1. No category

172b
PREDICCIÓN DE INSOLVENCIA Y FRACASO FINANCIERO: MEDIO SIGLO DESPUÉS
DE BEAVER (1966). AVANCES Y NUEVOS RESULTADOS
Manuel Rodríguez López
Carlos Piñeiro Sánchez
Pablo de Llano Monelos
Grupo de Investigación Finanzas y Sistemas de Información para la Gestión (FISYG)
www.udc.es/grupos/fysig
Departamento de Economía Financiera y Contabilidad
Facultad de Economía y Empresa
Finance and Management Information Systems Research Group (FYSIG)
Department of financial economy and accounting
Faculty of Economics and Business (University of A Coruña)
Área temática: b) valoración y finanzas
Palabras clave: Pronóstico del fallo financiero, Métodos multivariable paramétricos,
Inteligencia Artificial, Soporte de Máquina Virtual.
JEL CODE: G33, C19, M4.
1
PREDICCIÓN DE INSOLVENCIA Y FRACASO FINANCIERO: MEDIO SIGLO DESPUÉS
DE BEAVER (1966). AVANCES Y NUEVOS RESULTADOS
Abstract
A lo largo de los últimos sesenta años, se han desarrollado distintos modelos de análisis y
determinación de la solvencia empresarial. Herramienta cuyo fin es prever situaciones de
fracaso financiero, antes de que este se produzca. El fin último es la minoración de las
cargas inherentes al fracaso, sus costes directos e indirectos. Subyace, obviar la
desaparición de la empresa, ya que en principio esta nace con ánimo de perdurar, incluso
antes del principio torticero de maximización del beneficio. Sin embargo, a lo largo de los
años el concepto ha ido modificándose, ha evolucionado. Los modelos se han desarrollados
para dar cobertura a las distintas definiciones de solvencia. Presentamos una revisión de la
literatura conceptual y práctica de la predicción de la insolvencia, con sus luces y sombras.
1
INTRODUCCIÓN
El problema del fracaso empresarial es asunto actual, no ya por la recesión que sufrimos,
sino por ser un tema especial de permanente interés para un amplio conjunto de agentes
económicos y sociales. El diseño de modelos capaces de detectar precozmente
desequilibrios, que pueden desembocar en fracaso, se configura como una exigencia crucial
para las Finanzas. Estas herramientas proporcionarían no solo indicios cruciales para los
intereses de acreedores e inversores, sino también evidencias útiles para mejorar la calidad
de las decisiones y pautas generales para aumentar las oportunidades de supervivencia de
empresas que sufren tensiones o anomalías financieras.
Ya en 1907, con el pánico generado en la bolsa de Nueva York, empezaron a cuestionarse
si habría manera previsional de tales eventos. La posterior quiebra del 29 (hasta el 32) atrajo
mayor interés sobre la descripción y detección anticipada de los procesos de fracaso
empresarial.
La investigación en el área financiera entronca con el análisis financiero tradicional, de ahí el
planteamiento metodológico convencional consistente en la derivación de algoritmos de
clasificación o estimadores de probabilidad de fallo, a partir de información financiera. Este
enfoque quedó definitivamente legitimado tras las evidencias aportadas por Beaver (1966),
en relación al perfil estadístico de las empresas sanas y fracasadas. Las técnicas
empleadas para esta finalidad son extremadamente variadas: el clásico análisis
discriminante, la regresión logística condicional (Logit), y una multitud de metodologías
heurísticas y de gestión del conocimiento, como árboles bayesianos, herramientas de
2
inteligencia artificial simbólica (sistemas expertos) y subsimbólica (redes neuronales y
máquinas de soporte vectorial), pasando por la teoría de conjuntos difusos y el
particionamiento recursivo.
Al tiempo que el enfoque metodológico se hace más rico y heterogéneo, se observa también
una creciente disonancia en la especificación de las variables dependiente e independiente.
Existe un amplio acuerdo en relación a la capacidad predictiva de las ratios financieras,
aunque no unanimidad acerca de qué ratios en concreto canalizan la información relevante
para el diagnóstico y el pronóstico. Algunos trabajos recientes han examinado el empleo de
variables macroeconómicas (Sun y Li, 2009; Tsai et al., 2009), indicios de la calidad de
gestión (Lajili y Zéghal, 2011) o evidencias derivadas del proceso de auditoría (Piñeiro et al.,
2012 y 2013a).
Se observan sin embargo notables disparidades en la naturaleza de la metodología de
trabajo y las variables explicativas resultantes del calibrado y optimización de los modelos.
En particular, los modelos parecen estar anclados a su marco de referencia, en el sentido de
que la calidad de los pronósticos se deteriora rápidamente cuando son empleados en
horizontes temporales y/o marcos geográficos diferentes (Arquero et al., 2009).
2
LA METODOLOGÍA DE PRONÓSTICO DEL FRACASO
Pese su indudable interés para la teoría y praxis financieras, el pronóstico del fracaso
financiero no ocupó lugar reseñable en investigación hasta los setenta. Las dificultades
financieras se interpretaban como cuestión accesoria a la solvencia, dentro del contexto
general del análisis financiero: no se había planteado el análisis de causas ni factores
comunes de los procesos de fallo porque el fracaso se entendía como un evento súbito
causado directa y principalmente por las particularidades de cada empresa, no
generalizables a otras organizaciones (Greenball, 1971; Gordon, 1971). El fracaso financiero
se analizaba desde un enfoque esencialmente contable, identificando las nociones de
fracaso financiero e insolvencia.
Este planteamiento experimentó un cambio radical en los últimos años sesenta debido a la
concurrencia de dos factores: la aparición de evidencias empíricas que demostraban que las
ratios financieras de las empresas fallidas tenían un perfil estadístico claramente
diferenciado (Beaver, 1966; Dambolena y Khoury, 1980). De manera casi repentina, la
literatura supera el enfoque convencional de la solvencia y propone no solo esbozar
conceptualmente los procesos de fracaso, sino relacionarlos con decisiones financieras
clave como la estructura financiera (Modigliani y Miller, 1958 y 1963)
y con el
comportamiento del valor de empresa (Baxter, 1967; Altman, 1969; Gordon, 1971, Scott,
1977).
3
Poco después, plantea el interés de formular todas estas relaciones de manera analítica,
dentro de modelos matemáticos útiles para describir relaciones clave y evaluar lo que se
denominó riesgo de ruina (Altman, 1968; Vinso, 1979; Sharma y Mahajan, 1980). En este
nuevo enfoque el fracaso no es ya un evento súbito e imprevisto sino la consecuencia final
de un cúmulo de desequilibrios financieros, lo que legitima el desarrollo de modelos de
pronóstico y el estudio de la estructura temporal (Hing-Ling, 1987) de estas disfunciones.
Actualmente la investigación trata de establecer un marco comprensivo relacionando las
evidencias con otros elementos adyacentes de la teoría financiera: hipótesis de eficiencia
del mercado, teoría de la decisión, estructura de capital, teoría de agencia, y evidentemente,
contabilidad y auditoría (Kahl, 2002).
2.1
LA VARIABLE DEPENDIENTE
Probablemente la primera y más trascendental cuestión planteada por la literatura es qué
debemos entender por fracaso. Adoptando una perspectiva pragmática, una empresa es
financieramente sana cuando los recursos generados son suficientes, como mínimo, para
mantener la capacidad de pago, lo que en la práctica se materializa en la ausencia de
impagos y/o eventos concursales. De manera más formalizada, la empresa fracasa cuando
no logra para sus accionistas un aumento satisfactorio de riqueza que les compense por el
riesgo asumido y por la pérdida de la disponibilidad del capital invertido. Esta interpretación
es compatible con el enfoque estratégico, que concibe el fracaso como la consecuencia de
una incapacidad crónica para mantener la competitividad – y por tanto para generar un
volumen de recursos ajustado al riesgo -.
Sin embargo, en la literatura financiera dominan las definiciones de naturaleza jurídica y
contable: una empresa fracasa cuando es incapaz de perpetuarse como unidad económica
independiente, lo que se traduce en la existencia de un proceso extintivo o, en el mejor de
los casos, de disfunciones financieras graves que podemos sintetizar en la noción de
concurso de acreedores. Pero incluso esta definición jurídica es susceptible de
matizaciones: el fracaso puede entenderse referido a una extinción propiamente dicha, a
impagos puntuales, a procesos concursales, incluso a cambios en la propiedad que se
correspondan con una carencia crónica de recursos o en general con la incapacidad para
sobrevivir como unidad económica aislada. Resulta evidente que estas matizaciones elevan
sustancialmente la complejidad del problema. La Tabla 1 ofrece un resumen cronológico de
esta evolución, basada en algunas aportaciones clave.
Año
Autores
Sistema
1930s
financiero
1966 Beaver
4
Definen el fracaso financiero, como;
Primeros esfuerzos en la prevención del fracaso, quiebra, impago,
partiendo de ratios exclusivamente como indicadores de riesgo.
Primer modelo predictivo, y la primera concepción moderna de
fracaso, como la dificultad para atender deudas.
Centra su estudio en empresas cuya situación de fracaso, coincide
con la situación legal de quiebra.
La situación de quiebra, insolvencia.
Nuevamente en la situación legal de quiebra.
Puntualiza la quiebra como insolvencia técnica, falta de liquidez.
Liquidación voluntaria, orden legal de liquidación, o intervención
estatal.
Quiebra legal.
Se posiciona en su definición legal, o la situación de suspensión de
pagos.
La quiebra, como incapacidad para hacer frente a obligaciones con
terceros.
Empresas que legalmente están en quiebra.
Definen el fracaso dentro del sistema financiero, en relación a la
y intervención de entidades bancarias por parte de autoridades
monetarias.
Fracaso como la situación de liquidación voluntaria o judicial.
1968
Altman
1972
1980
1981
Deakin
Olshon
Altman
1982
Taffler
1984
Zmijewski
1985
Zavgren
1988
Altman
1986
Lo
Laffarga,
Martín
Vasques
Goudie
García,
Riesgo financiero bancario de las empresas que incumplen con el
Arqués
y
nominal o intereses del crédito concedido.
Calvo-Flores
El fracaso desde el punto de vista de la información de auditoría;
Lizarraga
empresa solicitante de apertura de expediente concursal de
suspensión de pagos.
Puntualiza el fracaso como fragilidad, relacionándolo con la empresa
Martínez
que llega a un acuerdo de refinanciación de su pasivo, o de
liquidación.
Platt y Platt
Relacionan escuetamente el fracaso financiero.
Calvo
y
Modelizan sobre el fracaso, en relación a un riesgo financiero alto.
Rodríguez
Anzola
y
El fracaso es una situación definitiva, la desaparición.
Puentes
Graveline
y El fracaso y el impago de la deuda, o con el cumplimiento de las
Kokalari
condiciones legales previstas para una quiebra.
Rubio
Empresa en quiebra, con patrimonio negativo, o en quiebra técnica.
Modeliza el fracaso, como la situación patrimonial reflejada por una
Davydenko
valoración reducida en sus activos, o caracterizada por la escasez de
flujos de caja.
de
Llano,
La situación de insolvencia, en quiebra legal, en relación a la
Piñeiro
y
existencia (o no) de incidencias previas por impago de obligaciones.
Rodríguez
El fracaso entendido como la presencia de incertidumbres a la
Piñeiro,
de
continuidad y/o salvedades graves en los informes de auditoría, que
Llano
y
sugieran un riesgo inminente para la supervivencia de la empresa
Rodríguez
(quiebra),
TABLA 1. EVOLUCIÓN DEL CONCEPTO DEL FRACASO FINANCIERO.
1987
1987
1995
1997
2003
2004
2006
2007
2008
2008
2010
2011
2012
2013
2.2
MÉTODOS MATEMÁTICOS, ESTADÍSTICOS Y HEURÍSTICOS
Los cambios en la interpretación del fracaso tienen una clara correspondencia en la
evolución de las metodologías empleadas en los estudios empíricos. La fundamentación
5
general radica en el trabajo de Beaver (1966), que comunica la existencia de diferencias
significativas en los perfiles estadísticos de las ratios de empresas sanas y fracasadas;
existen sin embargo diferentes formas de aprehender y formalizar estas diferencias.
Altman (1968) diseñó un estudio pionero proponiendo analizar la problemática de solvencia
desde un enfoque multivariable, la influencia simultánea de dos o más covariables, mediante
un enfoque metodológico concreto, el Análisis Discriminante Múltiple (MDA), sobre una
batería de ratios financieras convencionales. Su gran contribución, es la prueba de que el
análisis del riesgo de fallo podía abordarse rigurosamente mediante métodos multivariables
paramétricos: logrando tasas de acierto del 95% un año antes del fallo, empleando la
información contenida en tan solo cinco ratios. Respecto de la teoría financiera, el modelo
de Altman arrojó luz sobre la dinámica que deviene en un riesgo financiero incrementado:
disfunciones en la actividad reductoras de rentabilidad y recursos generados, que derivan en
un déficit de autofinanciación y dificultades para mantener el ciclo de negocios, que las
empresas contrarrestan incrementando el endeudamiento. El enfoque discriminante ha sido
empleado con profusión en la literatura, y todavía hoy mantiene una notable entidad
(Charitou et al., 2004).
La principal alternativa a los modelos discriminantes es la regresión logística condicional
(Logit). Martin (1977) propuso utilizar estos modelos para evaluar el riesgo de quiebra en
entidades financieras, logrando mayor notoriedad tras la difusión del trabajo de Ohlson
(1980). Los Logit aportan algunas ventajas comparativas frente a sus competidores
discriminantes: independencia de cualquier presunción a priori de la distribución de
probabilidad de las variables, siendo una propiedad extraordinariamente interesante dado
que las ratios financieras no se adaptan en absoluto al modelo normal supuesto por MDA1; y
sus resultados poseen un contenido informacional más rico y potencialmente útil que una
simple clasificación: estimación de verosimilitud de fallo, y cuantificación del riesgo relativo
(odds-ratio) para cada variable predictora. Los Logit logran niveles equilibrados de errores
de tipo I y II; a priori esta es una ventaja de entidad frente a los MDA, los cuales según la
literatura, tienden a cometer tasas anormalmente altas de error tipo I: clasificar como fallida
cierta proporción de sanas (Altman, 1968; Deakin, 1972; Altman, 1977; Kim, 2011). En sí
mismo es un problema práctico de entidad, porque los falsos positivos merman la reputación
de la empresa ocasionando un fallo autocumplido; creando una incertidumbre acerca de la
1
Se han descrito distintos procedimientos de transformación que potencialmente podrían dotar a las series de ratios de algunas de las
características propias de la distribución normal (véase por ejemplo Kane et al., 1998); sin embargo resulta dudoso que estos cambios no
ocasionen también mermas, sesgos, o alteraciones en la información aportada originalmente por las series de ratios.
6
capacidad real de los MDA para proporcionar evidencias fiables de riesgo2: cierta proporción
de empresas fallidas puenden ser clasificadas correctamente, no porque el modelo posea
buena capacidad de diagnóstico, sino porque padece una tendencia natural a asignarles esa
clasificación.
Examinando los pronósticos MDA, se pone de manifiesto que los grupos de variables
predictivas no son estables en el tiempo (Joy y Tollefson, 1975). Altman (1968) y Altman et
al. (1977) muestran predictoras radicalmente diferentes (solo una variable común) logrando
ambos modelos destacables tasas de acierto aplicándolos en su propio marco temporal de
referencia. La explicación dominante es que los factores de exposición cambian en el
transcurso del tiempo. El riesgo (financiero) en general, y el fracaso en particular, no son
realidades puramente específicas: no dependen exclusivamente de características
individuales, sino de factores sistemáticos, como la coyuntura económica o la situación de
los mercados (Tsai et al., 2009). Aunque estos factores se asumen estables de cara a la
estimación, sería más correcto afirmar que cambian con lentitud3, y esto explicaría por qué
los modelos parecen perder fiabilidad cuando se aplican en períodos temporales diferentes.
El tratamiento de esta inestabilidad parece requerir la incorporación de variables expresivas
del contexto macroeconómico, aumentando la complejidad del modelo (Rose et al, 1982;
Liu, 2004; Bottazzi et al., 2011). Altman et al. (1977) sugieren la incorporación de variables
adicionales a las ratios, algunas de ellas predictivas (como el riesgo expresión del grado de
inestabilidad del beneficio) y otras, como la dimensión, destinadas a controlar posibles
efectos de confusión. Sea como fuere, la estrategia dominante es la estimación recurrente
de los modelos MDA, denominado recalibrado.
La alternativa a los modelos paramétricos es un conjunto de técnicas de naturaleza
heurística, vinculadas al aprendizaje de máquina y a la inteligencia artificial (IA). Su principal
ventaja es la independencia de cualquier asunción a priori de la distribución de probabilidad
de las variables de trabajo, y su robustez a la presencia de valores atípicos (outliers);
además, parecen tener mayor capacidad predictiva que sus equivalentes paramétricos (Tam
y Kiang, 1992; Altman et al., 1994). Estas técnicas ofrecen una oportunidad para incluir
indicadores que, como la calidad de la gestión (Rose et al., 1982; Peel et al., 1986; Keasey y
Watson, 1987; Barr et al., 1993), los pronósticos de analistas externos (Parnes, 2010) o el
2
Esta crítica parece ser extensible a otros modelos más sofisticados, como los de azares en tiempo discreto (Shumway, 2001). Por ejemplo,
Tsai et al. (2009) plantean la posibilidad de realizar una selección ad hoc de variables (financieras, macroeconómicas, de auditoría, etc.)
atendiendo al objetivo principal del decisor (lograr una elevada fiabilidad media, o minimizar los errores de tipo I).
3
Joy y Tollefson (1975) exponen con gran claridad las consecuencias formales de esta presunción: “bajo la hipótesis de estacionariedad [del
entorno] a lo largo del tiempo, la discriminación ex post es equivalente al pronóstico. Pero el investigador debe asegurarse de que esa
estacionariedad existe”. De no ser así, las tasas de error observadas y los subconjuntos de variables explicativas no serían generalizables a
períodos distintos del de estimación. Por supuesto esta crítica es aplicable a todos los métodos econométricos, y no exclusivamente a MDA.
7
contenido de informes de auditoría (Piñeiro et al., 2012 y 2013a), pueden no ser
estrictamente cuantitativos.
Probablemente el procedimiento no paramétrico convencional es sintetizar la información
relevante de las causas y desarrollo de los procesos de fracaso en una red bayesiana,
derivando uno/más clasificadores que valoren la salud financiera de la empresa. Las redes
bayesianas son poderosas herramientas para el tratamiento de problemas deficientemente
especificados, donde existen variables latentes o valores omitidos; realizan inducciones
rápidas y comprensibles incluso con clasificadores ingenuos (Kennedy, 1975). No obstante,
las redes bayesianas tienen un coste computacional elevado, comparado con otras
herramientas de aprendizaje interactivo. En este campo, la estadística bayesiana se ha
empleado preferentemente para evaluar el riesgo de fallo de entidades financieras y los
sesgos en el proceso de formación de opinión por parte de auditores y reguladores (Sarkar y
Sriram, 2001; Huang et al., 2008).
Competidor directo de las redes bayesianas son los árboles de clasificación, estructuras de
información que relacionan ciertos atributos/valores de entrada con un conjunto de
respuestas/salidas a través de un entramado de relaciones de naturaleza secuencial. Su
construcción implica un proceso de aprendizaje basado en una estrategia de
particionamiento recursivo, identificando un conjunto jerarquizado de reglas que permita
fragmentar la muestra en regiones internamente homogéneas y bien delimitadas del resto
de grupos; creando subdivisiones precisas que aseguren que el riesgo total del árbol – el
coste esperado de los errores de clasificación – es mínimo, mediante podas oportunas para
lograr una solución satisfactoria entre la complejidad de la herramienta, calidad del
aprendizaje y fiabilidad del pronóstico (Friedman, 1977).
Característica clave de esta técnica es su carácter jerárquico (Breiman et al., 1984), que
significa que las variables explicativas están organizadas en capas o niveles: la influencia de
una variable depende de los valores que tomen las que le preceden en esta estructura. No
es preciso realizar asunciones a priori acerca de la distribución de probabilidad de las
variables ni sobre la forma funcional de la relación que vincula a la variable independiente
con las explicativas.
Los árboles se construyen a partir de una serie de secuencias tipo condicional: “si…
entonces”; desarrollando particiones recursivas, los algoritmos de clasificación manejan
simultáneamente varias regresiones simples cuyas variables explicativas pueden ser
diferentes en función de los valores previos de otros regresores. Se trata de una técnica
matemática bien establecida y que cuenta con algoritmos de trabajo demostradamente
eficaces; ID3 y C4.5 (Quinlan, 1986 y 1993); pero las aplicaciones financieras de inducción
de árboles son relativamente recientes: Frydman et al. (1985) diseñaron un modelo para
clasificar empresas, basado en el planteamiento básico de Friedman (1977), y Marais et al.
8
(1984) lo incluyen como núcleo de una técnica para la evaluación del riesgo en la concesión
de préstamos bancarios. Daubie et al. (2002) concluyen que, al menos en este problema en
concreto, los árboles inducidos por particionamiento recursivo son más eficaces que las
técnicas basadas en conjuntos imprecisos (Slowinski y Zopounidis, 1995; McKee y
Lensberg, 2002).
En el campo del pronóstico del fracaso empresarial, las herramientas heurísticas de mayor
difusión son las redes de neuronas artificiales (RNA) y las máquinas de soporte vectorial
(SVM); los sistemas expertos quedaron relegados casi desde el primer momento, habida
cuenta de la complejidad inherente en el desarrollo y mantenimiento de sistemas explícitos
de reglas (Messier y Hansen, 1988). Las primeras aplicaciones, marcadamente tentativas y
experimentales (por ejemplo, Hansen y Messier, 1991) dieron paso a una intensa
investigación que en general sugiere que las RNA poseen ventajas comparativas frente a los
métodos paramétricos convencionales, en términos de capacidad predictiva (Bell et al.;
1990; Tam y Kiang, 1992; Serrano y Martín, 1993; Wilson y Sharda, 1994; Altman et al.,
1994; Koh y Tan, 1999; Yang et al., 1999; Brockett et al., 2006; Tsai, 2008; Boyacioglu et al.,
2008; Kim, 2011; Xiaosi et al., 2011); se critica sin embargo que su funcionamiento a modo
de caja negra no es el más adecuado para describir las disfunciones financieras ni para
proporcionar guías que coadyuven a evitar el fallo. Por otra parte se han hallado algunos
problemas de aplicación, tanto disfunciones ocasionadas por el sobreaprendizaje como
situaciones en las que el volumen de ratios incluidos en la capa de entrada induce un
crecimiento injustificado de la red; estas anomalías requieren la aplicación de algoritmos
específicos para controlar el proceso de aprendizaje, y eventualmente procedimientos de
poda para reducir la dimensión de la red (Becerra et al., 2002; Rodríguez, 2005)
Las máquinas de soporte vectorial o máquinas de vectores soporte (Vapnik y Chervonenkis,
1974; Vapnik, 1982) son la aplicación de IA más novedosa en el campo del pronóstico del
fracaso; la evidencia disponible acerca de otras técnicas, como los métodos basados en
funciones de base radial, es escasa y sugiere que su complejidad incremental no viene
acompaña de mejoras radicales en la capacidad predictiva (Piñeiro et al., 2013a). En
términos muy amplios, las SVM pretenden establecer un clasificador lineal, denominado
hiperplano de separación óptima, en un espacio de alta dimensionalidad, que permita
delimitar con nitidez – con el mayor margen posible - las diferentes clases o categorías en
las que están organizados los datos. Su funcionamiento interno es relativamente
transparente y son además susceptibles de operaciones de agregación: por ejemplo, una
máquina multiclasificadora (es decir, destinada a delimitar n>2 clases o grupos) puede
construirse directamente o, también, combinando varias máquinas biclasificadoras; estas
últimas pueden ser además de diferente naturaleza: one versus all (por ejemplo, sana vs.
todas y cada una de las categorías de inestabilidad financiera) o one versus one (por
9
ejemplo, sana vs. no sana). Las SVM proporcionan en general mejores resultados que los
modelos estadísticos ( Shin et al., 2005; Härdle et al., 2005; Tsai, 2008; Kim y Sohn, 2010;
Xiaosi et al., 2011), aunque no existe evidencia concluyente que afirme sus ventajas en
relación a las RNA en el caso concreto del pronóstico del fracaso.
Este grupo de trabajos representa lo que podríamos denominar paradigma contable: un
programa de investigación, de naturaleza esencialmente inductiva, que explota la
información contable y financiera de las empresas en busca de signos que permitan
desvelar disfunciones financieras latentes y eventualmente también anticipar eventos de
fallo. Un análisis conjunto de sus resultados indica que i) los pronósticos formulados con
base en datos contables son en general muy fiables; ii) la información financiera reúne altos
estándares de calidad; y iii) en concordancia con la hipótesis de eficiencia de los mercados,
las tensiones financieras acaban trasluciendo en esa información incluso si la empresa
introduce ajustes discrecionales o lleva al límite la normativa contable y mercantil (Piñeiro et
al., 2012 y 2013a).
El enfoque inductivo es claramente mayoritario en la literatura sobre contabilidad y auditoría;
por el contrario, en la literatura financiera predomina un planteamiento teórico – deductivo
que pretende desarrollar constructos analíticos de tipo normativo que expresen la relación
entre el riesgo de fallo, el valor de la empresa, y la variable que tradicionalmente se ha
interpretado como la fuente principal de exposición, el apalancamiento (Gordon, 1971)4.
Algunos de los resultados más relevantes se materializan en modelos estructurales que
estiman la probabilidad de fallo en un momento dado de acuerdo con el nivel de
endeudamiento y con el riesgo percibido por los inversores, el cual se evalúa usualmente a
través de indicadores de mercado; entre ellos, las primas de riesgo incorporadas al interés
de la deuda (Merton, 1974; Longstaff y Schwartz, 1995; Collin-Dufresne y Goldstein, 2001;
Bakshi et al., 2006) y el sesgo entre los valores esperados y reales del rendimiento de los
títulos de capital (Chava y Purnanandam, 2010). Al asociar el fracaso con una estimación de
la probabilidad instantánea de fallo, estos trabajos mantienen en cierto sentido la noción que
el fracaso es un evento súbito, a la que nos hemos referido al principio de este apartado (por
ejemplo, Collin-Dufresne et al., 2004). Otros modelos más sofisticados plantean relaciones
entre las rentas esperadas de las inversiones y las decisiones relativas a la estructura de
capital; con frecuencia estos modelos presentan el fracaso como una opción de abandono, y
se plantean evaluar la fecha óptima de ejercicio con base en argumentos de arbitraje e
información asimétrica (Hotchkiss y Mooradian, 1997; Kahl, 2002).
4
Ambos enfoques, inductivo y deductivo, son inequívocamente complementarios. Por ejemplo, Wilcox (1971) plantea una justificación
teórica para los resultados de Beaver (1966). Sin embargo, su alejamiento a lo largo de las dos últimas décadas es patente.
10
La literatura deductiva representa un enfoque de trabajo radicalmente diferente, que
pretende soslayar una de las principales críticas imputables al planteamiento inductivo: la
dificultad de generalización. Por ejemplo, Morris (1997)5 critica la aparente incapacidad del
enfoque contable o inductivo para elucidar leyes o principios financieros universales, y el
énfasis en la construcción de modelos ad hoc que pueden perder gran parte de su sentido
cuando son empleados fuera de su contexto de estimación; Jiménez (1996) añade que los
modelos estimados carecen, mayoritariamente, de sentido económico y que su utilidad en
contextos de aplicación real aún no se ha verificado.
En efecto, la literatura inductiva tiende a enfatizar las contribuciones de tipo metodológico, y
con frecuencia presta poca atención a la discusión sistemática de las evidencias. Se
observan notables discrepancias en los conjuntos de variables relevantes, tanto en
comparaciones transversales como en estudios de corte temporal (Altman, 1968; Altman et
al., 1977). Los modelos, en particular los basados en MDA, parecen perder capacidad
predictiva conforme transcurre el tiempo (Joy y Tollefson, 1975), lo que obliga a recalibrarlos
regularmente (Moyer, 1977; Altman, 2000). El tratamiento de estas anomalías parece haber
recibido muy poca atención: se ha sugerido que podrían deberse a diferencias aleatorias en
el muestreo, a singularidades de las poblaciones objeto de estudio, a la influencia del
contexto social y económico, y a las características de la técnica de trabajo empleada.
También, que los cambios en las variables y sus pesos son compatibles con la concepción
del fracaso como un proceso evolutivo: los modelos estarían reflejando el agravamiento y
extensión de las disfunciones financieras, y proporcionando evidencias de interés para
diseccionar la dinámica interna del fracaso (Dambolena y Khoury, 1980). Tampoco puede
desecharse la posibilidad de que el comportamiento aparentemente errático de las variables
explicativas se deba a la presencia de ajustes discrecionales en los estados contables de las
empresas sometidas a tensiones financieras (Arnedo et al., 2008; Francis y Yu, 2009).
Estos trabajos proporcionan un amplio y extraordinariamente rico volumen de evidencias;
pero se observan notables disparidades en las técnicas de trabajo, las variables explicativas,
y la calidad de los pronósticos. Una consecuencia de ello es la dificultad para sintetizar
conclusiones generalizables acerca de i) las metodologías de trabajo más adecuadas; y ii)
las variables o procesos que deberían ser objeto de mayor atención para identificar signos
precoces de inestabilidad financiera. Desde el punto de vista formal, la heterogeneidad de
los resultados plantea una sombra de duda sobre la fiabilidad de los modelos de pronóstico:
5
Esto resulta evidente si tenemos en cuenta que el grueso de los trabajos se basa no en muestras generales, sino en poblaciones muy
segmentadas, bien por actividades o bien por áreas geográficas.
11
se trataría de clarificar si ese ruido se debe a factores puramente metodológicos o
singularidades de las poblaciones de estudio, o si por el contrario existen incoherencias
empíricas que deban ser diagnosticadas. Un claro ejemplo de ello es el anclaje de los
modelos a su marco subjetivo y temporal de estimación: esta situación resulta tan
embarazosa como lo sería el hallazgo de que la Ley de Gravitación Universal se verifica solo
de manera irregular en el tiempo y el espacio.
Pretendemos explorar las ventajas relativas de las técnicas más comunes de pronóstico en
un entorno de investigación controlado: los modelos son estimados sobre las mismas
muestras, con las mismas variables independientes y en el mismo período de tiempo, para
controlar los efectos de confusión que, en nuestra opinión, son la fuente principal del ruido
que dificulta la síntesis de resultados. Finalmente examinamos la estabilidad temporal de los
modelos (Pindado et al., 2008).
3
ESTUDIO EMPÍRICO
3.1
VARIABLE DEPENDIENTE
El pronóstico del fracaso empresarial suele plantearse como un problema de clasificación,
en que las empresas se dividen en al menos dos categorías: sanas y fallidas. El criterio de
delimitación más común es el jurídico, que reputa fallidas a las empresas que o bien se han
extinguido o bien se hallan incursas en procesos concursales. A pesar de su indudable
importancia para propietarios, inversores y acreedores, estos eventos no son sino puntos
terminales de una serie de tensiones financieras que se han ido agudizando a lo largo del
tiempo, y que posiblemente han proporcionado algunos signos previos de alerta. En este
trabajo empleamos una especificación amplia del concepto de fracaso financiero
comprensiva tanto de los colapsos repentinos como de ciertos eventos que, como los
impagos recurrentes, están directamente relacionados con tensiones financieras latentes
(Hing-Ling, 1987). Definimos como fallidas las empresas que verifican una o más de las
siguientes condiciones:
•
Haber declarado una quiebra o proceso extintivo irreversible durante el período de
estudio.
•
Estar actualmente incursa en procesos concursales
•
Estar afectada por litigios judiciales vinculados a la reclamación de deudas de
cuantía elevada y relevante.
•
Haber impagado efectos comerciales aceptados, con frecuencia y por cuantía
relevantes, de acuerdo con el contenido de las distintas bases de datos de este tipo
de incidencias.
12
3.2
VARIABLES EXPLICATIVAS
La elección de las variables explicativas está íntimamente relacionada con los objetivos de
nuestro trabajo. Pretendimos aplicar diferentes técnicas de análisis a una misma muestra a
efecto de analizar posibles concordancias en sus respectivos resultados, y esto exige que
las variables sean compatibles con técnicas dispares; en concreto, implica descartar las
variables cualitativas y categóricas.
Las ratios financieras ocupan un lugar sin duda preeminente entre las variables numéricas
continuas; están profundamente enraizadas en la teoría financiera, cuentan con un sólido
aval en la literatura sobre fracaso financiero, y son un instrumento absolutamente común en
la praxis financiera. El empleo de ratios nos brinda la oportunidad de aportar evidencia
indirecta acerca de la calidad de la información contable pública: esta es una cuestión de
importancia ya que los usuarios externos deben evaluar el riesgo de crédito sobre la base de
la información pública de la empresa, que está constituida fundamentalmente por datos
económicos y financieros emanados de la contabilidad.
Los modelos estimados en nuestro trabajo emplean como variables independientes una
batería de ratios financieras, seleccionadas de acuerdo con tres criterios: su popularidad en
la literatura contable y financiera, la frecuencia con la que son empleadas en la literatura
relevante en materia de pronóstico del fracaso empresarial, y la significación estadística que
les atribuyen estos estudios. Hemos optado por un conjunto amplio de variables
independientes para evitar que el diseño experimental pueda imponer restricciones sobre la
estimación de los modelos y por tanto causar una convergencia artificial o espuria.
13
ACT03
ACT04
ACT05
Valor Añadido / Ventas
APL01
B.A.I.T. / Gastos Financieros
Gastos Financieros / Deuda
Total
Res. Explot. / Gastos
APL03
Financieros
Resultado Neto / Exigible
APL04
Total
Deuda Total / Fondos
END01
Propios
(Pat. Neto – Res. Neto) /
END02
Exigible A Corto
Fondos Propios / Exigible
END03
Total
REN01 B.A.I.T. / Activo Total
REN02 B.A.I.T. / Ventas
Rentabilidad
ACT02
Gastos Financieros / Valor
Añadido
Gastos Personal / Activo Fijo
(Gtos. Personal + Amortiz.)/
Val. Añadido
Ingresos Explotación /
Consumos Explotación
APL02
REN03 Resultado Neto / Ventas
(Res. Neto - Realizable –
Existencias) / Activo Total
Resultado Neto / Activo
REN05
Total
Resultado Neto / Fondos
REN06
Propios
(Act. circ. – Existencias) /
ROT01
Ventas
REN04
ROT02 Existencias / Ventas
Rotación
Endeudam.
Apalancam.
Actividad
ACT01
ROT03 Ventas / Realizable Cierto
ROT04 Ventas / Activo Circulante
ROT05 Ventas / Activo Fijo
ROT06 Ventas / Activo Total
EST02
Estructura
EST03
EST04
EST05
Capital Circulante / Ventas
EST06
Disponible / Activo Total
EST07
EST08
LIQ01
LIQ02
LIQ03
Liquidez
LIQ04
LIQ05
LIQ06
LIQ07
LIQ08
LIQ09
LIQ10
LIQ11
LIQ12
LIQ13
4
ROT07 Ventas / Capital Circulante
ROT08 Ventas / Disponible
SOL01
SOL02
SOL03
Solvencia
EST01
Pasivo A Largo / Exigible
Total
Activo Circulante / Activo
Total
Dot. Amortización /
Inmovilizado Neto
Capital Circulante / Activo
Total
Capital Circulante / Exigible
Total
SOL04
SOL05
(Act. corr. – Existencias) /
Exig. c/p
Activo Circulante / Exigible
Total
Activo Circulante / Pasivo
Circulante
Activo Fijo / Fondos
Propios
Pasivo Exigible / Activo
Total
Fondos Propios / Activo
Total
Fondos Propios /
Inmovilizado
Exigible A Corto / Activo
Total
Res. antes de Imp./
Exigible corriente
Tesorería / Pasivo
Circulante
Resultado Neto / Capital
SOL06
Circulante
Medida Descomposición Del
SOL07
Activo
Cash Flow Operativo / Activo
SOL08
Total
Cash Flow Operativo /
SOL09
Exigible Total
Cash Flow Operativo /
TES01
Exigible A Corto
Cash Flow Operativo /
TES02 Tesorería / Ventas
Ventas
Cash Flow / Activo Total
Cash Flow / Exigible Total
Cash Flow / Exigible A Corto
Cash Flow Recursos
Generados / Ventas
Disponible / Pasivo
Circulante
Existencias / Exigible A Corto
Existencias + Realizable /
Exigible A Corto
Intervalo Sin Crédito
Realizable / Exigible A Corto
TABLA 2 VARIABLES EXPLICATIVAS
Tesor.
END04
RESULTADOS
4.1
ANÁLISIS UNIVARIANTE Y REDUCCIÓN DE DATOS
Beaver (1966) demostró la existencia de diferencias estadísticamente significativas en los
valores medios de cierto número de ratios financieras. Nuestros resultados corroboran la
existencia de diferencias significativas (p-valores inferiores al 1%) en más de la mitad de las
ratios: las empresas fracasadas padecen una incapacidad crónica para generar recursos a
través de la actividad debido a sus bajos niveles de rentabilidad, que suplen recurriendo a
un endeudamiento más intenso; todo ello se traduce en tensiones crecientes en el fondo de
rotación y en el progresivo estrangulamiento de la cuenta de resultados en lo que respecta
14
tanto al resultado económico o de explotación, como a la cobertura de los gastos financieros
y la capacidad para atender el servicio de la deuda. Por tanto la liquidez aparece
relacionada con solvencia, la rentabilidad, y el apalancamiento.
En cada caso, debimos calibrar un punto óptimo de corte mediante simulación artificial, para
seguidamente, interpretar estos umbrales como un criterio ingenuo de clasificación,
comprobando qué indicadores delimitan con mayor nitidez a las empresas sanas y fallidas.
Las variables más relevantes detectadas están basadas se concentran en: activo total, cash
flow, pasivo exigible, patrimonio neto, resultado antes intereses e impuestos, y resultado
neto. Este resultado tiene una traducción directa como criterio para la identificación de los
procesos y las magnitudes económicas que deberían centrar la atención de directivos,
analistas, y auditores, y también como guía para el desarrollo de modelos multivariables.
A sensu contrario, los resultados de las pruebas de ANOVA indican también que gran parte
de las variables planteadas tiene una incidencia marginal en el pronóstico; por otra parte, la
acusada correlación de las ratios está bien documentada. Todo ello sugiere el empleo de
técnicas para reducir la dimensión de los datos y sus redundancias (Wu et al., 2006). Debe
formularse un análisis factorial exploratorio con el fin de retener aquellos factores que
tengan autovalor significativo, puesto que serán combinación lineal de un número reducido
de indicadores, con capacidad de explicación amplia del pronóstico del fallo financiero.
Cualquiera que sea el horizonte de pronóstico, los factores con más peso (varianza alta)
están basados en medidas de rentabilidad, generación de cash flow, endeudamiento y
solvencia. En nuestra opinión, debe concluirse que las dificultades para generar recursos,
las tensiones de liquidez y las alteraciones en la estructura financiera son disfunciones
presentes durante largos períodos de tiempo antes de que el fracaso se manifieste.
4.2
MODELOS MULTIVARIABLES PARAMÉTRICOS
4.2.1
Regresión lineal múltiple
Aunque es empleada con cierta profusión en múltiples áreas de las finanzas, como la
modelización del rendimiento y el riesgo (por ejemplo Ross, 1976), la regresión lineal
múltiple tiene un difícil encaje en el pronóstico del fracaso financiero dado que en este caso
la variable dependiente tiene naturaleza dicotómica. Las estimaciones realizadas empleando
una estrategia de selección hacia delante para los regresores, obtienen p–valores iguales o
inferiores al 1% (Rodríguez, 2002b). En conjunto los modelos son significativos y logran
tasas medias de acierto aceptables, entre el 70% y el 100%, sin embargo su fiabilidad como
instrumento de pronóstico es cuestionable. En concordancia con la literatura precedente,
observamos una reducción progresiva de la capacidad de discriminación a medio y largo
plazo (Altman, 1968; Altman, 1977). Los modelos exhiben además una marcada asimetría:
logran tasas de acierto aceptables entre las empresas sanas, pero parecen tener
15
dificultades para expresar adecuadamente el perfil financiero de las fallidas. Por otra parte la
calidad de los pronósticos se deteriora acusadamente cuando los modelos se aplican a la
muestra de validación, que está compuesta por observaciones completamente ajenas a la
muestra de estimación, y tiene además una estructura no equilibrada más realista. Fuera de
su marco temporal, los MRL cometen llamativos errores de tipo II, los modelos MRL
atemporales logran excelentes resultados entre las empresas fallidas, pero nuevamente se
demuestran incapaces de identificar el perfil de las empresas sanas (Altman, 1968; Deakin,
1972; Altman, 1977; Bellovary et al 2007; Kim, 2011).
Década
1960
1970
1980
1990
2000
Peor
Mejor
Método
pronóstico pronóstico
79%
92%
Univariante (Beaver 1966)
Probabilidad Lineal (Meyer y Pifer 1970),
56%
100&
MDA (Edmister 1972, Santomero y Vinso 1977)
MDA (Marais 1980, Betts y Behoul 1982, El Henawy y
Morris 1983, Izan 1984, Takahashi et al 1984, Frydman
20%
100%
et al 1985);
Particionamiento recursivo (Frydman et al 1985);
Redes neuronales (Frydman et al 1985).
Redes neuronales (Guan 1993, Tsukuda y Baba 1994,
El-Temtamy 1995);
27%
100%
Crítico (Koudinya y Puri 1992);
Aditivo (Theodossiu 1993).
27%
100%
MDA (Patterson 2001).
TABLA 3 CAPACIDAD PREDICTIVA POR DÉCADAS6 7
4.2.2
Análisis discriminante múltiple
Los modelos discriminantes se han estimado empleando el método de inclusión por pasos
hacia adelante, en combinación con en el criterio Lambda de Wilks. Los resultados de las
estimaciones de todos los modelos resultaron significativos, a la vista de los respectivos
valores del estadístico χ2, y los p-valores de las pruebas de significación de los estimadores
son inferiores al 1%. En promedio para todos los horizontes y estados financieros, los
modelos MDA clasifican correctamente a un alto porcentaje de observaciones. En
consecuencia, cometen un error medio significativamente bajo. Se observan las mismas
anomalías descritas más arriba para el caso de los modelos de regresión lineal: la fiabilidad
del pronóstico es superior a corto plazo, especialmente en el caso de empresas sanas, y
empeora drásticamente en los plazos más distantes; tratándose de empresas fallidas, la
tasa media de errores en todos los horizontes supera ampliamente niveles aceptables.
Una debilidad todavía no aclarada de estas herramientas es su inestabilidad temporal, es
decir, su incapacidad para mantener niveles satisfactorios de pronóstico cuando se emplean
6
Bellovary, Giacomino y Akers 2007.
7
Nuestra experiencia en este sentido es haber logrado tasas de acierto superiores al 70%, llegando en algún caso al 100%.
16
fuera del período de estimación (Moyer, 1977; Altman, 2000). La validación extemporánea
de los MDA no recalibrados pone de manifiesto que, si bien cometen relativamente pocos
errores de tipo I, clasifican incorrectamente a una amplia mayoría de las empresas sanas, y
que este sesgo se intensifica conforme crece el horizonte de pronóstico. Así, el modelo MDA
no recalibrado clasifica correctamente altos porcentajes de empresas fallidas un año antes
del evento, pero por el contrario un bajo acierto en empresas sanas en ese mismo plazo.
Estos indicadores corroboran la presencia de una interacción intensa y compleja entre las
anomalías financieras, el tiempo, y la capacidad de los modelos para proporcionar
diagnósticos de calidad (de Llano et al., 2011a y 2011b). En nuestra opinión, no debe
descartarse la posibilidad de que el estrés financiero ocasionado por la crisis de 2007 haya
difuminado el perfil de las empresas financieramente sanas, lo que confirmaría la necesidad
de recalibrar los modelos cuando se producen circunstancias sistémicas que alteran la
exposición al riesgo.
4.2.3
Regresión logística condicional
La similitud de los resultados proporcionados por los modelos de regresión lineal y
discriminante puede radicar en el hecho de que comparten hipótesis que, como la linealidad,
normalidad y homocedasticidad, difícilmente se verifican en series de datos basadas en
ratios financieras. La regresión logística condicional es menos dependiente de hipótesis a
priori, y por tanto potencialmente más adecuada al problema en curso. Los modelos
estimados son globalmente significativos, y sus estimadores son diferentes de cero con pvalores inferiores al 1%. Atendiendo a las razones de posibilidades u odds-ratios (eβ),
variables con mayor incidencia en el riesgo de fallo, podemos esbozar una descripción
general del proceso de fracaso. Las empresas fallidas tienen dificultades para generar cash
flow debido a la combinación de un volumen de negocio y un margen relativamente
pequeños, lo que se traduce en un déficit crónico de autofinanciación y en un
apalancamiento más intenso. La persistencia de las tensiones de liquidez ocasiona
dificultades para atender el servicio de la deuda y un aumento del riesgo financiero, más
acusado cuando la actividad comercial afronta períodos de volatilidad y cuando la
financiación del fondo de rotación y renovación de la deuda se ven condicionadas por
restricciones en el acceso al crédito.
En conjunto, los modelos Logit estimados logran una tasa de acierto elevada, en promedio
para los distintos horizontes de pronóstico. En el caso concreto de las empresas fallidas,
superan en todos los horizontes a los modelos MDA, tanto en la fase de estimación como en
la validación; en el subgrupo de empresas sanas los MDA parecen lograr resultados más
favorables solo en los plazos de tiempo más cortos, entre 1 y 3 años. Los errores son
sustancialmente inferiores a los comunicados por otros trabajos recientes, como Kim (2011),
17
y comparables a los proporcionados por los modelos de regresión logística multinomial (por
ejemplo, Hing-Ling, 1987) que, como se sabe, admiten diferentes grados de tensión
financiera codificados en forma de variables independientes no dicotómicas.
Los resultados de la aplicación de los modelos no recalibrados sugieren que los modelos
Logit son en general menos vulnerables a los cambios inducidos por los factores
sistemáticos sobre el perfil económico – financiero de las empresas (de Llano et al., 2011a y
2011b; Piñeiro et al., 2013b). Los modelos Logit parecen ser menos vulnerables a los
cambios en el contexto económico general, que obligan a recalibrar los MDA, y proporcionar
también pronósticos de mejor calidad, si nos atenemos al examen conjunto de las tasas de
error de tipo I y II.
4.3
MODELOS HEURÍSTICOS
4.3.1
Particionamiento recursivo: árboles de decisión
Los modelos de particionamiento logran tasas de acierto muy satisfactorias en todos los
horizontes y en ambas categorías de empresas, sanas y fallidas (Calvo y Rodríguez, 2003);
lo hacen además con una extraordinaria parsimonia, ya que requieren únicamente dos
variables en cada horizonte. Es interesante observar que, cualquiera que sea el horizonte de
pronóstico, el algoritmo de particionamiento recursivo sugiere que las empresas fracasadas
muestran una anomalía característica en la estructura financiera: el endeudamiento es
anormalmente pequeño en los años inmediatamente anteriores al evento de fallo. Estos
resultados indican que las tensiones financieras llevan a las empresas a aplicar acciones
desesperadas de supervivencia, entre las que se hallan la liquidación de activos y una
contracción del nivel de diversificación de la actividad, y que estas acciones coinciden en el
tiempo con caídas abruptas en el nivel de deuda. Es posible que la reducción del exigible
responda a un intento por mitigar los gastos financieros y, con ello, el riesgo de
incumplimiento; sin embargo, parece más plausible que se deban a ajustes discrecionales
dirigidos a enmascarar las dificultades financieras de la empresa y transmitir al entorno una
imagen de normalidad (Francis y Yu, 2009).
En nuestra experiencia, los resultados que hemos obtenidos al aplicar los criterios de
segmentación jerárquica a la muestra de validación extemporánea, sugieren que los árboles
conservan una muy elevada capacidad de diagnóstico en un horizonte de un año; la
precisión se deteriora sistemáticamente en plazos más prolongados, de manera más
acusada en el caso de las empresas sanas.
4.3.2
Herramientas de inteligencia artificial: redes neuronales
Las características del problema – concurrencia de múltiples posibles variables explicativas,
correlaciones, estructuración incompleta, patrones de clasificación difusos, relaciones no
18
lineales – convierten a las RNA en candidatas idóneas para el desarrollo de instrumentos de
análisis y pronóstico. Hemos entrenado y validado una red multicapa de perceptrones con
52 elementos en la capa de entrada, una sola capa oculta de 10 neuronas, y una neurona
en la capa de salida (Rodríguez, 2002b). La red logra una tasa de acierto más altas en fase
de entrenamiento que en fase de validación, con mejores resultados en los horizontes de
pronóstico más próximos. Estos resultados son coherentes con los aportados por trabajos
recientes, como Kim (2011) y Xiaosi et al. (2011).
Las ratios relevantes enfatizan la relación entre el resultado y la inversión de la empresa, el
equilibrio patrimonial por plazos y por origen de la financiación, y la capacidad del negocio
para generar flujos en una cuantía proporcionada a la deuda. En los plazos más cortos, el
riesgo aparece relacionado con indicadores de la rotación, la liquidez del ciclo de
operaciones, la rentabilidad del negocio y, llamativamente, con la estructura de la
financiación): creemos que la presencia de la estructura financiera en la RNA para
pronósticos a un año es el reflejo las acciones defensivas puestas en práctica por las
empresas, y que se materializan en intentos extremos para reducir a toda costa el nivel de
endeudamiento y/o renegociar la deuda para aumentar los plazos de pago.
Las RNA han sido repetidamente criticadas por su carácter adhocrático, es decir, por
tratarse de herramientas que simplemente se adaptan a los datos pero están desconectadas
de la teoría; también, que su funcionamiento a modo de caja negra no contribuye a explicar
el problema en curso, por tanto tampoco a proporcionar evidencias útiles para el progreso
del conocimiento. Hemos formulado un análisis de sensibilidad (Nath et al., 1997) para
diseccionar el funcionamiento interno de la red, y aclarar cuáles son las variables con mayor
peso en el diagnóstico. En concordancia con lo señalado por otros modelos previos, ratios
que miden apalancamiento son las de incidencia. De otra parte, las redes destacan también
indicadores como rentabilidad económica y a varias ratios relacionadas con el equilibrio en
el ciclo financiero a corto plazo.
4.3.3
Rough sets
La ausencia de estructuración, la delimitación difusa de las fronteras entre los grupos de
empresas sanas fallidas, y la presencia de redundancias en las variables explicativas hacen
que pronóstico del fracaso empresarial sea, a priori, un campo idóneo para la aplicación de
la teoría de conjuntos aproximados. Dado que los atributos de condición – las ratios – tienen
naturaleza continua, fueron discretizados en diez intervalos. A continuación, y de acuerdo
con el principio de longitud de descripción mínima (Rissanen, 1983), se realizó una
selección de los atributos potencialmente relevantes mediante el procedimiento de selección
automático descrito por Díaz y Corchado (2001), lo que permitió descartar 33 de los 59
atributos originales (Rodríguez y Díaz, 2005). Finalmente, se identificaron los reductos para
19
cada uno de los cuatro horizontes de tiempo considerados en el estudio. Las reglas de
decisión asociadas a los reductos permiten realizar clasificaciones con una tasa de acierto
que oscila entre el 91,96% a un año, y el 72,14% cuatro años antes del evento, empleando
solo 18 de las 59 ratios originales.
4.3.4
Data Envelopment Analysis (DEA)
Aunque existen aplicaciones datadas hace más de treinta años, DEA (Charnes et al., 1978;
Charnes et al., 1985; Cook y Seiford, 2009) es posiblemente la técnica más atípica en el
pronóstico del fracaso (Troutt et al., 1996; Sueyoshi y Goto, 2009a y 2009b). Uno de los
principales inconvenientes es la necesidad de calibrar el punto de corte de los modelos
Logit, que en aplicaciones generales suele definirse como p=0’5. Algunos autores, entre
ellos Premachandra et al (2009), mantienen que este valor no es adecuado cuando el Logit
se incardina en el análisis de eficiencia relativa basada en DEA porque puede inducir
sesgos, especialmente cuando se utilizan modelos “super-eficientes”; en su lugar, sugieren
identificar un valor óptimo entre 0’1 y 0’9 a través de estrategias de simulación. Esta
discusión trasciende sin embargo los objetivos de nuestro trabajo de manera que hemos
estimado un DEA aditivo que incluye una variable “ck” para representar dinámicas de
rendimiento variable (Adler et al., 2002; de Llano et al., 2013). Las fronteras se estimaron
con datos del período 1990-99, y a continuación se sometieron a una validación
extemporánea con datos de 2000-2009.
De acuerdo con nuestros resultados, las variables más relevantes para el análisis de la
eficiencia DEA resultan ser la capacidad de generar rentas, medida por los ingresos y el
cash flow, y la estructura de las inversiones a corto plazo, representada por el capital
circulante y el activo corriente; los modelos sugieren que estas características inciden
definitivamente en la relación entre deuda y activo total, y evalúan a partir de ellas el riesgo
relativo de cada empresa (de Llano et al., 2013). La herramienta logra clasificar
correctamente al 79,85% de las empresas, sin embargo en nuestra opinión el empleo de
DEA para formular pronósticos en este contexto es cuestionable. Una primera crítica se
refiere a la determinación del papel que debe jugar cada variable en el modelo
(Premachandra et al., 2009 citando a Altman, 1968). Muchas de las variables y procesos
implicados en las ratios no son, en sentido riguroso, inputs ni outputs sino eslabones de un
ciclo financiero retroalimentado; esto hace que su calificación sea en mayor o menor medida
arbitraria, y que se precisen modelos DEA multifase (Lit et al., 2012) capaces además de
tratar con variables en diferente escala (
Sinuany-Stern y Friedman, 1998). Por otra parte
es sabido que la noción de frontera eficiente tiene un marcado sentido relativo: las unidades,
en este caso las empresas, no son eficientes en sentido absoluto, sino en relación a otras y
en un momento dado del tiempo. Aunque podamos jerarquizar a las empresas en función de
20
su exposición relativa, la conversión de las distancias en medidas del riesgo y de la
verosimilitud de un eventual fallo resulta problemática (Liu y Chen, 2009; Shetty et al., 2012).
5
CONCLUSIONES
Tres son los pilares de la investigación en la predicción del fracaso financiero; Univariante
(Beaver 1966), Multivariante MDA (Altman 1968), y Logit (Olshon 1980). Sobre estos
modelos se construyeron distintas variantes, hasta llegar a trabajar con herramientas de
redes neuronales y de inteligencia artificial. Nuestro trabajo trata de hacer un repaso de los
exponentes más significativos en la literatura en los últimos sesenta años. Podemos inferir
de nuestra experiencia la capacidad predictiva de las diferentes técnicas empleadas en el
pronóstico del fracaso financiero, del que se derivan conclusiones relevantes acerca de sus
respectivas ventajas relativas e indicios acerca de qué ratios y magnitudes poseen mayor
contenido informacional y deben ser objeto de una supervisión más rigurosa, con
independencia de la técnica matemática o estadística empleada.
La importancia de los modelos de estimación, tiene su limitación en la estabilidad temporal
de los modelos, largamente debatido. De hecho, es necesario realizar ajustes y recalibrar
los modelos regularmente. Lo que en principio podíamos interpretar tras el contraste, como
reflejo de la crisis de 2007 en los resultados, apunta a ser la limitación temporal del modelo.
Una de las primeras evidencias en este sentido es el trabajo de Joy y Tollefson (1975),
quienes critican duramente el hecho de que la inestabilidad de los modelos discriminantes
hubiese pasado desapercibida debido a la ausencia de procedimientos de contraste
intertemporal en los estudios originales de Altman (1968 y 1977). En este sentido, el modelo
z-score aportado por Altman et al. (1977) conserva solo una de las predictoras originales del
modelo básico de Altman (1968). Compartimos la opinión, expuesta por Joy y Tollefson
(1975), de que esta inconsistencia es científicamente indeseable, ya que supone una
amenaza permanente para cualquier constructo teórico que se pueda derivar de la
investigación. Desde un punto de vista práctico, es una evidente fuente de riesgo de modelo.
El decisor no dispone de criterios para aventurar si los pronósticos obtenidos en un
momento dado son fiables o, por el contrario, están sesgados por la degeneración temporal
a la que nos hemos referido.
Nuestro trabajo a lo largo de los últimos años, corrobora la posibilidad de realizar
pronósticos de gran calidad empleando exclusivamente evidencias basadas en magnitudes
financieras y económicas básicas. Lo anterior no solo avala la calidad general de
información contable difundida por las empresas, sino que también pone de relieve que los
esfuerzos para ocultar las disfunciones financieras internas a través de ajustes
discrecionales u otras acciones de ocultación son ineficaces. No obstante es interesante
observar que, con la única excepción de los modelos basados en particionamiento recursivo,
21
las tasas de error de las técnicas más fiables parecen converger en un nivel en torno al
90%. Resultado indicativo de que la calidad de los pronósticos difícilmente podrá mejorarse
a menos que se incluyan variables adicionales, expresivas por ejemplo de la bondad de la
gestión o de las condiciones económicas generales, que aporten evidencias para matizar la
interpretación de los valores numéricos de las ratios. Las evidencias proporcionadas por la
auditoría externa – dictamen, salvedades, etc. – son, de acuerdo con nuestra experiencia,
candidatas idóneas para entrar a formar parte de modelos de pronóstico del fracaso, junto
con las variables financieras.
Los resultados a los que hemos llegado indican que una gran parte de la información
financiera que manejan los usuarios (en forma de datos brutos, o de ratios) es prescindible
en un diagnóstico de fracaso. Bien porque no contiene evidencias de interés para evaluar el
riesgo de fallo, o porque esas evidencias se canalizan a través de otros indicadores, siendo
por tanto redundantes. En nuestro caso podemos arrojar luz sobre qué elementos del flujo
de información requieren mayor atención; proporciona criterios concretos para seleccionar
los datos relevantes, y una guía general para el trabajo en escenarios de información
imperfecta.
Desde el punto de vista metodológico, al margen del enfoque univariante, de evidentes
limitaciones, todas las técnicas proporcionan en general pronósticos de gran calidad. La tasa
media de acierto para todos los modelos que hemos estimado, supera el 87%. Los modelos
basados en análisis discriminante, los más profusos en la literatura, obtienen los peores
resultados en todos los horizontes de tiempo, con tasas de error similares a las de los
modelos de regresión lineal convencionales. Su fiabilidad decrece acusadamente con el
tiempo, y en el modelo de pronóstico a cuatro años antes del fallo, presenta un error medio
del 29%, superior al derivado de un simple análisis univariante. Creemos que esta aparente
incapacidad puede estar relacionada con el incumplimiento de algunas de sus hipótesis
esenciales, concretamente las relativas a la normalidad y homocedasticidad.
Los modelos Logit no logran las mayores tasas de acierto, sin embargo mantienen una
excelente parsimonia. Con un número mínimo de variables explicativas, imponen
requerimientos hipotéticos realmente laxos, ofrecen resultados de gran interés práctico y
teórico, como las medidas de riesgo relativo (odds-ratios).
Los árboles han demostrado una capacidad analítica inesperada. En un horizonte de un año
antes del fallo, clasifican correctamente todas las empresas, y a cuatros años antes
presentan un error del 2%. En nuestra opinión, los métodos de particionamiento recursivo
son candidatos idóneos para el desarrollo de modelos para el análisis del riesgo financiero,
dadas su naturaleza no paramétrica, el carácter explícito de sus reglas de clasificación, y las
oportunidades de informatización.
22
No hemos hallado signos de que exista una relación precisa entre la sofisticación del
método de trabajo y la calidad de sus pronósticos. Los modelos basados en conjuntos
imprecisos, que junto con las RNA son los que poseen mayor complejidad operativa, no
ofrecen ventajas comparativas claras frente a otras técnicas más convencionales como la
regresión logística o los propios árboles generados por particionamiento recursivo. De hecho
emplean también un número mayor de variables, lo que significa que consumen más
información y son por tanto más costosos. Es posible que la complejidad del problema
presentado no sea coherente con la capacidad de procesamiento de algunas de las
herramientas heurísticas, y que ello haya redundando en una merma aparente de eficacia.
En cualquier caso, debemos concluir que la metodología de trabajo empleada no parece
alterar significativamente los resultados de los pronósticos, lo que sugiere que el esfuerzo de
investigación debería concentrarse más en mejorar la calidad y el contenido informacional
de las variables de entrada, que en el diseño de técnicas de análisis sofisticadas.
23
6
BIBLIOGRAFÍA
Adler, N., Friedman, L., Sinuany-Stern, Z (2002), “Review of Ranking in the Data
Envelopment Analysis Context”, European Journal of Operational Research, 140, 249265.
Altman, E. (1968):
“Financial Ratios, Discriminant Analysis and Predition of Corporate
Bankruptcy”. Journal of Finance: 589 – 609.
Altman, E. (1969): Corporate bankruptcy potential, stockholder returns, and share valuation.
Journal of Finance Vol. 24, nº 5, pp. 887 – 904.
Altman, E. (1977): Some estimates of the cost of lending errors for commercial banks.
Journal of Commercial Bank Lending, Octubre.
Altman, E. I. (2000): “Predicting Financial Distress of Companies: Revisiting the Z-Score and
ZETA Models”. Working Paper. NYU Salomon Center.
Altman, E. I.; Haldeman, R. C.; Narayanan, P. (1977): “ZETA Analysis. A New Model to
Identify Bankruptcy Risk Corporations”. Journal of Banking and Finance. June: 29-54
Altman, E.; Marco, G.; Varetto, F. (1994): Corporate distress diagnosis: comparisons using
linear discriminant analysis and neural networks. Journal of Banking and Finance Vol.
18, pp. 505 – 529.
Anzola, O. y Puentes, M, (2007): “Determinantes de las acciones gerenciales en microempresas y empresas Pymes”. Bogotá: Universidad Externado de Colombia, Facultad de
Administración de Empresas.
Arnedo, L., Lizarraga, F., y Sanchez, S. (2008). Going-concern uncertainties in prebankrupt
audit reports: new evidence regarding discretionary accruals and wording ambiguity.
International Journal of Auditing, 12(1), 25–44.
Arquero, J., Abad, M. y Jiménez, S. (2009). Procesos de fracaso empresarial en Pymes,
Identificación y contrastación empírica. Revista Internacional de la pequeña y mediana
empresa, 1 (2), 64-77.
Arthur Winakor, Raymond Smith (1935)
Bakshi, G.; Madan, D.; Xiaoling, F. (2006): Investigating the role of systematic and firmspecific factors indefault risk: lessons from empirically evaluating credit risk models.
Journal of Business Vol. 79, nº 4, pp. 1955-1987.
Bardia, S. C. (2007): Predicting financial distress and evaluating long-term solvency: an
empirical study. The IUP Journal of Accounting Research & Audit Practices Vol. XI, nº
1, pp. 47 – 61.
Barr, R. S., Seiford, L. M., and Siems, T. F. (1993); “An Envelopment-Analysis Approach to
Measuring the Management Quality of Banks”, Annals of Operations Research, 1993,
38, 1-13.
24
Baxter, N. (1967): Leverage, risk of ruin, and the cost of capital. Journal of Finance Vol. 22,
Septiembre, pp. 395 – 404.
Beaver, W. H. (1966): “Financial ratios as predictors of failure”. Empirical Research in
Accounting: Selected Studies, suplements to V. 4 of Journal of accountant Research:
71 – 111
Becerra, V.; Galvao, R.; Abou-Seada, M. (2002): On the utility of input selection and pruning
for financial distress prediction models. Proceedings of the 2002 International Joint
Conference on Neural Networks. Hawaii: 1328 – 1333
Bell, T. B.; Ribar, G. S. and J. Verchio (1990), “Neural Nets versus Logistic Regression: A
Comparison of Each Model’s Ability to Predict Commercial Bank Failures”, en
Srivastava R. P. (editor) Auditing Symposium X Deloitte & Touche, Symposium on
Auditing Problems; Kansas: 29-53.
Bellovary, J., Giacomino, D., Akers, M. (2007) “A Review of Bankruptcy Prediction Studies:
1930-Present”, Accounting Faculty Research and Publications, College of Business
Administration.
Bernard, V. I.; Stober, T. I. (1989) The nature and amount of information in cash flows and
accruals, Accounting Review, 64(4), pp. 624–652.
Bottazzi, G.; Grazzi, M.; Secchi, A.; Tamagni, F. (2011): Financial and economic
determinants of firm default. Journal of Evolutionary Economics Vol. 21, Nº 3, pp 373406.
Boyacioglu, M., Kara, Y., y Baykan, O. (Ed.). (2008). Predicting bank financial failures using
neural networks, support vector machines and multivariate statistical methods: A
comparative analysis in the sample of Savings Deposit Insurance Fund (SDIF)
transferred banks in Turkey. Experts Systems with Applications, 36(2), 3355–3366
Bradshaw, M. T., Richardson, S. A. y Sloan, R. G., 2001. Do analysts and auditors use
information in accruals? Journal of Accounting Research, 39(1), 45 - 74.
Breiman, L.; Friedman, J.H.; Olshen, R.A.; Stone, C.J. (1984): Classification and Regression
Trees, Chapman & Hall.
Brockett, P.; Golden, L.; Jang, J. and C. Yang (2006), “A comparison of neural network,
statistical methods, and variable choice for life insurers’ financial distress prediction”,
The Journal of Risk and Insurance, 73 (3): 397 – 419.
Calvo, A.; Rodríguez, M. (2003): “Aplicación de Técnicas de Segmentación Jerárquica a la
predicción del Fracaso Empresarial”, VI Congreso Gallego de Estadística e
Investigación Operativa.
Calvo-Flores, A., García, D., y Madrid, A. (2006). Tamaño, Antigüedad y Fracaso
Empresarial. Working Paper. Cartagena: Universidad Politécnica de Cartagena.
25
Charitou, A.; Neophytou, E.; Charalambous, C. (2004): Predicting Corporate Failure:
empirical evidence from the U. European Accounting Review Vol. 13, nº 3, pp. 465 –
497.
Charnes, A., Cooper, W.W., Golany, B., Seiford, L. (1985) “Foundations of Data
Envelopment Analysis for Pareto-Koopmans Efficient Empirical Production Functions”,
Jorunal of Econometrics 30, 1985, 91-107.
Charnes, A., Cooper, W.W., Rhodes, E. (1978); “Measuring the efficiency of decision making
units”, European Journal of Operations Research, 2, 429-444.
Chava, S.; Purnanandam, A. (2010): Is Default Risk Negatively Related to Stock Returns?
The Review of Financial Studies Vol. 23, Nº 6, pp. 2523 – 2559.
Collin-Dufresne, P.; Goldstein, P.; Hugonnier, J. (2004): A general formula for valuing
defautable securities. Econometrica Vol. 72, pp. 1377-1407.
Collin-Dufresne, P.; Goldstein, R. (2001): Do credit spreads reflect stationary leverage?
Reconciling structural and reduced-form frameworks. Journal of Finance Vol. 56, Nº 5,
pp. 1929 – 1957.
Cook, W.D., Seiford, L.M. (2009), “Data Envelopment Analysis (DEA) – Thirty Years On”,
European Journal of Operation Research Vol. 192, nº 1, pp. 1-17.
Dambolena, I.; Khoury, S. (1980): Ratio stability and corporate failure. The Journal of
Finance VOl. XXXV, nº 4, Septiembre, pp. 1017 – 1026.
Daubie, M., Levecq, P.; Meskens, N. (2002): “A Comparison of the Rough Sets and
Recursive Partitioning Induction Approaches: An Application to Commercial Loans”.
International Transactions in Operational Research, 9(5), pp. 681 - 694.
Davydenko, S. (2010). When do firms default? A study of the default boundary. Toronto:
University of Toronto. Recuperado de http://ssrn.com/abstract=672343
de Llano, P.; Piñeiro, C.; Rodríguez, M. (2011a): “Contraste de los modelos de pronóstico
del fallo empresarial en las pymes sanas gallegas”. XXV Congreso de AEDEM.
Valencia.
de Llano, P.; Piñeiro, C.; Rodríguez, M. (2011b): “Modelos de pronóstico del fallo
empresarial en las pymes sanas gallegas”. XXV Congreso de AEDEM. Valencia.
de Llano, P.; Piñeiro, C.; Rodríguez, M. (2013): DEA as a business failure prediction tool.
Revista Contaduría y Administración (próxima publicación).
Deakin, E. (1972) A discriminant analysis of predictors of business failure. Journal of
Accounting Reearch, Spring, pp. 167 – 179
Díaz, F.; Corchado, J.M. (2001). The Selection of Relevant Features and Rough Sets.
Conferencia de la Asociación Española de Inteligencia Artificial. Gijón, 14–16
Noviembre.
26
FitzPatrick, P. 1932. A comparison of ratios of successful industrial enterprises with those of
failed companies. The Certified Public Accountant (October, November, December):
598-605, 656-662, and 727-731, respectivamente.
Francis, J. R.; Yu, M. D. (2009): The effect of big four office size on audit quality. The
Accounting Review, 84(5), 1521 - 1552.
Friedman, J. (1977): A recursive partitioning decision rule for nonparametric classification.
IEEE Transactions on Computers Vol. 26, nº 4, pp. 404 – 408
Frydman, H.; Altman, E.; Kao, D. (1985): Introducing recursive partitioning for financial
classification: the case of financial distress. Journal of Finance Vol. 40, nº 1, pp. 269291
García, D., Arqués, A. y Calvo-Flores, A. (1995); Un modelo discriminante para evaluar el
riesgo bancario en los créditos a empresas, Revista Española de Financiación y
Contabilidad, XXIV (82), 175-200.
Gordon, M. (1971): Towards a theory of financial distress. Journal of Finance Vol. 25, nº 2,
pp. 347 – 356.
Greenball, M. N. (1971). The predictive-ability criterion: its relevance in evaluating accounting
data. Abacus, 1–7.
Hansen, J. and W. Messier (1991), “Artificial neural networks: foundations and application to
a decision problem”, Expert Systems with Applications, 3: 135–141
Härdle, W.; Moro, R.; Schäfer, D. (2005): Predicting Bankruptcy with Support Vector
Machines. SFB 649 Discussion Paper nº 009, 2005.
Hing-Ling, A. (1987): A five-state financial distress prediction model. Hotchkiss, E. S.;
Mooradian, R. M. (1997): Vulture investors and the market for control of distressed
firms, Journal of Financial Economics 43, 401–432.
Hotchkiss, E.; Mooradian, R. (1997): Vulture investors and the market for control of
distressed firms, Journal of Financial Economics 43, 401–432.
Huang, S.; Tsai, C.; Yen, D.; Cheng, Y. (2008): A hybrid financial analysis model for
business failure prediction. Expert Systems with Applications 35, pp. 1034–1040.
Jiménez, S. (1996): Una evaluación crítica de la investigación empírica desarrollada en torno
a la solvencia. Revista Española de Financiación y Contabilidad Vol. XXV, nº 87, pp.
459 – 479.
Joy, O; Tollefson, J. (1975): On the financial applications of discriminant analysis. Journal of
Financial and Quantitative Analysis Vol. 10, Nº 5, pp. 723-739
Kahl, M. (2002): Economic Distress, Financial Distress, and Dynamic Liquidation. The
Journal of Finance Vol. 57, nº 1, pp. 135 – 168.
Kane, G., Richardson, F.; Mead, N. (1998). Rank transformation and the prediction of
corporate failure. Contemporary Accounting Research, 145–166.
27
Keasey, K. and R. Watson (1987), “Non-Financial Symptoms and the Prediction of Small
Company Failure. A Test of Argenti’s Hypotheses”, Journal of Business Finance and
Accounting, 14 (3): 335-354.
Kennedy, H. A. (1975): A behavioral study of the usefulness of four financial ratios. Journal
of Accounting Research Vol. 25, nº 1, pp. 127 – 138.
Kim, H.; Sohn, S. (2010). Support vector machines for default prediction of SMEs based on
technology credit. European Journal of Operational Research, 201(3), 838–846.
Kim, S. (2011): Prediction of hotel bankruptcy using support vector machine, artificial neural
network, logistic regression, and multivariate discriminant analysis. The Service
Industries Journal Vol. 31, Nº 3, pp. 441–468.
Koh, H. and S. Tan (1999), “A neural network approach to the prediction of going concern
status”, Accounting and Business Research, 29 (3): 211–216.
Lajili, K.; Zéghal, D. (2011): Corporate governance and bankruptcy filing decisions. Journal of
General Management Vol. 35, nº 4, pp. 3 – 26.
Li, Y.; Chen, Y., Liang, L., Xie, J. (2012): “DEA model for Extended Two-stage Network
Structures”, Omega, 40, pp. 611-618.
Liu, F.F., Chen, C.L., (2009), “The Worst-Practice DEA Model with Slack-Based
Measurement”, Computers & Industrial Engineering Vol. 52, nº 2, pp. 496-505.
Liu, J., 2004. Macroeconomic determinants of corporate failures: evidence from the UK.
Applied Economics, (36), 939 - 945.
Lizarraga, F. (1997). Utilidad de la información contable en el proceso de fracaso: análisis
del sector industrial de la mediana empresa española. Revista Española de
Financiación y Contabilidad, XXVI (92) 871-915.
Lo, A. (1986). Logit versus discriminant analysis: A specification test and application to
corporate bankruptcies. Journal of Econometrics, 31, 151-178.
Longstaff, f.; Schwartz, E. (1995): A simple approach to valuing risky fixed and floating rate
debt. Journal of Finance 50: 789 – 819.
Marais, M. L.; Patell, J.; Wolfson, M. (1984): The experimental design of classification
models: an application of recursive partitioning and bootstrapping to commercial bank
loan classification. Journal of Accounting Research Vol. 22, pp. 87 – 114.
Martin, D. (1977): “Early Warning of Bank Failure: a Logit regression approach”. Journal of
Banking and Finance. Vol. 1, Núm. 3, pp. 249-276.
Martínez, O. (2003). Determinantes de fragilidad en las empresas colombiana. Banco de la
República de Colombia, Borradores de Economía 259, 1-24.
McKee, T. and T. Lensberg (2002), “Genetic programming and rough sets: a hybrid
approach to bankruptcy classification”, European Journal of Operational Research,
138: 436–451.
28
Merton, R. (1974): On the pricing of corporate debt. The risk structure of interest rates.
Journal of Finance 29: 449 – 470.
Merwin, C. 1942. Financing small corporations in five manufB.cturing industries, 1926- 1936
New York: National Bureau of Economic Research.
Messier, W. and J. Hansen (1988), “Inducing rules for expert system development: an
example using default and bankruptcy data”, Management Science, 34 (12): 1403–
1415.
Modigliani, F.; Miller, M. (1958): The cost of capital, corporation finance, and the theory of
investment. American Economic Review Vol. 48, nº 3, pp. 261 – 297.
Modigliani, F.; Miller, M. (1963): Corporate Income Taxes and the Cost of Capital: a
correction. American Economic Review Vol. 53, nº 3, pp. 433-443.
Morris, R. (1997): Early Warning Indicators of Corporate Failure. Aldershot: Ashgate.
Moyer, R. C. (1977), “Forecasting Financial Failure: A Reexamination”, Financial
Management, 6 (1): 11-17.
Nath, R.; Rajagopalan, B.; Ryker, R. (1997): “Determining the saliency of input variables in
neural network classifiers. Journal of Computers. 24 (8). Págs. 767-773.
Ohlson, J. (1980), “Financial Ratios and Probabilistic Prediction of Bankruptcy”. Journal of
Accounting Research, Vol. 18, nº 1, pp. 109 – 131.
Parnes, D. (2010): The information content of analysts reports and bankruptcy risk
measures. Applied Financial Economics 20, pp. 1499–1513
Peel, M. J.; Peel, D. A. and P. F. Pope (1986), “Predicting Corporate Failure. Some Results
for the UK Corporate Sector”, Omega: The International Journal of Management
Science, 14 (1): 5-12.
Pereira, J.; Basto, M.; Ferreira, A.; Barbas, E. (2011): Propuesta de un modelo de predicción
del fracaso empresarial considerando las variables tamaño y antigüedad. XVI
Congreso de AECA. Granada.
Pindado, J.; Rodrigues, R.; de la Torre, C. (2008): “Estimating Financial Distress Likelihood”.
Journal of Business Research Vol. 61, Nº 9, pp. 995–1003.
Piñeiro, C.; de Llano, P.; Rodríguez, M. (2012) “La evaluación de la probabilidad de fracaso
financiero. Contraste empírico del contenido informacional de la auditoría de cuentas”,
Revista Española de Financiación y Contabilidad (AECA), n156, volumen XLI, pp 565588.
Piñeiro, C.; de Llano, P.; Rodríguez, M. (2013a): ¿Proporciona la auditoría evidencias para
detectar y evaluar tensiones financieras latentes? Un diagnóstico comparativo
mediante técnicas econométricas e inteligencia artificial. Revista Europea de Dirección
y Economía de la Empresa (próxima publicación)
29
Piñeiro, C.; de Llano, P.; Rodríguez, M. (2013b) “A parsimonious model to forecast financial
distress, with base in audit evidences”. Revista Contaduría y Administración (pendiente
de publicación).
Platt, H. y Platt, M. (2004). Industry-relative ratios revisited: the case of financial distress.
Paper presented at the FMA 2004 Meeting, New Orleans (USA), pp. 6-9.
Premachandra IM, Bhabra GS, Sueyoshi T. (2009), “DEA as a tool for bankruptcy
assessment: a comparative study with logistic regression technique”. European Journal
of Operational Research, 193, 412–424.
Quinlan, J. R. (1986): “Induction of decision trees”. Machine Learning(1), pp. 81 - 106.
Quinlan, J. R. (1993): C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers.
Rissanen, J. (1983): “A Universal Prior for Integers and Estimation by Minimum Description
Length”, Annals of Statistics, Vol 11, No. 2, 416-431.
Rodríguez, M. (2002a): “El fracaso empresarial en Galicia a través del análisis tradicional de
la información contable. La capacidad predictiva del análisis univariante”. II Congreso
de Economía de Galicia.
Rodríguez, M. (2002b): “Modelos de insolvencia en empresas gallegas. Aplicación de
Técnicas Paramétricas y de Inteligencia Artificial”. En La gestión del riesgo de crédito.
Madrid: AECA, pp. 24 – 59.
Rodríguez, M. (2005) “Pruning de las variables en el Modelado Neuronal para la predicción
de la insolvencia empresarial y su contraste con el análisis univariante”, IVWS, Sevilla.
Rodríguez, M.; Díaz, F. (2005) “La teoría de los Rough Sets y la predicción del fracaso
empresarial. Diseño de un modelo para las PYMEs”. XIII Congreso de AECA. Oviedo.
Rose, P. S.; Andrews, W. T. and G. A. Giroux (1982), “Predicting Business Failure: A
Macroeconomic Perspective”, Journal of Accounting Auditing and Finance, Fall: 20-31.
Ross, S. (1976): The arbitrage theory of capital asset pricing. Journal of Economic Theory
Vol. 13, Nº 3, pp. 341-360.
Sarkar, S., y Sriram, R. (2001). Bayesian models for early warning of bank failures.
Management Science, 47(11), 1457–1475.
Scott, J. (1977): Bankruptcy, secured debt, and optimal capital structure. Journal of Finance
Vol. XXXII, nº 13, No. 1, pp. 1 – 19.97-116
Serrano, C. and B. Martín (1993), “Predicción de la Quiebra Bancaria Mediante el Empleo de
Redes Neuronales Artificiales”, Revista Española de Financiación y Contabilidad, 22
(74): 153-176.
Sharma, S.; Mahajan, V. (1980): Early warning indicators of business failure. Journal of
Marketing, Vol. 44: 80 – 99
30
Shetty, U., Pakkala, T.P.M., Mallikarjunappa, T., (2012), “A Modified Directional Distance
Formulation of DEA to Assess Bankruptcy: An Application to IT/ITES Companies in
India”, Expert Systems with Applications Vol. 39, nº 2, pp. 1988-1997.
Shin, K.; Lee, T.; Kim, H. (2005): An application of support vector machines in bankruptcy
prediction model. Expert Systems with Applications (28): 127 – 135.
Shumway, T. (2001): “Forecasting Bankruptcy More Accurately: A Simple Hazard Model”,
Journal of Business, Vol. 74, N.º 1, January, pp. 101-124
Sinuany-Stern, Z., Friedman, L. (1998), “DEA and the Discriminant Analysis of Ratios for
Ranking Units, European Journal of Operational Research Vol. 111, Nº 3, pp. 470-478.
Slowinski R. and C. Zopounidis (1995), “Application of the rough set approach to evaluation
of bankruptcy risk”, International Journal of Intelligent Systems In Accounting, Finance
& Management, 4 (1): 27–41.
Sueyoshi, T., Goto, M. (2009a), “Methodological Comparison between DEA (data
envelopment analysis) and DEA–DA (discriminant analysis) from the Perspective of
Bankruptcy Assessment”, European Journal of Operation Research Vol. 199, nº 2, pp.
561-575.
Sueyoshi, T., Goto, M. (2009b), “DEA-DA for Bankruptcy-based Performance Assessment:
Misclasification Analysis of Japanese Construction Industry”, European Journal of
Operation Research Vol. 199, nº 2, pp. 576-594.
Sun, J. and H. Li (2009), “Financial distress early warning based on group decision making”,
Computers & Operations Research, 36: 885 – 906.
Taffler, R. (1982). Forecasting company failure in the UK using discriminant analysis and
financial ratio data. Journal of the Royal Statistical Society, 145, 342-358.
Tam, K.; Kiang, M. (1992): Managerial applications of neural networks: the case of bank
failure predictions. Management Science Vol. 38, nº 7, pp. 926 - 947
Troutt, M., Rai, A.; Zhang, A. (1996): “The Potential use of DEA for Credit Applicant
Acceptance Systems”, Computer & Operations Research Vol 23, Nº 4, pp. 405-408.
Tsai, B.; Lee, C.; Sun, L. (2009): The Impact of Auditors’ Opinions, Macroeconomic and
Industry Factors on Financial Distress Prediction: An Empirical Investigation. Review of
Pacific Basin Financial Markets and Policies Vol. 12, No. 3, pp. 417–454
Tsai, C. (2008). Financial decision support using neural networks and support vector
machines. Expert Systems, 25(4), 380–393.
Vapnik, V. (1982). Estimation of Dependences Based on Empirical Data. Berlín: Springer
Verlag
Vapnik, V. y Chervonenkis, A. (1974): Pattern Recognition Theory, Statistical Learning
Problems (en ruso). Moscú: Nauka.
31
Vinso, J. (1979): A determination of the risk of ruin. Journal of Financial and Quantitative
Analysis Vol. XIV, Nº 1, Marzo, pp. 77 – 100
Wilcox, J. (1971): A simple theory of financial ratios as predictors of failure. Journal of
Accounting Research 9, pp. 389 – 395.
Wilson, R., y Sharda, R. (1994). Bankruptcy prediction using neural networks. Decision
Suport Systems, V 11, Issue 5, June 1994, pp. 545-557.
Wu, W.; Siong, V.; Yean, T. (2006): Data preprocessing and data parsimony in corporate
failure forecast models: evidence from Australian materials industry. Accounting and
Finance 46, pp. 327–345
Xiaosi, X.; Ying, C.; Haitao, Z. (2011): The comparison of enterprise bankruptcy forecasting
method. Journal of Applied Statistics Vol. 38, No. 2, 301–308.
Yang, Z., Platt, M., y Platt, H. (1999). Probabilistic neural networks in bankruptcy prediction.
Journal of Business Research, 44, 67–74.
Zavgren, C. (1985). Assessing the vulnerability of failure of American industrial firms: A
logistic analysis. Journal of Banking and Finance (Spring), 19-45. DOI: 10.1111/j.14685957.1985.tb00077.x
Zmijewski, M. E. (1984), “Methodological Issues Related to the Estimation of Financial
Distress Prediction Models”, Journal of Accounting Research Vol. 22, pp. 59-82.
32
33