Professional Documents
Culture Documents
pgina
1.
Introduccin
La confluencia de los procesos de apertura econmica, privatizacin de los servicios pblicos y eliminacin gradual de los factores institucionales que de una u otra manera condicionan la competitividad en los mercados de bienes y servicios, tanto a escala nacional como internacional, ha generado una inusual demanda por metodologas de tipo proyectivo, aplicables a las empresas, para la elaboracin de pronsticos de corto y mediano plazo. Dentro de este contexto se hallan los mtodos predictivos comnmente utilizados para anticipar cursos futuros de la gestin econmica y financiera a nivel empresarial. Tanto el Anlisis Discriminante como los Modelos Logsticos, instrumentados a travs de conjuntos especficos de variables predictoras, constituyen herramientas de indiscutido poder para predecir los resultados futuros del management empresarial. Especficamente, el Anlisis Discriminante en sus dos variantes (Lineal y Cuadrtico) ha sido provechosamente utilizado para predecir bancarrotas y problemas de insolvencia en firmas privadas en E.E.U.U. (Altman, 1988). De igual manera, el Modelo Logstico ha demostrado gran aptitud para pronosticar crisis de financiamiento en empresas privadas de nuestro medio. Para la correcta implementacin de las metodologas de proyeccin se requieren balances peridicos de firmas solventes (o financieramente saludables) y otro conjunto similar de empresas no solventes (cesacin de pagos, quiebra, cierre, insolvencia, crisis financiera, etc.). Con cualquiera de las dos tcnicas de prediccin, los parmetros de los modelos se estiman miminizando los errores incurridos en el proceso clasificatorio, de suerte que una vez estimados los parmetros se obtiene una funcin donde las proyecciones de las variables predictoras alcanzan un valor ptimo en la razn variabilidad entre medias de grupos y dispersin dentro de los grupos.
Por otra parte, este trabajo se apoya en la estrecha relacin existente entre los indicadores de los estados financieros y la situacin futura de la empresa, a punto tal que es posible obtener una funcin (lineal, cuadrtica o logstica) que al tiempo que reduce la dimensin del espacio original, sea tambin capaz de pronosticar el futuro de la empresa en una escala bipolar Solvente-Insolvente. Entre las aplicaciones ms importantes se deben destacar las posibilidades de implementacin en los organismos reguladores de las AFJP y ART, a fin que los entes de contralor oficial puedan garantizar a los afiliados la preservacin de sus aportes y puedan monitorear de manera continua las instituciones financieras incorporadas al sistema. Tambin podra ser de utilizacin provechosa por parte de la banca oficial para mantener un tablero de control a sus carteras de prestatarios, evitando de esta manera las crisis financieras que tantos daos han causado a las finanzas provinciales. Sin perjuicio de las aplicaciones anteriores, los modelos de pronsticos de insolvencia en la cartera de clientes podran significar reducciones importantes en los encajes bancarios de las instituciones de la banca privada. A su vez, la disminucin de los encajes se traduciran en menores costos operativos y por ende mayores posibilidades de competir con la banca privada internacional, la cual invariablemente utiliza este tipo de metodologas para mantener sus reservas de riesgo conforme a las recomendaciones establecidas en la convencin de Basilea del ao 1995. En este sentido, es oportuno destacar que tanto la banca de E.E.U.U. como la de Chile y Brasil llevan ya aos experimentando con resultados positivos este tipo de modelos. La investigacin consta bsicamente de dos partes, congruentes con la secuencia de etapas que se verificaron en su ejecucin. En la primera parte, denominada Pronsticos de Empresas Fallidas o en Convocatoria de Acreedores, el universo bajo estudio estuvo constituido por un conjunto de 40 sociedades annimas que presenActualidad Econmica. Ao XI, N 50, enero-abril 2001
ColaboracioneS
pgina
tan sus balances anuales en la Inspeccin de Sociedades Jurdicas, la mitad de las cuales quebraron o ingresaron en cesacin de pagos entre los aos 1995 y 1998. En esta parte del estudio se emple el Anlisis Discriminante Lineal. A su vez, la segunda parte de la investigacin, "Pronstico de Crisis Financiera", se conform a base de un conjunto de 50 empresas que cotizan en la Bolsa de Comercio de Buenos Aires, de las cuales 25 ingresaron a la denominada "ronda reducida" en el perodo 1995/2000. Sin embargo, a diferencia de la anterior, en esta segunda etapa se emplearon tcnicas avanzadas de investigacin, tales como el Analisis Discriminante Regularizado, el mtodo Jackknife, las tcnicas del Bootstrap y el Anlisis de Redes Neuronales, logrndose una reduccin importante en la tasa final de error, que baj del 20 al 14%.
quiebra. Igualmente, para la firma "pareja" - en el grupo activo- se considera el balance cerrado en una fecha similar o aproximadamente coincidente con su homlogo de la firma quebrada, v.gr.: si un establecimiento quebr en 1998, se tom en consideracin su balance cerrado en 1996 y, en la medida de lo posible, se procedi de igual forma con la firma pareja. Si ambas son semejantes en cuanto a tamao y rubro de actividad, es altamente probable que las diferencias en el resultado final (quiebra-no quiebra) slo podrn ser explicadas en trminos de las diferencias existentes en la composicin del vector econmico-financiero representativo de cada uno de los balances cerrados en 1996. De esta forma, y habida cuenta del rezago de dos aos en la consideracin de los balances, en la etapa de generalizacin , la regla construida con la muestra de anlisis, permitir predicir el grupo de pertenencia de cualquier empresa en los siguientes dos aos, mediante la simple lectura de su vector econmico-financiero. b.Definicin de Variables En el modelo analizado la variable dependiente es de nivel nominal, ms precisamente dicotmica, y reconoce dos categoras de unidades de anlisis, a saber: empresas activas (cdigo 0 ) y empresas fallidas (cdigo 1). En el grupo seleccionado ingresaron 20 empresas en cada una de estas dos categoras. Cabe puntualizar que a los fines de la calificacin de empresa fallida se tuvieron en cuenta nicamente aqullas en convocatoria de acreedores o estado de quiebra con resolucin judicial firme.
Predictores Intervinientes: Por lo que respecta a las variables incluidas en el estudio se consideraron inicialmente 13 indicadores, bajo la forma de ratios, calculados a base de la informacin contenida en el balance de la empresa (Tabla 1).
c.Particin de la Muestra
2) Slo los elegidos por el procedimiento Stepwise 3) Al Modelo de dos variables se agregan 5 ratios consideradas importantes desde el punto de vista de la gestin financiera de la empresa. Aun cuando los tres modelos muestran performances similares, principalmente por lo que se refiere a sus aptitudes predictivas, no cabe duda que el Modelo 2, con slo dos predictores, supera en habilidad y simplicidad a los otros dos. No obstante ello, en la medida que los modelos considerados revelan cualidades predictivas similares, con tasas de errores que en ningn caso superan el 20 %, cualquiera de los tres, particularmente el 2 y el 3, resultan de utilidad a los fines del pronstico y la identificacin de perfiles. Tal propiedad implica que, conocido el vector de ratios econmico-financieros de una cierta empresa, los modelos estn en condiciones de predecir con un margen de error de no ms del 20 % si esa empresa entrar en quiebra o convocatoria de acreedores en el lapso subsiguiente de dos aos. En el Modelo 2, el coeficiente de Propiedad del Activo es positivo y el correspondiente a Inmovilizacin del Activo es negativo, o sea que a mayores valores de la primera, mayores son las probabilidades de asignar la empresa al grupo activo y viceversa. Por el contrario, valores altos del coeficiente Inmovilizacin del Activo sealan candidatura hacia el grupo fallido y viceversa. Asimismo, la ratio Propiedad del Activo es alta cuando el Patrimonio Neto financia una porcin elevada del Activo, mientras la correspondiente a Inmovilizacin es alta si el Activo No Corriente representa una porcin mayoritaria del Activo, en cuyo caso la empresa deber recurrir al crdito de terceros a fin de afrontar la financiacin del capital de trabajo. Conforme a estos datos, todo conduce a confirmar que las empresas activas son aqullas que cuentan con mayor proporcin Patrimonio Neto ( dependen menos del sector financiero para mantener su ritmo de actividad) y, en sentido opuesto, una ratio alta en la Inmov. del Activo implica que la empresa deber recurrir al financiamiento de terceros para su activo corriente, en cuyo caso la firma puede aparecer como candidata al grupo de empresas fallidas, todo lo cual adems de confirmar el conocimiento usual que se tiene del tema del financiamiento, incorpora elementos cuantitativos que permiten predecir con una tasa de acierto superior al 80 % la suerte probable de una empresa que se halle en tales condiciones. En otras palabras, el modelo ms apto es aqul que muestra mayor sensibilidad a la influencia del financiamiento de terceros en la empresa y que suministra al mismo tiempo una base adecuada para efectuar predicciones numricamente cuantificables. e.Matrices de Clasificacin y Tasa de Acierto (Hit Ratio) La Matriz de Clasificacin, tambin denominada Matriz de Confusin, compara en una tabla de 2 x 2 el grupo de pertenencia real de los individuos con respecto al grupo pronosticado en base al modelo discriminante. Si no hay errores de pronstico, todos los valores se ubican sobre la Actualidad Econmica. Ao XI, N 50, enero-abril 2001
pgina
Comnmente, en la implementacin de los modelos de Anlisis Discriminante, se acostumbra a dividir el grupo investigado en dos porciones: una para la muestra de estimacin de la funcin y otra para la prueba y validacin del modelo obtenido. Esta metodologa, particularmente recomendada para acotar el sesgo de la tasa de aciertos, en la bibliografa especializada se la reconoce como particin del grupo investigado en muestra de anlisis y holdout. De esta forma, el modelo se calibra nicamente con la informacin de la muestra de anlisis y luego se prueba la eficacia proyectiva evaluando su capacidad para predecir el grupo de pertenencia en todos aquellos casos que no fueron considerados en el proceso de estimacin, esto es, en el grupo denominado holdout. Tal procedimiento permite a la postre "desinflar" la tasa de error calculada en la instancia de estimacin. No obstante la bondad del mtodo aludido, en el presente estudio no fue posible su aplicacin debido al escaso nmero de observaciones con que se contaba inicialmente. Con 40 empresas de partida, el clculo de la funcin discriminante debera haberse restringido a no ms de 20 firmas, a razn de aproximadamente 10 unidades para el segmento de fallidos y 10 para el activo, una solucin desde luego difcilmente aplicable dado el nmero de variables y parmetros intervinientes. Sin embargo, y tal como se seala ms adelante, el control del sesgo de la tasa de error se realiz a travs del Mtodo U, tambin conocido como criterio de validacin cruzada y cuya finalidad radica precisamente en la revaluacin de la tasa de error o la de aciertos en base a pruebas adicionales. d. Seleccin de Modelos Alternativos En la Tabla 2 se presentan las variables intervinientes en tres modelos alternativos: 1) Incluye todos los predictores
pgina
Grupo Original 0 1
Total
Grupo Original 0 1
Total
10
20 20
19 (95%) 4 (20%)
20 20
diagonal principal de la matriz y la tasa de acierto asume el valor 100 %; caso contrario, la matriz presenta valores en su diagonal secundaria y la suma de tales valores, dividida por el nmero de observaciones, configura lo que se denomina la tasa de error. En rigor, si bien la prueba de validacin requiere la particin de la muestra en dos porciones, el escaso nmero de observaciones no dej otra alternativa que yuxtaponer la estimacin y la validacin sobre la misma muestra, todo ello a expensas de un sesgo positivo en la tasa de acierto. No obstante, como ya se mencion anteriormente, para controlar la magnitud de este sesgo, se apel al mtodo de validacin cruzada, un procedimiento ya incorporado al SPSS (Statistical Package for Social Sciences) comnmente denominado Mtodo "U" y que procede de la siguiente manera: en cada iteracin se deja una observacin afuera (leave-one-out method), se calcula la funcin discriminante con las restantes n-1 observaciones, con esta funcin se asigna la observacin dejada de lado y finalmente se calcula el nmero de aciertos en cada una de las iteraciones. De esta forma, se obtiene una tasa promediada de aciertos que es normalmente inferior a la lograda con la muestra completa. Al mismo tiempo, la diferencia computada entre una y otra, proporciona una medida segura del sesgo incorporado en la referida tasa.
f.Matrices de Clasificacin de los Modelos 2 y 3 Al calcular las matrices de clasificacin para los modelos 2 y 3, dejando de lado el modelo con trece variables, dado su inferior adaptabilidad, se obtiene para el modelo de 7 variables una tasa de aciertos de 87,5 % en el original y 80.0 % en la validacin cruzada (Tabla 3). A partir de la Tabla, en el Modelo 2 (dos variables), se comprueban tasas de niveles muy similares, esto es, 82.50 % en la muestra total y 80 % en la validacin cruzada.
3. Segunda Parte
no asignado; d) no presente en plazo la documentacin exigida por este Reglamento". A su vez, el art 41, inc a), establece tambin "la transferencia de negociacin a ronda reducida cuando la emisora incluya en su informacin contable conceptos que, a juicio de la Bolsa, se aparten de las normas contables profesionales y ello afecte significativamente su situacin patrimonial o los resultados." b) "En el supuesto del art. 43, inc. a) por aplicacin de los criterios all establecidos no se estime necesaria la suspensin. La medida se levantar tan pronto haya informacin suficiente". b.Definiciones Bsicas Si bien de un grado menor que la quiebra o la convocatoria de acreedores, no cabe duda que la transferencia a ronda reducida constituye un signo ostensible de anormalidad financiera, razn por la cual en el presente trabajo se califica empresa fallida aqulla que durante el perodo de anlisis entr por primera vez a ronda reducida. En el perodo investigado, Julio de 1995 a Mayo del 2000, se detectaron 33 empresas que pasaron a ronda reducida y de ellas se eliminaron cinco empresas (cuatro compaas de seguros y una empresa agropecuaria). Adicionalmente, se excluyeron otras tres empresas debido a dificultades para identificar y asignar sus parejas en el grupo de control. El ao de ingreso a ronda reducida se considera ao base y a partir de all se seleccionaron los tres ltimos balances anuales previos a la crisis. A los fines especficos de las estimaciones efectuadas en el presente trabajo, se tomaron en cuenta los balances cerrados dos aos antes del paso a ronda reducida. c. Variables del Modelo Al igual que la mayora de los modelos empleados en la investigacin estadstica, el presente consta de variables dependientes e independientes. La primera es de carcter nominal (univariado) y est constituda por una escala
bipolar en la cual el cdigo 1 representa empresas en ronda reducida y el cdigo 2 identifica empresas en ronda normal conforme a la definicin adoptada en II.1. Por lo que respecta a los predictores, adems de los 13 considerados en la Tabla 1, se agregaron los siguientes:
Cdigo de la Variable X14 X15 X16
pgina
11
d. Seleccin de Modelos Una vez realizadas las diferentes combinaciones de variables se emplearon dos criterios alternativos para la eleccin de los mejores modelos. Por un lado, siguiendo la lnea usual en la construccin de modelos MDA, se tom en consideracin los resultados del Stepwise en su versin "backward", lo cual, con diferentes variables de ingreso, arroj como resultado final diversos modelos de igual o similar aptitud predictiva. Adicionalmente, se fij como estrategia la eleccin de aqullos que mostraran el mejor comportamiento en lo relativo a tasas de error, tanto en el modelo discriminante lineal cuanto en el regularizado. De esta forma, fue posible identificar tres modelos alternativos que difieren en el nmero de variables componentes pero que son aproximadamente similares en cuanto a sus tasas de error. El Modelo A consta de diez variables predictoras y muestra la menor tasa de error en la versin del regularizado (12 %); el Modelo B se compone de nueve variables, ocho de ellas comunes con el anterior y agrega la variable independiente X16 (Endeudamiento) en la modalidad empleada por la Bolsa de Comercio; su tasa de error en el Discriminante Regularizado crece al 14 %. Por ltimo, el Modelo C incorpora siete de las variables que integran el anterior (elimina Inmovili-
Liquidez Acida Solvencia Prop. Activo Pasiv No Cte. Autofinanciacin Inmoviliz. Activo Inmoviliz.Patr. Neto Rentab. Econom. Rotac. Activo U. Neta/Intereses Endeudamiento
pgina
12
zacin del PN y Endeudamiento) y una tasa de error en el Discriminante Regularizado similar al de nueve variables, esto es, 14 %. En la Tabla 4 se muestran los elementos integrantes de estos tres modelos y las tasas de error cross vlidadas. En el proceso de seleccin final de la funcin discriminante se tuvo en cuenta - entre otras cosas- la tasa de error y la parsimonia del modelo. A este respecto, el modelo C presenta una tasa de error que es el 16,7 % superior al A, pero tiene la ventaja de tres predictores menos y por supuesto la mayor facilidad para el clculo de los parmetros a travs de las tcnicas del Anlisis Regularizado, habida cuenta que ste requiere el clculo no slo de los ocho coeficientes (siete ms la constante) sino tambin la estimacin de veintin coeficientes de los productos cruzados de las variables (7 x 6 /2), adems de las potencias segundas, esto es, 36 parmetros en un esquema de tan slo siete variables predictoras. f. Modelo de Anlisis Discriminante Regularizado A los fines de neutralizar los problemas que trae aparejado el Modelo Lineal y Cuadrtico convencional y para decidir sobre bases objetivas y en direccin optimizante la eleccin entre el lineal y el cuadrtico, Friedman(1989) propone el denominado "Modelo de Anlisis Discriminante Regularizado", que consiste bsicamente en la utilizacin de dos parmetros de contraccin, l y g, ambos definidos en el intervalo [0,1]. El primero controla el grado de contraccin de ambas matrices de varianza hacia la matriz combinada y nica, mientras que el segundo hace otro tanto pero en su proyeccin hacia un mltiplo de la matriz identidad. Mediante el empleo de un programa de cmputo especialmente diseado y facilitado por el propio Friedman a travs de la WEB, se adapt al Modelo C el mtodo Regularizado, con los parmetros l y g que genera el programa, obtenindose los resultados que se indican en el Anexo I. Cabe consignar que al programa original se le incorporaron otras subrutinas a fin de obtener la estimacin de los coeficientes y la generacin de muestras bootstrap. g. El Mtodo Jackknife Cuando el nmero de observaciones no permite la divisin en una muestra de estimacin y otra de validacin, no queda otra opcin que utilizar los mismos elementos en la estimacin y en la valoracin de la aptitud clasificatoria de la funcin discriminante, lo cual necesariamente conduce a una tasa de error que se denomina tasa aparente y que es inferior a la real (sesgo negativo). Sin embargo, para alcanzar una tasa de error menos sesgada se apela al mtodo Jackknife, una tcnica que en esencia consiste en dividir la muestra en k submuestras y obtener una nueva
Regularizado Optimo l = 0.75 y g= 0 Error Estndar 0.049 0.049
muestra para el proceso de estimacin. sta se forma mediante la consolidacin de k-1 subconjuntos y dejando de lado cada vez una a una las k submuestras. De esta manera, se obtienen k estimaciones independientes, denominadas pseudo-valores, cuyo promedio es finalmente el estimador Jackknife. Por otra parte, los pseudovalores pueden ser tratados al igual que variables aleatorias independientes e igualmente distribuidas y por lo tanto pueden ser utilizados para obtener intervalos de confianza aproximados para las estimaciones Jackknife y susceptibles adems del test t con k-1 grados de libertad. Como resultado final de la aplicacin del mtodo Regularizado se logr una reduccin de cuatro puntos en la tasa de error (cross-validada y Jacknife), con un error estndar que es incluso moderadamente menor que el alcanzado en la versin Lineal. En este caso particular, si bien el Jackknife aplicado al modelo C en su versin lineal no alcanza los resultados logrados con el Regularizado, disminuye no obstante en cuatro puntos el sesgo de la tasa aparente (casi un 30 %) y a diferencia del lineal convencional suministra tambin un clculo aproximado del error estndar de estimacin, lo que en esencia significa que a un nivel confidencial de 0.95 la tasa de error debe quedar aproximadamente acotada en el intervalo ( 0,07 - 0,29). h. Estimaciones basadas en el Bootstrap Aplicado a la funcin Lineal o al Regularizado ptimo del C, el mtodo Bootstrap consiste en la seleccin de sucesivas muestras con reemplazo de tamao igual al total de elementos en la muestra. En este caso particular se seleccionaron 100 muestras con reemplazo y cada una de ellas pas por el Regularizado con l = 1 y g = 0, es decir un modelo lineal puro y luego otras cien muestras ms pasaron por el regularizado con l = 0.75 y g= 0. Si bien en materia de coeficientes y signos los resultados finales no difieren mayormente (los signos coinciden siempre) y los coeficientes de los trminos lineales en ambos modelos son casi todos significativos, las tasas de error resultantes son del orden del 19 %, es decir, superiores a las obtenidas anteriormente No obstante ello, se estima necesario discutir los resultados del Bootstrap ya que el uso de esta tcnica no slo fue propuesta para la segunda parte de la investigacin, sino adems sus desarrollos y aplicaciones son actualmente de reconocida aplicacin en la bibliografa reciente (Efron, 1993,1997). En sntesis, ms all de su utilidad en materia de tasas de error, est claro que el producto ms importante de este mtodo estriba en la posibilidad de investigar la estabilidad de los coeficientes de la funcin discriminante. Independientemente de las consideraciones anteriores, los resultados finales del Bootstrap se consignan en el Anexo 2.
l=1y Tasa
Cabe destacar que en un trabajo de naturaleza similar, consistente en la aplicacin del Anlisis Discriminante Regularizado a un conjunto de 14 caractersticas sensoriales relacionadas a un producto de consumo masivo, y tres grupos diferentes (regiones de origen) se alcanz una estimacin mnima de la tasa de error del 14 % (l = 0.35 y g= 0.04), mientras que con el mtodo 632 Bootstrap se logr una tasa de error del 18 %, resultados que son ambos sorpresivamente similares a los obtenidos en el presente trabajo (Friedman, 1989). i. Aplicacin de Redes Neuronales En la lnea de ensayos de modelos predictivos una de las tcnicas de mayor difusin en aos recientes es precisamente la referida a Redes Neuronales. El auge de estas nuevas tcnicas obedece entre otras cosas a diversos factores, a saber: 1) los avances modernos de la informtica y los softwares disponibles, 2) no requieren supuestos sobre las distribuciones de los datos originales, 3) posibilitan la participacin conjunta de variables categricas y continuas, etc. No obstante ello, existen determinados requisitos para la correcta adaptacin de estos modelos: a) distribucin estandarizada de las variables de entrada, b) rangos de valores similares en todas las variables, c) rangos acotados dentro de los intervalos de activacin empleados en las capas ocultas y de salida de la red. Los resultados concretamente obtenidos mediante la adopcin de un Perceptrn Simple y uno Mltiple con una sla capa alcanzan una tasa de error del 30 %, es decir un cincuenta por ciento por debajo de los resultados logrados va Analisis Discriminante Regularizado. Cabe acotar que estos resultados son similares a los obtenidos en otros estudios de naturaleza parecida y basados en ratios de balances ( Haedo, 2000 y J.Tucker, 1997) en los cuales se alcanzaron tasas de error del orden del 30 %.
nibles en la Inspeccin de Sociedades Jurdicas de Crdoba, en la segunda etapa se debi apelar a registros alternativos que sirvieran de base de datos para la eleccin de empresas con y sin problemas financieros. A tales fines se opt por los registros de la Bolsa de Comercio de Buenos Aires, que rene de manera peridica los balances de 250 sociedades annimas. a.Tratamiento de la Informacin Cabe destacar que si bien en ambos casos se emplearon ratios de balance iguales o parecidas (en la segunda etapa se incorporaron 3 ratios ms), las mayores diferencias tuvieron que ver con los nuevos enfoques de modelizacin que se introdujeron en la segunda etapa. Mientras en la primera ronda se adaptaron diferentes modelos de Anlisis Discriminante Lineal, en la segunda se repitieron no slo los lineales en sus versiones convencionales sino tambin se incorpor el Modelo de Anlisis Discriminante Regularizado, las tcnicas de Jackknife, como alternativa a la crossvalidation, los desarrollos modernos de Redes Neuronales y el mtodo Bootstrap, este ltimo para investigar tanto los sesgos y las deviaciones estndar de las tasas de errores, como tambin la estabilidad y significacin de los parmetros estimados de las funciones dicriminantes. Es oportuno sealar que como consecuencia de la utilizacin del Discriminante Regularizado se logr una reduccin extra de seis puntos en la tasa de error, la cual pas del 20 % (primera etapa) al 14 % en la segunda etapa. Asimismo, gracias a la aplicacin del Bootstrap se identificaron seis variables significativas en el modelo C (ver ANEXO II), algo que no se pudo establecer anteriormente mediante el empleo de las otras tcnicas disponibles en el Anlisis Discriminante convencional. b.Parmetros Representativos Al confrontar los resultados de las etapas I y II surgen valores representativos de algunas ratios de balance, las que en ciertos casos responden claramente a determinadas restricciones de desigualdad A este respecto, los valores consignados en la ltima columna de la tabla siguiente son los resultantes de la confrontacin final de 25 empresas en estado de anomia financiera frente a otras 25 firmas en situacin normal. Huelga decir que la aplicabilidad de estos lmites de variabilidad se restringe al conjunto investigado en el presente trabajo A partir de la lectura de la Tabla anterior se desprende que la ratio Prop.Activo presenta ntidamente un punto de corte en el valor 0.50 (en ambos
2000 ( 2da, Etapa)
pgina
13
4.Conclusiones
En la primera etapa del proyecto el universo bajo estudio estuvo compuesto por un conjunto de veinte empresas en estado de quiebra o concurso de acreedores y otras veinte empresas similares (tamao y rama de actividad), agrupadas en el subconjunto de control (firmas activas). A su vez, al agotarse el stock disponible de firmas fallidas o en concurso de acreedores dispoRatio 1999 (1ra, etapa) Grupo 0 Activas Prop, Activo Inmov,Activo Inmov, Del PN Solvencia Endeudamiento Pas,NoCte,/Activo Liquid, Acida 0,58 0,26 0,43 2,69 0,64 0,03 0,95 Grupo 1 Fallidas 0,33 0,39 2,72 1,65 1,85 0,11 0,32
Grupo 2 Grupo 1 Ronda normal Ronda reduc 0,59 0,58 1,16 3,72 0,45 0,11 1,46 0,42 0,65 1,9 2,14 1,11 0,12 0,9
1,16 2 1 1
0,11
pgina
casos equidistante de los extremos), es decir, la relacin PN/ACTIVO en una firma normal debe ser mayor o igual a 0,50. De igual manera, admitiendo tal restriccin de desigualdad, se tiene tambin PN/ACT.=(( ACT.- PAS.) / ACT. ) = =1- (SOLV.) -1 0,50 , lo cual implica, SOLV. 2,00 Adems, SOLV. = ACT./PAS. = = (PAS + PN)/PAS = = 1 + (ENDEUDAMIENTO)-1 2,00 lo que a su vez significa ENDEUD. 1 lo que equivale a PAS. PN En definitiva, las condiciones de factibilidad econmica -desde el punto de vista de la operatoria normal de la firma- requieren un Patrimonio Neto que sea mayor o igual a la mitad del Activo, una relacin contable donde el Activo duplica o ms que duplica al Pasivo, un lmite al Endeudamiento impuesto por la preservacin de la desigualdad PAS. PN. al igual que las cotas superiores que limitan las variabilidad de las ratios INMOV.PN, LIQUID.ACIDA y PASNOCTE./ACTIVO cuyos valores se indican en la Tabla anterior
14
5. Bibliografa
Altman, E. (1988). The prediction of Corporate Bankruptcy. Garland Publishing, Inc. N York. London. Anderson, T.W. (1984, 2da.edic.). An Introduction to Multivariate Statistical Analysis. 1ra edic. (1958). New York, Wiley.
ANEXO 1
As.Vs. (1989). ``Discriminant Analysis and Clustering'' Statistical Science,Vol. 4, , N1, 34-69. Cuadras Avellana, C. (1981). Mtodos de Anlisis Multivariante. Barcelona, Eunibar. Dillon, W.R. y Goldstein, M. (1984). Multivariate Analysis. New York, Wiley. Efron, B. (1983) "Estimating the Error Rate of a Prediction Rule: Improvement on CrossValidation" Journal of the American Statistical Assotiation, 78, 316-331. Efron, B. y Tibshirani R. (1997) "Improvements on Cross-Validation: The 0.632+ Bootstrap Mehod" Journal of the American Statistical Assotiation, 92, 548-560 Friedman, J.H., "Regularized Discriminant Analysis", Journal of the American Statistical Assotiation, 81, 165-175. Haedo A. y Focsaner L. (1999) "Redes Neuronales vs. Regresin Logstica en Finanzas", Revista de la Sociedad Argentina de Estadstica, Vol. 3, Nro. 1,48-63. Hair, J. y otros (1992). Multivariate Data Analysis. New York, Macmillan Publising Company. Hand, D.J. (1981) Discrimination and Classification. New York, Wiley. Hand, D.J. (1999). Construction and Assessment of Classification Rules. Chichester, Wiley. Johnson, R.A. y Wichern, D.W. (1992, 3 edic.). Applied Multivariate Statistical Analysis. 1ra. edic.(1982). New York, Prentice-Hall. Kendall, M.G. (1972). A course in Multivariate Analysis. Londres, Griffin. Manly, F.J. (1988,2edic.). Multivariate Statistical Methods. 1ra.edic. (1986) Londres y New York , Chapman and Hall Ltd. Saunders, A. (1997) Financial Institutions Management, a modern perspective. Mc.Graw Hill, 2da. edic.
Solv
Pact
Pnco
Auto Inact
ANEXO 2
Resultados de la Aplicacin del Bootstrap
Funcin Lineal Tasa de error = ,362*0,14 + 0,632*0,2225= ,1921
Constante Promedio Varianza Error Es, Estad, t 32.764 84.097 29.841 10.980 Liqacid 0,0422 0,0005 0,0234 18.039 Solvenc -0,0242 0,0003 0,0161 -15.006 Proact -0,1185 0,0036 0,0604 -14.692 Pnocorr -0,2672 0,0131 0,1142 -23.392 Autof, -0,0884 0,0028 0,0529 -16.697 Inmact 0,122 0,0028 0,0534 2,6823 Rexp-int 0,0004 0 0,0005 0,8307
pgina
15
Regularizado Optimo ( l = 0,75 , g = 0 ) Tasa de error = 0,362*0,14 + 0,632*0,2176 = 0,1891 Coeficientes Lineales
Constante Promedio Varianza Error Est. Estad. t 45.874 78.161 27.957 16.409 Liqacid 0,0319 0,0002 0,0152 20.997 Solvenc -0,0148 0,0001 0,0104 -14.183 Proact -0,1727 0,00169 0,0831 -20.796 Pnocorr -0,2307 0,0101 0,1005 -22.951 Autof. -0,883 0,0013 0,0359 -24.597 Inmact 0,0975 0,0028 0,0528 18.464 Rexp-int 0,0004 0 0,0004 10.079
Coeficientes Cuadrticos
Liqacid Promedio Varianza Error Est. Estad. t ----------0,0001 -0,3703 Solvenc ----------0,0001 0,0555 Proact -0,001 -----0,0009 -11.374 Pnocorr -0,0025 -----0,0014 -17.603 Autof. -0,0001 -----0,0003 -0,3926 Inmact -0,001 -----0,0004 -24.479 Rexp-int ---------------------