presentacion tfm 20.09.2011

Revisión de los Modelos de Previsión de Insolvencia (MPI) empresarial

TFM – MGEPS2009/2011Vicente J. Casanova

1. Introducción

2. Objetivos

3. Modelos de Previsión de Insolvencia (MPI)

4. Incorporación variables Cualitativas en los MPI

5. Incorporación de la Variable Innovación en el MPI de Kanitz

6. Conclusiones

Índice

1. Introducción

4

• La actual crisis económica global está teniendo una fuerte incidencia en la actividad empresarial provocando la desaparición de miles de empresas.

• Las repercusiones socioeconómicas que lleva asociadas el fracaso empresarial han generado un constante interés por tratar de encontrar indicadores que permitan anticipar las situaciones de crisis empresarial, de forma que se puedan tomar medidas correctoras que eviten el fracaso financiero y la desaparición de la empresa.

1. Introducción

5

• Según un informe de Crédito y Caución, , a partir de los datos publicados en el Boletín Oficial del Estado, en el segundo trimestre de 2011 se registraron 1.661 nuevos procesos concursales, lo que refleja niveles de insolvencia muy similares al trimestre anterior.

1. Introducción

• Las insolvencias judiciales alcanzaron su máximo trimestral en el segundo trimestre de 2009, que registró la presentación de 1.741 concursos.

6

• Estos datos dan una idea lleva a la necesidad de estudiar qué modelos y variables que condicionan la supervivencia de las organizaciones y permitan predecir el riesgo de insolvencia o fracaso, con el fin de poder tomar medidas y evitar el fallo.

• A lo largo de los últimos treinta años han sido cuantiosos los intentos de construcción de un modelo que a partir de la información contable de la empresa permitiese anticipar estas situaciones.

1. Introducción

7

• Sin embargo, a pesar del esfuerzo realizado, no se ha logrado establecer una teoría sólida.

• Incluso se ha llegado a afirmar que los resultados obtenidos con técnicas de análisis y bases de datos cada vez más refinadas y complejas no han sido capaces de superar, en eficiencia, los resultados obtenidos en su día por Edward Altman (Altman, 1968) y Taffler (Taffler, 1982), los considerados padres de la previsión de insolvencia empresarial (Correa y Acosta, 2003)

1. Introducción

8

• Así mismo en los últimos años, La Comisión Europea ha hecho especial énfasis en promulgar acciones orientadas a incentivar la actividad empresarial, el crecimiento y el empleo en la UE, evitando el concurso de acreedores y promoviendo una segunda oportunidad (fresh start) para los empresarios que se hayan visto inmersos en una situación de crisis, minimizando el estigma que genera dicho fracaso empresarial.

• Por ello ha incluido entre sus principales líneas de actuación el desarrollo de sistemas de alerta temprana del fracaso para la reducción de los concursos de empresas de la UE.

1. Introducción

2. Objetivos

10

El presente trabajo se enmarca dentro del Máster en Gestión de Empresas, Productos y Servicios (MGEPS), como Tesina Final de Máster y pretende cumplir con dos objetivos:

a. Por una parte describir y valorar los métodos existentes de previsión de insolvencia, centrando nuestra atención en aquellos que utilizan modelos discriminantes múltiples y dejando patente la necesidad de incorporar variables cualitativas en estos modelos de previsión.

b. Y en segundo lugar, demostrar que la precisión y la utilidad estos modelos de previsión de fracaso, aumentan al introducir en ellos variables cualitativas que explican mejor la naturaleza de la empresa y su situación.

2. Objetivos

11

Estos dos objetivos se van a abordar con la elaboración de sendos artículos, enviados para su valoración y publicación en el III Congreso Iberoamericano SOCOTE, que tendrá lugar en la Universidad Politécnica de Valencia, 11-12 Noviembre de 2011.

Art 1. Revisión de los modelos de previsión de fracaso empresarial (Marco Teórico)

Art 2. Efecto de la incorporación de la variable INNOVACIÓN al Modelo de Kanitz para la previsión del fracaso empresarial

2. Objetivos


a. Concepto de Insolvencia o Fracaso Empresarial

b. Modelos de Previsión de Insolvencia


http://www.uscourts.gov/FederalCourts/Bankruptcy/BankruptcyBasics/Chapter13.aspx

14

MGEPS

• Definición de insolvencia (bankruptcy) o fracaso empresarial:

Cuando presenta concurso de acreedores, suspensión de pagos o quiebra (Lizarraga, 1997; Ferrando y Blanco, 1998; López et al., 1998; Román et al. 2001; Gómez et al., 2008)

Cuando en el plazo a partir de los tres meses del vencimiento de un crédito no se satisface el nominal y/o los intereses (García, Arqués y Calvo-Flores, 1995).

Cuando incurre en quiebra técnica (Rubio, 2008), entendiendo como tal el Patrimonio Neto contable negativo (Correa et al., 2003) es decir, técnicamente que el valor de su pasivo exigible supere, desde el punta de vista contable, al total de sus activos (fondos propios negativos) (Alicia Correa Rodríguez, Miguel Acosta Molina, 2003)


15

• Definición de insolvencia (bankruptcy) o fracaso empresarial:

Graveline y Kokalari (2008) mencionan tres grupos de conceptos: Una empresa fracasa o es fallida cuando:

1. Deja de pagar una o varias de sus deudas, aunque sea de forma temporal.

2. Reúne las condiciones previstas en la normativa vigente sobre quiebra (o procedimientos similares).

3. Su situación patrimonial muestra un valor reducido en los activos o una escasez de tesorería que pueden desencadenar el fracaso.


Insolvencia o Fracaso Empresarial

16

En las últimas definiciones se percibe una evolución de los trabajos hacia la predicción del fracaso empresarial o de las situaciones de insolvencia.

Se vislumbra el objetivo de detectar en la situación patrimonial actual el origen del futuro fracaso. (Tascón, 2010)



17

• El desarrollo de estos mecanismos de alerta temprana contribuye de modo decisivo a minimizar los efectos negativos asociados a todo procedimiento de fracaso y pueden incrementar las posibilidades de éxito de una reestructuración proveyendo un mayor tiempo de reacción.



18

• Existe una relación directa entre la previsión de un estado de insolvencia o fracaso empresarial y el éxito de un proceso de reestructuración empresarial.

• El tiempo medio de reacción ante una crisis empresarial es de entre 12 y 18 meses desde que se dan los primeros síntomas (Gómez, 2002). En algunos casos es tiempo suficiente para que la situación sea irreversible. Contar con modelos de previsión de insolvencia o fracaso empresarial que hagan este periodo más amplio, dando mayores posibilidades de supervivencia a la empresa.

• En caso de no actuar dentro de un margen razonable de tiempo, se corre el riesgo de crear una crisis interna complementaria a la externa y que lastraría todavía más a la empresa y la abocaría con mayor celeridad al fracaso.



19

• Los primeros estudios con rigor estadístico sobre predicción del fracaso empresarial fueron realizados con enfoque univariante, siendo Beaver (1966) el precursor de esta orientación.

• Esta alternativa fue rápidamente sustituida por un enfoque multivariable que se adecuaba mejor al carácter multidimensional de la empresa.

• A partir de ahí aparecieron los primeros modelos basados en el análisis discriminante múltiple que consiste en obtener, a través de un vector de atributos o variables explicativas, una puntuación o valor Z a partir de la cual se fija un punto que delimita la frontera límite entre empresas sanas y fracasadas


Modelos de Previsión de Insolvencia

20

• El principal referente en este campo fue el modelo de Edward Altman (1968), donde el autor propuso un modelo, basado en técnica discriminante múltiple y que analizaba las diferencias entre empresas pertenecientes a dos muestras: fracasadas y todavía operativas.

• Le siguieron otros modelos similares, como el de Kanitz, Elisabetsky, Matia, Pereira, Fulmer, Springate, CA-SCORE, entre otros.



21

• Para el desarrollo de su modelo en 1968, Altman tomó una muestra de 66 empresas manufactureras cotizadas (33 ya insolventes y 33 que todavía operaban) y calculó 22 razones financieras que clasificó en 5 categorías estándar:

• Liquidez, • Rentabilidad, • Apalancamiento, • Solvencia y • Actividad.


../Modelo de Altman

22

• A partir de numerosas iteraciones, seleccionó las 5 variables que juntas dieron el mejor resultado en la predicción del fracaso de su muestra de empresas y la función discriminante de su modelo, también llamada Z o Z-SCORE:

Z = 1.2 X1 + 1.4 X2 + 3.3 X3 + 0.6 X4 + 0.99 X5

• Donde: • X1 = CAPITAL DE TRABAJO/ACTIVO TOTAL• X2 = BENEFICIOS RETENIDAS /ACTIVO TOTAL• X3 = BAIT1 / ACTIVO TOTAL• X4 = VALOR EMPRESA / PASIVO TOTAL• X5 = VENTAS / ACTIVO TOTAL

1BAIT = Beneficios Antes Intereses e Impuestos


../Modelo de Altman

23

• El resultado indica que, Si Z>=2.99, la empresa no tendrá problemas de fracaso en el futuro; Si Z<=1.81, entonces es una empresa que de seguir así, en el futuro tendrá altas posibilidades de caer en fracaso.

• El modelo considera que si el resultado de Z se encuentra entre 1.82 y 2.98 las empresas se encuentran en una "zona gris" o zona de penumbra.


ZONA GRIS

2,991,81

SANASINSOLVENTES

../Modelo de Altman

24

• A partir del Modelo de Altman, surgieron otros modelos de base discriminante múltiple como

1. Modelos Z1 y Z2 del propio Altman, en los que se adaptó el modelo original para dar cobertura a todo tipo de empresas.

2. Modelo de Kanitz3. Modelo de Elizabetsky4. Modelo de Matia5. Modelo de Pereira6. Modelo Fulmer7. Modelo Springate8. Modelo CA-SCORE


../Otros modelos

25



Grado de Precisión de algunos de los Modelos de Previsión de fracaso presentados (elaboración propia)

26

• En la actualidad se están desarrollando modelos basados en métodos no discriminantes, basados en técnicas de probabilidad condicional (LOGIT), participaciones iterativas, inteligencia artificial, redes neuronales, árboles de decisión y técnicas de inducción de reglas que están mejorando la precisión de estos modelos.


Modelos No Discriminantes

28

• Como hemos visto, los modelos de predicción del fracaso proveen de un método efectivo para establecer el efecto informativo de los datos contables sobre la solvencia de la empresa, al mismo tiempo que evalúan la relación entre los datos contables y el fracaso.

• A pesar de la apariencia de que el método matemático o estadístico o la técnica utilizada pueden ser la clave de estos métodos, realmente la selección de las variables más adecuadas para valorar el riesgo de insolvencia empresarial es la parte fundamental para alcanzar y validar resultados.

• El problema radica en considerar variables significativas y relevantes que discriminen adecuadamente el objeto de estudio.


29

• En los modelos discriminantes múltivariables este proceso se realizaba mediante una combinación de los siguientes métodos:

a. Observación estadística de varias funciones, incluyendo la regresión múltiple y la contribución relativa de cada variable independiente (a-Crombach1),

b. Evaluación estadística de correlaciones entre las variables relevantes (p. ej., reliability tests2, correlation matrix3, covariation matrix4),

c. Observación de la precisión en la predicción de los modelos y,

d. Criterio subjetivo del analista.

1,2,3,4 herramientas estadisticas


30

• Varios factores pueden explicar el fracaso empresarial: entre ellas causas financieras (endeudamiento, limitación de crédito etc.) y económicas (estructura productiva, estrategia, demanda, ciclo económico, etc.) son de especial importancia.

• En base al repaso a los trabajos más relevantes que han estudiado el fenómeno del fracaso empresarial se presentan indicadores agrupados en seis categorías: rentabilidad, estructura económica, estructura financiera, solvencia y liquidez, tasas de participación sobre valor añadido y productividad y crecimiento.

• Sin embargo, numerosos estudios previos critican las variables financieras (endeudamiento, liquidez, rentabilidad, etc.) como la principal causa o consecuencia del fracaso de la empresa.


31

• Robert Lussier (Lussier, 1995) construyó un modelo basado en factores de gestión casi fundamentalmente cualitativos para predecir el fracaso de las empresas jóvenes. Este modelo trabajaba con las siguientes variables:

1. Capital2. Mantenimiento de registros y control financiero3. Experiencia en la industria.4. Experiencia en la gestión.5. Planificación6. Asesores profesionales externos7. Educacion8. Gestión del personal9. Producto/servicio a tiempo10. Planificación Económica11. Edad del propietario12. Socios13. Padres propietarios de un negocio14. Minorías15. Aptitudes de marketing y ventas


32

• De las 15 variables analizadas en su estudio y según su pormenorizado estudio, aquellas variables explicativas del fracaso|éxito empresarial fueron

Asesores profesionales externos, Planificación; Educación y Gestión del personal

• La conclusión al estudio de Lussier – en la que no intervenía ninguna variable financiera – fue que no todos los negocios parten con las mismas condiciones y recursos en “al menos 4 de las 15 variables estudiadas” (Lussier, 1995).

• Tal y como concluyó, los negocios exitosos contaban con un mayor uso de personal profesional externo y desarrollaban más planes de negocio específicos, mientras que los negocios fracasados aunque tenían mayor nivel formativo, tenían más dificultades con la gestión del personal cualificado.


33

• Otros autores dejan patente la necesidad de incorporar variables no financieras al estudio de la previsión de insolvencia empresarial.

Dotación de personal (Lussier y Halabí, 1994)Calidad de los sistemas de gestión (Lehmann, 2003)Número de socios (Lussier y Halabí, 1994)Composición y estructura de la junta directiva (Elloumi y Gueyié,

2002); (Sheppard, 1994))Concentración de los clientes (Lehmann, 2003); (Becchetti y Sierra,

2002a)Dependencia y tipología de los proveedores (Lehmann, 2003)Edad del propietario (Lussier y Halabí, 1994)Educación del propietario o administrador (Lussier y Halabí,

1994),; (Lehmann, 2003)Eficiencia productiva (Becchetti y Sierra, 2002a)


34

• Estado de la subcontratación y las exportaciones (Becchetti y

Sierra, 2002a)Existencia de una estrategia de negocio creíble a largo plazo

(Lehmann, 2003)Experiencia de gestión (Lussier y Halabí, 1994), (Lehmann, 2003)Habilidades sociales y calidad de liderazgo (Lehmann, 2003)Motivación del propietario (Hall, 1996)Presencia de grandes competidores en la misma

región (Becchetti y Sierra, 2003), Relación con los bancos (Hall, 1996)Subcontratación de estado (Becchetti y Sierra, 2002a)Nivel de diversificación, rentabilidad de la industria, tasa de

crecimiento del sector, cuota de mercado y grado de diversidad de empresas (Sheppard, 1994).


35

• Queda pues establecida aquí nuestra premisa de partida. Es decir, que la precisión y la utilidad estos modelos de previsión de fracaso, aumentan al introducir en ellos variables cualitativas que explican mejor la naturaleza de la empresa y su situación.

• En el siguiente paso trataremos de demostrar este hecho, aplicándolo a un caso concreto: incorporando la variable Innovación en el Modelo de Previsión de Insolvencia de Kanitz, y valorando el efecto que este cambio supone en su precisión.


37

• Lo que vamos a tratar de hacer a continuación es:

a. Tomar un MPI de probada eficacia (como es el caso del MPI de Kanitz), cuyo constructo está basado en variables cuantitativas.

b. Introducir en dicho constructo una nueva variable Cualitativa (en este caso, la variable Innovación)

c. Valorar en que medida la introducción de esa variables cualitativa mejora la capacidad predictiva del modelo, es decir medir el efecto que tiene esta variación en la precisión del modelo resultante.


38

• El profesor Charles S. Kanitz, del Departamento de Contabilidad de la Facultad de Economía y Administración de la Universidad de Sao Paulo (FEA/USP), fue responsable, durante mas de 20 años de la elaboración del análisis económico y financiero de las 500 mejores y mayores empresas brasileras editada por la Revista Exame.

• Fruto de su trabajo junto a las empresas y el de su investigación, elaboró un modelo de previsión de fracaso empresarial, también llamado factor de falencia.

• Se ha elegido este modelo porque la información financiera necesaria para su construcción se puede identificación claramente en los balances públicos de las empresas además tiene un ratio más que aceptable de precisión (74%).


Selección del Modelo

39

• Este factor es obtenido a partir de informaciones de balances contables de empresas a través del cálculo de una fórmula discriminante, a saber:

Y = 0.05X1+ 1.65X2 + 3.55 X3 –1.06X4 – 0.33X5

• Donde:

• X1 = ACTIVO CIRCULANTE / PATRIMONIO NETO• X2 = ACTIVO CIRCULANTE + REALIZABLE LP / PASIVO

CIRCULANTE + EXIGIBLE LP• X3 = ACTIVO CIRCULANTE – STOCK / PASIVO

CIRCULANTE• X4 = PASIVO CIRCULANTE + EXIGIBLE LP / PATRIMONIO

NETO• X5 = ACTIVO TOTAL / PASIVO TOTAL



40

• Los valores positivos indican que la empresa está en una situación buena o “solvente”, si fuese menor a -3 la empresa se encuentra en una situación mala o “insolvente” y que podrá llevarla a la quiebra. El intervalo intermedio, de 0 a -3, llamada “penumbra” representa a un área en que el factor de Fracaso no es suficiente para analizar el estado de la empresa, pero inspira cuidados.

• En aquella época, inicio de la década del 70, KANITZ aplicó su modelo en las 500 mayores y mejores empresas brasileras. La empresa seleccionada como la mejor del año presentaba un factor de fracaso (Y) igual a “10”, en tanto que otra con factor igual a “-2.6” pidió concurso de acreedores al año siguiente, con un factor de fracaso igual a “-7”.



41

• Para llevar a el proceso se ha utilizado una base de datos de empresas solventes e insolventes y se ha cuantificado en que medida el modelo de Kanitz era capaz de clasificar adecuadamente esas empresa basándose únicamente en indicadores financieros.

• Posteriormente, Se ha tomado como base la deconstrucción del Modelo de Kanitz llevada a cabo por Kassai (Kassai, 2007), que descomponía este modelo en las variables y coeficientes que conforman un modelo de regresión estadístico.

• A partir de él introduciendo una nueva variable que representará la capacidad innovadora de la empresa gastos en innovación se ha procedido a reproducir un nuevo modelo, obteniendo una nueva clasificación de las empresas.


Descripción del proceso

42

• La muestra utilizada se obtuvo de una base de datos con información procedente de 10.981 empresas de todo el mundo con datos relativos a sus gastos en I+D. Esta condición es indispensable si queremos construir nuestro modelo de previsión de insolvencia de las empresas de la muestra sobre esta variable.

• Después de algunas depuraciones se ha obtenido una muestra de 7079 empresas suecas con valores válidos para la variable “Gastos de Innovación” que figura en la información que ofrece la base de datos AMADEUS1 (estos valores incluían el valor cero).

1 En realidad figura el ratio “R&D Expenditures/Revenues”, a partir del cual es sencillo extraer los gastos

que la empresa dedica a Innovación.


Muestra utilizada

43

• A partir de aquí y hemos cuantificado en que medida el termómetro de KANITZ era capaz de separar adecuadamente esas empresa únicamente en base a los indicadores financieros, aplicando la función discriminante conocida:

Y = 0.05X1+ 1.65X2 + 3.55 X3 –1.06X4 – 0.33X5

• Los resultados obtenidos han sido:

• Tal y como predecía el marco teórico, la precisión del modelo de Kanitz ha sido del 72,30% 74% previsto.


Resultados (1/4)

ACIERTOS 5118 72,30%

ERRORES 479 6,77%

PENUMBRA 1482 20,94%

TOTAL 7079 100,00%

44

• Posteriormente hemos tomado los indicadores correspondientes al periodo (year-3) siendo year el año en que los datos de la muestra fueron tomados, con el fin de medir el factor de previsión.


• Es decir una mejora en la precisión de 4,53 puntos en el grado de precisión en (year-3), esto es, que el modelo clásico se comporta mejor a tres años vista de la situación de fracaso, lo cual da un mayor margen de reacción a los gestores de las empresas para tomar las acciones oportunas para corregir la tendencia.


Resultados (2/4)

ACIERTOS 5 76,83%

ERRORES 529 7,47%

PENUMBRA 1111 15,69%

TOTAL 7079 100,00%

45

• Hemos introduciendo una nueva variable en el modelo que midiera la capacidad innovadora de la empresa (gastos en innovación) y se ha procedido a realizar el análisis de regresión que siguió KANITZ para desarrollar su modelo hasta obtener una nueva función discriminante.


• Es decir una reducción de 7,88 puntos en el grado de precisión. Es evidente que en este caso la introducción de la variable “Gastos de Innovación” no mejora la precisión del modelo.


Resultados (3/4)


ERRORES 2400 35,58%

TOTAL 7079 100,00%

46

• Cómo último paso hemos hecho lo mismo pero tomando los indicadores correspondientes al periodo (year-3) siendo year el periodo en que los datos iniciales de la muestra fueron tomados.


• Es decir una mejora de 16,17 puntos en el grado de precisión.

• Es evidente que en este caso la introducción de la variable Innovación mejora la precisión del modelo permitiendo acotar con mayor exactitud el foco de atención, y hacerlo con mayor horizonte temporal para tomar las medidas oportunas.

• .


Resultados (4/4)


ERRORES 1374 19,41%

TOTAL 7079 100,00%

6. Conclusiones

48

• Un modelo de previsión de éxito o fracaso puede ayudar no sólo a los empresarios a evaluar con mayor exactitud y perspectiva la probabilidad de un potencial fracaso del negocio, sino también a gestores, directivos, proveedores que dan soporte, asesores externos, accionistas que proporcionan el capital para su empresas, responsables de políticas internas y demás grupos de interés.

• De hecho, los actuales sistemas de credit scoring utilizados por el sector bancario están desarrollados sobre la base de alguno de estos modelos de previsión de insolvencia.

Conclusiones

49

• Se ha podido demostrar que, introduciendo una nueva variable cualitativa, la capacidad innovadora de la empresa representada por sus gastos en innovación, la precisión del modelo de previsión utilizado mejora a largo plazo (tres años)

• La información no financiera es particularmente apropiada cuando se estudia la situación de una empresa y debe formar parte del conjunto de variables a analizar cuando se estudia el fracaso de cualquier compañía. Algunos estudios que combinan variables cualitativas y cuantitativas llegan a tasas de predicción de hasta el 90%.

Conclusiones

presentacion tfm 20.09.2011

Business