PROPUESTA DE UN MODELO DE PREDICCIÓN DEL

114b
PROPUESTA DE UN MODELO DE PREDICCIÓN DEL FRACASO
EMPRESARIAL CONSIDERANDO LAS VARIABLES TAMAÑO Y ANTIGÜEDAD.
José Manuel T. Pereira
Profesor Adjunto
Departamento de Contabilidade e Fiscalidade
Escola Superior de Gestão
Instituto Politécnico do Cávado e do Ave
Mário Basto
Departamento das Ciências
Escola Superior de Tecnologia
Instituto Politécnico do Cávado e do Ave
Amélia Ferreira da Silva
Instituto Superior de Contabilidade e Administração do Porto
Instituto Politécnico do Porto
Eduardo Barbas Albuquerque
Escola Superior de Estudos Industriais e de Gestão
Instituto Politécnico do Porto
Área temática: B) Valoración y Finanzas.
Palabras clave: Fracaso Empresarial, tamaño, edad, análisis discriminante, logit.
0
PROPUESTA DE UN MODELO DE PREDICCIÓN DEL FRACASO
EMPRESARIAL CONSIDERANDO LAS VARIABLES TAMAÑO Y ANTIGÜEDAD.
RESUMEN
En los últimos años han sido elaborados distintos trabajos con el intuito de estudiar
el efecto que pueden tener los factores dimensión y edad en el fracaso empresarial.
El objetivo de este trabajo es elaborar un modelo de predicción del fracaso
empresarial que incorpore el factor tamaño y el factor antigüedad. El estudio
empírico se realiza sobre una muestra formada por 445 empresas sanas y 143
fracasadas del sector textil, moda y confección, utilizando datos contables de 3
ejercicios económicos consecutivos, comprendidos entre el período 2002-2007.
Comparando los resultados obtenidos del modelo propuesto con los resultados de
dos modelos estadísticos (análisis discriminante y logit), se observa que el
desempeño obtenido con las empresas sanas es siempre inferior, pero con el grupo
de las empresas fracasadas los resultados son siempre superiores, con excepción
de la muestra de estimación.
1
1. INTRODUCCIÓN
La literatura acerca del fracaso empresarial presenta una amplia gama de modelos
de predicción de crisis empresarial, basados esencialmente en datos extraídos de
los estados contables. El fracaso empresarial es un fenómeno que interesa y
preocupa a muchos de los agentes económicos, bien a nivel individual o colectivo.
El estudio de este tema permite, por un lado, comprender mejor las causas y las
señales del proceso de degradación de una empresa y, por otro, posibilitan la
aplicación de un conjunto de medidas correctivas. Un diagnóstico precoz de la
situación económica y financiera puede evitar que el proceso de deterioro se
desarrolle más veloz aún, haciéndose prácticamente imposible, en el caso de
persistir, el camino de la recuperación.
Esta inquietud socioeconómica tiene motivado diversos investigadores a estudiar y
desarrollar modelos de predicción del fracaso empresarial, recurriendo
principalmente a técnicas estadísticas o de inteligencia artificial.
En los últimos años han sido también elaborados distintos trabajos con el intuito de
estudiar el efecto que pueden tener los factores dimensión y edad en el fracaso
empresarial.
El objetivo de este trabajo es elaborar un modelo de predicción del fracaso
empresarial que incorpore el factor tamaño y el factor antigüedad junto con un
indicador económico-financiero que refleje la situación presente. El estudio empírico
se realiza sobre una muestra formada por 445 empresas sanas y 143 fracasadas
del sector textil, moda y confección, utilizando datos contables de 3 ejercicios
económicos consecutivos, comprendidos entre el período 2002-2007. Los
resultados serán comparados con los obtenidos a través de dos modelos
estadísticos; análisis discriminante y logit.
2. BREVE REFERENCIA AL MARCO TEÓRICO
En la literatura económica existen diversos trabajos que, a través de diferentes
perspectivas consideran los factores tamaño, edad y sector como variables
fundamentales para explicar la probabilidad de fracaso y crecimiento de las
empresas.
2
Algunos estudios han concluido que el tamaño de las empresas está negativamente
relacionado con la probabilidad de que una empresa fracase1 (Thompson, 1976;
Altman et al., 1977; Ohlson, 1980; Evans, 1987; Hall, 1987; Chen y Lee, 1993;
Audretsch y Mahmood, 1995; Cummins et al., 1995 o Turetsky y McEwen, 2001).
Chen y Wong (2004) encuentran que uno de los principales factores que afectan
significativamente a la salud financiera de las empresas es el tamaño de la
empresa. Honjo (2000) utilizando un modelo de riesgo proporcional muestra que las
empresas de software con un tamaño suficiente tienen menos probabilidad de
fracasar. Turetsky y McEwen (2001) afirman que de las grandes empresas se
espera que hagan una mejor gestión de la adversidad. Para Berger y Udell (1995)
cuanto más antigua es la empresa menor serán los gastos financieros relativos a la
financiación ajena. En este sentido, Holmes et al. (1994) mencionan que las
empresas de menor dimensión tienen frecuentemente más dificultades de acceso a
la financiación y un mayor coste financiero.
Serrano et al. (2005) señalan que las empresas pequeñas tienen mayor
probabilidad de fracaso que las grandes empresas. Los autores han adelantado que
los ratios reflejan el tamaño de la empresa, pero la forma como eso es reflejado
cambia entre los diferentes países. Buehler et al. (2006) han concluido en su
estudio que los porcentajes de empresas que fracasan disminuyen con la edad.
En la literatura sobre riesgo empresarial hay también autores que utilizan el tamaño
como una de las variables explicativas en sus modelos de predicción del fracaso
empresarial (Ohlson, 1980; Peel et al.,1986; Peel y Peel, 1988 o López et al., 1998).
Los resultados obtenidos por Audretsch y Mahmood (1995) sugieren que la
exposición al riesgo de las nuevas empresas tiende a ser mayor en entornos
altamente innovadores. Estos autores argumentan que las nuevas empresas
pueden reducir el riesgo de fracaso incrementando su tamaño, señalando que la
estructura de propiedad y el tamaño de las jóvenes empresas tienen influencia en la
probabilidad de supervivencia de las mismas. Audretsch (2001) considera que las
jóvenes empresas no tienen economías de escala y señala también que las
empresas que logran tener éxito crecerán, las otras permanecerán pequeñas y en
última instancia pueden tener que salir del mercado.
Sobre el tema podemos también destacar las aportaciones de Fariñas y Moreno
(2000) y Calvo y García (2006). Utilizando una muestra de empresas españolas
Fariñas y Moreno (2000) han concluido que el fracaso de las empresas declina con
la edad y el tamaño. Calvo y García (2006) han efectuado un estudio empírico para
examinar la estructura del riesgo financiero de la industria española en el período
1997-2001, analizando el impacto de la dimensión y la antigüedad de la empresa.
Las conclusiones del mismo argumentan la existencia de una relación inversa entre
el tamaño y la antigüedad de la empresa y su riesgo financiero. Respecto al
impacto que provoca la dimensión y la antigüedad de la empresa sobre las
variables de riesgo analizadas estos autores han concluido que el factor tamaño es
más relevante que la antigüedad en la capacidad de devolución de deuda y la
rentabilidad económica de la empresa, teniendo la antigüedad una mayor incidencia
en la capitalización y equilibrio financiero de las empresas.
1
También es posible encontrar ejemplos donde el tamaño no es un factor tan relevante.
Según Shih et al. (2007), en China, al contrario do que sucede en variados países el tamaño
de las instituciones financieras tiene poca relación con su desempeño
3
3. PARTE EMPÍRICA
3.1. Selección de la muestra y variables
La información para elaborar la muestra de empresas se obtuvo de la base de
datos SABI, de la Dun & Bradstreet, del Instituto Informador Comercial y de
Administradores de insolvencia.
Para formar parte de la muestra las empresas tenían que presentar datos de
carácter contable-financieros para 3 ejercicios económicos consecutivos,
comprendidos entre el período de 2002 y 2007. Se selecciono un grupo formado
por compañías del sector textil, moda y confección con 445 empresas sanas y 143
fracasadas. A su vez la muestra fue subdividida en otras dos submuestras, una de
estimación, compuesta por 80 empresas fracasadas seleccionadas de forma
aleatoria y por 160 empresas sanas con datos correspondientes a los mismos
ejercicios económicos y aproximadamente del mismo tamaño y otra submuestra de
contraste o validación, con 285 empresas sanas y 63 empresas fracasadas.
En nuestro estudio hemos identificado una empresa como fracasada siempre que
se haya presentado la insolvencia o la misma haya sido declarada por los
tribunales.
La falta de una base teórica que explique el fracaso empresarial y sirva de
orientación en el proceso de elección de las variables explicativas ha permitido que
se hayan utilizado múltiples criterios en la selección de las mismas. La ¡Error! No
se encuentra el origen de la referencia.4 recoge la lista de 60 ratios seleccionados
que se han elaborado con la información del Balance de Situación y de la Cuenta
de Resultados de las empresas que componen la muestra.
3.2. El modelo propuesto
Nuestro objetivo es elaborar un modelo de predicción del fracaso empresarial que
concilie los dos factores referidos, tamaño y edad, con un indicador económicofinanciero que refleje la situación presente.
Empezaremos por hacer una análisis univariante de los indicadores2, que nos ha
permitido comprobar que aquél ratio que tenía mejor comportamiento para
discriminar los dos grupos de empresas era el ratio cash-flow/pasivo a corto plazo.
El factor tamaño aparece en la literatura medido de diferentes formas. En Back
(2005) y Turetsky y McEwen (2001) el factor tamaño es medido utilizando el
logaritmo natural del Activo total. Calvo y García (2006) han considerado el criterio
establecido por la Comisión Europea (1996) y Honjo (2000) ha utilizado el número
de trabajadores. En el presente estudio para el factor tamaño utilizamos el valor del
activo.
2
Los 60 indicadores utilizados se pueden ver en la Tabla 14.
4
El cálculo de la edad tampoco coincide en todos los estudios. Shumway (2001)
considera el número de años que la empresa cotiza en bolsa. A su vez, Berger y
Udell (1995) considera el número de años que los actuales propietarios siguen
como tal en la misma empresa. Back (2005) calcula la edad desde la fecha de
constitución. En nuestro estudio la edad se mide a través del número de años
transcurridos desde la constitución hasta el ejercicio objeto de análisis.
Posteriormente y en presencia de las tres variables (edad, tamaño y el ratio cashflow/pasivo a corto plazo), hemos intentado hacer una división de la muestra de
prueba en ocho clases para cada una de las referidas variables procurando que al
menos las clases intermedias tuviesen, aproximadamente el mismo número de
elementos, asegurando que no se verificaban frecuencias acumuladas repetidas
(con el redondeo).
Para la primera clase de cada variable, era siempre atribuida la ponderación de 0,1,
independientemente de la respectiva frecuencia.
Para la última clase de cada variable era siempre atribuida la ponderación de 1.
Para las restantes clases se atribuía la ponderación correspondiente al valor de la
respectiva frecuencia acumulada.
Como ya comentamos previamente, para el factor tamaño se ha intentado hacer
una división de clases lo más equilibrada posible (0). Como en la edad, el valor
mínimo era de 3 años con los datos de la muestra, la primera clase estaba limitada
hasta 3 años (0). Con el ratio cash-flow/pasivo a corto plazo, como más de 50% de
las empresas fracasadas tenían un valor inferior a cero, la primera clase
comportaba todos los valores negativos. Para las restantes se intentó hacer una
división lo más equilibrada posible (0).
El modelo propuesto corresponde a la siguiente fórmula:
para
identificar una empresa como sana, con
[0,1 ; 1]
donde:
Cash-flow/pasivo de corto plazo
Edad
Tamaño
Después de variados testes la combinación que mejores resultados presentaba era
la siguiente:
para clasificar una empresa como
sana, en contrario fracasada.
5
Tabla 1. División por clases en función del Tamaño
Clase**
N.º
Empresas
Frecuencia
(%)
Frecuencia
Acumulada (%)
Ponderación
[hasta 420]
]420-890]
]890-1260]
]1260-1700]
]1700-2250]
]2250-4700]
]4700-9800]
]9800-*[
28
31
34
35
33
32
24
23
240
0,117
0,129
0,142
0,146
0,138
0,133
0,100
0,096
1,000
0,117
0,246
0,388
0,533
0,671
0,804
0,904
1,000
0,1
0,2
0,4
0,5
0,7
0,8
0,9
1,0
**En miles de euros
Tabla 2. División por clases en función de la Edad
Clase
[1-3]
]3-5]
]5-8]
]8-10]
]10-15]
]15-20]
]20-30]
]30-*[
N.º
Empresas
Frecuencia
(%)
Frecuencia
Acumulada (%)
Ponderación
11
30
34
32
49
35
32
17
240
0,046
0,125
0,142
0,133
0,204
0,146
0,133
0,071
1,000
0,046
0,171
0,313
0,446
0,650
0,796
0,929
1,000
0,1
0,2
0,3
0,4
0,7
0,8
0,9
1,0
Tabla 3. División por clases en función del ratio Cash-flow/Pasivo a corto plazo
Clase
N.º
Empresas
Frecuencia
(%)
Frecuencia
Acumulada (%)
Ponderación
[*-0]
]0-0,021]
]0,021-0,043]
]0,043-0,124]
]0,124-0,265]
]0,265-0,399]
]0,399-0,728]
]0,728-*[
74
18
26
29
28
26
24
15
240
0,308
0,075
0,108
0,121
0,117
0,108
0,100
0,063
1,000
0,308
0,383
0,492
0,613
0,729
0,838
0,938
1,000
0,1
0,4
0,5
0,6
0,7
0,8
0,9
1,0
6
Las tablas siguientes recogen los resultados para todas las muestras:
Tabla 4. Entrenamiento con datos 1 año previo
Grupo Previsto
Valor
Grupo
Actual
%
F
S
Total
F
S
F
74
6
80
92, 5
7,5
100
S
10
150
160
6,25
93,75
100
Acierto global del modelo
224
Total
93,33
F- Fracasada; S - Sana
Tabla 5. Validación con datos 1 año previo
Grupo Previsto
Valor
Grupo
Actual
%
F
S
Total
F
S
F
63
0
63
100,0
0,00
100
S
20
265
285
7,02
92,98
100
Acierto global del modelo
328
Total
94,25
Tabla 6. Validación con datos 2 años previos
Grupo Previsto
Valor
Grupo
Actual
%
F
S
Total
F
S
F
119
24
143
83,22
16,78
100
S
42
403
445
9,44
90,56
100
Acierto global del modelo
522
Total
88,78
7
Tabla 7. Validación con datos 3 años previos
Grupo Previsto
Valor
Grupo
Actual
%
F
S
Total
F
S
F
84
59
143
58,74
41,26
100
S
52
393
445
11,69
88,31
100
Acierto global del modelo
477
Total
81,12
3.3. Análisis discriminante
El paquete estadístico que hemos utilizado, SPSS 18.0 para Windows, permite
seleccionar las variables discriminantes directamente, es decir, de forma intuitiva, o
seguir un procedimiento iterativo paso a paso. Esta última ha sido la opción seguida
y en cada paso la variable a introducir era aquella que minimizaba la Lambda de
Wilks.
La aplicación del análisis discriminante a la previsión del fracaso empresarial de las
empresas textiles se ha realizado a partir de los valores de los ratios de la muestra
de estimación un año antes del fracaso que estaba formada por 80 empresas
fracasadas y 160 no fracasadas.
El resultado del proceso iterativo seguido en el análisis discriminante lineal hasta
encontrar las variables explicativas del fenómeno analizado se encuentra resumido
en la tabla siguiente.
Tabla 8. Método paso a paso: resumen de las iteraciones
Paso
Entra
1
2
3
4
5
X40
X59
X48
X60
X10
Sale
Número de
Variables
1
2
3
4
5
Lambda
de Wilks
0,313
0,271
0,240
0,217
0,204
Nível
Significación
0,000
0,000
0,000
0,000
0,000
Los coeficientes de ponderación de las variables explicativas que entran en la
función discriminante, bien como la constante, se puede ver en la Tabla 9.
8
Tabla 9. Coeficientes de la función discriminante canónica no tipificada
Indicador
Coeficientes
X10
X40
X48
X59
X60
Constante
0,870
13,234
2,529
-2,612
-0,222
-12,572
Dos cuestiones se deben contrastar, una vez estimada la relación lineal. Por un
lado, hasta qué punto el modelo obtenido (relación lineal) permite discriminar
correctamente y, por otro, qué variables de las inicialmente elegidas son realmente
explicativas de la pertenencia de un elemento a un grupo o a otro.
La primera cuestión dependerá de que la distancia entre los centroides de los
grupos sea estadísticamente significativa, lo cual se mide con la referida Lambda de
Wilks. Según Maroco (2003) la Lambda de Wilks mide, en un rango de 0 a 1, la
proximidad del óptimo teórico en el que se encuentra, teniendo presente en la
interpretación del valor obtenido, que la situación óptima corresponde al valor 0. Su
nivel de significación cuantifica la probabilidad de error al rechazar la hipótesis de
que los centroides entre los grupos son iguales cuando en realidad tienen el mismo
valor. Entonces, a medida que dicho nivel esté cercano a 0, es más fácil rechazar la
hipótesis de igualdad de centroides y aceptar que el modelo discriminante es válido.
Se suele aceptar que el modelo es significativo cuando dicha probabilidad es menor
al 10% o al 5%. En la Tabla 10 podemos comprobar la significancia de la función
discriminante.
Tabla 10. Significancia de la función discriminante
Función discriminante
Lambda de
Wilks
ChiCuadrado
Sig.
Z=-12,572+0,870*X10+13,234*X40+
2,529*X48-2,612*X59-0,222*X60
0,204
372,684
0,000
El nivel de significación critico de la Chi-Cuadrado asociada a la Lambda de Wilks
es 0,000 lo que permite rechazar la hipótesis nula de igualdad de los respectivos
vectores de medias de las variables explicativas que componen la función
discriminante en los dos grupos de empresas.
Una análisis para cada una de las puntuaciones de cada empresa ha permitido
verificar que el punto que proporcionaba el menor error se quedaba en -0,64. Para
clasificar cada empresa de la muestra de estimación, así como en las muestras de
validación hemos utilizado el referido valor como punto de corte. En la Tabla 13 se
puede ver un resumen de los resultados de la clasificación de las empresas para
todas las muestras.
9
3.4. Logit
Para estimar el modelo logit, hemos partido de los datos de la muestra de
estimación referentes al año previo al fracaso, formada por 80 empresas fracasadas
y 160 no fracasadas, siguiendo el proceso paso a paso hacia delante en razón de
verosimilitud. Los ratios que entran en el modelo seleccionado son el X14 (CashFlow/Pasivo Total) y X46 (Resultado Liquido/Activo Total) que podemos ver en la
Tabla 11 así como su significación.
Tabla 11. Parámetros estimados y su nivel de significación
Parámetros Coeficientes
Error Estándar
Test Wald
Sig.
X14
13,021
7,788
2,795
0,019
X46
46,913
11,446
16,800
0,000
Constante
2,829
0,805
12,367
0,000
Por separado, cada uno de los coeficientes es significativamente diferente de cero.
El estadístico de Wald, que sigue una distribución Chi-cuadrado con un grado de
libertad, permite rechazar la hipótesis nula con un error inferior al 5 por 100.
Una vez que el modelo maximiza la verosimilitud de un evento a suceder (quebrar o
mantener su actividad), la medida de la bondad del ajuste es suministrada por el
valor de dicha verosimilitud. En el programa estadístico utilizado dicha medida se
obtiene a través del coeficiente de determinación propuesto por Nagelkerke. De
acuerdo con esta medida, una variación del resultado de la variable dependiente es
explicada aproximadamente al 95% por el modelo logístico estimado, es decir, en
este modelo las variables independientes explican alrededor del 95% del
comportamiento de la variable dependiente.
Tabla 12. Resumen de los principales testes efectuados
Paso
− 2 Lnλ LR
1
29,718
R Cuadrado de
Nagelkerke
0,949
Test Hosmer y Lemeshow
Cui-cuadrado
Sig.
1,474
0,993
Para comprobar la calidad del ajuste de los valores estimados utilizaremos el test
de Hosmer-Lemeshow. Este es un test Chi-cuadrado que prueba la hipótesis nula
de inexistencia de diferencias entre los valores observados y los valores previstos
por el modelo. Una buena calidad del ajuste equivale a un test Chi-cuadrado con un
valor de p>0,5.
Comparando el valor Chi-cuadrado con los valores tabulados estadísticos se llega a
la conclusión de no rechazar H0, en otras palabras, no rechazamos la hipótesis de
que el modelo está dotado de un buen ajuste de los datos.
10
3.5. Resultados obtenidos
Los resultados obtenidos se encuentran en la tabla siguiente y nos permiten
verificar que el modelo propuesto presenta un elevado porcentaje de éxito en la
clasificación de las empresas de la muestra de estimación y de la muestra de
validación (1 año previo). Con los datos de las empresas para 2 y 3 años previos a
la situación de crisis, se mantiene un elevado porcentaje de aciertos en la
clasificación de las empresas no fracasadas, no obstante se constata una
significativa disminución en el porcentaje de aciertos en la clasificación de las
empresas fracasadas.
Tabla 13. Resumen del porcentaje de aciertos de los tres modelos
Técnica
Estimación/
Entrenamiento
F
S
Validación
F
S
Dos años
previos
F
S
Tres años
previos
F
S
Análisis
discriminante
%
N. Empresas
92,50
99,38
87,30
98,60
62,20
97,30
47,60
98,40
74
159
55
281
89
433
68
438
95,00
98,10
92,06
98,95
79,70
96,90
42,00
98,20
76
157
58
282
114
431
60
437
92,50
93,75
100,0
92,98
83,22
90,56
58,74
88,31
74
150
63
265
119
403
84
393
Logit
%
N. Empresas
Modelo
propuesto
%
N. Empresas
En síntesis podemos concluir que con las muestras de estimación/entrenamiento y
validación el nivel global de acierto de todos los modelos es elevado.
En general todos los modelos logran buenas clasificaciones con el grupo de las
empresas no fracasadas, no cumpliéndose lo mismo con el de las empresas
fracasadas, cuyo nivel de aciertos empeora a medida que nos distanciamos del año
previo al fracaso.
11
4. CONCLUSIÓN
En los últimos años han sido elaborados distintos trabajos con el intuito de estudiar
el efecto que pueden tener los factores dimensión y edad en el fracaso empresarial.
Nuestro intento en este trabajo fue elaborar un modelo de predicción del fracaso
empresarial que concilie los factores tamaño y edad, con un indicador económicofinanciero que refleje la situación presente de las empresas. Después de hacernos
una análisis univariante de los indicadores, hemos comprobado que aquél ratio que
tenía mejor comportamiento para discriminar los dos grupos de empresas era el
ratio cash-flow/pasivo a corto plazo.
Aplicando el modelo de predicción del fracaso empresarial elaborado a la muestra
de empresas se constata que:
•
En general los resultados del modelo son muy aceptables, logrando obtener
porcentajes de acierto superiores al 92,5% en los dos grupos de empresas,
tanto para la muestra de estimación, como para la muestra de validación;
•
Con los datos del segundo año previo al fracaso el porcentaje de aciertos
con las empresas fracasadas fue del 83,22% y con las empresas sanas de
90,56%;
•
En comparación con los modelos basados en análisis discriminante y logit,
podemos observar que los resultados obtenidos con las empresas sanas
son siempre inferiores (cuyo nivel de aciertos oscila entre el 93,75% para la
muestra de estimación y el 88,31% con los datos de la muestra
correspondiente al tercer año previo al fracaso), pero con el grupo de las
empresas fracasadas los resultados son siempre superiores, con excepción
de la muestra de estimación, (con porcentajes de acierto comprendidas
entre 100% con la muestra de validación y 58,74% para los datos
referentes a la muestra de datos del tercer año previo al fracaso).
En el modelo propuesto la ponderación del ratio Cash-flow/pasivo de corto plazo fue
de 70%, y la ponderación de la edad ha sido el doble de la dimensión.
En síntesis podemos concluir que con las muestras de estimación/entrenamiento y
validación el nivel global de acierto de todos los modelos es elevado. En general
todos los modelos logran buenas clasificaciones con el grupo de las empresas no
fracasadas, no cumpliéndose lo mismo con el de las empresas fracasadas, cuyo
nivel de aciertos empeora a medida que nos distanciamos del año previo al fracaso.
La precisión de cualquier modelo depende en gran medida de la calidad de los
datos que sirvieron de base para su confección. Es posible que las cuentas de
algunas empresas de la muestra utilizada pueden no reflejar la verdadera situación
económico-financiera, particularmente en el grupo de empresas fracasadas, lo que
puede haber influido en el comportamiento de los modelos, especialmente el
segundo y tercer año previo al fracaso, ya que más de 80% de la muestra no tienen
sus cuentas auditadas y también no estaban a eso legalmente obligadas.
Estamos convencidos de que recurriendo a una muestra significativa de empresas
con las cuentas auditadas y con la incorporación de variables cualitativas se podrá
producir modelos con un buen poder predictivo.
12
BIBLIOGRAFÍA
AUDRETSCH, D.B. (2001): “Research issues relating to structure, competition, and
performance of small technology-based firms”, Small Business Economics, Vol. 16,
N.º 1, February, pp. 37-51.
AUDRETSCH, D.B. y MAHMOOD, T. (1995): “New firm survival: new results using a
hazard function”, The Review of Economics and Statistics, Vol. 77, N.º 1, pp. 97103.
BACK, P. (2005): “Explaining financial difficulties based on previous payment
behavior, management background variables and financial ratios”, European
Accounting Review, Vol. 14, N.º 4, pp. 839-868.
BERGER, A. N. y UDELL, G. F. (1995): “Relationship lending and lines of credit in
small firm finance”, Journal of Business, Vol. 68, N.º 3, pp. 351-381.
BUEHLER, S.; KAISER, C. y JAEGER, F. (2006): “Merge or fail? The determinants
of mergers and bankruptcies in Switzerland, 1995-2000”, Economics Letters, Vol.90,
N.º 1, January, pp. 88-95.
CALVO-FLORES SEGURA, A. y GARCÍA PÉREZ DE LEMA, D. (2006): “Tamaño,
Antigüedad y Fracaso Empresarial”, V Workshop de Investigación Empírica en
Contabilidad Financiera, Universidad Autónoma de Madrid, 18-10 octubre, Madrid.
CHEN, K. C. W. y LEE, C-W. J. (1993): “Financial Ratios and Corporate Endurance:
A Case of the Oil and Gas Industry”, Contemporary Accounting Research, Vol. 9,
N.º 2, Spring, pp. 667-694.
CHEN, R. y WONG, K. (2004) : “The Determinants of Financial Health of Asian
Insurance Companies”, Journal of Risk & Insurance, Vol. 71, N. 3, September, pp.
469-499
CUMMINS, J. D.; HARRINGTON, S. E. y KLEIN, R. (1995): “Insolvency Experience,
Risk-Based Capital, and Prompt Corrective Action in Property-Liability Insurance”,
Journal of Banking and Finance, Vol.19, N.º 3-4, June, pp. 511-527.
EUROPEAN
COMMISSION
(1996):
Euro-Info
88/ES,
March,
Luxemburg.
Statistical office of the European Communitie.
EVANS, D. S. (1987): “The Relationship Between Firm Growth, Size, and Age:
Estimates for 100 Manufacturing Industries”, The Journal of Industrial Economics,
Vol. 35, N.º 4, June, pp. 567-581.
FARIÑAS, J. C. y MORENO, L. (2000): “Firm’s Growth, Size and Age: A
Nonparametric Approach”, Review of Industrial Organization, Vol.17, N.º 3,
November, pp. 249-265.
HALL, B. H. (1987): “The relationship between firm size and firm growth in the US
manufacturing sector”, Journal of Industrial Economics, Vol. 35, N.º 4, June, pp.
583-605.
13
HOLMES, S.; DUNSTAN, K. y DWYER, D. (1994): “The cost of debt for small firms:
evidence from Australia”, Journal of Small Business Management, Vol. 32, N.º 1,
January, pp. 27-35.
HONJO, Y. (2000): “Business failure of new software firms”, Applied Economic
Letters, Vol. 7, N.º 9, September, pp. 575-579.
LÓPEZ GRACIA, J.; GANDÍA CABEDO, J. L. y MOLINA LLOPIS, R. (1998): “La
Suspensión de Pagos en las PYMES: Una Aproximación Empírica”, Revista
Española de Financiación y Contabilidad, Vol. XXVII, N.º 94, enero-marzo, pp. 7197.
MAROCO, J. (2003): Análise Estatística com Utilização do SPSS, 1ª ed., Edições
Sílabo, Lisboa.
OHLSON, J. S. (1980): Financial ratios and the probabilistic prediction of
bankruptcy, Journal of Accounting Research, Vol. 18, N.º 1, Spring, pp. 109-131.
PEEL, M. J. y PEEL, D. A. (1988): “A Multilogit Approach to Predicting Corporate
Failure. Some Evidence for the UK Corporate Sector”, Omega, Vol. 16, N.º 4, pp.
309-318.
PEEL, M. J.; PEEL, D. A. y POPE, P. F. (1986): “Predicting Corporate Failure.
Some Results for the UK Corporate Sector”, Omega, 14, N.º 1, pp. 5-12.
SERRANO CINCA, C.; MAR MOLINERO, C. y GALLIZO LARRAZ, J. L. (2005):
“Country and size effects in financial ratios: A European perspective”, Global
Finance Journal, Vol. 16, N.º 1, August, pp. 26-47.
SHIH, V.; ZHANG, Q. y LIU, M. (2007): “Comparing the performance of Chinese
banks: A principal component approach”, China Economic Review, Vol. 18, N.º 1,
January, pp. 15-34.
SHUMWAY, T. (2001): “Forecasting Bankruptcy More Accurately: A Simple Hazard
Model”, Journal of Business, Vol. 74, N.º 1, January, pp. 101-124.
THOMPSON, D. J. (1976): “Sources of systematic risk in common stocks”, The
Journal of Business, Vol. 49, N.º 2, April, pp. 173-188.
TURETSKY, H. F. y McEWEN, R. A. (2001): “An Empirical Investigation of Firm
Longevity: A Model of the Ex Ante Predictors of Financial Distress”, Review of
Quantitative Finance and Accounting, Vol. 16, N.º 4, June, pp. 323-343.
14
Tabla 14. Ratios seleccionados
X1
Activo Total / Pasivo Total
X2
(Activo Circulante - Existencias) / Pasivo Circulante
X3
(Activo Circulante - Pasivo Circulante) / Pasivo total
X4
(Activo Circulante - Pasivo Circulante) / Ventas Netas
X5
Activo Circulante / Activo Total Neto
X6
Activo Circulante / Pasivo a Corto Plazo
X7
Activo Circulante / Pasivo Total
X8
Activo Fijo / Activo Circulante
X9
Amortizaciones / Ingresos de Explotación
X10
Capital Propio / Activo Total
X11
Capital Propio / Inmovilizado Neto
X12
Capital Propio / Pasivo Total
X13
Cash-flow / Pasivo a Corto Plazo
X14
Cash-flow / Pasivo Total
X15
Gastos Financieros / Ingresos de Explotación
X16
Gastos Financieros / Resultados Explotación
X17
Gastos Financeiros / Total Deudas a Instituciones de Crédito
X18
Disponibilidades / Activo Total
X19
Disponibilidades / Pasivo a Corto Plazo
X20
(Disponibilidades + Créditos a Corto Plazo) / Pasivo a Corto Plazo
X21
Deudas con Terceros / Activo Total
X22
Existencias / Activo Total
X23
Existencias / Ventas
X24
Capital circulante / Activo Total Neto
X25
Gastos de personal / Activo Fijo
X26
Gastos de personal / Ingresos de Explotación
X27
Inmovilizado Tangible / Activo Circulante
X28
Inmovilizado Tangible / Activo Total
X29
Inmovilizado Intangible / Activo Total
X30
Inmovilizado Neto/ Activo Total
X31
Inmovilizado Total / Deudas a Largo Plazo
(Continua)
15
(Continuación)
X32
(Inversiones Fin. M/L Plazo + Inv. Fin. C/P) / Activo Total
X33
(Inversiones Fin. C/P + Disponibilidades) / Activo Total
X34
Pasivo a Corto Plazo / Pasivo Total
X35
Pasivo a Medio y Largo Plazo / Pasivo a Corto Plazo
X36
Pasivo a Medio y Largo Plazo / Pasivo Total
X37
Pasivo Total / Capital Propio
X38
Ingresos de Explotación / Activo Circulante
X39
Ingresos de explotación / Activo Total
X40
Ingresos de explotación / Gastos Explotación
X41
Ingresos de explotación / Inmovilizado
X42
(BAI + Amort. + Provisiones) / Gastos Financieros
X43
Reservas / Activo Total
X44
(Reservas + Resultados Ejercicios Anteriores) / Pasivo Total
X45
Beneficio Extraordinario / Beneficio Neto
X46
Beneficio Neto / Activo Total
X47
Beneficio Neto/ Capital Propio
X48
Beneficio Neto / Pasivo Total
X49
Beneficio Neto / Ingresos de Explotación
X50
Beneficio Neto / Ventas
X51
Beneficios Explotación / Activo Total Liquido
X52
Beneficios Explotación / Gastos Financieros
X53
Beneficios Explotación / Ingresos de Explotación
X54
Beneficios Explotación / Ventas Netas
X55
Ventas / Activo Total
X56
Ventas / Capital Circulante
X57
Ventas / Disponibilidades
X58
Ventas / Existencias
X59
(BAI + Gastos Financieros) / Total de Ventas
X60
BAI / (BAI +Gastos Financieros)
BAI=Beneficios antes de Impuestos
16
17