Descagar reportes SIBOIF con python y concentración del sector bancario nicaragüense

Acceso a los reportes de la SIBOIF Nicaragua con Python: Indicadores Financieros¶

En una entrada anterior publiqué un procedimiento de cómo acceder a los datos de la SIBOIF, sin embargo, en esa ocasión el ejercicio se realizó con R. En esta ocasión se realizará con Python.

In [451]:

import pandas as pd
import urllib.request, json 
import numpy as np
from datetime import datetime
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

Al igual que hice con el ejercicio en R, tengo que crear bloques de consultas anuales debido a un error que se produce en el despacho de la información desde el sitio de la SIBOIF. Así, los bloques de consultas anuales quedarían de la siguiente manera:

In [321]:

url_2019 = "https://www.siboif.gob.ni/rest/estadisticas?intendencia=Bancos&fecha[min]=2019-01-01&fecha[max]=2019-12-31&tipo_reporte=Indicadores%20Financieros"
url_2020 = "https://www.siboif.gob.ni/rest/estadisticas?intendencia=Bancos&fecha[min]=2020-01-01&fecha[max]=2020-12-31&tipo_reporte=Indicadores%20Financieros"
url_2021 = "https://www.siboif.gob.ni/rest/estadisticas?intendencia=Bancos&fecha[min]=2021-01-01&fecha[max]=2021-10-31&tipo_reporte=Indicadores%20Financieros"

Una vez establecidas las urls sobre las que vamos a a extraer la información, sólo haría falta iterar sobre cada una de ellas, leer la información, convertir las listas a dataframes e ir añadiendo nuevo dataframe al anterior, esto se hace con la siguiente instrucción:

In [330]:

for consulta in  [url_2019, url_2020, url_2021]:
    with urllib.request.urlopen(consulta) as url:
        df0 = json.loads(url.read().decode())
        df0 = pd.DataFrame(df0)
        df = df.append(df0, ignore_index=True)

Así, una vez descargado los datos, podemos confirmar lo que hemos descargado usando la función head()

In [332]:

df.head()

Out[332]:

	intendencia	tipo_institucion	institucion	tipo_reporte	fecha	orden	grupo	variable_1	variable_2	variable_3	valor_1	valor_2	anio	mes	key
0	Bancos	Bancos	AVANZ	Indicadores Financieros	2021-10-31	20	Cuota de Mercado	1.- Captaciones del Publico			4310503916.03	0.0000	2021	Octubre	1113-11101.0-20211031-20
1	Bancos	Bancos	AVANZ	Indicadores Financieros	2021-10-31	30	Cuota de Mercado	2.- Cuota de Mercado en Captaciones del Público			0.0261	0.0000	2021	Octubre	1113-11101.0-20211031-30
2	Bancos	Bancos	AVANZ	Indicadores Financieros	2021-10-31	40	Cuota de Mercado	3.- Cartera de Créditos Bruta			4930074747.52	0.0000	2021	Octubre	1113-11101.0-20211031-40
3	Bancos	Bancos	AVANZ	Indicadores Financieros	2021-10-31	50	Cuota de Mercado	4.- Cuota de Mercado de Cartera de Créditos Bruta			0.0384	0.0000	2021	Octubre	1113-11101.0-20211031-50
4	Bancos	Bancos	AVANZ	Indicadores Financieros	2021-10-31	70	Calidad del Activo	1.- Total Activos Improductivos netos			1601442356.06	0.0000	2021	Octubre	1113-11101.0-20211031-70

Como se puede apreciar se han descargado correctamente los datos y, pese a que noviembre ya finalizó, descargué el mismo conjunto de datos que en el post anterior, para que los resultados sean comparables.

Note que la SIBOIF reporta los números en formatos de miles usando la coma como separador de miles y el punto como separador de decimales, esto genera que nuestro programaa lea esto como texto y no como un número, para lo cual debemos convertir, las variables de interés, a su versión numérica.

In [333]:

df['valor_1'] = pd.to_numeric(df.valor_1.str.replace(',', ''))

Hasta aquí se ha mostrado cómo es que se pueden extraer los datos de la SIBOIF a través de su sitio. Pero podríamos replicar ciertos ejemplos del post anterior, para lo cual, en lugar de importar un nuevo módulo, definimos la función gini tal cual se define en este sitio https://stackoverflow.com/a/39513799).

In [326]:

def gini(x):
    x = x.to_numpy(x)
    mad = np.abs(np.subtract.outer(x, x)).mean()
    rmad = mad/np.mean(x)
    g = 0.5 * rmad
    return g

In [431]:

tabla=(df
  .query('tipo_institucion == "Bancos" and institucion != "SFB" and variable_1 in ["1.- Captaciones del Publico","3.- Cartera de Créditos Bruta"] and mes == "Octubre" ')
  .dropna()
  .groupby(['variable_1', 'anio'], as_index=False)
  .agg(
      Gini = ('valor_1', gini)
  )
 .sort_values(by='variable_1')
)

In [436]:

tabla['Gini'] = tabla['Gini'].round(2)
tabla

Out[436]:

	variable_1	anio	Gini
0	1.- Captaciones del Publico	2019	0.46
1	1.- Captaciones del Publico	2020	0.52
2	1.- Captaciones del Publico	2021	0.53
3	3.- Cartera de Créditos Bruta	2019	0.42
4	3.- Cartera de Créditos Bruta	2020	0.50
5	3.- Cartera de Créditos Bruta	2021	0.49

In [468]:

plt.figure(figsize=(10, 5)) 
sns.lineplot(data=tabla, x='anio', y='Gini', hue="variable_1").set(title='Coeficiente de Gini octubre cada año.')
plt.show()

Pese a que el gráfico anterior indica una tendencia al incrementar el nivel de concentración del mercado bancario nicaragüense, estos datos son cortes anuales a octubre. Para, realmente observar la evolución con mayor precisión, deberíamos graficar los datos con mayor granualidad temporal, es decir, en lugar de anual, hagámoslo mensual.

In [457]:

df['fecha2'] =   pd.to_datetime(df.fecha, format='%Y-%m-%d')

tabla2=(df
  .query('tipo_institucion == "Bancos" and institucion != "SFB" and variable_1 in ["1.- Captaciones del Publico","3.- Cartera de Créditos Bruta"]')
  .dropna()
       
  .groupby(['variable_1', 'fecha2'], as_index=False)
  .agg(
      Gini = ('valor_1', gini)
  )
 .sort_values(by='variable_1')
)

In [459]:

tabla2.head()

Out[459]:

	variable_1	fecha2	Gini
0	1.- Captaciones del Publico	2019-01-31	0.449462
19	1.- Captaciones del Publico	2020-08-31	0.527816
20	1.- Captaciones del Publico	2020-09-30	0.521342
21	1.- Captaciones del Publico	2020-10-31	0.522182
22	1.- Captaciones del Publico	2020-11-30	0.526249

In [478]:

fig, ax = plt.subplots(figsize=(10, 5))
sns.lineplot(data=tabla2, x='fecha2', y='Gini', hue="variable_1")
ax.set_title('Evolución mensual del coeficiente de Gini, Ene 2019- Oct 2021.')
plt.show()

Un gráfico que realmente fue informativo es el que muestra la concentración del sector bancario comparando, año tras año, la cuota de mercado de cada banco:

In [492]:

tabla3=(df
  .query('tipo_institucion == "Bancos" and institucion != "SFB" and variable_1 == "4.- Cuota de Mercado de Cartera de Créditos Bruta" and mes == "Octubre"')
  .dropna()
  .sort_values(by='variable_1')
)

tabla3['anio2'] =  pd.to_numeric(tabla3.anio)

In [517]:

 p1 = sns.catplot(
    data = tabla3.sort_values(by='valor_1', ascending = False),
    kind = "bar",
    x = "valor_1", y = "institucion", col = "anio2" , aspect = 0.8)
p1.set_axis_labels("Cuota de mercado", "")
sns.despine(offset=10, trim=True)
p1.fig.subplots_adjust(top=0.83) # adjust the Figure in rp
p1.fig.suptitle('Cuota de mercado de cartera de créditos bruta, corte a octubre de cada año')
plt.show()