Beruflich Dokumente
Kultur Dokumente
TRABAJO DE GRADO
INVESTIGACIN EMPRICA
Presentado por
Germn Alfredo Camacho Rubiano
Antonio Jos Salazar Henao
Claudia Bibiana Len Arias
Directores
Javier Bernardo Cadena Lozano
Miller Janny Ariza Garzn
0
TABLA DE CONTENIDO
1. INTRODUCCION .......................................................................................................... 6
1
3.9 MODELO MULTIVARIADO PARA LA PREDICCIN DE INSOLVENCIA
EMPRESARIAL ............................................................................................................... 50
5. CONCLUSIONES ............................................................................................................ 78
7. RECOMENDACIONES ............................................................................................... 85
BIBLIOGRAFA .................................................................................................................. 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
Segn datos de la encuesta anual manufacturera de 2009 (Planeacin D. N., 2009) en ese
ao existan 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; tambin genera ms
del 5% del total de exportaciones del pas, lo que lo convierte en uno de los sectores ms
importantes del sector de exportaciones no tradicionales.
6
La industria textil colombiana est concentrada en Medelln donde se encuentran las
principales y ms grandes empresas y en Bogot donde estn ubicadas varias empresas
medianas y pequeas que se dedican principalmente a la produccin de telas de algodn
(Planeacin, 2007).
Expuesta la anterior situacin 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 economa Colombiana (Benchmark, 2013).
7
La investigacin 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 as se logre mitigar el riesgo de quiebra.
8
2. ESTADO DEL ARTE
En la poca de los sesenta, se desarroll un modelo que incluye anlisis financiero con
ratios y modelos multivariables. Con el estudio de Edward Altman, al aplicar el mtodo
Multiple Discriminant Analysis, se logr aportar significativamente a la capacidad de
prediccin previa a la quiebra financiera. A partir de ello, Altman cre un modelo de
evaluacin para medir la solvencia mediante un indicador conocido como Z-Score en el
ao 1977. Tambin adapt el modelo original de su Z Score para economas emergentes
con el fin de proponer un nuevo indicador global predictivo exclusivo para este tipo de
mercados. A este nuevo indicador lo denomin: Emerging Market Scoring Model (EMS
Model).
9
El modelo de Altman, est basado en un anlisis estadstico iterativo de discriminacin
mltiple, en el que se ponderan y suman cinco razones de medicin para clasificar las
empresas en solventes e insolventes. A la muestra que Edward Altman tom de 66
empresas de las cuales 33 haban quebrado durante los 20 aos anteriores a 1966 y 33
seguan operando en 1966. Calcul 22 razones financieras que clasific en cinco categoras
estndar: liquidez, rentabilidad, apalancamiento, solvencia y actividad, este modelo solo
aplicaba a empresas manufactureras que cotizaban en bolsa.
El resultado del modelo, se denomin predictor de quiebra y fue nombrado como Z-score.
Este combina varios de los indicadores Financieros ms significativos dentro de una
derivacin estadstica 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 prediccin de
quiebra, con 2 aos de anterioridad a la situacin de insolvencia, modelo que es aplicable a
las empresas no industriales y que no coticen en bolsa (Len Valds, 2006).
Una vez obtenidos el valor Z, se puede comparar con los lmites de referencia, o valores de
corte, para obtener el diagnstico de la situacin 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:(Len Valds, 2006)
Con base en estas variables, Altman deriv las siguientes ecuaciones o indicadores que,
posteriormente, fueron utilizadas para la determinacin 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 lquidos 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 ms representativos, porque es una medida de largo
plazo frente a las polticas de retencin de utilidades; aunque sta cuenta puede ser
manipulada, de alguna manera, y podra crearse algn sesgo en sus resultados.
11
X4 = (VM/PT): seala la capacidad de la empresa de sufrir una declinacin 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 ms significativos, porque ilustra las ventas
que son generadas por la inversin total de la compaa representada por sus activos.
12
Tabla 2 Lmites de Referencia Modelo Z-Altman
Lmites Descripcin
Z 2.99 Baja probabilidad de quiebra; probablemente la empresa no tendr
problemas de solvencia en el corto y mediano plazo, aunque factores
tales como mala gestin, fraude, desaceleracin y otros podran causar
un cambio inesperado.
Z 1,81 Alta Probabilidad de quiebra, indica que la empresa prcticamente
incurrir 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, seala alguna seguridad relativa, pero se sita dentro de un
rea de observacin (rea gris) y est debajo del umbral de ms alta
seguridad.
Fuente: (Len Valds, 2006)
Este modelo tiene mltiples 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 ndices contemplados en el modelo para cada empresa de la muestra que se
tome, y se calcula el valor promedio de cada ndice en el grupo y se sustituye en la funcin.
Si es para una empresa especfica, se calculan igualmente los ndices del modelo y el
resultado se sustituye en la funcin para obtener el valor de Z. Esto puede hacerse para el
ejercicio econmico actual o para uno proyectado. Pero puede tambin calcularse para una
serie histrica de mximo cinco aos o de 2 aos proyectados, lo cual permitir analizar la
tendencia y as tener una mejor visin de la situacin del grupo de empresas o de una
empresa especfica.
Ante las crticas 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 realiz una revisin del modelo, lo que result en la obtencin de dos nuevas
versiones: Valor Z1 y Valor Z2.
El grado de confianza de los resultados puede ser evaluado estadsticamente, debido a que
su informacin bsica proviene de cifras calculadas con anterioridad, lo que permite que
sean ms fciles de usar e interpretar que las herramientas tradicionales de anlisis.
En la segunda parte del anlisis realizado al predictor de quiebra conocido como Altman Z
Score se plantea la solucin al problema detectado en la ecuacin original, la cual inclua
nicamente empresas industriales inscritas en bolsa de valores. Surgen, de sta manera, los
indicadores Z1 y Z2 con el propsito de ampliar la aplicacin de este modelo.
Esta versin del modelo original se desarroll para que fuera aplicable a cualquier clase de
empresa y no solo aquellas industrias manufactureras inscritas en bolsa. Para poder cumplir
tal propsito se trabaj bsicamente 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 til cuando las empresas son manufactureras no cotizables en el
mercado burstil; esto debe tenerse en cuenta al momento del anlisis para as ajustarse al
modelo y tener mayor confiabilidad en sus resultados.
Los ndices quedaron iguales, con excepcin del X4, donde se sustituy el numerador,
debido a que en vez de contemplar el valor de mercado del patrimonio, este se cambi por
el valor contable del patrimonio.
14
En esta funcin, los ndices seleccionados para conformar el valor Z1, son:
Lmites Descripcin
Z 2.90 Baja probabilidad de quiebra; probablemente la empresa no tendr
problemas de solvencia en el corto y mediano plazos.
Z 1,23 Alta Probabilidad de quiebra, indica que la empresa prcticamente
incurrir 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, ms evidente entre ms
cercano est el resultado al lmite inferior determinado en la funcin.
Fuente: (Len Valds, 2006)
15
Sin embargo, como el factor X5 otorga un peso relativo importante a la rotacin de activos
y es en las empresas manufactureras donde este indicador mantiene grandes volmenes, en
cierta forma se estara distorsionando el resultado para empresas comerciales y de servicios
que tienen menos inversin en activos fijos. Lo anterior gener un replanteamiento del
modelo Z1 los cuales generaron el modelo ajustado de Z2 de Altman.
Frente a las crticas del modelo en las cuales se describa que los modelos anteriores no
eran aplicables a las empresas comerciales y de servicio, Altman realiz modificaciones en
su estudio y lleg 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 versin del
modelo, fue realiza para corregir la distorsin que podra presentarse, debido a que elimina
la razn de rotacin de activos (X5) y otorga un peso relativo an ms importante al factor
de generacin de utilidades en relacin al activo (X3).
16
En cuanto a la funcin, esta quedo representada as:
Z2 = 6,56 X1 + 3,26 X2 + 6,72 X3 +1,05X4
Para aplicar este modelo se calculan los valores de cada ndice y se sustituye en la funcin
para hallar el valor de Z2. Los lmites o parmetros de referencia para anlisis de los
resultados del modelo, se interpretan como se describe en la siguiente tabla:
Lmites Descripcin
Z2 2.60 Baja probabilidad de quiebra; probablemente la empresa no tendr
problemas de solvencia en el corto y mediano plazo.
Alta Probabilidad de quiebra, indica que la empresa prcticamente
Z2 1,10 incurrir 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, ms evidente en la medida en que el resultado
se encuentre ms cerca del lmite inferior calculado en la ecuacin.
Fuente: (Len Valds, 2006)
El modelo desarrollado por Jorge Rosillo define los indicadores financieros que permiten
predecir con mayor certeza una situacin financiera difcil o detectar preventivamente la
quiebra. Este modelo toma como base el modelo desarrollado por Edward Altman,
aplicndolo al caso colombiano, de manera que permite visualizar cuando una empresa se
encuentra en problemas y cmo 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 anlisis discriminante. De acuerdo a Jorge Rosillo el discriminante
tiene su origen en la regresin multivariable, pero a diferencia de esta, la variable
dependiente es categrica u ordinal, es decir, que sirve para clasificar una poblacin en
diferentes categoras, utilizando variables independientes cuantitativas. El punto de partida
es la definicin de las variables independientes cuantitativas y las variables que permitirn
discriminar la muestra. En el caso de Altman se utilizaron indicadores financieros; el total
de la muestra deber contener empresas fuertes y dbiles diagnosticadas con base en estos
indicadores (Rosillo, 2002).
El modelo desarrollado por Jorge Rosillo tom una muestra de 106 empresas de diferentes
sectores a las cuales se determin una posicin de acuerdo con indicadores financieros
promedio, tales como: razn corriente, prueba acida, razn de liquidez, endeudamiento,
das perodo de cobro, das de inventario, rotacin 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 funcin
discriminante; inicialmente se haban asignado 12 indicadores para el clculo, el sistema de
estimacin paso a paso los redujo a tres y determin 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 posicin 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 = Funcin discriminante
Z = -7,165X + 9,852X + 1,097X + 1,563
Esta funcin define cuando una empresa es fuerte o dbil; inicialmente se analizaron los
resultados de los indicadores financieros de las 106 empresas y de acuerdo con los
parmetros considerados acerca de cundo un indicador es bueno o malo, se defini que de
las 106 empresas objeto de anlisis, las primeras 65 pueden considerarse financieramente
fuertes y el resto dbiles. De las 106 empresas se tom una muestra de 80 (50 fuertes y 30
dbiles) para calcular los promedios de las razones discriminantes (Rosillo, 2002).
19
De acuerdo con los resultados presentados se calcul la funcin discriminante de las
empresas financieramente fuertes, obteniendo la siguiente funcin (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 dbiles obtenidos
anteriormente, se determina el Z que corresponde al punto de corte o en el que una
empresa fuerte pasa ser dbil.
20
Zoc = ((Zfuerte) (Nmero de empresas fuertes) + Dbiles (nmero de empresas dbiles)) /
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 dbiles.
Dicho esto, el modelo permite predecir si una empresa es fuerte o dbil con los indicadores
financieros obtenidos a travs del anlisis discriminante, la cual puede ser utilizada como
un instrumento de pronstico, suponiendo los comportamientos del pasado van a mantener
en el futuro.
En 1988, Ricardo Pascale desarroll un modelo que buscaba predecir la bancarrota de las
empresas en el contexto latinoamericano, con alta inestabilidad. Trabajando para la
industria uruguaya estim un modelo usando el anlisis discriminante mltiple,
estableciendo la siguiente formula (Mares, 2013):
21
Valor crtico: Z = 0 y la Zona Gris entre -1.05 < Z < 0.4
Utilizando un modelo como el de Pascale para pases de Amrica 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 ser clasificada con caractersticas similares a
las empresa que no han presentado serios problemas financieros y aquellas que tienen un Z
menor que cero (0) como aquellas con caractersticas 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 anlisis iterativo de discriminacin mltiple, pero al contario de aquel simplifica
la interpretacin del resultado, el cual se presenta como una funcin dicotmica 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
calcul y evalu 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 operacin / Gastos financieros
22
La ponderacin de estas nueve variables permite formular la siguiente ecuacin para hallar
el indicador de quiebra o insolvencia:
Si H< 0 la empresa se considera insolvente y entre ms alto sea el numero positivo que se
obtenga entonces se podr afirmar que la compaa es ms slida desde el punto de vista
financiero.
23
3. MARCO TERICO
De acuerdo con el objeto de estudio, lo principal es conocer que se entiende como Quiebra
o Insolvencia. A continuacin se describen las principales definiciones de otros
investigadores acerca de la quiebra e insolvencia de las empresas (Fernndez & J, 2012):
Beaver (1966), Marais et al. (1984), Gabs (1990), Garca, Arqus y Calvo-Flores, (1995) o
Westgaard y Wijst (2001), que definen el fracaso como la incapacidad de atender
obligaciones financieras a su vencimiento (Fernndez & J, 2012).
Wilcox (1971) se muestra crtico con autores como Beaver o Altman por su falta de marco
conceptual. Su intencin es desarrollar un modelo terico para explicar mejor los resultados
de Beaver y para generar hiptesis que llevaran a predictores de fallido potencialmente
mejores (Fernndez & J, 2012).
Para ello, adapta el clsico problema de la ruina del jugador fijndose en el valor de
liquidacin neto y los factores que causan su fluctuacin. 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 liquidacin neto se
reduzca a cero (interpretado como quiebra o fallido definitivo) es una funcin de tres
elementos: el valor de liquidacin 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 simplificacin, y sus desalentadores
resultados empricos le muestran el escaso significado de su probabilidad de fallido. Ms
tarde Wilcox (1976) abandona la estructura de la forma funcional y construye un modelo de
prediccin basado en las variables que sugera su primer modelo (Fernndez & J, 2012).
24
Deakin (1972), que considera fracaso empresarial a las empresas en quiebra, suspensin de
pagos o concurso de acreedores (Fernndez & 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 gestin, deficiencias en el sistema contable, o una mala adaptacin al cambio
(Fernndez & 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 sntomas, siendo los ms importantes los financieros (deterioro de liquidez,
aumento de apalancamiento, reduccin de ventas sobre activos, reduccin de tesorera
sobre deuda, reduccin de la cotizacin sobre beneficios, etc.), pero tambin el empleo de
contabilidad creativa para ocultar la realidad, seales 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 pblicos o privados, (sindicatos,
gobierno, grupos de protesta, entre otros) (Fernndez & 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 despus de su creacin; las
individuales que crecen demasiado y resultan inabarcables para su creador; y las empresas
maduras que, sin una buena estructura de gestin, acaban quebrando tras varios aos de
deterioro gradual. Para estos tipos distintos de empresas los sntomas aparecen en diferente
orden y el proceso de deterioro tiene una duracin muy diferente (Fernndez & J, 2012).
Scott (1981), tras un anlisis comparativo de los modelos empricos propuestos hasta ese
momento, concluye que aunque los modelos no se basan en teora explcita, su xito sugiere
la existencia de una regularidad subyacente fuerte (Fernndez & 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 tambin de los intereses
econmicos y el poder de sus partcipes (stakeholders), as 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 partcipes (Fernndez & J, 2012).
Gazengel y Thomas (1992) consideran empresa fracasada aquella que genera cclicamente
ms carga financiera que ingresos (Fernndez & J, 2012).
Davydenko (2007) plantea que cuando la situacin patrimonial refleja un valor reducido en
los activos o una escasez de tesorera se puede desencadenar el fracaso empresarial
(Fernndez & J, 2012).
Rubio (2008) y Correa (2003) hablan de entidad fracasada cuando esta incurre en quiebra
tcnica, entendiendo como tal el patrimonio neto contable negativo (Fernndez & 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 gestin de los recursos econmicos en la compaa y a su vez permiten la
comparacin de la misma con sus pares del sector.
Es importante resaltar que los indicadores permiten una visin objetiva de la empresa, dado
que establecen relaciones exactas (numricas) entre los diferentes rubros y por tal razn,
hacen parte del anlisis financiero cuantitativo.
26
Por ltimo, permiten a quien los interpreta hacer de lado cualquier juicio de valor que
pueda restarle validez a la situacin financiera de la empresa1.Los principales ndices
financieros se dividen de acuerdo con la informacin que proporcionan y estos son
(RINGELING PAPIC, 204):
Indicadores de Rentabilidad
Indicador de Liquidez
Indicadores de Endeudamiento
Indicadores de Operacin
Indicadores de Cobertura
Margen Bruto: Proporcin de los ingresos que resulta despus 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 compaa, as como la informacin de
administracin, proveedores y socios, es altamente relevante, de esto se ocupa el anlisis cualitativo.
27
De acuerdo con lo anterior, la compaa 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, permitira establecer que
compaas son ms eficientes al realizar su operacin desde la ptica de maximizacin de
utilidades.
Por otra parte, se puede utilizar como un ndice de comparacin 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 compaa, su operacin genera 50 centavos de utilidad
28
Margen Neto: Proporcin de los ingresos que quedan disponibles para la reparticin de
dividendos o acumulacin de utilidades. Se descuentan costos, gastos y otros rubros no
operativos como gastos de intereses o utilidades por recuperaciones y por ltimo 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 compaa, 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 compaa genera 17 centavos de utilidad neta.
29
ROE (ReturnOnEquity): Retorno sobre patrimonio, determina la rentabilidad del capital
que los socios han invertido en la compaa:
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 compaa, reciben
21 centavos.
Ejemplo:
Activos corrientes: $50.000
Pasivos Corrientes: $40.000
Capital de Trabajo: $10.000
30
Razn Corriente: Muestra la capacidad de la compaa de atender todos sus pasivos de
corto plazo con sus activos de corto plazo:
Activo Corriente
Razn Corriente =
Pasivo Corriente
Ejemplo:
Activos corrientes: $50.000
Pasivos Corrientes: $40.000
Razn Corriente: $50.000/$40.000= 1.25
Si la compaa realizara la totalidad de sus activos corrientes, podra pagar 1.25 veces sus
pasivos de corto plazo.
Prueba cida: Es una relacin similar a la razn corriente, no obstante no tiene en cuenta
sus inventarios, de forma que se genera una simulacin donde la compaa 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 cida: ($50.000-15.000)/$40.000= 0.875
En un escenario donde la compaa no realizara sus existencias, podra 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 compaa para convertir sus
principales cuentas de operacin en efectivo. Se tienen en cuenta principalmente los
inventarios, las cuentas por cobrar comerciales y las cuentas por pagar a proveedores
(RINGELING PAPIC, 204).
Rotacin Cuentas por Cobrar: Refleja el periodo en das en que la empresa se demora en
convertir sus ventas a crdito en efectivo:
Ventas a Crdito
Rotacin de Cuentas por Cobrar = x360
Ingresos
Ejemplo:
Ventas Crdito (Cuentas por Cobrar)= $5.000
Ingresos= $100.000
Rotacin de cartera= $5.000/$100.000 X 360= 18
La empresa se demora 18 das en convertir sus cuentas por cobrar en efectivo.
Rotacin de Inventarios: Indicador que muestra cunto tarda la compaa en convertir sus
inventarios en efectivo y/o cuentas por cobrar:
Inventarios
Rotacin Inventarios = x360
Costos de Ventas
Ejemplo:
Inventarios = $10.000
Costos = $80.000
Rotacin de cartera= $10.000/$80.000 X 360= 45 das
La compaa tarda 45 das en realizar sus inventarios, convertirlos en cartera o cuentas por
cobrar y reponerlos.
32
Rotacin de Cuentas por Pagar: ndice que refleja los acuerdos de pago que la compaa
tiene con los proveedores dado que muestra los das promedio de crdito que le otorgan a la
empresa para la compra de inventarios y/o la prestacin de servicios:
Ejemplo:
Cuentas X Pagar = $30.000
Costos = $80.000
Rotacin de cartera= $30.000/$80.000 X 360= 136 das
La empresa tiene 136 das para pagar sus obligaciones con proveedores de bienes y
servicios.
Ciclo Operativo: Los anteriores indicadores no dicen nada por si solos, por tal razn deben
ser integrados en un solo indicador. Dicho lo anterior, el ciclo operativo es el total de das
en que la compaa convierte sus inventarios en cuentas por cobrar, sus cuentas por cobrar
en efectivo y el efectivo en pago a proveedores:
Ejemplo:
Rotacin de Cartera: 18
Rotacin de Inventarios: 45
Rotacin de Proveedores: 136
Ciclo Operativo: 199 das
La compaa se demora 199 das en realizar sus inventarios, recaudar sus cuentas por
cobrar y pagar a proveedores.
33
Acerca del ciclo operativo, es importante resaltar que el ptimo o deber ser sera un ciclo
negativo, es decir que la rotacin de proveedores sea ms lenta que la sumatoria de las
rotaciones de inventarios y de cartera. De acuerdo con esto, la compaa 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 das en que la
compaa 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 compaa 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, ms
bien se debe analizar en conjunto con el endeudamiento de la compaa.
Endeudamiento Total: Mide que tan comprometidos estn 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 crdito, son de mayor
exigibilidad y acarrean consecuencias penales ms 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 compaa tiene endeudamiento financiero del 20%, lo que significa que solo este
porcentaje de deuda tiene costo mientras que apalanca su operacin con recursos con menor
costo.
Concentracin: Indica la proporcin del pasivo de corto plazo (exigible en un plazo menor
a 1 ao). Este Indicador se utiliza tambin para medir la liquidez de la compaa, 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
Concentracin =
Pasivo Total
Ejemplo:
Total Pasivo: $70.000
Total Pasivo de Corto Plazo: $20.000
Concentracin: 28,57%
La compaa debe pagar el 28.57% de sus obligaciones en un horizonte de tiempo menor a
un ao.
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
compaa genera la caja suficiente para atender sus obligaciones financieras (RINGELING
PAPIC, 204).
Ejemplo:
FCLO: $250.000
Amortizacin 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 compaa 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 anlisis tambin 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 cul de ellas la
fusin de elementos incrementa excesivamente la heterogeneidad de los mismos.
Con los modelos jerrquicos observa y analiza el comportamiento de las variables que
integran el fenmeno de estudio, en forma individual, colectiva y cruzada; y se hace uso de
las caractersticas 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 anlisis con el mtodo jerrquico, se debe en primer lugar establecer la
distancia entre cada uno de los grupos, segundo, se forma la particin 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 ltimo, se realiza la segmentacin:
/ = 01 2, 01 2, , 617 8 19 :, , 015 2
Por ltimo, se repite lo anterior el nmero de veces necesario y se obtiene el Clster final:
/; = 0<2
38
3.4 MODELO DE SEGMENTACIN INDIVIDUAL
39
Caractersticas (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 homogneo ms grande posible al que vale la pena dirigirse con una estrategia
poder justificar la inversin que se va a llevar a cabo en la poltica de segmentacin.
Para ello la empresa debe disponer de recursos humanos, tcnicos y comerciales para
llevar a cabo la segmentacin. Esto supone llevar a cabo un detallado estudio
econmico de las acciones que se van a llevar a cabo.
Homogeneidad en el segmento: que implica que los elementos del segmento deben
ser lo ms semejantes posible entre s, respecto de sus probables respuestas ante las
variables de la mezcla de comportamientos y sus dimensiones de segmentacin.
Heterogeneidad entre segmentos: que implica que los elementos de varios segmentos
deben ser lo ms 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 investigacin
tengan sentido lgico.
Accionamiento: Tiene la relacin a la posibilidad de creacin o diseo de planes
adecuados y efectivos para el segmento en cuestin. Implica la posibilidad de formular
programas eficaces para atraer y servir a los segmentos. Para ello se deben utilizar
variables de segmentacin que la estrategia pueda alcanzar, y se debe identificar
elementos objetivo a los que se pueda llegar. Tambin deben establecerse polticas de
segmentacin ms o menos estables en el tiempo.
Las herramientas utilizadas son paquetes o programas estadsticos que realizan una
segmentacin de la muestra o poblacin, lo divide en grupos ms pequeos que comparten
atributos comunes.
41
3.5 MODELO DE ANLISIS DE CLUSTER K- MEDIAS
Este trmino surge para agrupar mediciones con similares caractersticas, tambin se les
denomina Clasificacin no supervisada (Gimenez, 2010).
Este tipo de segmentacin, busca agrupar una coleccin de datos, de manera que en cada
clster los datos que hacen parte de este, se encuentran ms relacionados entre s, que los
que no estn adentro del subconjunto o clster.
Un anlisis pertinente de clster debe utilizar el menor nmero de clsteres posibles y que
en cada clster se incluya el mayor rango de datos posibles y que sean importantes para el
anlisis.
El anlisis de Clster es usado en estadstica descriptiva para determinar si los datos hacen
parte o no de cada uno de los subgrupos a determinar. Lo ms relevante para realizar una
segmentacin de este tipo, es el establecer un grado de semejanza entre cada uno de los
datos que harn parte del clster.
42
2. Desemejanzas por atributos: Los algoritmos del clster 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).
D(X? , X ?) = B dC (X ?C , X ?C)
CE
Para las variables cuantitativas, se hace la representacin con valores reales continuos,
la representacin se define: d(xi, xi)= l(|xi xi|).
En tanto, las variables ordinales son representadas por nmeros enteros contiguos y los
valores son considerados en un conjunto ordenado (Gimenez, 2010).
Por ltimo, las variables categricas el grado de diferencia tiene que ser definido
explcitamente. Si la variable toma M valores distintos, entonces puede ser organizado
con una matriz simtrica de M x M con elementos Lrr = Lrr; Lrr = 0; Lrr>0: La eleccin
ms comn es Lrr = 1 para todo r diferente de r, porque la prdida de la igualdad puede
ser usada para enfatizar ms 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 ?CG = X ? X ?
CE
Ntese que los pesos en la distancia Euclidea pueden ser usados redefiniendo los
valores xij . Los puntos de dispersin 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 clster el promedio de las diferencias de cada observacin a
la media del clster, definido por los puntos del clster, sea mnima (Gimenez, 2010).
El Anlisis Discriminante es una tcnica que ayuda a identificar las caractersticas que
identifican un individuo o muestra de otro, en adicin genera una funcin 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 decisin que
asigne un objeto, a uno de los grupos prefijados.
El anlisis discriminante parte de una tabla de datos de n individuos a los que se les ha
medido p variables cuantitativas independientes, que actan como perfil de caractersticas
de cada uno de ellos.
44
A partir de la tabla, se obtendr un modelo matemtico discriminante contra el cual ser
contrastado el perfil del nuevo individuo cuyo grupo se desconoce para, en funcin de un
resultado numrico, ser asignado al grupo ms probable.
Modelo Matemtico:
Dnde:
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 investigacin presenta especial
relevancia porque de acuerdo con las variables financieras existentes nos muestran cuales
tienen relacin entre s.
45
La prueba chi-cuadrado es el nombre de una prueba de hiptesis que determina si dos
variables estn relacionadas o no. La hiptesis nula de la prueba Chi-cuadrado define una
distribucin de probabilidad totalmente especificada como el modelo matemtico de la
poblacin que ha generado la muestra (Barcelona, 2010).
Para realizar esta prueba se deber disponer de los datos en una tabla de frecuencias. Para
cada valor o intervalo de valores se indica la frecuencia absoluta observada o emprica (X7 ).
A continuacin, y suponiendo que la hiptesis nula es cierta, se calculan para cada valor o
intervalo de valores la frecuencia absoluta que cabra esperar o frecuencia esperada
(Y7 =nZ7 donde n es el tamao de la muestra y Z7 la probabilidad del i-simo valor o
intervalo de valores segn la hiptesis nula). El estadstico 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 estadstico tiene una distribucin 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 prctica se tolera un mximo 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 est 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;
47
Por ejemplo, la regresin logstica tomar en cuenta los valores que asumen en una serie
de variables (edad, sexo, nivel educativo, posicin en el hogar, origen migratorio, etc.) los
sujetos que estn efectivamente desocupados (= 1) y los que no lo estn (= 0). En base a
ello, predecir 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 educacin y de sexo
masculino y origen emigrante (aunque est ocupado) el modelo le predecir una alta
probabilidad de estar desocupado (puesto que la tasa de desempleo del grupo as definido es
alta), generando una variable con esas probabilidades estimadas y proceder a clasificarlo
como desocupado en una nueva variable, que ser el resultado de la prediccin. Adems,
analizar cul es el peso de cada uno de estas variables independientes en el aumento o la
disminucin de esa probabilidad (Silva C, 2007).
Ejemplo:
48
El estadstico de Wald
^[Z (R + _[)
]=
1 + ^[Z(R + _[)
^[Z (R + _[)
]1 =
1 + ^[Z(R + _[)
49
Interpretacin del modelo logstico
i= (1,2,k).
50
Se basa en evaluar cules son los factores que determinan que un conjunto de elementos se
agrupe en dos o ms grupos previamente establecidos. El ADM aplicado a la prediccin de
la insolvencia consiste en obtener una funcin que combine linealmente un conjunto de
variables independientes, en este caso los indicadores financieros, de tal forma que a travs
de esta funcin se obtenga un valor global de prediccin de posible solvencia o insolvencia
de una empresa (Villamil Bolvar, 2006).
Este valor se obtiene reemplazando los indicadores en la funcin estimada:
Dnde:
Sea Xi = (X1, ., Xp) los indicadores financieros, los cuales se utilizan para discriminar
entre los G grupos anteriores, mediante clculos matemticos denominados funciones
discriminantes.
51
Para validar estos propsitos se suele utilizar el test de M de Box, este toma como hiptesis
nula de la homocedasticidad disminuya la regla de clasificacin afecta la validez de los test
de significacin. Sin embargo, esto no es un problema fundamental en el anlisis debido a
que depende de si el porcentaje de predicciones correctas es satisfactorio y en general,
existe una buena separacin de los grupos en el espacio discriminante (anlisis de
centroides) (Villamil Bolvar, 2006).
Las restricciones que tiene la aplicacin del ADM han dado lugar al desarrollo de otras
tcnicas que intentan eliminarlas o reducirlas. Por esta razn, se desarrolla el Anlisis de
Probabilidad Condicional (APC). Los modelos lineales de Probabilidad (MLP), LOGIT y
PROBIT son las especificaciones de modelos de APC ms utilizados, siendo el segundo de
stos el ms citado en la literatura sobre prediccin de la solvencia empresarial (Villamil
Bolvar, 2006).
La grfica1 permite analizar que uno se acerca a cero a tasas cada vez ms lentas a medida
que Xi se hace muy grande (Villamil Bolvar, 2006).
Grfica 1 Distribucin Acumulativa Logit y Probit
52
Fuente: (Villamil H., Modelos multivariados para la Prediccin de Insolvencia
Empresarial)
En relacin con la preferencia entre Logit y Probit, Guajarati plantea que desde una
perspectiva terica, son bastantes comparables, siendo la principal diferencia que la Logt
tiene colas ligeramente ms planas, es decir, la FDA normal (curva normal) o probit, se
acerca a los ejes ms rpidamente que la curva logstica.
Cualitativamente los modelos tienen resultados similares, aunque las estimaciones de los
parmetros de los modelos no son directamente comparables. La seleccin entre los dos
obedece a conveniencia matemtica 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
est clasificada la poblacin. Es importante precisar la interpretacin de los coeficientes,
porque aunque Z es lineal en X, las probabilidad en s 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 interpretacin ms clara, en el APL se utiliza
el anlisis de los efectos marginales de los coeficientes.
53
4. METODOLOGA Y ANLISIS DE RESULTADOS
Con el fin de dar cumplimiento al objetivo del presente trabajo, se procedi a identificar a
travs de la verificacin exgena en la pgina 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 ao 2012.
De esta manera, se identificaron 58 empresas del sector textil y de confeccin que cumplen
con la caracterstica anterior. Para cada una de ellos se consult y consolido la informacin
financiera relacionada en el balance general, estado de prdidas y ganancias, flujo de caja y
los principales indicadores financieros para un periodo de 7 aos iniciando desde el ao
2006 al 2012 (Ver Anexo 1).
De acuerdo con la informacin consultada para cada una de las compaas, se procedi a
consolidar una matriz con la informacin en Excel, identificando en las columnas los
resultados de cada uno de los aos, y en las filas, cada una de las 58 empresas,
conformando de esta manera una matriz multidimensional para cada compaa.
Una vez se organizada la base de datos y de acuerdo con el marco terico investigado, para
los modelos de quiebra desarrollados en la literatura, se inici con la identificacin de los
indicadores aplicables para cada uno de los 6 modelos a probar.
A continuacin, 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
operacin/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 procedi a validar el
resultado de cada uno de los seis modelos, con el fin de validar si la empresa para cada uno
de los aos seleccionados y de acuerdo con los rangos establecidos en la literatura podra
estar en riesgo de quiebra o por el contrario no registra ningn antecedente de acuerdo con
la informacin recopilada.
Una vez consolidada la informacin para cada empresa por ao y por modelo, se procedi a
realizar un promedio ponderado (por cada modelo) asignando un mayor peso a los datos
histricos ms recientes y un menor peso a los datos ms antiguos de la siguiente manera:
W
Ponderacin = 7 n , W = 1, ,7.
1
Ao Peso de Ponderacin
2012 25%
2011 21%
2010 18%
2009 14%
2008 11%
2007 7%
2006 4%
Fuente: Construccin Propia
56
Modelo de prediccin de quiebra Jorge Rosillo
Para este modelo el 88% de las empresas se encuentran en una situacin financiera
difcil, mientras que el 12% registran como empresas fuertes en su operacin, a
continuacin los resultados grficos:
Z- Rosillo
Promedio
88%
100%
Dbil
50% 12% Gris
0%
Fuerte
0%
Dbil Gris Fuerte
Para este modelo el 24% de las empresas se encuentran con una probabilidad ms alta
de caer en bancarrota, mientras que el 33% registran como empresas fuertes en su
operacin, por otra parte el 43% de las empresas se encuentran en zona gris, a
continuacin los resultados grficos:
57
Grfica 3 Resultados Modelo de Ricardo Pascale Empresas Textil y de confeccin.
Z- Pascale
Promedio
43%
50% 33% Dbil
24%
Gris
0% Fuerte
Dbil Gris Fuerte
Modelo Z Altman
Para este modelo el 17% de las empresas se encuentran con una probabilidad ms alta
de quiebra, mientras que el 19% registran como empresas fuertes en su operacin, por
otra parte el 64% de las empresas se encuentran en zona gris, a continuacin los
resultados grficos:
Z- Score
Promedio
100%
64% Dbil
50% 17% 19% Gris
Fuerte
0%
Dbil Gris Fuerte
58
Modelo Z1 Altman
Para este modelo el 9% de las empresas se encuentran con una probabilidad ms alta de
quiebra, mientras que el 17% registran como empresas fuertes en su operacin, por otra
parte el 74% de las empresas se encuentran en zona gris, a continuacin los resultados
grficos:
Z1- Score
Promedio
100% 74%
Dbil
50% 9% 17% Gris
0% Fuerte
Dbil Gris Fuerte
Modelo Z2 Altman
Para este modelo el 7% de las empresas se encuentran con una probabilidad ms alta de
quiebra, mientras que el 71% registran como empresas fuertes en su operacin, por otra
parte el 22% de las empresas se encuentran en zona gris, a continuacin los resultados
grficos:
59
Grfica 6 Resultados Modelo Z2 Altman Empresas Textil y de confeccin.
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 operacin, ninguna empresa se
encuentran en zona gris, a continuacin los resultados grficos:
H - Fulmer
Promedio
74% Dbil
100%
26%
0% Gris
0% Fuerte
Dbil Gris Fuerte
60
4.2 MODELACIN P-CAMACHO
Con el fin de construir un modelo predictor de quiebra para empresas del sector textil y
confeccin en Colombia con ventas superiores a 30.000 millones de pesos colombianos, se
ejecut la siguiente metodologa:
Identificacin
N Empresas
Fiscal
1 890900308 TEXTILES FABRICATO TEJICONDOR S.A. EN REESTRUCTURACIN
2 890900259 COMPAIA 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 REESTRUCTURACIN
Fuente: Construccin 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 comparacin
con el total de compaas analizadas y existentes en el mercado para el sector textil
y confeccin. No obstante, se debe a que la muestra est acotada por el nivel de
ventas anuales de las compaas. Lo anterior, podra inferir que el modelo P-
Camacho est sesgado a las variables analizadas y que el clculo de los parmetros,
as como su peso y la constante del modelo presentaran un alto porcentaje de error.
62
4. Construccin del Modelo de Quiebra P- Camacho.
6. Aplicacin del Modelo P- Camacho para las 58 empresas del sector textil y de
confeccin seleccionadas para el estudio de la presente investigacin, identificando
para cada compaa de acuerdo con los rangos definidos si la empresas es fuerte, se
encuentra ante una posible alerta de quiebra o est en una zona de indecisin.
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
Grfica 8 Resultados Dendograma
65
Utilizando el anlisis Jerrquico con una distancia de 5 (Distancia Euclidea) que es la
normal o bsica, se identificaron como resultado 10 grupos y como relevantes para la
investigacin de acuerdo con los indicadores seleccionados los grupos 1, 5, 6, 8 y 10, como
se identifican en la tabla 11.
A partir del anlisis de Clster de K-Medias que como se describi en el marco terico es
un procedimiento estadstico que parte de un conjunto de datos que contienen informacin
especfica y que corresponden al conjunto dado por las variables financieras claves de las
empresas y la variable dependiente de las empresas quebradas. Posteriormente, se procedi
a reorganizar la informacin en grupos relativamente homogneos a los que se les
denomina conglomerados o clsteres.
66
La identificacin de los sub-grupos en los cuales se realizaron las primeras clasificaciones
de los clsteres para el grupo de empresas, se realiz a priori de acuerdo con el criterio de
los investigadores y asesores para identificar en donde se clasifican las 5 empresas
quebradas.
La particin 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 nmero de sub-
grupos seleccionados (10), se identificaron las caractersticas similares entre de las
variables de las empresas para los grupos y as posteriormente seleccionar 5 de estos sub-
grupos. En este punto inicial, los sub-grupos afectarn el resultado de todas las pruebas y
anlisis que en adelante se ejecuten, dado que el Mtodo de K-Clster no es convergente y
por consiguiente los resultados dependern de este punto de partida.
Al depender del punto de partida y de los sub-grupos seleccionados podra inferirse que
podra presentarse un error. Sin embargo, al contar en cada sub-grupo con al menos 1 de las
compaa que se encuentran en quiebra mitiga el riesgo de analizar clster que no son
relevantes para la investigacin, adems como se ver ms adelante para el modelo P-
Camacho.
Una vez identificados los grupos se realiz el anlisis de Clster K Medias y utilizando la
tcnica 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 hiptesis nula y
establecan mayor discriminacin 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
cuadrtica cuadrtica
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
Razn Corriente 0,6 9,0 0,5 48,0 1,1 0,4
Razn 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: Construccin Propia
68
Por medio de la regresin Logstica 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
Razn 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 confeccin con ventas
superiores a 30.000 millones de pesos anuales, como se observa en la siguiente tabla:
Tabla de clasificacina
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: Construccin Propia
70
financiera deben estar en anlisis para definir su estado final. El modelo propuesto es el
siguiente:
Para identificar cada una de las variables que son indicadores dentro de la construccin 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 tcnica del rbol de Decisin 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
operacin (Amarilla) y una zona donde la empresa es fuerte (Verde). Los resultados se
consolidan en la siguiente grfica 8:
71
Grfica 8 Resultados rbol de Decisin CHAID.
Con el nimo de probar la fortaleza del modelo se efectuaron pruebas estadsticas tales
como: La curva COR y la prueba de Z de Kolmogorov-Smirnov.
72
La Curva COR:
Esta prueba es muy til para evaluar la realizacin de esquemas de clasificacin en los que
exista una variable con dos categoras por la que se clasifiquen los Sujetos. Para este caso
el inters es clasificar las empresas Textileras con riesgo y sin riesgo de quiebra.
Esta prueba est compuesta por variables de contraste las cuales son cuantitativas y que
suelen estar conformadas por probabilidades, resultantes de un Anlisis Discriminante o de
una Regresin Logstica. Tambin est conformada por una variable de estado que puede
ser de cualquier tipo e indicar la categora real a la que pertenece el sujeto. El valor de la
variable de estado indica la categora que se debe considerar positiva.
En este sentido, la susceptibilidad mide la capacidad del estimador para dar como positivos,
las compaas que realmente estn (o en algn momento estuvieron) en reestructuracin o
liquidacin, es decir la proporcin de compaas en quiebra identificadas correctamente.
Este anlisis, muestra la capacidad de la prueba para detectar el estado de quiebra en
empresas identificadas como tal.
73
Cuando el rea bajo la curva supera el 0.5, se puede determinar que la clasificacin es
buena y mejora an ms, al acercarse a 1. Esto significa que la clasificacin es altamente
efectiva al momento de determinar positivos y negativo (Quiebra y no Quiebra).
La tabla 17 se muestra que el rea 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 grfica nos muestra como es el rea bajo la curva del modelo, muy
cercana a 1, lo cual permite inferir que discrimina acertadamente en un alto porcentaje.
74
Grfica 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 distribucin de un conjunto de datos y una
distribucin terica especfica. Su objetivo es sealar si los datos provienen de una
poblacin que tiene la distribucin terica especificada.
Mediante esta prueba se compara la distribucin acumulada de las frecuencias tericas (ft)
con la distribucin acumulada de las frecuencias observadas (f obs), se encuentra el punto
de divergencia mxima y se determina que probabilidad existencia de una diferencia de esa
magnitud se deba al azar.
Ecuacin Bsica:
D= Ift-fobsI
75
Hiptesis Alterna (Ha): Los valores observados de las frecuencias para cada clase son
diferentes de las frecuencias tericas de una distribucin normal.
Hiptesis Nula (Ho): Las diferencias entre los valores observados y los tericos de la
distribucin normal se deben al azar. Entonces:
Estadsticos de contrastea
Probabilidad pronosticada
Diferencias ms extremas Absoluta .911
Positiva 0.000
Negativa -.911
Z de Kolmogorov-Smirnov 2.894
Sig. asintt. (bilateral) .000
a. Variable de agrupacin: Ydef
Fuente: Construccin Propia
Para finalizar las pruebas del modelo, se efectu la prueba con las cinco empresas que
desde el inicio de la investigacin 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 identific 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 Compaas 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%
Reestructuracin / Liquidacin 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, permiti realizar el ejercicio emprico 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
continuacin:
Primero, los modelos analizados (sin incluir P-Camacho) ms acertados de acuerdo con lo
observado son: Fulmer y Rosillo. Esta aseveracin se da gracias a que estos modelos
identificaron las compaas que estn contenidas en la muestra de en quiebra, crisis,
reestructuracin o liquidacin. (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 inversin y del patrimonio de la compaa, no son tenidas en cuenta en
los dems 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, clasific seis indicadores financieros
de un total de 34, ponderndolos de acuerdo con su nivel de importancia en el modelo de
prediccin de quiebra empresarial realizado. El resultado del modelo es acorde con la
teora financiera en los ratios observados, dado que establece que las relaciones entre el
indicador riesgo, continan constantes.
Este indicador debe analizarse de forma conjunta con el detalle de los activos de la
compaa, dado que se desmiente la anterior creencia que un elevado nmero de
activos era positivo indistintamente de la naturaleza de los mismos.
79
Por ltimo, 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 ms acorde a la situacin de la compaa.
80
3. Endeudamiento: Es el cociente entre el pasivo total y el activo total. Como se
mencion anteriormente, los activos son financiados con recursos de terceros y con
capital de socios, las estructura ptima de capital, corresponde a la capacidad de la
compaa para el pago de sus obligaciones as como de las expectativas de
rentabilidad de los propietarios.
Una compaa 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 participacin que de alguna forma los haga responsables por la gestin de la
compaa.
Los activos corrientes son los de ms fcil realizacin en un momento de crisis, por
lo cual deben estar alineados con las obligaciones de mayor exigibilidad. Una
81
compaa eficiente, tiene un indicador de razn corriente mnimo de 1 vez. Cuando
esto no sucede, se observa que la empresa hace rotacin de sus pasivos y comienza
a tomar nueva deuda para amortizar pasivos, pedir un incremento en la rotacin 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 compaa.
Los resultados del modelo realizado, eliminan el efecto del gasto tributario
principalmente porque si una empresa presenta prdidas durante un periodo y
posteriormente utilidades, el efecto del gasto de impuestos no puede ser comparable
de un ao a otro, dado que en el ao con utilidades el gasto por impuesto es
proporcional a la utilidad, mientras que en el ao de prdidas, es proporcional al
activo.
82
Dicho lo anterior, y eliminando cualquier efecto de la tributacin colombiana, este
ratio permite identificar el nivel de rentabilidad del patrimonio de la compaa. En
conjunto con el nivel de apalancamiento, se puede observar que las empresas con
mayor nivel de endeudamiento, pero con generacin de utilidades, son las que
tienen un retorno al capital ms elevado, reflejando la capacidad de la compaa
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 continen con su compromiso para
mantener la rentabilidad de la misma. La relacin con el riesgo es inversa.
Este ratio es un indicador de reinversin, es decir, por cada peso que se tiene en
activos, hay X pesos en utilidades retenidas y un resultado positivo es el ms
cercano a uno, su relacin 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 estn en zona de indecisin o
anlisis 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 slidas y no
cuentan con una alta probabilidad de quiebra.
Lo anterior nos permite rechazar la hiptesis inicial del presente trabajo de grado debido a
que de acuerdo con el mercado las empresas del sector manufacturero textil y de confeccin
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 travs del modelo propuesto
por los investigadores P-Camacho el 61,1% de las empresas se encuentran en una buena
situacin financiera y el 18,5% si se encuentran en zona roja y de alerta.
Por ltimo, se puede concluir que el indicador P-Camacho es efectivo para la estimacin de
un diagnstico de la situacin actual de la compaa a partir de la toma de datos financieros
histricos, no obstante, se recomienda para futuros estudios, ampliar su uso a otros sectores
manufactureros de la economa, especialmente a aquellos que han sufrido algn tipo de
amenaza similar a las que ha soportado el sector textil colombiano, dichos sectores pueden
ser el siderrgico, cafetero, cuero, calzado y plsticos y empaques.
84
7. RECOMENDACIONES
85
ANEXO 1. EMPRESAS SECTOR TEXTIL Y CONFECCIN
En el Excel adjunto al presente trabajo de grado identificar para las empresas listadas a
continuacin los modelos de quiebra e indicadores revisados para la construccin del
Modelo P- Camacho.
5 PERMODA LTDA 30 FABRICA DE TEXTILES TEXTRAMA S.A. 55 C.I. COLOR SIETE S.A.S.
COMPAIA 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 REESTRUCTURACIN
86
BIBLIOGRAFA
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).
Introduccin al Marketing . Madrid: Prentice-Hall.
Ortega, C. M., & A., C. D. (2002). Regresin Logstica no condicionado . Espaola Salud
Publica , 76,85-39.
88