Tesis doctorales de Ciencias Sociales


ANÁLISIS DE LAS DIFICULTADES FINANCIERAS DE LAS EMPRESAS EN UNA ECONOMÍA EMERGENTE: LAS BASES DE DATOS Y LAS VARIABLES INDEPENDIENTES EN EL SECTOR HOTELERO DE LA BOLSA MEXICANA DE VALORES

Alberto Ibarra Mares



Esta página muestra parte del texto pero sin formato.
Puede bajarse la tesis completa en PDF comprimido ZIP (319 páginas, 1.52 Mb) pulsando aquí

 

 

 

2.3. INICIO DE LA ETAPA PREDICTIVA A TRAVÉS DE MODELOS UNIVARIABLES CON BASE HISTÓRICA O DE DEVENGO

Dentro del campo de la investigación sobre la solvencia, la predicción de quiebras ha sido el tema central al que se han dirigido la mayoría de los trabajos empíricos. Esto se debe en parte al hecho de haberse alcanzado la idea de la diferenciación de los ratios entre los diferentes períodos contables, lo cual representó en su momento para esta línea de estudio la denominada: “etapa descriptiva”. Posteriormente, la siguiente idea que se desarrolló fue la significancia de cada ratio (posibilidad de explicación de la quiebra) así como la capacidad predictiva de los ratios más relevantes, lo cual dio origen a la denominada: “etapa predictiva”(Gabas: 1990, p. 27).

2.3.1. MODELO BEAVER (1966, 1968).

En esta segunda etapa es cuando surgen los modelos univariables con los trabajos pioneros de William Beaver (1966, 1968). Este investigador de la Universidad de Chicago, inició sus estudios empíricos tendiendo a "descomponer" los ratios a través de métodos estadísticos avanzados con el fin de aplicarlos como una técnica que permitiera determinar la solvencia y la liquidez real de las empresas para posteriormente poder predecir una quiebra. Para esto utilizó el análisis univariable, que tiene como objetivo principal la utilización por separado de una o varias variables independientes, para explicar una variable dependiente a través de una clasificación dicotómica que entendió como sinónimo de capacidad de predicción.

Sin embargo, es importante aclarar que el principal propósito del trabajo de Beaver no fue como algunos piensan, encontrar el mejor predictor de una quiebra, sino que consistió en investigar la capacidad predictiva de los ratios financieros. Por eso en sus conclusiones él mismo indica que el sentido real del título de su artículo clásico de 1966 no debería haber sido el de: “Los ratios financieros como predictores de una quiebra”, sino el de: “Los datos contables como predictores de la quiebra”, ya que para él los ratios son datos contables comprimidos que pueden ser evaluados en términos de su utilidad; y esta utilidad a su vez podía ser definida en términos de su capacidad predictiva. Además, también aclaró que el acierto principal de su estudio fue sugerir una metodología para la evaluación de los datos contables para cualquier propósito y no sólo para la determinación de la solvencia.

Al respecto creemos que Beaver tiene que ser más bien considerado como el pionero de la corriente que promulga la utilidad de la información contable y el uso de ratios para conocer más sobre el fracaso empresarial, ya que previo a sus estudios, los ratios habían sido utilizados únicamente como predictores informales para las quiebras y su efectividad no había sido empíricamente contrastada pues su función era básicamente descriptiva.

Beaver (1966) en su primer estudio empírico sobre la utilización de ratios financieros, se centró en la identificación de un único ratio que tuviera la capacidad de predicción; planteando que la utilización de los ratios sólo puede ser experimentada considerando algunos propósitos particulares. Para demostrarlo realizó una investigación empírica que dividió en cinco partes que consistieron en: 1) la selección de la muestra, 2) la comparación de las medias de los ratios financieros, 3) un test de clasificación dicotómico, 4) un análisis de probabilidad de ratios, y 5) las conclusiones finales para posteriores estudios.

Beaver se basó en la hipótesis primaria que parte de que la solvencia está ligada a unas variables independientes que pueden ser controladas. Según Bizquerra (1989, p.4) dicha hipótesis, sencilla y con alta probabilidad de ser mejorada, representa la primera de un total de tres fases del análisis multivariable con el que se llega a la máxima sofisticación en el proceso de datos y que puede sintetizarse en los siguientes tres tipos:

a) El análisis exploratorio de los datos o estadística descriptiva univariable: consiste en analizar una o cada una de las variables independientes por separado.

b) El análisis o estadística bivariable: su objetivo consiste en buscar la relación entre pares de variables independientes.

c) El análisis multivariable: su objetivo es analizar simultáneamente tres o más variables independientes.

Respecto a la selección de la muestra, en esta parte de su investigación Beaver explicó detalladamente el procedimiento que utilizó para conformar los dos tipos de submuestras que exigía su modelo: la de empresas en quiebra (la cual siempre ha sido la más difícil de obtener) y la de empresas sin quiebra o sanas.

La muestra quedó integrada por 79 empresas en quiebra seleccionadas de un listado del “Dun and Bradstreet”, contra 79 empresas sin quiebra, durante el período de 1954-1964. En cuanto al procedimiento para la selección de la muestra, las 79 empresas fracasadas fueron clasificadas de acuerdo a su sector industrial y al tamaño de sus activos. Para esto se establecieron tres números dígitos para clasificar a las empresas de acuerdo a su principal actividad. Este sistema de numeración fue el “Standar Industrial Clasificación” (SIC), que es el sistema que utiliza el Departamento de Comercio de los Estados Unidos.

Para la selección de las empresas no fracasadas, Beaver consideró que por cada empresa fracasada se tenía que seleccionar a una empresa no fracasada del mismo sector industrial y con similar tamaño de activos. Esto lo obtuvo de una lista de 12 mil empresas y el procedimiento aplicado consistió en lo siguiente:

a) Seleccionó el número de industria de acuerdo a la empresa fracasada.

b) Encontró la proporción entre la lista y el número de empresas fracasadas.

c) Dentro del grupo industrial, seleccionó tentativamente a la empresa cuyos activos fueran los más próximos a los de la empresa fracasada.

d) Si la empresa pertenecía a la base de datos de “Moody´s” y no estaba en quiebra, entonces aceptaba a la empresa como un elemento de la submuestra de empresas no fracasadas. En cambio, si no cumplía la anterior condición, entonces seleccionaba tentativamente a la empresa del listado que incluía a las 12 mil empresas.

La submuestra de empresas en quiebra presentó características tan importantes como las de tener menos tesorería, más deudas, más cuentas por cobrar y menos rentabilidad sobre sus ventas y activos. En síntesis, tenían ratios de circulante más bajos, y además algo muy significativo fue que estas empresas tenían también menos inventarios (al contrario de lo que se creía anterior a su investigación). Así, en estos estudios se reveló como mal predictor de quiebras el ratio de circulante (activo circulante / pasivo circulante), el cual durante muchos años se había utilizado como el ratio básico de la solvencia a corto plazo.

Para la muestra sólo consideró a las empresas ubicadas en los Estados Unidos para cumplir con la homogeneización de la unidad geográfica, y estableció como unidad temporal un período de 10 años para las bases de datos contables.

Para la unidad de análisis propuso que se tenía que considerar a empresas que cumplieran con la característica de “tamaño comparable” con base a sus activos y sectores homogéneos. De las 79 empresas fracasadas, estas estaban comprendidas en 38 diferentes sectores industriales y el tamaño de sus activos osciló entre los 600 mil dólares hasta los 45 millones de dólares. Aquí el tamaño de los activos fue considerado como un factor determinante. La media del tamaño de los activos de las empresas fracasadas fue de 6.3 millones de dólares, mientras la media de las empresas no fracasadas fue de 8.5 millones de dólares.

Con respecto a la base de datos, Beaver señaló que la dificultad mayor para integrar la colección de datos es encontrar una muestra de empresas fracasadas, así como identificar la fuente de los datos. La información financiera que utilizó en la submuestra de empresas fracasadas fue de cinco años previos a la quiebra.

Beaver seleccionó para la variable dependiente al "fracaso", el cual fue definido como: "quiebra". Este concepto a su vez lo definió como la incapacidad de la empresa para pagar sus obligaciones financieras vencidas, pues consideró que las magnitudes relacionadas con la obtención de flujos de caja son muy importantes para medir una situación de insolvencia. Sin embargo, también mencionó que existen otras muchas razones para que una empresa se considere fracasada, como por ejemplo: que cambie su nombre; se fusione; se liquide; exista una falta de interés público por ella; y la más importante era que la empresa quiebre. Con respecto a este último concepto de quiebra, el fundamento teórico que se utilizó en la investigación se basó en otro concepto importante: “el fracaso financiero” o “insolvencia técnica”, mismo que Beaver pareció concebir como la materialización o consecuencia última del fracaso económico.

Para la selección de las variables independientes, seleccionó un conjunto de 30 ratios que aplicó sobre una clasificación dicotómica de empresas en quiebra y empresas sin quiebra (sanas), con el propósito de constatar la capacidad del modelo para predecir la quiebra. La selección de los ratios la llevó a cabo bajo tres criterios, los cuales hasta la fecha han continuado utilizándose de forma casi similar, y que son:

a) Por su popularidad de uso dentro de la literatura para medir la solvencia (este criterio es el más aceptado por los investigadores).

b) Por los resultados obtenidos en previos estudios.

c) Que los ratios estuvieran definidos en términos de cash flow (ingresos netos más depreciación) y basados estos en un fundamento teórico específico, lo cual significó una novedad importante en su momento.

También en las investigaciones de Beaver, cada ratio fue clasificado dentro de una de las seis categorías del Cuadro 2.3.. Para esto realizó un examen de clasificación dicotómico para cada uno de los treinta ratios. La muestra fue separada y los valores del ratio de cada submuestra fueron arreglados en orden de magnitud. Estos valores posteriormente fueron utilizados para clasificar a las empresas de las otras submuestras.

El ratio que mostró la más baja clasificación de error en sus porcentajes sobre el período de cinco años y dentro de cada categoría, fue seleccionado para adicionales análisis a través del cálculo de la probabilidad de ratios.

El ratio con mejores resultados en el estudio fue el de cash flow / pasivo total, que consiguió un porcentaje de error de clasificación en conjunto de sólo 13% un año previo al fracaso. El siguiente ratio con mejores resultados fue: beneficios netos / activos totales. La superioridad de los ratios de "flujos" sobre los ratios de "posición", tales como pasivo total / activos totales, pareció indicar de acuerdo a los resultados de Beaver, que los flujos de activos líquidos eran mejores predictores de quiebra con respecto a lo que eran los inventarios de tales activos.

Con base en lo anterior, Beaver llegó a la conclusión de que ciertos ratios son excelentes predictores de quiebras, pues permiten detectar la falta de solvencia al existir una abrumadora evidencia de significativas diferencias entre los ratios de las dos submuestras de empresas. Sin embargo, para él estos ratios financieros no eran los únicos predictores de la quiebra, ni su uso consistía en ser predictores del fracaso, sino que la razón última consistía en dotar al investigador de una verificación empírica útil (por ejemplo: la capacidad de predicción) de los datos contables (por ejemplo: estados financieros).

Por eso en un segundo estudio Beaver (1968) también examinó la capacidad de predicción de 14 ratios basados sobre los activos líquidos. La muestra y la metodología que aplicó fue idéntica a la de su anterior investigación (1966). Aquí los ratios de beneficios netos / activos totales y cash flow /pasivo total probaron ser superiores a los ratios basados sobre las medidas de activos líquidos. Beaver razonó que esto se debió a la mayor facilidad para aplicar el efecto window dressing a los activos circulantes, pues estos disfrazaban mejor los problemas de liquidez. En cambio, el cash flow, los ingresos netos y la posición del pasivo eran conceptos que no podían ser fácilmente manipulados.

Beaver concluyó que los datos contables se podían utilizar para estimar la sensibilidad de los cambios en los beneficios agregados de todas las empresas a través del uso de una "Beta Contable". Al establecer que era posible utilizar ratios para distinguir entre empresas en quiebra y empresas sin quiebra en una medida mucho mayor que la permitida por la predicción aleatoria, Beaver afirmó que tanto a corto como a largo plazo, el ratio de cash flow / pasivo total era de los mejores predictores, seguido por el ratio de estructura de capital y el ratio de liquidez. En cambio los ratios de rotación fueron los peores predictores en ambas investigaciones.

Al comparar entre la capacidad predictiva de los ratios financieros contra los precios del mercado de valores, observó que se cumplía la hipótesis de la eficiencia de los mercados de capitales, al resultar ser mejores predictores estos últimos a través de la cotización de las acciones. Beaver llegó a esta conclusión al aplicar a la misma muestra de su primer trabajo, los 14 ratios basados sobre activos líquidos.

Los estudios de Beaver fueron muy importantes dentro de la teoría de la solvencia, ya que logró separar y analizar los componentes de los ratios mediante el uso de métodos estadísticos y el cálculo de la media de los valores de dichos componentes, tanto de empresas en quiebra como de empresas sanas.

Al abordar el aspecto de las variables independientes, Beaver sugirió que los ratios tienen que aplicarse con discreción por las siguientes dos razones:

a. No todos los ratios tienen el mismo grado de capacidad predictiva. Por ejemplo, el ratio de cash flow / pasivo total tenía un excelente poder discriminatorio a través de un período de cinco años. En cambio, el poder predictivo del ratio de activos líquidos fue mucho más débil.

b. Los ratios no predicen con igual exactitud las quiebras y las no quiebras de las empresas. Según él, esto obedecía a que la predicción y posterior clasificación de no quiebras es más exacta respecto a la predicción de empresas quebradas. De ahí que Beaver estableciera dos tipos de error que eran: 1) la tasa de error tipo I (clasificar erróneamente a una empresa quebrada como una empresa sana); y 2) la tasa de error tipo II (clasificar erróneamente a una empresa sana como una empresa quebrada).

Otra conclusión importante a la que llegó Beaver en el tema de las variables independientes fue que los ratios de rentabilidad seguidos de los ratios de liquidez representaron las variables explicativas más significativas sobre la situación futura de una empresa.

En sus resultados de 1966, el ratio con más poder predictivo cash flow / pasivo total, obtuvo una tasa de error tipo I de 13% y la del Tipo II fue del 5% para el primer año previó a la quiebra. Aquí observó que las tasas de error tipo I empeoraron con el número de años previos al momento de la quiebra, incrementándose dichas tasas de error hasta en un 24%, cuatro años previos a la quiebra

Entre las mayores contribuciones de los estudios de Beaver está la de ser el primer investigador en aplicar un análisis en los componentes de los ratios. Al descomponer los ratios calculó los valores medios de dichos componentes para los grupos de empresas en quiebra y de empresas sanas. En el cálculo y análisis de los valores medios de los componentes obtuvo significativas diferencias sobre muchos detalles entre empresas en quiebra o con enfermedades financieras y empresas sanas. Este análisis sobre las medias calculadas con significativas diferencias le llevaron a dos importantes conclusiones:

a.) La combinación de datos dentro de la forma de ratio puede “oscurecer” la información contenida en los componentes individuales. Por ejemplo: las empresas en quiebra mostraron valores significativos bajos en comparación con las empresas sanas para los activos circulantes y ventas; sin embargo, el ratio de activo circulante/ventas netas fue casi idéntico para los dos grupos.

b.) La posición de efectivo (cash position) dio mejores resultados aunque fue mucho menos popular con respecto a otras medidas de liquidez, como los activos "rápidos" y "circulantes". Según Beaver, esto se debió a que los ratios basados sobre la posición de efectivo mostraron más capacidad de predicción en comparación con ratios similares basados sobre activos rápidos y circulantes. Con respecto a esto último, dio las siguientes dos razones para que esto ocurriera:

b.1.) Mientras las empresas en quiebra tienden a tener menos cash flow que las empresas sanas, las primeras, también tienen más montos de cuentas por cobrar, menor cantidad de activos líquidos, así como una menor capacidad para la amortización de sus obligaciones. Además, el uso del activo circulante o rápido como una medida de liquidez oscurece esta información.

b.2.) Las empresas en quiebra pueden intencionalmente disfrazar los ratios financieros de la empresa, es decir, aplicar el efecto window dressing.

Con respecto a los puntos débiles de los trabajos de Beaver, el mismo reconoció que sus estudios estuvieron dirigidos sobre la capacidad de predicción utilizando un sólo ratio. De ahí que en posteriores estudios sugiriera que se intentará desarrollar nuevos modelos utilizando dos o más ratios simultáneamente para incrementar la exactitud predictiva de la quiebra, es decir, estos estudios dieron paso a la idea de los modelos multivariantes llevados a cabo por primera vez por Altman. Sin embargo, también se estableció la interrogante sobre si los modelos compuestos por dos o más ratios pueden ser en realidad mejores predictores, capaces de discriminar entre empresas en quiebra y empresas sanas.


Grupo EUMEDNET de la Universidad de Málaga Mensajes cristianos

Venta, Reparación y Liberación de Teléfonos Móviles
Enciclopedia Virtual
Biblioteca Virtual
Servicios
 
Todo en eumed.net:

Congresos Internacionales


¿Qué son?
 ¿Cómo funcionan?

 

15 al 29 de
julio
X Congreso EUMEDNET sobre
Turismo y Desarrollo




Aún está a tiempo de inscribirse en el congreso como participante-espectador.


Próximos congresos

 

06 al 20 de
octubre
I Congreso EUMEDNET sobre
Políticas públicas ante la crisis de las commodities

10 al 25 de
noviembre
I Congreso EUMEDNET sobre
Migración y Desarrollo

12 al 30 de
diciembre
I Congreso EUMEDNET sobre
Economía y Cambio Climático

 

 

 

 

Encuentros de economia internacionales a traves de internet


Este sitio web está mantenido por el grupo de investigación eumednet con el apoyo de Servicios Académicos Internacionales S.C.

Volver a la página principal de eumednet