Beruflich Dokumente
Kultur Dokumente
187-217 187
Resumen
* Los autores agradecen las sugerencias y comentarios aportados por dos revisores an
nimos, y por el editor de la revista, que han contribuido a mejorar distintos aspectos de
este trabajo.
** Grupo de Investigacin en Finanzas y Sistemas de Informacin para la Gestin (FYSIG),
Departamento de Economa Financiera y Contabilidad, Universidad de A Corua.
E-mail: marod@udc.es, carpi@udc.es, pablo.de.llano@udc.es
188 Estudios de Economa, Yol. 41 - N 2
Abstract
This paper offers an exhaustive analysis o f the effectiveness o f several models and
methodologies that are commonly used to forecastfinancialfailure: Linear, MDA,
Logit, and artificial neural network. Our main aim is to evaluate their relative
strengths and weaknesses, in terms o f technical reliability and error cost; to do
so, models are estimated and validated, and then used to perform an artificial
simulation to evaluate which o f them causes the lower cost o f errors. Reliability
is examined in four forecast horizons, to collect evidences about temporal (in)
stability. We also check the relative advantages o f financial ratios-based models,
versus audit-based forecast models. Our results suggest that all models attain
a high performance rate; however, artificial neural networks forecasts seem to
be more stable, both in temporal and cross-sectional perspectives.
1. Introduccin
i
PROBIT: inversa de la funcin de distribucin asociada con la distribucin normal. LOGIT:
regresin logstica.
190 Estudios de Economa, Vol. 41 - N 2
2. M t o d o
La poblacin objeto de nuestro estudio son aquellas empresas activas con sede
en Galicia, identificadas segn los datos suministrados por SABI2 en situacin
de dificultades financieras. Se han excluido aquellas empresas3 con menos de
2 Sabi - Bureau van Dijk: Sistema de Anlisis de Balances Ibrico (Cuentas Anuales e
Informe de Auditora (se)).
3 Todas las empresas tienen datos completos y no hay observaciones omitidas ni ceros.
Determinacin del riesgo... / M. Rodrguez L., C. Pieiro S., P. de Llano M. 191
Los modelos se han estimado sobre una muestra de 1206 empresas, con datos
financieros comprendidos entre los aos 1990 y 1997. El estudio est basado en
un muestreo equilibrado: las dos muestras tienen el mismo tamao para facilitar
el establecimiento de puntos de corte ptimos en los modelos paramtricos; en
cualquier caso se aportan tambin los resultados de varias simulaciones, diseadas
para evaluar la sensibilidad de los modelos en relacin con esos puntos de corte,
cuando se aplican diferentes costes a los errores tipo I y tipo II.
2.1. Variables
RATIOS FINANCIERAS
TA BLA 1
Determinacin del riesgo... / M. Rodrguez L., C. Pieiro S., P. de Llano M. 193
des que figuran en las cuentas anuales, sin ajustes previos tal y como podemos
observar en la literatura, como por ejemplo la valoracin a precios de mercado
o la utilizacin de mtodos alternativos a la contabilidad.
Debido a la estructura de la muestra se hace imposible el contraste con
variables macroeconmicas que pudiesen abundar en las causas del fallo fi
nanciero. Las empresas se han constituido con datos laa (Ao Antes del fallo),
2aa, 3aa, 4aa, Global: por tanto, los datos contables de cada empresa fallida
estn estructurados en funcin del momento del fallo empresarial, no existiendo
ni compartiendo un marco temporal comn, que imposibilita la utilizacin de
indicadores macroeconmicos que pudieran aportar datos sobre la estructura
o coyuntura del mercado en donde se encuentran. Sin embargo, esta ausencia
permite centrarse en la realidad de la estructura empresarial para detectar las
evidencias internas provocadas por estrs financiero.
2.2. Metodologa
Finalmente, hemos estimado un modelo nico que abarca todas las observa
ciones disponibles durante los cuatro aos (Tabla 6). Este modelo se ha diseado
para integrar los modelos parciales anteriores y poder realizar una prediccin
de carcter genrico, independiente del factor tiempo: tambin pretende apoyar
un anlisis de sensibilidad para poder comprobar la significacin y estabilidad
de las estimaciones anuales.
Mientras trabajbamos en este documento, en febrero de 2010, una relevante
em presa local se declar en quiebra. Los informes de auditora disponibles
(2004 y 2006) estaban limpios, sin salvedades ni informaciones respecto de
su posible inestabilidad. Sin embargo, nuestros modelos de prediccin sum i
nistraban advertencias suficientes: tanto el MDA como el MRL apuntaban a
una probabilidad de fallo del 100% en todas las simulaciones, mientras que
el LOGIT lo haca en 37,5%. Ello es suficientemente explicativo de la calidad
de los modelos.
TABLA 2
MODELOS OMEGA-1 - 1 AO ANTES DEL FALLO
MDA Logit LR
Variables Coef. Coef. Coef.
Sig. Sig. Sig.
(0 (t) (wald)
TABLA 3
MODELOS OMEGA-2 - 2 AOS ANTES DEL FALLO
MDA Logit LR
Variables Coef. Coef. Coef.
Sig. Sig. Sig.
(f) (t) (wald)
TABLA 4
MODELOS OMEGA-3 - 3 AOS ANTES DEL FALLO
MDA Logit LR
Variables Coef. Coef. Coef.
Sig. Sig. Sig.
(f) (t) (wald)
TABLA 5
MODELOS OMEGA-4 - 4 AOS ANTES DEL FALLO
MDA Logit LR
Variables
Coef. Coef. Coef.
Sig. Sig. Sig.
(0 (t) (wald)
Apl04 6,530 ^19,448 -1,586
(26,01) 0,000 (18,79) 0,000 (-4,73) 0,000
End03 -0,883 4,284 0,215
(10,86) 0,000 (6,78) 0,009 (2,11) 0,037
Est03 -2,913 - _ -0,707
(11,78) 0,000 (3,01) 0,003
Ren05 - _ 34,773 _ _
(14,09) 0,000
Sol06 4,823 -17,348 -1,171
(12,63) 0,000 (12,77) 0,000 (-4,19) 0,000
Liq05 -3,891 - _
-0,945
(13,71) 0,000 (3,50) 0,001
Liql2 1,466 - - -0,356
(16,51) 0,000 (-2,91) 0,004
Intercept -0,312 3,102 0,576
- (17,18) 0,000 (9,06) 0,000
Global sig. 52,371 0,000 90,257 0,000 10,863 0,000
(X2) 0(2) (f)
Ratio fallidas 70,0% 88,3% 70,0%
Ratio sanas 90,0% 90,0% 90,0%
Ratio total empresas 80,0% 89,2% 80,0%
TABLA 6
MODELOS OMEGA-GLOBAL - ESTIMACIN CONJUNTA CUATRO AOS
ANTES DEL FALLO
MDA Logit LR
Variables
Coef. Coef. Coef.
Sig. Sig. Sig.
(f) (t) (wald)
Apl04 0,399 _ _ -0,087
(32,41) 0,000 (-2,00) 0,045
End03 0,376 - _ -0,082
(50,19) 0,000 (-3,29) 0,001
Est03 1,159 -3,711 -0,253
(67,68) 0,000 (44,24) 0,000 (-4 ,29) 0,000
Rot06 0,011 _ -0,002
(39,25) 0,000 (-2,25) 0,025
Liq05 1,975 -11,254 -0,431
(95,74) 0,000 (61,76) 0,000 (-4,55) 0,000
Intercept -0,275 0,6743 0,560
(21,69) 0,000 (23,49) 0,000
Global sig. 139,846 0,000 217,915 0,000 32,414 0,000
(X2) (X2) (f)
Ratio fallidas 75,0% 78,3% 75,0%
Ratio sanas 82,5% 82,5% 82,5%
Ratio total empresas 78,8% 80,4% 78,8%
Determinacin del riesgo... / M. Rodrguez L., C. Pifleiro S., P. de Llano M. 197
TABLA 7
CASO REAL / PARTICULAR DE APLICACIN DE LOS MODELOS
DE PREDICCIN
Ao 07 06 05 04
M D A IA A F F F F
M D A 2 AA F F F F
MDA 3 AA F F F F
MDA 4 AA F F F F
MDA GLOBAL F F F F
LOGIT 1 AA F F F F
LOGIT 2 AA F F S S
LOGIT 3 AA S S S S
LOGIT 4 AA S S S S
LOGIT GLOBAL S S S S
MRL 1 AA F F F F
M R L 2A A F F F F
MRL 3 AA F F F F
M R L 4A A F F F F
MRL GLOBAL F F F F
ILUSTRACIN 1
ESTRUCTURA DE LA RED PERCEPTRN MULTICAPA
TABLA 8
RED PERCEPTRN MULTICAPA: INDICADOR EN ETAPA DE FORMACIN
Red Red
51x50x8x6x1 28 x 8 x 6 x 1
Muestra
Sanas Fallidas Total Sanas Fallidas Total
(60 Sanas - 60 Fallidas)
TABLA 9
RED PERCEPTRN MULTICAPA: INDICADOR EN ETAPA DE VALIDACIN
Red Red
la a fallo (29 Fallidas - 284 Sanas) 91,5 96,6 92 93,7 96,6 93,9
2aa fallo (29 Fallidas - 284 Sanas) 79,2 82,7 79,6 82,7 82,7 82,7
3aa fallo (29 Fallidas - 284 Sanas) 78,5 72,4 78 83,8 79,3 83,4
4aa fallo (15 Fallidas - 284 Sanas) 63,4 93,3 64,9 73,6 73,3 73,6
M odelo global (102 Fallidas - 1.136 Sanas) 80,4 82,3 80,5 83,2 86,3 83,4
TABLA 10
INDICADORES DE MODELOS OMEGA Y RNA
Sanas Fallidas
MRL Total
Estimacin Contraste Estimacin Contraste
7
Neurosolutions 97, V 3.2; Neuro Dimension Inc. 1997.
200 Estudios de Economa, Vol. 41 - N 2
Tabla 10 (cont.)
Sanas Fallidas
MDA Total
Estimacin Contraste Estimacin Contraste
Sanas Fallidas
Total
Estimacin Contraste Estimacin Contraste
Sanas Fallidas
RNA Total
Estimacin Contraste Estimacin Contraste
3. D iscusin
Todos los modelos globales que operan sobre los cuatro aos simultneamen
te, descansan su pronstico sobre ocho (8) ratios financieras. Sin embargo, su
configuracin es ligeramente diferente en funcin del horizonte de prediccin.
En los dos y tres aos antes del evento se alcanzan niveles ptimos de predic
cin con modelos simples (univariante, bivariante, excepto el tercer ao, donde
el MDA requiere de ms variables). A medida que nos acercamos al momento
del fallo, el nmero de variables afectadas aumenta, emergiendo un perfil
especfico: dificultades para generar recursos, principalmente beneficio, y un
apalancamiento (por endeudamiento) cada vez mayor. Las empresas fracasadas
muestran valores anormalmente altos en ajuste de las ratios; APL04 y SOL06,
otorgndole un alto poder explicativo y predictivo. APL04, como cociente entre
Ingresos Netos y Exigible Total, es un factor relevante, como se ha manifestado
en trabajos precedentes.
Un ao antes del fallo, y tambin cuatro aos antes, hemos de incluir ms
de cinco variables para obtener una capacidad predictiva aceptable. Lo anterior
sugiere que el poder predictivo de los modelos se debilita con el tiempo, tal vez
porque las empresas no manifiestan un perfil claro sujeto a riesgo, por lo que
los modelos necesitan un mayor volumen de evidencias para hacer una correcta
clasificacin (Sana / Fallida). Creemos que estas empresas tratan de permane
cer en el mercado adoptando polticas que, aunque pueden ayudar a aplazar el
evento, causan desequilibrios financieros generalizados y un agravamiento de las
tensiones financieras a medio y largo plazo; obtencin de recursos mediante la
realizacin de activos, significante aumento de la deuda a corto plazo, deterioro
de la estructura financiera, reduccin de precios para mantener los niveles de
venta, reduccin del crdito a clientes, dificultades para mantener el crdito
comercial, ganancias de operaciones discontinuas, etctera.
Las redes neuronales ofrecen un rendimiento satisfactorio -su potencia es
superior en modelos de veintiocho (28) variables-. Ya que hemos definido las
variables discriminantes como las ms significativas en cada factor resultante del
anlisis de componentes principales, la eliminacin de ruido en la red causa
un mayor porcentaje de xito en la etapa de validacin. Como anticipamos, la
capacidad de los modelos de redes neuronales es generalmente mayor que la de
los modelos paramtricos multivariantes, aunque el desempeo de estos ltimos
no est muy alejado. Excepcin a lo anterior, aunque parcial, se presenta en
los aos 3 y 4 antes del fracaso, en los que el modelo de red compuesto por 28
ratios tiene un porcentaje de clasificacin correcta entre el 83,4% y el 73,6%,
respectivamente, excede la tasa de xitos obtenidos por el anlisis discriminan
te y la regresin lineal, llevando a clasificar mejor las fallidas. En el modelo
global, atemporal, la red neuronal logra resultados comparables a los modelos
paramtricos multivariantes. Estos resultados corroboran las aportaciones
de trabajos previos, en el sentido de que las herramientas heursticas, como
las redes neuronales y las mquinas de soporte vectorial, son instrumentos a
tener en cuenta en el pronstico del fracaso financiero, pero sus ventajas son
contingenciales dependen del horizonte de pronstico y de las caractersticas
estadsticas de las distribuciones de las variables- (Kim, 2011).
En lo que respecta a los modelos paramtricos, nuestros resultados corrobo
ran la utilidad de los modelos MDA, que cuentan con una importante tradicin
en la literatura. Como se sabe, estos modelos se basan en la presuncin de que
las poblaciones son normales multinomiales y que las matrices de varianzas y
202 Estudios de Economa, Vol. 41 - N 2
Como hemos sealado, este trabajo se basa en una muestra equilibrada, para
limitar las cosecuencias de la baja frecuencia del evento del fracaso. Sin embargo
esta correccin, como la modificacin de las probabilidades a priori, puede no
ser suficiente para optimizar el modelo. Como sealan Joy y Tollefson (1975),
los modelos deben evaluarse atendiendo no solo a la proporcin de errores,
sino tambin a su valor econmico: la comprensin del impacto de los errores
en materia de previsin pasa por entender qu ocurre con los costes directos
e indirectos generados a causa del error de clasificacin. Esta parece ser una
necesidad ineludible en el contexto del fracaso financiero, ya que un fallo en
la deteccin (error tipo II) tiene unas consecuencias econmicas mucho ms
importantes que un falso positivo (error tipo I). Nanda y Pendharkar (2001)
demuestran que la inclusin de costes asimtricos permite reducir el coste
total de los errores, tanto en modelos paramtricos (MDA) como en modelos
de investigacin operativa (programacin por metas) y en tcnicas heursticas
(algoritmos genticos). El objetivo sera por tanto minimizar la expresin (1):
(1) C = ql Pl CI +q2 Pn Cn
bancarios hasta los crditos com erciales, aunque debe ser adaptado a las cir
cunstancias de cada caso.
D e acuerdo con nuestra experiencia10, el coste de un error tipo I - u n falso
p o sitiv o - es m s elusivo, porque incluye no solo un lucro yacente sino tam bin
un a degradacin de la rentabilidad y una erosin de la reputacin de la em presa.
Cuando el m odelo alerta de un riesgo de im pago la em presa puede verse im pelida
a provisionar los crditos, im putando com o gasto - o m s propiam ente, com o
p rd id a - todo o parte del crdito; en el caso de una entidad financiera, tendr
adem s que increm entar la dotacin de capital regulatorio, con la consiguiente
m erm a de rentabilidad. Tam bin puede ocurrir que la alerta se reciba antes de
la concesin de crdito; la em presa podra optar entonces por requerir garantas
adicionales, o incluso por rehuir la operacin, y en este caso el error tipo I tendra
un coste equivalente al lucro yacente (el m argen que se ha dejado de percibir al
no realizarse la transaccin) m s el deterioro de la im agen y el prestigio de la
em presa ante sus clientes actuales y potenciales.
L a asim etra en los costes de los errores trae a un prim er plano de inters
el estudio de su influencia sobre el punto de corte, y en una perspectiva ms
am plia, sobre la eficiencia de las reglas de clasificacin. Su introduccin co
lisiona sin em bargo con dos im pedim entos: en prim er lugar, es preciso tener
en cuenta la relacin coste-eficacia de los m odelos: es posible que el esfuerzo
requerido para establecer una valoracin exhaustiva y rigurosa de los costes de
los errores no est justificado por una m ejora proporcional en la calidad de los
pronsticos. Por otra parte, no hay ninguna base com nm ente aceptada para
valorar esos costes, ni siquiera las relaciones de intercam bio entre los errores de
tipo I y tipo II, ya que la trascendencia real del error es contingencial: depende
de las caractersticas de la decisin, y de factores subjetivos del decisor (Kim ,
2011), e incluso puede ser diferente para cada uno de los agentes im plicados en
la decisin -acreedores, clientes, adm inistracin, e tc .- (Pottier, 1998). El grueso
de la literatura enfatiza la im posibilidad de establecer una m edida aplicable con
generalidad (Koh, 1992; D opuch et al., 1987) y, con la excepcin de los modelos
orientados especficam ente a la gestin de crdito (por ejem plo L ieber y Orgler,
1975), no aporta guas concretas para su cuantificacin (Pottier, 1998).
U na alternativa m s accesible es exam inar la sensibilidad del punto de corte,
y la calidad de las reglas de clasificacin, em pleando costes relativos, es decir,
una ratio expresiva de la im portancia o la prelacin de un coste sobre el segundo.
H asta donde conocem os, esta es la tcnica em pleada en toda la literatura relevante
en esta m ateria (por ejem plo A ltm an, 1977; A ltm an et al., 1977; Z m ijew ski,
1984; D opuch et al., 1987; H opw ood et al., 1989; N anda y Pendharkar, 2001;
Kim, 2011). H em os realizado diferentes sim ulaciones, basadas en distintos costes
relativos, para evaluar la sensibilidad de los errores y aproxim ar el punto ptim o
de corte de los m odelos de acuerdo con el rea bajo la curva ROC ( receiver
operating characteristic); com o se sabe, esta rea viene dada por la sensibilidad
y la especificidad del m odelo, es decir, por su capacidad para detectar de form a
satisfactoria las observaciones con riesgo significativo de fallo, y diferenciar de
fo rm a adecuada a las em presas financieras sanas.
10
Administracin Financiera Noroeste IBM SAB, Gestin de Cobros y Pagos NCG Banco.
Determinacin del riesgo... / M. Rodrguez L., C. Pieiro S., P. de Llano M. 205
BOOTSTRAP 1AA
TABLA 11
Determinacin del riesgo... / M. Rodrguez L., C. Pifieiro S., P. de Llano M. 207
BOOTSTRAP 3AA
TABLA 13
208 Estudios de Economa, Vol. 41 - N 2
r- r- oo -,.00 00 Q
15.60
15.60
12,26
15.60
15.60
11,54
10,29
13,01
8.84
8.85
8,85
8.67
3.67
8,10
7,92
8,86
50:1
o r-q rt o o S 't'tq
n "io in en* o o
n n in oo' " 2 2
en r t rt OS
12.50
12.50
12.50
12.50
so en en D:
10,44
40:1
40:1
7.00
7.11
40:1
9,85
9.29
8.29
3.00
7.11
7,11
40:1
40:1
6,37
7,12
rt ,-h r-^ r-
40:1
6,51
rt C l t l V
rt"rteN SO*Os*Os 2
en O O r- en ^ os en Os oo oo at en es oo oo
9.4 0
30:1
5,38
9.40
5,37
30:1
30:1
30:1
30:1
g q q s rt rt rt en en O es en oo Osos
en en es os os n >n K so es o oo os eo en
rt so' SO*=** en rt* rt r-~ <n*
VOZ
VOZ
VOZ
VOZ
VOZ
rq o o rt
SIMULACIN DEL COSTE RELATIVO ESTIMADO POR ERROR DE CLASIFICACIN.
'O en en so O en en so so r-^es sq en r- r- rt es en en sq
O' CS (S* ' en so so"en in so*so en en* rt'rt*^* en* rt rt* c-4 en* enV i en*
LOT
10:1
10:1
10:1
L 74
1,90
1.75
10:1
2.75
rt O O f- Os CSCS 0C> sopeses c os n es os Tq rt rt oq
O* ' o' "en en"T es* en en ' es*es* o ' *es*es en*
p
u
-M tS O so m en i en OO Os os rt O>0
0,34
0,32
0,44
0,33
0 2 en rt rt en 2 rt rt rt en rt v ir t en 2 en rt rt r-
o o ' o o" o o o' o' O* o* o* o* O* O O* O* o* o ' o* o*
O
u S'
Promedio
LOGIT
LOGIT
LOGIT
LOGIT
LOGIT
LOGIT
Global
M DA
MRL
M DA
MRL
M DA
MRL
MDA
M DA
MRL
MRL
M DA
MRL
j
Red
Red
Red
Red
Red
laa
Red
3 3 S3
CS en rt
TA BLA 15
l
Error c la sific a c i n en trm in os d e probabili
R e la ci n d e co ste: R C = (77*
en i/->>r> es
13,42
13,42
>n o o r-~
15,10
15,10
12,68
12,68
11,03
0,02
50:1
3,43
8,67
50:1
5,95
50:1
3,68
50:1
50:1
50:1
rt Os oo v> iq in
o ' os OS o' o ' r-' r-' es - 4 ^ ^ rt*
<n (N cn n
10,75
10,75
12,10
12,10
10,18
10,18
en r- r- rt
40:1
40:1
2,76
40:1
8,86
40:1
40:1
40:1
en en en tq
0,0 2
4,7 8
so 8 8 o
7,0 0
2,9 6
os es es oo
o r-' r*' o ' O sOso CS* O Os*os en*
0,0 2
8.08
8.08
30:1
2.09
30:1
9.1 0
9.1 0
30:1
5,33
7.68
6.6 9
3,61
30:1
2,23
7.68
30:1
es rt rt iq in in m in Cq os Os Os
o n n o O rt' r f * O* so so* es'
OO so so es *<es oo oo es oo r~ r - r-
V O Z
1,07
0,34
3.00
3.00
I :02
V O Z
V O Z
20:1
0,24
10:1
10:1
10:1
g 00 00 g es io n es es en en in en en en os rt O O Os
0,40
0,40
0,48
0,22
O -H > O en en 2 2 rt rt en o en en
o ' o ' o ' o' 2 o' o ' o' o' O* o* O* o* O* 0*0* o ' 2 O* 0*0* O
Promedio
LOGIT
LOGIT
LOGIT
LOGIT
LOGIT
LOGIT
Global
MRL
MDA
MDA
MRL
MDA
MRL
MDA
MRL
MDA
MRL
MDA
MRL
Red
Red
a
Red
Red
Red
Red
C3 3 3 3
CS en -r
con una exigencia adicional, obvia; las empresas deberan estar auditadas, y sus
informes disponibles. En la base de datos de S ABI encontramos 72.581 empresas
gallegas. De ellas 46.820 fueron auditadas, pero solamente se dispone de infor
mes de auditora de 1.633 de ellas. De otra parte, obtuvimos informacin sobre
incumplimientos y/o efectos comerciales devueltos en los registros pblicos
BADEXCUG y RAI para 434 de las empresas anteriores (algunas relacionadas
en ambos registros), siempre excluyendo el sector inmobiliario.
La validacin final de la muestra incluye 38 empresas; nmero aparente
mente pequeo, pero cabe sealar que es una categora especial de empresas:
aquellas cuyas dificultades financieras no fueron detectadas por las auditoras.
En 21 de estas empresas se experimentaron repetidos incidentes relevantes para
los registros RAI y BADEXCUG, si bien en el momento de escribir este trabajo
no haban quebrado/cerrado.
4. R esumen y conclusiones
Con el fin de cubrir la falta de estudios para esta rea hemos desarrolla
do un conjunto de modelos capaces de predecir el fracaso financiero de las
empresas localizadas en la comunidad Autnoma de Galicia. Los modelos
se han basado en ratios financieras, y se han estimado mediante mtodos
multivariantes bien conocidos. Los resultados avalan la utilizacin de ratios
financieras y contables como fuentes tiles para la evaluacin de la salud
financiera y del riesgo de fallo.
De las cincuenta y nueve (59) ratios utilizadas el mayor contenido informa-
cional se centra en rentabilidad, liquidez, apalancamiento y solvencia. Nuestros
resultados apoyan la relacin existente entre la rentabilidad y el flujo de caja.
Las empresas en dificultades estn en peores condiciones de generar recursos
financieros, lo que les aboca a un mayor grado de apalancamiento, a una pre
sin creciente sobre los ingresos, a la erosin del capital social y, finalmente,
a la quiebra y desaparicin. Las empresas fallidas muestran generalmente un
capital circulante anormalmente negativo, una disminucin del plazo de crdito
a clientes, un decremento en los precios de venta, y un grado de liquidez fuera
de equilibrio.
Los modelos muestran las diferencias entre fallidas y sanas, que se hacen
ms evidentes un ao antes del evento (laa). Creemos que se debe a que las
empresas que soportan un cierto nivel de estrs financiero intentan evitar la
quiebra mediante la adopcin de medidas financieras extremas, como las antes
mencionadas. Estas acciones pueden diferir, pero generalmente no evitan la
quiebra; los desequilibrios se hacen ms evidentes durante el ltimo ao, y
afectan directamente al flujo de efectivo, la rotacin de activos, y el apalanca
miento. Nuestros modelos a corto plazo muestran capacidad suficiente para hacer
predicciones exactas mediante el examen de solvencia, liquidez y rentabilidad
de la empresa analizada.
La familia de modelos Omega es capaz de ofrecer predicciones muy precisas
sobre las empresas fallidas; el porcentaje de error es ligeramente superior en
212 Estudios de Economa, Vol. 41 - N 2
las empresas sanas en el largo plazo, siendo muy alta la tasa media de xito de
los modelos a corto plazo en ambos grupos (sanas / fallidas). Ya que el gestor
no sabe realmente cundo se producir el evento (si es que ocurre), creemos
que la aplicacin conjunta de los cinco modelos predictivos puede proporcionar
informacin muy valiosa, revelando aquellas empresas que son propensas a
sufrir dificultades financieras en el futuro.
El prototipo de redes neuronales ofrece niveles ptimos de clasificacin,
con un nmero relativamente pequeo de iteraciones. En fase de validacin, la
capacidad de la red es baja, pero todava es atractiva aunque sean eliminadas
algunas ratios. Esto confirma que la supresin de ruido en la red mejora su ca
pacidad predictiva. Sus previsiones son similares y consistentes a las obtenidas
por los modelos paramtricos multivariantes. Desde el punto de vista global, los
modelos de redes neuronales no son capaces de superar a los paramtricos, aunque
proporcionan resultados ms que aceptables, especialmente en la inclusin real
con empresas fallidas (fase de validacin). Ambos grupos de modelos propor
cionan una herramienta de soporte a la decisin, tiles para una amplia gama
de usuarios que precisan evaluar el riesgo financiero de una empresa: gerentes,
auditores externos, analistas, acreedores, instituciones financieras, inversores,
organismos pblicos, etctera. Creemos por tanto que superan claramente a la
auditora externa, por su capacidad de revelar signos de advertencia acerca de
las dificultades financieras latentes de la empresa.
Hemos detectado a lo largo de nuestra investigacin los principales factores
determinantes del fracaso empresarial entre las empresas gallegas, y pone de
manifiesto las etapas que atraviesan al acercarse el fallo:
Bibliografa