Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TRABAJO DE GRADO
INVESTIGACIÓN EMPÍRICA
Presentado por
Germán Alfredo Camacho Rubiano
Antonio José Salazar Henao
Claudia Bibiana León Arias
Directores
Javier Bernardo Cadena Lozano
Miller Janny Ariza Garzón
0
TABLA DE CONTENIDO
1. INTRODUCCION .......................................................................................................... 6
1
3.9 MODELO MULTIVARIADO PARA LA PREDICCIÓN DE INSOLVENCIA
EMPRESARIAL ............................................................................................................... 50
5. CONCLUSIONES ............................................................................................................ 78
7. RECOMENDACIONES ............................................................................................... 85
BIBLIOGRAFÍA .................................................................................................................. 87
2
INDICE DE TABLAS
Tabla 20 Resultados por cantidad de empresas para los Modelos Evaluados ...................... 77
3
INDICE DE GRAFICOS
4
INDICE DE ANEXOS
5
1. INTRODUCCION
Según datos de la encuesta anual manufacturera de 2009 (Planeación D. N., 2009) en ese
año existían 450 fabricantes de textiles y 10.000 de confecciones los cuales generaron
aproximadamente 130 mil empleos directos y 750 mil empleos indirectos, con una
participaron del 8% del PIB manufacturero y el 3% del PIB nacional; también genera más
del 5% del total de exportaciones del país, lo que lo convierte en uno de los sectores más
importantes del sector de exportaciones no tradicionales.
6
La industria textil colombiana está concentrada en Medellín donde se encuentran las
principales y más grandes empresas y en Bogotá donde están ubicadas varias empresas
medianas y pequeñas que se dedican principalmente a la producción de telas de algodón
(Planeación, 2007).
Expuesta la anterior situación y teniendo en cuenta que el sector textil representa el 2% del
PIB total, el 13% del PIB manufacturero y el 20% del empleo industrial, es pertinente
analizar las razones financieras y sus predictores de quiebra de uno de los sectores
tradicionales en la economía Colombiana (Benchmark, 2013).
7
La investigación pretende comprender que variables o indicadores financieros afectan el
comportamiento de las empresas del sector textil, de tal forma que aplicando un modelo
particular para riesgo de quiebra del sector, se puedan tomar decisiones oportunas y acordes
con las necesidades de las mismas y así se logre mitigar el riesgo de quiebra.
8
2. ESTADO DEL ARTE
En la época de los sesenta, se desarrolló un modelo que incluye análisis financiero con
ratios y modelos multivariables. Con el estudio de Edward Altman, al aplicar el método
Multiple Discriminant Analysis, se logró aportar significativamente a la capacidad de
predicción previa a la quiebra financiera. A partir de ello, Altman creó un modelo de
evaluación para medir la solvencia mediante un indicador conocido como “Z-Score” en el
año 1977. También adaptó el modelo original de su “Z Score” para economías emergentes
con el fin de proponer un nuevo indicador global predictivo exclusivo para este tipo de
mercados. A este nuevo indicador lo denominó: “Emerging Market Scoring Model” (EMS
Model).
9
El modelo de Altman, está basado en un análisis estadístico iterativo de discriminación
múltiple, en el que se ponderan y suman cinco razones de medición para clasificar las
empresas en solventes e insolventes. A la muestra que Edward Altman tomó de 66
empresas de las cuales 33 habían quebrado durante los 20 años anteriores a 1966 y 33
seguían operando en 1966. Calculó 22 razones financieras que clasificó en cinco categorías
estándar: liquidez, rentabilidad, apalancamiento, solvencia y actividad, este modelo solo
aplicaba a empresas manufactureras que cotizaban en bolsa.
El resultado del modelo, se denominó predictor de quiebra y fue nombrado como Z-score.
Este combina varios de los indicadores Financieros más significativos dentro de una
derivación estadística que fue publicada inicialmente por Edward Altman, y desarrollada
en una muestra de 50 empresas industriales. Desde entonces, el algoritmo se ha
perfeccionado hasta lograr un 95% de confiabilidad en la exactitud de la predicción de
quiebra, con 2 años de anterioridad a la situación de insolvencia, modelo que es aplicable a
las empresas no industriales y que no coticen en bolsa (León Valdés, 2006).
Una vez obtenidos el valor Z, se puede comparar con los límites de referencia, o valores de
corte, para obtener el diagnóstico de la situación de las empresas, de acuerdo con el
modelo. Las variables definitivas del modelo Z-score de Altman que mejor determinan la
fortaleza de una empresa se muestran en la siguiente tabla:
10
Tabla 1 Variables discriminantes del Modelo Z de Altman
Siglas Significado
AC Activos corrientes
AT Activos totales
VN Ventas netas
IN Gastos Financieros
PT Pasivos Totales
PC Pasivos Corrientes
VM Valor de Mercado
UAI Utilidad antes de impuestos
UR Utilidades Retenidas
Fuente:(León Valdés, 2006)
Con base en estas variables, Altman derivó las siguientes ecuaciones o indicadores que,
posteriormente, fueron utilizadas para la determinación del indicador Z-Score.
X1= (AC – PC) / AT: para Edward Altman, este es el menos significativo de los factores al
ser una medida de los activos líquidos netos de la empresa con respecto a sus activos totales
y se conoce como fondo de operaciones o capital neto de trabajo.
X2 = (UR / AT): es uno de los factores más representativos, porque es una medida de largo
plazo frente a las políticas de retención de utilidades; aunque ésta cuenta puede ser
manipulada, de alguna manera, y podría crearse algún sesgo en sus resultados.
X3 = (UAI + IN) / AT: es el factor más importante, pues la utilidad es el objetivo principal
de cualquier actividad económica y de su volumen depende la fortaleza financiera. Los
gastos financieros se agregan a las utilidades pues este costo no disminuye la rentabilidad
de la empresa.
11
X4 = (VM/PT): señala la capacidad de la empresa de sufrir una declinación en el valor de
los activos. En algunas ocasiones, el valor de mercado puede ser substituido por el
resultado de (AT-PT), es decir por el patrimonio contable registrado. Sin embargo, se
sostiene que no siempre el valor patrimonial es cercanamente equivalente al valor
comercial.
X5= VN/ AT: este es uno de los indicadores más significativos, porque ilustra las ventas
que son generadas por la inversión total de la compañía representada por sus activos.
12
Tabla 2 Límites de Referencia Modelo Z-Altman
Límites Descripción
Z ≥ 2.99 Baja probabilidad de quiebra; probablemente la empresa no tendrá
problemas de solvencia en el corto y mediano plazo, aunque factores
tales como mala gestión, fraude, desaceleración y otros podrían causar
un cambio inesperado.
Z ≤ 1,81 Alta Probabilidad de quiebra, indica que la empresa prácticamente
incurrirá en quiebra, normalmente una empresa no recupera su
solvencia si se encuentra con un resultado de esta naturaleza.
1.81 <Z < 2.99 Zona gris, señala alguna seguridad relativa, pero se sitúa dentro de un
área de observación (área gris) y está debajo del umbral de más alta
seguridad.
Fuente: (León Valdés, 2006)
Este modelo tiene múltiples aplicaciones, dado que puede ser usado para un grupo de
empresas o para una empresa individual. Si es para un grupo de empresas, se calcula cada
uno de los índices contemplados en el modelo para cada empresa de la muestra que se
tome, y se calcula el valor promedio de cada índice en el grupo y se sustituye en la función.
Si es para una empresa específica, se calculan igualmente los índices del modelo y el
resultado se sustituye en la función para obtener el valor de Z. Esto puede hacerse para el
ejercicio económico actual o para uno proyectado. Pero puede también calcularse para una
serie histórica de máximo cinco años o de 2 años proyectados, lo cual permitirá analizar la
tendencia y así tener una mejor visión de la situación del grupo de empresas o de una
empresa específica.
Ante las críticas al modelo en el sentido de que no todas las empresas son manufactureras
cotizables en el mercado de capitales y adicionalmente que existen empresas comerciales y
de servicio, y que cotizan o no en bolsa, las cuales no fueron consideradas en el modelo,
13
Altman realizó una revisión del modelo, lo que resultó en la obtención de dos nuevas
versiones: Valor Z1 y Valor Z2.
El grado de confianza de los resultados puede ser evaluado estadísticamente, debido a que
su información básica proviene de cifras calculadas con anterioridad, lo que permite que
sean más fáciles de usar e interpretar que las herramientas tradicionales de análisis.
En la segunda parte del análisis realizado al predictor de quiebra conocido como Altman Z
Score se plantea la solución al problema detectado en la ecuación original, la cual incluía
únicamente empresas industriales inscritas en bolsa de valores. Surgen, de ésta manera, los
indicadores Z1 y Z2 con el propósito de ampliar la aplicación de este modelo.
Esta versión del modelo original se desarrolló para que fuera aplicable a cualquier clase de
empresa y no solo aquellas industrias manufactureras inscritas en bolsa. Para poder cumplir
tal propósito se trabajó básicamente con los factores integrantes de la variable X4,
sustituyendo el valor de mercado por el valor patrimonial en libros o valor del capital
contable.
Este valor es entonces útil cuando las empresas son manufactureras no cotizables en el
mercado bursátil; esto debe tenerse en cuenta al momento del análisis para así ajustarse al
modelo y tener mayor confiabilidad en sus resultados.
Los índices quedaron iguales, con excepción del X4, donde se sustituyó el numerador,
debido a que en vez de contemplar el valor de mercado del patrimonio, este se cambió por
el valor contable del patrimonio.
14
En esta función, los índices seleccionados para conformar el valor Z1, son:
Límites Descripción
Z ≥ 2.90 Baja probabilidad de quiebra; probablemente la empresa no tendrá
problemas de solvencia en el corto y mediano plazos.
Z ≤ 1,23 Alta Probabilidad de quiebra, indica que la empresa prácticamente
incurrirá en quiebra, normalmente una empresa no recupera su
solvencia si se encuentra con un resultado de esta naturaleza.
1.23 < Z < 2.90 Zona gris, corresponde a la zona gris defina por Edward Altman,
donde existe alguna probabilidad de quiebra, más evidente entre más
cercano esté el resultado al límite inferior determinado en la función.
Fuente: (León Valdés, 2006)
15
Sin embargo, como el factor X5 otorga un peso relativo importante a la rotación de activos
y es en las empresas manufactureras donde este indicador mantiene grandes volúmenes, en
cierta forma se estaría distorsionando el resultado para empresas comerciales y de servicios
que tienen menos inversión en activos fijos. Lo anterior generó un replanteamiento del
modelo Z1 los cuales generaron el modelo ajustado de Z2 de Altman.
Frente a las críticas del modelo en las cuales se describía que los modelos anteriores no
eran aplicables a las empresas comerciales y de servicio, Altman realizó modificaciones en
su estudio y llegó a obtener el valor Z2, para ser aplicada por cualquier tipo de empresa
diferente a las contempladas Z y Z1.
Entonces Z2 debe aplicarse cuando la empresa es comercial o de servicios. Esta versión del
modelo, fue realiza para corregir la distorsión que podría presentarse, debido a que elimina
la razón de rotación de activos (X5) y otorga un peso relativo aún más importante al factor
de generación de utilidades en relación al activo (X3).
16
En cuanto a la función, esta quedo representada así:
Z2 = 6,56 X1 + 3,26 X2 + 6,72 X3 +1,05X4
Para aplicar este modelo se calculan los valores de cada índice y se sustituye en la función
para hallar el valor de Z2. Los límites o parámetros de referencia para análisis de los
resultados del modelo, se interpretan como se describe en la siguiente tabla:
Límites Descripción
Z2 ≥ 2.60 Baja probabilidad de quiebra; probablemente la empresa no tendrá
problemas de solvencia en el corto y mediano plazo.
Alta Probabilidad de quiebra, indica que la empresa prácticamente
Z2 ≤ 1,10 incurrirá en quiebra, normalmente una empresa no recupera su
solvencia si se encuentra con un resultado de esta naturaleza.
Zona gris, es la zona definida por Altman, en la cual se presenta alguna
1.10< Z2< 2.60 probabilidad de quiebra, más evidente en la medida en que el resultado
se encuentre más cerca del límite inferior calculado en la ecuación.
Fuente: (León Valdés, 2006)
El modelo desarrollado por Jorge Rosillo define los indicadores financieros que permiten
predecir con mayor certeza una situación financiera difícil o detectar preventivamente la
quiebra. Este modelo toma como base el modelo desarrollado por Edward Altman,
aplicándolo al caso colombiano, de manera que permite visualizar cuando una empresa se
encuentra en problemas y cómo puede un empresario tomar los correctivos adecuados
(Rosillo, 2002).
17
Los modelos utilizados por Edward Altman para predecir la quiebra de las empresas se
realizan utilizando el “análisis discriminante”. De acuerdo a Jorge Rosillo el discriminante
tiene su origen en la regresión multivariable, pero a diferencia de esta, la variable
dependiente es categórica u ordinal, es decir, que sirve para clasificar una población en
diferentes categorías, utilizando variables independientes cuantitativas. El punto de partida
es la definición de las variables independientes cuantitativas y las variables que permitirán
discriminar la muestra. En el caso de Altman se utilizaron indicadores financieros; el total
de la muestra deberá contener empresas fuertes y débiles diagnosticadas con base en estos
indicadores (Rosillo, 2002).
El modelo desarrollado por Jorge Rosillo tomó una muestra de 106 empresas de diferentes
sectores a las cuales se determinó una posición de acuerdo con indicadores financieros
promedio, tales como: razón corriente, prueba acida, razón de liquidez, endeudamiento,
días período de cobro, días de inventario, rotación de activos, margen neto, rentabilidad del
patrimonio, rentabilidad del activo y apalancamiento a corto plazo.
Los resultados de los indicadores mencionados fueron la base para calcular la función
discriminante; inicialmente se habían asignado 12 indicadores para el cálculo, el sistema de
estimación paso a paso los redujo a tres y determinó una constante de 1,563, dichos ratios
son: Endeudamiento, rentabilidad del patrimonio, apalancamiento y constante (1,563)
(Rosillo, 2002).
Los datos obtenidos de las 106 empresas de acuerdo con su posición promedio en los
estados financieros son los siguientes (Rosillo, 2002):
18
Tabla 5 Coeficientes Modelo Jorge Rosillo
Indicador Valor
X Endeudamiento -7,165
X Rentabilidad del patrimonio 9,852
X Apalancamiento Largo Plazo 1,097
Constante 1,563
Fuente: (Rosillo, 2002)
Z = Función discriminante
Z = -7,165X + 9,852X + 1,097X + 1,563
Esta función define cuando una empresa es fuerte o débil; inicialmente se analizaron los
resultados de los indicadores financieros de las 106 empresas y de acuerdo con los
parámetros considerados acerca de cuándo un indicador es bueno o malo, se definió que de
las 106 empresas objeto de análisis, las primeras 65 pueden considerarse financieramente
fuertes y el resto débiles. De las 106 empresas se tomó una muestra de 80 (50 fuertes y 30
débiles) para calcular los promedios de las razones discriminantes (Rosillo, 2002).
19
De acuerdo con los resultados presentados se calculó la función discriminante de las
empresas financieramente fuertes, obteniendo la siguiente función (Rosillo, 2002):
Indicador Valor
Endeudamiento 0,46342418
Rentabilidad del patrimonio -0,07814256
Leverage Largo Plazo 1,00787766
Constante 1,563
Fuente: (Rosillo, 2002)
Con base en los resultados del Z para las empresas fuertes y débiles obtenidos
anteriormente, se determina el Z que corresponde al punto de corte o en el que una
empresa fuerte pasa ser débil.
20
Zoc = ((Zfuerte) (Número de empresas fuertes) + Débiles (número de empresas débiles)) /
Total de empresas
Zoc = ((50) (0,85272677) + 30(-1,42165289))/ 80 = -0,00016656
Las empresas que como resultado tengan funciones discriminantes mayores al Zoc son
fuertes, de lo contrario son débiles.
Dicho esto, el modelo permite predecir si una empresa es fuerte o débil con los indicadores
financieros obtenidos a través del análisis discriminante, la cual puede ser utilizada como
un instrumento de pronóstico, suponiendo los comportamientos del pasado van a mantener
en el futuro.
En 1988, Ricardo Pascale desarrolló un modelo que buscaba predecir la bancarrota de las
empresas en el contexto latinoamericano, con alta inestabilidad. Trabajando para la
industria uruguaya estimó un modelo usando el análisis discriminante múltiple,
estableciendo la siguiente formula (Mares, 2013):
21
Valor crítico: Z = 0 y la Zona Gris entre -1.05 < Z < 0.4
Utilizando un modelo como el de Pascale para países de América Latina (Uruguay), los
resultados deben interpretarse en el siguiente sentido: Para el modelo de Pascale, si reporta
un valor de Z superior a cero (0), la empresa será clasificada con características similares a
las empresa que no han presentado serios problemas financieros y aquellas que tienen un Z
menor que cero (0) como aquellas con características similares a las empresas que han
tenido serios problemas financieros (Mares, 2013).
Al igual que los modelos creados por Altman, el indicador desarrollado por Fulmer en 1984
utiliza el análisis iterativo de discriminación múltiple, pero al contario de aquel simplifica
la interpretación del resultado, el cual se presenta como una función dicotómica del tipo
verdadero o falso, dependiendo de si es mayor o menor que uno dicho resultado. (Leon
Valdez, 2000). En una muestra de 60 empresas, 30 solventes y 30 insolventes, Fulmer
calculó y evaluó 40 razones financieras para elegir, finalmente, las siguientes nueve razones
ponderadas:
X1 = Utilidades retenidas /Activo Total
X2 = Ventas / Activo Total
X3 = Utilidad antes de impuestos / Capital contable (Patrimonio)
X4 = Flujo de caja / Pasivo Total
X5 = Pasivo Total / Activo Total
X6 = Pasivo Corriente / Activo Total
X7 = Activo total tangible
X8 = Capital de trabajo / Pasivo Total
X9 = Logaritmo de la utilidad de operación / Gastos financieros
22
La ponderación de estas nueve variables permite formular la siguiente ecuación para hallar
el indicador de quiebra o insolvencia:
Si H< 0 la empresa se considera insolvente y entre más alto sea el numero positivo que se
obtenga entonces se podrá afirmar que la compañía es más sólida desde el punto de vista
financiero.
23
3. MARCO TEÓRICO
De acuerdo con el objeto de estudio, lo principal es conocer que se entiende como Quiebra
o Insolvencia. A continuación se describen las principales definiciones de otros
investigadores acerca de la quiebra e insolvencia de las empresas (Fernández & J, 2012):
Beaver (1966), Marais et al. (1984), Gabás (1990), García, Arqués y Calvo-Flores, (1995) o
Westgaard y Wijst (2001), que definen el fracaso como la incapacidad de atender
obligaciones financieras a su vencimiento (Fernández & J, 2012).
Wilcox (1971) se muestra crítico con autores como Beaver o Altman por su falta de marco
conceptual. Su intención es desarrollar un modelo teórico para explicar mejor los resultados
de Beaver y para generar hipótesis que llevaran a predictores de fallido potencialmente
mejores (Fernández & J, 2012).
“Para ello, adapta el clásico problema de la ruina del jugador fijándose en el valor de
liquidación neto y los factores que causan su fluctuación. El primero es simplemente un
nivel de dinero determinado por la entrada de liquidez y la tasa de salida. Asumiendo un
“proceso estable”, Wilcox postula que la probabilidad de que el valor de liquidación neto se
reduzca a cero (interpretado como quiebra o fallido definitivo) es una función de tres
elementos: el valor de liquidación neta actual o riqueza actual, la media ajustada del flujo
de efectivo, y la variabilidad del flujo de efectivo ajustado, medido por su varianza. El
propio autor reconoce que el modelo es una gran simplificación, y sus desalentadores
resultados empíricos le muestran el escaso significado de su probabilidad de fallido. Más
tarde Wilcox (1976) abandona la estructura de la forma funcional y construye un modelo de
predicción basado en las variables que sugería su primer modelo” (Fernández & J, 2012).
24
Deakin (1972), que considera fracaso empresarial a las empresas en quiebra, suspensión de
pagos o concurso de acreedores (Fernández & J, 2012).
Argenti (1976) identifica en una primera fase los defectos de las empresas que les llevan a
cometer una serie de errores que desencadenan el fracaso. Estos defectos se producen por
una mala gestión, deficiencias en el sistema contable, o una mala adaptación al cambio
(Fernández & J, 2012).
En la segunda fase del modelo identificado por Argenti, los errores se producen por dejar
aumentar en exceso el apalancamiento, seguir con negocios que no generan beneficios, o
iniciar un gran negocio que una mala racha convierte en una gran carga. En la tercera fase
aparecen los síntomas, siendo los más importantes los financieros (deterioro de liquidez,
aumento de apalancamiento, reducción de ventas sobre activos, reducción de tesorería
sobre deuda, reducción de la cotización sobre beneficios, etc.), pero también el empleo de
contabilidad creativa para ocultar la realidad, señales no financieras sobre el
empeoramiento de la calidad, del mantenimiento de las instalaciones o de retrasos en el
suministro de los proveedores. Otras causas apuntan a la mala suerte, el fraude o las
restricciones impuestas desde diversos organismos públicos o privados, (sindicatos,
gobierno, grupos de protesta, entre otros) (Fernández & J, 2012).
Otro hallazgo importante de Argenti (1976) es que identifica tres clases bien distintas de
empresas que fracasan: las que nunca llegan a despegar después de su creación; las
individuales que crecen demasiado y resultan inabarcables para su creador; y las empresas
maduras que, sin una buena estructura de gestión, acaban quebrando tras varios años de
deterioro gradual. Para estos tipos distintos de empresas los síntomas aparecen en diferente
orden y el proceso de deterioro tiene una duración muy diferente (Fernández & J, 2012).
Scott (1981), tras un análisis comparativo de los modelos empíricos propuestos hasta ese
momento, concluye que aunque los modelos no se basan en teoría explícita, su éxito sugiere
la existencia de una regularidad subyacente fuerte (Fernández & J, 2012).
25
Keasey y Watson (1991) se apoyan en el trabajo de Argenti (1976) y sostienen que la
quiebra de una empresa depende no solo de sus deudas, sino también de los intereses
económicos y el poder de sus partícipes (stakeholders), así como de la capacidad de los
gestores para superar las dificultades, para hacer frente a las deudas y para actuar con
independencia de los intereses de los partícipes (Fernández & J, 2012).
Gazengel y Thomas (1992) consideran empresa fracasada aquella que genera cíclicamente
más carga financiera que ingresos (Fernández & J, 2012).
Davydenko (2007) plantea que cuando la situación patrimonial refleja un valor reducido en
los activos o una escasez de tesorería se puede desencadenar el fracaso empresarial
(Fernández & J, 2012).
Rubio (2008) y Correa (2003) hablan de entidad fracasada cuando esta incurre en quiebra
técnica, entendiendo como tal el patrimonio neto contable negativo (Fernández & J, 2012).
Los indicadores financieros son relaciones entre cuentas presentadas en el balance general,
estado de resultados y flujo de caja, permiten establecer comportamientos y tendencias que
reflejan la gestión de los recursos económicos en la compañía y a su vez permiten la
comparación de la misma con sus pares del sector.
Es importante resaltar que los indicadores permiten una visión objetiva de la empresa, dado
que establecen relaciones exactas (numéricas) entre los diferentes rubros y por tal razón,
hacen parte del análisis financiero cuantitativo.
26
Por último, permiten a quien los interpreta hacer de lado cualquier juicio de valor que
pueda restarle validez a la situación financiera de la empresa1.Los principales índices
financieros se dividen de acuerdo con la información que proporcionan y estos son
(RINGELING PAPIC, 204):
• Indicadores de Rentabilidad
• Indicador de Liquidez
• Indicadores de Endeudamiento
• Indicadores de Operación
• Indicadores de Cobertura
Margen Bruto: Proporción de los ingresos que resulta después de cubrir los costos de
fabricar un producto (manufactura) y/o realizar un servicio (empresas de servicios):
Utilidad Bruta
Margen Bruto = x100
Ingresos Totales
Ejemplo:
Ingresos: $100.000
- Costos: $30.000
= Utilidad Bruta: $70.000
Margen Bruto: ($70.000/$100.000)X100 =70%
1
Es importante aclarar que el conocimiento de la coyuntura de la compañía, así como la información de
administración, proveedores y socios, es altamente relevante, de esto se ocupa el análisis cualitativo.
27
De acuerdo con lo anterior, la compañía tiene una capacidad de generar una utilidad del
70% sobre sus ingresos luego de realizar su proceso productivo.
Si se utiliza para comparar empresas de una misma industria, permitiría establecer que
compañías son más eficientes al realizar su operación desde la óptica de maximización de
utilidades.
Por otra parte, se puede utilizar como un índice de comparación entre industrias, de forma
que permite establecer en que sectores se generan mayores utilidades con el mismo nivel de
ingresos:
Utilidad Operativa
Margen Operativo = x100
Ingresos Totales
Ejemplo:
Ingresos: $100.000
- Costos: $30.000
= Utilidad Bruta: $70.000
- Gastos: $20.000
= Utilidad Operacional: $50.000
Margen Operacional: ($50.000/$100.000)x100= 50%
“Por cada peso que recibe la compañía, su operación genera 50 centavos de utilidad”
28
Margen Neto: Proporción de los ingresos que quedan disponibles para la repartición de
dividendos o acumulación de utilidades. Se descuentan costos, gastos y otros rubros no
operativos como gastos de intereses o utilidades por recuperaciones y por último impuestos:
Utilidad Neta
Margen Neto = x100
Ingresos Totales
Ejemplo:
Ingresos: $100.000
- Costos: $30.000
= Utilidad Bruta: $70.000
- Gastos: $20.000
= Utilidad Operacional: $50.000
- Otros Egresos: $2.500
+ Otros Ingresos: $500
- Impuestos (33%): $15.840
= Utilidad Neta: $32.160
Margen Neto: ($32.160/$100.000)x100= 32.1%
Por cada peso que ingresa a la compañía, a los socios le quedan 3.2 centavos para
distribuirlos como dividendos.
Utilidad Neta
ROA =
Activos Totales
Ejemplo:
Utilidad Neta: $32.160
Total Activos: $300.000
ROE: $32.160/$300.000= 0.17
Por cada peso invertido en activos, la compañía genera 17 centavos de utilidad neta.
29
ROE (ReturnOnEquity): Retorno sobre patrimonio, determina la rentabilidad del capital
que los socios han invertido en la compañía:
Utilidad Neta
ROE =
Patrimonio
Ejemplo:
Utilidad Neta: $32.160
Patrimonio: $150.000
ROE: $32.160/$150.000= 0.21
Por cada peso que los inversionistas tienen como recursos propios en la compañía, reciben
21 centavos.
Ejemplo:
Activos corrientes: $50.000
Pasivos Corrientes: $40.000
Capital de Trabajo: $10.000
30
Razón Corriente: Muestra la capacidad de la compañía de atender todos sus pasivos de
corto plazo con sus activos de corto plazo:
Activo Corriente
Razón Corriente =
Pasivo Corriente
Ejemplo:
Activos corrientes: $50.000
Pasivos Corrientes: $40.000
Razón Corriente: $50.000/$40.000= 1.25
Si la compañía realizara la totalidad de sus activos corrientes, podría pagar 1.25 veces sus
pasivos de corto plazo.
Prueba Ácida: Es una relación similar a la razón corriente, no obstante no tiene en cuenta
sus inventarios, de forma que se genera una simulación donde la compañía depende de
otros activos corrientes como el efectivo, sus cuentas por cobrar e inversiones temporales:
Ejemplo:
Activos corrientes: $50.000
Pasivos Corrientes: $40.000
Inventarios: $15.000
Prueba Ácida: ($50.000-15.000)/$40.000= 0.875
En un escenario donde la compañía no realizara sus existencias, podría atender 0.87 veces
sus pasivos de corto plazo con la venta de sus activos corrientes diferentes a inventarios.
31
3.2.3 Indicadores de Eficiencia
Este grupo de indicadores reflejan la capacidad operativa de la compañía para convertir sus
principales cuentas de operación en efectivo. Se tienen en cuenta principalmente los
inventarios, las cuentas por cobrar comerciales y las cuentas por pagar a proveedores
(RINGELING PAPIC, 204).
Rotación Cuentas por Cobrar: Refleja el periodo en días en que la empresa se demora en
convertir sus ventas a crédito en efectivo:
Ventas a Crédito
Rotación de Cuentas por Cobrar = x360
Ingresos
Ejemplo:
Ventas Crédito (Cuentas por Cobrar)= $5.000
Ingresos= $100.000
Rotación de cartera= $5.000/$100.000 X 360= 18
La empresa se demora 18 días en convertir sus cuentas por cobrar en efectivo.
Rotación de Inventarios: Indicador que muestra cuánto tarda la compañía en convertir sus
inventarios en efectivo y/o cuentas por cobrar:
Inventarios
Rotación Inventarios = x360
Costos de Ventas
Ejemplo:
Inventarios = $10.000
Costos = $80.000
Rotación de cartera= $10.000/$80.000 X 360= 45 días
La compañía tarda 45 días en realizar sus inventarios, convertirlos en cartera o cuentas por
cobrar y reponerlos.
32
Rotación de Cuentas por Pagar: Índice que refleja los acuerdos de pago que la compañía
tiene con los proveedores dado que muestra los días promedio de crédito que le otorgan a la
empresa para la compra de inventarios y/o la prestación de servicios:
Ejemplo:
Cuentas X Pagar = $30.000
Costos = $80.000
Rotación de cartera= $30.000/$80.000 X 360= 136 días
La empresa tiene 136 días para pagar sus obligaciones con proveedores de bienes y
servicios.
Ciclo Operativo: Los anteriores indicadores no dicen nada por si solos, por tal razón deben
ser integrados en un solo indicador. Dicho lo anterior, el ciclo operativo es el total de días
en que la compañía convierte sus inventarios en cuentas por cobrar, sus cuentas por cobrar
en efectivo y el efectivo en pago a proveedores:
Ejemplo:
Rotación de Cartera: 18
Rotación de Inventarios: 45
Rotación de Proveedores: 136
Ciclo Operativo: 199 días
La compañía se demora 199 días en realizar sus inventarios, recaudar sus cuentas por
cobrar y pagar a proveedores.
33
Acerca del ciclo operativo, es importante resaltar que el óptimo o “deber ser” sería un ciclo
negativo, es decir que la rotación de proveedores sea más lenta que la sumatoria de las
rotaciones de inventarios y de cartera. De acuerdo con esto, la compañía esta con
excedentes de liquidez, dado que convierte sus cuentas por cobrar e inventarios en efectivo
y posteriormente, con el efectivo le paga a proveedores. El diferencial de días en que la
compañía recauda y paga, mantiene una liquidez que puede ser utilizada para inversiones u
otro tipo de necesidades.
En caso que el ciclo operativo sea positivo, se debe interpretar que la compañía necesita
recursos dado que debe pagar en un menor tiempo sus deudas con proveedores y esperar
para recibir efectivo por sus operaciones. Lo anterior no necesariamente es negativo, más
bien se debe analizar en conjunto con el endeudamiento de la compañía.
Endeudamiento Total: Mide que tan comprometidos están los activos totales de la
empresa con terceros:
Pasivo Total
Endeudamiento Total = x100
Activo Total
Ejemplo:
Total Activo: $100.000
Total Pasivo: $70.000
Endeudamiento Total: 70%
34
Endeudamiento Financiero: Dado que el endeudamiento financiero incluye el pago de
intereses, es importante separar el componente del pasivo que cuesta del que no,
adicionalmente, por las condiciones legales de los contratos de crédito, son de mayor
exigibilidad y acarrean consecuencias penales más fuertes en caso de incumplimiento.
Pasivo Financiero
Endeudamiento Financiero = x100
Activo Total
Ejemplo:
Total Pasivo Financiero: $20.000
Activo Total: $100.000
Endeudamiento Financiero: 20%
La compañía tiene endeudamiento financiero del 20%, lo que significa que solo este
porcentaje de deuda tiene costo mientras que apalanca su operación con recursos con menor
costo.
Concentración: Indica la proporción del pasivo de corto plazo (exigible en un plazo menor
a 1 año). Este Indicador se utiliza también para medir la liquidez de la compañía, ya que no
es considerado como favorable que la empresa amortice altos porcentajes de deuda en
periodos cortos de tiempo.
No obstante, se analizar el destino de los recursos, dado que no es positivo que usos de
largo plazo sean financiados con fuentes de corto y viceversa.
Pasivo de Corto Plazo
Concentración =
Pasivo Total
Ejemplo:
Total Pasivo: $70.000
Total Pasivo de Corto Plazo: $20.000
Concentración: 28,57%
La compañía debe pagar el 28.57% de sus obligaciones en un horizonte de tiempo menor a
un año.
35
3.2.5 Indicadores de Cobertura
Indicadores que relacionan variables del flujo de caja tales como flujo de caja libre
operativo y EBITDA con el pago de amortizaciones e intereses de deuda financiera. Estos
indicadores son calculados principalmente por los bancos con el fin de analizar si la
compañía genera la caja suficiente para atender sus obligaciones financieras (RINGELING
PAPIC, 204).
Ejemplo:
FCLO: $250.000
Amortización de Capital: $40.000
Intereses: $15.000
Servicio de Deuda: $40.000+$15.000= $55.000
FCLO/Servicio Deuda: $250.000/$55.000= 4,54veces
36
La compañía genera un flujo de caja operativo suficiente para cubrir 4.5 veces el servicio
de la deuda del periodo.
En cada paso del proceso pueden agruparse casos individuales, conglomerados previamente
formados o un caso individual con un conglomerado previamente formado.
37
Este análisis también permite apreciar que elementos o conglomerados se han unido en
cada paso y a que distancia se encontraban cuando se unieron. Con esto se permite valorar
la heterogeneidad de los conglomerados que se van uniendo y decidir en cuál de ellas la
fusión de elementos incrementa excesivamente la heterogeneidad de los mismos.
Con los modelos jerárquicos observa y analiza el comportamiento de las variables que
integran el fenómeno de estudio, en forma individual, colectiva y cruzada; y se hace uso de
las características de todas las variables en sus diferentes niveles (micro y macro); lo cual
distingue plenamente las particularidades de los sujetos y los elementos contextuales donde
se desarrollan, lo cual incluye el contexto de los sujetos (Ortega & A., 2002).
Para elaborar un análisis con el método jerárquico, se debe en primer lugar establecer la
distancia entre cada uno de los grupos, segundo, se forma la partición inicial:
/ = 01 2, 01 2, … , 015 2
Luego, se determinan los grupos con menor distancia, ii,ij y se agrupan en un solo cluster,
por último, se realiza la segmentación:
/ = 01 2, 01 2, … , 617 8 19 :, … , 015 2
Por último, se repite lo anterior el número de veces necesario y se obtiene el Clúster final:
/; = 0<2
38
3.4 MODELO DE SEGMENTACIÓN INDIVIDUAL
39
Características (KLOTER, ARMSTRONG, WONG, MIQUEL, & BIGNE, 2000):
40
• Sustanciabilidad: Los segmentos deben ser sustanciales, lo cual significa que deben
ser los suficientemente grandes o rentables como para servirlos. Un segmento debe ser
el grupo homogéneo más grande posible al que vale la pena dirigirse con una estrategia
poder justificar la inversión que se va a llevar a cabo en la política de segmentación.
Para ello la empresa debe disponer de recursos humanos, técnicos y comerciales para
llevar a cabo la segmentación. Esto supone llevar a cabo un detallado estudio
económico de las acciones que se van a llevar a cabo.
• Homogeneidad en el segmento: que implica que los elementos del segmento deben
ser lo más semejantes posible entre sí, respecto de sus probables respuestas ante las
variables de la mezcla de comportamientos y sus dimensiones de segmentación.
• Heterogeneidad entre segmentos: que implica que los elementos de varios segmentos
deben ser lo más distintos posible respecto a su respuesta probable ante las variables de
la mezcla de comportamientos.
• Pertinencia: implica que la o las variables utilizadas para participar en la investigación
tengan sentido lógico.
• Accionamiento: Tiene la relación a la posibilidad de creación o diseño de planes
adecuados y efectivos para el segmento en cuestión. Implica la posibilidad de formular
programas eficaces para atraer y servir a los segmentos. Para ello se deben utilizar
variables de segmentación que la estrategia pueda alcanzar, y se debe identificar
elementos objetivo a los que se pueda llegar. También deben establecerse políticas de
segmentación más o menos estables en el tiempo.
Las herramientas utilizadas son paquetes o programas estadísticos que realizan una
segmentación de la muestra o población, lo divide en grupos más pequeños que comparten
atributos comunes.
41
3.5 MODELO DE ANÁLISIS DE CLUSTER K- MEDIAS
Este término surge para agrupar mediciones con similares características, también se les
denomina Clasificación no supervisada (Gimenez, 2010).
Este tipo de segmentación, busca agrupar una colección de datos, de manera que en cada
clúster los datos que hacen parte de este, se encuentran más relacionados entre sí, que los
que no están adentro del subconjunto o clúster.
Un análisis pertinente de clúster debe utilizar el menor número de clústeres posibles y que
en cada clúster se incluya el mayor rango de datos posibles y que sean importantes para el
análisis.
El análisis de Clúster es usado en estadística descriptiva para determinar si los datos hacen
parte o no de cada uno de los subgrupos a determinar. Lo más relevante para realizar una
segmentación de este tipo, es el establecer un grado de semejanza entre cada uno de los
datos que harán parte del clúster.
“La mayoría de los algoritmos presumen una matriz de semejanzas con enteros no
negativos y ceros en los elementos de la diagonal: dii = 0; i = 1; 2; …;N”. Si los datos
originales son tomados como semejantes una adecuada función monótona decreciente
puede convertirlos en semejantes. Por tanto, la mayoría de los algoritmos asumen
matrices simétricas de semejantes, y si la matriz original D es no simétrica va a ser
reemplazada por (D+DT)/2 (Gimenez, 2010).
42
2. Desemejanzas por atributos: Los algoritmos del clúster toman una matriz de
semejanzas como principal input (Gimenez, 2010), entonces, se construyen pares de
diferencias entre las observaciones. La de semejanza se define como dj(xij, xij´)
(Gimenez, 2010).
Para las variables cuantitativas, se hace la representación con valores reales continuos,
la representación se define: d(xi, xi´)= l(|xi – xi´|).
En tanto, las variables ordinales son representadas por números enteros contiguos y los
valores son considerados en un conjunto ordenado (Gimenez, 2010).
Por último, las variables categóricas el grado de diferencia tiene que ser definido
explícitamente. “Si la variable toma M valores distintos, entonces puede ser organizado
con una matriz simétrica de M x M con elementos Lrr’ = Lr´r; Lrr = 0; Lrr´>0: La elección
más común es Lrr´ = 1 para todo r diferente de r´, porque la pérdida de la igualdad puede
ser usada para enfatizar más un error que otro” (Gimenez, 2010).
Algoritmo de K-Medias:
Se utiliza principalmente en situaciones donde las variables son cuantitativas. En este
caso, la medida de diferencia entre los objetos, se define como:
D
d(X ? , X ?´) = BFX?C − X ?C´G = ‖X ? − X ?´‖
CE
Nótese que los pesos en la distancia Euclidea pueden ser usados redefiniendo los
valores xij . Los puntos de dispersión pueden ser escritos como:
43
L
W(C) = B B B ‖X ? − X ?´‖
KE J(?)EK J(?´)EK
L
MMMK ‖
W(C) = B NK B ‖X ? − X
KE J(?)EK
modo que dentro de cada clúster el promedio de las diferencias de cada observación a
la media del clúster, definido por los puntos del clúster, sea mínima (Gimenez, 2010).
El Análisis Discriminante es una técnica que ayuda a identificar las características que
identifican un individuo o muestra de otro, en adición genera una función clasificatoria que
permite discriminar con la mayor validez posible a los objetos de cada grupo.
Con este modelo se pretende encontrar relaciones lineales entre las variables continuas que
mejor discriminen en grupos definidos a los objetos y construir una regla de decisión que
asigne un objeto, a uno de los grupos prefijados.
El análisis discriminante parte de una tabla de datos de n individuos a los que se les ha
medido p variables cuantitativas independientes, que actúan como perfil de características
de cada uno de ellos.
Una variable cualitativa adicional, dependiente o clasificatoria, con dos o más categorías,
define el grupo al que cada individuo pertenece. Es pues una tabla nx(p+1) en que cada
caso figura con un perfil y una asignación a un grupo.
44
A partir de la tabla, se obtendrá un modelo matemático discriminante contra el cual será
contrastado el perfil del nuevo individuo cuyo grupo se desconoce para, en función de un
resultado numérico, ser asignado al grupo más probable.
Modelo Matemático:
El análisis discriminante implica un valor teórico como combinación lineal de dos o más
variables independientes, discrimine entre los grupos definidos a priori.
Dónde:
a es una constante;
Este modelo es de especial utilidad por que relaciona las variables objeto de estudio con
otras de acuerdo con su importancia lo cual para esta investigación presenta especial
relevancia porque de acuerdo con las variables financieras existentes nos muestran cuales
tienen relación entre sí.
45
La prueba chi-cuadrado es el nombre de una prueba de hipótesis que determina si dos
variables están relacionadas o no. La hipótesis nula de la prueba Chi-cuadrado define una
distribución de probabilidad totalmente especificada como el modelo matemático de la
población que ha generado la muestra (Barcelona, 2010).
Para realizar esta prueba se deberá disponer de los datos en una tabla de frecuencias. Para
cada valor o intervalo de valores se indica la frecuencia absoluta observada o empírica (X7 ).
A continuación, y suponiendo que la hipótesis nula es cierta, se calculan para cada valor o
intervalo de valores la frecuencia absoluta que cabría esperar o frecuencia esperada
(Y7 =n·Z7 donde n es el tamaño de la muestra y Z7 la probabilidad del i-ésimo valor o
intervalo de valores según la hipótesis nula). El estadístico de prueba se basa en las
diferencias entre la X7 ). yY7 y se define como (Damodar N Gujarati, 2010):
\
(X7 − Y7 )
[ =B
Y7
7E
Este estadístico tiene una distribución Chi-cuadrado con k-1 grados de libertad si n es
suficientemente grande, es decir, si todas las frecuencias esperadas son mayores que 5. En
la práctica se tolera un máximo del 20% de frecuencias inferiores a 5.
Por lo general, el nivel de significancia utilizado para realizar las pruebas es del 0.05.
46
En este caso es necesario que los valores de la variable en la muestra y sobre la cual
queremos realizar la inferencia esté dividida en clases de ocurrencia, o equivalentemente,
sea cual sea la variable de estudio, se debe categorizar los datos asignado valores a
diferentes clases o grupos (Barcelona, 2010).
• Predecir la probabilidad de que a alguien le ocurra cierto evento: por ejemplo, “estar
desempleado” =1 o “no estarlo” = 0;
Esta asignación de probabilidad de ocurrencia del evento a un cierto sujeto, así como la
determinación del peso que cada una de las variables dependientes en esta probabilidad, se
basan en las características que presentan los sujetos a los que, efectivamente, les ocurren o
no estos sucesos.
47
Por ejemplo, la regresión “logística tomará en cuenta los valores que asumen en una serie
de variables (edad, sexo, nivel educativo, posición en el hogar, origen migratorio, etc.) los
sujetos que están efectivamente desocupados (= 1) y los que no lo están (= 0). En base a
ello, predecirá a cada uno de los sujetos – independientemente de su estado real y actual –
una determinada probabilidad de ser desocupado (es decir, de tener valor 1 en la variable
dependiente). Es decir, si alguien es un joven no amo de casa, con baja educación y de sexo
masculino y origen emigrante (aunque esté ocupado) el modelo le predecirá una alta
probabilidad de estar desocupado (puesto que la tasa de desempleo del grupo así definido es
alta), generando una variable con esas probabilidades estimadas y procederá a clasificarlo
como desocupado en una nueva variable, que será el resultado de la predicción. Además,
analizará cuál es el peso de cada uno de estas variables independientes en el aumento o la
disminución de esa probabilidad” (Silva C, 2007).
Ejemplo:
48
El estadístico de Wald
^[Z (R + _[)
]=
1 + ^[Z(R + _[)
^[Z (R + _[)
]1 =
1 + ^[Z(R + _[)
49
• Interpretación del modelo logístico
βi= (β1,β2,…………βk).
50
Se basa en evaluar cuáles son los factores que determinan que un conjunto de elementos se
agrupe en dos o más grupos previamente establecidos. El ADM aplicado a la predicción de
la insolvencia consiste en obtener una función que combine linealmente un conjunto de
variables independientes, en este caso los indicadores financieros, de tal forma que a través
de esta función se obtenga un valor global de predicción de posible solvencia o insolvencia
de una empresa (Villamil Bolívar, 2006).
Este valor se obtiene reemplazando los indicadores en la función estimada:
Dónde:
Sea Xi = (X1, …., Xp) los indicadores financieros, los cuales se utilizan para discriminar
entre los G grupos anteriores, mediante cálculos matemáticos denominados funciones
discriminantes.
51
Para validar estos propósitos se suele utilizar el test de M de Box, este toma como hipótesis
nula de la homocedasticidad disminuya la regla de clasificación afecta la validez de los test
de significación. Sin embargo, esto no es un problema fundamental en el análisis debido a
que depende de si el porcentaje de predicciones correctas es satisfactorio y en general,
existe una buena separación de los grupos en el espacio discriminante (análisis de
centroides) (Villamil Bolívar, 2006).
Las restricciones que tiene la aplicación del ADM han dado lugar al desarrollo de otras
técnicas que intentan eliminarlas o reducirlas. Por esta razón, se desarrolla el Análisis de
Probabilidad Condicional (APC). Los modelos lineales de Probabilidad (MLP), LOGIT y
PROBIT son las especificaciones de modelos de APC más utilizados, siendo el segundo de
éstos el más citado en la literatura sobre predicción de la solvencia empresarial (Villamil
Bolívar, 2006).
La gráfica1 permite analizar que uno se acerca a cero a tasas cada vez más lentas a medida
que Xi se hace muy grande (Villamil Bolívar, 2006).
Gráfica 1 Distribución Acumulativa Logit y Probit
52
Fuente: (Villamil H., Modelos multivariados para la Predicción de Insolvencia
Empresarial)
En relación con la preferencia entre Logit y Probit, Guajarati plantea que desde una
perspectiva teórica, son bastantes comparables, siendo la principal diferencia que la Logít
tiene colas ligeramente más planas, es decir, la FDA normal (curva normal) o probit, se
acerca a los ejes más rápidamente que la curva logística.
Cualitativamente los modelos tienen resultados similares, aunque las estimaciones de los
parámetros de los modelos no son directamente comparables. La selección entre los dos
obedece a conveniencia matemática y disponibilidad del programa de computador, siendo
utilizado con preferencia el modelo Logit sobre el Probit.
Equivalente a, / = 1/ (1 + ^ − p)
De esta forma, se obtiene la probabilidad de pertenencia a uno de los dos grupos en los que
está clasificada la población. Es importante precisar la interpretación de los coeficientes,
porque aunque Z es lineal en X, las probabilidad en sí mismas no lo son; en el Logit, por
ejemplo B2 es la pendiente, que mide el cambio en Z ocasionado por un cambio unitario en
X, es decir, dice como el logaritmo de las probabilidades cambia a medida que el indicador
cambia en una unidad. Sin embargo, para una interpretación más clara, en el APL se utiliza
el análisis de los efectos marginales de los coeficientes.
53
4. METODOLOGÍA Y ANÁLISIS DE RESULTADOS
Con el fin de dar cumplimiento al objetivo del presente trabajo, se procedió a identificar a
través de la verificación exógena en la página de la superintendencia de sociedades y de la
herramienta de BPR - Benchmarking las empresas colombianas que registraban un
volumen de ventas > 30.000 Millones de pesos para el cierre del año 2012.
De esta manera, se identificaron 58 empresas del sector textil y de confección que cumplen
con la característica anterior. Para cada una de ellos se consultó y consolido la información
financiera relacionada en el balance general, estado de pérdidas y ganancias, flujo de caja y
los principales indicadores financieros para un periodo de 7 años iniciando desde el año
2006 al 2012 (Ver Anexo 1).
De acuerdo con la información consultada para cada una de las compañías, se procedió a
consolidar una matriz con la información en Excel, identificando en las columnas los
resultados de cada uno de los años, y en las filas, cada una de las 58 empresas,
conformando de esta manera una matriz multidimensional para cada compañía.
Una vez se organizada la base de datos y de acuerdo con el marco teórico investigado, para
los modelos de quiebra desarrollados en la literatura, se inició con la identificación de los
indicadores aplicables para cada uno de los 6 modelos a probar.
A continuación, en la Tabla 8, se identifican para cada uno de los modelos las variables e
indicadores empleados:
54
Tabla 8 Resumen Indicadores Modelos Predictores de Quiebra
Z Z1 Z2 P-
INDICADORES FINANCIEROS Fulmer Rosillo Pascale
Altman Altman Altman Camacho
(Activos Corrientes-Pasivos
Corrientes)/Activos Totales X X X
Utilidades Retenidas/Activos Totales X X X X X
(Utilidad Antes de Impuestos+Gastos
Financieros)/Activos Totales X X X
Patrimonio/Pasivos Totales X X X
Ventas Netas/Activos Totales X X X X X X
Utilidad Antes de
Impuestos/Patrimonio X X
Flujo de Caja/Pasivo Total X
Pasivo Total/Activo Total X X X
Pasivo Corriente/Activo Total X
Activo Total Tangible X
Capital de Trabajo/Pasivo Total X
Logaritmo de la Utilidad de la
operación/Gastos Financieros X
Activo Corriente / Pasivo Corriente X X
(Activo Corriente-Inventarios)/Pasivo
Corriente X
(Caja + Bancos)/Pasivo Corriente X
(Cuentas X Cobrar/Ventas)*360 X
(CuentasX Pagar/Costo de
Ventas)*360 X
(Inventarios / Costo de ventas)*360 X
Utilidad Neta/Ventas X
Utilidad Neta/patrimonio X
Pasivo corriente/patrimonio X
Total Pasivo/Patrimonio X
Pasivo Largo Plazo/Pasivos Totales X
ROA X
Utilidad Antes de X
55
Z Z1 Z2 P-
INDICADORES FINANCIEROS Fulmer Rosillo Pascale
Altman Altman Altman Camacho
Impuestos/Patrimonio
Incremento/Decrecimiento en Ventas X
Una vez identificadas las variables descritas en la anterior tabla, se procedió a validar el
resultado de cada uno de los seis modelos, con el fin de validar si la empresa para cada uno
de los años seleccionados y de acuerdo con los rangos establecidos en la literatura podría
estar en riesgo de quiebra o por el contrario no registra ningún antecedente de acuerdo con
la información recopilada.
Una vez consolidada la información para cada empresa por año y por modelo, se procedió a
realizar un promedio ponderado (por cada modelo) asignando un mayor peso a los datos
históricos más recientes y un menor peso a los datos más antiguos de la siguiente manera:
W
Ponderación = ∑7 n , W = 1, … ,7.
1
56
• Modelo de predicción de quiebra Jorge Rosillo
Para este modelo el 88% de las empresas se encuentran en una situación financiera
difícil, mientras que el 12% registran como empresas fuertes en su operación, a
continuación los resultados gráficos:
Z- Rosillo
Promedio
88%
100%
Débil
50% 12% Gris
0%
Fuerte
0%
Débil Gris Fuerte
Para este modelo el 24% de las empresas se encuentran con una probabilidad más alta
de caer en bancarrota, mientras que el 33% registran como empresas fuertes en su
operación, por otra parte el 43% de las empresas se encuentran en zona gris, a
continuación los resultados gráficos:
57
Gráfica 3 Resultados Modelo de Ricardo Pascale Empresas Textil y de confección.
Z- Pascale
Promedio
43%
50% 33% Débil
24%
Gris
0% Fuerte
Débil Gris Fuerte
• Modelo Z Altman
Para este modelo el 17% de las empresas se encuentran con una probabilidad más alta
de quiebra, mientras que el 19% registran como empresas fuertes en su operación, por
otra parte el 64% de las empresas se encuentran en zona gris, a continuación los
resultados gráficos:
Z- Score
Promedio
100%
64% Débil
50% 17% 19% Gris
Fuerte
0%
Débil Gris Fuerte
58
• Modelo Z1 Altman
Para este modelo el 9% de las empresas se encuentran con una probabilidad más alta de
quiebra, mientras que el 17% registran como empresas fuertes en su operación, por otra
parte el 74% de las empresas se encuentran en zona gris, a continuación los resultados
gráficos:
Z1- Score
Promedio
100% 74%
Débil
50% 9% 17% Gris
0% Fuerte
Débil Gris Fuerte
• Modelo Z2 Altman
Para este modelo el 7% de las empresas se encuentran con una probabilidad más alta de
quiebra, mientras que el 71% registran como empresas fuertes en su operación, por otra
parte el 22% de las empresas se encuentran en zona gris, a continuación los resultados
gráficos:
59
Gráfica 6 Resultados Modelo Z2 Altman Empresas Textil y de confección.
Z2 - Score
Promedio
• Modelo de Fulmer
Para este modelo el 74% de las empresas se encuentran insolventes, mientras que el
26% registran como empresas solventes en su operación, ninguna empresa se
encuentran en zona gris, a continuación los resultados gráficos:
H - Fulmer
Promedio
74% Débil
100%
26%
0% Gris
0% Fuerte
Débil Gris Fuerte
60
4.2 MODELACIÓN P-CAMACHO
Con el fin de construir un modelo predictor de quiebra para empresas del sector textil y
confección en Colombia con ventas superiores a 30.000 millones de pesos colombianos, se
ejecutó la siguiente metodología:
Identificación
N° Empresas
Fiscal
1 890900308 TEXTILES FABRICATO TEJICONDOR S.A. EN REESTRUCTURACIÓN
2 890900259 COMPAÑIA COLOMBIANA DE TEJIDOS S.A.
3 830116487 WORLDTEX CARIBE LIMITED SUCURSAL COLOMBIA
4 810001350 C.I. COLOR SIETE S.A.S.
5 860054749 TEXTILES KONKORD S.A. EN ACUERDO DE REESTRUCTURACIÓN
Fuente: Construcción Propia
61
Dado que la variable dependiente para el total de la muestra de 58 empresas
identifica 5 empresas en quiebra (8,6%), porcentaje que es bajo en comparación
con el total de compañías analizadas y existentes en el mercado para el sector textil
y confección. No obstante, se debe a que la muestra está acotada por el nivel de
ventas anuales de las compañías. Lo anterior, podría inferir que el modelo P-
Camacho está sesgado a las variables analizadas y que el cálculo de los parámetros,
así como su peso y la constante del modelo presentaran un alto porcentaje de error.
62
4. Construcción del Modelo de Quiebra P- Camacho.
6. Aplicación del Modelo P- Camacho para las 58 empresas del sector textil y de
confección seleccionadas para el estudio de la presente investigación, identificando
para cada compañía de acuerdo con los rangos definidos si la empresas es fuerte, se
encuentra ante una posible alerta de quiebra o está en una zona de indecisión.
63
riesgo, posibilidad de debilidad o quiebra. Para evaluar estos grupos se tuvo en cuenta el
conjunto de empresas que ya estaban en quiebra, para obtener otro indicador que permitiera
definir el conjunto final de empresa en riesgo.
64
Gráfica 8 Resultados Dendograma
65
Utilizando el análisis Jerárquico con una distancia de 5 (Distancia Euclidea) que es la
normal o básica, se identificaron como resultado 10 grupos y como relevantes para la
investigación de acuerdo con los indicadores seleccionados los grupos 1, 5, 6, 8 y 10, como
se identifican en la tabla 11.
A partir del análisis de Clúster de K-Medias que como se describió en el marco teórico es
un procedimiento estadístico que parte de un conjunto de datos que contienen información
específica y que corresponden al conjunto dado por las variables financieras claves de las
empresas y la variable dependiente de las empresas quebradas. Posteriormente, se procedió
a reorganizar la información en grupos relativamente homogéneos a los que se les
denomina conglomerados o clústeres.
66
La identificación de los sub-grupos en los cuales se realizaron las primeras clasificaciones
de los clústeres para el grupo de empresas, se realizó a priori de acuerdo con el criterio de
los investigadores y asesores para identificar en donde se clasifican las 5 empresas
quebradas.
La partición inicial de los sub-grupos tuvo un procedimiento para asegurar que las variables
similares se clasifican adecuadamente, a partir de este punto de partida del número de sub-
grupos seleccionados (10), se identificaron las características similares entre de las
variables de las empresas para los grupos y así posteriormente seleccionar 5 de estos sub-
grupos. En este punto inicial, los sub-grupos afectarán el resultado de todas las pruebas y
análisis que en adelante se ejecuten, dado que el Método de K-Clúster no es convergente y
por consiguiente los resultados dependerán de este punto de partida.
Al depender del punto de partida y de los sub-grupos seleccionados podría inferirse que
podría presentarse un error. Sin embargo, al contar en cada sub-grupo con al menos 1 de las
compañía que se encuentran en quiebra mitiga el riesgo de analizar clúster que no son
relevantes para la investigación, además como se verá más adelante para el modelo P-
Camacho.
Una vez identificados los grupos se realizó el análisis de Clúster K Medias y utilizando la
técnica de los conglomerados con un intervalo de 5% de confiabilidad, se definieron las
variables preponderantes de los 5 grupos relevantes, las variables seleccionadas fueron
aquellas que por su nivel de significancia cercana a cero (0) rechazaban la hipótesis nula y
establecían mayor discriminación entre los grupos. En la tabla 12 se observan las variables
relevantes que se identificaron:
67
Tabla 12 Variables Relevantes Modelo P-Camacho
ANOVA
Conglomerado Error
Indicadores Media Media F Sig.
gl Gl
cuadrática cuadrática
Tasa de Crecimiento de
109,9 9,0 80,5 48,0 1,4 0,2
Ventas
Incremento /
Decrecimiento en 60,7 9,0 114,1 48,0 0,5 0,8
Activos
Incremento /
Decrecimiento en 1.749.971,8 9,0 771,9 48,0 2.267,0 0,0
Utilidades Netas
Incremento en
2.271,2 9,0 147,7 48,0 15,4 0,0
Patrimonio
Ingresos Netos / Ventas
258,6 9,0 40,0 48,0 6,5 0,0
Netas
Retorno de Activos 86,0 9,0 6,8 48,0 12,6 0,0
Utilidades Netas /
414,1 9,0 99,3 48,0 4,2 0,0
Patrimonio Neto
Utilidad Operacional /
101,7 9,0 15,9 48,0 6,4 0,0
Ventas
Endeudamiento 1.010,9 9,0 298,9 48,0 3,4 0,0
Razón Corriente 0,6 9,0 0,5 48,0 1,1 0,4
Razón Acida 0,3 9,0 0,4 48,0 0,8 0,6
Utilidades retenidas /
0,3 9,0 0,0 48,0 28,9 0,0
Total Activos
Flujo de Caja / Total
0,4 9,0 5,7 48,0 0,1 1,0
Pasivos
Utilidades antes de
impuestos / Patrimonio 15,8 9,0 39,2 48,0 0,4 0,9
Neto
Activos Tangibles /
0,0 9,0 0,1 48,0 0,4 0,9
Total Activos
Pasivo Corriente / Total
1.136,5 9,0 347,4 48,0 3,3 0,0
Pasivos
Margen de Ebitda 0,0 9,0 0,0 48,0 3,0 0,0
Fuente: Construcción Propia
68
Por medio de la regresión Logística se fueron incluyendo las variables relevantes por pasos,
dando como resultado un modelo con 6 variables.
69
Pasos B Significancia Exp(B)
Endeudamiento ,115 ,080 1,122
Razón Corriente 2,294 ,114 9,913
Utilidades retenidas / Total Activos 8,226 ,199 3738,126
Utilidades antes de impuestos / Patrimonio Neto
4,020 ,053 55,699
Con estos resultados se observa un modelo que se ajusta con un alto nivel de confianza para
identificar las empresas buenas o malas para el sector textil y de confección con ventas
superiores a 30.000 millones de pesos anuales, como se observa en la siguiente tabla:
Tabla de clasificacióna
Pronosticado
Observado Ydef
Porcentaje correcto
,00 1,00
Paso 6 Ydef ,00 11 2 84,6
1,00 1 44 97,8
Porcentaje global 94,8
a. El valor de corte es ,500
Fuente: Construcción Propia
70
financiera deben estar en análisis para definir su estado final. El modelo propuesto es el
siguiente:
Para identificar cada una de las variables que son indicadores dentro de la construcción del
modelo y las ponderaciones de las mismas se cuenta con la siguiente tabla resumen del
modelo:
A partir del Z del modelo se utiliza la técnica del “Árbol de Decisión” CHAID para definir
el rango en el que una empresa se encuentra con probabilidad asociada con alto riesgo
(Roja), una zona donde puede caer en debilidad financiera o pasar a ser fuerte en su
operación (Amarilla) y una zona donde la empresa es fuerte (Verde). Los resultados se
consolidan en la siguiente gráfica 8:
71
Gráfica 8 Resultados Árbol de Decisión CHAID.
Con el ánimo de probar la fortaleza del modelo se efectuaron pruebas estadísticas tales
como: La curva COR y la prueba de Z de Kolmogorov-Smirnov.
72
La Curva COR:
Esta prueba es muy útil para evaluar la realización de esquemas de clasificación en los que
exista una variable con dos categorías por la que se clasifiquen los Sujetos. Para este caso
el interés es clasificar las empresas Textileras con riesgo y sin riesgo de quiebra.
Esta prueba está compuesta por variables de contraste las cuales son cuantitativas y que
suelen estar conformadas por probabilidades, resultantes de un Análisis Discriminante o de
una Regresión Logística. También está conformada por una variable de estado que puede
ser de cualquier tipo e indicar la categoría real a la que pertenece el sujeto. El valor de la
variable de estado indica la categoría que se debe considerar positiva.
En este sentido, la susceptibilidad mide la capacidad del estimador para dar como positivos,
las compañías que realmente están (o en algún momento estuvieron) en reestructuración o
liquidación, es decir la proporción de compañías en “quiebra” identificadas correctamente.
Este análisis, muestra la capacidad de la prueba para detectar el estado de “quiebra” en
empresas identificadas como tal.
73
Cuando el área bajo la curva supera el 0.5, se puede determinar que la clasificación es
buena y mejora aún más, al acercarse a 1. Esto significa que la clasificación es altamente
efectiva al momento de determinar positivos y negativo (“Quiebra” y no “Quiebra”).
La tabla 17 se muestra que el área bajo la curva es muy cercana a 1 (para el modelo P-
Camacho es 0.97) lo cual determina que el modelo P-Camacho discrimina bien.
Adicionalmente la gráfica nos muestra como es el área bajo la curva del modelo, muy
cercana a 1, lo cual permite inferir que discrimina acertadamente en un alto porcentaje.
74
Gráfica 9 Prueba Curva COR
Esta prueba se considera un procedimiento de “bondad de ajuste”, o sea que permite medir
el grado de concordancia existente entre la distribución de un conjunto de datos y una
distribución teórica específica. Su objetivo es señalar si los datos provienen de una
población que tiene la distribución teórica especificada.
Mediante esta prueba se compara la distribución acumulada de las frecuencias teóricas (ft)
con la distribución acumulada de las frecuencias observadas (f obs), se encuentra el punto
de divergencia máxima y se determina que probabilidad existencia de una diferencia de esa
magnitud se deba al azar.
Ecuación Básica:
D= Ift-fobsI
75
Hipótesis Alterna (Ha): Los valores observados de las frecuencias para cada clase son
diferentes de las frecuencias teóricas de una distribución normal.
Hipótesis Nula (Ho): Las diferencias entre los valores observados y los teóricos de la
distribución normal se deben al azar. Entonces:
Estadísticos de contrastea
Probabilidad pronosticada
Diferencias más extremas Absoluta .911
Positiva 0.000
Negativa -.911
Z de Kolmogorov-Smirnov 2.894
Sig. asintót. (bilateral) .000
a. Variable de agrupación: Ydef
Fuente: Construcción Propia
Para finalizar las pruebas del modelo, se efectuó la prueba con las cinco empresas que
desde el inicio de la investigación se determinaron que estaban en quiebra de acuerdo con
la Superintendencia de Sociedades y le aplicamos el modelo P- Camacho construido, al
analizar los resultados se identificó que las 5 empresas clasificaron en la zona roja, es decir
empresas con alta probabilidad de quiebra.
76
Tabla 19 Prueba Modelo P-Camacho en Compañías en Quiebra
Grupo pronosticado
,00 1,00
Recuento % de la fila Recuento % de la fila
Variable dependiente empresas en ,0 7 13.2% 46 86.8%
Reestructuración / Liquidación 1,0 5 100.0% 0 0.0%
Los resultados consolidados de manera porcentual para cada uno de los modelos son los
siguientes:
77
5. CONCLUSIONES
El presente trabajo, permitió realizar el ejercicio empírico para el sector textil colombiano
con aquellas empresas con ventas superiores a COP 30.000 millones, observando diversos
resultados, permitiendo identificar semejanzas y diferencias que se presentan a
continuación:
Primero, los modelos analizados (sin incluir P-Camacho) más acertados de acuerdo con lo
observado son: Fulmer y Rosillo. Esta aseveración se da gracias a que estos modelos
identificaron las compañías que están contenidas en la muestra de en quiebra, crisis,
reestructuración o liquidación. (Fabricato, Coltejer, Worldtex, Color Siete y Textiles
Konkord).
78
En tercer lugar, el modelo P-Camacho, incluye variables que si bien son asociadas a la
rentabilidad de la inversión y del patrimonio de la compañía, no son tenidas en cuenta en
los demás modelos, no obstante, gracias al trabajo elaborado se considera deben ser tenidas
en cuenta en el desarrollo de estimadores de este tipo, las variables son: ROA (Retorno
sobre Activos), Incremento o Decrecimiento de Ingresos y Utilidades Antes de Impuestos/
Patrimonio. Dicho lo anterior, el modelo P-Camacho, clasificó seis indicadores financieros
de un total de 34, ponderándolos de acuerdo con su nivel de importancia en el modelo de
predicción de “quiebra” empresarial realizado. El resultado del modelo es acorde con la
teoría financiera en los ratios observados, dado que establece que las relaciones entre el
indicador – riesgo, continúan constantes.
Este indicador debe analizarse de forma conjunta con el detalle de los activos de la
compañía, dado que se desmiente la anterior creencia que un elevado número de
activos era positivo indistintamente de la naturaleza de los mismos.
79
Por último, el ROA incluye el efecto del apalancamiento en la empresa, dado que
los activos son financiados con recursos de terceros y/o con patrimonio de socios,
por lo cual, es la medida de rentabilidad más acorde a la situación de la compañía.
80
3. Endeudamiento: Es el cociente entre el pasivo total y el activo total. Como se
mencionó anteriormente, los activos son financiados con recursos de terceros y con
capital de socios, las estructura óptima de capital, corresponde a la capacidad de la
compañía para el pago de sus obligaciones así como de las expectativas de
rentabilidad de los propietarios.
Una compañía intensiva en activos (como es el caso de las empresas que hacen
parte del sector textil nacional), requiere gran cantidad de recursos que financien las
inversiones, y las fuentes deben guardar un equilibrio que mantenga a los socios con
una participación que de alguna forma los haga responsables por la gestión de la
compañía.
Los activos corrientes son los de más fácil realización en un momento de crisis, por
lo cual deben estar alineados con las obligaciones de mayor exigibilidad. Una
81
compañía eficiente, tiene un indicador de razón corriente mínimo de 1 vez. Cuando
esto no sucede, se observa que la empresa hace rotación de sus pasivos y comienza
a tomar nueva deuda para amortizar pasivos, pedir un incremento en la rotación de
sus proveedores, alarga el ciclo de pago a empleados entre otros, generando en
muchas ocasiones aumento en costos (pej. Intereses financieros) y de esta forma,
afectando la utilidad de la compañía.
Los resultados del modelo realizado, eliminan el efecto del gasto tributario
principalmente porque si una empresa presenta pérdidas durante un periodo y
posteriormente utilidades, el efecto del gasto de impuestos no puede ser comparable
de un año a otro, dado que en el año con utilidades el gasto por impuesto es
proporcional a la utilidad, mientras que en el año de pérdidas, es proporcional al
activo.
82
Dicho lo anterior, y eliminando cualquier efecto de la tributación colombiana, este
ratio permite identificar el nivel de rentabilidad del patrimonio de la compañía. En
conjunto con el nivel de apalancamiento, se puede observar que las empresas con
mayor nivel de endeudamiento, pero con generación de utilidades, son las que
tienen un retorno al capital más elevado, reflejando la capacidad de la compañía
para operar de manera rentable.
Indicadores como este y el ROE, son incentivos a los accionistas para que inyecten
nuevos recursos a la empresa o que al menos continúen con su compromiso para
mantener la rentabilidad de la misma. La relación con el riesgo es inversa.
Este ratio es un indicador de reinversión, es decir, por cada peso que se tiene en
activos, hay X pesos en utilidades retenidas y un resultado positivo es el más
cercano a uno, su relación es inversa al riesgo.
83
Al probar el modelo con las 58 empresas seleccionadas para el presente estudio se puede
concluir que se identificaron 10 empresas en zona roja es decir con mayor probabilidad de
quiebra o en riesgo correspondiente al 18,5% del total de empresas analizadas, por otra
parte se identificaron 11 empresas en zona amarilla, es decir están en zona de indecisión o
análisis para determinar si los indicadores financieras la ubican posteriormente en zona roja
o verde. Por otra parte, se identificaron 37 empresas en zona verde es decir que el 61,1% de
las empresas seleccionadas para este estudios son empresas que se encuentran sólidas y no
cuentan con una alta probabilidad de quiebra.
Lo anterior nos permite rechazar la hipótesis inicial del presente trabajo de grado debido a
que de acuerdo con el mercado las empresas del sector manufacturero textil y de confección
con ventas superiores a 30.000 millones de pesos se encontraban en una alta probabilidad
de quiebra. Sin embargo, al analizar los datos identificados a través del modelo propuesto
por los investigadores P-Camacho el 61,1% de las empresas se encuentran en una buena
situación financiera y el 18,5% si se encuentran en zona roja y de alerta.
Por último, se puede concluir que el indicador P-Camacho es efectivo para la estimación de
un diagnóstico de la situación actual de la compañía a partir de la toma de datos financieros
históricos, no obstante, se recomienda para futuros estudios, ampliar su uso a otros sectores
manufactureros de la economía, especialmente a aquellos que han sufrido algún tipo de
amenaza similar a las que ha soportado el sector textil colombiano, dichos sectores pueden
ser el siderúrgico, cafetero, cuero, calzado y plásticos y empaques.
84
7. RECOMENDACIONES
• Aplicar el Modelo P-Camacho incluyendo más periodos (años), de tal manera que
se amplíe la muestra permitiendo con esto incluir empresas que han quebrado.
85
ANEXO 1. EMPRESAS SECTOR TEXTIL Y CONFECCIÓN
En el Excel adjunto al presente trabajo de grado identificará para las empresas listadas a
continuación los modelos de quiebra e indicadores revisados para la construcción del
Modelo P- Camacho.
5 PERMODA LTDA 30 FABRICA DE TEXTILES TEXTRAMA S.A. 55 C.I. COLOR SIETE S.A.S.
COMPAÑIA COLOMBIANA DE TEJIDOS
6 S.A. 31 CO & TEX S.A.S. 56 LUIS EDUARDO CAICEDO S.A.
DISTRIBUIDORA DE TEXTILES Y CHAIM PEISACH Y CIA HILANDERIA FONTIBON
7 CONFECCIONES S A 32 S.A. 57 INVERSIONES MAGEN S.A.S.
TEXTILES KONKORD S.A. EN ACUERDO
8 LAFAYETTE S.A. 33 FIGURAS INFORMALES S.A.S. 58 DE REESTRUCTURACIÓN
86
BIBLIOGRAFÍA
Apergis, N., Sorros, J., Artikis, P., & Zisis, V. (2011). Bankruptcy Probability and Stock
Prices: The Effect of Altman Z-Score Information and Stock Prices. Journal of Modern
Accounting and Auditing , 689-696.
Benchmark. (2013). Informe por Sectores (Textiles, confecciones y afines) ISI. Bogota:
Benchmark.
87
IBM. (2013). IBM Software, SPSS Statistics. Recuperado el 20 de Octubre de 2013, de
IBM: www-01.ibm.com/software/co/analytics/spss/products/statistics
KLOTER, P., ARMSTRONG, G., WONG, V., MIQUEL, S., & BIGNE, E. Y. (2000).
Introducción al Marketing . Madrid: Prentice-Hall.
Ortega, C. M., & A., C. D. (2002). Regresión Logística no condicionado . Española Salud
Publica , 76,85-39.
88