Palabras clave
random coefficients
financial ratios
financial crisis
modelo lineal generalizado mixto
coeficientes aleatorios
ratios financieros
crisis financiera
Cómo citar
Resumen
Desde la década de 1960, las empresas tienen como objetivo evaluar los resultados futuros del gerenciamiento empresarial para predecir, a mediano plazo, procesos de gestación e instalación de estados de vulnerabiidad financiera. La información contenida en los estados financieros de las empresas y la posibilidad de analizar la evolución en el tiempo de los ratios contables permiten construir modelos de predicción de riesgo de crisis financiera. En este trabajo, se construye un modelo de predicción de riesgo con base en la información contenida en los Estados Contables de las empresas con oferta pública en las Bolsas de Santiago de Chile y de Valores de Buenos Aires (Argentina) para la década del 2000.
La crisis financiera se caracteriza por la incapacidad de cumplir con las obligaciones de pago, la obtención de magnitudes excesivas de pérdidas y por situaciones extremas como la quiebra y posterior liquidación de la empresa. Hasta hace un poco más de un año, la mayoría de los trabajos desarrollados para cuantificar la incidencia de ratios financieros en la crisis empresarial, aplicaron métodos de corte transversal, por lo que la construcción de modelos para datos longitudinales resulta pertinente, en tanto incorporan la dimensión temporal en el estudio. En particular, se ha demostrado que el modelo logístico mixto, que tiene en cuenta la heterogeneidad no observada supera ampliamente el desempeño del modelo logístico estándar.
Tanto en Argentina como en Chile se han aplicado, recientemente, modelos mixtos con coeficientes aleatorios para predecir estados de vulnerabilidad financiera.
Los resultados obtenidos indican que, en las empresas chilenas, el ratio del capital de trabajo explica la mayor proporción de la heterogeneidad inducida por la correlación que presentan los datos, lo que justifica su inclusión como coeficiente aleatorio, mientras que en el mercado argentino lo es el índice de rentabilidad. Además, como efectos fijos, los indicadores con mayor capacidad predictiva de la crisis financiera son los índices de rentabilidad, rotación y endeudamiento.
Se concluye que, los ratios significativos poseen poder discriminatorio y su comportamiento muestra que son indicadores para la predicción de crisis.
Citas
Altman, E. (1968) “Financial ratios, discriminant analysis and the prediction of corporate bankruptcy”, Journal of Finance 23(4): 589–609.
Altman, E.; Haldeman, R.; Narayanan, P. (1977) “ZETA analysis: a new model to identify bankruptcy risk of corporations”, Journal of Banking and Finance 1(1): 29–54.
Altman, E.I,; Baidya, T.K.N.; Ribeiro Dias, L.M, (1979) “Assesing potential financial problems for firms in Brazil”, Journal of International Business Studies 10: 9–24.
Altman, E.; Hotchkiss, E. (2005) Corporate Financial Distress and Bankruptcy: Predict and Avoid Bankruptcy, Analyze and Invest in Distressed Debt, 3rd Ed. Wiley Finance, New York.
Beaver, W. (1966) “Financial ratios as predictors of failures”, Journal of Accounting Research, Supplement 4, Empirical Research in Accounting Selected Studies 1966: 71–111.
Beaver, W. (1968) “Alternative accounting measures as predictors of failure”, The Accounting Review 43(1): 113–122.
Caro, N.P. (2013) Evaluación de Riesgo de Crisis Financieras en Empresas Argentinas en los Periodos 1993–2000 y 2003–2010. Tesis Doctoral, Facultad de Ciencias Económicas, Universidad Nacional de Córdoba.
Caro, N.P.; Díaz, M.; Porporato, M. (2013) “Predicción de quiebras empresariales en economías emergentes: uso de un modelo logístico mixto”, Revista de Métodos Cuantitativos para la Economía y la Empresa 16: 200–
Caro, N.P. (2014) “Modelos de predicción de crisis financiera en empresas: una revisión de la literatura”, Revista Internacional Legis de Contabilidad y Auditoría 58: 135–183.
Díaz, M.; Ferrero, F.; Stimolo, M.; Caro, N. (2001) “Performance del análisis discriminante regularizado y la regresión logística en la predicción de crisis financiera”, Revista de la Sociedad Argentina de Estadística 5 (1-2), 33–45.
Jones, S.; Hensher, D.A. (2004) “Predicting firm financial distress: a mixed logit model”, The Accountig Review 79(4): 1011–1039.
Mínguez Conde, J.L. (2005) La Información Contable en la Empresa Constructora: Factores Identificativos del Fracaso Empresarial. Tesis doctoral, Universidad de Valladolid.
Mongrut Montalván, S.; Alberti Delgado, F.I.; Fuenzalida O’Shee, D.; Akamine Yamashiro, M. (2011) “Determinantes de la insolvencia empresarial en el Perú”, Academia, Revista Latinoamericana de Administración 47: 126–139; in: http://www.redalyc.org/src/inicio/ArtPdfRed.jsp?iCve=71618917009 ISSN 1012-8255, consultada 20-Feb-2014.
Pascale, R.(1988) “A multivariate model to predict firm financial problems the case of Uruguay”, Studies in Banking and Finance 7: 171–182.
Romani Chocce, G.; Aroca González, P.; Aguirre Aguirre, N.; Leiton Vega, P.; Muñoz Carrazana, J. (2002) “Modelos de clasificación y predicción de quiebra de empresas: una aplicación a empresas chilenas”, Forum Empresarial 7(1): 33–50. in: http://www.redalyc.org/pdf/631/63170102.pdf, consultada 12-Feb-2014.
Sandin, A.R.; Porporato, M. (2007) “Corporate bankruptcy prediction models applied to emerging economies. Evidence from Argentina in the years 1991–1998”, International Jorunal of Commerce and Management 17(4): 295–311.
Swanson, E.; Tybout, J. (1988) “Industrial bankruptcy determinants in Argentina”, Journal of Banking and Finance 7: 1–25.
Zurita, F. (2008) “La predicción de la insolvencia de empresas chilenas”, Economía Chilena 11(1): 93–116.