Investigación Económica II

Semestre 2009 – II Departamento de Economía Universidad del Pacífico Lima Perú

Determinantes de Insolvencia Financiera en Empresas Peruanas

Integrantes

Alberti Delgado, Franco I.

Akamine Yamashiro, Mario J.

Asesor

Samuel Mongrut Montalván

Noviembre 2009

1

Resumen Ejecutivo El presente trabajo tiene como principal objetivo hallar determinantes relevantes que conllevan a una empresa

determinada a una situación de insolvencia financiera. De esa manera, conociendo los factores que,

efectivamente, tienen un impacto en el resultado final (insolvencia o no), el modelo econométrico a aplicar será

capaz de predecir la probabilidad de quiebra para empresas en el Perú.

En una primera instancia, parecería evidente que mejores manejos conllevan a mejores resultados. No obstante,

además de analizar la importancia de mantener ratios financieros responsablemente aceptables, por más obvio

que esto resulte para los fines de este estudio, se cree, a priori, que los factores macroeconómicos que afectan a

la economía peruana tendrían una incidencia significativa en los resultados.

La importancia de los resultados, radica en la posibilidad de identificar problemas clave en una empresa, así como

medir el grado de influencia de los mismos sobre un problema específico. Con esa motivación, se pretende que el

estudio sirva como una guía con evidencia de la situación real adaptada al contexto peruano para que, de alguna

manera, siente las bases de discusiones que, posteriormente, puedan resultar en medidas correctivas a tomar por

otras empresas.

Para desarrollar el estudio, se propone el análisis de dos grupos de control; un “grupo de empresas buenas”

(solventes), cuya información fue obtenida para los años relevantes a partir de la reconocida publicación “Perú:

The Top 10,000 Companies”, y, un “grupo de empresas malas” (en situación de insolvencia o quebradas), las

cuales reciben dicha clasificación por propio manifiesto una vez que solicitan un procedimiento concursal en

INDECOPI.

Una vez comparados algunos indicadores financieros de ambos grupos de empresas, así como indicadores que

reflejen la situación macroeconómica del país en los años de estudio, será posible obtener resultados que

caractericen de manera exclusiva a ambos grupos de control. De esa manera, será factible determinar, por la

experiencia en ambos grupos, los determinantes que llevaron a ciertas empresas a obtener buenos resultados y a

otras a caer en una problemática de índole financiera y con altas probabilidades de una eventual salida del

mercado.

Los resultados obtenidos brindan evidencia contundente de que los factores macroeconómicos tales como las

variaciones en los PBI sectoriales, la variación de la inflación año a año y los periodos de crisis tanto internas como

externas, afectan de manera considerable el desenvolvimiento de las empresas peruanas. Además, se halló que,

de varios indicadores financieros utilizados en el modelo, solo dos poseen un nivel de significancia que permite

incluirlos como determinantes en el modelo. Así, el rendimiento sobre activos promedio (ROA) y el ratio de

solvencia, son los indicadores financieros a analizar en el caso peruano, dejando de lado otros que, a priori,

parecían ser significativos.

2

Introducción ........................................................................................................................................................3

Marco Teórico...................................................................................................................................................10

Metodología ......................................................................................................................................................17

Resultados e Interpretación .............................................................................................................................23

Conclusiones y Recomendaciones .................................................................................................................30

Bibliografía ........................................................................................................................................................33

Anexo 1 – Muestra de Empresas ....................................................................................................................35

Anexo 2 – Estimando con Ratios de Liquidez.................................................................................................37

Índice

3

Introducción Hechos Estilizados

En el Perú, estimar una aproximación del número de empresas existentes o creadas en un determinado año

puede resultar bastante inexacto debido a la gran cantidad de empresas en cuestión, así como también a los altos

niveles de informalidad. Sin embargo, lo que si es posible, es hallar con exactitud el número de empresas que se

acogen al sistema concursal del Instituto Nacional de Defensa del Consumidor y de la Propiedad Intelectual (en

adelante, INDECOPI), del mismo que dependerán, en gran medida, los resultados del presente trabajo, y, por lo

tanto, será conveniente hacer un paréntesis para introducir al lector en una breve explicación acerca de los

procedimientos concursales en el Perú.

Sistema Concursal Peruano

Un procedimiento concursal consiste, básicamente, en llevar a cabo una investigación a partir de la problemática

de crisis que pudiera afectar a los agentes de relaciones de índole patrimonial en circunstancias en las que una

empresa, asociación o sociedad determinada, afronta problemas de insolvencia financiera. Así, el objetivo del

Sistema Concursal es “la permanencia de la unidad productiva, la protección del crédito y el patrimonio de la

empresa. Los agentes del mercado procurarán una asignación eficiente de sus recursos durante los

procedimientos concursales orientando sus esfuerzos a conseguir el máximo valor de su patrimonio”.1 En ese

sentido, los procedimientos concursales tienen por finalidad “propiciar un ambiente idóneo para la negociación

entre los acreedores y el deudor sometido a concurso, que les permita llegar a un acuerdo de reestructuración, o,

en su defecto, a la salida ordenada del mercado, bajo reducidos costos de transacción”.2 Para tales fines, la Ley

General del Sistema Concursal – Ley N° 27809, regula dos clases de procedimientos concursales3:

(i) Procedimiento Concursal Ordinario (antes conocido como Insolvencia): Se aplica a aquellos sujetos o

empresas inmersos en una situación de crisis manifiesta. En el marco de este procedimiento, los

acreedores reunidos en junta podrán optar por la Reestructuración Patrimonial del deudor siempre que se

evalúe su viabilidad, o, en caso contrario, se optará por aprobar su liquidación por estimarla como la

decisión más conveniente a los intereses de los acreedores.

(ii) Procedimiento Concursal Preventivo: Se aplica a aquellos sujetos que, de manera diligente, anticipan la

situación de crisis inminente que podría afectarlos. En este procedimiento, la Junta de Acreedores estará

en aptitud de pronunciarse por la viabilidad o no de la propuesta de refinanciación de obligaciones

formulada por el deudor como solución para evitar un incumplimiento a corto plazo que podría derivar en

la manifestación de una situación mucho más crítica.

1 Ley General del Sistema Concursal. Título Preliminar, Artículo I. Tomado de: www.indecopi.gob.pe

2 Ley General del Sistema Concursal. Título Preliminar, Artículo II. Tomado de: www.indecopi.gob.pe

3 Tomado de: www.indecopi.gob.pe

4

Por otro lado, los motivos por los cuales una empresa puede acogerse a un procedimiento concursal son:

(iii) Que más de un tercio del total de sus obligaciones se encuentren vencidas e impagas por un periodo

mayor a 30 días calendario.

(iv) Que tenga pérdidas acumuladas, deducidas las reservas, cuyo importe sea mayor al tercio del capital

social pagado.

Entre los años 1993 hasta junio de 2009, el número de solicitudes para acogerse al sistema concursal asciende a

9,600 según la Comisión de Procedimientos Concursales de INDECOPI. El siguiente gráfico muestra la evolución

de solicitudes y procedimientos iniciados en el periodo en cuestión.

Gráfico 1 – Evolución de Solicitudes y Procedimientos Iniciados (1993 – Junio 2009)

90 128 133 170

344

766 824

1698 1635

926

505 481403

556

376 376

189

1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

Fuente: Comisión de Procedimientos Concursales de INDECOPI Elaboración: Propia

La información que se obtiene a partir del cuadro anterior, puede llevarnos a sacar conclusiones acerca de la

relación que existe entre la situación que atraviesa el país, en este caso en el ámbito político y en lo que se refiere

a crisis económicas externas e internas, y el número de empresas que pasa por una crisis en un mismo periodo,

evidenciando, de esa manera, el impacto que tienen los factores macroeconómicos en el desenvolvimiento de las

empresas peruanas. No obstante, más allá de llegar a conclusiones apresuradas, lo que se intenta graficar es que

la cantidad de empresas en problemas de índole financiero no es nada despreciable ni tampoco ha tenido

disminuciones considerables, en promedio, desde el año 2003. Más aún, entre los años 1998 y 2002, el número

de solicitudes se incrementó de manera bastante acelerada, con respecto a los años anteriores.

Asimismo, es un indicador relevante el destino que tiene, finalmente, el patrimonio de los deudores. En ese

sentido, entre los años 2006 y 2009, el 96% de empresas que se acogieron al sistema concursal fueron liquidadas

y solo el restante (4%) fue capaz de resistir una reestructuración.

5

Gráfico 2 – Detalle del Patrimonio del Deudor (2006 – Junio 2009)

Liquidación96%

Reestruct.4%

Liquidación Reestructuración

Fuente: Comisión de Procedimientos Concursales de INDECOPI Elaboración: Propia

Esta información refleja, entonces, que casi la totalidad de empresas que se acogen al sistema concursal son,

finalmente, liquidadas.

Objetivos del Estudio e Hipótesis Planteadas

Habiendo establecido el punto de partida en lo que concierne al gran número de empresas que se declaran

insolventes en el país, es relevante cuestionarse acerca del sostenimiento y la viabilidad de los emprendedores y

sus respectivos negocios.

En concreto, ¿cuál es la probabilidad de éxito de una empresa en el Perú?, o, en todo caso, ¿cuál es la

probabilidad de que determinadas empresas con características similares caigan en un problema de crisis que

pueda provocar una eventual salida del mercado? Asimismo, a raíz de la pregunta anterior, será más importante

hallar cuales son los factores que influyen de manera más relevante en el resultado obtenido, por lo que cabría

preguntarse, ¿cuáles son los determinantes que llevan a una empresa a caer en problemas de insolvencia

financiera o una eventual quiebra?

Así, el presente trabajo tiene como objetivo responder las preguntas planteadas hallando los determinantes más

relevantes que llevan a una empresa a caer en un problema de insolvencia financiera para, finalmente, hallar su

probabilidad de quiebra (o insolvencia). Ello se realizará a partir de un modelo económico que permita incluir

variables específicas en su formulación, las cuales se obtendrán de un grupo representativo de empresas

peruanas, y que permitirán obtener resultados que puedan, posteriormente, ser generalizados y aplicados a

empresas fuera de la muestra.

En una primera instancia, parece evidente que mejores manejos conllevan a mejores resultados. No obstante,

además de analizar la importancia de mantener ratios financieros responsablemente aceptables, por más obvio

que esto resulte para los fines de este estudio, se cree, a priori, que, además, los factores macroeconómicos

afectan de manera determinante el destino de las empresas peruanas

6

De esa manera, sobre la base de los objetivos, se desprenden tres hipótesis base, las cuales servirán de guía en

el desarrollo de la investigación.

(i) Se espera que los factores macroeconómicos tengan una mayor presencia y peso en cuanto a su

incidencia en la probabilidad de insolvencia financiera para las empresas en cuestión. Es decir, los

factores macroeconómicos analizados tendrán mayor impacto en el modelo que los factores financieros.

La primera hipótesis será evaluada mediante la inclusión de cuatro variables de carácter macroeconómico en el

modelo; la variación porcentual anual del crecimiento del PBI sectorial (para los 11 sectores analizados), la

variación porcentual anual de la inflación, la tasa activa promedio en moneda nacional y una dummy que toma el

valor de 1, cuando se registra un año de crisis económica o política, y de 0, en caso contrario. En ese sentido, se

analizará la significancia de estas variables en la probabilidad de insolvencia financiera y su importancia como

determinantes de la misma.

Al respecto, se espera mayor incidencia de las variables macroeconómicas sobre las financieras considerando las

características de la economía peruana (economía abierta en vías de desarrollo). Así, es razonable que los

factores macro que afectan al país, en general, tengan un impacto directo en el desenvolvimiento de las

empresas.

(ii) Se espera que el ratio de solvencia, medido por el ratio de apalancamiento, sea el que tenga mayor

impacto sobre la probabilidad de insolvencia financiera entre los demás ratios financieros. Esto implica

que, a mayor endeudamiento, mayor es la probabilidad de que una empresa atraviese por un problema

de índole financiero.

La segunda hipótesis será evaluada mediante la inclusión de ratios financieros en el análisis. De esa manera, al

analizar la significancia y las elasticidades de cada indicador, se podrá observar cuál de ellos tiene mayor impacto

sobre la probabilidad de insolvencia financiera. La lógica en el planteamiento de ésta hipótesis, radica en el hecho

de que una empresa con mayor apalancamiento tendrá mayores dificultades al enfrentar problemas estacionales

en los niveles de venta, o de liquidez.

(iii) Se espera que el ratio de liquidez no sea aceptado por el modelo como determinante en la probabilidad

de insolvencia financiera de las empresas en cuestión. En ese sentido, se considera que los problemas

de liquidez constituyen un efecto a raíz de los problemas financieros más no, una causa de los mismos.

La tercera hipótesis será evaluada al incluir ratios de liquidez en el modelo. La aceptación de un indicador de

liquidez o el rechazo del mismo como determinante del modelo, podrá darnos una respuesta a la hipótesis

planteada. Teniendo en cuenta que los problemas de liquidez en empresas pequeñas y medianas tienen carácter

de corto plazo, se cree que no tienen capacidad predictiva y que, al contrario, determinan un estado posterior a un

problema de insolvencia.

7

Relevancia y Justificación

Se dice que una empresa (o cualquier tipo de grupo o asociación empresarial) enfrenta dificultades financieras

cuando la liquidez que genera es insuficiente para cubrir pasivos y obligaciones de cualquier tipo en su estructura

de financiamiento. De esa manera, los costos que se generan, ya sean financieros u otros de mayor subjetividad,

como una desvalorización de la imagen corporativa, por ejemplo, pueden desencadenar una serie de problemas

que podrían acabar en una eventual quiebra.

Los costos financieros que se generan por insolvencia en las empresas están vinculados con la incapacidad de

cubrir obligaciones financieras a raíz del deterioro de varios aspectos internos (rentabilidad, acceso al crédito,

generación de recursos, solvencia, etc.) y específicos dependiendo del giro del negocio. No obstante, dichos

costos son difíciles de cuantificar y, por la misma razón, escapan del control de los agentes involucrados, pudiendo

ocasionar daños irreversibles en la estructura de la empresa.

Bajo esa premisa, y tomando en consideración que el cálculo exacto de los costos generados por insolvencia

financiera puede resultar engorroso y no del todo satisfactorio, decidimos evaluar un escenario anterior a lo que

pudiera ser un problema de insolvencia financiera mediante el análisis de los determinantes que terminarían por

desencadenar un eventual problema de dicha índole. Así, no es el objetivo de la presente investigación cuantificar

el daño, sino, más bien, identificar aspectos relevantes, y otros que a simple vista no lo son tanto, que pudieran dar

indicios acerca de un posible y potencial problema financiero en una empresa determinada.

La importancia de este trabajo, entonces, radica en la posibilidad de identificar problemas clave en una empresa a

partir de un modelo econométrico que pueda dilucidar los determinantes, tanto estructurales como financieros,

internos y externos, que desencadenan un potencial riesgo de insolvencia financiera. Con esta motivación,

pretendemos que el estudio aquí plasmado sirva como una guía con evidencia de la situación real adaptada al

contexto peruano y que, de alguna manera, sea la base de discusiones que posteriormente puedan resultar en

medidas correctivas a tomar por empresas de estructura similar a las aquí estudiadas. Más aún, conociendo los

determinantes y su respectiva significancia, el resultado podría encaminar el accionar de las empresas hacia

métodos y caminos más eficientes y factibles.

Asimismo, sumamos mayor importancia a este estudio por implementar este tipo de investigación al caso peruano

y por ser el primero aplicado a un país latinoamericano. A diferencia de Estados Unidos, China y países Europeos,

en Latinoamérica, y países en desarrollo, en general, no se ha profundizado el tema de los problemas de

insolvencia financiera. El hecho de que la información sea limitada, aunado al hecho de que muy pocas empresas

cotizan en los mercados de capitales, dificultan el desarrollo de estudios de este tipo. Además, la desconfianza de

las compañías al momento de compartir información (en muchos casos se revela información no verídica), y la

falta de bases de datos con información relevante hacen aún más engorroso el cálculo de resultados válidos y

cuantificables.

Dicho esto, la peculiaridad del mercado peruano se trabajará cuidadosamente en esta investigación incluyendo

tanto indicadores financieros como indicadores macroeconómicos, teniendo en cuenta que estudios realizados en

8

otros países no son del todo aplicables a la realidad de nuestro país (por cuestiones de tamaño, niveles de costos,

magnitud e información disponible), y, de esa manera, dejamos abierta la posibilidad de realizar otros estudios

relacionados, e inclusive ampliando el que aquí se presenta, para países latinoamericanos con mayores

similitudes al Perú que con países cuyos mercados financieros son más desarrollados.

Metodología

Las razones por las que una empresa quiebra pueden ser tantas como la cantidad de empresas que existen en el

mercado. De hecho, sería incrédulo afirmar que solo bastaría buena voluntad de parte de los empresarios para

asegurar el éxito de sus negocios. Factores como corrupción, disputas, errores y omisiones, sectores económicos

en desventaja, contagio entre sectores, crisis económicas e inclusive las fuerzas de la naturaleza, pueden

ocasionar daños irreparables en la estructura de las empresas que, finalmente, pueden ser arrastradas hasta la

quiebra.

El presente estudio se centrará en aspectos que involucran, específicamente, factores relacionados con el manejo

de las empresas (administrativo y financiero), así como también factores macroeconómicos que pudieran

afectarlas negativamente.

Dicho esto, y teniendo como objetivo el hallar factores relevantes que pueden ocasionar que una empresa caiga

en insolvencia financiera, es pertinente determinar, de una manera más precisa, a qué se refiere el concepto de

insolvencia financiera como tal.

Como se señaló anteriormente, una empresa enfrenta dificultades financieras cuando la liquidez que genera es

insuficiente para cubrir pasivos y obligaciones de cualquier tipo (deuda financiera, cuentas por pagar comerciales,

remuneraciones, pago de impuestos, entre otros). La insolvencia financiera, entonces, se produce cuando los

acuerdos de pago de diversa índole se rompen o, en todo caso, se cumplen con dificultad. Es evidente, además,

que la insolvencia conduce a la quiebra.

Se trabajará, entonces, con dos grupos de control; un grupo de “empresas buenas” o solventes, cuya información

fue obtenida para los años relevantes a partir de la reconocida publicación “Perú: The Top 10,000 Companies”, y,

un grupo de “empresas malas” o insolventes, las cuales reciben dicha clasificación por propio manifiesto una vez

que solicitan un procedimiento concursal en INDECOPI.

La selección de la muestra total de empresas de ambos grupos de control fue realizada a partir del criterio de

apareamiento de la data, que consistió, básicamente, en elegir empresas comparables entre sí en términos,

principalmente, de tamaño (según el nivel de ventas), número de observaciones (número similar de

observaciones, en lo posible, en cada año que comprendió el estudio), y sectores productivos (once sectores en

total; agroindustria, alimentos y bebidas, ingeniería y construcción, manufactura, minería, pesca, petróleo, químico,

retail, textil y transportes).

9

Con respecto al grupo de control de las “empresas buenas”, se eligió una muestra de 32 empresas que figuraron

entre las 10,000 mejores compañías del Perú entre los años 2000 y 2007 y que continúan operando en la

actualidad.

A decir del grupo de “empresas malas”, se simplifica la labor al brindar a las mismas empresas el derecho de

acogerse al sistema concursal peruano, en el cual se les clasifica, luego de un proceso de investigación, como

insolventes. Es así, que la muestra elegida para el análisis, en lo que se refiere al grupo de control en mención, fue

tomada del total de empresas que fueron admitidas en el sistema concursal y que fueron clasificadas como

insolventes entre los años 1995 y 2007. Cabe resaltar, que solo se encuentra disponible la información de aquellos

procedimientos que hayan concluido a la fecha, y, que la resolución del expediente de cada empresa elegida para

la muestra en cuestión varía, siendo los posibles resultados el de quiebra, liquidación o reestructuración.

Seguidamente, habiendo elegido las muestras para ambos grupos, se procederá a comparar ciertos indicadores

de cada empresa, bajo un modelo logit, de manera que será posible obtener resultados que caractericen, de

manera exclusiva, a un grupo de control u otro. De esa manera, será factible determinar, por la experiencia de

cada indicador en cada muestra, los determinantes que llevaron a ciertas empresas a obtener buenos resultados y

a otras a caer en un problema de índole financiero y con altas probabilidades de una eventual salida del mercado.

Por otro lado, se incluyó en el estudio el análisis de factores macro como la variación porcentual año a año del

crecimiento de los PBI sectoriales de cada uno de los 11 sectores mencionados líneas arriba. Además, se incluyó

la variación porcentual anual de la inflación, la tasa activa promedio en moneda nacional, así como un indicador

que registre los años en los que el país atravesó por alguna crisis económica o polìtica.

La razón de incluir variables macroeconómicas en el análisis radica en la posibilidad de identificar factores que

afectan el desenvolvimiento de las empresas en años determinados y, de esa manera, obtener información

relevante de la magnitud del impacto, diferenciando los sectores económicos en los que se desenvuelve cada

empresa, y, tomando en cuenta, que existen peculiaridades para cada tipo de sector.

Estructura y Distribución de Capítulos

Una vez revisados en la introducción los hechos estilizados que hicieron surgir la pregunta de investigación, los

objetivos e hipótesis del trabajo, la relevancia del mismo y la metodología a utilizar, se procederá a describir, en el

siguiente capítulo, el marco teórico. En él, se revisarán modelos de probabilidad de insolvencia financiera

anteriores al modelo que planteamos en esta ocasión, sus implicancias y como es que han ido evolucionando.

Seguidamente, se procederá a definir la variable dependiente así como la selección de variables independientes a

utilizar en el modelo. En este capítulo, también, se hace referencia a cada uno de los indicadores y ratios

financieros a analizar, describiendo su importancia individual y en comparación con indicadores alternativos con el

fin de obtener resultados precisos. El siguiente capítulo, se dedica exhaustivamente a la metodología a utilizar. En

él se describe el marco analítico, la descripción de la data y, finalmente, el modelo empírico que sentará las bases

para la inferencia de los resultados. Finalmente, se analizarán los resultados obtenidos, dando paso a las

10

conclusiones y recomendaciones. Los anexos incluyen información específica de la muestra a utilizar y de la cual

se desprende la data.

Marco Teórico Modelos de Probabilidad de Insolvencia Financiera Realizar una investigación sobre insolvencia financiera para el Perú es entrar a un campo nunca antes abordado

por ningún estudio empírico o teórico. La literatura con respecto a este tema, está, en su gran mayoría, dirigida a

estudios en países desarrollados, en los cuales ha habido suficientes ejemplos de quiebras en empresas que

cotizan públicamente y además, completamente enfocada de una forma empírica. La literatura indica como han

ido evolucionando los modelos de predicción de quiebra financiera, desde el trabajo descriptivo de Fitzpatrick

(1932) y la teorización de esta idea en los trabajos de Beaver (1966) y Altman (1968). Estos autores crearon los

primeros análisis de quiebra empresarial, mediante dos tipos de modelo: Beaver (1966) un modelo univariado, que

demostró tener un precisión de hasta 87%, en el uso de ratios financieros, principalmente de solvencia; y Altman

(1968) un modelo multivariado aplicando el método de análisis de discriminante múltiple, reduciendo el número de

ratios necesarios para la predicción. Ambos estudios fueron los pioneros en cuanto a predicciones ex-ante de

quiebra empresarial.

Sin embargo, estudios posteriores como Johnson (1970), llaman a la atención el hecho de que el modelo de

Altman (1968) no tenia suficiente capacidad predictiva ex-ante sino ex-post. De igual forma, como puntualizaron

Baida y Ribeiro (1979), luego de analizar el modelo Altman en el contexto de economías emergentes, este

presentaba problemas de calidad y disponibilidad para la obtención de datos, lo que comprometía su aplicabilidad.

Esto llevo a que en Altman, Hartzcel y Peck (1995), adaptaran el modelo con respecto a las economías

emergentes, incluyendo mayor cantidad de ratios y de variables, con el fin de poder replicar el riesgo industrial y

político presente en países de este tipo. Sin embargo, lo encontrado por estos estudios mencionados, son

coeficientes con respecto a los ratios seleccionados, para efectuar la predicción. En otras palabras, lo encontrado

por los autores que han enfocado este tema con anterioridad, siempre ha dependido de la muestra que usaron y

de la cantidad de ratios financieros, y de la data en la que se enfocaron. Principalmente, Altman (1968 y 1995)

encuentra que un modelo predictivo tiene que basarse en ratios que puedan medir la rentabilidad, actividad,

solvencia y liquidez de una empresa. Un análisis de los coeficientes que encontró para estas variables no es

necesario, pues depende de la muestra usada, y, para efectos de este trabajo, nunca se ha usado como muestra

un portafolio de empresas peruanas.

De acuerdo con Hair et. al. (2000), el primer análisis en un modelo predictivo no tiene que consistir en estimar

principalmente el modelo, sino en evaluar los supuestos subyacentes en la data, que son tan importantes como el

resultado final. Por lo tanto, teniendo en cuenta esta observación se procederá, primero, a analizar la manera en

como se estructura la idea económica detrás del modelo. Al querer determinar los causantes de insolvencia

financiera, lo mejor es ajustarse a la definición teórica, que indica que una empresa en insolvencia es aquella que

no puede cubrir sus pasivos, y sus obligaciones financieras. El uso de ratios financieros para querer predecir esta

11

situación responde a la teorización económica de los mismos; como mencionan Brealey y Myers (1999) estos

brindan la ventaja de reducir la cantidad de data, y como reconoce Bernstein (1999), estos tienen un significativo

potencial de predicción, dada su teorización como herramientas de análisis financiero. Por lo tanto, se mantendrá

la forma empírica con la cual se ha estado estudiando el fenómeno a analizar, que es mediante ratios financieros.

Los ratios en si, son los determinados a hablar por el manejo de la empresa. De una manera muy simple, un

análisis de ratios nos permite ver las maneras por las cuales una empresa está justificando sus ganancias en

rentabilidad, o sus mayores utilidades; los ratios nos permiten plantear hipótesis que expliquen el porque una

empresa ha llegado a cierta situación financiera.

Continuando con la conceptualización teórica de Hair et. al (2000), y lo propuesto por Altman et. al. (1995), se

considera completamente necesario el evaluar la aplicación de los modelos teóricos para el caso peruano,

tomando en cuenta lo visto por Philippatos et al. (2004), quien incluye factores macroeconómicos en su estimación

de los determinantes de estructura de capital para países de la OECD. La corrección al modelo planteada por

Altman et al. (1995) ocurrió a partir de la necesidad de aproximar los modelos predictivos a economías

emergentes, y su resultado ha sido considerado como correcto, y usado hasta el día de hoy. De esta manera, el

criterio económico y esta corrección planteada, que no toma en cuenta la exposición a la globalización económica

actual de países como el nuestro, lleva a la consideración de variables fundamentales macroeconómicas de la

economía peruana, como las reflejadas por medidas de producto y de inflación, en el modelo a plantear. La

evolución de la literatura con respecto a modelos de predicción de insolvencia financiera ha llegado a un momento

en el cual el trabajo de Altman (1968) sirve como base teórica, pero cuya especificación se muestra necesitada de

ampliación si es que se busca abstraer resultados particulares. El caso de la economía peruana es un caso

particular, y por lo tanto, la literatura permite y exige una mejor especificación del modelo; en el caso peruano, esta

especificación ocurre por el lado macroeconómico. La consideración de variables macroeconómicas y de riesgo

político, se justifican en la necesidad de poder generar una mayor potencia de predicción que la que un modelo

microeconómico en su totalidad (solamente basado en ratios financieros) podría obtener.

Definición de Variable Dependiente

Con respecto a la determinación de insolvencia financiera para las empresas peruanas, Ibarra (2001) dedicó un

capítulo entero a analizar el problema de especificación de esta variable dependiente. Este autor encontró que

más allá de la consideración teórica por el que uno se incline, siempre va a existir una limitación en cuanto a la

forma en como se clasifique lo que se conoce como empresa insolvente. En ese sentido, el análisis histórico de los

modelos de predicción no permite una muestra empírica de cómo modelar esta variable, puesto que presenta

limitaciones etimológicas desde la forma de llamarla insolvencia financiera.

En este estudio, señalamos previamente que consideramos que una empresa es insolvente cuando sus acuerdos

de pago, u obligaciones de cualquier tipo, se incumplen, o, en todo caso, se cumplen con dificultad. Asimismo, se

planteó que la clasificación de empresa insolvente la hicieron las mismas empresas toda vez que solicitaron un

procedimiento concursal ante INDECOPI.

12

Considerando que aquellas empresas que ingresan al sistema concursal son aquellas que poseen más de un

tercio del total de sus obligaciones se encuentren vencidas e impagas por un periodo mayor a 30 días calendario,

o, que tengan pérdidas acumuladas (deducidas las reservas), cuyo importe sea mayor al tercio del capital social

pagado, se puede afirmar que las empresas consideradas como insolventes en este trabajo están bien definidas.

De esa manera, para efectos del trabajo, la variable dependiente estará determinada por una variable dicotómica,

la misma que tomará un valor de 1 si es que la empresa en cuestión se acogió a un procedimiento concursal, y,

por consiguiente, pertenece a la muestra de empresas malas insolventes, y tomará un valor de 0 si es que la

empresa en cuestión no se acogió a un procedimiento concursal, lo que significaría que pertenece a la muestra de

empresas solventes siempre que también muestre indicadores financieros sanos.

Definición y Selección de Variables Independientes De acuerdo a lo visto del modelo inicial “Z-score” de Altman (1968), la selección de variables independientes en

nuestro modelo debe responder a la intención inicial del mismo luego de las consideraciones hechas por Johnson

(1970) sobre los ratios financieros (predicciones ex-post), así como incorporar características que permitan reflejar,

en el indicador predictivo, los mayores riesgos asociados en las empresas de economías emergentes, como se

desarrolló en la corrección a este modelo en Altman, Hartzcel y Peck (1995). De esta forma, se siguió lo visto por

Philippatos et al. (2004), considerando que la actividad empresarial, especialmente en países como el Perú, no

responde solamente a características microeconómicas, sino también a los fundamentos macroeconómicos del

país.

Por lo tanto, las variables independientes que detallaremos a continuación, han sido escogidas respetando la

necesidad de considerar ratios que midan rentabilidad, eficiencia, liquidez y solvencia. Además, y con el fin de

poder seguir lo intentado por Altman et al. (1995), se incluirán las variables de: crecimiento porcentual del PBI

sectorial (por empresa), variación porcentual anual de la inflación, tasa activa promedio en moneda nacional, una

variable dummy que controle por el impacto de crisis internacionales y crisis internas (de carácter económico y

político) y una variable creada a partir del índice de riesgo EMBI+, como medida de riesgo político. De esta manera

se procederá a intentar caracterizar el modelo predictivo en base a las características macroeconómicas

fundamentales de la economía peruana.

Solvencia

Como detalla Ibarra (2001), la solvencia es uno de los términos más importantes para definir el éxito o fracaso

empresarial (insolvencia financiera en nuestro caso) dentro de los estudios predictivos, e incluso se llega a

considerar que la verdadera causa de que una empresa cese sus actividades, no se debe en muchas ocasiones a

la falta de rentabilidad, sino a la de solvencia. El concepto de insolvencia ha sido explicado en la introducción de

nuestro trabajo de investigación, y es central en cuanto a la definición de la variable dependiente de nuestro

modelo. El ratio de solvencia que consideramos en nuestro modelo es el que viene dado por la relación entre el

pasivo total y el capital contable de la empresa (ambos en valor en libros), o ratio de apalancamiento como

comúnmente se conoce.

13

Total PasivoLEVPatrimonio

=

Siguiendo directamente la teoría, un alto grado de apalancamiento incrementa la probabilidad de problemas de

insolvencia y por lo tanto, esperamos un signo positivo en esta variable luego de la estimación del modelo. Esta

variable es la que termina por considerar las características esenciales del modelo Altman (1968) en nuestro

modelo.

Rentabilidad

El ratio del rendimiento sobre la inversión es una medida fundamental de rentabilidad económica y en nuestro

caso, se encuentra compuesto por la relación del beneficio (utilidad) y el tamaño del capital para generarlo

(tamaño de activos). Según Bernstein (1999), este ratio es el más importante para medir los resultados, pues

considera que la rentabilidad económica es la primera y principal finalidad de la empresa e incluso constituye la

razón de su existencia. Por lo tanto, se usa este ratio como medida de rentabilidad dentro del modelo,

respondiendo a la necesidad de considerar medidas de rentabilidad según Altman (1968) y a la importancia teórica

que envuelve.

Además, la consideración de este ratio responde a las consideraciones de Bernstein (1999) quien opina que este

ratio sirve como herramienta en un modelo de análisis financiero de tres formas:

(i) Como indicador para evaluar a largo plazo la efectividad y calidad de la dirección.

(ii) Como el indicador más confiable para medir la salud y potencial financiero de la empresa a largo

plazo (ya que considera elementos del balance general y las cifras finales del estado de pérdidas y

ganancias).

(iii) Como método de proyección de los beneficios comparable con el VAN o la TIR.

Estas tres formas permiten al modelo, mediante la consideración de esta variable independiente, posibilidad de

evaluación del tipo temporal y potencia en cuanto a la predicción ex-post. Este ratio, como especifica Ibarra (2001),

permite llevar a cabo comparaciones sobre los usos alternativos del capital y el rendimiento obtenido por

empresas con grados similares de riesgo, lo cual contribuye a la incorporación de características fundamentales

de la economía peruana, como es el accionar de las empresas peruanas frente al riesgo interno y global que

enfrentan.

( (1 ) )Pr

BAIT x tROAActivo Neto omedio

−=

Con respecto al signo de esta variable independiente luego de la estimación, consideramos que arrojará un signo

negativo, explicado por el hecho que una mayor rentabilidad genera una menor probabilidad de insolvencia

14

financiera en la empresa, ya que la alinea con su objetivo principal y demuestra un manejo más efectivo y rentable

de los activos de la empresa.

Liquidez

La generación de liquidez es el principal objetivo de corto plazo de cualquier empresa, enfocado en obtener un

grado de liquidez óptima que no permita la existencia de dificultades financieras. Según Bernstein (1999), la

liquidez es la facilidad, velocidad y el grado de merma para convertir los activos circulantes en caja, y la escasez

de ésta es considerada como uno de los principales síntomas de dificultades financieras. Como menciona Ibarra

(2001), la liquidez puede ser definida de manera muy simple, como la capacidad de pago a corto plazo que tiene

la empresa, o bien, la capacidad de convertir los activos e inversiones en dinero o instrumentos líquidos. En

nuestro caso, la liquidez puede ser definida como uno de los criterios básicos para no caer en insolvencia

financiera.

De esta forma, se considera el factor liquidez dentro del modelo, respondiendo a las características básicas del

modelo Altman (1968), en la relación entre la suma de caja, cuentas por cobrar e inversiones realizables y los

pasivos corrientes (lo conocido como el ratio prueba ácida).

ReCaja Cuentas por Cobrar Inversiones alizablesCURPasivo Corriente

+ +=

De igual forma, se considera como variable, el factor liquidez en la relación entre el capital de trabajo neto

operativo (definido como el capital de trabajo, diferencia entre activo corriente y pasivo corriente) y el activo total de

la empresa. Altman (1968) consideró este ratio como base para medir la liquidez y lo propuso como la medida

más eficiente entre los múltiplos ratios de liquidez. Según Altman (1968), cuando una empresa experimenta

pérdidas operativas de forma continua, tiene de inicio fuertes disminuciones en sus activos circulantes con relación

al total del activo. Este ratio, por lo tanto, es una medida del activo líquido neto de la empresa con relación a la

capitalización total.

Capital Circulante Neto OperativoLIQTotal Activos

=

Con respecto al signo esperado para ambas variables, de ser significativas (hipótesis 3), consideramos que este

será negativo, pues teóricamente, una mejor posición en cuanto a liquidez significa directamente, una mejor

posición financiera y por lo tanto una menor probabilidad de insolvencia financiera. Altos valores en los ratios de

liquidez reflejan una buena posición de la empresa en cuanto a caja, lo cual significa alta capacidad de cubrir

pasivos de corto plazo y asegurar la operación de la empresa.

15

Características de la Economía Peruana

El Perú es un país con una economía abierta pequeña, en vías de desarrollo y en donde la rentabilidad en el

sector productivo está directamente correlacionada a variables de determinación exógena, como son el precio de

los commodities, la evolución de las economías industrializadas (tanto por su demanda por nuestras exportaciones

como por el tipo de cambio), y la situación económica en conjunto, entendiendo esto como la salud de la

economía globalizada, la no existencia de crisis. Por lo tanto, la inclusión de variables fundamentales

macroeconómicas es básica, si es que se busca corregir el modelo Altman (1995) para el caso peruano.

De esta manera, se procederá a incluir variables que, teóricamente, son las de mayor importancia con respecto a

la evolución financiera de las empresas en nuestra economía. Primero, se incluirá el crecimiento porcentual del

PBI sectorial, de acuerdo al sector que pertenece la empresa y el año en el cual se recoja la observación. Esta

variable tiene por fin, el poder reunir el efecto generado por la situación macroeconómica en el sector de la

empresa, y por lo tanto, resumir el efecto de variables como tipo de cambio y su exposición a riesgos propios del

sector. Segundo, se incluirá la inflación; esta variable resulta de importancia clave en una economía como la

peruana, especialmente por el carácter histórico que ha tenido la inflación en el devenir económico nacional, y por

consiguiente, al ser considerada como factor clave en la matriz de decisiones en cualquier tipo de negocio o

emprendimiento en nuestro país. Tercero, se incluirá el costo de la deuda asumida por la empresa, reflejada en el

ratio de solvencia anteriormente mencionado, tomando la tasa activa promedio en moneda nacional. Esta variable

se justifica a partir del hecho que se considera al sistema bancario como la principal fuente de fondos para las

empresas (dado el tamaño y clase de empresas a analizar) y como tasa de interés proxy con respecto a la

evolución de tasas de interés producto de otros choques macroeconómicos. El costo de la deuda, de una manera

micro, es factor decisivo en relación a la capacidad de pago de la empresa, y de manera macro, permite abstraer

un costo promedio, cuyo cambio se refleje en la capacidad de pago de las empresas. Como en el caso del PBI, la

variable inflación y la variable de costo de deuda serán incluidas tomando en cuenta el año de la observación

recogida.

% sec ( )% inf ( )

Pr

PBI Crecimiento del PBI torial para el año de la observaciónINF Variación anual de la lación para el año de la observaciónTAMN Tasa Activa omedio en Moneda Nacional

===

De acuerdo a la teoría económica, el signo esperado para la variable PBI es negativo, pues el incremento del PBI

sectorial demuestra una evolución positiva del sector, que beneficiaría a la empresa dentro del mismo, y que

generaría posibilidades de una mejor situación financiera. Para el caso de la variable de inflación, se espera un

signo negativo, pues ante mayor inflación, se puede inferir no sólo un menor crecimiento de la economía por

efectos de demanda y oferta, sino también un manejo más dificultoso dentro de las empresas, así como

comportamientos y decisiones incorrectas, basadas en expectativas inflacionarias que no se ajustan directamente,

y cuyos rezagos terminan siendo perjudiciales (como nuestra historia nos demuestra). En el caso del costo de

deuda, la variable TAMN, se espera un signo positivo, pues ante un mayor costo de endeudamiento, resulta más

difícil mantener indicadores de solvencia y liquidez bien comportados, además del efecto directo en la capacidad

de pago.

16

Para poder medir la incidencia de crisis internacionales y nacionales en la probabilidad de insolvencia financiera,

se incluirá una variable dummy, que tome el valor de 1, reflejando crisis internacional o nacional en las

observaciones que pertenezcan a los siguientes años (0 de otra manera):

(i) 1997: producto de la crisis financiera asiática

(ii) 1998: producto de la crisis financiera rusa

(iii) 2000: producto de la crisis interna nacional y de la crisis de las .com

(iv) 2001: producto de la crisis interna nacional y de la crisis argentina

(v) 2007: producto de la última crisis financiera internacional de las hipotecas sub-prime

| 0 |1CRI Dummy No Crisis Crisis= = =

La justificación de esta variable dummy recae en la necesidad de poder corregir el modelo por la exposición a la

globalización financiera que presenta la economía peruana, especialmente, dadas las características de economía

pequeña antes mencionadas, a las crisis económicas mundiales, que afectan de manera directa el crecimiento, y

por lo tanto, el desenvolvimiento de las empresas. De igual forma, la variable sirve para corregir por el efecto de la

crisis interna de los años 2000 y 2001, cuyo efecto económico fue importante y significativo en cuanto al

desenvolvimiento empresarial. Como es de esperarse, se espera que el signo de esta variable sea positivo, pues

la exposición a crisis aumenta la probabilidad de insolvencia financiera.

Como última característica de aproximación a la economía peruana, planteamos la consideración de una variable

independiente que pueda incluir tanto el riesgo político (interno) y regional (globalización), como parte de la

consideración de riesgos que potencien el poder predictivo de nuestro modelo en nuestra realidad. La

consideración de estas variables, como se menciona anteriormente, responde a la teorización macroeconómica

sobre la importancia real de estos factores en una economía tan pequeña, politizada y expuesta como la nuestra.

En este contexto se empleará una medida de riesgo de la empresa, construida a partir de la diferencia entre el

índice EMBI+ para Latinoamérica y el índice EMBI+ para el Perú. De esta forma se planea poder incorporar qué

tan más riesgoso es el país en contraste con sus contrapartes regionales y poder abstraer una medida de riesgo

político y regional. Esta variable será incluida tomando el valor de esta diferencia tomando en cuenta el año de

donde se recoge la observación.

( )EMBI EMBI Latam EMBI Peru para el año de la observación= + − +

Como es de esperarse, se espera que esta medida de riesgo esté positivamente relacionada con la probabilidad

de insolvencia financiera, y por lo tanto se espera un signo positivo luego de la estimación del modelo.

17

Variables Generales

La siguiente variable que completa el modelo se incluye con el fin de incluir en nuestra estimación, características

comparables en cuanto a aspectos generales de las empresas incluidas en el estudio. Si bien no es objetivo de

nuestro modelo el poder comparar entre empresas, consideramos que el tamaño de la empresa es una variable

que puede ser usada con el fin de poder realizar un análisis más profundo de los determinantes de insolvencia

financiera, y por lo tanto, necesaria para reducir la abstracción en el modelo. Altman et al. (1977) la incluyó como

parte de las variables de una actualización del modelo original y como menciona Ibarra (2001), no se quiso

eliminar el efecto que tiene el tamaño de la empresa para la capacidad predictiva del modelo. Por lo tanto, para el

tamaño de la empresa, medida por el logaritmo natural de su nivel de activos, se espera un signo positivo, pues

como mencionan Li y Liu (2009), el manejo de una empresa de gran tamaño es dificultoso, especialmente ante

problemas de concentración de propiedad, y por lo tanto, incrementa la probabilidad de insolvencia financiera.

( )11R SIZE Ln Total Activos= =

Así, la revisión bibliográfica disponible sobre la investigación nos abre el camino de poder plantear un modelo

predictivo, el cual, dada la crítica a la evolución del principal, el modelo Altman (1968), será de predicción ex-post,

pero respondiendo a las características fundamentales del mismo, y a la teorización de nuestro propio valor

agregado para adaptarlo a las condiciones fundamentales de la economía peruana.

Metodología Marco Analítico

Sobre la base del modelo inicial conocido como “Z-score” de Altman (1968), modelo multivariado de ratios

financieros que permitía indicar qué empresas se dirigían hacia la quiebra en los Estados Unidos, se desarrollaron

diversos modelos predictivos mediante el Análisis Discriminante Múltiple (MDA). Posteriormente Altman, Hartzcel

y Peck (1995), adaptaron el modelo original Z-score para economías emergentes, con el fin de poder reflejar en el

indicador predictivo, los mayores riesgos asociados a las empresas en una economía emergente. El fin de estos

estudios era poder establecer predicciones ex-ante, lo cual, como discutió Johnson (1970) presentaba grandes

limitaciones, pues los ratios financieros tenían poca capacidad para este tipo de predicciones. Sin embargo, el

modelo de Altman tendía a ser más exacto para predicciones ex-post.

De igual forma, el modelo “Z-score” de Altman presenta diversas deficiencias, como estipula Ibarra (2001); estos

problemas, principalmente estadísticos, incluyen las dificultades en la dispersión de las variables, la dispersión de

grupos, la inadecuada reducción en el número de las variables, entre otros. Principalmente, dentro del análisis de

discriminante múltiple, existen diversas dudas sobre la certeza de la contribución relativa de cada una de las

variables independientes dentro de la función lineal, así como de su correcta interpretación. Por lo tanto, la

selección de una metodología adecuada exige la observación de estas deficiencias y la elección de una que las

18

supere. De esa manera, y, principalmente, debido a que la variable dependiente del modelo a estimar es

categórica, se optó por escoger la regresión logística como metodología para el estudio.

Como explican Quintana, Gallego y Pascual (2005), definida la variable dependiente como la ocurrencia o no de

un acontecimiento, el modelo de regresión logística (logit) la expresa en términos de probabilidad, usando la

función logística para estimar la probabilidad de que ocurra el acontecimiento, dados determinados valores de las

variables explicativas, mediante la siguiente formulación:

( )

0 1 1 2 2

0 1 1 2 2 0 1 1 2 2

...

... ...

1 1, 2...1 1

i i p pi

i i p pi i i p pi

x x x

i x x x x x x

e i ne e

β β β β

β β β β β β β βπ

+ + + +

+ + + + − + + + += = ∀ =

+ +

Como continúan en su explicación Quintana et al. (2005), el modelo anterior no es lineal respecto a las variables

independientes y por lo tanto, se considera la inversa de la función logística, que es el logit o ventaja de que un

suceso ocurra, definiéndose ésta como el cociente entre la probabilidad de que ocurra un acontecimiento y la

probabilidad de que no ocurra, que es su complementaria, como puede observarse en la siguiente expresión:

0 1 1 2 2log ( ) ... 1, 2...1

ii i i p pi

i

it Ln x x x i nππ β β β βπ

= = + + + + ∀ = −

Esta formulación facilita la interpretación del modelo y de sus coeficientes, que reflejan, de este modo, el cambio

en el logit correspondiente a un cambio unitario en la variable independiente considerada. Una vez explicada la

metodología, vale mencionar las características que vuelven al análisis logit superior al de discriminante múltiple y

por consiguiente, preferido, en base a dos razones básicas, como menciona Hair (2000):

(i) El análisis de discriminante múltiple confía en supuestos muy estrictos de normalidad multivariada y

matrices de varianza-covarianza iguales entre grupos, supuesto que no se cumple en la mayoría de

situaciones, y que, en el análisis logit no es necesario a priori además de ser más robusto cuando no

se cumplen estas condiciones

(ii) El análisis logit es superior porque presenta instrumentos como pruebas estadísticas, así como la

posibilidad de incorporación de variables métricas, no métricas y efectos no lineales, parecidos a los

de la regresión múltiple, lo cual lo convierte en un estimador más práctico y sencillo de interpretar.

Tomando en cuenta esto, se propone usar una variación del modelo logístico propuesto por Li y Liu (2009) para

encontrar los determinantes de insolvencia financiera en empresas listadas en la bolsa china. Este modelo

responde a las consideraciones iniciales del modelo de Altman para economías emergentes, y nos brinda la

posibilidad de realizar una estimación ex-post, que brinde a los ratios financieros la capacidad predictiva que les

asocia Johnson (1970). Las variables a incluir en el modelo son las expuestas en el marco teórico que antecede

esta sección.

19

Descripción de la Data

La base de datos que se utilizará para las estimaciones pertinentes al objetivo presenta una estructura de corte

transversal. La longitud temporal a analizar responde a la decisión de incluir en el estudio periodos en los que, por

la coyuntura del país u otros factores no identificados, las empresas de la muestra se hayan encontrado en un

problema de insolvencia financiera. Por lo tanto, usaremos data en base a la siguiente muestra:

(i) Sistema Concursal del Instituto Nacional de Defensa de la Competencia y de la Protección a la

Propiedad Intelectual (INDECOPI): muestra de empresas en situación de insolvencia financiera

(ii) Empresas del consolidado Peru: The Top 10,000 Companies. Esta base incluye las 10,000

empresas con mejores resultados en ingresos y utilidades por sector.

El periodo comprendido se encuentra entre el año 1995 y el 2007 para la muestra de empresas insolventes, y

debido a la imposibilidad de conseguir información para la selección de empresas solventes en el periodo

mencionado, se utilizará información del periodo comprendido entre los años 2000 y 2007 para esta muestra, con

el fin de usar esta selección como variables de control para las empresas de la muestra del sistema concursal de

INDECOPI. Ambas muestras buscaran reflejar, de la mejor manera posible, tomando en cuenta el factor de

disponibilidad, un escenario en el cual se incluyan a los 11 principales sectores de la economía peruana:

agroindustria, alimentos y bebidas, ingeniería y construcción, manufactura, minería, pesca, petróleo y gas,

química, retail, textil y transporte y logística.

La muestra de empresas insolventes, obtenida de la primera fuente (INDECOPI), es de 30 empresas. Estas han

sido seleccionadas, luego de hacer una clasificación por tipo de procedimiento y último estado (priorizando las

que se encuentran en quiebra debido a insolvencia financiera). Se seleccionó este número de empresas luego de

considerar limitaciones en cuanto a disponibilidad de data, así como al costo de la misma. De igual forma, el

número de empresas escogido permite realizar un traslape de información, con respecto a la muestra de

empresas solventes, que complete el periodo comprendido por el estudio y que permita la estimación del modelo.

La muestra de empresas solventes se ha seleccionado de acuerdo a las empresas insolventes de las cuales se

consiguió información financiera en INDECOPI. El criterio de selección se basó en poder replicar el escenario

propuesto por las empresas insolventes, en cuanto a la dispersión por sectores. De manera más importante, la

selección de empresas solventes responde a la necesidad de lograr un apareamiento de la data adecuado y que

permita una base de datos comparables para cada tipo de empresa. Por lo tanto, y como ejemplo, para una

empresa que entró al sistema concursal de INDECOPI con ventas de 3 millones de soles, se encontró una

empresa en la base PERU TOP 10,000, con la misma magnitud de ventas. Las prioridades en cuanto al criterio

de apareamiento fueron de la siguiente manera: primero, la empresa debe pertenecer al mismo sector de la

economía; segundo, la magnitud de ventas debe ser lo más cercana posible; tercero, de no poder completar el

segundo paso, se procede a comparar contra una empresa del mismo tamaño (en base al logaritmo del total de

activos). De esta forma, la base de datos, con 73 observaciones por clase de empresa (insolvente o solvente),

incluye las 30 empresas insolventes mencionadas y 32 empresas solventes. El número mayor de empresas

20

solventes responde al hecho que se priorizó encontrar a una empresa que sea completamente comparable para

cada observación de empresa insolvente.

De esta manera, la selección de empresas generó la siguiente muestra, en cuanto a su sector de origen:

Gráfico 3 – Empresas de la muestra, por sector

Transporte y Logística

10%

Agroindustria7%

Alimentos y Bebidas10%

Ingeniería y Construcción

7%

Manufactura12%

Minería7%Pesca

7%Petróleo y Gas7%

Químico7%

Retail10%

Textil16%

Elaboración: Propia

El gráfico 3 da una visión de la importancia (peso) de los sectores de la economía peruana dentro de la muestra a

analizar, se puede observar que el sector textil y manufactura son los más representativos de la muestra,

seguidos por el sector retail. Vale mencionar que si bien se quiso replicar la economía peruana, se encontró una

gran limitación en cuanto a la información para la base de datos de INDECOPI; sin embargo, se logró una

participación similar para la mayoría de sectores. Con respecto a las variables independientes seleccionadas y su

cálculo a partir de la selección de empresas, la siguiente tabla resume las principales características estadísticas

de las mismas:

Cuadro 1 – Características estadísticas de las variables independientes

Variable Obs ervac iones Media Des . E s tandar Min Max

L E V 146 1.9803 3.8689 ‐9.6980 23.1250

R O A 146 ‐0.8681 9.0720 ‐6.1550 0.4580

P R U 146 ‐0.2015 0.2396 0.0000 2.3590

L IQ 146 ‐0.4542 6.8581 ‐82.4490 1.0000

P B I 146 0.4551 0.0585 ‐0.1240 0.2350

INF 146 3.3719 2.6731 ‐0.1300 11.8400

T AMN 146 26.3665 4.3614 20.7650 36.1550

C R I 146 0.4658 0.5005 0.0000 1.0000

E MB I 146 ‐118.7325 210.6302 ‐560.8740 130.5080

S IZ 146 15.2455 1.6341 8.3890 19.0100 Elaboración: Propia

21

Finalmente, se pasó a calcular la matriz de correlaciones entre las variables independientes, con el fin de poder

limpiar la base de datos del problema de multicolinealidad entre los regresores. El problema de multicolinealidad

se presenta cuando existe una correlación elevada (0.8 en nuestra consideración) entre los regresores (y con la

dependiente), lo cual afecta la potencia de la estimación, arrojando una significancia conjunta elevada, pero con

estadísticos t que permitan eliminar los regresores por no tener significancia individual. La matriz de correlaciones

calculada es la siguiente:

Cuadro 2 – Matriz de Correlaciones Ins olvenc ia L E V R OA P R U L IQ P B I INF TAMN C R I E MB I S IZ

Ins olvenc ia 1L E V 0.0938 1R OA ‐0.2961 0.1451 1P R U ‐0.4128 ‐0.1677 0.1513 1L IQ ‐0.141 0.0516 0.0186 0.1096 1P B I ‐0.192 0.0929 0.1013 0.1371 0.0211 1INF 0.4414 0.0263 ‐0.0639 ‐0.2176 ‐0.0269 ‐0.0797 1

TAMN 0.4997 ‐0.0458 ‐0.1569 ‐0.2414 ‐0.0867 ‐0.2873 0.6303 1C R I 0.1648 ‐0.0757 ‐0.1746 ‐0.185 ‐0.0971 ‐0.3082 0.1121 0.5109 1

E MB I 0.0759 ‐0.0336 0.0256 ‐0.0354 0.1242 ‐0.068 ‐0.0323 ‐0.1666 ‐0.5204 1S IZ 0.1141 0.1912 0.1383 ‐0.4129 0.2885 ‐0.0442 0.1196 0.015 ‐0.077 0.3124 1

Elaboración: Propia

El cuadro 2 permite comprobar la inexistencia de multicolinealidad entre las variables independientes calculadas,

y por lo tanto, confirmar la presencia de todas estas en la estimación a realizar. De esta manera, se procederá a

controlar los problemas de heterocedasticidad, autocorrelación y quiebre estructural en la estimación del modelo.

Modelo Empírico

El modelo a estimar, luego de todas las consideraciones teóricas, es una regresión binaria logística (Logit) que

permite estimar la probabilidad de ocurrencia de insolvencia financiera, de la siguiente forma:

0 1 2 3 4 5 6

7 8 9 10

( 1| )it it it it it it it it

it it it it it

Logit Insolvente X LEV ROA PRU LIQ PBI INFTAMN CRI EMBI SIZE

α α α α α α αα α α α ε

= = + + + + + ++ + + + +

Donde:

Insolventeit es la variable dependiente, decidida a partir de los criterios explicados

LEVit es el ratio de apalancamiento

ROAit es el rendimiento sobre activos promedio

PRUit es el ratio prueba ácida

LIQit es el ratio de liquidez propuesto por Altman

PBIit es el crecimiento porcentual del PBI sectorial por empresa, para el año de la observación

INFit es la variación porcentual anual de la inflación (índice de precios al consumidor), para el año de la

observación

TAMNit es la tasa activa promedio del sistema bancario para el año de la observación

22

CRIit es una variable dummy que toma valor 1 ante crisis mundiales y nacionales y 0 de otra forma, de acuerdo al

año de la observación

EMBIit es la diferencia entre el EMBI+ Latinoamérica y el EMBI+ Perú, para el año de la observación

SIZEit el tamaño de la compañía, incorporado como el logaritmo del total de activos.

εit es el error aleatorio asociado a la empresa i.

23

Resultados e Interpretación

Descripción de la estimación realizada

La estimación del modelo híbrido (pues incluye factores microeconómicos y macroeconómicos), responde a la

selección de las variables antes explicadas, con la consideración de que el software utilizado (Stata 9.0) permite la

instrucción de realizar una selección de variables independientes relevantes de forma iterativa, para un nivel de

significancia determinado en 90%. De esta manera, y luego de haber realizado el proceso de limpieza de la data

(habiendo controlado por heterocedasticidad en la estimación), mencionado anteriormente en la descripción de la

base de datos, se procedió a realizar la estimación considerando todas las variables planteadas, con los

siguientes resultados:

Cuadro 3 – Regresión de los determinantes microeconómicas y macroeconómicas Dependiente = 1 (E mpres a Ins olvente) | 0 (E mpres a S olvente)

Variables C oefic iente P ‐value

Apalancamiento 0.3048561 0.001 0.1303323 0.4793800

R O A ‐0.7856465 0.006 ‐1.3486310 ‐0.2226617

C rec. % del P B I S ectorial ‐9.3659230 0.047 ‐18.6206400 ‐0.1112105

Var. % de la Inflación 1.1612440 0.055 ‐0.0225490 2.3450360

T asa Activa Moneda Nacional 0.2117843 0.007 0.0585711 0.3649975

Dummy ‐ C ris is 1.7485660 0.002 0.6440074 2.8531250

C ‐7.0885070 0.000 ‐10.9651300 ‐3.2118810

P s eudo R 2

L og P s eudolikelihood

Wald C hi2

P rob > C hi2 0.0000

‐48.292306

Intervalos de C onfianza (al 95% )

0.3792

29.55

Elaboración: Propia

Lo primero a mencionar, es que la estimación iterativa realizada no permitió la inclusión de las variables de

liquidez y tamaño de la empresa, con el nivel de significancia elegido. De igual forma, es importante mencionar

que la variable macroeconómica llamada a representar el riesgo político (variable EMBI), no resultó significativa, y

si bien, no presentaba multicolinealidad respecto a las demás variables macroeconómicas, se consideró que su

efecto puede, de igual forma, ser reflejado por la variable dummy Crisis incluida y antes explicada. Cabe indicar,

sin embargo, que todas las demás variables sí logran ser significativas para explicar la probabilidad de insolvencia

financiera, dentro de las que se encuentran no sólo las que caracterizan el desenvolvimiento económico dentro de

la empresa, sino también las que presentan características macroeconómicas propias de la exposición de un país

en vías de desarrollo, como el Perú, a la globalización económica mundial y a sus efectos en el mercado interno.

Antes de pasar a realizar la interpretación de la estimación y contrastar los resultados con las hipótesis

planteadas, es relevante demostrar la validez econométrica de la estimación en base a los indicadores básicos de

significancia que se pueden realizar ante la estimación de un modelo logístico. De primera mano, el pseudo R2 del

modelo se encuentra dentro del rango (entre 0.2 y 0.4) de lo considerado, teóricamente, como un buen modelo, lo

24

que permite la inferencia de resultados coherentes y además, el cálculo de efectos impacto y elasticidades

tomando en cuenta una probabilidad promedio de insolvencia financiera racional y de acuerdo a la teoría

económica detrás del modelo. Asimismo, la probabilidad arrojada por el coeficiente de Wald, permite comprobar la

significancia conjunta de las variables en el modelo, al no poder confirmarse la hipótesis nula de que todos los

coeficientes de las pendientes son iguales a 0. Como otra forma de poder corroborar la bondad de ajuste del

modelo, se calculó el contraste de Hosmer-Lemeshow. La idea del contraste de Hosmer-Lemeshow es comparar

las predicciones de las probabilidades con los datos observados, lo cual permitió confirmar que el modelo

presenta un buen ajuste de los datos, como se demuestra por el p-value del estadístico calculado:

Cuadro 4 – Contraste de Hosmer-Lemeshow

Hosmer‐L emeshow C hi2 (10) 9.0100

P rob > C hi2 0.5315

C ontras te de Hos mer‐L emes how

Elaboración: Propia

Otra forma de poder valorar el ajuste de nuestro modelo logístico, de manera muy sencilla, es la comparación de

las predicciones del modelo con las respuestas observadas en la muestra. De esta forma, se puede construir un

cuadro clasificatorio de las respuestas, lo que permite calcular las tasas de acierto (o error), globalmente, para

cada categoría, así como el porcentaje de falsos 1 o 0. El cuadro clasificatorio construido en base al modelo

planteado es el siguiente, así como las probabilidades calculadas y el cálculo de especificidad y sensibilidad:

Cuadro 5 – Cuadro Clasificatorio y Porcentajes de Predicciones Correctas

C las s ified D ~D Total

+ 37 10 47

‐ 14 52 66

Total 51 65 113

‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ True ‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐

C las s ified + if predic ted P r(D) >= 0.5True D defined as E mpres a S olvente (Dependiente = 0)

S ens itivity P r( +| D) 72.55%

S pecificity P r( ‐|~D) 83.87%

P os itive predictive value P r( D| +) 78.72%

Negative predictive value P r(~D| ‐) 78.79%

F alse + rate for true ~D P r( +|~D) 16.13%

F alse ‐ rate for true D P r( ‐| D) 27.45%

F alse + rate for class ified + P r(~D| +) 21.28%

F alse ‐ rate for class ified ‐ P r( D| ‐) 21.21%

C orrec tly C las s ified 78.76% Elaboración: Propia

Del cuadro presentado, lo primero a mencionar es que el modelo clasifica de manera correcta al 78.76% de las

observaciones en la base de datos, lo que demuestra un alto nivel de capacidad predictiva del modelo y lo que,

además, nos permite considerar los resultados como válidos para contrastar las hipótesis. La sensibilidad del

25

modelo, que nos explica la probabilidad de que el modelo haya calculado de manera correcta (una probabilidad

mayor o igual a 0.5) a las observaciones consideradas como D (observaciones con dependiente 0), es de

72.55%, valor que también es lo suficientemente alto como para aceptar la validez de los resultados. La

sensibilidad puede ser interpretada, también, como la tasa de acierto en la predicción del modelo para las

variables con dependiente D. De manera análoga, la especificidad del modelo, calculada en 83.87%, demuestra

la tasa de acierto en la predicción de variables con dependiente -D (observaciones con dependiente 1). De esta

forma, tanto la sensibilidad y especificidad del modelo como la capacidad predictiva, considerada como la

capacidad de correcta clasificación del modelo, demuestra una alta consistencia de los resultados, así como

probabilidades de error tipo 1 y error tipo 2 muy bajas. A continuación, se presenta el gráfico de sensibilidad y

especificidad, donde se demuestra lo explicado, además de estar de acuerdo a lo esperado idealmente; que el

cruce de las líneas se encuentre en una parte alta del cuadro:

Gráfico 4 - Plot de Sensibilidad y Especificidad

0.0

00

.25

0.5

00

.75

1.0

0S

ensi

tivi

ty/S

pec

ific

ity

0.00 0.25 0.50 0.75 1.00Probability cutoff

Sensitivity Specificity

Elaboración: STATA / Propia

Una última medida del ajuste de los datos para el modelo, es la interpretación de la curva ROC (receiver operating

characteristics), donde el valor a tomar en cuenta, es el área debajo de la curva. Esta área, conocida también

como el coeficiente de concordancia (concordance index), cuyo valor óptimo es de 1 (perfecta potencia

discriminativa, o predictiva), es el plot entre sensibilidad y 1-especificidad, la fracción de dependientes = 0

correctamente predichas contra la fracción de dependientes = 1 valoradas incorrectamente. Este coeficiente

puede también ser interpretado como el porcentaje de veces en las cuales el modelo ha asignado una mayor

probabilidad a una predicción correcta que a una incorrecta. El valor del coeficiente y el gráfico del cual se

desprende, se presentan a continuación:

26

Gráfico 5 - Curva ROC

0.0

00

.25

0.5

00

.75

1.0

0S

ensi

tivi

ty

0.00 0.25 0.50 0.75 1.001 - Specificity

Area under ROC curve = 0.8773

Elaboración: STATA / Propia

Cuadro 6 - Coeficiente de Concordancia en base a Curva ROC

ROC Curve 0.8773

Indice de Concordancia ROC

Elaboración: Propia

De acuerdo al valor del coeficiente de concordancia, 0.8773, se puede afirmar que el ajuste de los datos es una

vez más comprobado como válido, y, por lo tanto, permite pasar a la interpretación de los coeficientes

encontrados y al cálculo de los efectos impacto y elasticidades para las variables. En síntesis, se puede concluir

que la estimación realizada comprueba las pruebas de ajuste de datos necesaria como para poder ser

considerada correcta y válida para el objetivo del estudio. La siguiente sección muestra la interpretación de los

resultados a la luz de la teoría económica que sustenta la evaluación de los determinantes de insolvencia

financiera para el caso peruano.

Interpretación de los resultados

El signo de los coeficientes

Como en toda interpretación de los resultados de un modelo logístico, lo primero a analizar es el signo de los

coeficientes arrojados por la estimación para cada variable. De esta forma, de los resultados mostrados en el

cuadro 3, vale mencionar algunas conclusiones importantes:

(i) Como era de suponer, tanto los factores microeconómicos como los macroeconómicos tienen incidencia

en la probabilidad de insolvencia financiera en el Perú. A diferencia del tratamiento histórico que se ha

dado a la modelación de probabilidades de quiebra e insolvencia financiera, las variables

27

macroeconómicas demuestran tener importancia y relevancia en el cálculo para una aproximación en el

caso peruano. Si bien llama a la atención las distintas magnitudes de los parámetros estimados, cabe

recordar que, en un modelo probabilístico, estás pierden relevancia por lo que no deben tomarse en

cuenta en el análisis.

(ii) Por su parte, se confirma la importancia del ratio de apalancamiento en el incremento de la probabilidad

de insolvencia financiera, de acuerdo a lo detallado por Ibarra (2001), quien menciona cómo un alto grado

de apalancamiento es muchas veces la verdadera causa de que una empresa cese sus actividades.

(iii) Se evidencia la importancia del rendimiento sobre activos promedio (ROA) en la reducción de la

probabilidad de insolvencia financiera, mostrando como una mayor rentabilidad contribuye al potencial

financiero de la empresa, como mencionara Bernstein (1999). De igual forma, el signo de esta variable

independiente luego de la estimación, permite, de acuerdo a lo visto por Ibarra (2001), tener una mejor

idea de la incidencia de la generación de rentabilidad por encima de los usos alternativos del capital.

(iv) De igual forma, se evidencia una relación inversa entre el crecimiento porcentual del PBI sectorial (del

sector de cada empresa en cada observación) y su probabilidad de insolvencia financiera. Este resultado

responde a la influencia directa que existe entre la evolución económica de un sector, impulsada por

factores exógenos a los considerados por los ratios financieros, y su influencia en el potencial financiero

de la empresa. De esta manera, resulta lógico entender que el mejor desempeño agregado de un sector

reduce la posibilidad de las empresas que lo componen, de caer en insolvencia financiera.

(v) Se evidencia también, el incremento en la probabilidad de insolvencia financiera generado por variación

porcentual (anual) de la inflación. Como en muchos países de la región, la inflación ha determinado el

escenario económico por bastantes episodios de las décadas pasadas, y, como tal, es importante en la

interacción económica de los agentes, por tanto, determinante de todo proceso económico. De esta

forma, resulta coherente el entender que la inflación (el incremento de ella) incremente la probabilidad de

insolvencia financiera.

(vi) Asimismo, se evidencia una relación directa entre la tasa activa promedio en moneda nacional y la

probabilidad de insolvencia financiera. Esto puede responder al hecho que la tasa activa promedio en

moneda nacional es el costo de la deuda para el apalancamiento al que se exponen las empresas en el

país y por lo tanto, un cambio en el costo tiene efecto directo sobre la posibilidad de pago. De esta forma,

un incremento en el costo de la deuda incrementa la vulnerabilidad de la empresa con respecto al

problema de insolvencia.

(vii) Por último, se concluye que la exposición a crisis internacionales y crisis internas nacionales incrementa

la probabilidad de insolvencia financiera para las empresas en el Perú. La evidencia empírica en el Perú

muestra que la exposición a los mercados externos y a la evolución de crisis económicas en estos, es un

determinante directamente relacionado con la probabilidad de insolvencia financiera. Como se mencionó

28

en la explicación de esta variable, un país en vías de desarrollo como el Perú, con una economía

pequeña, es afectada directamente por la globalización económica.

La probabilidad estimada

El atractivo principal de la metodología seleccionada, en cuanto a la interpretación de resultados, es que permite

estimar probabilidades puntuales dadas características determinadas de las variables independientes. De esta

forma, resulta interesante y necesario, el calcular la probabilidad promedio de caer en insolvencia financiera, de

acuerdo a los determinantes encontrados como significativos en la estimación y sus valores medios. De este

cálculo se obtiene que dicha probabilidad promedio es de 45.31%.

Cuadro 7 – Probabilidad Promedio de Insolvencia Financiera

Variables P romedio

Apalancamiento 2.74253

R O A 1.64496

C rec. % del P B I S ectorial 0.05375

Var. % de la Inflación 1.07574

T asa Activa Moneda Nacional 25.73480

Dummy ‐ C ris is 0.66372

P robabilidad P romedio 45.3076% Elaboración: Propia

Efecto Impacto y Elasticidades

De acuerdo a los resultados de la estimación, se pasan a calcular los efectos impacto y elasticidades de la

variables, discretas y continuas, respectivamente. La racionalización detrás de estos cálculos es la de poder

identificar la incidencia real, el valor real que se produce en la probabilidad de insolvencia financiera, ante un

cambio en las variables independientes usadas. De esta forma, el efecto impacto nos permite identificar, para la

variable discreta dummy Crisis, el cambio en la probabilidad cuando esta cambia de 0 a 1; para el caso de las

variables continuas (todas las demás), la elasticidad nos permite entender el cambio en la probabilidad de la

dependiente ante un incremento del 1% en la variable independiente.

Cuadro 8 – Efecto Impacto de la Variable Dummy Crisis

Variables dy / dx P ‐value

Apalancamiento 0.0732484 0.001

R O A ‐0.1887688 0.008

C rec. % del P B I S ectorial ‐2.2503680 0.043

Var. % de la Inflación 0.2790143 0.053

T asa Activa Moneda Nacional 0.0508858 0.007

Dummy ‐ C ris is * 0.3925647 0.000

(*) E fecto Impacto del cambio de 0 a 1 de la variable discreta

29

Variables E fec to Impac to

Dummy ‐ C ris is 39.26% Elaboración: Propia

De acuerdo a lo visto por el efecto impacto de la variable dummy Crisis, se confirma que la exposición del

mercado peruano a las crisis económicas en los mercados internacionales y a las crisis internas, incrementa la

probabilidad de caer en insolvencia financiera. Así, el hecho de ser una economía en vías de desarrollo, un

mercado pequeño y cuya evolución dependa del precio de los commodities, de la cantidad de exportaciones, del

bienestar económico de la región y de la necesidad de capital extranjero, incrementa la posibilidad de caer en

insolvencia financiera para las empresas en 39.26%. De otra manera, si el Perú fuese un país que se

desenvuelve en un escenario de autarquía, las empresas tendrían una probabilidad menor, en 39.26 puntos

porcentuales, de caer en insolvencia financiera.

Cuadro 9 – Elasticidades de las variables continúas

Variables ey / ex P ‐value

Apalancamiento 0.4572680 0.003

R O A ‐0.7068151 0.017

C rec. % del P B I S ectorial ‐0.2753413 0.044

Var. % de la Inflación 0.6832137 0.067

T asa Activa Moneda Nacional 2.9808450 0.013

Variables E las tic idad

Apalancamiento 0.4573%

R O A ‐0.7068%

C rec. % del P B I S ectorial ‐0.2753%

Var. % de la Inflación 0.6832%

T asa Activa Moneda Nacional 2.9808% Elaboración: Propia

De las elasticidades se puede concluir que un incremento en el apalancamiento de la empresa en 1%, incrementa

su probabilidad de caer en insolvencia financiera en 0.46%. De la misma manera, un incremento en la rentabilidad

sobre activos de la empresa en 1%, disminuye dicha probabilidad en 0.71%. Un incremento en 1% en el

crecimiento porcentual del PBI sectorial (de acuerdo al sector de la empresa) disminuye la probabilidad en

cuestión en 0.28%. Asimismo, un incremento de 1% en la variación porcentual anual de la inflación incrementa la

probabilidad en 0.68%. Por último, un incremento de 1% en la tasa activa promedio en moneda nacional

incrementa la probabilidad de caer en insolvencia financiera en 2.98%. Esta ùltima variable es la de mayor

importancia relativa sobre la probabilidad calculada.

30

Conclusiones y Recomendaciones Luego de haber analizado los resultados, se encontraron respuestas tangibles a la pregunta planteada en un

principio; ¿cuáles son los determinantes que llevan a una empresa a caer en problemas de insolvencia financiera?

La importancia de dar respuesta a ésta pregunta radica en la posibilidad de hallar la probabilidad de que una

empresa determinada enfrente problemas financieros que puedan terminar por una eventual salida del mercado.

Entre los principales resultados obtenidos se puede observar que, tanto los factores microeconómicos como los

macroeconómicos tienen incidencia en la probabilidad de insolvencia financiera para empresas peruanas. Este

resultado nos da indicios contundentes de que, al menos en el caso peruano, si bien es relevante el análisis de

aspectos internos de cada empresa, el factor macroeconómico constituye un determinante importante en el

desenvolvimiento de las empresas.

Más aún, el resultado obtenido permite aceptar la primera hipótesis planteada que sostenía que los factores

macroeconómicos tienen mayor impacto que los factores financieros. Esto se evidencia en las elasticidades de los

indicadores y el efecto impacto de la variable discreta utilizada. Así, se encontró que un incremento de 1% en la

variable de crecimiento porcentual del PBI sectorial disminuye la probabilidad de que una empresa caiga en

insolvencia financiera en 0.28%. Asimismo, un incremento de 1% en las variables; variación porcentual de la

inflación y la tasa activa promedio en moneda nacional, incrementan la probabilidad de insolvencia en 0.68% y

2.98%, respectivamente. De esa manera, mientras esto sucede con los factores macro, al analizar los factores

micro, se encontró que, un incremento de 1% en el nivel de apalancamiento de una empresa incrementa su

probabilidad de caer en insolvencia financiera en 0.46%, y, un incremento en la rentabilidad sobre activos en 1%

disminuye la misma probabilidad en 0.71%. Dicho esto, y considerando además, que el efecto impacto de la

variable dummy Crisis, es de 39.26%, se puede concluir que los factores macro, efectivamente, tienen una mayor

incidencia sobre la probabilidad de insolvencia financiera.

Otro hallazgo importante radica en la relevancia de dos indicadores financieros. En ese sentido, se observa que,

de todos los indicadores financieros incluidos en el modelo en un principio, solo dos revelan una significancia

considerable; el ratio de apalancamiento o de solvencia y el ROA.

Así, se confirma la importancia del ROA en la reducción de la probabilidad de insolvencia financiera y se encontró,

específicamente, que ante incrementos en el ROA, la probabilidad de insolvencia disminuye, como se menciona

líneas arriba.

El ratio de apalancamiento, por su parte, también evidenció una significancia considerable en el modelo. Sin

embargo, con respecto a la segunda hipótesis planteada que sostenía que el ratio de solvencia, medido por el ratio

de apalancamiento, tendría mayor impacto sobre la probabilidad de insolvencia financiera entre los demás ratios,

se puede concluir que no es posible su aceptación en vista de los resultados obtenidos. De esa manera, se

encontró que el ROA tiene mayor impacto sobre la probabilidad de insolvencia que el ratio de solvencia dado que

frente a incrementos de 1% en ambos ratios, el último incrementa la probabilidad de insolvencia en 0.46%,

31

mientras que el ROA provoca una disminución en la probabilidad de 0.71%, evidenciando, de esa manera, el

mayor impacto del ROA.

Con respecto a la tercera hipótesis, lo mencionado anteriormente con relación a la significancia de las variables

ROA y de solvencia, nos permite aceptarla. Sin embargo, este resultado merece un análisis un poco más amplio.

La no significancia de las variables de liquidez en nuestro modelo, responde a la naturaleza de las empresas que

hemos tomado como muestra. Las empresas pequeñas y medianas en el Perú manejan su liquidez de una

manera cortoplacista y sin el enfoque que los ratios propuestos por Altman (1968) buscan para realizar la

predicción. En el Anexo 2 se puede observar una estimación en base a los dos ratios de liquidez seleccionados,

de los cuales solo la variable de liquidez propuesta por Altman (1968), la variable LIQ, resulta significativa. La

justificación de realizar esta estimación responde a la necesidad de demostrar que esta misma variable de liquidez

puede haber sido tomada como variable dependiente del modelo, pues como se observa, explica de manera

sobre-eficiente a la probabilidad de insolvencia. El pseudo R2 que presenta la estimación se encuentra por fuera

del rango estipulado como correcto, lo cual indicaría una mejor aproximación de la máxima verosimilitud del

modelo completo a 0, pero que no sirve para poder inferir conclusiones. Como se muestra en el Anexo 2, la

probabilidad promedio de insolvencia financiera en la consideración de esta variable independiente por si sola es

de alrededor de 98%, lo que no permite que se encuentre coherencia en el cálculo de su elasticidad (también

mostrada), pues no resulta significativo hablar de una elasticidad que afecte una probabilidad media tan alta. Sin

embargo, es importante mencionar que el signo del coeficiente es el esperado, y que el ajuste de los datos es

bastante alto (como se demuestra por el coeficiente de concordancia mostrado). Entonces, ¿por qué es que la

liquidez no es significativa en nuestro modelo? Simplemente, porque el manejo de la liquidez en las empresas

peruanas de la muestra, no es el que los ratios de liquidez tienen como supuesto, sino, porque la liquidez es en

nuestro caso, dado el manejo empresarial para pequeñas y medianas empresas, un efecto de la insolvencia

financiera y no una causa. De esta manera, los ratios de liquidez podrían ser tomados como variable dependiente

del modelo, aproximándolos en una variable binaria, o cambiado la metodología de estimación por una pertinente

para su naturaleza.

Finalmente, resulta interesante el hallazgo de que la probabilidad promedio de caer en insolvencia financiera para

empresas peruanas asciende a 45.3%. A partir de ello, se puede concluir que, lo que subyace detrás de este

resultado, podría explicar y afianzar el hecho de que los factores macroeconómicos, a priori, cumplen un papel

importante en el desarrollo y evolución de una empresa.

De manera conclusiva, se considera importante mencionar el hecho que, si bien el modelo estimado tiene

incluidas variables que caracterizan a la economía peruana, sigue la visión planteada Altman (1968 y 1995), y

además, contribuye a ser una manera de corregir el modelo para economías emergentes. Replicar lo realizado por

los modelos de Altman (1968 y 1995) en su totalidad no era algo posible, dada la disponibilidad de la data, pero

seguir su línea de trabajo, sí permite considerar el presente trabajo de investigación como un aporte.

Las conclusiones aquí planteadas reflejan los resultados obtenidos a partir de información real y contribuyen

brindando la posibilidad de identificar problemas relevantes a los que se enfrentan las empresas peruanas. Uno

de los aportes de esta investigación responde al hallazgo de que no basta solamente con identificar factores

32

financieros críticos como lo son los ratios anteriormente mencionados, sino, que es relevante, a su vez, identificar

aspectos macroeconómicos clave, dependiendo de la situación por la que atraviesa el país, y teniendo en

consideración que las particularidades de la economía peruana ubican a los involucrados en un escenario en

donde el sector externo cumple un papel crucial, al menos en el corto plazo.

Como recomendación final para posteriores estudios relacionados al tema en cuestión, se debe mencionar que el

manejo de la data constituye un factor crítico específicamente en el caso peruano. La poca disponibilidad de

información y los engorrosos trámites para acceder a ella son algunos de los posibles problemas a los que se

tendrían que enfrentar aquellos que requieran realizar este tipo de análisis. En todo caso, en la medida de lo

posible, y con bases de datos más amplias, el modelo podría abarcar un mayor horizonte de tiempo y más

sectores productivos.

Asimismo, consideramos adecuado el manejo de encuestas, las cuales no solo contribuirán al enriquecimiento y

verificación de la data obtenida, sino que también, podría sentar las bases para la inclusión de otras variables

determinantes en la probabilidad de insolvencia financiera y que fueron dejadas de lado en este estudio por su

carácter subjetivo.

33

Bibliografía 1. Altman, E.I., (1968). Financial ratios, discriminant analysis and the prediction of corporate

bankrupcy. The Journal of Finance; September 1968. (pp. 589 – 609).

2. Altman, E.I., Baida, T. y Rivero, L.M., (1979). Assesing potencial financial problems for firms in Brazil. Journal of International Business Studies. (pp. 9 – 24).

3. Altman, E.I., Hartzell, J. y Peck, M., (1995). Emerging markets corporate bonds: A scoring system.

Salomon Brothers Inc., New York, NY.

4. Altman, E.I., Zhang, L. y Yen, J. (2007). Corporate financial distress diagnosis in China, New York University Salomon Center Working Paper. New York University; November 2007.

5. Banco Central de Reserva del Perú – BCRP (2009). www.bcrp.gob.pe

6. Benavides, J., Fuenzalida, D., Mongrut, S. y Nash, M., (2008). Estructura propietaria y rendimientos

bursátiles en Suramérica. Cuad. Adm. Bogotá, Colombia, Vol. 21. (pp. 11 – 35).

7. Benavides, J., Mongrut, S. y Gonzalez, M., (2009). Family Ties, Do They Matter? Family Ownership and Firm Performance in Peru. Working Paper, Universidad ICESI y EGADE-ITESM.

8. Bernstein, L.A., (1999). Financial statement analysis theory. Edit. Mc Graw Hill Inc. USA.

9. Bodnar, G., Dumas, B. and Marston, R., (2003). Crossborder valuation: The international cost of

equity capital. Working Paper Series 10115. Cambridge: NBER.

10. Brealey, R. y Myers, B., (1999). Principles of corporate finance. Edit. Mc Graw Hill Inc. USA. 11. Cavanagh, J., (2003 – 2009). Peru: The Top 10,000 Companies. Peru Top Publications. Lima, Perú.

12. Cubbin, J. y Leech, D., (1983). The effect of shareholding dispersion on the degree of control in

British companies: Theory and measurement. Economic Journal, Vol. 93. (pp. 351 – 369).

13. Demsetz, H. y Lehn, K., (1985). The structure of corporate ownership: Causes and consequences. Journal of Political Economy, Vol. 93. (pp. 1155 – 1177).

14. Hair, J., Anderson, R., Tatham, R., y Black, W. (2000). Multivariate Data Analysis. Edit Prentice Hall

International Inc. USA.

15. Ho, S.S.M., (2003). Corporate governance in China: Key problems and prospects. Centre for Accounting Disclosure and Corporate Governance, The Chinese University of Hong Kong.

16. Ibarra, A., (2001). Tesis Doctoral: 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´economia de l’empresa, Universitat Autonoma de Bacelona

17. Instituto Nacional de Estadística e informática – INEI. (2009) www.inei.gob.pe

18. Jensen, M.C., (1986). Agency costs of free cash flow, corporate finance and takeovers. American

Economic Review. May, Vol. 76. (pp. 323 – 329).

19. Johnson, C.G., (1970). Ratio Analysis and the prediction of firm failure. Journal of Finance. (pp. 1166 – 1168).

20. Leech, D. y Leahy, J., (1991). Ownership structure, control type classifications and the performance

of large British companies. The Economic Journal, Vol. 101. (pp. 1418 – 1437).

34

21. Li, D., y Liu, J. (2009). Determinants of financial distress of ST and PT companies: A panel analysis

of Chinese listed companies. Disponible en el SSRN: http://ssrn.com/abstract=1341795

22. Mongrut, S., Fuenzalida, D., Cubillas, C., y Cubillas, J., (2009). Working Capital Management and Its Influence in the Value of Latin American Companies. Estudios Gerenciales (próxima aparición).

23. Philippatos, G. y Young Song, J., (2004). What do we know about International Capital Structure?

Empirical Evidence from the OECD Countries. The University of Tennessee, Department of Finance.

24. Pivovarsky, A., (2003). Ownership concentration and performance in Ukraine’s privatized enterprises. IMF Staff Paper, Vol. 50. (pp. 10 – 42).

25. Quintana, J., Gallego, A., y Pascual, E. (2005). Aplicación del Análisis Discriminante y Regresión

Logística en el estudio de la morosidad en las entidades financieras. Comparación de Resultados. Pecvnia, Vol. 1. (pp. 175 – 199).

26. Zakoian, J., (1994). Threshold heteroskedastic models. Journal of Economic Dynamics and Control,

Vol. 18. (pp. 931 – 955).

35

Anexo 1 – Muestra de Empresas Cuadro 10 – Muestra de Empresas Insolventes – (Variable Dependiente = 1)

E mpres a S ec tor

Agropecuaria del P ilar S .A. AgroindustriaAgropecuaria S anta C ecilia S .A. AgroindustriaIndus trialización de Alimentos S .A. Alimentos y B ebidasDistribuidora ME S S .A.C . Alimentos y B ebidasWatts Alimentos P erú S .A. Alimentos y B ebidasC orporación S agitario S .A. Ingeniería y C ons trucciónUnión C ons tructora S .A. C ontratis tas G enerales Ingeniería y C ons trucciónO mega Industrial del P erú ManufacturaT rupal S .A. ManufacturaImpres iones E l C orreo S .A. ManufacturaF abrica Industrial Mecánica Afines S .A. ManufacturaC ompañía Minera Uyuccasa S .A. MineríaC ompañía Minera C audalosa S .A. MineríaF ibras Marinas S .A. P escaP es quera S an J uan B autis ta S .A. P escaDies el P eruana S .A. P etróleo y G asG rifo S anta Martina S .R .L . P etróleo y G asQuimica Indus trial B eker S .A. QuímicoQuimica P eruana S .A. QuímicoL au C hun S .A. R etailImportaciones S imran S .A.C . R etailIndus trial del Norte S .A. R etailD 'F as hion S .A. T extilIngenieria T extil S .A. T extilL anificio del P erú T extilC ons orcio T extil P acífico S .A. T extilManufacturas del P erú S .A. T extilT ransportes C B D S .A. T rans porte y L ogís ticaT ransamerican S ecurity S .A.C . T rans porte y L ogís ticaP ros er S .A. T rans porte y L ogís tica

Elaboración: Propia

36

Cuadro 11 – Muestra de Empresas Solventes (Variable Dependiente = 0)

E mpres a S ec tor

E MP R E S A AG R IC O L A S INT UC O S .A. AgroindustriaE MP R E S A AG R AR IA C HIQ UIT O Y S .A. AgroindustriaP AS T E L E R IA S AN ANT O NIO S .A. Alimentos y B ebidasNUT R IT IO NAL T E C HNO L O G IE S S .A.C . Alimentos y B ebidasT . & C . R E P R E S E NT AC IO NE S S .R .L . Alimentos y B ebidasE UR O P AN S .A. Alimentos y B ebidasJ . E . C O NS T R UC C IO NE S G E NE R AL E S S .A. Ingeniería y C onstrucciónS . & Z . C O NS UL T O R E S AS O C IADO S S .A. Ingeniería y C onstrucciónC IA. E L E C T R O ANDINA S .A.C . ManufacturaF IMAR T S .A.C . E DIT O R E S E IMP R E S O R E S ManufacturaC H. & V. G R AF IC O S S .A.C . ManufacturaF AB R IC ANT E S Y C O NS T R UC T O R E S S .R .L . ManufacturaMINE R A DY NAC O R DE L P E R U S .A.C . MineríaMINE R A AL MAX S .A.C . MineríaC O R P O R AC IO N P E R UANA DE L P UE R T O S .A.C . P escaMANE X F O O D S .R .L . P escaE MP R E S A P E T R O L E R A UNIP E T R O AB C S .A.C . P etróleo y G asS E R VIC E NT R O MUNIC IP AL E L C O L L AO P etróleo y G asP E T R O L E O S UNI S E R VIC IO S Y AS E S O R IA S .A.C . QuímicoC O NT E NE DO R E S INDUS T R IAL E S C O ME R C IAL E S P L AS T IC O S S .A QuímicoR E C IC L ADO R A P E R UANA S .A. R etailD IS T R IB UIDO R MAY O R IS T A S Y MB O L S .A.C . R etailDMS P E R U S .A.C . R etailC O ME R C IAL L AZ O R O MO S .R .L . T extilAG AL P E S A S .A.C . T extilG AIT E X S .A. T extilT IE NDAS INT E R NAC IO NAL E S S .A. G L O B AL R E T AIL ING T extilT E X C O P E S .A.C . T extilC O NS O R C IO R O B R IS A S .A. T ransporte y L ogísticaT R ANS P O R T E S S O B R E R UE DAS S .A. T ransporte y L ogísticaR IS K C O NT R O L S .A.C . T ransporte y L ogísticaS E C UR IT Y Z AK S .A. T ransporte y L ogística

Elaboración: Propia

37

Anexo 2 – Estimando con Ratios de Liquidez El Modelo de Estimación y el ajuste de los datos

Cuadro 12 – Regresión de las variables de Liquidez

Dependiente = 1 (E mpres a Ins olvente) | 0 (E mpres a S olvente)

Variables C oefic iente P ‐value

L iquidez de Altman ‐6.7105260 0.000 ‐8.8753430 ‐4.5457090

C 1.0060370 0.002 0.3833196 1.6287550

P s eudo R 2

L og P s eudolikelihood

Wald C hi2

P rob > C hi2

0.5609

113.52

0.0000

‐44.439158

Intervalos de C onfianza (al 95% )

Elaboración: Propia

Gráfico 6 – Curva ROC

0.0

00.2

50.5

00.7

51.0

0Sen

sitivi

ty

0.00 0.25 0.50 0.75 1.001 - Specificity

Area under ROC curve = 0.9425

Elaboración: STATA / Propia

Cuadro 13 – Coeficiente de Concordancia en base a curva ROC

R O C C urve 0.9425

Indic e de C onc ordanc ia R OC

Elaboración: Propia

La probabilidad estimada

Cuadro 14 – Probabilidad promedio de Insolvencia Financiera

Variables P romedio

L iquidez Altman ‐0.45417

P robabilidad P romedio 98.2939% Elaboración: Propia

38

La Elasticidad

Cuadro 15 – Elasticidad de la variable continúa

Variables E las tic idad P ‐value

L iquidez Altman 0.0520% 0.075 Elaboración: Propia