Modelos de predicción de crisis financiera en empresas: una revisión de la literatura

Revista Nº 58 Abr.-Jun. 2014

Norma Patricia Caro

(Argentina) 

Doctorado en Ciencias Económicas y Maestría en Estadística aplicada  

Universidad Nacional de Córdoba (UNC), Argentina 

Profesora adjunta por concurso en la Cátedra de Estadística I y Estadística II 

de la Facultad de Ciencias Económicas de la UNC desde 2000 

Directora de equipos de investigación en proyectos acreditados desde 2011 

Introducción

La literatura sobre predicción de crisis financiera en empresas ha estado principalmente influida por los cambios experimentados en el ámbito académico de la contabilidad financiera. Las empresas con dificultades financieras son aquellas que presentan signos de crisis, y que se contraponen al concepto de empresas sanas o sin dificultades financieras. Existen varias revisiones de la literatura disponibles, pero muy pocas en Español (Ibarra, 2001; Tascón Fernández y Castaño Gutiérrez, 2009) y menos aún enfocadas en economías emergentes (Caro, et ál. 2013). Este artículo tiene como propósito presentar una revisión de la literatura en predicción de crisis financieras, poniendo especial énfasis en el caso de una economía emergente. La literatura en este tema es profusa y reconoce varias líneas de pensamiento y solo se ha realizado un avance en lo metodológico en Caro, et ál. 2013.

La evolución de las corrientes de pensamiento se puede analizar sistemáticamente siempre y cuando sigamos una línea de tiempo y encontremos un modo coherente de clasificar los estudios.

En el presente trabajo se realiza una revisión de la literatura sobre los modelos de predicción de crisis aplicados en distintos países (economías desarrolladas y economías emergentes), haciendo hincapié en la definición de variables que influyen en la predicción del estado de situación financiera, como también en la definición del estado de crisis que se pretende describir y evaluar. Se presentan los resultados y conclusiones obtenidas en cada uno de ellos y en el análisis se revela la metodología aplicada en los distintos estudios. Se exponen en forma sucinta los rasgos significativos de aquellas investigaciones más relevantes que han realizado aportes significativos a la literatura académica.

Predecir el estado de crisis financiera es un problema que existe en todo el mundo; sin embargo, primero fue estudiado en países anglosajones en la década del sesenta con la investigación y predicción de la crisis empresarial. No obstante, más adelante se extendieron los estudios a otros países y luego a los emergentes, replicando y adaptando los modelos utilizados en el primer grupo de países.

Siguiendo la evolución histórica de estas investigaciones, la aplicación de los diferentes métodos estadísticos ha diferenciado dos etapas claves en el desarrollo de estos. Una primera, la etapa descriptiva, que comenzó en la década de 1930 y la etapa predictiva a partir de los años 60, la cual llega hasta nuestros días con un importante avance en los métodos cuantitativos aplicados. En ambas etapas el uso de ratios constituye la base de datos para investigar en qué medida estos representan herramientas válidas para el análisis financiero. Para explicar y predecir esta situación se han aplicado diferentes modelos.

Este trabajo comenta brevemente los principales estudios en ambas fases: descriptiva y predictiva. Para esta última se realiza la distinción entre aplicaciones en países desarrollados y economías emergentes.

Este artículo ha surgido como una respuesta a la necesidad de presentar un compendio en español de la literatura sobre predicción de crisis financiera en empresas. Por ello, esta revisión se realiza con un objetivo recopilatorio destacando los trabajos reconocidos en la literatura anglosajona, para luego ir agregando menciones a trabajos que se han basado en datos de organizaciones latinoamericanas.

El presente artículo pretende dar una respuesta clara a los jóvenes investigadores interesados en este tema, que les permita publicar sus trabajos de investigación en revistas académicas. Este trabajo busca hacer evidente que trabajos “pragmáticos y sin teorías explícitas” (Hopper et ál., 2008, p. 27) tienen muy pocas posibilidades de ser publicados, lo que explica por qué son escasas las publicaciones, ejecutadas por autores locales, en revistas internacionales sobre el tema. Uno de los principales aportes de este trabajo está dado en la documentación de los antecedentes existentes en Argentina y el estado actual del tema en dicho país, lo que es el primer paso para todo investigador que quiera elaborar un modelo de predicción de crisis financiera en empresas latinoamericanas.

El artículo se organiza en cuatro secciones. La próxima sección presenta la etapa descriptiva mencionando los muy escasos trabajos que existen. La tercera sección introduce la etapa predictiva y se enfoca en detallar los trabajos clásicos que fueron llevados a cabo en economías desarrolladas. La cuarta sección hace un resumen de los principales trabajos en economías emergentes, mientras que una subsección presenta los antecedentes publicados y sin publicar de los estudios de Argentina. El artículo finaliza con una conclusión y un sumario de lo aquí presentado.

1. Etapa descriptiva

La predicción de quiebras se considera un efecto de la crisis de 1929/30 en Estados Unidos. Los primeros estudios usaron ratios para el análisis financiero con la finalidad de investigar la tendencia de estos a fin de detectar el comportamiento financiero de las empresas. El análisis fue de tipo univariado, tomando cada ratio y analizándolo en grupos de empresas clasificadas en firmas con dificultades financieras y sin problemas de este tipo o sanas. Los principales exponentes de esta fase fueron Fitzpatrick (1932), Winakor y Smith (1935) y Merwim (1942) (cuadro 1).

CONT58P139.JPG
 

Los tres trabajos tienen grandes similitudes entre ellos, lo que permite describirlos como si fueran distintas partes del mismo estudio. Fitzpatrick (1932) seleccionó 19 empresas en quiebra y 19 empresas sanas durante los años 1920-1929, utilizando trece ratios con el objetivo de analizar las tendencias de estos en ese lapso de tiempo, así concluye que los ratios fueron significativamente diferentes en ambos grupos, ya que en las empresas fracasadas evolucionaron desfavorablemente con respecto a los ratios de las empresas sanas que eran más estables o con tendencia favorable. Winakor y Smith (1935)seleccionaron una muestra de 183 empresas con dificultades financieras, en un periodo de hasta diez años anteriores al año de la quiebra (1931), y se trabajó con veintiún ratios. Se concluye que el ratio de liquidez (capital circulante/activo total) es uno de las más exactos y fiables indicadores de quiebra.

Por último, Merwim (1942) concluye que entre tres y cinco años antes de la crisis, los ratios de liquidez (capital circulante neto/activo total) y endeudamiento (capital circulante/activo total) fueron los más sensibles a la hora de predecir la quiebra o la interrupción de sus operaciones. Entre las críticas a estos trabajos puede mencionarse el hecho de que los estados contables financieros presentaban distintas normalizaciones, ya que no se contaba con normas contables generales. Tampoco se tuvo en cuenta, en esas investigaciones, el tamaño de las empresas seleccionadas, que puede ocasionar resultados no comparables. Por último, desde el punto de vista del análisis metodológico, el desarrollo de computadoras y software no era tal para el procesamiento de los datos y debió hacerse manualmente, por lo cual era impensado el análisis de más de una variable.

2. Etapa predictiva: modelos para economías desarrolladas

La investigación académica en contabilidad cambió de paradigma en la década de 1960, y el estudio de predicción de crisis financieras también evolucionó. La etapa predictiva se caracteriza por describir los ratios financieros para explicar la crisis de las empresas y su capacidad predictiva, en función de la significatividad de estos. Esta fase se inició en la década del sesenta con los trabajos de Beaver (1966, 1968), quien a través del análisis univariado de datos intentó determinar si la solvencia y la liquidez de las empresas eran capaces de predecir la falencia, lo que fue realizado a través de la explicación de la variable dependiente dicotómica (quiebra y no quiebra) con la utilización por separado de cada una de las variables independientes.

Altman (1968) es considerado el padre de estos modelos, desde allí no solo ha desarrollado los modelos Z-score, sino que los ha aplicado en diferentes países del mundo; ha adaptado su modelo a países emergentes creando un sistema de scoring, Emerging Market Scoring (EMS), para las empresas que componen los mercados en dichos países (Altman, Hartzell y Peck, 1995), lo que lo ha llevado a difundir sus trabajos más allá del ámbito académico y lograr un desarrollo profesional al cubrir las demandas de entidades financieras y consultoras de riesgo. Las investigaciones realizadas en los diferentes países del mundo, aplicando la metodología que Altman desarrolló en un primer momento, ha sufrido modificaciones en función de cada uno de esos países, sus economías y el desarrollo de metodologías estadísticas, entre otros (Altman, 1988).

A partir de los modelos de predicción de crisis empresarial desarrollados por Beaver (1966 y 1968) y Altman (1968) en empresas de Estados Unidos, comienza el interés por clasificar empresas en sus diferentes estados (de crisis o sanas), para lo que se necesita aplicar una metodología estadística que en función de la información disponible pueda lograr el objetivo de clasificación. La metodología seguida en esos trabajos se basa en un diseño apareado de muestras no aleatorias y la aplicación de métodos de discriminación lineal y cuadrático. Las variables seleccionadas, según la literatura en otros estudios similares, son las que potencialmente serían significativas para predecir el estado de insolvencia; para ello se observaron las significancias estadísticas de varias funciones alternativas, la correlación entre las variables, y el juicio del analista, quedando en definitiva las variables independientes definidas. Los trabajos que se mencionan son algunos de los más importantes en esta temática, ampliamente desarrollados en la literatura siguiendo las diferentes metodologías utilizadas.

Altman (1968) obtuvo muy buenos resultados, ya que en la muestra inicial, el modelo clasificó correctamente el 95% del total de la muestra. El error tipo I (clasificar como sana una empresa que está con dificultades) fue del 6% y el error tipo II (clasificar como enferma una empresa sana) del 3%. Dos periodos previos a la quiebra, el 72% fue correctamente clasificada y los errores aumentaron significativamente, 28% y 6% respectivamente. A medida que se validaba el modelo retrotrayéndose en el tiempo, tomando periodos previos a la quiebra, era menor el porcentaje de clasificación correcta y por ende, los porcentajes de error aumentaban.

Altman, Haldeman y Narayanan (1977) llevan a cabo una investigación con la finalidad de mejorar el modelo de Altman (1968). Por un lado, se estaban produciendo cada vez más fracasos en empresas grandes, y por otro se debían considerar periodos de tiempo más recientes, lo que motivó a que el modelo fuese aplicado nuevamente en otros periodos, considerando las nuevas normas contables, con empresas de distintos sectores, y por último revisar la metodología del análisis discriminante que se venía utilizando. Se desarrolla un nuevo modelo (Zeta) que realiza buenas estimaciones hasta cinco años previos a la falencia, clasificando correctamente un 89% y 96% para empresas sanas y en crisis, respectivamente, un año antes de la manifestación de la crisis. También se mejoró el porcentaje de exactitud predictiva, siendo un 82% para las empresas sanas y un 70% para las empresas fracasadas, cinco años previos.

En la década del ochenta aparecen los primeros cuestionamientos al diseño no aleatorio (Olshon, 1980; Zmijewski, 1984), acompañado de la modelación con regresión logística o modelo probit (Olshon, 1980; Begley, et ál. 1986; Jones, 1987; Maddala 1991). Una extensión de estos modelos son los de variable respuesta cualitativa multinomial u ordinal (Leclere, 1999). Ohlson (1980) realiza un modelo de predicción de quiebra con empresas del periodo 1970-1976, con una muestra de 105 firmas en crisis y 2.058 firmas sanas. Para la recolección de los datos se definió a la empresa en crisis, se seleccionaron empresas que cotizan en el mercado de valores, pertenecientes al sector industrial, se dejaron de lado las empresas de transporte, financieras y de seguros porque su estructura financiera es diferente. Se tomaron los estados contables tres años antes a la fecha de quiebra. Entre los resultados obtenidos, del modelo logit aplicado, la tasa de clasificación correcta es similar a la alcanzada en otros trabajos: el 86%. Se concluye, también, que el poder predictivo de cualquier modelo depende de la información contable.

El segundo estudio mencionado, Zmijewski (1984), enfatiza cómo debe seleccionarse la muestra, la cual debe hacerse respetando el porcentaje de proporcionalidad que tienen las empresas en crisis en la población, y en lo posible seleccionar empresas que posean datos completos. En este trabajo se define crisis financiera cuando una empresa ha pedido su quiebra. Se agruparon empresas quebradas con no quebradas por año; fueron un total de 1.681, de las cuales 81 eran quebradas, la mitad constituyó la muestra de estimación y la otra mitad la de validación. En este tipo de muestreo se aplicó el análisis discriminante a la muestra de estimación, se usaron ratios financieros, el índice de rentabilidad, endeudamiento y liquidez que miden la performance, el apalancamiento (leverage) y la liquidez. Estos ratios no se seleccionaron con base teórica pero sí con base a estudios previos.

Grice y Dugan (2001) evaluaron los modelos de Zmijewski (1984) y Ohlson (1980) y las conclusiones indican que hay diferencias en los distintos periodos de tiempo, en los tipos de industrias y en la predicción de crisis en algunos casos. Aunque las variables usadas en los modelos constituyeron el mejor conjunto discriminatorio en la muestra de estimación, esas variables puede no ser predictores fiables en otros periodos. La importancia relativa de estas variables puede cambiar a través del tiempo y consecuentemente los coeficientes no ser estables aun cuando fueron predictores exactos. Grice y Dugan (2001) sugieren tener precaución en usar estos modelos ya desarrollados para otros momentos del tiempo, o firmas de otros sectores o según el nivel de crisis, ya que cada una de estas características puede hacer perder la exactitud en la clasificación. Por ello, es importante modelar para cada situación.

Por otro lado se consideran relevantes las aplicaciones realizadas en otras economías desarrolladas, ya sea aplicando los modelos de Altman (1984) o bien con algunas modificaciones, como lo hace Taffler (1984). Altman (1984) realiza una descripción de los modelos financieros de riesgo de fracaso más aplicados a nivel internacional en países fuera de Estados Unidos. En esos países se utiliza el modelo Z-score y se los compara con las empresas estadounidenses. Los cambios que se dan en los informes financieros, hacen que se utilice el modelo de análisis Zeta (Altman, et ál., 1977) que contempla ajustes referidos a estos cambios observados. Entre los países que forman parte de este estudio se encuentran Japón (Takahashi, 1979 y Ko, 1982); Alemania (Weibel (1973), Von Stein (1968), Weinrich (1978) y Gebhardt (1980); Australia (Castagna y Matolcsy, 1981), Gran Bretaña (Taffler 1977, 1980, 1981 y 1982), Canadá (Knight, 1979 y Altman y Lavallee, 1981). La comparación de estos estudios ha llevado a analizar similitudes entre los ratios en firmas fallidas y no fallidas. Las condiciones de cada país provocan mayores o menores diferencias entre los distintos grupos de empresas. La principal dificultad que se presenta en los diferentes países se refiere a la disponibilidad de datos para realizar estos estudios y poder compararlos.

Taffler (1984)realiza una revisión crítica de los modelos Z-Score de Altman que se habían aplicado en los últimos años en Reino Unido, ya que el comportamiento de las empresas en este país era muy parecido al de las empresas estadounidenses. Se planteó otros objetivos tales como la aplicación de estos modelos a empresas de diferentes sectores y explorar la utilidad del punto de corte en la función discriminante. Para Taffler, al igual que Altman, su modelo se enfocaba en la exactitud clasificatoria y no en la capacidad predictiva, poniendo relevancia más en los problemas conceptuales y estadísticos del modelo que en la importancia de la predicción. Los resultados indican que los factores de rentabilidad y endeudamiento fueron los que más peso clasificatorio tuvieron.

En la década del noventa Maddala (1991) investiga y profundiza sobre las metodologías empleadas en los modelos de predicción de crisis cuando la variable dependiente es cualitativa. El análisis discriminante múltiple se compara con el modelo logit y el probit, entre otros.

Mossman, Bell, Swartz y Turtle (1998) comentan y comparan cuatro modelos en base a una muestra de empresas fallidas entre 1980 y 1991 en Estados Unidos, concluyendo que no existe un modelo de quiebra que capture adecuadamente los datos. Se concluye que la capacidad de los ratios y los modelos desarrollados con ellos para identificar problemas financieros son los adecuados.

Otras investigaciones que se realizaron son Charitou, Neophytou y Charalambous (2004), ambos en Reino Unido; Nam, Park, Kim y Lee (2008), en Corea, y Li y Liu (2009), en China. Charitou, Neophytou y Charalambous (2004) plantean que la evidencia muestra que el valor de mercado de las empresas en crisis declina sustancialmente, previo al año en el que se manifiesta la crisis financiera, por lo que motiva el interés de investigar sobre los modelos de predicción. Por otro lado, plantean que no es conveniente aplicar modelos que han tenido buenos resultados en Estados Unidos, ya que en el Reino Unido se dan otras características en las empresas y en las normas contables aplicadas. En su revisión bibliográfica, los autores analizan un número importante de trabajos, en donde se evidencia que en las décadas del setenta y ochenta se utilizaron metodologías como el análisis discriminante, la regresión logística y la regresión logística multinomial, y hacia fines de la década del noventa se aplican las redes neuronales. En esta oportunidad se complementan la regresión logística con las redes neuronales.

La mayoría de los estudios analizados no han sido contextualizados en alguna teoría subyacente, solo pocos investigadores han estado conducidos en la línea del paradigma positivista. La base de datos en esta investigación está conformada por empresas industriales con cotización pública, apareadas, en el periodo 1988 y 1997, tres años antes, como mínimo, del año de la insolvencia. Se define como insolvente a aquella empresa que no tiene suficiente activos para cubrir sus deudas o bien no posee capacidad para pagarlas. En cuanto a la metodología se utilizan métodos de selección de variables para evitar problemas de multicolinealidad con la inclusión de un número de variables altamente correlacionadas.

De los trabajos sobre empresas en el este de Asia se destacan Nam et ál. (2008) y Li y Liu (2009). Nam, Kim, Park y Lee (2008)aplican modelos Hazard, de duración o sobrevida en empresas que cotizan en la Bolsa de Corea y se comparan con modelos logit. Los modelos con énfasis en el tiempo consideran no solo ratios que varían en el tiempo sino también variables macroeconómicas. Li y Liu (2009) realizan estudios en las empresas de China sobre la base de los modelos de Altman (1968). Se aplica regresión logística y se pretende describir qué factores son determinantes de la crisis financiera. Entre los indicadores que resultaron significativos, se encuentra el ratio de rendimiento de los activos, la liquidez, el leverage, la antigüedad de la empresa como una medida de su edad, el tamaño como el logaritmo natural del activo, un ratio que mide los costos de agencia (ventas sobre activo total) y una variable que mide el porcentaje de acciones en propiedad del Estado.

Como crítica a estos modelos puede mencionarse que, la selección de la muestra es no aleatoria debido a que se arman pares con las empresas en crisis y sanas utilizando un criterio que las haga parecidas (sector y tamaño) y este apareamiento produce una falta de independencia de los datos, por lo que la aplicación del análisis discriminante no sería adecuado.

Es importante, también, mencionar las aplicaciones realizadas en empresas de Australia por Jones y Hensher (2004 y 2007), donde se comienza a trabajar con datos a través del tiempo y se demuestra que el modelo logístico mixto, que tiene en cuenta la heterogeneidad no observada es uno de los modelos econométricos de elección discreta más avanzados que ha sido aplicado (Train, 2003). Jones y Hensher (2004) luego de analizar la literatura sobre la predicción de crisis financiera en las últimas tres décadas, concluyen que esta ha sido confinada al análisis discriminante múltiple, la logística binaria o el análisis probit, o modelos logit multinomiales. Ha habido una ausencia de innovación de modelos, mientras que en otras ramas de las ciencias sociales sí ha habido un desarrollo importante de metodología. El pronóstico de la crisis es utilizado para muchos propósitos, realizar un monitoreo de solvencia, para instituciones reguladoras, valoración de préstamos, evaluación de auditores, la medición del riesgo del portafolio y otras. Los modelos de respuesta discreta relajan el cumplimiento de supuestos cuestionables asociados con la condición de independencia, de igual distribución y la homogeneidad observada y no observada. En contraste al logit estándar, el modelo logit mixto cumple este propósito y provee un marco superior para la explicación y la predicción. El diseño del logit mixto es una de las últimas y más avanzadas técnicas que se están usando en muchos campos de las ciencias sociales para modelos de respuesta discreta.

Jones y Hensher (2004) revolucionan la literatura al presentar un nuevo modelo que mejora la calidad de la predicción. En su trabajo la escala de la variable respuesta está ordenada en tres niveles (0: no fallidas; 1: insolventes, y 2: quebradas o en proceso judicial). Se seleccionaron dos muestras (estimación y validación). La muestra de estimación está basada en datos de crisis financiera recolectados entre 1996 y 2000. Se recolecta una muestra de firmas fallidas (estado 2) y una muestra de firmas con problema de solvencia (estado 1). Se observan las firmas que tienen dificultades en diferentes momentos del tiempo. Se intentó recolectar cinco informes contables anuales de todas las firmas en los tres estados. La muestra de validación está recolectada para el periodo 2001-2003 usando las mismas definiciones y procedimientos que se utilizaron para la muestra de estimación (4.980 empresas sanas, 119 en estado 1 y 110 en estado 2). Las variables explicatorias son variables financieras que se han usado en diferentes investigaciones en las últimas tres décadas. Estas medidas financieras incluyen ratios basados en la posición de efectivo, el flujo de fondos operativos, capital de trabajo, estructura de rentabilidad, volumen de negocios, estructura financiera y capacidad para pagar los servicios de la deuda. Se han considerado empresas de cuatro sectores (vieja economía, nueva economía, recursos y servicios financieros). Los resultados de este estudio confirman la superioridad del logit mixto sobre el logit estándar, resaltando la importancia y la necesidad de aplicar en este tipo de investigaciones, los modelos no lineales para datos longitudinales.

Jones y Hensher (2007), luego de obtener conclusiones válidas importantes con la aplicación del modelo mixto, presentan esta investigación aplicando el modelo logit anidado multinomial, como una variante del modelo logit, aplicado a contabilidad y finanzas, y realizan una comparación con el logit estándar y el logit mixto. Una de las características más importantes de este modelo es que es más flexible en cuanto a los supuestos de idéntica distribución y de independencia entre las alternativas (fallidas y no fallidas). Entre los resultados obtenidos, debido al incumplimiento de los supuestos, el modelo anidado es conveniente y presenta un mejor performance que el estándar, aunque sigue siendo preferible el mixto debido a que incorpora además la heterogeneidad no observada.

Siguiendo con la línea de incorporar la dimensión temporal, Beaver, McNichols y Rhie (2005) y Beaver, Correia y McNichols (2009) utilizan modelos de duración o Hazard. Beaver, McNichols y Rhie (2005), siguiendo como antecedente a Shumway (2001) calcula el ratio Hazard, que es la probabilidad de quiebra en el tiempo t condicional a que haya sobrevivido hasta el tiempo t. El valor de la variable respuesta es 0 para firmas sanas, mientras que las firmas insolventes son codificadas con 0 en todos los años de la muestra, excepto en el año en que se manifiestan insolventes o quiebran. Shumway (2001) argumenta que trabajar con periodos previos incrementa la eficiencia y reduce el sesgo de los coeficientes estimados. El ratio Hazard es definido como el odd ratio de la verosimilitud a favor de la quiebra con un ratio de base constante. En el modelo Hazard no se capta la variabilidad de los ratios, en cambio en el logístico mixto, sí.

Otra novedad incorporada en este estudio es el hecho de justificar la inclusión de variables de mercado como variables independientes (Hillegeist, et ál., 2004; Chava y Jarrow, 2005, y Shumway, 2001), ya que los precios de mercado reflejan un rico mix de información que incluye a los datos financieros como un subconjunto, que tiene como ventaja la disponibilidad diaria de esta información, mientras que los ratios se conocen cuando se publica el balance, tres meses después del cierre de ejercicio que es aproximadamente la fecha de publicación y como desventaja a tener en cuenta, los datos financieros no son eficientes, ya que no reflejan públicamente toda la información disponible. Las variables utilizadas son: el logaritmo de la capitalización bursátil (tamaño de la firma), retornos residuales y la desviación estándar de dichos retornos.

Estas variables de mercado difieren de los ratios contables, en el hecho de que las primeras son endógenas y son una función, entre otras cosas, de esos ratios, en cambio las variables contables no pueden ser sustituidas por otra información contable. Ambos tipos de variables pueden ser utilizadas para la predicción de crisis, de hecho en este artículo se probó un modelo solo con variables de mercado y se obtuvieron a través del tiempo resultados similares. Ambos modelos, desarrollados con ratios por un lado y variables de mercado por otro, no son comparables. Entonces se realizó un modelo con ambos tipos de variables, y en el modelo combinado la declinación de la capacidad predictiva sigue siendo más pequeña.

Beaver, Correia y McNichols (2009) comparan modelos de corte transversal, como el análisis discriminante múltiple, la regresión logística y otros que fueron el eje principal en esta temática en las décadas del sesenta hasta la del noventa inclusive, con modelos de duración o sobrevida que tienen en cuenta el tiempo. Se incorporan cuatro variables: una Proxy del ejercicio de la gerencia, ya que existe cierta discrecionalidad en el accionar de los gerentes; la importancia de los activos intangibles, como medida de la intensidad de investigación y desarrollo que poseen las empresas; la comprensión del reporte financiero y el reporte de pérdidas obtenidas. El modelo que tiene en cuenta el tiempo revela una declinación de la habilidad predictiva de los ratios contables, a favor de los atributos del informe financiero (nuevas variables).

Debido a la numerosa bibliografía existente, Tascón Fernández y Castaño Gutiérrez (2009) realizan una revisión de la literatura en España donde aparecieron los primeros trabajos sobre fracaso empresarial a mediados de los años ochenta con un trabajo inicial de Laffarga et ál. (1985a), según lo mencionado por Tascón Fernández y Castaño Gutiérrez (2009) que estudia mediante Anova y análisis discriminante los problemas del sector bancario. En 1987 los mismos autores incorporaron la metodología de regresión logística, destacando que esta técnica ha sido muy utilizada para el estudio del fracaso empresarial. El análisis probit lo utilizan Martínez et ál. (1989) aplicado también a datos del sector bancario. Gabás (1990) realiza un estudio sobre entidades financieras y pymes aplicando análisis univariante y multivariante (discriminante y logit). Serrano y Martín (1993) incorporan la metodología de redes neuronales. Mora Enguídanos (1995) realiza una revisión bastante exhaustiva de la literatura en esta temática.

Como conclusión se observa que la evolución de las metodologías muestra una tendencia hacia la reducción en las restricciones de los modelos y hacia la mejora en las formas de medir la significatividad de las variables. Algunos trabajos se centran en grupos de empresas específicos, con algún tipo de característica homogénea. Por ejemplo, hay estudios para pymes o solo para empresas medianas, o para zonas geográficas menores. A continuación, el cuadro 2 sintetiza las principales características de cada una de estas investigaciones en orden cronológico.

CONT58P150.JPG
CONT58P150.JPG
 

CONT58P151.JPG
CONT58P151.JPG
 

CONT58P152.JPG
CONT58P152.JPG
 

CONT58P153.JPG
CONT58P153.JPG
 

CONT58P154.JPG
CONT58P154.JPG
 

CONT58P155.JPG
CONT58P155.JPG
 

CONT58P156.JPG
CONT58P156.JPG
 

CONT58P157.JPG
CONT58P157.JPG
 

CONT58P158.JPG
CONT58P158.JPG
 

3. Etapa predictiva: modelos para economías emergentes

El interés por abordar esta temática se extiende a países emergentes. En un primer lugar se aplican los modelos de Altman (1968) a economías emergentes sin adaptación alguna, siendo que se trata de ambientes económicos y legales con comportamientos empresariales diferentes. Por tal motivo, Altman (2005) desarrolla el modelo Emerging Market Scoring (EMS) como una herramienta que permite determinar un rating para empresas en economías emergentes a partir de una serie de ajustes a los modelos aplicados en Estados Unidos. De esta forma el inversor puede evaluar el valor relativo de los créditos en estas economías. En una primera instancia, el modelo Z-score (Altman et ál., 1995b) se aplicó a empresas mexicanas, y luego se practicaron ajustes según: la vulnerabilidad de la empresa a devaluaciones corrientes, al sector al que pertenece y a su posición competitiva en la industria.

Además de los modelos de Altman, también se han aplicado otras metodologías para la predicción del riesgo financiero en estos países. Considerando las principales investigaciones, Altman, Baida y Rivero Díaz (1979) trabajan con empresas de Brasil, Pascale (1988) en Uruguay, Altman, Hartzeel y Peck (1995) en México, lo que lleva a Altman (2005) a desarrollar su modelo de scoring para empresas de economías emergentes y Mongrut Montalván, Alberti Delgado, Fuenzalida O’Shee y Akamine Yamashiro (2011), en Perú. Merecen también su análisis los modelos aplicados en Malasia (Abdullah, Halim, Ahmad y Rus, 2008), en Indonesia (Pranowo, Achsani, Manurung y Nuryartono, 2010) y Serbia (Pavlovic, Muminovic y Cvijanovic, 2011).

Altman, Baida y Rivero Díaz (1979) aplicaron el modelo Z-score de Altman (1968) a las empresas brasileras que venían de una dura experiencia financiera en esa década. Se examinaron dos grupos de empresas: con serios problemas financieros y sin ellos (23 empresas en crisis y 35 sanas), en el periodo 1975-1977, tomando los balances de uno a tres años anteriores. Se formaron pares con uno o dos empresas de control con similares actividades y niveles de activos, aunque en el conjunto se incluyeron empresas de sectores productivos muy heterogéneos.

En este trabajo se observa la dificultad que presentan los gastos financieros que al poseer tanta variabilidad deberían ajustarse para estos entornos inflacionarios y de esta forma obtener más poder discriminatorio en el modelo. Las implicaciones de este estudio fueron importantes, en primer lugar porque se trata de un país en desarrollo y luego por la posibilidad de identificar problemas potenciales que en muchos casos con una acción preventiva o rehabilitadora solucione dicha situación.

Pascale (1988) con el asesoramiento de Altman, desarrolló un modelo multivariado con el fin de predecir las quiebras en la industria manufacturera de Uruguay, considerando en la muestra a empresas pequeñas, medianas y grandes. La estructuración de su base de datos intentó ser rigurosa, pretendiendo poner un especial énfasis en el control de la calidad de los datos; entre ellos, la correcta valuación de los activos y pasivos en moneda extranjera y la valuación de los activos fijos. La muestra estaba formada por 44 empresas manufactureras con serios problemas financieros y 44 sin problemas, todas las firmas con más de 50 trabajadores, en el periodo 1978 a 1982.

Se consideraron las variables independientes que habían demostrado gran poder discriminatorio, como son los ratios de ventas netas sobre pasivo total, beneficio neto sobre activo total y pasivo circulante sobre pasivo total, entre otros, tres años previos al evento de crisis. A partir de esto, la función discriminante que obtuvo indicó tres variables, una de ellas midió el nivel de actividad, otra la tasa neta de rotación de los activos; y la tercera se asoció con la estructura de endeudamiento. Los resultados indicaron que el 91,8% de las empresas fue clasificado correctamente para los dos grupos y el error tipo I fue del 2,3%.

Altman, Hartzeel y Peck (1995) adaptaron el modelo de Altman (1968) en función de los resultados obtenidos en Altman, Baida y Rivero Díaz (1979) para economías emergentes, incluyendo mayor cantidad de ratios y de variables, con el fin de poder replicar el riesgo industrial y político presente en estos países. En una primera instancia, el modelo Z-score se aplicó a empresas mexicanas, en el año 1994 y luego se practicaron ajustes según: la vulnerabilidad de la empresa a devaluaciones corrientes, al sector al que pertenece y a su posición competitiva en la industria. Se obtiene luego un rating modificado que se compara con el obtenido en empresas de Estados Unidos o bien con el obtenido por agencias de rating, constituyendo un “techo”, ya que el valor obtenido representa las características propias de su país. A través de este estudio, Altman fija un segundo objetivo en esta temática, determinar un rating en las empresas, a fin de que los inversores, los bancos y otros interesados tomen sus decisiones de inversión o de crédito.

A raíz de esto, Altman (2005) publica su modelo Emerging Market Scoring (EMS) como una herramienta que permite determinar un rating para empresas en economías emergentes a partir de una serie de ajustes a los modelos aplicados en Estados Unidos. De esta forma el inversor puede evaluar el valor relativo de los créditos en estas economías. Si bien este modelo no está pensado para predecir la crisis, lo hace de modo indirecto debido a que con el rating establecido se puede concluir con respecto al estado en el que se encuentra cada empresa. Con la intención de construir modelos locales para empresas, se realiza en primer lugar una revisión financiera derivada de un modelo de riesgo cuantitativo y luego una evaluación de riesgo de crédito específico para arribar a un “rating modificado” que luego deberá usar el inversor en función de cada mercado.

Mongrut Montalván, Alberti Delgado, Fuenzalida O’Shee y Akamine Yamashiro (2011) identifican factores determinantes de la insolvencia de empresas peruanas. Se aplicó un modelo logístico sobre 62 empresas en el periodo 1995-2007, 32 solventes y 30 insolventes. Los factores determinantes fueron variables macroeconómicas como el crecimiento del producto bruto interno (PBI) de la industria, el crecimiento anual de la inflación, tasa activa de moneda nacional y el episodio de crisis financieras nacionales o internacionales que puedan haber afectado el comportamiento de las empresas peruanas. También fueron significativos los ratios que se refieren al retorno sobre activos y el índice de solvencia. Si bien queda claro que el conjunto de factores que incide sobre la probabilidad de insolvencia depende de cada país y de cada industria, lo que lleva a definir modelos diferentes, existe un contexto internacional que es común y las empresas deberían considerar las variables más relevantes de ese contexto en su planificación financiera habitual.

Fuera de Latinoamérica se encuentran los trabajos de Abdullah, Halim, Ahmad y Rus (2008), Pranowo, Achsani, Manurung y Nuryartono (2010) y Pavlovic, Muminovic y Cvijanovic (2011).

Abdullah et ál. (2008) en Malasiaaplica diferentes modelos para predecir la crisis en 52 empresas apareadas (26 en crisis y 26 sanas) y 20 empresas para validar el modelo (10 de cada grupo). Se aplican modelos de análisis discriminante múltiple, regresión logística y Hazard. Este último produjo un 94,9% de clasificación correcta, mejor que lo obtenido con las otras metodologías, siendo el ratio de endeudamiento el más significativo.

Pranowo, et ál. (2010) realiza un estudio descriptivo que evalúa a las empresas de Indonesia en el periodo 2004-2008, a fin de determinar cuánto han influido la crisis del 2005 (precio del petróleo) y la crisis del 2007 (primas de hipotecas en Estados Unidos), aunque no se aplica modelo alguno.

Pavlovic, et ál. (2011) aplica el modelo de Sandin y Porporato (2007) construido con empresas argentinas en la década del noventa, el cual no es adecuado para las empresas serbias porque la estabilidad no es la misma, tampoco el ambiente macroeconómico, y la legislación en ambos países es diferente.

El cuadro 3 sintetiza las principales investigaciones realizadas en economías emergentes.

CONT58P163.JPG
CONT58P163.JPG
 

CONT58P164.JPG
CONT58P164.JPG
 

CONT58P165.JPG
CONT58P165.JPG
 

3.1. Principales investigaciones en Argentina

Si bien Argentina es un país emergente, en este estudio se lo considera en un apartado diferente con el propósito de mostrar a los jóvenes investigadores el carácter vertical que también debe tener una revisión de la literatura. Cuando la revisión de la literatura se enfoca en un tema muy particular en la que existen escasos trabajos publicados en revistas académicas con referato, es tarea del investigador ir más allá de lo publicado y buscar qué se ha discutido en conferencias y reuniones científicas, ya que estos también son antecedentes válidos.

Siguiendo con las investigaciones en economías emergentes, se mencionan los principales trabajos aplicados en Argentina (cuadro 4). Comenzando con el primer trabajo de Swanson y Tybout (1988), quien aplicó los modelos de Altman, siguiendo por Díaz, Ferrero, Díaz, Stimolo y Caro (2001a), Díaz, Stimolo, Díaz y Caro (2001b), Caro (2004) y Sandin y Porporato (2007). Una segunda etapa en Argentina ha desarrollado los modelos para datos longitudinales agregando la historia de cada empresa a través de los estados contables de varios periodos de tiempo (Díaz, Caro, García y Stanecka, 2010; García, Díaz y Caro, 2011; Caro, Stanecka y Díaz, 2012; Caro, Díaz y García, 2012), pero estos trabajos aún no han sido publicados en revistas académicas internacionales por lo que se estima puede ser el futuro giro que tome este tema en Argentina. Se ha publicado una breve clasificación metodológica (Caro, et ál., 2013) de los trabajos realizados en Argentina.

Swanson y Tybout (1988) estudiaron la asociación entre el incremento de empresas en quiebra, el incremento en el tipo de interés real, así como el establecimiento de los stocks de créditos como condiciones macroeconómicas que afectan la supervivencia de las empresas. Debido a que algunas actividades tenían mayor protección estatal que otras y dado que en 1976 se implementó un programa de desregulación y estabilidad financiera, así como de liberalización económica, se intentó captar el efecto de este programa sobre las empresas industriales de diferentes sectores económicos.

Hasta el momento no había demasiados trabajos realizados en Latinoamérica y la disponibilidad de datos era el problema más serio. La variable dependiente fue considerar una empresa fracasada si estaba en quiebra, o en concurso preventivo o bien con suspensión en la cotización de sus acciones en el mercado de valores. Las variables independientes fueron tres factores macroeconómicos y dieciséis ratios. La metodología utilizada fue el análisis discriminante y el modelo probit. Concluyeron que las fluctuaciones en los costos financieros afectan negativamente las fluctuaciones de los resultados reales, y el riesgo de quiebra. Consideran que las variables macroeconómicas son significativas dentro del proceso de quiebra y que la falta de liquidez y solvencia puede empeorar la situación en este tipo de países.

Díaz M. Ferrero, Díaz C., Stimolo y Caro (2001) aplicaron métodos de clasificación paramétricos y semiparamétricos con la intención de clasificar empresas según su estado financiero. La muestra utilizada fue de 50 empresas, 25 en cada uno de los estados, en crisis (si cotizan en rueda reducida por dificultades financieras) y sanas, en el periodo 1993-2000. Entre los métodos aplicados se encuentra el análisis discriminante lineal, el cuadrático y el regularizado. Las variables que se utilizaron fueron ratios financieros que se calculan con la información de los estados contables.

Caro (2004) aplica métodos de clasificación no paramétricos con la finalidad de clasificar empresas con dificultades financieras y empresas sanas. Hasta ese momento solo se habían clasificado empresas utilizando métodos paramétricos y semiparamétricos según lo expresado en Díaz, et ál. (2001). Debido al no cumplimiento de los supuestos, la aplicación de métodos no paramétricos permite relajar los mismos y cumplir con el objetivo de clasificación. La muestra estaba formada por las mismas empresas que Díaz, et ál. (2001) y los métodos aplicados fueron las funciones Kernel, el vecino más cercano y el árbol de clasificación. Procesadas las empresas con cada uno de estos métodos, se obtuvieron las siguientes tasas de clasificación errónea con el método del árbol de clasificación: 22%; el Kernel: 16%, y el método del vecino más cercano: 10%. Se concluye que para periodos de tiempo futuros es conveniente definir nuevas variables para aplicar estos métodos.

Sandin y Porporato (2007) desarrollan un modelo de predicción de quiebras en un periodo de estabilidad, en Argentina, en los noventa. En este periodo, la Argentina sufre un cambio importante con disminución de la tasa de inflación, liberalización de la economía, privatizaciones, que aunque fueron cuestionadas, hicieron su aporte y una economía en crecimiento que era atractiva para los inversionistas, quienes querían, a pesar de ello, analizar la posibilidad de realizar negocios ante el posible riesgo de obtener pérdidas.

Se utilizó el método de análisis discriminante para clasificar a las empresas en sanas o insolventes. Las empresas sanas que se seleccionaron son aquellas que han sobrevivido a la última crisis económica del 2006. En este trabajo se utiliza el análisis discriminante como método tradicional para predecir las crisis (a pesar de las limitaciones de no normalidad de las variables, muestras pequeñas, diversidad de las empresas y distintos aspectos de comportamiento) y se aplican diferentes modelos desarrollados por Altman.

Si bien resulta mejor el modelo Z-score, no obstante se va a construir un modelo específico para las empresas argentinas en los noventa. Se seleccionaron 11 empresas en crisis y otras 11 empresas sanas, parecidas en tipo de actividad (industrias) y sus activos, cuatro años antes del año considerado base, que es aquel en el que las empresas manifiestan su crisis financiera. Se seleccionaron trece ratios, clasificados en rentabilidad, liquidez y solvencia, y con métodos de selección de variables quedan en la función discriminante solo dos ratios como significativos: uno de rentabilidad y otro de solvencia, lo cual indicó que el factor más importante en la crisis de las empresas fue el deterioro en los márgenes de ganancias con altos niveles de leverage.

La función discriminante con buen poder predictivo es obtenida entre dos y tres años antes de la quiebra. Se concluye, por un lado, que el método presentado puede ser utilizado por inversores y operadores de crédito y que por otro lado se trata de una aplicación de modelos de predicción de crisis en empresas de países emergentes, en periodos estables.

A partir de la década del 2010 se comienza a trabajar con datos de varios balances de una misma empresa, es decir datos longitudinales, Díaz, Caro, García y Stanecka (2010) aplican modelos mixtos a empresas que cotizan en el mercado Argentino, metodología que aún no se había aplicado en este escenario. Este ha sido el primer working paper de los autores aplicando modelos mixtos. La muestra estaba formada por 48 empresas sanas y 24 empresas en crisis en el periodo 1993-2000. La variable dependiente es el estado de las empresas (sanas y en crisis) y la variables independientes son las que ya han sido probadas como significativas en muchos trabajos anteriores, Altman (1968 y ss.), Jones y Hensher (2004). Se trata del índice de rentabilidad, flujo de fondos, nivel de ventas sobre activo total, endeudamiento, capital de trabajo y sector de la economía.

Efectuando un ordenamiento de los ratios según su capacidad discriminatoria, en primer lugar se posiciona el índice utilizado para captar endeudamiento, luego el nivel de ventas sobre activo total, en tercer lugar las empresas con mayor rentabilidad que tienen menor probabilidad de fracasar y por último los ratios de flujo de fondos y capital de trabajo. Se advierte un claro efecto protector del sector de servicios públicos, ya que su chance de fracaso es prácticamente nulo en relación con el sector de alimentos y gráficos (categoría de referencia). Por el contrario, la pertinencia a la rama metalúrgica e industria plástico-química evidencia un altísimo riesgo de fracaso respecto a la categoría de referencia.

García, Díaz y Caro (2011) aplican modelos mixtos a empresas que cotizan en el mercado argentino, captando la heterogeneidad a través de ratios contables como coeficientes aleatorios. Se trabajó con las mismas muestras de Díaz, et ál. (2010) en el periodo 1993-2000 y con las mismas variables. La inclusión de estos coeficientes aleatorios permitió identificar aquellos indicadores con mayor capacidad predictiva de la crisis financiera de la empresa. La varianza de los índices de rentabilidad y flujo de fondos operativos resultaron significativos en el modelo. En cuanto a los efectos fijos, la mayoría de los ratios son significativos, excepto el de Capital de Trabajo sobre Activo Total y Efectivo sobre Activo Total. Efectuando un ordenamiento de los ratios según su capacidad discriminatoria, en primer lugar se posiciona el índice que mide rentabilidad, el cual indica que por cada incremento unitario en dicho ratio, la probabilidad de entrar en estado de crisis disminuye en un 71%. En segundo lugar, el incremento del índice de flujo de fondos operativos disminuye esa probabilidad en aproximadamente un 21%. Siguen en importancia el índice de volumen de ventas y el de endeudamiento. Para este último, por cada unidad que aumenta el ratio, la probabilidad de ingresar a un estado de crisis se incrementa en un 3%.

Caro, Stanecka y Díaz (2012) siguiendo a Beaver, et ál. (2005), aplican un modelo de duración para predecir el cambio de estado en empresas. En el 2012 se aplicó este modelo que considera el tiempo, en empresas argentinas en el periodo 2003-2010. Los modelos de riesgo son pertinentes cuando el objetivo es modelar el riesgo de insolvencia como una función del tiempo y de variables predictoras, como son los ratios financieros. En tal sentido y con la intención de contribuir a un tema de gran interés en nuestro país, en este trabajo se aplica un modelo de regresión de Cox, que es un método estadístico semiparamétrico para modelar el riesgo de fracaso empresarial en empresas que cotizan en la Bolsa de Valores de Buenos Aires, utilizando la información contenida en los estados contables de las empresas y los ratios definidos y utilizados en Díaz, et ál. (2010). Los resultados obtenidos ponen de manifiesto que el tamaño de la empresa, el índice de rentabilidad, el ratio de flujo de fondos operativos y el índice de endeudamiento resultan estadísticamente significativos para explicar el riesgo de crisis empresarial.

Caro, Díaz y García (2012) continúan con la aplicación de modelos mixtos para cuantificar la incidencia de los ratios financieros en la crisis empresarial en Argentina. A diferencia de García, et ál. (2011), este modelo es aplicado en las empresas que cotizan en la Bolsa de Comercio de Buenos Aires, en el periodo 2003-2010. Se seleccionaron en la muestra todas las empresas en crisis del periodo y una muestra de empresas sanas. Como variables independientes se utilizaron los ratios financieros que surgen de hasta seis balances anteriores al año de inicio de las dificultades.

El modelo logístico mixto utilizado, incorpora dos coeficientes aleatorios para cuantificar el efecto de los ratios contables y de características específicas de la empresa en la crisis financiera. Los resultados muestran que los ratios que miden la rentabilidad y la posición de efectivo de la empresa resultaron adecuados para explicar la mayor proporción de la heterogeneidad inducida por la correlación que presentan los datos, al tiempo que permitieron identificar aquellos indicadores con mayor capacidad predictiva de la crisis financiera de la empresa como son el tamaño de la empresa y el volumen de ventas sobre el activo total.

En los diferentes trabajos, han sido los ratios de endeudamiento, flujo de fondos, rotación y rentabilidad los que con su poder predictivo anticipan situaciones de vulnerabilidad financiera.

Se observa un cambio importante en el método utilizado debido a que se están aplicando métodos de vanguardia de la literatura mundial a los datos argentinos. Por ello, el desarrollo a nivel mundial es importante, pero poco es lo publicado a nivel internacional sobre Argentina, por lo que es claro que existe un vacío en el conocimiento.

CONT58P172.JPG
CONT58P172.JPG
 

CONT58P173.JPG
CONT58P173.JPG
 

CONT58P174.JPG
CONT58P174.JPG
 

Conclusiones

Esta revisión de la literatura permite mostrar las características más importantes de los principales trabajos sobre la predicción de crisis, tanto en economías desarrolladas como en economías emergentes.

Las variables que han actuado como mejores predictores en economías desarrolladas son los índices de rentabilidad, endeudamiento y solvencia y en las economías emergentes además de los anteriores, la liquidez, los flujos de fondo operativos y capital de trabajo.

Respecto a la metodología aplicada a través de los años y en los distintos países puede mencionarse que se comenzó con métodos de corte transversal (análisis discriminante, árbol de clasificación) en donde el objetivo principal fue la clasificación de empresas, continuando con otros métodos que permitieron además la predicción (logit, probit) luego se desarrollaron métodos más sofisticados como las redes neuronales para culminar en la década del 2010 con métodos predictivos para datos longitudinales, que incorporan la dimensión temporal en el análisis, siendo estos últimos los que se vienen utilizando en esta área.

En Latinoamérica en este campo, las investigaciones han tenido poco peso, ya que de un total de 29 artículos empíricos descritos en este trabajo, ocho usaron datos de organizaciones latinoamericanas, pero de ellos tres fueron parte de la extensión de los estudios de Altman (uno en Brasil y los dos de México), dos publicados en español solamente (Díaz et ál. 2001; Mongrut Montalvan et ál., 2011) y otro no fue realizado por investigadores locales (Swanson & Tybout, 1988). Solo dos trabajos han sido ejecutados por investigadores latinoamericanos en empresas locales y publicados a nivel internacional.

Esta revisión de la literatura cubrió un área poco explorada en economías emergentes (particularmente en Latinoamérica), donde el énfasis es puesto en las investigaciones realizadas en Argentina, ya que se trata de una economía que no ha sido tan estudiada en esta área hasta finales de la década del 2000 y explicó los riesgos y limitaciones del uso de algunos modelos.

Al concluir esta revisión de la literatura nos preguntamos: ¿Qué de nuevo sabemos de los modelos de predicción de crisis financiera? Pareciera quedar en claro la gran oportunidad de investigación que existe para quienes emplean datos de organizaciones latinoamericanas.

Básicamente, sugerimos que existen múltiples oportunidades de investigación sin explotar en entornos no anglosajones que puede ser publicadas en Inglés, ya que el interés de los editores en publicar estudios empíricos hechos en economías emergentes está creciendo, pero solo los estudios en China están siendo extensivos, pues son trabajos empíricos que documentan claramente el modelo usado (Hopper et ál., 2008), lo que pareciera ser el mayor defecto en el que incurren los investigadores que emplean datos de organizaciones latinoamericanas.

Los estudios aplicados en economías emergentes tienen en común que si bien trabajan con pocas empresas, dado el tamaño de los mercados, el hecho de considerar varios periodos anuales aumenta considerablemente el tamaño de la muestra, salvando la limitación que poseen los estudios de corte transversal que toman un solo balance por empresa.

Por otro lado, en los estudios realizados, los ratios contables han manifestado mejor poder discriminatorio que otras variables macro o de mercado.

Con las normas internacionales de contabilidad que progresivamente se están implementando en todos los países se podrán hacer comparaciones entre ellos para encontrar elementos comunes.

Bibliografía

ABDULLAH, N.; HALIM, A.; AHMAD, H. y RUS, M. R. (2008) “Predicting Corporate Failure of Malaysia’s Listed Companies: Comparing Multiple Discriminant Analysis, Logistic Regression and the Hazard Model”, International Research Journal of Finance and Economics, Issue 5, pp. 202-217.

ALTMAN, E. (1968) “Financial ratios, discriminant analysis and the prediction of corporate bankruptcy”, Journal of Finance, 23(3), pp. 589-609.

— (1984) “The success of business failure prediction models. An international survey”, Journal of banking and finance, pp. 171-198.

— (1988) The prediction of Corporate Bankruptcy. New York, London: Garland Publishing, Inc.

— (1993) Corporate Financial Distress and Bankruptcy. New York: John Wiley and Sons.

— (2005) “An emerging market credit scoring system for corporate bonds”, Emerging markets review, n.º 6, pp. 311-323.

ALTMAN, E.; BAIDA, T. y RIVERO DÍAZ, L. (1979) “Assesing potential financial problems for firms in Brazil”, Journal of International business studies, pp. 9-24.

ALTMAN, E.; EOM, Y. y KIM, W. (1995a) “Failure Prediction: Evidence from Korea”, Journal of International Financial Management and Accounting, 6 (3) pp. 230-249

ALTMAN, E.; HALDEMAN, R. y NARAYANAN, P. (1977) “Zeta analysis: a new model to identify bankruptcy risk of corporations”, Journal of Banking and Finance, 1(1), pp. 29-54M.

ALTMAN, E.; HARTZELL, J y PECK, M. (1995b) Emerging markets corporate bonds: A scoring system. New York: Salomon Brotherds Inc.

ALTMAN, E.; LAVALLEE, M. (1981) “Business failure classification in Canada”, Journal of Business Administration, pp. 147-164.

BEAVER, W. (1966) “Financial ratios as predictors of failures. Empirical research in accounting selected studies 1966”, Journal of Accounting Research, Supplement, vol. 5, pp. 71-111.

— (1968) “Alternative Accounting Measures as Predictors of Failure”, The Accounting Review, pp. 113-122.

— (1981) Financial reporting: an Accounting Revolution Prentice Hall.

BEAVER, W.; CORREIA, M. y MC NICHOLS, M. (2009) “Have changes in financial reporting attributes impaires the ability of Financial Ratios to Assess Distress Risk?”, Rock Center for
Corporate Governance Working Paper
,
n.º 13, septiembre 19 del 2012. Disponible en: http://dx.doi.org/10.2139/ssrn.1341305

BEAVER, W.; MC NICHOLS, M. y RHIE, J. (2005) “Have financial statements become less informative? Evidence from the ability of financial ratios to predict bankruptcy”, Review of Accounting Studies, vol. 10, Issue 1, pp. 93-122.

BEGLEY, J.; MING, J. y WATTS, S. (1996) “Bankruptcy classification errors in the 1980s: An empirical analysis of Altman’s and Ohlson’s models”, Review of Accounting Studies, 1(4), pp. 267-284.

CARO, N. (2004) “Métodos no paramétricos de clasificación con variables continuas. Caso de aplicación en una muestra de empresas que operan bajo la forma de sociedades anónimas en Argentina”. Universidad Nacional de Córdoba, tesis de maestría.

CARO, N.; DÍAZ, M. y GARCÍA, F. (2012) “Modelo mixto con covariables aleatorias para predecir el estado de crisis financiera en empresas argentinas en la década del 2000”, en X Congreso Latinoamericano de Sociedades de Estadística.

CARO, N.; STANECKA, N. y DÍAZ, M. (2012) “El efecto de los ratios contables sobre la situación de crisis financiera en empresas argentinas en la década del 2000: un análisis de riesgo semiparamétrico”, en X Congreso Latinoamericano de Sociedades de Estadística.

CARO, N.; TOLOSA, L.; NICOLÁS, C. y RUSCELLI, E. (2013) “Predicción de crisis financiera de países latinoamericanos: una revisión de la literatura”, Revista Contabilidad y Decisiones, Instituto de Investigación de la Universidad Católica de Córdoba.

CASTAGNA, A. y MATOLCSY, Z. (1981) “The prediction of corporate failure: Testing the australian experience”. Australian Journal of Management, 6(1), pp. 23-50.

CHARITOUS, A.; NEOPHYTOU, E. y CHARALAMBOUS, C. (2004) “Prediciting Corporate Failure: Empirical evidence for the UK”, European Accounting Review, 13(3), pp. 465-497.

CHAVA, S. y JARROW, R. (2005) “Bankruptcy prediction with industry effects, market versus accounting variables, and reduced form credit risk models”, Review of Finance.

DÍAZ, M.; CARO, N.; GARCÍA, F. y STANECKA, N. (2010) “Predicción de crisis financiera de empresas en Argentina mediante la aplicación de un modelo mixto”, en Congreso Internacional de Economía aplicada. XXIV Asepelt.

DÍAZ, M.; FERRERO, F.; DÍAZ, C.; STIMOLO, M. y CARO, N. (2001) “Perfomance del análisis discriminante regularizado y la regresión logística en la predicción de crisis financieras”, Revista de la Sociedad Argentina de Estadística, 5(1-2), pp. 33-45.

FITZPATRICK, P. (1932) “A comparison of ratios of successful industrial enterprises with those of failed companies”, The Certifified Public Accountant, v. Oct., Nov., Dec., pp. 598-605, 656-662 y 727-731, respectivamente.

GABAS TRIGO, F. (1990) Técnicas actuales de análisis contable, evaluación de la solvencia empresarial. Instituto de Contabilidad y Auditoría de Cuentas, Ministerio de Economía y Hacienda. Madrid.

GARCÍA, F.; DÍAZ, M. y CARO, N. (2011) “Modelos mixtos para el estudio del riesgo de crisis financiera en empresas de la Argentina”, en XXXIX Coloquio Argentino de Estadística. Santa Fe, Argentina.

GEBHARDT, G. (1980) “Insolvency prediction based on annual financial statements according to the company law - An assessment of the reform of annual statements by the law of 1965 from the view of external addresses”, en: H. Besters et ál., eds, v. 22. Wiesbaden.

GILBERT, L.; MENON, K. y SCHWARTZ, K. (1990) “Predicting bankruptcy for firms in financial distress”, Journal of business finance and accounting, pp. 161-171.

GRICE, J. y DUGAN, M. (2001) “The limitations of bankruptcy prediction Models: some cautions for the researcher”, Review of Quantitative Finance and Accounting, 17(2), pp. 151-166.

HENSHER, D. y JONES, S. (2007) “Forecasting Corporate Bankruptcy: Optimizing the performance of the Mixed Logit Model”, Abacus, 43(3), pp. 241-364.

HILLEGEIST, S.; KEATING, E.; CRAM, D. y LUNDSTEDT, K. (2004) “Assessing the Probability of Bankruptcy”, Review of Accounting Studies, 9(1), pp. 5-34.

HOPPER, T.; TSAMENYI, M.; UDDIN, S. y WICKRAMASINGHE, D. (2008) “Management Accounting in Less Developed Countries: What We Know and Need to Know”, Research Seminar Series de la School of Accounting and Commercial Law, Victoria, University of Wellington.

IBARRA, A. (2001) “Análisis de las dificultades financieras de las empresas en una economía emergente: las bases de datos y las variables independientes en el sector hotelero de la Bolsa mexicana de valores”. Departament d’ economía de l’ empresa. Universitat Autónoma de Barcelona, tesis doctoral.

JONES, F. (1987) “Current techniques in bankruptcy prediction”, Journal of Accounting Literature, n.º 6, pp. 131-164.

JONES, S.; HENSHER, D. (2004) “Predicting firm financial distress: A mixed logit model”, The Accounting Review, 79(4),
pp. 1011-1039.

— (2007) “Modelling corporate failure: A multinomial nested logit analysis for unordered outcomes”, The British Accounting Review, n.º 39, pp. 89-107.

KNIGHT, R. (1979) The determinants of failure in Canadian firms, ASA meeting of Canada, Working paper. London: University of Western Notario.

KO, C. (1982) “A delineation of corporate appraisal models and classification of bankruptcy firms in Japan”. New York University, Thesis.

LAFFARGA, J; MARTIN, J. L. y VÁSQUEZ, M. J. (1985) “El análisis de la solvencia de las instituciones bancarias: propuesta de una metodología y aplicaciones a la banca española”, Esic-Market, n.º 48 (2.º trim.), pp. 51-73.

LECLERE, M. (1999) “The Interpretation of Coefficients in N-Chotomous Qualitative Response Models”, Contemporary Accounting research, vol. 16, pp. 711-747.

LI, D. y LIU, J. (2009) “Determinants of Financial distress of ST and PT companies”. A panel analysis of Chinese. 19 seteimbre 2012. Disponible en: http://ssrn.com/abstract=1341795.

MADDALA, G. (1991) “A perspective on the use of limited-dependent and qualitative variables models in accounting research”, The Accountng Review, n.º 66, pp. 788-807.

MARTÍNEZ, C.; NAVARRO, M.V. y SANZ, F. (1989) “Selección y explotación de los sistemas de alarma y prevención de quiebra”, Investigaciones Económicas (supl.), pp. 135-141.

MERWIN, C. (1942) Financing small corporations in five manufacturing industries, 1926-36. New York National Bureau of Economics Research.

MONGRUT MONTALVAN, S.; ALBERTI DELGADO, F.; FUENZALIDA O’SHEE D. y AKAMINE YAMASHIRO, M. (2011) “Determinantes de la insolvencia empresarial en el Perú”, Academia. Revista Latinoamericana de Administración, vol. 47, pp. 126-139.

MORA ENGUINDANOS, A. (1995) “Utilidad de los modelos de predicción de la crisis empresarial”, Revista española de financiación y contabilidad, XXIV(83), pp. 281-300.

MOSSMAN, C.; BELL, G.; SWARTZ, L. y TURTLE, H. (1998) “An empirical comparison of bankruptcy models”, The financial review, n.º 33, p. 35-54.

NAM, C.; KIM, T.; PARK, N. y HOE, K. (2008) “Bankruptcy prediction using a discrete-time duration model incorporating temporal and macroeconomic dependencies”, Journal of Forecasting, John Wiley & Sons, Ltd, 27(6), pp. 493-506.

OHLSON, J. (1980) “Financial ratios and the probabilistic prediction of bankruptcy”, Journal of Accounting Research, 18(1), pp. 109-131.

PASCALE, R. (1988) “A multivariate model to predict firm financial problems the case of Uruguay”, Studies in banking and finance, vol. 7, pp. 171-182.

PAVLOVIC, V.; MUMINOVIC, S. y CVIJANOVIC, J. (2011) “Application of Sandin & Porporato’s Bankruptcy prediction model on serbian companies”, Industria, 39(2), pp. 1-13.

PRANOWO, K.; ACHSANI, N.; MANURUNG, A. y NURYARTONO, N. (2010) “The dynamics of corporate financial distress in emerging market economy: empirical evidence from the Indonesian Stock Echange 2004-2008”, European Journal of Social Sciences, 16(1), pp. 138-149.

SANDIN, A. y PORPORATO, M. (2007) “Corporate bankruptcy prediction models applied to emerging economies. Evidence from Argentina in the years 1991-1998”, International Journal of Commerce and Management, 17(4), pp. 295-311.

SERRANO, C. y MARTIN, B. (1993) “Predicción de la quiebra bancaria mediante el empleo de redes neuronales artificiales”, Revista Española de Financiación y Contabilidad, 22(74), pp. 153-176.

SHUMWAY, T. (2001) “Forecasting bankruptcy more accurately: a simple Hazard model”, Journal of Business, n.º 74, pp. 101-124.

SWANSON, E. y TYBOUT, J. (1988) “Industrial bankruptcy determinants in Argentina”, Journal of Banking and Finance, vol. 7, pp. 1-25.

TAFFLER, R. (1981) “Forescating company failure in the UK”, Working paper, n.º 23 City University Business School, London.

— (1982) “Finding those firms in danger”, Accountancy age, n.º 16.

— (1984) “Empirical Models for The Monitoring of U.K. Corporations”, Journal of Banking and Finance, pp. 199-227.

TAFFLER, R.; TISSHAW, H. (1977) “Going, going, gone - Four factors which predict accountancy”, Accountancy, 88(1003), pp. 50-54.

TAFFLER, R. y HOUSTON, C. (1980) “How to identify failing companies before it is too late”, Professional Administration, pp. 2-3.

TAKAHASHI, K.; KUROKAWA, K. y WATESE, K. (1979) Predicting corporate bankruptcy through financial statements. Society of Management Science of Keio University.

TASCÓN FERNÁNDEZ M. y CASTAÑO GUTIÉRREZ, F. (2009) “Predicción del fracaso empresarial: una revisión”, en XV Congreso AECA (Asociación española de contabilidad y administración).

TRAIN, K. (2003) Discrete Choice Methods with Simulation. Cambridge: Cambridge University Press.

VON STEIN (1968) Insulvenzen privater banken. University of Munchen.

WEIBEL, P. (1973) The value of criteria to judge credit worthiness in the lending of banks. Bern/Atuttgart.

WEINRICH, G. (1978) Prediction of credit worthiness, direction of credit operations by risk classes. Wiesbaden. Galder.

WINAKOR, A.; SMITH, R. (1935) “Changes in financial structure of unsuccesful industrial companies”, Bureau of Business Research, Bulletin n.º 51, University of Illinois.

ZMIJEWSKI, M.E. (1984) “Methodological issues related to the estimation of financial distress prediction models”, Journal of Accounting Research, 22(1), pp. 59-82.