Está en la página 1de 39

Investigación Económica II

Semestre 2009 – II

Departamento de Economía Universidad del Pacífico Lima Perú

de Economía Universidad del Pacífico Lima Perú Determinantes de Insolvencia Financiera en Empresas

Determinantes de Insolvencia Financiera en Empresas Peruanas

Integrantes

Alberti Delgado, Franco I.

Akamine Yamashiro, Mario J.

Asesor

Samuel Mongrut Montalván

Noviembre 2009

Resumen Ejecutivo

El presente trabajo tiene como principal objetivo hallar determinantes relevantes que conllevan a una empresa determinada a una situación de insolvencia financiera. De esa manera, conociendo los factores que, efectivamente, tienen un impacto en el resultado final (insolvencia o no), el modelo econométrico a aplicar será capaz de predecir la probabilidad de quiebra para empresas en el Perú.

En una primera instancia, parecería evidente que mejores manejos conllevan a mejores resultados. No obstante, además de analizar la importancia de mantener ratios financieros responsablemente aceptables, por más obvio que esto resulte para los fines de este estudio, se cree, a priori, que los factores macroeconómicos que afectan a la economía peruana tendrían una incidencia significativa en los resultados.

La importancia de los resultados, radica en la posibilidad de identificar problemas clave en una empresa, así como medir el grado de influencia de los mismos sobre un problema específico. Con esa motivación, se pretende que el estudio sirva como una guía con evidencia de la situación real adaptada al contexto peruano para que, de alguna manera, siente las bases de discusiones que, posteriormente, puedan resultar en medidas correctivas a tomar por otras empresas.

Para desarrollar el estudio, se propone el análisis de dos grupos de control; un “grupo de empresas buenas” (solventes), cuya información fue obtenida para los años relevantes a partir de la reconocida publicación “Perú:

The Top 10,000 Companies”, y, un “grupo de empresas malas” (en situación de insolvencia o quebradas), las cuales reciben dicha clasificación por propio manifiesto una vez que solicitan un procedimiento concursal en INDECOPI.

Una vez comparados algunos indicadores financieros de ambos grupos de empresas, así como indicadores que reflejen la situación macroeconómica del país en los años de estudio, será posible obtener resultados que caractericen de manera exclusiva a ambos grupos de control. De esa manera, será factible determinar, por la experiencia en ambos grupos, los determinantes que llevaron a ciertas empresas a obtener buenos resultados y a otras a caer en una problemática de índole financiera y con altas probabilidades de una eventual salida del mercado.

Los resultados obtenidos brindan evidencia contundente de que los factores macroeconómicos tales como las variaciones en los PBI sectoriales, la variación de la inflación año a año y los periodos de crisis tanto internas como externas, afectan de manera considerable el desenvolvimiento de las empresas peruanas. Además, se halló que, de varios indicadores financieros utilizados en el modelo, solo dos poseen un nivel de significancia que permite incluirlos como determinantes en el modelo. Así, el rendimiento sobre activos promedio (ROA) y el ratio de solvencia, son los indicadores financieros a analizar en el caso peruano, dejando de lado otros que, a priori, parecían ser significativos.

Índice

Introducción

3

Marco Teórico

10

Metodología

17

Resultados e Interpretación

23

Conclusiones y Recomendaciones

30

Bibliografía

33

Anexo 1 – Muestra de Empresas

35

Anexo 2 – Estimando con Ratios de Liquidez

37

Introducción

Hechos Estilizados

En el Perú, estimar una aproximación del número de empresas existentes o creadas en un determinado año puede resultar bastante inexacto debido a la gran cantidad de empresas en cuestión, así como también a los altos niveles de informalidad. Sin embargo, lo que si es posible, es hallar con exactitud el número de empresas que se acogen al sistema concursal del Instituto Nacional de Defensa del Consumidor y de la Propiedad Intelectual (en adelante, INDECOPI), del mismo que dependerán, en gran medida, los resultados del presente trabajo, y, por lo tanto, será conveniente hacer un paréntesis para introducir al lector en una breve explicación acerca de los procedimientos concursales en el Perú.

Sistema Concursal Peruano

Un procedimiento concursal consiste, básicamente, en llevar a cabo una investigación a partir de la problemática de crisis que pudiera afectar a los agentes de relaciones de índole patrimonial en circunstancias en las que una empresa, asociación o sociedad determinada, afronta problemas de insolvencia financiera. Así, el objetivo del Sistema Concursal es “la permanencia de la unidad productiva, la protección del crédito y el patrimonio de la empresa. Los agentes del mercado procurarán una asignación eficiente de sus recursos durante los procedimientos concursales orientando sus esfuerzos a conseguir el máximo valor de su patrimonio”. 1 En ese sentido, los procedimientos concursales tienen por finalidad “propiciar un ambiente idóneo para la negociación entre los acreedores y el deudor sometido a concurso, que les permita llegar a un acuerdo de reestructuración, o, en su defecto, a la salida ordenada del mercado, bajo reducidos costos de transacción”. 2 Para tales fines, la Ley General del Sistema Concursal – Ley N° 27809, regula dos clases de procedimientos concursales 3 :

(i)

Procedimiento Concursal Ordinario (antes conocido como Insolvencia): Se aplica a aquellos sujetos o empresas inmersos en una situación de crisis manifiesta. En el marco de este procedimiento, los acreedores reunidos en junta podrán optar por la Reestructuración Patrimonial del deudor siempre que se evalúe su viabilidad, o, en caso contrario, se optará por aprobar su liquidación por estimarla como la decisión más conveniente a los intereses de los acreedores.

(ii)

Procedimiento Concursal Preventivo: Se aplica a aquellos sujetos que, de manera diligente, anticipan la situación de crisis inminente que podría afectarlos. En este procedimiento, la Junta de Acreedores estará en aptitud de pronunciarse por la viabilidad o no de la propuesta de refinanciación de obligaciones formulada por el deudor como solución para evitar un incumplimiento a corto plazo que podría derivar en la manifestación de una situación mucho más crítica.

1 Ley General del Sistema Concursal. Título Preliminar, Artículo I. Tomado de: www.indecopi.gob.pe

2 Ley General del Sistema Concursal. Título Preliminar, Artículo II. Tomado de: www.indecopi.gob.pe

3 Tomado de: www.indecopi.gob.pe

Por otro lado, los motivos por los cuales una empresa puede acogerse a un procedimiento concursal son:

(iii)

Que más de un tercio del total de sus obligaciones se encuentren vencidas e impagas por un periodo mayor a 30 días calendario.

(iv)

Que tenga pérdidas acumuladas, deducidas las reservas, cuyo importe sea mayor al tercio del capital social pagado.

Entre los años 1993 hasta junio de 2009, el número de solicitudes para acogerse al sistema concursal asciende a 9,600 según la Comisión de Procedimientos Concursales de INDECOPI. El siguiente gráfico muestra la evolución de solicitudes y procedimientos iniciados en el periodo en cuestión.

Gráfico 1 – Evolución de Solicitudes y Procedimientos Iniciados (1993 – Junio 2009)

1698 1635

926 824 766 556 505 481 403 376 376 344 189 170 128 133 90
926
824
766
556
505
481
403
376
376
344
189
170
128
133
90

1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

Fuente: Comisión de Procedimientos Concursales de INDECOPI Elaboración: Propia

La información que se obtiene a partir del cuadro anterior, puede llevarnos a sacar conclusiones acerca de la

relación que existe entre la situación que atraviesa el país, en este caso en el ámbito político y en lo que se refiere

a crisis económicas externas e internas, y el número de empresas que pasa por una crisis en un mismo periodo,

evidenciando, de esa manera, el impacto que tienen los factores macroeconómicos en el desenvolvimiento de las empresas peruanas. No obstante, más allá de llegar a conclusiones apresuradas, lo que se intenta graficar es que la cantidad de empresas en problemas de índole financiero no es nada despreciable ni tampoco ha tenido disminuciones considerables, en promedio, desde el año 2003. Más aún, entre los años 1998 y 2002, el número de solicitudes se incrementó de manera bastante acelerada, con respecto a los años anteriores.

Asimismo, es un indicador relevante el destino que tiene, finalmente, el patrimonio de los deudores. En ese

sentido, entre los años 2006 y 2009, el 96% de empresas que se acogieron al sistema concursal fueron liquidadas

y solo el restante (4%) fue capaz de resistir una reestructuración.

Gráfico 2 – Detalle del Patrimonio del Deudor (2006 – Junio 2009)

Liquidación

96%

Patrimonio del Deudor (2006 – Junio 2009) Liquidación 96% Reestruct. 4% Liquidación Reestructuración Fuente:

Reestruct.

4%

Deudor (2006 – Junio 2009) Liquidación 96% Reestruct. 4% Liquidación Reestructuración Fuente: Comisión de

Liquidación

– Junio 2009) Liquidación 96% Reestruct. 4% Liquidación Reestructuración Fuente: Comisión de Procedimientos

Reestructuración

Fuente: Comisión de Procedimientos Concursales de INDECOPI Elaboración: Propia

Esta información refleja, entonces, que casi la totalidad de empresas que se acogen al sistema concursal son, finalmente, liquidadas.

Objetivos del Estudio e Hipótesis Planteadas

Habiendo establecido el punto de partida en lo que concierne al gran número de empresas que se declaran insolventes en el país, es relevante cuestionarse acerca del sostenimiento y la viabilidad de los emprendedores y sus respectivos negocios.

En concreto, ¿cuál es la probabilidad de éxito de una empresa en el Perú?, o, en todo caso, ¿cuál es la probabilidad de que determinadas empresas con características similares caigan en un problema de crisis que pueda provocar una eventual salida del mercado? Asimismo, a raíz de la pregunta anterior, será más importante hallar cuales son los factores que influyen de manera más relevante en el resultado obtenido, por lo que cabría preguntarse, ¿cuáles son los determinantes que llevan a una empresa a caer en problemas de insolvencia financiera o una eventual quiebra?

Así, el presente trabajo tiene como objetivo responder las preguntas planteadas hallando los determinantes más relevantes que llevan a una empresa a caer en un problema de insolvencia financiera para, finalmente, hallar su probabilidad de quiebra (o insolvencia). Ello se realizará a partir de un modelo económico que permita incluir variables específicas en su formulación, las cuales se obtendrán de un grupo representativo de empresas peruanas, y que permitirán obtener resultados que puedan, posteriormente, ser generalizados y aplicados a empresas fuera de la muestra.

En una primera instancia, parece evidente que mejores manejos conllevan a mejores resultados. No obstante, además de analizar la importancia de mantener ratios financieros responsablemente aceptables, por más obvio que esto resulte para los fines de este estudio, se cree, a priori, que, además, los factores macroeconómicos afectan de manera determinante el destino de las empresas peruanas

De esa manera, sobre la base de los objetivos, se desprenden tres hipótesis base, las cuales servirán de guía en el desarrollo de la investigación.

(i) Se espera que los factores macroeconómicos tengan una mayor presencia y peso en cuanto a su incidencia en la probabilidad de insolvencia financiera para las empresas en cuestión. Es decir, los factores macroeconómicos analizados tendrán mayor impacto en el modelo que los factores financieros.

La primera hipótesis será evaluada mediante la inclusión de cuatro variables de carácter macroeconómico en el modelo; la variación porcentual anual del crecimiento del PBI sectorial (para los 11 sectores analizados), la variación porcentual anual de la inflación, la tasa activa promedio en moneda nacional y una dummy que toma el valor de 1, cuando se registra un año de crisis económica o política, y de 0, en caso contrario. En ese sentido, se analizará la significancia de estas variables en la probabilidad de insolvencia financiera y su importancia como determinantes de la misma.

Al respecto, se espera mayor incidencia de las variables macroeconómicas sobre las financieras considerando las características de la economía peruana (economía abierta en vías de desarrollo). Así, es razonable que los factores macro que afectan al país, en general, tengan un impacto directo en el desenvolvimiento de las empresas.

(ii) Se espera que el ratio de solvencia, medido por el ratio de apalancamiento, sea el que tenga mayor impacto sobre la probabilidad de insolvencia financiera entre los demás ratios financieros. Esto implica que, a mayor endeudamiento, mayor es la probabilidad de que una empresa atraviese por un problema de índole financiero.

La segunda hipótesis será evaluada mediante la inclusión de ratios financieros en el análisis. De esa manera, al analizar la significancia y las elasticidades de cada indicador, se podrá observar cuál de ellos tiene mayor impacto sobre la probabilidad de insolvencia financiera. La lógica en el planteamiento de ésta hipótesis, radica en el hecho de que una empresa con mayor apalancamiento tendrá mayores dificultades al enfrentar problemas estacionales en los niveles de venta, o de liquidez.

(iii) Se espera que el ratio de liquidez no sea aceptado por el modelo como determinante en la probabilidad de insolvencia financiera de las empresas en cuestión. En ese sentido, se considera que los problemas de liquidez constituyen un efecto a raíz de los problemas financieros más no, una causa de los mismos.

La tercera hipótesis será evaluada al incluir ratios de liquidez en el modelo. La aceptación de un indicador de liquidez o el rechazo del mismo como determinante del modelo, podrá darnos una respuesta a la hipótesis planteada. Teniendo en cuenta que los problemas de liquidez en empresas pequeñas y medianas tienen carácter de corto plazo, se cree que no tienen capacidad predictiva y que, al contrario, determinan un estado posterior a un problema de insolvencia.

Relevancia y Justificación

Se dice que una empresa (o cualquier tipo de grupo o asociación empresarial) enfrenta dificultades financieras cuando la liquidez que genera es insuficiente para cubrir pasivos y obligaciones de cualquier tipo en su estructura de financiamiento. De esa manera, los costos que se generan, ya sean financieros u otros de mayor subjetividad, como una desvalorización de la imagen corporativa, por ejemplo, pueden desencadenar una serie de problemas que podrían acabar en una eventual quiebra.

Los costos financieros que se generan por insolvencia en las empresas están vinculados con la incapacidad de cubrir obligaciones financieras a raíz del deterioro de varios aspectos internos (rentabilidad, acceso al crédito, generación de recursos, solvencia, etc.) y específicos dependiendo del giro del negocio. No obstante, dichos costos son difíciles de cuantificar y, por la misma razón, escapan del control de los agentes involucrados, pudiendo ocasionar daños irreversibles en la estructura de la empresa.

Bajo esa premisa, y tomando en consideración que el cálculo exacto de los costos generados por insolvencia financiera puede resultar engorroso y no del todo satisfactorio, decidimos evaluar un escenario anterior a lo que pudiera ser un problema de insolvencia financiera mediante el análisis de los determinantes que terminarían por desencadenar un eventual problema de dicha índole. Así, no es el objetivo de la presente investigación cuantificar el daño, sino, más bien, identificar aspectos relevantes, y otros que a simple vista no lo son tanto, que pudieran dar indicios acerca de un posible y potencial problema financiero en una empresa determinada.

La importancia de este trabajo, entonces, radica en la posibilidad de identificar problemas clave en una empresa a partir de un modelo econométrico que pueda dilucidar los determinantes, tanto estructurales como financieros, internos y externos, que desencadenan un potencial riesgo de insolvencia financiera. Con esta motivación, pretendemos que el estudio aquí plasmado sirva como una guía con evidencia de la situación real adaptada al contexto peruano y que, de alguna manera, sea la base de discusiones que posteriormente puedan resultar en medidas correctivas a tomar por empresas de estructura similar a las aquí estudiadas. Más aún, conociendo los determinantes y su respectiva significancia, el resultado podría encaminar el accionar de las empresas hacia métodos y caminos más eficientes y factibles.

Asimismo, sumamos mayor importancia a este estudio por implementar este tipo de investigación al caso peruano y por ser el primero aplicado a un país latinoamericano. A diferencia de Estados Unidos, China y países Europeos, en Latinoamérica, y países en desarrollo, en general, no se ha profundizado el tema de los problemas de insolvencia financiera. El hecho de que la información sea limitada, aunado al hecho de que muy pocas empresas cotizan en los mercados de capitales, dificultan el desarrollo de estudios de este tipo. Además, la desconfianza de las compañías al momento de compartir información (en muchos casos se revela información no verídica), y la falta de bases de datos con información relevante hacen aún más engorroso el cálculo de resultados válidos y cuantificables.

Dicho esto, la peculiaridad del mercado peruano se trabajará cuidadosamente en esta investigación incluyendo tanto indicadores financieros como indicadores macroeconómicos, teniendo en cuenta que estudios realizados en

otros países no son del todo aplicables a la realidad de nuestro país (por cuestiones de tamaño, niveles de costos, magnitud e información disponible), y, de esa manera, dejamos abierta la posibilidad de realizar otros estudios relacionados, e inclusive ampliando el que aquí se presenta, para países latinoamericanos con mayores similitudes al Perú que con países cuyos mercados financieros son más desarrollados.

Metodología

Las razones por las que una empresa quiebra pueden ser tantas como la cantidad de empresas que existen en el mercado. De hecho, sería incrédulo afirmar que solo bastaría buena voluntad de parte de los empresarios para asegurar el éxito de sus negocios. Factores como corrupción, disputas, errores y omisiones, sectores económicos en desventaja, contagio entre sectores, crisis económicas e inclusive las fuerzas de la naturaleza, pueden ocasionar daños irreparables en la estructura de las empresas que, finalmente, pueden ser arrastradas hasta la quiebra.

El presente estudio se centrará en aspectos que involucran, específicamente, factores relacionados con el manejo de las empresas (administrativo y financiero), así como también factores macroeconómicos que pudieran afectarlas negativamente.

Dicho esto, y teniendo como objetivo el hallar factores relevantes que pueden ocasionar que una empresa caiga en insolvencia financiera, es pertinente determinar, de una manera más precisa, a qué se refiere el concepto de insolvencia financiera como tal.

Como se señaló anteriormente, una empresa enfrenta dificultades financieras cuando la liquidez que genera es insuficiente para cubrir pasivos y obligaciones de cualquier tipo (deuda financiera, cuentas por pagar comerciales, remuneraciones, pago de impuestos, entre otros). La insolvencia financiera, entonces, se produce cuando los acuerdos de pago de diversa índole se rompen o, en todo caso, se cumplen con dificultad. Es evidente, además, que la insolvencia conduce a la quiebra.

Se trabajará, entonces, con dos grupos de control; un grupo de “empresas buenas” o solventes, cuya información fue obtenida para los años relevantes a partir de la reconocida publicación “Perú: The Top 10,000 Companies”, y, un grupo de “empresas malas” o insolventes, las cuales reciben dicha clasificación por propio manifiesto una vez que solicitan un procedimiento concursal en INDECOPI.

La selección de la muestra total de empresas de ambos grupos de control fue realizada a partir del criterio de apareamiento de la data, que consistió, básicamente, en elegir empresas comparables entre sí en términos, principalmente, de tamaño (según el nivel de ventas), número de observaciones (número similar de observaciones, en lo posible, en cada año que comprendió el estudio), y sectores productivos (once sectores en total; agroindustria, alimentos y bebidas, ingeniería y construcción, manufactura, minería, pesca, petróleo, químico, retail, textil y transportes).

Con respecto al grupo de control de las “empresas buenas”, se eligió una muestra de 32 empresas que figuraron entre las 10,000 mejores compañías del Perú entre los años 2000 y 2007 y que continúan operando en la actualidad.

A decir del grupo de “empresas malas”, se simplifica la labor al brindar a las mismas empresas el derecho de

acogerse al sistema concursal peruano, en el cual se les clasifica, luego de un proceso de investigación, como

insolventes. Es así, que la muestra elegida para el análisis, en lo que se refiere al grupo de control en mención, fue tomada del total de empresas que fueron admitidas en el sistema concursal y que fueron clasificadas como insolventes entre los años 1995 y 2007. Cabe resaltar, que solo se encuentra disponible la información de aquellos procedimientos que hayan concluido a la fecha, y, que la resolución del expediente de cada empresa elegida para

la muestra en cuestión varía, siendo los posibles resultados el de quiebra, liquidación o reestructuración.

Seguidamente, habiendo elegido las muestras para ambos grupos, se procederá a comparar ciertos indicadores de cada empresa, bajo un modelo logit, de manera que será posible obtener resultados que caractericen, de manera exclusiva, a un grupo de control u otro. De esa manera, será factible determinar, por la experiencia de cada indicador en cada muestra, los determinantes que llevaron a ciertas empresas a obtener buenos resultados y a otras a caer en un problema de índole financiero y con altas probabilidades de una eventual salida del mercado.

Por otro lado, se incluyó en el estudio el análisis de factores macro como la variación porcentual año a año del crecimiento de los PBI sectoriales de cada uno de los 11 sectores mencionados líneas arriba. Además, se incluyó

la variación porcentual anual de la inflación, la tasa activa promedio en moneda nacional, así como un indicador

que registre los años en los que el país atravesó por alguna crisis económica o polìtica.

La razón de incluir variables macroeconómicas en el análisis radica en la posibilidad de identificar factores que afectan el desenvolvimiento de las empresas en años determinados y, de esa manera, obtener información relevante de la magnitud del impacto, diferenciando los sectores económicos en los que se desenvuelve cada empresa, y, tomando en cuenta, que existen peculiaridades para cada tipo de sector.

Estructura y Distribución de Capítulos

Una vez revisados en la introducción los hechos estilizados que hicieron surgir la pregunta de investigación, los objetivos e hipótesis del trabajo, la relevancia del mismo y la metodología a utilizar, se procederá a describir, en el siguiente capítulo, el marco teórico. En él, se revisarán modelos de probabilidad de insolvencia financiera anteriores al modelo que planteamos en esta ocasión, sus implicancias y como es que han ido evolucionando.

Seguidamente, se procederá a definir la variable dependiente así como la selección de variables independientes a utilizar en el modelo. En este capítulo, también, se hace referencia a cada uno de los indicadores y ratios financieros a analizar, describiendo su importancia individual y en comparación con indicadores alternativos con el fin de obtener resultados precisos. El siguiente capítulo, se dedica exhaustivamente a la metodología a utilizar. En

él se describe el marco analítico, la descripción de la data y, finalmente, el modelo empírico que sentará las bases

para la inferencia de los resultados. Finalmente, se analizarán los resultados obtenidos, dando paso a las

conclusiones y recomendaciones. Los anexos incluyen información específica de la muestra a utilizar y de la cual se desprende la data.

Marco Teórico

Modelos de Probabilidad de Insolvencia Financiera

Realizar una investigación sobre insolvencia financiera para el Perú es entrar a un campo nunca antes abordado por ningún estudio empírico o teórico. La literatura con respecto a este tema, está, en su gran mayoría, dirigida a estudios en países desarrollados, en los cuales ha habido suficientes ejemplos de quiebras en empresas que cotizan públicamente y además, completamente enfocada de una forma empírica. La literatura indica como han ido evolucionando los modelos de predicción de quiebra financiera, desde el trabajo descriptivo de Fitzpatrick (1932) y la teorización de esta idea en los trabajos de Beaver (1966) y Altman (1968). Estos autores crearon los primeros análisis de quiebra empresarial, mediante dos tipos de modelo: Beaver (1966) un modelo univariado, que demostró tener un precisión de hasta 87%, en el uso de ratios financieros, principalmente de solvencia; y Altman (1968) un modelo multivariado aplicando el método de análisis de discriminante múltiple, reduciendo el número de ratios necesarios para la predicción. Ambos estudios fueron los pioneros en cuanto a predicciones ex-ante de quiebra empresarial.

Sin embargo, estudios posteriores como Johnson (1970), llaman a la atención el hecho de que el modelo de Altman (1968) no tenia suficiente capacidad predictiva ex-ante sino ex-post. De igual forma, como puntualizaron Baida y Ribeiro (1979), luego de analizar el modelo Altman en el contexto de economías emergentes, este presentaba problemas de calidad y disponibilidad para la obtención de datos, lo que comprometía su aplicabilidad. Esto llevo a que en Altman, Hartzcel y Peck (1995), adaptaran el modelo con respecto a las economías emergentes, incluyendo mayor cantidad de ratios y de variables, con el fin de poder replicar el riesgo industrial y político presente en países de este tipo. Sin embargo, lo encontrado por estos estudios mencionados, son coeficientes con respecto a los ratios seleccionados, para efectuar la predicción. En otras palabras, lo encontrado por los autores que han enfocado este tema con anterioridad, siempre ha dependido de la muestra que usaron y de la cantidad de ratios financieros, y de la data en la que se enfocaron. Principalmente, Altman (1968 y 1995) encuentra que un modelo predictivo tiene que basarse en ratios que puedan medir la rentabilidad, actividad, solvencia y liquidez de una empresa. Un análisis de los coeficientes que encontró para estas variables no es necesario, pues depende de la muestra usada, y, para efectos de este trabajo, nunca se ha usado como muestra un portafolio de empresas peruanas.

De acuerdo con Hair et. al. (2000), el primer análisis en un modelo predictivo no tiene que consistir en estimar principalmente el modelo, sino en evaluar los supuestos subyacentes en la data, que son tan importantes como el resultado final. Por lo tanto, teniendo en cuenta esta observación se procederá, primero, a analizar la manera en como se estructura la idea económica detrás del modelo. Al querer determinar los causantes de insolvencia financiera, lo mejor es ajustarse a la definición teórica, que indica que una empresa en insolvencia es aquella que no puede cubrir sus pasivos, y sus obligaciones financieras. El uso de ratios financieros para querer predecir esta

situación responde a la teorización económica de los mismos; como mencionan Brealey y Myers (1999) estos brindan la ventaja de reducir la cantidad de data, y como reconoce Bernstein (1999), estos tienen un significativo potencial de predicción, dada su teorización como herramientas de análisis financiero. Por lo tanto, se mantendrá la forma empírica con la cual se ha estado estudiando el fenómeno a analizar, que es mediante ratios financieros.

Los ratios en si, son los determinados a hablar por el manejo de la empresa. De una manera muy simple, un análisis de ratios nos permite ver las maneras por las cuales una empresa está justificando sus ganancias en rentabilidad, o sus mayores utilidades; los ratios nos permiten plantear hipótesis que expliquen el porque una empresa ha llegado a cierta situación financiera.

Continuando con la conceptualización teórica de Hair et. al (2000), y lo propuesto por Altman et. al. (1995), se considera completamente necesario el evaluar la aplicación de los modelos teóricos para el caso peruano, tomando en cuenta lo visto por Philippatos et al. (2004), quien incluye factores macroeconómicos en su estimación de los determinantes de estructura de capital para países de la OECD. La corrección al modelo planteada por Altman et al. (1995) ocurrió a partir de la necesidad de aproximar los modelos predictivos a economías emergentes, y su resultado ha sido considerado como correcto, y usado hasta el día de hoy. De esta manera, el criterio económico y esta corrección planteada, que no toma en cuenta la exposición a la globalización económica actual de países como el nuestro, lleva a la consideración de variables fundamentales macroeconómicas de la economía peruana, como las reflejadas por medidas de producto y de inflación, en el modelo a plantear. La evolución de la literatura con respecto a modelos de predicción de insolvencia financiera ha llegado a un momento en el cual el trabajo de Altman (1968) sirve como base teórica, pero cuya especificación se muestra necesitada de ampliación si es que se busca abstraer resultados particulares. El caso de la economía peruana es un caso particular, y por lo tanto, la literatura permite y exige una mejor especificación del modelo; en el caso peruano, esta especificación ocurre por el lado macroeconómico. La consideración de variables macroeconómicas y de riesgo político, se justifican en la necesidad de poder generar una mayor potencia de predicción que la que un modelo microeconómico en su totalidad (solamente basado en ratios financieros) podría obtener.

Definición de Variable Dependiente

Con respecto a la determinación de insolvencia financiera para las empresas peruanas, Ibarra (2001) dedicó un capítulo entero a analizar el problema de especificación de esta variable dependiente. Este autor encontró que más allá de la consideración teórica por el que uno se incline, siempre va a existir una limitación en cuanto a la forma en como se clasifique lo que se conoce como empresa insolvente. En ese sentido, el análisis histórico de los modelos de predicción no permite una muestra empírica de cómo modelar esta variable, puesto que presenta limitaciones etimológicas desde la forma de llamarla insolvencia financiera.

En este estudio, señalamos previamente que consideramos que una empresa es insolvente cuando sus acuerdos de pago, u obligaciones de cualquier tipo, se incumplen, o, en todo caso, se cumplen con dificultad. Asimismo, se planteó que la clasificación de empresa insolvente la hicieron las mismas empresas toda vez que solicitaron un procedimiento concursal ante INDECOPI.

Considerando que aquellas empresas que ingresan al sistema concursal son aquellas que poseen más de un tercio del total de sus obligaciones se encuentren vencidas e impagas por un periodo mayor a 30 días calendario, o, que tengan pérdidas acumuladas (deducidas las reservas), cuyo importe sea mayor al tercio del capital social pagado, se puede afirmar que las empresas consideradas como insolventes en este trabajo están bien definidas.

De esa manera, para efectos del trabajo, la variable dependiente estará determinada por una variable dicotómica, la misma que tomará un valor de 1 si es que la empresa en cuestión se acogió a un procedimiento concursal, y, por consiguiente, pertenece a la muestra de empresas malas insolventes, y tomará un valor de 0 si es que la empresa en cuestión no se acogió a un procedimiento concursal, lo que significaría que pertenece a la muestra de empresas solventes siempre que también muestre indicadores financieros sanos.

Definición y Selección de Variables Independientes

De acuerdo a lo visto del modelo inicial “Z-score” de Altman (1968), la selección de variables independientes en nuestro modelo debe responder a la intención inicial del mismo luego de las consideraciones hechas por Johnson (1970) sobre los ratios financieros (predicciones ex-post), así como incorporar características que permitan reflejar, en el indicador predictivo, los mayores riesgos asociados en las empresas de economías emergentes, como se desarrolló en la corrección a este modelo en Altman, Hartzcel y Peck (1995). De esta forma, se siguió lo visto por Philippatos et al. (2004), considerando que la actividad empresarial, especialmente en países como el Perú, no responde solamente a características microeconómicas, sino también a los fundamentos macroeconómicos del país.

Por lo tanto, las variables independientes que detallaremos a continuación, han sido escogidas respetando la necesidad de considerar ratios que midan rentabilidad, eficiencia, liquidez y solvencia. Además, y con el fin de poder seguir lo intentado por Altman et al. (1995), se incluirán las variables de: crecimiento porcentual del PBI sectorial (por empresa), variación porcentual anual de la inflación, tasa activa promedio en moneda nacional, una variable dummy que controle por el impacto de crisis internacionales y crisis internas (de carácter económico y político) y una variable creada a partir del índice de riesgo EMBI+, como medida de riesgo político. De esta manera se procederá a intentar caracterizar el modelo predictivo en base a las características macroeconómicas fundamentales de la economía peruana.

Solvencia

Como detalla Ibarra (2001), la solvencia es uno de los términos más importantes para definir el éxito o fracaso empresarial (insolvencia financiera en nuestro caso) dentro de los estudios predictivos, e incluso se llega a considerar que la verdadera causa de que una empresa cese sus actividades, no se debe en muchas ocasiones a la falta de rentabilidad, sino a la de solvencia. El concepto de insolvencia ha sido explicado en la introducción de nuestro trabajo de investigación, y es central en cuanto a la definición de la variable dependiente de nuestro modelo. El ratio de solvencia que consideramos en nuestro modelo es el que viene dado por la relación entre el pasivo total y el capital contable de la empresa (ambos en valor en libros), o ratio de apalancamiento como comúnmente se conoce.

LEV =

Total Pasivo

Patrimonio

Siguiendo directamente la teoría, un alto grado de apalancamiento incrementa la probabilidad de problemas de insolvencia y por lo tanto, esperamos un signo positivo en esta variable luego de la estimación del modelo. Esta variable es la que termina por considerar las características esenciales del modelo Altman (1968) en nuestro modelo.

Rentabilidad

El ratio del rendimiento sobre la inversión es una medida fundamental de rentabilidad económica y en nuestro caso, se encuentra compuesto por la relación del beneficio (utilidad) y el tamaño del capital para generarlo (tamaño de activos). Según Bernstein (1999), este ratio es el más importante para medir los resultados, pues considera que la rentabilidad económica es la primera y principal finalidad de la empresa e incluso constituye la razón de su existencia. Por lo tanto, se usa este ratio como medida de rentabilidad dentro del modelo, respondiendo a la necesidad de considerar medidas de rentabilidad según Altman (1968) y a la importancia teórica que envuelve.

Además, la consideración de este ratio responde a las consideraciones de Bernstein (1999) quien opina que este ratio sirve como herramienta en un modelo de análisis financiero de tres formas:

(i)

Como indicador para evaluar a largo plazo la efectividad y calidad de la dirección.

(ii)

Como el indicador más confiable para medir la salud y potencial financiero de la empresa a largo plazo (ya que considera elementos del balance general y las cifras finales del estado de pérdidas y ganancias).

(iii)

Como método de proyección de los beneficios comparable con el VAN o la TIR.

Estas tres formas permiten al modelo, mediante la consideración de esta variable independiente, posibilidad de evaluación del tipo temporal y potencia en cuanto a la predicción ex-post. Este ratio, como especifica Ibarra (2001), permite llevar a cabo comparaciones sobre los usos alternativos del capital y el rendimiento obtenido por empresas con grados similares de riesgo, lo cual contribuye a la incorporación de características fundamentales de la economía peruana, como es el accionar de las empresas peruanas frente al riesgo interno y global que enfrentan.

ROA =

(

BAIT x

(1

t

) )

Activo Neto Pr omedio

Con respecto al signo de esta variable independiente luego de la estimación, consideramos que arrojará un signo negativo, explicado por el hecho que una mayor rentabilidad genera una menor probabilidad de insolvencia

financiera en la empresa, ya que la alinea con su objetivo principal y demuestra un manejo más efectivo y rentable de los activos de la empresa.

Liquidez

La generación de liquidez es el principal objetivo de corto plazo de cualquier empresa, enfocado en obtener un grado de liquidez óptima que no permita la existencia de dificultades financieras. Según Bernstein (1999), la liquidez es la facilidad, velocidad y el grado de merma para convertir los activos circulantes en caja, y la escasez de ésta es considerada como uno de los principales síntomas de dificultades financieras. Como menciona Ibarra (2001), la liquidez puede ser definida de manera muy simple, como la capacidad de pago a corto plazo que tiene la empresa, o bien, la capacidad de convertir los activos e inversiones en dinero o instrumentos líquidos. En nuestro caso, la liquidez puede ser definida como uno de los criterios básicos para no caer en insolvencia financiera.

De esta forma, se considera el factor liquidez dentro del modelo, respondiendo a las características básicas del modelo Altman (1968), en la relación entre la suma de caja, cuentas por cobrar e inversiones realizables y los pasivos corrientes (lo conocido como el ratio prueba ácida).

CUR =

Caja Cuentas por Cobrar Inversiones Re alizables

+

+

Pasivo Corriente

De igual forma, se considera como variable, el factor liquidez en la relación entre el capital de trabajo neto operativo (definido como el capital de trabajo, diferencia entre activo corriente y pasivo corriente) y el activo total de la empresa. Altman (1968) consideró este ratio como base para medir la liquidez y lo propuso como la medida más eficiente entre los múltiplos ratios de liquidez. Según Altman (1968), cuando una empresa experimenta pérdidas operativas de forma continua, tiene de inicio fuertes disminuciones en sus activos circulantes con relación al total del activo. Este ratio, por lo tanto, es una medida del activo líquido neto de la empresa con relación a la capitalización total.

LIQ =

Capital Circulante Neto Operativo

Total Activos

Con respecto al signo esperado para ambas variables, de ser significativas (hipótesis 3), consideramos que este será negativo, pues teóricamente, una mejor posición en cuanto a liquidez significa directamente, una mejor posición financiera y por lo tanto una menor probabilidad de insolvencia financiera. Altos valores en los ratios de liquidez reflejan una buena posición de la empresa en cuanto a caja, lo cual significa alta capacidad de cubrir pasivos de corto plazo y asegurar la operación de la empresa.

Características de la Economía Peruana

El Perú es un país con una economía abierta pequeña, en vías de desarrollo y en donde la rentabilidad en el sector productivo está directamente correlacionada a variables de determinación exógena, como son el precio de los commodities, la evolución de las economías industrializadas (tanto por su demanda por nuestras exportaciones como por el tipo de cambio), y la situación económica en conjunto, entendiendo esto como la salud de la economía globalizada, la no existencia de crisis. Por lo tanto, la inclusión de variables fundamentales macroeconómicas es básica, si es que se busca corregir el modelo Altman (1995) para el caso peruano.

De esta manera, se procederá a incluir variables que, teóricamente, son las de mayor importancia con respecto a la evolución financiera de las empresas en nuestra economía. Primero, se incluirá el crecimiento porcentual del PBI sectorial, de acuerdo al sector que pertenece la empresa y el año en el cual se recoja la observación. Esta variable tiene por fin, el poder reunir el efecto generado por la situación macroeconómica en el sector de la empresa, y por lo tanto, resumir el efecto de variables como tipo de cambio y su exposición a riesgos propios del sector. Segundo, se incluirá la inflación; esta variable resulta de importancia clave en una economía como la peruana, especialmente por el carácter histórico que ha tenido la inflación en el devenir económico nacional, y por consiguiente, al ser considerada como factor clave en la matriz de decisiones en cualquier tipo de negocio o emprendimiento en nuestro país. Tercero, se incluirá el costo de la deuda asumida por la empresa, reflejada en el ratio de solvencia anteriormente mencionado, tomando la tasa activa promedio en moneda nacional. Esta variable se justifica a partir del hecho que se considera al sistema bancario como la principal fuente de fondos para las empresas (dado el tamaño y clase de empresas a analizar) y como tasa de interés proxy con respecto a la evolución de tasas de interés producto de otros choques macroeconómicos. El costo de la deuda, de una manera micro, es factor decisivo en relación a la capacidad de pago de la empresa, y de manera macro, permite abstraer un costo promedio, cuyo cambio se refleje en la capacidad de pago de las empresas. Como en el caso del PBI, la variable inflación y la variable de costo de deuda serán incluidas tomando en cuenta el año de la observación recogida.

PBI Crecimiento

INF Variación

TAMN Tasa Activa

=

=

%

del PBI

sec

inf

(

torial para el año de la observación

)

(

lación para el año de la observación

%

anual de la

Pr

=

omedio en Moneda Nacional

)

De acuerdo a la teoría económica, el signo esperado para la variable PBI es negativo, pues el incremento del PBI sectorial demuestra una evolución positiva del sector, que beneficiaría a la empresa dentro del mismo, y que generaría posibilidades de una mejor situación financiera. Para el caso de la variable de inflación, se espera un signo negativo, pues ante mayor inflación, se puede inferir no sólo un menor crecimiento de la economía por efectos de demanda y oferta, sino también un manejo más dificultoso dentro de las empresas, así como comportamientos y decisiones incorrectas, basadas en expectativas inflacionarias que no se ajustan directamente, y cuyos rezagos terminan siendo perjudiciales (como nuestra historia nos demuestra). En el caso del costo de deuda, la variable TAMN, se espera un signo positivo, pues ante un mayor costo de endeudamiento, resulta más difícil mantener indicadores de solvencia y liquidez bien comportados, además del efecto directo en la capacidad de pago.

Para poder medir la incidencia de crisis internacionales y nacionales en la probabilidad de insolvencia financiera, se incluirá una variable dummy, que tome el valor de 1, reflejando crisis internacional o nacional en las observaciones que pertenezcan a los siguientes años (0 de otra manera):

(i)

1997: producto de la crisis financiera asiática

(ii)

1998: producto de la crisis financiera rusa

(iii)

2000: producto de la crisis interna nacional y de la crisis de las .com

(iv)

2001: producto de la crisis interna nacional y de la crisis argentina

(v)

2007: producto de la última crisis financiera internacional de las hipotecas sub-prime

CRI ==Dummy |0 No Crisis |1 = Crisis

La justificación de esta variable dummy recae en la necesidad de poder corregir el modelo por la exposición a la globalización financiera que presenta la economía peruana, especialmente, dadas las características de economía pequeña antes mencionadas, a las crisis económicas mundiales, que afectan de manera directa el crecimiento, y por lo tanto, el desenvolvimiento de las empresas. De igual forma, la variable sirve para corregir por el efecto de la crisis interna de los años 2000 y 2001, cuyo efecto económico fue importante y significativo en cuanto al desenvolvimiento empresarial. Como es de esperarse, se espera que el signo de esta variable sea positivo, pues la exposición a crisis aumenta la probabilidad de insolvencia financiera.

Como última característica de aproximación a la economía peruana, planteamos la consideración de una variable independiente que pueda incluir tanto el riesgo político (interno) y regional (globalización), como parte de la consideración de riesgos que potencien el poder predictivo de nuestro modelo en nuestra realidad. La consideración de estas variables, como se menciona anteriormente, responde a la teorización macroeconómica sobre la importancia real de estos factores en una economía tan pequeña, politizada y expuesta como la nuestra.

En este contexto se empleará una medida de riesgo de la empresa, construida a partir de la diferencia entre el índice EMBI+ para Latinoamérica y el índice EMBI+ para el Perú. De esta forma se planea poder incorporar qué tan más riesgoso es el país en contraste con sus contrapartes regionales y poder abstraer una medida de riesgo político y regional. Esta variable será incluida tomando el valor de esta diferencia tomando en cuenta el año de donde se recoge la observación.

EMBI = EMBI +−+Latam EMBI Peru ( para el año de la observación )

Como es de esperarse, se espera que esta medida de riesgo esté positivamente relacionada con la probabilidad de insolvencia financiera, y por lo tanto se espera un signo positivo luego de la estimación del modelo.

Variables Generales

La siguiente variable que completa el modelo se incluye con el fin de incluir en nuestra estimación, características comparables en cuanto a aspectos generales de las empresas incluidas en el estudio. Si bien no es objetivo de nuestro modelo el poder comparar entre empresas, consideramos que el tamaño de la empresa es una variable que puede ser usada con el fin de poder realizar un análisis más profundo de los determinantes de insolvencia financiera, y por lo tanto, necesaria para reducir la abstracción en el modelo. Altman et al. (1977) la incluyó como parte de las variables de una actualización del modelo original y como menciona Ibarra (2001), no se quiso eliminar el efecto que tiene el tamaño de la empresa para la capacidad predictiva del modelo. Por lo tanto, para el tamaño de la empresa, medida por el logaritmo natural de su nivel de activos, se espera un signo positivo, pues como mencionan Li y Liu (2009), el manejo de una empresa de gran tamaño es dificultoso, especialmente ante problemas de concentración de propiedad, y por lo tanto, incrementa la probabilidad de insolvencia financiera.

R

11

(

= SIZE = Ln Total Activos

)

Así, la revisión bibliográfica disponible sobre la investigación nos abre el camino de poder plantear un modelo predictivo, el cual, dada la crítica a la evolución del principal, el modelo Altman (1968), será de predicción ex-post, pero respondiendo a las características fundamentales del mismo, y a la teorización de nuestro propio valor agregado para adaptarlo a las condiciones fundamentales de la economía peruana.

Metodología

Marco Analítico

Sobre la base del modelo inicial conocido como “Z-score” de Altman (1968), modelo multivariado de ratios financieros que permitía indicar qué empresas se dirigían hacia la quiebra en los Estados Unidos, se desarrollaron diversos modelos predictivos mediante el Análisis Discriminante Múltiple (MDA). Posteriormente Altman, Hartzcel y Peck (1995), adaptaron el modelo original Z-score para economías emergentes, con el fin de poder reflejar en el indicador predictivo, los mayores riesgos asociados a las empresas en una economía emergente. El fin de estos estudios era poder establecer predicciones ex-ante, lo cual, como discutió Johnson (1970) presentaba grandes limitaciones, pues los ratios financieros tenían poca capacidad para este tipo de predicciones. Sin embargo, el modelo de Altman tendía a ser más exacto para predicciones ex-post.

De igual forma, el modelo “Z-score” de Altman presenta diversas deficiencias, como estipula Ibarra (2001); estos problemas, principalmente estadísticos, incluyen las dificultades en la dispersión de las variables, la dispersión de grupos, la inadecuada reducción en el número de las variables, entre otros. Principalmente, dentro del análisis de discriminante múltiple, existen diversas dudas sobre la certeza de la contribución relativa de cada una de las variables independientes dentro de la función lineal, así como de su correcta interpretación. Por lo tanto, la selección de una metodología adecuada exige la observación de estas deficiencias y la elección de una que las

supere. De esa manera, y, principalmente, debido a que la variable dependiente del modelo a estimar es categórica, se optó por escoger la regresión logística como metodología para el estudio.

Como explican Quintana, Gallego y Pascual (2005), definida la variable dependiente como la ocurrencia o no de un acontecimiento, el modelo de regresión logística (logit) la expresa en términos de probabilidad, usando la función logística para estimar la probabilidad de que ocurra el acontecimiento, dados determinados valores de las variables explicativas, mediante la siguiente formulación:

π

i

=

e

ββ

0

+

xx

11

i

2

+

β

2

i

++

β

x

p pi

1 + e

ββ

0

+

xx

11

i

2

+

β

2

i

++

β

x

p pi

=

1

1 + e

(

ββ

0

+

xx

11

i

2

+

β

2

i

++

β

x

p pi

)

∀= 1, 2

i

n

Como continúan en su explicación Quintana et al. (2005), el modelo anterior no es lineal respecto a las variables independientes y por lo tanto, se considera la inversa de la función logística, que es el logit o ventaja de que un suceso ocurra, definiéndose ésta como el cociente entre la probabilidad de que ocurra un acontecimiento y la probabilidad de que no ocurra, que es su complementaria, como puede observarse en la siguiente expresión:

log

it

(

π i )

= Ln

π

i

1

π

i

=

ββ

0

+

x

11

i

+

β

2

x

2

i

++

β

p

x

pi

i

=

1, 2

n

Esta formulación facilita la interpretación del modelo y de sus coeficientes, que reflejan, de este modo, el cambio en el logit correspondiente a un cambio unitario en la variable independiente considerada. Una vez explicada la metodología, vale mencionar las características que vuelven al análisis logit superior al de discriminante múltiple y por consiguiente, preferido, en base a dos razones básicas, como menciona Hair (2000):

(i)

El análisis de discriminante múltiple confía en supuestos muy estrictos de normalidad multivariada y matrices de varianza-covarianza iguales entre grupos, supuesto que no se cumple en la mayoría de situaciones, y que, en el análisis logit no es necesario a priori además de ser más robusto cuando no se cumplen estas condiciones

(ii)

El análisis logit es superior porque presenta instrumentos como pruebas estadísticas, así como la posibilidad de incorporación de variables métricas, no métricas y efectos no lineales, parecidos a los de la regresión múltiple, lo cual lo convierte en un estimador más práctico y sencillo de interpretar.

Tomando en cuenta esto, se propone usar una variación del modelo logístico propuesto por Li y Liu (2009) para encontrar los determinantes de insolvencia financiera en empresas listadas en la bolsa china. Este modelo responde a las consideraciones iniciales del modelo de Altman para economías emergentes, y nos brinda la posibilidad de realizar una estimación ex-post, que brinde a los ratios financieros la capacidad predictiva que les asocia Johnson (1970). Las variables a incluir en el modelo son las expuestas en el marco teórico que antecede esta sección.

Descripción de la Data

La base de datos que se utilizará para las estimaciones pertinentes al objetivo presenta una estructura de corte transversal. La longitud temporal a analizar responde a la decisión de incluir en el estudio periodos en los que, por la coyuntura del país u otros factores no identificados, las empresas de la muestra se hayan encontrado en un problema de insolvencia financiera. Por lo tanto, usaremos data en base a la siguiente muestra:

(i)

Sistema Concursal del Instituto Nacional de Defensa de la Competencia y de la Protección a la Propiedad Intelectual (INDECOPI): muestra de empresas en situación de insolvencia financiera

(ii)

Empresas del consolidado Peru: The Top 10,000 Companies. Esta base incluye las 10,000 empresas con mejores resultados en ingresos y utilidades por sector.

El periodo comprendido se encuentra entre el año 1995 y el 2007 para la muestra de empresas insolventes, y debido a la imposibilidad de conseguir información para la selección de empresas solventes en el periodo mencionado, se utilizará información del periodo comprendido entre los años 2000 y 2007 para esta muestra, con el fin de usar esta selección como variables de control para las empresas de la muestra del sistema concursal de INDECOPI. Ambas muestras buscaran reflejar, de la mejor manera posible, tomando en cuenta el factor de disponibilidad, un escenario en el cual se incluyan a los 11 principales sectores de la economía peruana:

agroindustria, alimentos y bebidas, ingeniería y construcción, manufactura, minería, pesca, petróleo y gas, química, retail, textil y transporte y logística.

La muestra de empresas insolventes, obtenida de la primera fuente (INDECOPI), es de 30 empresas. Estas han sido seleccionadas, luego de hacer una clasificación por tipo de procedimiento y último estado (priorizando las que se encuentran en quiebra debido a insolvencia financiera). Se seleccionó este número de empresas luego de considerar limitaciones en cuanto a disponibilidad de data, así como al costo de la misma. De igual forma, el número de empresas escogido permite realizar un traslape de información, con respecto a la muestra de empresas solventes, que complete el periodo comprendido por el estudio y que permita la estimación del modelo.

La muestra de empresas solventes se ha seleccionado de acuerdo a las empresas insolventes de las cuales se consiguió información financiera en INDECOPI. El criterio de selección se basó en poder replicar el escenario propuesto por las empresas insolventes, en cuanto a la dispersión por sectores. De manera más importante, la selección de empresas solventes responde a la necesidad de lograr un apareamiento de la data adecuado y que permita una base de datos comparables para cada tipo de empresa. Por lo tanto, y como ejemplo, para una empresa que entró al sistema concursal de INDECOPI con ventas de 3 millones de soles, se encontró una empresa en la base PERU TOP 10,000, con la misma magnitud de ventas. Las prioridades en cuanto al criterio de apareamiento fueron de la siguiente manera: primero, la empresa debe pertenecer al mismo sector de la economía; segundo, la magnitud de ventas debe ser lo más cercana posible; tercero, de no poder completar el segundo paso, se procede a comparar contra una empresa del mismo tamaño (en base al logaritmo del total de activos). De esta forma, la base de datos, con 73 observaciones por clase de empresa (insolvente o solvente), incluye las 30 empresas insolventes mencionadas y 32 empresas solventes. El número mayor de empresas

solventes responde al hecho que se priorizó encontrar a una empresa que sea completamente comparable para cada observación de empresa insolvente.

De esta manera, la selección de empresas generó la siguiente muestra, en cuanto a su sector de origen:

Gráfico 3 – Empresas de la muestra, por sector

Transporte y Agroindustria Logística 7% Alimentos y Bebidas 10% 10% Ingeniería y Textil Construcción 16%
Transporte y
Agroindustria
Logística
7%
Alimentos y Bebidas
10%
10%
Ingeniería y
Textil
Construcción
16%
7%
Manufactura
Retail
12%
10%
Químico
Minería
7%
7%
Pesca
Petróleo y Gas
7%

7%

Elaboración: Propia

El gráfico 3 da una visión de la importancia (peso) de los sectores de la economía peruana dentro de la muestra a analizar, se puede observar que el sector textil y manufactura son los más representativos de la muestra, seguidos por el sector retail. Vale mencionar que si bien se quiso replicar la economía peruana, se encontró una gran limitación en cuanto a la información para la base de datos de INDECOPI; sin embargo, se logró una participación similar para la mayoría de sectores. Con respecto a las variables independientes seleccionadas y su cálculo a partir de la selección de empresas, la siguiente tabla resume las principales características estadísticas de las mismas:

Cuadro 1 – Características estadísticas de las variables independientes

estadísticas de las variables independientes Variable Obs ervaciones Media Des . E s tandar

Variable

Obs ervaciones

Media

Des . E s tandar

Min

Max

LE V

146

1.9803

3.8689

9.6980

23.1250

R

OA

146

0.8681

9.0720

6.1550

0.4580

PR U

146

0.2015

0.2396

0.0000

2.3590

LIQ

146

0.4542

6.8581

82.4490

1.0000

P

BI

146

0.4551

0.0585

0.1240

0.2350

INF

146

3.3719

2.6731

0.1300

11.8400

T

AMN

146

26.3665

4.3614

20.7650

36.1550

C

R I

146

0.4658

0.5005

0.0000

1.0000

E

MB I

146

118.7325

210.6302

560.8740 130.5080

S

IZ

146

15.2455

1.6341

8.3890

19.0100

Elaboración: Propia

Finalmente, se pasó a calcular la matriz de correlaciones entre las variables independientes, con el fin de poder limpiar la base de datos del problema de multicolinealidad entre los regresores. El problema de multicolinealidad se presenta cuando existe una correlación elevada (0.8 en nuestra consideración) entre los regresores (y con la dependiente), lo cual afecta la potencia de la estimación, arrojando una significancia conjunta elevada, pero con estadísticos t que permitan eliminar los regresores por no tener significancia individual. La matriz de correlaciones calculada es la siguiente:

Cuadro 2 – Matriz de Correlaciones

 

Ins olvenc ia

L E V

R OA

P R U

L IQ

P B I

INF

TAMN

C R I

E MB I

S IZ

Ins olvenc ia

1

LEV

0.0938

1

ROA

0.2961 0.1451

1

PRU

0.4128 0.1677

0.1513

1

L

IQ

0.141 0.0516 0.0186 0.1096

1

PBI

0.192 0.0929 0.1013 0.1371 0.0211

1

INF

0.4414

0.0263

0.0639

0.2176 0.0269 0.0797

1

TAMN

0.4997

0.0458 0.1569 0.2414 0.0867 0.2873 0.0757 0.1746 0.185 0.0971 0.3082

0.6303

1

CRI

0.1648

0.1121

0.5109

1

E MB I

0.0759

0.0336

0.0256

0.0354

0.1242

0.068 0.0323 0.1666 0.5204

 

1

S

IZ

0.1141

0.1912

0.1383

0.4129

0.2885

0.0442

0.1196

0.015

0.077 0.3124

1

Elaboración: Propia

El cuadro 2 permite comprobar la inexistencia de multicolinealidad entre las variables independientes calculadas, y por lo tanto, confirmar la presencia de todas estas en la estimación a realizar. De esta manera, se procederá a controlar los problemas de heterocedasticidad, autocorrelación y quiebre estructural en la estimación del modelo.

Modelo Empírico

El modelo a estimar, luego de todas las consideraciones teóricas, es una regresión binaria logística (Logit) que permite estimar la probabilidad de ocurrencia de insolvencia financiera, de la siguiente forma:

Logit Insolvente

+

(

=

CRI

1|

X

it

=+

EMBI

it

)

α αα

01

it

2

+

α

10

SIZE

it

+

LEV

it

+

α

7

TAMN

it

++

αα

8

it

9

ROA

it

ε

it

+

α

3

PRU

it

+

ααα

4

it

5

it

6

LIQ

+

PBI

+

INF

it

Donde:

Insolvente it es la variable dependiente, decidida a partir de los criterios explicados LEV it es el ratio de apalancamiento ROA it es el rendimiento sobre activos promedio PRU it es el ratio prueba ácida LIQ it es el ratio de liquidez propuesto por Altman PBI it es el crecimiento porcentual del PBI sectorial por empresa, para el año de la observación INF it es la variación porcentual anual de la inflación (índice de precios al consumidor), para el año de la observación TAMN it es la tasa activa promedio del sistema bancario para el año de la observación

CRI it es una variable dummy que toma valor 1 ante crisis mundiales y nacionales y 0 de otra forma, de acuerdo al año de la observación EMBI it es la diferencia entre el EMBI+ Latinoamérica y el EMBI+ Perú, para el año de la observación SIZE it el tamaño de la compañía, incorporado como el logaritmo del total de activos. ε it es el error aleatorio asociado a la empresa i.

Resultados e Interpretación

Descripción de la estimación realizada

La estimación del modelo híbrido (pues incluye factores microeconómicos y macroeconómicos), responde a la selección de las variables antes explicadas, con la consideración de que el software utilizado (Stata 9.0) permite la instrucción de realizar una selección de variables independientes relevantes de forma iterativa, para un nivel de significancia determinado en 90%. De esta manera, y luego de haber realizado el proceso de limpieza de la data (habiendo controlado por heterocedasticidad en la estimación), mencionado anteriormente en la descripción de la base de datos, se procedió a realizar la estimación considerando todas las variables planteadas, con los siguientes resultados:

Cuadro 3 – Regresión de los determinantes microeconómicas y macroeconómicas

Dependiente = 1 (E mpres a Ins olvente) | 0 (E mpres a S olvente)

Variables

C oefic iente

Pvalue

Intervalos de C onfianza (al 95% )

Apalancamiento

0.3048561

0.001

0.1303323

0.4793800

ROA

0.7856465

0.006

1.3486310

0.2226617

C rec. %

del P B I S ectorial

9.3659230

0.047

18.6206400

0.1112105

Var. % de la Inflación T asa Activa Moneda Nacional Dummy C ris is

1.1612440

0.055

0.0225490

2.3450360

0.2117843

0.007

0.0585711

0.3649975

1.7485660

0.002

0.6440074

2.8531250

C

7.0885070

0.000

10.9651300

3.2118810

Pseudo R 2

0.3792

L og Ps eudolikelihood

48.292306

Wald C hi 2

29.55

Prob > C hi 2

0.0000

Elaboración: Propia

Lo primero a mencionar, es que la estimación iterativa realizada no permitió la inclusión de las variables de liquidez y tamaño de la empresa, con el nivel de significancia elegido. De igual forma, es importante mencionar que la variable macroeconómica llamada a representar el riesgo político (variable EMBI), no resultó significativa, y si bien, no presentaba multicolinealidad respecto a las demás variables macroeconómicas, se consideró que su efecto puede, de igual forma, ser reflejado por la variable dummy Crisis incluida y antes explicada. Cabe indicar, sin embargo, que todas las demás variables sí logran ser significativas para explicar la probabilidad de insolvencia financiera, dentro de las que se encuentran no sólo las que caracterizan el desenvolvimiento económico dentro de la empresa, sino también las que presentan características macroeconómicas propias de la exposición de un país en vías de desarrollo, como el Perú, a la globalización económica mundial y a sus efectos en el mercado interno.

Antes de pasar a realizar la interpretación de la estimación y contrastar los resultados con las hipótesis planteadas, es relevante demostrar la validez econométrica de la estimación en base a los indicadores básicos de significancia que se pueden realizar ante la estimación de un modelo logístico. De primera mano, el pseudo R 2 del modelo se encuentra dentro del rango (entre 0.2 y 0.4) de lo considerado, teóricamente, como un buen modelo, lo

que permite la inferencia de resultados coherentes y además, el cálculo de efectos impacto y elasticidades tomando en cuenta una probabilidad promedio de insolvencia financiera racional y de acuerdo a la teoría económica detrás del modelo. Asimismo, la probabilidad arrojada por el coeficiente de Wald, permite comprobar la significancia conjunta de las variables en el modelo, al no poder confirmarse la hipótesis nula de que todos los coeficientes de las pendientes son iguales a 0. Como otra forma de poder corroborar la bondad de ajuste del modelo, se calculó el contraste de Hosmer-Lemeshow. La idea del contraste de Hosmer-Lemeshow es comparar las predicciones de las probabilidades con los datos observados, lo cual permitió confirmar que el modelo presenta un buen ajuste de los datos, como se demuestra por el p-value del estadístico calculado:

Cuadro 4 – Contraste de Hosmer-Lemeshow

calculado: Cuadro 4 – Contraste de Hosmer-Lemeshow C ontras te de Hos mer ‐ L emeshow

C ontras te de Hos merL emeshow

HosmerL emeshow C hi 2 (10)

9.0100

P rob > C hi 2

0.5315

Elaboración: Propia

Otra forma de poder valorar el ajuste de nuestro modelo logístico, de manera muy sencilla, es la comparación de las predicciones del modelo con las respuestas observadas en la muestra. De esta forma, se puede construir un cuadro clasificatorio de las respuestas, lo que permite calcular las tasas de acierto (o error), globalmente, para cada categoría, así como el porcentaje de falsos 1 o 0. El cuadro clasificatorio construido en base al modelo planteado es el siguiente, así como las probabilidades calculadas y el cálculo de especificidad y sensibilidad:

Cuadro 5 – Cuadro Clasificatorio y Porcentajes de Predicciones Correctas

‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ True ‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐

C las s ified

D

~D

Total

+

37

10

47

14

52

66

Total

51

65

113

C las s ified + if predic ted P r(D) >= 0.5 True D defined as E mpres a S olvente (Dependiente = 0)

0.5 True D defined as E mpres a S olvente (Dependiente = 0) S ens itivity

S

ens itivity

P r(

+|D)

72.55%

S

pecificity

P r(

|~D)

83.87%

P

ositive predictive value

P r( D|+)

78.72%

Negative predictive value

P r(~D|)

78.79%

F

alse + rate for true ~D

P r( +|~D)

16.13%

F

alse rate for true D

P r( |D)

27.45%

F

alse

+ rate for classified +

P r(~D|+)

21.28%

F

alse rate for classified

P r( D|)

21.21%

C orrec tly C las s ified

78.76%

Elaboración: Propia

Del cuadro presentado, lo primero a mencionar es que el modelo clasifica de manera correcta al 78.76% de las observaciones en la base de datos, lo que demuestra un alto nivel de capacidad predictiva del modelo y lo que, además, nos permite considerar los resultados como válidos para contrastar las hipótesis. La sensibilidad del

modelo, que nos explica la probabilidad de que el modelo haya calculado de manera correcta (una probabilidad mayor o igual a 0.5) a las observaciones consideradas como D (observaciones con dependiente 0), es de 72.55%, valor que también es lo suficientemente alto como para aceptar la validez de los resultados. La sensibilidad puede ser interpretada, también, como la tasa de acierto en la predicción del modelo para las variables con dependiente D. De manera análoga, la especificidad del modelo, calculada en 83.87%, demuestra la tasa de acierto en la predicción de variables con dependiente -D (observaciones con dependiente 1). De esta forma, tanto la sensibilidad y especificidad del modelo como la capacidad predictiva, considerada como la capacidad de correcta clasificación del modelo, demuestra una alta consistencia de los resultados, así como probabilidades de error tipo 1 y error tipo 2 muy bajas. A continuación, se presenta el gráfico de sensibilidad y especificidad, donde se demuestra lo explicado, además de estar de acuerdo a lo esperado idealmente; que el cruce de las líneas se encuentre en una parte alta del cuadro:

Gráfico 4 - Plot de Sensibilidad y Especificidad

0.00 0.25 0.50 0.75 1.00 Sensitivity/Specificity 0.00 0.25 0.50 0.75 1.00
0.00
0.25
0.50
0.75
1.00
Sensitivity/Specificity
0.00
0.25
0.50
0.75
1.00
Probability cutoff Sensitivity
Probability cutoff
Sensitivity
Specificity

Specificity

Elaboración: STATA / Propia

Una última medida del ajuste de los datos para el modelo, es la interpretación de la curva ROC (receiver operating characteristics), donde el valor a tomar en cuenta, es el área debajo de la curva. Esta área, conocida también como el coeficiente de concordancia (concordance index), cuyo valor óptimo es de 1 (perfecta potencia discriminativa, o predictiva), es el plot entre sensibilidad y 1-especificidad, la fracción de dependientes = 0 correctamente predichas contra la fracción de dependientes = 1 valoradas incorrectamente. Este coeficiente puede también ser interpretado como el porcentaje de veces en las cuales el modelo ha asignado una mayor probabilidad a una predicción correcta que a una incorrecta. El valor del coeficiente y el gráfico del cual se desprende, se presentan a continuación:

Gráfico 5 - Curva ROC

0.00 0.25 0.50 0.75 1.00 Sensitivity 0.00 0.25 0.50 0.75 1.00
0.00
0.25
0.50
0.75
1.00
Sensitivity
0.00
0.25
0.50
0.75
1.00

1 - Specificity

Area under ROC curve = 0.8773

Elaboración: STATA / Propia

Cuadro 6 - Coeficiente de Concordancia en base a Curva ROC

Cuadro 6 - Coeficiente de Concordancia en base a Curva ROC Indice de Concordancia ROC ROC

Indice de Concordancia ROC

ROC Curve

0.8773

Elaboración: Propia

De acuerdo al valor del coeficiente de concordancia, 0.8773, se puede afirmar que el ajuste de los datos es una vez más comprobado como válido, y, por lo tanto, permite pasar a la interpretación de los coeficientes encontrados y al cálculo de los efectos impacto y elasticidades para las variables. En síntesis, se puede concluir que la estimación realizada comprueba las pruebas de ajuste de datos necesaria como para poder ser considerada correcta y válida para el objetivo del estudio. La siguiente sección muestra la interpretación de los resultados a la luz de la teoría económica que sustenta la evaluación de los determinantes de insolvencia financiera para el caso peruano.

Interpretación de los resultados

El signo de los coeficientes

Como en toda interpretación de los resultados de un modelo logístico, lo primero a analizar es el signo de los coeficientes arrojados por la estimación para cada variable. De esta forma, de los resultados mostrados en el cuadro 3, vale mencionar algunas conclusiones importantes:

(i) Como era de suponer, tanto los factores microeconómicos como los macroeconómicos tienen incidencia en la probabilidad de insolvencia financiera en el Perú. A diferencia del tratamiento histórico que se ha dado a la modelación de probabilidades de quiebra e insolvencia financiera, las variables

macroeconómicas demuestran tener importancia y relevancia en el cálculo para una aproximación en el caso peruano. Si bien llama a la atención las distintas magnitudes de los parámetros estimados, cabe recordar que, en un modelo probabilístico, estás pierden relevancia por lo que no deben tomarse en cuenta en el análisis.

(ii)

Por su parte, se confirma la importancia del ratio de apalancamiento en el incremento de la probabilidad de insolvencia financiera, de acuerdo a lo detallado por Ibarra (2001), quien menciona cómo un alto grado de apalancamiento es muchas veces la verdadera causa de que una empresa cese sus actividades.

(iii)

Se evidencia la importancia del rendimiento sobre activos promedio (ROA) en la reducción de la probabilidad de insolvencia financiera, mostrando como una mayor rentabilidad contribuye al potencial financiero de la empresa, como mencionara Bernstein (1999). De igual forma, el signo de esta variable independiente luego de la estimación, permite, de acuerdo a lo visto por Ibarra (2001), tener una mejor idea de la incidencia de la generación de rentabilidad por encima de los usos alternativos del capital.

(iv)

De igual forma, se evidencia una relación inversa entre el crecimiento porcentual del PBI sectorial (del sector de cada empresa en cada observación) y su probabilidad de insolvencia financiera. Este resultado responde a la influencia directa que existe entre la evolución económica de un sector, impulsada por factores exógenos a los considerados por los ratios financieros, y su influencia en el potencial financiero de la empresa. De esta manera, resulta lógico entender que el mejor desempeño agregado de un sector reduce la posibilidad de las empresas que lo componen, de caer en insolvencia financiera.

(v)

Se evidencia también, el incremento en la probabilidad de insolvencia financiera generado por variación porcentual (anual) de la inflación. Como en muchos países de la región, la inflación ha determinado el escenario económico por bastantes episodios de las décadas pasadas, y, como tal, es importante en la interacción económica de los agentes, por tanto, determinante de todo proceso económico. De esta forma, resulta coherente el entender que la inflación (el incremento de ella) incremente la probabilidad de insolvencia financiera.

(vi)

Asimismo, se evidencia una relación directa entre la tasa activa promedio en moneda nacional y la probabilidad de insolvencia financiera. Esto puede responder al hecho que la tasa activa promedio en moneda nacional es el costo de la deuda para el apalancamiento al que se exponen las empresas en el país y por lo tanto, un cambio en el costo tiene efecto directo sobre la posibilidad de pago. De esta forma, un incremento en el costo de la deuda incrementa la vulnerabilidad de la empresa con respecto al problema de insolvencia.

(vii)

Por último, se concluye que la exposición a crisis internacionales y crisis internas nacionales incrementa la probabilidad de insolvencia financiera para las empresas en el Perú. La evidencia empírica en el Perú muestra que la exposición a los mercados externos y a la evolución de crisis económicas en estos, es un determinante directamente relacionado con la probabilidad de insolvencia financiera. Como se mencionó

en la explicación de esta variable, un país en vías de desarrollo como el Perú, con una economía pequeña, es afectada directamente por la globalización económica.

La probabilidad estimada

El atractivo principal de la metodología seleccionada, en cuanto a la interpretación de resultados, es que permite estimar probabilidades puntuales dadas características determinadas de las variables independientes. De esta forma, resulta interesante y necesario, el calcular la probabilidad promedio de caer en insolvencia financiera, de acuerdo a los determinantes encontrados como significativos en la estimación y sus valores medios. De este cálculo se obtiene que dicha probabilidad promedio es de 45.31%.

Cuadro 7 – Probabilidad Promedio de Insolvencia Financiera

Cuadro 7 – Probabilidad Promedio de Insolvencia Financiera   Variables Promedio Apalancamiento 2.74253
 

Variables

Promedio

Apalancamiento

2.74253

R OA C rec. %

 

1.64496

del P B I S ectorial

0.05375

Var. % de la Inflación

1.07574

T asa Activa Moneda Nacional Dummy C risis

25.73480

0.66372

Probabilidad Promedio

45.3076%

Elaboración: Propia

Efecto Impacto y Elasticidades

De acuerdo a los resultados de la estimación, se pasan a calcular los efectos impacto y elasticidades de la variables, discretas y continuas, respectivamente. La racionalización detrás de estos cálculos es la de poder identificar la incidencia real, el valor real que se produce en la probabilidad de insolvencia financiera, ante un cambio en las variables independientes usadas. De esta forma, el efecto impacto nos permite identificar, para la variable discreta dummy Crisis, el cambio en la probabilidad cuando esta cambia de 0 a 1; para el caso de las variables continuas (todas las demás), la elasticidad nos permite entender el cambio en la probabilidad de la dependiente ante un incremento del 1% en la variable independiente.

Cuadro 8 – Efecto Impacto de la Variable Dummy Crisis

Cuadro 8 – Efecto Impacto de la Variable Dummy Crisis   Variables dy /dx P ‐
 

Variables

dy /dx

Pvalue

Apalancamiento

0.0732484

0.001

ROA

0.1887688

0.008

C rec. %

del P B I S ectorial

2.2503680

0.043

Var. % de la Inflación T asa Activa Moneda Nacional

0.2790143

0.053

0.0508858

0.007

Dummy C ris is *

0.3925647

0.000

(*) E fecto Impacto del cambio de 0 a 1 de la variable discreta

Variables E fec to Impac to Dummy ‐ C risis 39.26% Elaboración: Propia De acuerdo

Variables

E fec to Impac to

Dummy C risis

39.26%

Elaboración: Propia

De acuerdo a lo visto por el efecto impacto de la variable dummy Crisis, se confirma que la exposición del mercado peruano a las crisis económicas en los mercados internacionales y a las crisis internas, incrementa la probabilidad de caer en insolvencia financiera. Así, el hecho de ser una economía en vías de desarrollo, un mercado pequeño y cuya evolución dependa del precio de los commodities, de la cantidad de exportaciones, del bienestar económico de la región y de la necesidad de capital extranjero, incrementa la posibilidad de caer en insolvencia financiera para las empresas en 39.26%. De otra manera, si el Perú fuese un país que se desenvuelve en un escenario de autarquía, las empresas tendrían una probabilidad menor, en 39.26 puntos porcentuales, de caer en insolvencia financiera.

Cuadro 9 – Elasticidades de las variables continúas

Cuadro 9 – Elasticidades de las variables continúas   Variables ey /ex P ‐ value Apalancamiento
 

Variables

ey /ex

Pvalue

Apalancamiento

0.4572680

0.003

ROA

0.7068151

0.017

C rec. %

del P B I S ectorial

0.2753413

0.044

Var. % de la Inflación T asa Activa Moneda Nacional

0.6832137

0.067

2.9808450

0.013

Moneda Nacional 0.6832137 0.067 2.9808450 0.013 Variables E las tic idad Apalancamiento 0.4573%

Variables

E las tic idad

Apalancamiento

0.4573%

ROA

0.7068%

C rec. %

del P B I S ectorial

0.2753%

Var. % de la Inflación

0.6832%

T asa Activa Moneda Nacional

2.9808%

Elaboración: Propia

De las elasticidades se puede concluir que un incremento en el apalancamiento de la empresa en 1%, incrementa su probabilidad de caer en insolvencia financiera en 0.46%. De la misma manera, un incremento en la rentabilidad sobre activos de la empresa en 1%, disminuye dicha probabilidad en 0.71%. Un incremento en 1% en el crecimiento porcentual del PBI sectorial (de acuerdo al sector de la empresa) disminuye la probabilidad en cuestión en 0.28%. Asimismo, un incremento de 1% en la variación porcentual anual de la inflación incrementa la probabilidad en 0.68%. Por último, un incremento de 1% en la tasa activa promedio en moneda nacional incrementa la probabilidad de caer en insolvencia financiera en 2.98%. Esta ùltima variable es la de mayor importancia relativa sobre la probabilidad calculada.

Conclusiones y Recomendaciones

Luego de haber analizado los resultados, se encontraron respuestas tangibles a la pregunta planteada en un principio; ¿cuáles son los determinantes que llevan a una empresa a caer en problemas de insolvencia financiera? La importancia de dar respuesta a ésta pregunta radica en la posibilidad de hallar la probabilidad de que una empresa determinada enfrente problemas financieros que puedan terminar por una eventual salida del mercado.

Entre los principales resultados obtenidos se puede observar que, tanto los factores microeconómicos como los macroeconómicos tienen incidencia en la probabilidad de insolvencia financiera para empresas peruanas. Este resultado nos da indicios contundentes de que, al menos en el caso peruano, si bien es relevante el análisis de aspectos internos de cada empresa, el factor macroeconómico constituye un determinante importante en el desenvolvimiento de las empresas.

Más aún, el resultado obtenido permite aceptar la primera hipótesis planteada que sostenía que los factores macroeconómicos tienen mayor impacto que los factores financieros. Esto se evidencia en las elasticidades de los indicadores y el efecto impacto de la variable discreta utilizada. Así, se encontró que un incremento de 1% en la variable de crecimiento porcentual del PBI sectorial disminuye la probabilidad de que una empresa caiga en insolvencia financiera en 0.28%. Asimismo, un incremento de 1% en las variables; variación porcentual de la inflación y la tasa activa promedio en moneda nacional, incrementan la probabilidad de insolvencia en 0.68% y 2.98%, respectivamente. De esa manera, mientras esto sucede con los factores macro, al analizar los factores micro, se encontró que, un incremento de 1% en el nivel de apalancamiento de una empresa incrementa su probabilidad de caer en insolvencia financiera en 0.46%, y, un incremento en la rentabilidad sobre activos en 1% disminuye la misma probabilidad en 0.71%. Dicho esto, y considerando además, que el efecto impacto de la variable dummy Crisis, es de 39.26%, se puede concluir que los factores macro, efectivamente, tienen una mayor incidencia sobre la probabilidad de insolvencia financiera.

Otro hallazgo importante radica en la relevancia de dos indicadores financieros. En ese sentido, se observa que, de todos los indicadores financieros incluidos en el modelo en un principio, solo dos revelan una significancia considerable; el ratio de apalancamiento o de solvencia y el ROA.

Así, se confirma la importancia del ROA en la reducción de la probabilidad de insolvencia financiera y se encontró, específicamente, que ante incrementos en el ROA, la probabilidad de insolvencia disminuye, como se menciona líneas arriba.

El ratio de apalancamiento, por su parte, también evidenció una significancia considerable en el modelo. Sin embargo, con respecto a la segunda hipótesis planteada que sostenía que el ratio de solvencia, medido por el ratio de apalancamiento, tendría mayor impacto sobre la probabilidad de insolvencia financiera entre los demás ratios, se puede concluir que no es posible su aceptación en vista de los resultados obtenidos. De esa manera, se encontró que el ROA tiene mayor impacto sobre la probabilidad de insolvencia que el ratio de solvencia dado que frente a incrementos de 1% en ambos ratios, el último incrementa la probabilidad de insolvencia en 0.46%,

mientras que el ROA provoca una disminución en la probabilidad de 0.71%, evidenciando, de esa manera, el mayor impacto del ROA.

Con respecto a la tercera hipótesis, lo mencionado anteriormente con relación a la significancia de las variables ROA y de solvencia, nos permite aceptarla. Sin embargo, este resultado merece un análisis un poco más amplio. La no significancia de las variables de liquidez en nuestro modelo, responde a la naturaleza de las empresas que hemos tomado como muestra. Las empresas pequeñas y medianas en el Perú manejan su liquidez de una manera cortoplacista y sin el enfoque que los ratios propuestos por Altman (1968) buscan para realizar la predicción. En el Anexo 2 se puede observar una estimación en base a los dos ratios de liquidez seleccionados, de los cuales solo la variable de liquidez propuesta por Altman (1968), la variable LIQ, resulta significativa. La justificación de realizar esta estimación responde a la necesidad de demostrar que esta misma variable de liquidez puede haber sido tomada como variable dependiente del modelo, pues como se observa, explica de manera sobre-eficiente a la probabilidad de insolvencia. El pseudo R 2 que presenta la estimación se encuentra por fuera del rango estipulado como correcto, lo cual indicaría una mejor aproximación de la máxima verosimilitud del modelo completo a 0, pero que no sirve para poder inferir conclusiones. Como se muestra en el Anexo 2, la probabilidad promedio de insolvencia financiera en la consideración de esta variable independiente por si sola es de alrededor de 98%, lo que no permite que se encuentre coherencia en el cálculo de su elasticidad (también mostrada), pues no resulta significativo hablar de una elasticidad que afecte una probabilidad media tan alta. Sin embargo, es importante mencionar que el signo del coeficiente es el esperado, y que el ajuste de los datos es bastante alto (como se demuestra por el coeficiente de concordancia mostrado). Entonces, ¿por qué es que la liquidez no es significativa en nuestro modelo? Simplemente, porque el manejo de la liquidez en las empresas peruanas de la muestra, no es el que los ratios de liquidez tienen como supuesto, sino, porque la liquidez es en nuestro caso, dado el manejo empresarial para pequeñas y medianas empresas, un efecto de la insolvencia financiera y no una causa. De esta manera, los ratios de liquidez podrían ser tomados como variable dependiente del modelo, aproximándolos en una variable binaria, o cambiado la metodología de estimación por una pertinente para su naturaleza.

Finalmente, resulta interesante el hallazgo de que la probabilidad promedio de caer en insolvencia financiera para empresas peruanas asciende a 45.3%. A partir de ello, se puede concluir que, lo que subyace detrás de este resultado, podría explicar y afianzar el hecho de que los factores macroeconómicos, a priori, cumplen un papel importante en el desarrollo y evolución de una empresa.

De manera conclusiva, se considera importante mencionar el hecho que, si bien el modelo estimado tiene incluidas variables que caracterizan a la economía peruana, sigue la visión planteada Altman (1968 y 1995), y además, contribuye a ser una manera de corregir el modelo para economías emergentes. Replicar lo realizado por los modelos de Altman (1968 y 1995) en su totalidad no era algo posible, dada la disponibilidad de la data, pero seguir su línea de trabajo, sí permite considerar el presente trabajo de investigación como un aporte.

Las conclusiones aquí planteadas reflejan los resultados obtenidos a partir de información real y contribuyen brindando la posibilidad de identificar problemas relevantes a los que se enfrentan las empresas peruanas. Uno de los aportes de esta investigación responde al hallazgo de que no basta solamente con identificar factores

financieros críticos como lo son los ratios anteriormente mencionados, sino, que es relevante, a su vez, identificar aspectos macroeconómicos clave, dependiendo de la situación por la que atraviesa el país, y teniendo en consideración que las particularidades de la economía peruana ubican a los involucrados en un escenario en donde el sector externo cumple un papel crucial, al menos en el corto plazo.

Como recomendación final para posteriores estudios relacionados al tema en cuestión, se debe mencionar que el manejo de la data constituye un factor crítico específicamente en el caso peruano. La poca disponibilidad de información y los engorrosos trámites para acceder a ella son algunos de los posibles problemas a los que se tendrían que enfrentar aquellos que requieran realizar este tipo de análisis. En todo caso, en la medida de lo posible, y con bases de datos más amplias, el modelo podría abarcar un mayor horizonte de tiempo y más sectores productivos.

Asimismo, consideramos adecuado el manejo de encuestas, las cuales no solo contribuirán al enriquecimiento y verificación de la data obtenida, sino que también, podría sentar las bases para la inclusión de otras variables determinantes en la probabilidad de insolvencia financiera y que fueron dejadas de lado en este estudio por su carácter subjetivo.

Bibliografía

1.

Altman, E.I., (1968). Financial ratios, discriminant analysis and the prediction of corporate bankrupcy. The Journal of Finance; September 1968. (pp. 589 – 609).

2.

Altman, E.I., Baida, T. y Rivero, L.M., (1979). Assesing potencial financial problems for firms in Brazil. Journal of International Business Studies. (pp. 9 – 24).

3.

Altman, E.I., Hartzell, J. y Peck, M., (1995). Emerging markets corporate bonds: A scoring system. Salomon Brothers Inc., New York, NY.

4.

Altman, E.I., Zhang, L. y Yen, J. (2007). Corporate financial distress diagnosis in China, New York University Salomon Center Working Paper. New York University; November 2007.

5.

Banco Central de Reserva del Perú – BCRP (2009). www.bcrp.gob.pe

6.

Benavides, J., Fuenzalida, D., Mongrut, S. y Nash, M., (2008). Estructura propietaria y rendimientos bursátiles en Suramérica. Cuad. Adm. Bogotá, Colombia, Vol. 21. (pp. 11 – 35).

7.

Benavides, J., Mongrut, S. y Gonzalez, M., (2009). Family Ties, Do They Matter? Family Ownership and Firm Performance in Peru. Working Paper, Universidad ICESI y EGADE-ITESM.

8.

Bernstein, L.A., (1999). Financial statement analysis theory. Edit. Mc Graw Hill Inc. USA.

9.

Bodnar, G., Dumas, B. and Marston, R., (2003). Crossborder valuation: The international cost of equity capital. Working Paper Series 10115. Cambridge: NBER.

10.

Brealey, R. y Myers, B., (1999). Principles of corporate finance. Edit. Mc Graw Hill Inc. USA.

11.

Cavanagh, J., (2003 – 2009). Peru: The Top 10,000 Companies. Peru Top Publications. Lima, Perú.

12.

Cubbin, J. y Leech, D., (1983). The effect of shareholding dispersion on the degree of control in British companies: Theory and measurement. Economic Journal, Vol. 93. (pp. 351 – 369).

13.

Demsetz, H. y Lehn, K., (1985). The structure of corporate ownership: Causes and consequences. Journal of Political Economy, Vol. 93. (pp. 1155 – 1177).

14.

Hair, J., Anderson, R., Tatham, R., y Black, W. (2000). Multivariate Data Analysis. Edit Prentice Hall International Inc. USA.

15.

Ho, S.S.M., (2003). Corporate governance in China: Key problems and prospects. Centre for Accounting Disclosure and Corporate Governance, The Chinese University of Hong Kong.

16.

Ibarra, A., (2001). Tesis Doctoral: 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. Departament d´economia de l’empresa, Universitat Autonoma de Bacelona

17.

Instituto Nacional de Estadística e informática – INEI. (2009) www.inei.gob.pe

18.

Jensen, M.C., (1986). Agency costs of free cash flow, corporate finance and takeovers. American Economic Review. May, Vol. 76. (pp. 323 – 329).

19.

Johnson, C.G., (1970). Ratio Analysis and the prediction of firm failure. Journal of Finance. (pp. 1166 – 1168).

20.

Leech, D. y Leahy, J., (1991). Ownership structure, control type classifications and the performance of large British companies. The Economic Journal, Vol. 101. (pp. 1418 – 1437).

21.

Li, D., y Liu, J. (2009). Determinants of financial distress of ST and PT companies: A panel analysis of Chinese listed companies. Disponible en el SSRN: http://ssrn.com/abstract=1341795

22. Mongrut, S., Fuenzalida, D., Cubillas, C., y Cubillas, J., (2009). Working Capital Management and Its Influence in the Value of Latin American Companies. Estudios Gerenciales (próxima aparición).

23. Philippatos, G. y Young Song, J., (2004). What do we know about International Capital Structure? Empirical Evidence from the OECD Countries. The University of Tennessee, Department of Finance.

24. Pivovarsky, A., (2003). Ownership concentration and performance in Ukraine’s privatized enterprises. IMF Staff Paper, Vol. 50. (pp. 10 – 42).

25. Quintana, J., Gallego, A., y Pascual, E. (2005). Aplicación del Análisis Discriminante y Regresión Logística en el estudio de la morosidad en las entidades financieras. Comparación de Resultados. Pecvnia, Vol. 1. (pp. 175 – 199).

26. Zakoian, J., (1994). Threshold heteroskedastic models. Journal of Economic Dynamics and Control, Vol. 18. (pp. 931 – 955).

Anexo 1 – Muestra de Empresas

Cuadro 10 – Muestra de Empresas Insolventes – (Variable Dependiente = 1)

de Empresas Insolventes – (Variable Dependiente = 1) E mpres a S ec tor Agropecuaria del

E mpres a

S ec tor

Agropecuaria

del P ilar S .A.

Agroindustria

Agropecuaria S anta C ecilia S .A.

Agroindustria

Indus trialización

de Alimentos S .A.

Alimentos

y

B ebidas

Distribuidora ME

S

S .A.C .

Alimentos

y

B ebidas

Watts Alimentos P erú S .A.

 

Alimentos

y

B ebidas

C

orporación S agitario

S

.A.

Ingeniería

y

C ons trucción

Unión C ons tructora S .A. C ontratistas G enerales

Ingeniería

y

C ons trucción

O

mega Industrial del P erú

 

Manufactura

T

rupal

S .A.

Manufactura

Impres iones E l C orreo S .A.

 

Manufactura

F

abrica Industrial Mecánica Afines S .A.

Manufactura

C

ompañía Minera Uyuccasa S .A.

 

Minería

C

ompañía Minera C audalosa S .A.

Minería

F

ibras Marinas S .A.

 

P esca P esca P etróleo y G as P etróleo y G as Químico Químico R etail R etail R etail T extil T extil T extil T extil T extil

es quera S an J uan B autis ta S .A. Dies el P eruana S .A.

P

G

rifo S anta Martina S .R .L .

 

Quimica

Quimica

Indus trial B eker S .A. P eruana S .A.

L

au C hun S .A.

Importaciones S imran S .A.C . Indus trial del Norte S .A. D'F as hion S .A. Ingenieria T extil S .A.

 

L

anificio del P erú

C

ons orcio T extil P acífico S .A.

 

Manufacturas del

P erú S .A.

T

ransportes C B D

S .A.

T rans porte

y

L ogís tica L ogís tica L ogís tica

T

ransamerican S ecurity S .A.C .

T

rans porte

y

P

ros er S .A.

T rans porte

y

Elaboración: Propia

Cuadro 11 – Muestra de Empresas Solventes (Variable Dependiente = 0)

– Muestra de Empresas Solventes (Variable Dependiente = 0) E mpres a S ec tor E

E mpres a

S ec tor

E

MP R

E S A

AG R IC O L A S INT UC O

S .A.

 

Agroindustria

E

MP R

E S A

AG R AR IA C HIQ UIT O Y S .A.

Agroindustria

P

AS T E L E R IA S AN

ANT ONIO S

.A.

 

Alimentos

y

B ebidas

NUT R

IT IONAL

T E C HNOL OG IE S S

.A.C .

Alimentos

y

B ebidas

T

. & C . R E P R E S E NT AC IO NE S

S

.R

.L .

Alimentos

y

B ebidas

E

J

UR OP AN S .A.

. E . C ONS T R UC C IONE S

G E NE R AL E S

S .A.

Alimentos

y y C onstrucción

B ebidas

Ingeniería

S

. &

Z

. C O NS

UL T O R E S

AS O C IADO S S

.A.

Ingeniería y C onstrucción

C

IA.

E L E C T R O

ANDINA S .A.C .

 

Manufactura

F

IMAR T

S .A.C . E DIT O R E S

E

IMP R E S O R E S

 

Manufactura

C

H. & V. G R

AF IC O S

S .A.C .

Manufactura

F

ABR IC ANT E S

Y C ONS T R UC T OR

E S

S .R .L .

Manufactura

MINE R A

DY NAC O R

DE L

P E R U S .A.C

.

Minería

MINE

R

A

AL MAX

S .A.C .

 

Minería

C

OR P OR AC ION P E R UANA DE L

P UE

R T O

S .A.C .

 

Pesca

MANE

X

F

O O D

S .R

.L .

Pesca P etróleo y G as P etróleo y G as Químico Químico R etail R etail R etail T extil T extil T extil T extil T extil

E

MP R

E S A P E

T R O L E R A UNIP E T R O

AB C

S .A.C .

 

S

E R VIC E NT R O MUNIC IP AL

E L

C O L L AO

 

P

E T R OL E OS

UNI S E R VIC IOS

Y

AS E S OR IA S .A.C .

 

C

O NT E NE DO R E S

INDUS T R

IAL E S

C

O ME R C IAL E

S

P L AS T IC O S

S .

R

E C IC L ADOR A

P E R UANA

S .A.

 

DIS T R IB UIDO R

MAY O R IS T A S Y MB O L

S .A.C .

DMS

P E R

U S .A.C .

C

O ME R C IAL

L AZ O

R O MO

S .R .L .

 

AG ALP E S

A S .A.C .

G

AIT E X

S

.A.

T

IE NDAS INT E R NAC IONALE S S .A.

G L OBAL

R E

T AIL ING

 

T

E X C OP E

S .A.C .

C

ONS OR C IO R OBR IS A S .A.

 

T ransporte

y L ogística y L ogística y L ogística y L ogística

T

R ANS P OR T E S

S OBR E R UE DAS S .A.

 

T ransporte

R

IS K

C ONT R

OL

S

.A.C .

 

T ransporte

S

E C UR IT Y

Z AK S .A.

T ransporte

Elaboración: Propia

Anexo 2 – Estimando con Ratios de Liquidez

El Modelo de Estimación y el ajuste de los datos

Cuadro 12 – Regresión de las variables de Liquidez

Dependiente = 1 (E mpres a Ins olvente) | 0 (E mpres a S olvente)

Variables

C oefic iente

Pvalue

Intervalos de C onfianza (al 95% )

L iquidez de Altman

6.7105260

0.000

8.8753430

4.5457090

C

1.0060370

0.002

0.3833196

1.6287550

Pseudo R 2

0.5609

L og Ps eudolikelihood

44.439158

Wald C hi 2

113.52

Prob > C hi 2

0.0000

Elaboración: Propia

Gráfico 6 – Curva ROC

0.00 0.25 0.50 0.75 1.00 Sensitivity 0.00 0.25 0.50 0.75 1.00
0.00
0.25
0.50
0.75
1.00
Sensitivity
0.00
0.25
0.50
0.75
1.00

1 - Specificity

Area under ROC curve = 0.9425

Elaboración: STATA / Propia

Cuadro 13 – Coeficiente de Concordancia en base a curva ROC

13 – Coeficiente de Concordancia en base a curva ROC Indic e de C onc ordanc

Indic e de C onc ordanc ia R OC

R O C

C urve

0.9425

La probabilidad estimada

Elaboración: Propia

Cuadro 14 – Probabilidad promedio de Insolvencia Financiera

14 – Probabilidad promedio de Insolvencia Financiera Variables Promedio L iquidez Altman ‐ 0.45417

Variables

Promedio

L iquidez Altman

0.45417

Probabilidad Promedio

98.2939%

Elaboración: Propia

La Elasticidad

Cuadro 15 – Elasticidad de la variable continúa

Cuadro 15 – Elasticidad de la variable continúa Variables E las tic idad P ‐ value

Variables

E las tic idad

Pvalue

L iquidez Altman

0.0520%

0.075

Elaboración: Propia