirdhavasani, S., & Saremi, H. (2020). Intellectual capital and profitability ratios of foreign banks operating in India: A structural equation model approach. Journal of Advanced Research in Dynamical and Control Systems, 12(6 Special Issue), 212–219. https://doi.org/10.5373/JARDCS/V12SP6/SP20201025

  51. Soewarno, N., & Tjahjadi, B. (2020). Measures that matter: an empirical investigation of intellectual capital and financial performance of banking firms in Indonesia. Journal of Intellectual Capital, 21(6), 1085–1106. https://doi.org/10.1108/JIC-09-2019-0225

  52. Sveiby, K.E. (1997). The Intangible Assets Monitor. Journal of Human Resource Costing and Accounting, 2(1), 73–97.

  53. Tiwari, R. (2020). Nexus between intellectual capital and profitability with interaction effects: panel data evidence from the Indian healthcare industry. Journal of Intellectual Capital, 23(3), 588–616. https://doi.org/10.1108/JIC-05-2020-0137

  54. Tiwari, R., & Vidyarthi, H. (2018). Intellectual capital and corporate performance: a case of Indian banks. Journal of Accounting in Emerging Economies, 8(1), 84–105. https://doi.org/10.1108/JAEE-07-2016-0067

  55. Torres-Reyna, O. (2007). Panel Data Analysis Fixed and Random Effects using Stata (v. 4.2). http://dss.princeton.edu/training/

  56. Tran, N.P., & Vo, D.H. (2020). Do banks accumulate a higher level of intellectual capital? Evidence from an emerging market. Journal of Intellectual Capital, 23(2), 439-457. https://doi.org/10.1108/JIC-03-2020-0097

  57. Uslu, H. (2022). The role of intellectual capital in financial development: evidence from the banking sector of Turkey. Competitiveness Review: An International Business Journal, 32(2), 230–249. https://doi.org/10.1108/CR-06-2020-0084

  58. Vo, D.H., & Tran, N.P. (2021). Intellectual capital and bank performance in Vietnam. Managerial Finance, 47(8), 1094-1106. https://doi.org/10.1108/mf-03-2020-0143

  59. Weqar, F., & Haque, S.M.I. (2022). The influence of intellectual capital on Indian firms’ financial performance. International Journal of Learning and Intellectual Capital, 19(2), 169-188. https://doi.org/10.1504/IJLIC.2022.121249

  60. Weqar, F., Khan, A.M., & Haque, S.M.I. (2020). Exploring the effect of intellectual capital on financial performance: a study of Indian banks. Measuring Business Excellence, 24(4), 511-529. https://doi.org/10.1108/MBE-12-2019-0118

  61. Xu, J., Haris, M., & Irfan, M. (2022). The Impact of Intellectual Capital on Bank Profitability during COVID-19: A Comparison with China and Pakistan. Complexity, 2022, 1-10. https://doi.org/10.1155/2022/2112519

  62. Xu, J., Haris, M., & Liu, F. (2022). Intellectual capital efficiency and firms’ financial performance based on business life cycle. Journal of Intellectual Capital, 24(3), 653-682. https://doi.org/10.1108/JIC-12-2020-0383

  63. Xu, J., & Li, J. (2020). The interrelationship between intellectual capital and firm performance: evidence from China’s manufacturing sector. Journal of Intellectual Capital, 23(2), 313-341. https://doi.org/10.1108/JIC-08-2019-0189

  64. Yao, H., Haris, M., Tariq, G., Javaid, H.M., & Khan, M.A.S. (2019). Intellectual capital, profitability, and productivity: Evidence from Pakistani financial institutions. Sustainability, 11(14), 1-30. https://doi.org/10.3390/su11143842

  65. Zerenler, M., Hasiloglu, S., & Sezgin, M. (2008). Intellectual Capital and Innovation Performance: Empirical Evidence in the Turkish Automotive Supplier. Journal of Technology Management & Innovation, 3(4), 31-40. https://doi.org/10.4067/s0718-27242008000200003

  66.  

  67. Rehman, A., Aslam, E., & Iqbal, A. (2022). Intellectual capital efficiency and bank performance: Evidence from Islamic banks. Borsa Istanbul Review, 22(1), 113-121. https://doi.org/10.1016/j.bir.2021.02.004

  68. Saruchi, S., Zamil, N.A.M., Basiruddin, R., Rasid, S.Z.A., & Ahmad, N.F.G. (2019). Empirical linkage of intellectual capital and performance of Islamic banks. International Journal of Engineering and Advanced Technology, 8(5), 677-684. https://doi.org/10.35940/ijeat.E1095.0585C19

  69.  
A
Leave a comment
Your email address will not be published. Required fields are marked *

Recent Posts

Choose Topic

Recent Comments

No comments to show.
Related
A
Admin
0
0
The new UAE insurance law: the who, what, when, why and how?
November 14, 2024
Save
The new UAE insurance law: the who, what, when, why and how?
A
Admin
0
0
Corporate Digital Transformation
November 1, 2024
Save
Corporate Digital Transformation
A
Admin
0
0
Innovative housing models to support
November 1, 2024
Save
Innovative housing models to support
A
Admin
0
0
Analysing the European Defence Fund’s
November 1, 2024
Save
Analysing the European Defence Fund’s
More By Author
A
Admin
0
0
Syllabus
January 22, 2025
Save
Syllabus
A
Admin
0
0
Study Guides for every class
January 22, 2025
Save
Study Guides for every class
A
Admin
0
0
Short Notes
January 22, 2025
Save
Short Notes
A
Admin
0
0
Mental Health
January 21, 2025
Save
Mental Health