Modelo Calificacion Crediticia Z Score

EL MODELO DE
CALIFICACIN
CREDITICIA Z-SCORE:
APLICACIN EN LA EVALUACIN DEL RIESGO
CREDITICIO DE HB FULLER COLOMBIA LTDA1
Z- Scores Model for Credit Rating: HB Fuller Colombia Limiteds Credit Rating Application
Recepcin: 19 de noviembre de 2009 / Aprobacin: 15 de junio de 2010

JACK ORTEGA GUTIRREZ2
JAIME MARTINEZ GIL3
JUAN CARLOS VALENCIA BOTERO4
Resumen
El presente trabajo es una aplicacin del modelo de calificacin crediticia Z-score de Edward I. Altman a las compaas clientes nacionales de HB Fuller Colombia Ltda., realizado con el fin de evaluar su solvencia financiera y
predecir el comportamiento futuro de nuevos clientes. El modelo est basado en la utilizacin de la tcnica estadstica multivariada conocida como anlisis discriminante y fue alimentado con los indicadores financieros de las
compaas entre los aos 2001 a 2005. La informacin histrica utilizada fue recopilada a partir de la pgina Web
de la Superintendencia de Sociedades de Colombia y la informacin suministrada por HB Fuller Colombia Ltda. Para
el anlisis de los datos se utiliz el software estadstico statgraphics Plus 5.1. El anlisis estadstico de la funcin
discriminante obtenida permite concluir que los indicadores usados en el modelo Z-score son buenos predictores
de la solvencia financiera de los clientes de HB Fuller Colombia Ltda. La precisin de clasificacin obtenida mediante
el modelo durante los 5 aos evaluados fue del 93,81% lo cual lo valida como metodologa interna apropiada de
valoracin del riesgo crediticio.
Palabras clave: Riesgo de crdito, modelo Z-score, anlisis discriminante, funcin discriminante, Edward Altman,
indicadores financieros, HB Fuller Colombia Ltda., Lambda Wilks, Correlacin Cannica, Backtesting.
1
Artculo derivado de la investigacin: Tcnicas de medicin del riesgo en Colombia, del grupo de Investigacin Finanzas
y Banca, en la lnea de investigacin en Ingeniera Financiera, de la Universidad Eafit.

2
Magister en Administracin (MBA) de la Universidad Eafit. Actualmente adelanta estudios en Maestra en Ciencias (MSc)
en Finanzas aplicadas en Montreal (Canad). jortegag@eafit.edu.co.

3
Magister en Administracin (MBA) de la Universidad Eafit. Director para la regin Sur Andina de HB Fuller Company.
jaime.martinez@hbfuller.com.
4
Magister en Administracin (MBA) de la Universidad Eafit. Director de Mantenimiento en Cementos Argos S.A.-Planta
Cairo. jcvb89@hotmail.com.
102 REVISTA MBA EAFIT
Abstract
The present paper is an application of the Z-score insolvency model from Edward I. Altman to the credit rating of
national clients in HB Fuller Colombia Ltda. This model was developed in order to assess the financial distress of
current clients and predict the performance of new ones as credit subjects. The model is based on the statistical
technique known as multiple discriminated analyses (mda), and was fed with financial ratios from companies
measured in the period from 2001 to 2005. The historical information used was acquired from the Superintendencia de Sociedades de Colombia Web page, and the internal information supplied by HB Fuller Colombia Ltda. The
analysis of data was made through the statistical software Statgraphics Plus 5.1. The statistical analysis of the
discriminated function revealed a good predictive performance of the ratios involved in the bankruptcy model for
HB Fuller Colombia Ltda. The accuracy of classification for the final model in the period 2001-2005 was 93.81%,
which means it is valid as an appropriate internal methodology in risk credit valuation.
Key Words: Credit Risk, Z-score Model, Discriminant Analysis, Discriminant Function, Edward Altman, Financial
Ratios, HB Fuller Colombia Ltda., Lambda Wilks, Canonical Correlation, Backtesting.
Introduccin
a medicin del riesgo financiero ha
calidad del crdito. En Colombia, es an incipiente el uso de
cobrado vital importancia durante
estos modelos en las empresas del sector real para pronos-
las ltimas dcadas debido al ver-
ticar la capacidad real de pago de sus clientes. Sin embargo,
tiginoso crecimiento en el volumen
es creciente la investigacin de las ventajas de la aplicacin
de clientes, tanto del sector bancario
de estas tcnicas por su mayor rigurosidad con respecto a las
como del sector real, aunado a los
tcnicas tradicionales.
procesos de globalizacin de los negocios que exigen un seguimiento
Sntesis
tcnico y riguroso de la exposicin al
En el presente artculo se hace una revisin de los anteceden-
riesgo asociado a la cartera de los clientes actuales y potenci-
tes y los principios bsicos sobre los cuales se fundamenta
ales de cualquier entidad.5 Estos controles se convierten cada
el anlisis multivariante y especialmente el modelo Z-score de
vez ms en una herramienta indispensable para las organiza-
Edward I. Altman. Posteriormente, se aplican estos principios
ciones, ya que una inadecuada gestin de este riesgo puede
en la formulacin de un modelo de calificacin crediticia para
avocarlas a una situacin de insolvencia e insostenibilidad
las compaas clientes nacionales de HB Fuller Colombia Ltda.
financieras.
El modelo refinado finalmente obtenido es sometido a una
Los modelos de calificacin por ponderacin de factores

se basan en tcnicas estadsticas de anlisis multivariado,
prueba de anlisis inverso (backtesting) para comprobar su capacidad de prediccin y su consistencia estadstica.
dentro de las cuales el anlisis discriminante es la metodolo-
Finalmente, se analizan las causas asignables de desvia-
ga ms utilizada para llegar a un nmero indicativo de la
cin del modelo obtenido a travs de investigaciones de campo con la fuerza de ventas y el departamento de crdito y
El Comit de Basilea ha establecido una clasificacin del riesgo
financiero en tres componentes bsicos: riesgo crediticio, riesgo de mercado y riesgo operativo. El riesgo de crdito se ha definido comnmente como
la prdida potencial en la que incurre quien otorga un crdito debido a la
posibilidad de que la contraparte no cumpla con sus obligaciones (probabilidad de no-pago); el riesgo de mercado es entendido como la reduccin
103
cobranzas de HB Fuller. La identificacin de estas causas permiti establecer su relacin con la precisin del modelo Z-score
desarrollado, y la necesidad de siempre perfeccionarlo con la
experiencia prctica de la empresa involucrada.
del patrimonio proveniente de movimientos adversos de las variables de
Metodologa
mercado; as mismo, el riesgo operativo es aquel que se deriva de las po-
Inicialmente se llev a cabo una revisin de la literatura aso-
tenciales fallas humanas y tecnolgicas que se pueden presentar hacia el
ciada al modelo de calificacin crediticia Z-score y su evolu-
interior de las entidades.
cin en el tiempo. A continuacin se recopilaron y se depu-
EL MODELO DE CALIFICACIN CREDITICIA Z-SCORE: APLICACIN EN LA EVALUACIN DEL RIESGO CREDITICIO DE HB FULLER COLOMBIA LTDA , p 102-111
JACK ORTEGA GUTIRREZ JAIME MARTINEZ GIL JUAN CARLOS VALENCIA BOTERO
raron los Estados Financieros (Balance General y Estados de
contribuciones relativas de cada variable independiente; (2)
resultados) de 61 clientes nacionales, en el perodo definido
evaluacin de intercorrelaciones entre las variables relevan-
entre 2001 a 2005, a travs la pgina Web de la superinten-
tes; (3) evaluacin de la precisin predictiva de las diferentes
dencia de sociedades de Colombia. Con esta informacin se
combinaciones; (4) evaluacin del anlisis. De esta manera, se
calcularon los indicadores y se desarroll el modelo por me-
seleccionaron cinco de las 22 variables originales como aque-
dio del software Statgraphics Plus 5.1. Dicho modelo fue final-
llas que mejor predecan la bancarrota corporativa, de donde
mente refinado mediante investigaciones de campo y compa-
se obtuvo la siguiente funcin discriminante:
racin con la experiencia de la empresa.
Z V1 X 1 V 2 X 2 V3 X 3 V 4 X 4 V 5 X 5
La medicin del riesgo y el anlisis

discriminante
Donde
El anlisis discriminante multivariado es una tcnica estads-
X1 = Capital de trabajo / activos totales
tica que permite clasificar una observacin en uno de varios
X2 = Utilidades retenidas / activos totales
grupos definidos a priori dependiendo de sus caractersticas
X3 = Utilidades retenidas antes de intereses e impuestos /
individuales. Se usa principalmente para clasificar y/o hacer
activos totales
predicciones en problemas donde la variable dependiente es
X4 = Valor en libros del patrimonio / Valor pasivos totales
de carcter cualitativo. La idea bsica consiste en obtener
X5 = Ventas / activos totales
una serie de funciones lineales (llamadas funciones discri-
Vi = Coeficientes o pesos asignados a cada una de las varia-
minantes) a partir de variables independientes que permiten

interpretar las diferencias entre los grupos y clasificar a los
bles

Z = ndice o puntaje total
individuos en alguna de las subpoblaciones definidas por la

variable dependiente. Se parte de p variables (X1, X2,..., Xp) medidas para (g) grupos de individuos preestablecidos.
Este arreglo se conoce como el modelo Z-Score de Altman

adaptado en donde cinco razones financieras son ponderadas
objetivamente y sumadas para llegar a un puntaje total que
El modelo Z-score de Edward. I. Altman
se convierte en la base para la clasificacin de las compa-
En 1968, Altman discute por primera vez la utilidad del an-
as en alguno de los grupos definidos a priori (bancarrota,
lisis discriminante dentro del anlisis financiero. El procedi-
no-bancarrota con problemas, sin problemas). El modelo as
miento consista en identificar combinaciones lineales de los
planteado es una revisin o adaptacin del modelo original
indicadores o ratios financieros ms significativos de las com-
de 1968, que estaba diseado para empresas que transan p-
paas para clasificarlas segn su probabilidad de impago.
blicamente en la bolsa por lo que X4 tena una connotacin
Para esto, las preguntas se enfocaban a (1) identificar cules
diferente, pero fue reformulado para que fuese aplicable a
ratios eran los ms importantes para detectar un potencial
empresas que no transan en el mercado accionario, y por ello
incumplimiento, (2) qu pesos deba asignrseles a los ratios
no es fcil encontrar su valor de mercado.
seleccionados, (3) como deban establecerse objetivamente

estas ponderaciones (Altman, 2000, p. 3).
Limitaciones del modelo
Para la seleccin de las variables independientes del mo-
El modelo Z-score utiliza fundamentalmente razones financie-
delo, Altman recopil y analiz 22 indicadores financieros tradi-
ras que provienen de las cuentas de los estados financieros
cionales potencialmente tiles, clasificados dentro de cinco
(balance general y estado de resultados). Debido a que algu-
categoras: liquidez, rentabilidad, apalancamiento, solvencia
nas de estas cuentas pueden ser modificables atendiendo a
y actividad. Estos indicadores se escogieron con base en su
polticas financieras y/o estratgicas dentro de las compaas,
popularidad en la literatura tcnica y en su relevancia para
es posible que el modelo se vea afectado por la manipulacin
el estudio, adems de que se agregaron algunos pocos nue-
de estos valores ya que no reflejan la situacin financiera real
vos indicadores en el anlisis. Con el fin de filtrar este grupo
de la compaa. Asimismo, es necesario observar una discri-
inicial de 22 indicadores y llegar a un perfil final de variables
minacin clara entre los dos grupos formados para no caer
se aplicaron: (1) pruebas de significancia estadstica de varias
en errores de clasificacin cuando se aplica un anlisis discri-
funciones alternativas, que incluan la determinacin de las
minante predictivo. Otra limitacin consiste en la no conside-
racin de variables exgenas que pueden afectar la probabi-
funciones discriminantes. En este sentido, el Lambda Wilks (
lidad de impago, por ejemplo, el modelo Z-score podra indicar
) mide las desviaciones dentro de cada grupo respecto a las
un alto riesgo de insolvencia de una filial de una compaa
desviaciones totales sin distinguir los grupos (Carvajal, Patri-
multinacional, sin embargo esta podra verse soportada por
cia et al., 2004, p.194) y est dado por la ecuacin:
su casa matriz o por otras filiales de la misma multinacio-

nal que respalden el crdito permitiendo el pago oportuno de

sus obligaciones, contradiciendo la recomendacin inicial del
S.C. intragrupo s
S.C. totales
modelo de Altman. En estos casos el modelo predice que la

sucursal no es un buen sujeto de crdito debido a sus pobres
Donde en el numerador se encuentra la suma de cuadra-
indicadores financieros, pero no tiene en cuenta el potente
dos intra grupos, la cual mide el cuadrado de las desviaciones
musculo financiero de la empresa multinacional que la so-
de cada uno de los datos con respecto a la media del grupo
porta a nivel global, lo cual hace que en la realidad la empre-
(llamado centroide). En el denominador se encuentra la suma
sa evaluada nunca se retrase o falle en sus pagos.
de cuadrados totales, la cual mide el cuadrado de las desvia-
Es por estas razones que durante la etapa de generacin

de la ecuacin discriminante se suele evaluar la precisin del
ciones de cada uno de los datos con respecto a la media de

todos los datos (media total sin discriminar grupos).
modelo mediante los errores de clasificacin obtenidos con
De esta manera, un valor de ( ) prximo a 1 indicara que
las compaas clasificadas a priori. Para esto se analiza el n-
los grupos estn mezclados y que la dispersin del sistema
mero de individuos clasificados correcta e incorrectamente
es debida a las diferencias entre los grupos (al representar-
en los grupos formados, as:
los en el espacio discriminante los centroides estaran poco
Error tipo I: Porcentaje de compaas con problemas que
separados), reflejando un bajo poder discriminatorio del mo-
son clasificadas como sin problemas.

Error tipo II: Porcentaje de compaas sin problemas que
son clasificadas como con problemas.
delo. En el caso ideal, sera deseable obtener un valor final de

Lambda Wilks prximo a cero, lo cual revelara una excelente
discriminacin entre los grupos y una correcta clasificacin
de los individuos Por lo tanto, el proceso de construccin del
Criterios de mejoramiento del modelo
modelo discriminante debe buscar la minimizacin de este
Un modo de juzgar la importancia de las funciones discrimi-
estadstico ya que refleja como mejora la discriminacin en-
nantes se basa en el clculo del coeficiente de Correlacin Can-
tre los grupos a medida que se incorporan o se retiran nuevos
nica que al igual que el autovalor mide las desviaciones de las
individuos al modelo.
Aplicacin del modelo a HB Fuller Colombia Ltda.
puntuaciones discriminantes entre los grupos respecto a las

desviaciones dentro de los grupos (Gil Flores, 2001, p.59). El
Para construir un primer modelo, se parti de la base de
coeficiente de Correlacin Cannica (r*) est relacionado con el
datos de clientes de HB Fuller Colombia Ltda., empresa que fi-
autovalor mediante la expresin:
guraba inicialmente con 158 clientes en Latinoamrica. De dicha base de datos se seleccionaron slo los clientes naciona-
r *i
i
1 i
les, dejando por fuera clientes de pases como Per, Ecuador y

Venezuela, con el fin de asegurar unicidad en la informacin
debido a cambios en las normas contables entre pases y a la
Un alto valor para este coeficiente indicara que existe una
facilidad de consecucin de la informacin. Una vez hecha
relacin entre el grupo de pertenencia y los valores de la fun-
esta primera depuracin, se obtuvo un total de 61 clientes na-
cin discriminante. Es decir, la funcin adopta diferentes valo-
cionales, para los cuales se recopilaron sus estados financie-
res en los grupos considerados y responde satisfactoriamen-
ros (balance general y estados de resultados) de los ltimos
te al propsito de discriminar entre los grupos. Por lo tanto,
5 aos (2001 a 2005) a travs la pgina Web de la superinten-
maximizar este coeficiente es un buen mtodo para mejorar
dencia de sociedades de Colombia6.
la exactitud y relevancia del modelo discriminante.

Otro criterio comnmente utilizado es el Lambda Wilks ( ).
105
Este estadstico, tambin denominado estadstico U, constitu-
ye una medida de las diferencias entre grupos debidas a las
http://www.supersociedades.gov.co/ss/drvisapi.dll?MIval=ppal&dir=90
Superintendencia de Sociedades de Colombia. Disponible en:
Para cada una de estas compaas se calcularon las cinco razones financieras sugeridas por el modelo de Edward I. Altman as:
Grupo de compaas seleccionadas a priori como sin problemas debido a

su excelente historia crediticia. Fuente: Indicadores Departamento de crdi-
X1 = Capital de trabajo / activos totales (KT-AT)
to y cobranza HB Fuller Colombia Ltda. 2001-2005.
X2 = Utilidades antes de intereses e impuestos / activos to-
De igual forma, se seleccionaron 10 compaas clientes con
tales (UT RET-AT)
una historia de mal manejo del crdito, compaas con alta
X3 = Utilidades antes de intereses e impuestos / activos to-
probabilidad de impago (Tabla 2) las cuales se definieron
tales (UAII-AT)
como estado (0).
X4 = Valor del patrimonio / Valor pasivos totales (VPAT-VPAS)
X5 = Ventas / activos totales (VTAS-AT)

Durante esta etapa se present una ausencia de informa-
Tabla 2. Listado de compaas con problemas
cin para algunos de los indicadores financieros calculados para
Clientes COn problemas de cartera. estado (0)
las empresas evaluadas. Estas falencias se deben, bien a que
Razn social
no exista informacin reportada para las cuentas involucradas
Empresa de artes grficas 2
en su clculo ante la Superintendencia de Sociedades, o bien
a que su valor era cero. En estos casos, el anlisis discriminante
recomienda tomar slo individuos con datos completos en la
Empresa de corrugados 2
etapa de determinacin del modelo y reservar aquellos indivi-
duos con datos desaparecidos o incompletos para la etapa de
Empresa de papeles Tissue 3
prediccin de la pertenencia a los grupos formados (backtesting).
Empresa de madera 5
Construccin del Modelo

Una vez obtenido este listado de 61 compaas clientes, se
formaron los dos grupos a priori: compaas sin problemas (estado 1) y compaas con problemas (estado 0). En el primer caso,
Empresa de paales 3
Empresa Comercializadora Internacional 3
Grupo de compaas seleccionadas a priori como con problemas debido a
se seleccionaron 12 compaas con una excelente historia del
su historia de mal manejo crediticio. Fuente: Indicadores Departamento de
manejo del crdito (Tabla 1) y estas compaas fueron carac-
Crdito y Cobranza HB Fuller Colombia Ltda. 2001-2005.
terizadas como estado (1), estado sin problemas para pagar
Con estos grupos de clientes determinados como estado (1) y
su cartera o baja probabilidad de impago.
estado (0), se construy un primer modelo utilizando el mtodo multivariante del anlisis discriminante mediante el soft-
Tabla 1. Listado de compaas sin problemas
Clientes sin problemas de cartera. estado (1)

Razn social
Empresa de alimentos 1
Comercializadora Internacional 1
ware Statgraphics Plus 5.1. A partir de este anlisis se obtuvieron los siguientes resultados:
Tabla 3. Parmetros de evaluacin del primer modelo obtenido
Nmero de casos completos: 107
Nmero de grupos: 2
Empresa de aceites 3
Empresa de bebidas 2
Empresa de paales 1
Discriminante
funcin
autovalor
relativo
porcentaje
cannica
correlacin
0,861082
100,00
0,6802
Empresa de papeles Tissue 4

Empresa de etiquetas 2
Empresa de toallas 2
Empresa de paales 2
Empresa de aseo personal 1
Empresa de tabaco 2
Empresa de madera 4
Funciones
Derivado
wilks
lambda
chi-cuadrado
gl
p- valor
0,537322
63,6687
0,0000
Parmetros o criterios del modelo discriminante inicial. Fuente: Software

STATGRAPHICS Plus 5.1.
Se utilizaron 107 casos para desarrollar un modelo que diferenciara entre los dos niveles de estado y se introdujeron
cinco variables pronosticadas. La funcin discriminante con P-
Funciones
Derivado
wilks
lambda
chi-cuadrado
gl
p- valor
0,401534
989,5275
0,0000
valor inferior a 0,05 es estadsticamente significativa al 95%

del nivel de confianza.
Parmetros o criterios del modelo discriminante modificado. Fuente: Software STATGRAPHICS Plus 5.1.
Tabla 4. Precisin del modelo inicial y error asociado

Tabla 6. Precisin del modelo modificado y error asociado
estado
actual
grupo
tamao
pronosticados
0
estado
1
47
40 (85,11%)
7 (14,89%)
60
11 (18,33%)
49 (81,67%)
estado
actual
grupo
tamao
pronosticados
0
estado
1
47
46 (97,87%)
1 (2,13%)
60
6 (10,00%)
54 (90,00%)
Precisin de clasificacin del modelo y errores tipo I y tipo II asociados. Fuen-
Porcentaje de casos correctamente clasificados: 93,46%
te: Software STATGRAPHICS Plus 5.1.
Precisin de clasificacin del modelo modificado y errores tipo I y tipo II asociados. Fuente: Software STATGRAPHICS Plus 5.1.
Refinamiento del modelo

El primer anlisis discriminante clasific la compaa empresa
Como puede observarse, se obtuvo una mejora en el modelo
de paales 1 en todos los aos de anlisis como una compa-
al pasar de un Autovalor de 0,8610 a 1,4904; un Lambda Wilks
a estado (0), contrario a la clasificacin inicial que se haba
de 0,5373 a 0,4015 y una Correlacin Cannica de 0,6802 a
tomado de estado (1). De igual forma, la compaa empresa
0,7736.
de corrugados 3 fue clasificada como estado (1), contraria a

su clasificacin inicial.
Tambin se observa un muy buen valor del estadstico p

(inferior a 0,01%)7, indicando que se puede rechazar la hipte-
Investigaciones de campo indican que a pesar de que la
sis nula con un alto grado de confianza (esto significa que las
compaa empresa de paales 1 no tiene buenos indicado-
medias de los grupos formados son completamente diferen-
res financieros, tiene un largo historial de pagar a tiempo
tes, afirmando el carcter discriminante del modelo).
debido a polticas corporativas, fruto de un acuerdo corpo-
No obstante, al observar los resultados del pronstico se
rativo global. De igual forma, a pesar de que la compaa
nota que en el estado (1) existe un 10% de casos clasificados
empresa de corrugados 3 posee tambin razones financieras
incorrectamente, correspondientes en parte a empresa de
dbiles, no paga a tiempo muy probablemente obedeciendo
bebidas 2. Debido a esto, se decidi cambiar a empresa de
a polticas internas de manejo de capital de trabajo (finan-
bebidas 2 y correr nuevamente el modelo, obtenindose una
ciamiento con los proveedores).
mejora adicional en los valores del mismo as:
Considerando lo anterior, se decidi aceptar la sugerencia

del modelo de cambiar ambas compaas de grupo, obtenindose un modelo afinado con los siguientes resultados:
Tabla 5. Parmetros de evaluacin del modelo modificado
7
Nmero de grupos: 2
La hiptesis nula establece que las medias de los 2 grupos es-
tablecidos (con problemas y sin problemas) son iguales. El valor p se define

Discriminante
funcin
1
107
autovalor
relativo
porcentaje
cannica
correlacin
1,49045
100,00
0,77361
como la probabilidad de que la hiptesis nula sea verdadera. Por lo tanto

cuando el valor p es inferior a 0.05 se rechaza la hiptesis nula y se dice que
la funcin discriminante es estadsticamente significativa al 1-p de nivel de
confianza.
Tabla 7. Parmetros de evaluacin del modelo modificado 2
Porcentaje de casos correctamente clasificados: 93,81%
Precisin de clasificacin del modelo final y errores tipo I y tipo II asociados.
Nmero de grupos: 2
Fuente: Software STATGRAPHICS Plus 5.1.
Discriminante
autovalor
funcin
1
1,55923
relativo
porcentaje
cannica
correlacin
100,00
0,78055
Este modelo final mejor sustancialmente la calidad de la

discriminacin al pasar de un Autovalor de 1,5592 a 2,2552;
un Lambda Wilks de 0,3907 a 0,3071 y una Correlacin Cannica de 0,7805 a 0,8323. Estos valores demuestran una excelen-
Funciones
Derivado
wilks
lambda
chi-cuadrado
gl
p- valor
0,390742
96,3200
0,0000
te discriminacin intergrupos y entre grupos que existe en el

modelo as construido.
Tabla 10. Coeficientes y centroides del modelo final
Parmetros o criterios del modelo discriminante modificado. Fuente: Soft-
Coeficientes de Funcin discriminante para ESTADOS
ware STATGRAPHICS Plus 5.1.
Se observa nuevamente una mejora en los resultados, pa-
COEFICIENTES
ESTANDARIZADOS
COEFICIENTES NO
ESTANDARIZADOS
sando de un Autovalor de 1,4904 a 1,5592; un Lambda Wilks de
0,4015 a 0,3907 y una Correlacin Cannica de 0,7736 a 0,7805.
KT_AT
Modelo final
UAII_AT
0,261508
UAII_AT
3,59180
UT RET_AT
0,619722
UT RET_AT
5,24192
VPAT_VPAS
-0,296519
VPAT_VPAS
-0,02980
VTAS_AT
0,889535
VTAS_AT
2,00152
CONSTANT
-1,96230
Depuraciones posteriores permitieron obtener un modelo final con las siguientes caractersticas:
0,491516
KT_AT
Tabla 8. Parmetros de evaluacin del modelo final
4,24999

GRUPOS DE CENTROIDES PARA ESTADO
Nmero de grupos: 2
Discriminante
funcin
1
autovalor
relativo
porcentaje
cannica
correlacin
-1,38254
2,25523
100,00
0,83235
1,59760
Funciones
Derivado
wilks
lambda
chi-cuadrado
gl
p- valor
0,307198
109,1745
0,0000
Coeficientes estandarizados, no-estandarizados y centroides (medias de grupos) del modelo discriminante final Fuente: Software STATGRAPHICS Plus 5.1.
Finalmente, se obtuvo un modelo con una ecuacin discriParmetros o criterios del modelo discriminante modificado. Fuente: Soft-
minante Z-Score de la forma:
ware STATGRAPHICS Plus 5.1.
Tabla 9. Precisin del modelo final y error asociado

Tabla de clasificacin
El punto de corte discriminante C se calcul mediante la

ecuacin,
estado
actual
grupo
tamao
pronosticados
0
estado
1
52
51 (98,08%)
1 (1,92%)
45
5 (11,11%)
40 (88,89%)
_____
usando los discriminantes
promedios para cada estado (1) y (0) y los coeficientes no estandarizados obtenidos.
____
D(1) D(0)
C
2
Causas asignables de desviacin
Donde,
D(1) = 1,5975928
Investigaciones de campo permitieron identificar algunas de
D(0) = -1,3825335
las causas de desviacin del modelo. Los resultados nos per-
Obtenemos: C = 0.10752963
miten realizar las siguientes apreciaciones para algunos de
Lo que significa que un valor de Z-Score inferior a
los clientes en los que el modelo no estuvo en capacidad de
0,10752963 corresponde a una compaa que ser catalogada
predecir adecuadamente su probabilidad de impago:
como estado (0), y una compaa con Z-Score superior a este
valor ser catalogada como una empresa estado (1).
Como norma general, los clientes del sector editorial tienen como poltica de capital de trabajo manejar un plazo
La capacidad de discriminacin del modelo puede visuali-
de cuentas por pagar de 180 das, aunque sus flujos de
zarse ms claramente a travs de un histograma de frecuen-
caja les d la posibilidad de pagar a un menor plazo. Esta
cias de los valores Z-score obtenidos. En ste grfico se obser-
condicin especial es la que explicara la desviacin con
va que las compaas con problemas se ubican a la izquierda
respecto al modelo de las compaas: empresa de artes
del punto de corte discriminante C = 0.10752963. De manera similar, las compaas sin problemas se ubican del lado
grficas 5 y empresa de artes grficas 11.

HB Fuller Colombia Ltda. firm recientemente un contrato
derecho de C. Tambin se observa que existe un rea donde
de suministro con las compaas empresa de bebidas 1
ambas distribuciones se superponen, se considera como un
y empresa de bebidas 2; en dicha negociacin se acord
rea donde existen dificultades de clasificacin (zona gris o
un plazo de pago a 60 das. A pesar de que los estados
de no-decisin).
financieros indican que estas compaas podran tener

dificultades de flujo de caja, a la fecha han cumplido el
Grfico 1. Histograma de frecuencias de los grupos clasificados
acuerdo, posiblemente esto explique la desviacin con

respecto al modelo.
HISTOGRAMA DE FRECUENCIAS
30
Compaas con problemas (estado 0)

Compaas sin problemas (estado 1)
compaas multinacionales, las cuales tienen un acuerdo global corporativo con HB Fuller Company, lo que ex-
25
Frecuencia
Las empresas: empresa de papeles tissue 1, empresa de

papeles tissue 4 y empresa de paales 2, son filiales de
plica que estas empresas paguen en el plazo acordado
25
a pesar de que el modelo las clasifique como empresas
15
con problemas.

10
A pesar de que el modelo clasifica a la compaa empresa de empaques flexibles 1 como con problemas, sta
paga oportunamente; posiblemente debido a que se en-
cuentra iniciando negociaciones con HB Fuller y quie-
ra cuidar su imagen corporativa (a la fecha slo se le
Valor z-score
han realizado dos despachos y los ha pagado en el plazo

acordado).
Representacin grafica de la frecuencia de los puntajes Z-score obtenidos.

Fuente: Software STATGRAPHICS Plus 5.1.
Con la ecuacin Z-Score y el punto de corte discriminante
A las dems compaas que mostraron una desviacin

con respecto al modelo, no se les encontr causas atri-
se ha obtenido un modelo completo y es posible realizar una
buibles que pudieran explicar su clasificacin incorrec-
prueba de backtesting para confirmar la solidez del modelo.
ta, por lo cual se considera que hacen parte del error

intrnseco del modelo.
Backtesting
Aplicando el modelo obtenido anteriormente a los 97 clientes
restantes se obtuvo un pronstico de su clasificacin crediticia o probabilidad de impago. El modelo logr pronosticar correctamente 91 de las 97 observaciones con que fue alimentado, equivalentes al 93.81% de los clientes evaluados.
109
Conclusiones y recomendaciones
idoneidad de la utilizacin dichas variables para el entorno

industrial colombiano mediante pruebas de correlacin y
Es posible utilizar el modelo Z-Scoring para pronosticar
relevancia estadstica de un nmero ms amplio de indi-
con alta precisin la probabilidad de impago de los clien-
cadores financieros. Esta investigacin podra vislumbrar un
tes en el entorno colombiano. Este modelo constituye una
modelo ms ajustado a la realidad de las empresas colom-
herramienta prctica y eficaz de calificacin crediticia que,
bianas que emplee indicadores modificados o nuevos indi-
tratada con rigurosidad estadstica y refinada mediante la
cadores financieros cuya tropicalizacin permita mejorar la
experiencia de la empresa, puede conducir a modelos de
prediccin del modelo. Esta profundizacin cobra mayor
alta precisin y confiabilidad.
fuerza al considerar que el modelo de Altman fue desarro-
La tabla de clasificacin arrojada por el modelo muestra
llado con informacin del mercado estadounidense hace

ya casi 40 aos.
una precisin de clasificacin del 93.81% de las compaas al efectuar el procedimiento de backtesting para los
La ecuacin discriminante muestra que la variable X5
cinco aos evaluados. El error de clasificacin remanente
(Ventas / Activos totales) es la que mayor contribucin
de 6.19% viene dado principalmente por el error de tipo II,
ofrece al carcter discriminante del modelo para HB Fuller,
asociado con aquellas compaas que siendo sin problemas
por lo que se espera que se vean favorecidas aquellas em-
son clasificadas por el modelo como con problemas. Esto in-
presas que estn en capacidad de generar un mayor nivel
dica un pequeo sesgo hacia la izquierda del modelo cuan-
de ventas para unos activos dados. La segunda variable en
do una compaa se encuentra en la zona gris o zona de
importancia en magnitud en el modelo est dada por X3
no-decisin. Este comportamiento refleja el perfil conser-
(Utilidades retenidas antes de intereses e impuestos / acti-
vador del modelo obtenido, ya que cuando existen dudas
vos totales), por lo tanto, en nuestro modelo, el alto impac-
acerca de la clasificacin de una compaa a partir de sus
to de esta variable favorece ampliamente a las compaas
indicadores financieros, la tendencia general del modelo es
maduras con una poltica de utilidades retenidas claras
clasificarla en el grupo con problemas, encendiendo las
con un bajo grado de apalancamiento financiero y que se
alarmas acerca de la posibilidad de este cliente de ser su-
financian con la auto retencin de sus utilidades.
jeto de crdito. En estos casos podra refinarse an ms el
El valor p del modelo discriminante obtenido (menor a 0.01)
modelo para que remitiese a variables complementarias
permite rechazar la hiptesis nula de que las medias de los
que permitiesen tomar una decisin ms acertada.
grupos formados sean iguales, es decir, se observa una cla-
Es posible realizar una reevaluacin de la significancia es-
ra separacin entre el centroide del grupo con problemas
tadstica de las variables utilizadas en el modelo de Alt-
(-1.3825) y el centroide del grupo sin problemas (1.5976) lo
man para el entorno colombiano. Esto es, a pesar de que
cual confirma el carcter altamente discriminante del mo-
las razones financieras originales del modelo de Altman
delo. Por lo tanto se puede concluir que es posible utilizar
fueron empleadas a cabalidad y en su totalidad en este
con una alta eficacia el modelo discriminante de Altman
trabajo con buenos resultados, es conveniente verificar la
en empresas del sector real colombiano.
Fuentes de consulta
Mrquez Diez-Canedo, Javier. (2006). Una nueva visin del riesgo
de crdito. Mxico D.F. Editorial Limusa.
Comit de supervisin bancaria de Basilea. (2004). Convergencia
internacional de medidas y normas de capital. Basilea (Suiza).
Gil Flores, Javier et al. (2001). Anlisis discriminante. Madrid:
Editorial la Muralla S.A.
Altman, Edward I. (1968). Financial Ratios, Discriminant
Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance.
Altman, Edward I. (2000). Predicting financial distress of
companies: Revisiting the Z-score and Zeta@ models. Journal of Finance.
Altman, E., R. Haldeman, and P. Narayanan.(1977). ZETA
Analysis: A New Model to Identify Bankruptcy Risk of Corporations. : Journal of Banking and Finance.
Torres Avendao, Gabriel. (2005). El acuerdo de Basilea. Estado del arte del SARC en Colombia. Revista Ad-Minister.
Medelln:Universidad eafit, (6).
Superintendencia de Sociedades. Disponible en: http://www.
supersociedades.gov.co/ss/drvisapi.dll?MIval=ppal&dir=90
Recent Papers Edward I. Altman. Disponible en: http://pages.
stern.nyu.edu/~ealtman/
Bank for International Settlements (BIS). Papers 2005-2006.
Disponible en:
http://www.bis.org/list/bispapers/from_01012005/index.htm
Listado de clientes nacionales de HB Fuller Colombia.
Carvajal, Patricia et al. (2004). Aplicacin del anlisis discriminante para explorar la relacin entre el examen del
ICFES y el rendimiento en lgebra lineal de los estudiantes
de ingeniera de la UTP en el periodo 2001 2003. Revista
Scientia et Tcnica, Ao X, (25).
111

Modelo Calificacion Crediticia Z Score

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelo Calificacion Crediticia Z Score

Cargado por

Copyright:

Formatos disponibles

EL MODELO DE

Recepcin: 19 de noviembre de 2009 / Aprobacin: 15 de junio de 2010

y Banca, en la lnea de investigacin en Ingeniera Financiera, de la Universidad Eafit.

en Finanzas aplicadas en Montreal (Canad). jortegag@eafit.edu.co.

102 REVISTA MBA EAFIT

calidad del crdito. En Colombia, es an incipiente el uso de

cobrado vital importancia durante

estos modelos en las empresas del sector real para pronos-

las ltimas dcadas debido al ver-

ticar la capacidad real de pago de sus clientes. Sin embargo,

tiginoso crecimiento en el volumen

es creciente la investigacin de las ventajas de la aplicacin

de clientes, tanto del sector bancario

de estas tcnicas por su mayor rigurosidad con respecto a las

como del sector real, aunado a los

procesos de globalizacin de los negocios que exigen un seguimiento

tcnico y riguroso de la exposicin al

En el presente artculo se hace una revisin de los anteceden-

riesgo asociado a la cartera de los clientes actuales y potenci-

tes y los principios bsicos sobre los cuales se fundamenta

ales de cualquier entidad.5 Estos controles se convierten cada

el anlisis multivariante y especialmente el modelo Z-score de

vez ms en una herramienta indispensable para las organiza-

Edward I. Altman. Posteriormente, se aplican estos principios

ciones, ya que una inadecuada gestin de este riesgo puede

en la formulacin de un modelo de calificacin crediticia para

avocarlas a una situacin de insolvencia e insostenibilidad

las compaas clientes nacionales de HB Fuller Colombia Ltda.

El modelo refinado finalmente obtenido es sometido a una

Los modelos de calificacin por ponderacin de factores

dentro de las cuales el anlisis discriminante es la metodolo-

Finalmente, se analizan las causas asignables de desvia-

ga ms utilizada para llegar a un nmero indicativo de la

El Comit de Basilea ha establecido una clasificacin del riesgo

del patrimonio proveniente de movimientos adversos de las variables de

mercado; as mismo, el riesgo operativo es aquel que se deriva de las po-

Inicialmente se llev a cabo una revisin de la literatura aso-

tenciales fallas humanas y tecnolgicas que se pueden presentar hacia el

ciada al modelo de calificacin crediticia Z-score y su evolu-

interior de las entidades.

cin en el tiempo. A continuacin se recopilaron y se depu-

raron los Estados Financieros (Balance General y Estados de

contribuciones relativas de cada variable independiente; (2)

resultados) de 61 clientes nacionales, en el perodo definido

evaluacin de intercorrelaciones entre las variables relevan-

entre 2001 a 2005, a travs la pgina Web de la superinten-

tes; (3) evaluacin de la precisin predictiva de las diferentes

dencia de sociedades de Colombia. Con esta informacin se

combinaciones; (4) evaluacin del anlisis. De esta manera, se

calcularon los indicadores y se desarroll el modelo por me-

seleccionaron cinco de las 22 variables originales como aque-

llas que mejor predecan la bancarrota corporativa, de donde

mente refinado mediante investigaciones de campo y compa-

se obtuvo la siguiente funcin discriminante:

racin con la experiencia de la empresa.

La medicin del riesgo y el anlisis

El anlisis discriminante multivariado es una tcnica estads-

X1 = Capital de trabajo / activos totales

tica que permite clasificar una observacin en uno de varios

X2 = Utilidades retenidas / activos totales

grupos definidos a priori dependiendo de sus caractersticas

X3 = Utilidades retenidas antes de intereses e impuestos /

individuales. Se usa principalmente para clasificar y/o hacer