análisis de la industria aeroespacial ... - educacion.gob.es
Post on 26-Jun-2022
12 Views
Preview:
TRANSCRIPT
Universidad Rey Juan Carlos
Facultad de Ciencias Jurídicas y Sociales
Departamento de Economía de la Empresa
Tesis Doctoral
Análisis de la industria aeroespacial: estudio de un caso
Doctorando:
Rubén Elvira Herranz
Dirigida por:
Prof. Dr. D. Luis Tomás Díez de Castro
Prof. Dr. D. Pablo García Estévez
Prof. Dr. D. Jacinto Julio Alonso Pérez
Abril 2015
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz i
AGRADECIMIENTOS
La culminación de esta tesis doctoral es un importante hito que cierra una fase
académica y personal iniciada hace muchos años, cuyo germen se remonta a
mi época de E.G.B. Gracias al binomio formado por mis padres y mis
profesores, me descubrieron la pasión por el saber, así como el placer de
conseguir un objetivo tras un esfuerzo.
Me gustaría reconocer y agradecer, todos los esfuerzos y sacrificios, que han
realizado mis padres, Andrea y Guillermo, y mi hermana, Maria; para hacerme
llegar hasta aquí, ya que ha sido un viaje repleto turbulencias, pero que con
actitud y decisión hemos sabido navegar por él.
Me gustaría hacer una mención especial a mi nueva familia, por hacer posible
esta realidad. A Mónica por entenderme, apoyarme y complementarme
incondicionalmente; y a David por haberme dado el mayor baño de realidad y
las mejores lecciones que se pueden recibir, por haber simplificado y ordenado
mi vida, así como por todos los ánimos que me ha dado durante la realización
de la tesis.
También quiero acordarme de Maria José, quien estoy seguro se sentiría
orgullosa de este momento. Me gustaría agradecer a Gabino la decisión que un
día tomó sin dudar un momento. Gracias también al resto de mi familia política
por acogerme como un miembro más.
Que decir de mis amigos, los cuales mantengo desde preescolar. Han sido
esenciales en mi desarrollo personal y académico. Sólo puedo decirles gracias.
Gracias a mis tutores, por su dedicación, ayuda, apoyo, guía y consejos. Luis,
Pablo, Jacinto, muchas gracias.
Gracias también a todos los profesores, compañeros y amigos de la
Universidad Rey Juan Carlos y Universidad Carlos III que con sus consejos y
su ayuda desinteresada han contribuido a esta tesis doctoral.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz ii
Me gustaría mencionar a mis compañeros de departamento y amigos de la
Universidad Politécnica de Madrid, a Jacinto, Daniel, Rafael, Alberto, Fernando,
Consolación y Carlos.
Por último y no por ello menos importante, debo agradecer a mis amigos de la
India, la oportunidad que me dieron de intercambiar opiniones sobre la tesis en
el momento en el que más turbulencias existían, gracias a Rahul, Ganesh,
Pramod, Ravi y Deepika, por hacer que me sintiera como en casa cada vez que
os visitaba en Bangalore, por hacer posible esta tesis y por compartir esos
maravillos filter coffee en el campus, solo puedo decir dhaniavad.
First they ignore you,
then they laugh at you,
then they fight you,
and then you win.
Mahatma Gandhi
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz iii
RESUMEN
La presente tesis doctoral analiza la industria aeroespacial en España y en
India, a través de las empresas que la conforman, en el periodo 2008-2013.
Persigue varios objetivos, siendo el primero de ellos exploratorio, poniendo de
manifiesto la estructura de dicha industria en ambos países, así como su
variación temporal. La estructura está formada por la eficiencia de las
empresas, su rendimiento, su estructura de activos, de liquidez y de capital. El
segundo objetivo que persigue este trabajo es descriptivo, identificando
longitudinalmente los factores clave de la estructura de la industria en ambos
países, determinando longitudinalmente los factores que diferencian a las
empresas más eficientes de la industria en cada país, comparando la industrias
de ambos países y comparando las empresas más eficientes de ambos
países. El tercer objetivo es predictivo, proponiendo un modelo que determine
la eficiencia de las empresas aeroespaciales en ambos países tomando como
punto de partida la estructura de las mismas a través de la información pública
disponible en el balance, cuenta de resultados. De los objetivos presentados se
han derivado una serie de hipótesis de investigación que se falsarán a lo largo
de este trabajo. Por ultimo persigue el objetivo de proponer una metodología de
análisis de la industria aeroespacial que sea aplicable en cualquier entorno,
para ello se utilizan variables comúnmente aceptadas en el mundo académico,
técnicas de análisis muy extendidas y con unos requerimientos para la muestra
razonablemente laxos, que confieren robustez, potencia, replicabilidad, y
comparabilidad de los resultados al método. En esta tesis se aplica en dos
entornos muy diferentes como son India (país BRIC, industria aeroespacial
poco madura) y España (país PIGS, industria aeroespacial madura).
El valor añadido que presenta esta tesis es el estudio holístico de un problema
de investigación, del que hasta la fecha, sólo existe información parcial (por
tamaño de la muestra y país) y de carácter anual. Otro de los aspectos en los
que añade valor es la muestra utilizada, tanto por número de empresas muy
cercanas a la población de la industria, como por la extensión del periodo en el
que se recogen datos (2008-2013), así como por la dificultad en la
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz iv
disponibilidad de los datos, ya que por un lado los datos de las empresas indias
del sector aeroespacial sólo son accesibles desde dicho país, y los datos
españoles pueden presentar dificultades de acceso para investigadores del
resto del mundo. Otro punto en el que se añade valor es haber recopilado los
datos directamente en India, así como haber visitado parte de las empresas en
India y España. Adicionalmente también es un valor añadido conocer
profesionalmente esta industria en ambos países, así como haber sido testigo
de su evolución en India con visitas regulares desde 2006 hasta 2014. Esto
último permite interpretar mejor los resultados obtenidos con las técnicas de
análisis.
La metodología que se ha utilizado está basada en el método científico con
objeto de dotar una mayor robustez a los resultados obtenidos. En la parte
exploratoria y descriptiva se han utilizado las técnicas de análisis de
componentes principales y análisis envolvente de datos (DEA), mientras para
en la predictiva se ha utilizado un modelo de red neuronal artificial (ANN).
Como resultado, se han falsado las hipótesis definidas inicialmente a excepción
de una y se han identificado las serendipias favorecidas por la aplicación de las
diferentes técnicas de análisis.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 1
ÍNDICE
PARTE I INTRODUCCIÓN................................................................................. 7
CAPITULO 1 INTRODUCCIÓN ...................................................................... 9
1.1 Motivación de la tesis ......................................................................... 9
1.2 Estructura ......................................................................................... 10
CAPITULO 2 PLANTEAMIENTO DEL PROBLEMA ..................................... 13
2.1 ANÁLISIS DEL ENTORNO GENERAL (P-E-S-T-E-L) ..................... 13
2.1.1 Político .......................................................................................... 14
2.1.2 Económico .................................................................................... 16
2.1.3 Sociocultural ................................................................................. 21
2.1.4 Tecnológico .................................................................................. 22
2.1.5 Ecológicos .................................................................................... 22
2.2 LA CADENA DE VALOR EN EL SECTOR AEROESPACIAL .......... 23
2.3 INDUSTRIA AEREOESPACIAL Y DE DEFENSA ........................... 24
2.4 ANÁLISIS DE LA INDUSTRIA (CINCO FUERZAS DE PORTER) ... 26
2.4.1 Poder negociador de los compradores ......................................... 33
2.4.2 Poder negociador de los proveedores .......................................... 40
2.4.3 Grado de rivalidad ........................................................................ 47
2.4.4 Entrada de nuevos competidores ................................................. 54
2.4.5 Existencia de productos sustitutivos ............................................ 60
2.5 DEFINICIÓN DEL PROBLEMA OBJETO DE ESTUDIO ................. 66
2.6 DESARROLLO DE HIPÓTESIS ...................................................... 72
PARTE II FUNDAMENTOS TEÓRICOS .......................................................... 77
CAPITULO 3 METODOLOGÍA DE LA INVESTIGACIÓN ............................. 79
3.1 METODOLOGÍA DE LA INVESTIGACIÓN ...................................... 79
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 2
CAPITULO 4 TEORIA ANÁLISIS FACTORIAL EXPLORATORIO
(COMPONENTES PRINCIPALES) ............................................................... 89
4.1 INTRODUCCION ............................................................................. 89
4.2 FUNCIONAMIENTO DE LA TÉCNICA ............................................ 91
4.3 BONDAD DEL MODELO FACTORIAL ............................................ 97
4.4 ROTACION DE FACTORES ............................................................ 99
CAPITULO 5 ANÁLISIS DE LA ENVOLVENTE DE DATOS ...................... 103
5.1 INTRODUCCIÓN ........................................................................... 103
5.2 TIPOS DE MODELOS DEA ........................................................... 107
5.2.1 CCR ............................................................................................ 108
5.2.2 BBC ............................................................................................ 112
5.2.3 Otros modelos ............................................................................ 113
5.3 LIMITACIONES DEL ANÁLISIS ENVOLVENTE DE DATOS ........ 114
CAPITULO 6 TEORÍA DE REDES NEURONALES ARTIFICIALES ........... 119
6.1 INTRODUCCIÓN A LAS REDES NEURONALES ARTIFICIALES 119
6.1.1 Modelo computacional de las Redes Neuronales Artificiales ..... 122
6.1.1.1 Neurona artificial ..................................................................... 122
6.1.1.2 Estructura básica de la red ...................................................... 124
6.1.1.3 Aprendizaje ............................................................................. 127
6.1.2 Evolución histórica de las Redes de Neuronas Artificiales ......... 130
6.2 PERCEPTRON MULTICAPA ......................................................... 134
6.2.1 Propagación de los patrones de entrada .................................... 136
6.2.2 Aprendizaje ................................................................................. 143
6.2.3 Algoritmo de retropropagación.................................................... 144
6.2.4 Evaluación de la capacidad de generalización ........................... 148
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 3
6.2.5 Limitaciones del algoritmo de aprendizaje .................................. 150
PARTE III DESARROLLO DEL MODELO Y REVISIÓN BIBLIOGRÁFICA .... 151
CAPITULO 7 DESARROLLO Y ESPECIFICACIÓN DEL MODELO ........... 153
7.1 MODELO DE MEDICIÓN DE “EFECTO DE LA EMPRESA” ......... 153
7.2 MODELO DE MEDICIÓN DE “ESTRUCTURA DE ACTIVOS” ...... 163
7.3 MODELO DE MEDICIÓN DE “ESTRUCTURA DE CAPITAL” ....... 171
7.4 MODELO DE MEDICIÓN DE “ESTRUCTURA DE LIQUIDEZ” .... 176
7.5 MODELODE MEDICIÓN DEL “RENDIMIENTO DE LA EMPRESA”
182
7.6 OTROS FACTORES ...................................................................... 220
7.6.1 Factor “EFECTO DE LA INDUSTRIA” ........................................ 220
7.6.2 Factor “EFECTO DEL PAÍS”....................................................... 223
7.7 DESCRIPCIÓN DEL MODELO COMPLETO ................................. 233
PARTE IV ANÁLISIS EXPLORATORIO DE DATOS ..................................... 241
CAPITULO 8 MUESTRA Y DATOS ............................................................ 243
8.1 DETERMINACIÓN DE LA MUESTRA ........................................... 243
8.2 DETERMINACIÓN DE LOS DATOS DE LAS EMPRESAS ........... 246
8.3 ANÁLISIS DE LOS VALORES PERDIDOS ................................... 249
8.3.1 España ....................................................................................... 251
8.3.2 India ............................................................................................ 256
8.4 DETERMINACION DE LOS CASOS ATÍPICOS ............................ 266
8.4.1 España ....................................................................................... 267
8.4.2 India ............................................................................................ 268
CAPITULO 9 ANÁLISIS FACTORIAL EXPLORATORIO (COMPONENTES
PRINCIPALES) ........................................................................................... 271
9.1 ESPAÑA ........................................................................................ 271
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 4
9.1.1 Año 2008 .................................................................................... 272
9.1.2 Año 2009 .................................................................................... 279
9.1.3 Año 2010 .................................................................................... 285
9.1.4 Año 2011 .................................................................................... 291
9.1.5 Año 2012 .................................................................................... 297
9.1.6 Año 2013 .................................................................................... 303
9.1.7 Análisis longitudinal 2008-2013 .................................................. 309
9.2 INDIA ............................................................................................. 310
9.2.1 Año 2008 .................................................................................... 310
9.2.2 Año 2009 .................................................................................... 317
9.2.3 Año 2010 .................................................................................... 323
9.2.4 Año 2011 .................................................................................... 330
9.2.5 Año 2012 .................................................................................... 337
9.2.6 Año 2013 .................................................................................... 343
9.2.7 Análisis longitudinal 2008-2013 .................................................. 350
CAPITULO 10 ANÁLISIS DE LA ENVOLVENTE DE DATOS .................... 351
10.1 ANÁLISIS POR LA POSICIÓN EN LA CADENA DE VALOR ........ 351
PARTE V MODELO PREDICTIVO ................................................................. 387
CAPÍTULO 11 MODELO DE RED NEURONAL ARTIFICIAL ..................... 389
11.1 ESPAÑA ........................................................................................ 389
11.2 INDIA ............................................................................................. 395
PARTE VI CONCLUSIONES Y FUTURAS LINEAS DE INVESTIGACIÓN.... 403
CAPÍTULO 12 CONCLUSIONES................................................................ 405
CAPÍTULO 13 FUTURAS LINEAS DE INVESTIGACIÓN ........................... 441
BIBLIOGRAFÍA .............................................................................................. 447
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 5
ÍNDICE DE FIGURAS .................................................................................... 465
ÍNDICE DE TABLAS ...................................................................................... 469
ANEXOS ........................................................................................................ 475
ANEXO I CÓDIGO MATLAB PARA DEA ....................................................... 477
ANEXO II CÓDIGO MATLAB PARA ANN ...................................................... 486
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 6
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 7
PARTE I INTRODUCCIÓN
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 8
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 9
CAPITULO 1 INTRODUCCIÓN
1.1 Motivación de la tesis
Esta tesis doctoral surge de la combinación profesional, académica y personal
que tanto esta industria, como los dos países objeto de estudio, representan
para mí.
En el terreno profesional he tenido la suerte de poder conocer de primera mano
la industria aeroespacial tanto en España como India, al haber estado
relacionado con el área de la Calidad en la Cadena de Suministro de una gran
multinacional. He visitado numerosas empresas en ambos países entre los
años 2007 y 2013, por lo que he sido testigo de la evolución que han sufrido y
del efecto del entorno en las mismas. Me motiva estudiar si aquello que he
visto y he juzgado subjetivamente comparte algún tipo de vínculo con los
resultados obtenidos aplicando la metodología del método científico.
Adicionalmente los resultados obtenidos me resultan útiles a nivel particular
puesto que sigo vinculado en mi vida profesional a la industria aeroespacial en
una empresa multinacional líder que opera en muchos países y en particular en
España e India.
En el aspecto académico me encuentro vinculado laboralmente a la Escuela de
Ingeniería Aeroespacial con mayor historia y recorrido que existe en España, y
mi docencia además está relacionada con el área de conocimiento de esta
tesis doctoral. Desde esta óptica me motiva la realización de esta tesis ya que
es una buena forma de mostrarles a los alumnos un esbozo de la industria en
la que ellos también se desarrollarán, así como compartir como se pude aplicar
la metodología de la investigación en cualquier ámbito de la ingeniería
aeroespacial, como por ejemplo en la vertiente de administración de empresas.
Por último en lo personal conocer con mayor profundidad la industria en la que
me he desarrollado y he crecido, y en la que tantas amistades guardo tanto en
lo académico, profesional y personal.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 10
Todas estas motivaciones juntas me indujeron a plantear un estudio que
analizara la industria aeroespacial en ambos países y en un periodo temporal
en el que he vivido de primera mano casi todos los hechos que han marcado
1.2 Estructura
Se ha utilizado un estudio de un caso, frente a otros tipos de investigaciones
como la experimental u otros de tipos de investigaciones no experimentales
(trasversal o longitudinal) puesto que, se utilizan los procesos de investigación
cuantitativa, se analiza en profundidad una unidad como son las empresas del
sector aeroespacial en India y España, para responder a planteamiento del
problema, falsar las hipótesis y explorar y describir un problema del que no
existe excesiva información.
Está dividida en 6 partes, y a su vez cada parte en varios capítulos. La primera
parte (Parte I Introducción) versa sobre una introducción a la tesis doctoral
partiendo desde la motivación de la misma y su estructura, como un análisis del
entorno tanto general como especifico que permitan comprender al lector las
condiciones de contorno a las que están sometidas las empresas que operan
en el sector aeroespacial tanto en España como en India. Posteriormente se
delimita el problema objeto de estudio y se operacionaliza con hipótesis que se
falsarán a lo largo del desarrollo de este trabajo.
La siguiente parte (Parte II Fundamentos Teóricos) tiene como principal
objetivo realizar una descripción de los fundamentos teóricos de las técnicas
que se utilizarán durante en análisis de la muestra. En ningún momento se ha
tomado como objetivo de esta parte la descripción del 100 % de la teoría, ni la
demostración de cada una de las variantes existentes. Se describe sólo lo que
se va a utilizar, ya que el interés de la tesis doctoral no es el desarrollo teórico,
sino la aplicación práctica de técnicas existentes a una muestra y condiciones
de contorno novedosas.
El siguiente bloque (Parte III Desarrollo del Modelo y Revisión Bibliográfica) se
esboza el modelo que se va a utilizar para analizar las empresas de industria
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 11
aeroespacial, quedando representado dicho modelo por una serie de factores
(conceptos abstractos difícilmente medibles) que es necesario operacionalizar
mediante variables cuantificables y observables. También se presenta dicha
operacionalización. Se introduce el concepto de resiliencia empresarial y se
hace una revisión bibliográfica de este concepto incipiente y frugal en términos
de producción científica.
Una vez que se ha definido el modelo se procede a su aplicación a una
muestra determinada y haciendo uso de una serie de técnicas acordes a los
objetivos e hipótesis que se pretenden falsar. Todo este proceso se recoge en
el siguiente bloque temático (Parte IV Análisis exploratorio de datos).
Entre los objetivos se encuentra el desarrollo de un modelo exploratorio y un
modelo predictivo. De la misma forma que se ha determinado un bloque para el
correspondiente al exploratorio se determina otro para el predictivo (Parte V
Modelo predictivo).
Por último se desarrolla otro bloque (Parte VI Conclusiones y futuras líneas de
investigación) en el que se exponen todas las conclusiones, tanto la falsación
de hipótesis, como las serendipias. Asimismo se incide sobre las futuras líneas
de investigación que pueden dar continuidad a este trabajo y conformar una
línea de investigación.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 12
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 13
CAPITULO 2 PLANTEAMIENTO DEL PROBLEMA
Tras introducir las motivaciones y la estructura de la tesis doctoral, el siguiente
paso consiste en esbozar el planteamiento del problema de una manera muy
somera, así como las condiciones de contorno del mismo, con el objeto de
poco a poco ir constriñendo el alcance del mismo hasta formular el enunciado
final del problema del que derivarán las hipótesis. En los siguientes puntos se
va a presentar un análisis del entorno general para acercar y comprender las
condiciones que afectan a las empresas en España e India y en particular las
del sector aeroespacial, así como del entorno específico o industrias, de la
cadena de valor, y de la industria de defensa. Una vez que el lector conoce las
particularidades de la industria y su entorno se enuncia el problema de estudio
y se operacionaliza en hipótesis.
2.1 ANÁLISIS DEL ENTORNO GENERAL (P-E-S-T-E-L)
El principal de este análisis del entorno general es presentar las condiciones de
contorno en las que las empresas se van a desenvolver. Este entorno general
afecta por igual a todas las empresas que operan en él, ya sean de la industria
aeroespacial o no. Este marco genérico determina la prosperidad y el bienestar
de la economía, lo que puede afectar al potencial de rentabilidad de la empresa
y fenómenos derivados de la misma (Guerras Martín & Navas López, 2009).
Debido al dinamismo del entorno es conveniente estudiarlo longitudinalmente,
siendo en el caso de esta tesis doctoral el periodo el comprendido entre 2008 y
2013. Se va a utilizar una aproximación muy extendida en la Administración de
Empresas y la Economía como es el análisis P-E-S-T-E-L por las dimensiones
que lo conforman (Política, Económica, Sociocultural, Tecnológica y Legal). No
se trata de realizar un análisis muy detallado de cada uno, sino de presentar las
condiciones de contorno que afectan a las empresas y ayudar a entender las
conclusiones que se van a establecer. Para la realización de este análisis se
han utilizado los informes de Economist Intelligence Unit correspondientes a
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 14
España e India (The Economist, 2013) (The Economist, 2012) (The Economist,
2011) (The Economist, 2010) (The Economist, 2009) (The Economist, 2008)
2.1.1 Político
La dimensión política trata de recoger todo lo relacionado con la estabilidad del
gobierno y las políticas que lleva a cabo.
España
La forma de gobierno es la monarquía parlamentaria. Hay dos cámaras, el
Senado con 264 miembros y el Congreso de los Diputados con 350 miembros.
Está conformado por 17 comunidades autónomas con ciertas competencias
transferidas desde el gobierno central.
Los ministerios que existen son: Asuntos Exteriores y cooperación, justicia,
defensa, haciendo y administraciones públicas, interior, fomento, educación-
cultura y deporte, empleo y seguridad social, industria-energía y turismo,
agricultura-alimentación y medio ambiente, economía y competitividad,
sanidad-servicios sociales e igualdad.
Existe cierta inestabilidad política con crisis y cambios en cada uno de los
partidos tradicionales. Han aparecido desde 2008 numerosos escándalos de
corrupción de políticos, que ha hecho descender la confianza de la población
en el sistema.
India
La forma de gobierno es la república federal, con 28 estados y 7 regiones. El
presidente de la india fue elegido en 2012 mientras que el primer ministro lo fue
en 2009 volviendo a repetirse las elecciones generales en 2014. El Gobierno
está compuesto por dos cámaras, la cámara baja (Lok Sabha) con 545
miembros y la cámara alta (Rajya Sabha) con 245 miembros.
Los principales partidos son: Indian National Congress; Bharatiya Janata Party
(BJP); Trinamool Congress (TMC); Dravida Munnetra Kazhagam (DMK);
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 15
Samajwadi Party (SP); Rashtriya Janata Dal (RJD); Janata Dal (United);
Bahujan Samaj Party (BSP); All India Dravida Munnetra Kazhagam (AIADMK);
Biju Janata Dal (BJD); Rashtriya Lok Dal (RLD); Nationalist Congress Party
(NCP); Communist Party of India (Marxist), or CPI (M).
Los principales ministerios que existen son: Agricultura, Aviación Civil, Carbón,
Comercio e Industria, Comunicaciones y de justicia, defensa, asuntos
exteriores, finanzas, asuntos interiores, petróleo y gas natural, energía,
ferrocarril, desarrollo rural, desarrollo urbano.
En el periodo 2008-2013 la escena política india se ha caracterizad por los
escándalos políticos, así como por las divisiones dentro de los principales
partidos. Esto ha tenido su reflejo en la economía y la sociedad.
Desde 2012 el Gobierno de India ha puesto en marcha políticas para tratar el
déficit fiscal, mejorar el ecosistema industria y crear más puestos de trabajo.
Estas medidas incluyen los esfuerzos para relanzar la inversión directa
extranjera, así como reducir la burocracia y los tiempos de aprobación de los
proyectos de infraestructuras. Tratan de liberalizar más sectores para favorecer
el crecimiento del país. En el año 2013 es año de campaña electoral al
convocar elecciones en 2014. El coalición que gobierna (United Progressive
Alliance – UPA) se ha visto inmersa en varios escándalos por corrupción
durante los últimos tres años, así como también se ha visto debilitada por una
economía aletargada. El poder político real lo sigue ostentando Sonia Gandhi a
pesar de que formalmente el primer ministro sea Manmohan Singh. Esta
coalición no tiene mayoría absoluta por lo que tiene que gobernar con el apoyo
partidos regionales minoritarios. Existe un partido, el Bharatiya Janata Party
(BJP) con un líder carismático Narendra Damodardas Modi y de ideología
nacionalista e Hindú. Este miembro del gobierno ha demostrado solvencia en la
aplicación de políticas económicas en la región de Gujarat con unos buenos
resultados. De salir elegido podría ser un buen revulsivo para hacer que la
economía India continúe creciendo, así como velar por los intereses Indios.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 16
En el terreno internacional se ha conseguido una cierta calma con Pakistán en
2013 que se prevé continúe en los próximos años. Asimismo aumentan y se
fortalecen las relaciones con otra de las grandes economías mundiales como
es la China.
2.1.2 Económico
En lo referente a esta dimensión se trata de analizar las principales magnitudes
macroeconómicas que afectan a las empresas, por el objeto de esta tesis
doctoral, de entre todas las posibles, se considera útil mostrar la evolución del
PIB del país, la tasa de desempleo, las importaciones y exportaciones
correspondientes a la industria aeroespacial y defensa y por último el índice de
competitividad. Adicionalmente se hace una breve reseña de la crisis
económica mundial de 2008, la de deuda soberana de 2010 en Europa y la de
India de 2012. (Asociación Española de Empresas Tecnológicas de Defensa,
Aeronaútica y Espacio (TEDAE), 2014) (World Economic Forum, 2015)
(International Monetary Fund, 2015) (Eurostat, 2015) (Indian Ministry of
Commerce & Industry, 2015) (The World Bank, 2015).
Crisis económica global de 2008
Tiene su origen en el mercado inmobiliario estadounidense. Dicho mercado
comenzó a desinflarse en 2005, pero aun así los precios continuaron subiendo
manteniendo la creencia de que no importaba y que el prestatario podría pagar
el préstamo siempre y cuando los precios siguieran subiendo. En el mismo
tiempo los tipos de interés de los mercados financieros internacionales eran
bajos, lo que favorecía el endeudamiento. Esto llevó a una situación de euforia
financiera, exponiendo a mayores riesgos a todos los participantes en los
mercados. De repente estalló la burbuja inmobiliaria y surgió un fenómeno de
desconfianza entre los stakeholders de los mercados financieros que se
propagó a nivel mundial y que paralizó los mercados. El principal instrumento
gracias al cual se propagaron sus efectos eran los instrumentos financieros
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 17
complejos que estaban repartidos sin saber en qué cantidad y de que calidad
(en términos de riesgos).
Los autores Mangir y Erdogan (2011) en su artículo hablan sobre el comienzo
de la crisis económica en el año 2007 en Estados Unidos con el colapso del
sector de las hipotecas sub-prime. Posteriormente golpeó el oeste de Europa
debido, entro otros motivos, a la influencia de los activos financieros de alto
riesgo, al formar parte de su sistema financiero. Durante Septiembre-Octubre
de 2008, los bancos comenzaron a mostrar señales de problemas, y
empezaron a requerir medidas urgentes de los gobiernos. En el caso particular
de España una de sus conclusiones es que comenzó a notarse en la
macroeconomía en 2009.
En el mismo trabajo se menciona que esta es la peor crisis mundial desde la
Gran Depresión de los años 30. Debido principalmente a la globalización de la
economía y las operaciones de las empresas.
La crisis no solo ha afectado la macroeconomía de los países, sino también su
competitividad. El autor Matysek-Jedrych (2012) ha estudiado la relación
existente entre la crisis y la competitividad de los países en la región de los
países Bálticos (Estonia, Lituania, Letonia)
Los autores Adidam, et al. (2012) basan su artículo en el efecto de la aplicación
de la inteligencia competitiva a los resultados de las empresas en la India.
Dentro del mismo hacen algunas reseñas sobre India y su economía y posición
en los mercados que son útiles para esta tesis doctoral. En su artículo
mencionan que el papel que juega India en la economía mundial está
creciendo, en dos sentidos, por un lado las empresas que se internacionalizan
allí, y por otro lado las empresas indias que se internacionalizan. Con las
condiciones económicas, y geopolíticas mundiales resulta complicado afirmar
como se desarrollará la economía y los mercados en India, así como en los que
participe India, motivo por el cual es importante desarrollar estrategias de
inteligencia competitiva para detectar las señales que llegan del macroentorno
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 18
y microentorno en el que operan las empresas para anticipar cualquier acción
en el plano estratégico y no táctico.
El investigador Theodore (2011) en su trabajo pone de manifiesto una
característica de la economía mundial como es el incremento de la volatilidad.
Además también subrayan que la frecuencia con la que ocurren las crisis está
creciendo y que cada vez se solapan más los ciclos de las diferentes crisis
(monetaria, bancaria, monetaria-bancaria)
El impacto de la crisis mundial en la India puede dividirse con carácter general
en tres aspectos diferentes: (1) el impacto directo inmediato sobre su sector
financiero; (2) un impacto indirecto sobre las actividades económicas; y (3) las
potenciales implicaciones geopolíticas a largo plazo (Vashisht & Pathak, 2009)
Por tratarse de una economía emergente (BRIC) pudo sortear el primer efecto
descrito ya que sus bancos no estaban muy expuestos a los productos
financieros basados en los créditos subprime. No obstante el segundo efecto
ha golpeado a India con una gran intensidad, y se une el hecho de que las
exportaciones del mundo occidental son inferiores.
Crisis de deuda soberana europea 2010
Las autoridades europeas trataron de establecer de nuevo la confianza en la
zona euro, pero la mala situación de Grecia e Irlanda, los rescates… hicieron
que existirán dudas fundadas sobre la confianza en la solidez de las finanzas
públicas de estos dos países. Unido a que no existía un mecanismo de
restructuración ordenada de deuda pública como el que se crearía
posteriormente (Unión Monetaria Europea – UME), potenciaron el riesgo de
contagio a otros miembros de la Unión Europea como España y Portugal,
presagiando un colapso de los países de la zona euro y de la propia Unión
Europea. Esto tuvo su impacto negativo en la deuda soberana emitida por los
países y por lo tanto su capacidad de financiación (Garmendia Ibañez, 2010).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 19
Desaceleración de 2012 en India
Se produce una situación en India durante 2012 , en la que en la dimensión
fiscal mala lastra el crecimiento de la economía, una tasa de inflación alta que
también afecta al crecimiento, se liberaliza el comercio exterior para favorecer
el crecimiento mediante la inversión extranjera y la exportación, aparece una
crisis energética en el país. Esto hace que la economía del país se comience a
contraer y sufra su particular crisis que hace que las empresas se vean también
afectadas. En función del sector y de la empresa esta acción será más o
menos acusada (Accenture, 2012)
España
Fuente: Elaboración propia
Tabla 1 Magnitudes macroeconómicas en España durante 2008-3013
A la vista de las tendencias mostradas en la tabla 1, España ha sufrido una
crisis muy profunda desde el año 2008, agravada por la explosión de la burbuja
inmobiliaria, así como un sector financiero en reestructuración con algunas
entidades fuertes, pero otras muy frágiles. El consumo decae año a año desde
2008, así como aumenta el desempleo y disminuye el PIB. La política fiscal ha
incrementado la carga impositiva. La tasa de inflación está dentro de unos
márgenes controlada.
En lo que se refiere a las importaciones y exportaciones del sector aeroespacial
se observa que ambas crecen por lo que en principio parece que la crisis no
afecta demasiado a este sector, por lo menos hasta el punto de contraer su
actividad interior y exterior. Aunque la tendencia de crecimiento de las
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 20
exportaciones. Con respecto a la competitividad, se observa como esta
aumenta, aunque globalmente descendió con respecto a niveles anteriores a la
crisis económica mundial. El año fiscal en España coincide con el año juliano,
del 1 de Enero al 31 de Diciembre.
India
Fuente: Elaboración propia
Tabla 2 Magnitudes macroeconómicas en India durante 2008-2013
Tal y como muestra la tabla 2, el déficit del Gobierno de India aumentó entre
2008 y 2013, llevando a doblarse. Asimismo la rupia sufrió un desplome en
Junio-Agosto de 2013. También subió la inflación. El Banco de India (Reserve
Bank of India) ha puesto en marcha políticas para luchar contra la inflación, así
como recuperar el desplome de la rupia. El año fiscal india discurre entre el 1
de Abril y el 31 de Marzo
El PIB sufrió un crecimiento muy elevado al ser una economía emergente, no
obstante desde el año 2010 ha venido sufriendo una desaceleración. La tasa
de desempleo ha ido descendiendo y se mantiene en valores bajos, aunque los
últimos años parecen haber revertido la tendencia. En relación a las
importaciones y las exportaciones del sector aeroespacial se observa que en
2008 había una presión importadora muy grande en comparación con las
exportaciones, en cambio en 2013 prácticamente están equilibrados. Esto
muestra que en particular el sector aeroespacial está ganando en
competitividad al existir países extranjeros que compran, así como se
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 21
autoabastecen al haber reducido las importaciones de material aeroespacial
entre 2008 y 2013.
En relación a la competitividad del país se observa que prácticamente es
constante con pequeñas perturbaciones.
2.1.3 Sociocultural
En esta dimensión se recogen muchos aspectos que impactan de manera
directa o indirecta a las empresas como son: valores, creencias, condiciones
culturales, demográficas, religiosas, educativas…
España
Ha descendido la renta per capita durante el periodo 2008-2013,
adicionalmente se ha generado un clima de crispación y desconfianza hacia la
clase política fundamentado por los escándalos de corrupción acaecidos. La
población envejece, se plantean reformas educativas aprobando una nueva
Ley denominada (LOMCE)
India
Con el crecimiento de la clase media y de la juventud se están incrementando
las protestas sociales por la frustración existente con los políticos, la
corrupción, la inflación… Estas protestas se llevan a cabo tanto en las calles
como en las redes sociales.
En India cohabitan varias religiones, lo que en ocasiones da lugar a ciertas
tensiones entre grupos hindúes (representan aproximadamente el 80,5% según
el censo de 2001) y musulmanes que representan el 13,4% (según el censo de
2001), el resto están conformado por cristianos, sijs, budistas.
Aunque ya no existe un sistema de castas sigue presente en la sociedad en el
día a día dificultando el desarrollo del país. Se están incrementando la tasa de
divorcios, cada vez existen menos matrimonios concertados, y las parejas
están comenzando a convivir antes del matrimonio.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 22
2.1.4 Tecnológico
La dimensión tecnológica hace mención a las políticas de I+d+i, las
infraestructuras disponibles, la aplicación de nuevas tecnologías, la
transferencia del conocimiento (por ejemplo offsets).
2.1.5 Ecológicos
En relación a la dimensión ecológica se recogen aspectos como la política
medioambiental, el tratamiento de residuos, el consumo de energía.
España
Cada vez más empresas velan por los aspectos medioambientales. Además
existe una fuerte presión normativa y reguladora en materia de medioambiente.
Un gran número de empresas del sector aeroespacial están certificadas ISO
14000, asimismo se ha implantado la normativa relacionada con rEACh en el
sector aeroespacial.
India
Existe una gran preocupación por los aspectos ambientales en India, por
ejemplo se ha impulsado un plan de cambio de los actuales taxis (Auto
rickshaws) impulsados mediante gasolina por otros impulsados por gas líquido
(LPG), en ciudades grandes se trata de impulsar el transporte público… Todo
ello encaminado a la reducir los niveles de contaminación.
Cada vez las empresas y la sociedad tienen una mayor conciencia de los
aspectos ambientales. Por ejemplo, en la base de datos PROWESS ® del
CMIE utilizada en esta tesis doctoral se ha comprobado como aparecen
reportadas todas las emisiones y consumos energéticos de las empresas.
También se ha podido comprobar durante la realización de esta tesis doctoral
como hay una cada vez más estudios sobre aspectos ambientales de las
empresas y cadenas de suministro indias, en bases de datos como Elsevier ®,
Web of Knowledge ®, Scopus ®, Springer ®,ProQuest ®.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 23
Legales
Esta dimensión enmarca los factores legales y reguladores en material laboral,
seguridad, comercio…
España
El sistema legal español se basa en la constitución de 1978.
India
El sistema legal se basa en la constitución de 1950 y las leyes del Reino Unido.
Está empezando a cobrar relevancia la regulación en materia de consumo de
energía, residuos y de seguridad y salud laboral.
2.2 LA CADENA DE VALOR EN EL SECTOR AEROESPACIAL
La cadena de valor del sector aeroespacial está representada por los
eslabones que aparecen en la figura 1:
Fuente: (Frost & Sullivan, 2013)
Figura 1 Cadena de valor del sector aeroespacial
Hay dos tipos de empresas, las que se especializan en un determinado eslabón
de la cadena de valor como puede ser la ingeniería, la fabricación de
componentes, el montaje de componentes, los servicios y el MRO & Upgrades.
O por el contrario las que cubren varios eslabones porque se han integrado
verticalmente hacia delante o detrás. Siendo las combinaciones más comunes
las siguientes:
Diseño e Ingenieria
• Investigación y Desarrollo
• Infraestructura y servicios de diseño
• Infraestructura y servicios de ensayos
• Ensayos en vuelo
•Otros servicios de ingenieria
Fabricacion de componentes
• Suministradores Tier I
• Suministradores Tier II
• Suministradores Tier III
Montaje de componentes
• Ensamblaje subconjuntos
• Ensayos de subconuntos
Servicios financieros
• Financiación de adquisiones
• Financiacion de ventas
• Leasing
Distribucion y ventas
•Oficinas comerciales
Servicios de MRO & Up
•Repuestos
•Mantenimiento
• Inspecciones
•Mejoras de sistemas
• Servicios
• Formación
Diseño e Ingenieria
Fabricacion de componentes
Montaje de componentes
Servicios financieros
Distribucion y ventas
Servicios de MRO & Up
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 24
Ingeniería, fabricación, montaje, y servicios.
Ingeniería, fabricación, montaje, servicios y MRO
2.3 INDUSTRIA AEREOESPACIAL Y DE DEFENSA
El sector aeroespacial globalmente con una alta rivalidad entre los
competidores tanto en el sector defensa como en el comercial. Estando el
sector de defensa representado por las industrias de la defensa electrónica y
militar, mientras que el comercial está formado por la industria de la aviación
comercial y del espacio. La gran mayoría de los ingresos provienen de los
fabricantes de equipos, componentes y servicios de MRO. Geográficamente el
sector se divide en las siguientes áreas:
América del Norte – Canadá, Méjico y Estados Unidos
América del Sur – Argentina, Brasil, Chile, Colombia y Venezuela.
Europa – Austria, Bélgica, República Checa, Dinamarca, Finlandia,
Francia, Alemania, Grecia, Irlanda, Italia, Holanda, Polonia, Portugal,
Rumania, Rusia, España Suecia, Suiza, Turquía, Ucrania, Reino Unido.
Asia-Pacifico – Australia, China, India, Indonesia, Japón, Malasia, Nueva
Zelanda, Paquistán, Filipinas, Singapur, Corea del Sur, Taiwán y
Tailandia.
Oriente Medio (MEA) – Egipto, Israel, Kuwait, Nigeria, Arabia Saudí,
Sudáfrica y Emiratos Arabes Unidos.
En la tabla 3 se muestra la evolución del sector aeroespacial a nivel mundial,
así como en España e India (países que forman parte del objetivo de esta tesis
doctoral).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 25
Fuente: (Marketline, 2014) (Marketline, 2012)
Tabla 3 Evolución del sector aeroespacial en España e India entre 2008-2013
Como se puede ver en el análisis longitudinal que comprende el periodo 2008-
2013 por el CAGR (Compound Annual Growth Rate) en España el sector se
contrae, mientras que en India crece muy por encima de la evolución mundial.
Asimismo aunque en india el crecimiento es positivo, este se desacelera,
mientras que en España aunque es negativo se acelera. Como se puede ver
siguen patrones diferentes. A nivel mundial ha tenido dos grandes picos de
crecimiento coincidentes aproximadamente con la crisis económica mundial de
2008 y la de deuda soberana de 2010.
La previsión de crecimiento hasta 2018 es la que se muestra en la tabla 4:
Fuente: (Marketline, 2014) (Marketline, 2012)
Tabla 4 Previsión del crecimiento del sector aeroespacial en España e India entre 2008-2013
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 26
Si se segmenta el mercado en civil y militar, el crecimiento que ha
experimentado cada uno de ellos tanto a nivel global como en cada país queda
recogido en la tabla 5. Donde además de representar dicho crecimiento en
valores absolutos de couta de mercado se hace como tasa de crecimiento.
Fuente: (Marketline, 2014) (Marketline, 2012) (Institute for defense studies and analyses, 2015)
Tabla 5 Evolución del sector civil y de defensa en España, India y Global entre 2008-2013
2.4 ANÁLISIS DE LA INDUSTRIA (CINCO FUERZAS DE PORTER)
A continuación se va a realizar un análisis del atractivo de la industria utilizando
la herramienta de las cinco fuerzas de Porter (Guerras Martín & Navas López,
2009). El objetivo es evaluar el poder negociador de los compradores (“Buyer
power”), el poder negociador de los proveedores (“Supplier power”), la
existencia de productos sustitutivos (“Substitutes”), amenaza de entrada de
nuevos competidores (“New entrants”) y el grado de rivalidad de los
competidores actuales (“Degree of rivalry”). Estas dimensiones van a dar una
orientación sobre el atractivo de la industria, así como de las oportunidades y
amenazas existentes en el entorno. Al contrario que el análisis del entorno
general (PESTEL) era aplicable a cualquier empresa, fuera o no del sector
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 27
aeroespacial, este tipo de análisis lo es solo para el sector. En las figuras 2, 3 y
4 se muestra este análisis para la industria aeroespacial global en varios años.
Fuente: (Marketline, 2014)
Figura 2 Cinco fuerzas de Porter en 2013 de la industria aeroespacial global
Fuente: (Marketline, 2012)
Figura 3 Cinco fuerzas de Porter en 2011 de la industria aeroespacial global
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 28
Fuente: (Marketline, 2011)
Figura 4 Cinco fuerzas de Porter en 2010 de la industria aeroespacial global
En la industria global en el año 2013 existe una fuerte rivalidad entre
organizaciones de gran tamaño compitiendo por contratos en el sector civil y de
defensa. Los competidores existentes son empresas multinacionales
integradas, que están tendiendo a la consolidación de sus diferentes unidades
de negocio. Esta característica de escala actúa de barrera de entrada al ser
necesaria una elevada inversión inicial, así como durante la operación. Otra
barrera de entrada que presenta el sector es la necesidad de un conocimiento
técnica muy alto y específico. El tamaño de las empresas aeroespaciales
también ejerce un cierto poder negociador sobre los compradores y
suministradores, si bien en el sector defensa se ve bastante diluido este poder
al ser los clientes los gobiernos. Asimismo los suministradores consiguen
contrarrestar este poder al tener que producir bienes o servicios muy exclusivos
y altamente tecnológicos, de alta calidad, que en cierta manera les dan la
capacidad de negociar y ejercer poder con respecto a los fabricantes.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 29
India
Siguiendo el mismo esquema y objetivos se muestra en las figuras 5, 6 y 7 el
análisis de las 5 fuerzas de Porter para India en varios años.
Fuente: (Marketline, 2014)
Figura 5 Cinco fuerzas de Porter en 2013 de la industria aeroespacial en India
Fuente: (Marketline, 2012)
Figura 6 Cinco fuerzas de Porter en 2011 de la industria aeroespacial en India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 30
Fuente: (Marketline, 2011)
Figura 7 Cinco fuerzas de Porter en 2010 de la industria aeroespacial en India
En India hay muchas empresas del sector aeroespacial que entran a competir
en el mercado de manera conjunta con alguna empresa local como por ejemplo
Hindustan Aeronautics Limited o Bharat, formando Joint Ventures (JV). India
tradicionalmente ha sido un mercado importador de material aeroespacial y de
defensa, en particular la industria armamentística ha realizado numerosas
importaciones de empresas rusas. Existe una cooperación entre India y Rusia
para el desarrolla de un avión de caza de quinta generación con tecnología
stealth (caza PAK). Además en 2013 el gobierno indio ha firmado un contrato
de exportación entre la Fuerza Aérea India y Dassault Aviation valorado en
20b$ en el año 2013, dentro el tender del MMRCA (Medium MultiRole Combat
Aircraft). Adicionalmente el mercado está creciendo por lo que resulta muy
atractivo para los competidores existentes así como para atraer a nuevos
competidores. Entorno al año 2011 la Fuerza Aérea India está comenzando a
lanzar nuevos contratos de modernización de sus capacidades (sistemas,
armamento, plataforma…). En el sector de la defensa, al existir una amenaza
de terrorismo cada vez mayor favorece el gasto de los gobiernos para su
mitigación. En el año 2009 India fue el mayor importador de armas a nivel
mundial lo que sugiere a las empresas que hay un mercado que se puede
satisfacer desde India y en consecuencia la rivalidad entre las empresas
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 31
productoras se elevará, como asimismo habrá nuevas empresa que tratarán de
entrar a competir en ese entorno.
España
En el sector civil y defensa se ve favorecida la presencia de Airbus Group en
alguno de estos países al ser una empresa europea. No obstante en lo que al
sector defensa respecta, la crisis económica de 2008 ha golpeado más
duramente los presupuestos de defensa de la zona euro por lo que las
empresas han tenido que salir a competir fuera para contrarrestar la pérdida de
ingresos de los mercados tradicionales, lo que ha desembocado en una mayor
rivalidad tanto en los países de origen como en los nuevos países donde
pretenden entrar. En España muchos de los contratos de defensa son
ejecutados por Airbus Group tras ganarlos en concurso público o por
procedimiento negociado sin publicidad según corresponda y de acuerdo
siempre a la legalidad vigente. Durante los últimos años la Unión Europea ha
lanzado un nuevo esquema de emisiones, afectando tanto a los compradores
como a los fabricantes de productos aeroespaciales. La situación no óptima de
la economía española (País perteneciente al grupo de los PIGS) hace que no
sea demasiado atractivo para nuevas empresas que deseen entrar en el
mercado. En España los productos sustitutivos como por ejemplo el tren de alta
velocidad y las buenas infraestructuras para el transporte por carretera, hacen
que en determinados destinos si existe un sustitutivo real, representando una
amenaza real para sector de la aviación civil. La crisis económica, ayudada por
la subida de los precios de combustible ha significado una amenaza para las
aerolíneas que han sufrido importantes pérdidas. A nivel gubernamental se ha
impulsado el sector aeroespacial a través del Plan Estratégico para el Sector
Aeroespacial (2008-2016) con el objetivo de que en 2016 el 1% del PIB
provenga del sector aeroespacial. Adicionalmente como parte de este plan
hacia el año 2011 se impusieron restricciones a las empresas extranjeras sobre
la estructura y porcentaje de propiedad de las empresas aeroespaciales del
sector de defensa, lo que representan una barrera de entrada para nuevos
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 32
competidores a favor del desarrollo de las empresas locales. Asimismo por el
aumento de la amenaza global del terrorismo ha impulsado las ventas de
material de defensa y por tanto las exportaciones para compensar en cierta
medida la falta de ingresos debida a la adecuación de los presupuestos de
defensa por la crisis financiera de 2008. A continuación en las figuras 8, 9 y 10
se muestra el análisis de las 5 fuerzas de Porter para España en varios años.
Fuente: (Marketline, 2014)
Figura 8 Cinco fuerzas de Porter en 2013 de la industria aeroespacial en España
Fuente: (Marketline, 2012)
Figura 9 Cinco fuerzas de Porter en 2011 de la industria aeroespacial en España
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 33
Fuente: (Marketline, 2011)
Figura 10 Cinco fuerzas de Porter en 2010 de la industria aeroespacial en España
2.4.1 Poder negociador de los compradores
A continuación en las figuras 11, 12 y 13 se muestra el análisis pormenorizado
de la fuer “Poder negociador de los compradores” en la industria aeroespacial a
nivel global. Los factores estructrurales analizados en esta fuerza son:
Capacidad de integración hacia detrás – Es decir si los compradores
tienen la capacidad de ocupar el eslabón de la cadena de valor en el que
las empreas aeroespaciales se encuentran.
Grado de independiencia de los compradores – Existe algún tipo de
organización de los compradores, por ejemplo las alianzas de las
aerolíneas (OneWorld, Star Alliance…).
Tamaño de los compradores – Se trata de compradores pequeños o por
el contrario tienen un tamaño igual o superior a la media de la industria.
Fortaleza financiera – Tienen un estado financiero que les permite
absover riesgos si se materializan, retrasos en los pagos, les confiere
capacidad de pago…
Bajo coste de cambio de proveedor – Es decir, si en lugar de adquirir los
bienes y servicios de las empresas actuales tienen la capacidad de
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 34
adquirirlos de otras de manera rápida y sin que ello les suponga un
elevado coste. En pricipio para este sector si es importante este factor,
puesto que se tiende a estandarizar las flotas para reducir los costes de
operación de la misma (formación de tripulaciones y personal de
mantenimiento, coste de repuestos…)
Existe amaneza de oligopsonio – Es decir un mercado en el que haya
muchos oferentes y pocos compradores.
Sensibilidad al precio – Los cambios de precio que las empresas del
sector aeroespacial afectan de manera importante a los clientes. En
principio en este sector si puesto que si se trata del mercado de defensa,
los gobiernes tienen un presupuesto ajustado y cada vez más por los
efectos de la crisis mundial, y si se trata de aerolíneas también porque
encarece el precio de los billetes y por lo tanto podría hacer que la
demanda de transporte aéreo descienda.
Indispensabilidad del producto – Esta factor analiza si el grado de
necesidad del producto.
Tendencia al cambio – Evalua la tendencia de los compradores a
cambiar de empresa aeroespacial. Si ha cierta tendencia, que en sector
civil va encaminada a estandarizar flotas y en el de defensa
principalmente está movido por objetivos estratégicos del país hacia los
proveedores de los bienes y servicios.
Diferenciaciónd el producto – Este factor analiza si el producto que
proporcionan las empresas aeroespaciales está difenciado. En el sector
defensa lo está puesto que cada fabricante ofrece productos
prácticamente únicos para cada cliente por las implicaciones de
seguridad que plantea. En el sector civil también porque cada fabricante
ha apostado por configuraciones de aviones diferentes.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 35
Fuente: (Marketline, 2014)
Figura 11 Poder negociador de los compradores en 2013 de la industria aeroespacial global
Fuente: (Marketline, 2012)
Figura 12 Poder negociador de los compradores en 2011 de la industria aeroespacial global
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 36
Fuente: (Marketline, 2011)
Figura 13 Poder negociador de los compradores en 2010 de la industria aeroespacial global
El sector civil está dominado por dos grandes empresas como son The Boeing
Company y Airbus Group, matizado por algunas empresas de algunos países
como la italiana Finmeccanica y la brasileña Embraer. El sector de defensa
muestra las mismas tendencias oligopolísticas, aunque moderado por el efecto
de las compañías locales que actúan por motivos estratégicos. La elección de
los compradores es limitada. Las empresas fabricantes compiten diferenciando
el producto lo que disminuye el poder negociador de los compradores. Los
fabricantes se están concentrando y por lo tanto haciéndose mayores (en
tamaño y en la cadena de valor). Las empresas fabricantes potencialmente
pueden ejercer un algo poder negociador sobre los compradores. No obstante
los compradores del sector aeroespacial tienen también un musculo financiero
potente, especialmente en el sector de defensa, al tratarse de gobiernos,
aunque en el civil los bancos, instituciones de leasing y aerolíneas también son
empresas multinacionales de un tamaño comparable. Normalmente las
empresas fabricantes no sólo entregan un producto y están presentes en una
actividad de la cadena de valor de los compradores, sino que en muchas
ocasiones ocupan varios eslabones, como por ejemplo en la parte de servicios
o incluso de ingeniería y ofrecen una solución integral al cliente. Esto hace que
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 37
los costes de cambio de proveedor para los compradores sean muy altos y en
consecuencia el poder negociador de los compradores decrece.
Como resultado en el sector aeroespacial el poder negociador de los
compradores es moderado.
India
En las siguientes figuras 14, 15 y 16 se muestra el análisis de la fuerza “Poder
negociador de los compradores” para la industria aeroespacial India en varios
años, en concreto en 2013, 2011 y 2010.
Fuente: (Marketline, 2014)
Figura 14 Poder negociador de los compradores en 2013 de la industria aeroespacial en India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 38
Fuente: (Marketline, 2012)
Figura 15 Poder negociador de los compradores en 2011 de la industria aeroespacial en India
Fuente: (Marketline, 2011)
Figura 16 Poder negociador de los compradores en 2010 de la industria aeroespacial en India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 39
España
De manera análoga se muestra en las figuras 17, 18 y 19 el análisis de la
fuerza “Poder negociador de los compradores” para la industria aeroespacial
española en varios años, en concreto en 2013, 2011 y 2010.
Fuente: (Marketline, 2014)
Figura 17 Poder negociador de compradores en 2013 de la industria aeroespacial en España
Fuente: (Marketline, 2012)
Figura 18 Poder negociador de compradores en 2011 de la industria aeroespacial en España
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 40
Fuente: (Marketline, 2011)
Figura 19 Poder negociador de compradores en 2010 de la industria aeroespacial en España
2.4.2 Poder negociador de los proveedores
A continuación en las figuras 20, 21 y 22 se muestra el análisis pormenorizado
de la fuerza “Poder negociador de los proveedores” en la industria aeroespacial
a nivel global. Los factores estructrurales analizados en esta fuerza son:
Diferenciación del suministro – Evalua si el producto o servicio
suministrado a las empresas del sector aeroespacial está diferenciado.
Teniendo en cuenta que aparecen mezclados los diferentes eslabones
de la cadena de valor. Es decir, una pieza elemental o un conunto,
pueden entregarlo multitud de empresas, al igual que un servicio de
MRO, siempre y cuando cumplan con los requisitos regulatorios.
Capacidad de integración hacia delante – Es la capacidad que tienen las
empresas de realizar las operaciones propias de eslabones de la cadena
de valor que se encuentran delante (por ejemplo de una empresa que se
dedica a la fabricación y montaje de subconjutnos que comience a
ensamblar aviones).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 41
Importancia de la calidad/coste – Es el grado de impacto que tiene un
problema de calidad de un suministro en el producto final y en el coste.
En este tipo de industria que tiene unos estándares tán ambiciosos,
cualquier error que no se detecte a tiempo supone grandes sumas de
dinero y graves problemas de calidad y en ocaciones de seguridad.
Productos sustitutivos de los suministros – En la industria aeroespacial
es difícil la existencia de productos sustitutivos para los que actualmente
se suministran, debido a que se requieren largos y costosos procesos de
calificación del suministrador y el proceso. Ademas los productos deben
cumplir una serie de especificaciones técnicas y funcionales muy
ambiciosas por el impacto que puede tener en la industria aeroespacial.
Amenaza de oligopolio – Es decir pocos oferentes (suministradores)
frente a muchos demandantes (empresas del sector aeroespacial).
Indispensabilidad de suministro – Los productos y/o servicios
suminsitrados son indispensables para poder entregar el producto
completo al cliente final (ya sea una aeronave, una revisión de
mantenimiento…)
Independiencia del proveedor – Evalúa la independencia que tiene la
empresa aeroespacial con respecto al proveedor. En esta industria con
los requisitos tan estrictos de calificación del proveedor, del producto y
del proceso la dependiencia del proveedor es muy alta. Además es
recíproco porque el proveedor ha tenido que realizar grandes
inversiones tanto en ingeniería como en equipos de ensayo, y por lo
tnato también tiene dependencia de la empresa aeroespacial.
Tamaño del proveedor – El tamaño del proveedor afecta la capacidad de
negociación, pero no es un elemento clave, ya que más que el tamaño lo
que condiciona el poder es la calidad que ofrezca, la fiabilidad, que no
existan disrupciones en la producción que generan paradas de la
cadena de producción…
Costes de cambio de proveedor – Es la influencia económica que puede
tener un cambio de proveedor para una empresa del sector
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 42
aeroespacial, que como se ha mencionado con anterioridad, tienen que
ver con la perdida de calidad en el proceso de cambio, las disrupciones
por la incapacidad de entrega de productos que cumplan las
especificacioens, los costes de calificación del proveedor, del producto y
del proceso, el tiempo necesario durante el cual es necesario mantener
dos fuentes de suministro para reducir riesgos…
Fuente: (Marketline, 2014)
Figura 20 Poder negociador de los proveedores en 2013 de la industria aeroespacial global
Fuente: (Marketline, 2012)
Figura 21 Poder negociador de los proveedores en 2011 de la industria aeroespacial global
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 43
Fuente: (Marketline, 2011)
Figura 22 Poder negociador de los proveedores en 2010 de la industria aeroespacial global
Los componentes que suministran los vendedores a los fabricantes del sector
aeroespacial se caracterizan por tener una alta calidad, una alta especificidad
técnica, unos costes de calificación muy altos… De manera que cualquier
degradación de un componente suministrado pone en peligro los costes y la
calidad del producto final de las empresas fabricantes. Debido a la
diferenciación técnica de los productos, los altos costes de calificación, y la
importancia de mantener un estándar de calidad, los costes de cambio de
proveedor son muy elevados. En este sentido los suministradores
potencialmente tienen un alto poder de negociación.
No obstante los la evolución de los precios de las materias primas tienen un
impacto significativo en los beneficios de los suministradores que normalmente
tienen firmados contratos en los que el precio es fijo con los fabricantes del
sector aeroespacial. Por lo que el poder que pueden ejercer los fabricantes
sobre los suministradores en los precios les resta poder de negociación.
Globalmente el poder negociador de los suministradores es moderado.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 44
India
A continuación se muestra en las figuras 23, 24 y 25 el análisis de la fuerza
“Poder negociador de los proveedores” para la industria aeroespacial india en
varios años, en concreto en 2013, 2011 y 2010.
Fuente: (Marketline, 2014)
Figura 23 Poder negociador de los proveedores en 2013 de la industria aeroespacial en India
Fuente; (Marketline, 2012)
Figura 24 Poder negociador de los proveedores en 2011 de la industria aeroespacial en India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 45
Fuente: (Marketline, 2011)
Figura 25 Poder negociador de los proveedores en 2010 de la industria aeroespacial en India
España
Análogamente se muestra en las figuras 26, 27 y 28 el análisis de la fuerza
“Poder negociador de los proveedores” para la industria aeroespacial española
en varios años, en concreto en 2013, 2011 y 2010.
Fuente: (Marketline, 2014)
Figura 26 Poder negociador de los proveedores en 2013 de la industria aeroespacial en
España
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 46
Fuente: (Marketline, 2012)
Figura 27 Poder negociador de los proveedores en 2011 de la industria aeroespacial en
España
Fuente: (Marketline, 2011)
Figura 28 Poder negociador de los vendedores en 2010 de la industria aeroespacial en España
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 47
2.4.3 Grado de rivalidad
Esta fuerza analiza la rivalidad que existe entre las empresas aeroespaciales
exsitentes y que actualmente compiten entre ellas. Para este análisis se utilizan
diferentes variables estructurales que lo descomponen, siendo estas
diemensiones:
Tamaño del competidor – Evalúa el tamaño de los competidores,
jugando un papal importante en el gradod de rivalidad. De hecho esta es
una de las variables que se ha tenido en cuenta en el modelo de
análisis.
Facilidad de expansión – Analiza la facilidad de las empresas para
expandirse. En el sector aeroespacial la tendencia es a concentrarse en
las actividades consideradas como “core” y especializarse en ellas.
Facilidad de salida – Evalúa la facilidad de abandonar la industria
aeroespacial. En este sector al ser tan específico no es facil, incluso con
algunas restricciones legales (patentes, responsabilidad legal frente a
terceros…)
Falta de diversidad – Analiza la diversidad en los competidores, la cual
no es muy grande. Es decir no hay mucha diversidad es previsible que
existe gran competencia.
Coste cambio – Analiza los costes en los que se incurre por cambiar de
sector. Muchas de las empresas no trabajan solo para el sector
aeroespacial (en sus dos vertientes, la civil y de defensa), sino que lo
hacen en otros para diversificar riesgos y aprovechar las economías de
escala que les ofrece disponer de unos medios productivos y un know-
how que les confiere adicionalmente una ventaja competitiva en otros
sectores.
Estructura de costes fijos – Evalúa la existencia de costes una estructura
de costes fijos elevada (Algo indeseable para las empresas). Esta
dimensión también se ve reflejada en el modelo que se utiliza en esta
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 48
tesis doctoral, a través de la evaluación de la estructura de activos,
donde se comparar los corrientes y los no corrientes (Fijos).
Número de competidores existentes – Esta dimensión estructural pone
de manifiesto si la rivalidad se aproxima a las hipótesis de mercado
perfecto o por el contrario hacia el oligopolio y/o monopolio.
Coste de almacenaje – Los productos aeroespaciales para ser
almacenados requieren unas condiciones muy particulares tanto
ambientales, como de manipulación, de espacio, de transporte.
Adicionalmente al tratarse de productos con un coste muy elevado, su
almacenaje es un coste indeseable para las empresas, puesto que ha
adquirido materias primas, han invertido horas en su producción y
todavía no lo han vendido por lo que no puden en principio facturarlo. E
decir, incurren en costes y no pueden contabilizar la venta.
Grado de diferenciación del producto – Analiza si el producto que
ofrecen esta diferenciado. En cierta manera si lo está, pero también es
necesario conocer que existen unas regulaciones internacionales que
favorecen que si las empresas las cumplen puedan ofrecer productos
y/o servicios más homogéneos.
Juego de suma cero – Evalúa la capacidad de las empreas del sector
aeroespacial para buscar estrategias de suma cero, es decir, que lo que
gana uno de ellos lo pierde otro, pero que en cualquier momento o en
otra dimensión la situación es la contraria.
A continuación en las figuras 29, 30 y 31 se muestran los valores agregados
para la industria aeroespacial a nivel global en varios años, como son el 2013,
2011 y 2010.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 49
Fuente: (Marketline, 2014)
Figura 29 Grado de rivalidad de empresas existentes en 2013 de la industria aeroespacial
global
Fuente: (Marketline, 2012)
Figura 30 Grado de rivalidad de empresas existentes en 2011 de la industria aeroespacial
global
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 50
Fuente: (Marketline, 2011)
Figura 31 Grado de rivalidad de empresas existentes en 2010 de la industria aeroespacial
global
La industria aeroespacial y de defensa está dominada por empresas de gran
tamaño, algunas de las cuales están muy diversificadas en cuanto a producto,
eslabones de la cadena de valor cubiertos y presencia geográfica se refiere. Es
decir son “jugadores globales”. Esto hace que se reduzca la dependencia de un
mercado en particular por lo que se reduce un poco el grado de rivalidad en un
mercado en particular aunque puede aumentar a nivel global al coincidir en
varios mercados.
Aun así hay muchas empresas que todavía tienen una alta dependencia de un
mercado en particular (el aeroespacial y de defensa). El hecho de que los
presupuestos de defensa se han reducido en muchos países ha hecho que la
competencia aumente a través de un mayor grado de rivalidad, por el contrario
en otros países como los emergentes, ha ocurrido que los presupuestos han
aumentado y en consecuencia las empresas para tratar de incrementar los
ingresos que no estaban obteniendo en los países tradicionales compitan con
un alto grado de rivalidad en estas economías emergentes (incluye alguno de
los países BRICS).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 51
En el sector civil la rivalidad de las empresas que tratan de ofrecer aeronaves
cuyo consumo de combustible sea cada vez menor, sea incrementado, ya que
las aerolíneas han realizado grandes inversiones para modernizar las flotas y
reducir los costes de combustible, al haber aumentado este paulatinamente sus
precios. Es la defensa que han tenido los compradores.
Globalmente la rivalidad existente entre las empresas presentes en el mercado
es fuerte.
India
A continuación se muestra en las figuras 32, 33 y 34 el análisis de la fuerza
“Grado de rivalidad” para la industria aeroespacial india en varios años, en
concreto en 2013, 2011 y 2010.
Fuente: (Marketline, 2014)
Figura 32 Grado de rivalidad de empresas existentes en 2013 de la industria aeroespacial en India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 52
Fuente: (Marketline, 2012)
Figura 33 Grado de rivalidad de empresas existentes en 2011 de la industria aeroespacial en India
Fuente: (Marketline, 2011)
Figura 34 Grado de rivalidad de empresas existentes en 2010 de la industria aeroespacial en
India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 53
España
De igual manera se muestra en las figuras 35, 36 y 37 el análisis de la fuerza
“Grado de rivalidad” para la industria aeroespacial española en varios años, en
concreto en 2013, 2011 y 2010.
Fuente: (Marketline, 2014)
Figura 35 Grado de rivalidad de empresas existentes en 2013 de la industria aeroespacial en
España
Fuente: (Marketline, 2012)
Figura 36 Grado de rivalidad de empresas existentes en 2011 de la industria aeroespacial en
España
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 54
Fuente: (Marketline, 2011)
Figura 37 Grado de rivalidad de empresas existentes en 2010 de la industria aeroespacial en
España
2.4.4 Entrada de nuevos competidores
Esta fuerza evalúa la amenaza de entrada de nuevos competidores en el sector
aeroespacial. Se descompone en una serie de dimensiones o factores
estructurales, los cuales se van a detallar a continuación y se va a representar
su evolución temporal en los años 2013, 2011 y 2010 en las figuras 38, 39 y 40.
Las dimensiones de esta fuerza son:
Accesibilidad a los canales de distribución – Evalua la capacidad de uso
de los canales de distribución establecidos para los competidores
actuales, por lo nuevos competidores. En el sector aeroespacial
cualquier proveedor logístico puede ofrecer estos servicios.
Raccion de los competidores establecidos – La reacción de los
competidores actuales no tiene demasiada repercusión ya que no
pueden bloquear ningún proveedor ni pueden actuar en contra por las
leyes de competencia existentes.
Existencia de propiedad industrial e intelectual – Existen fuertes
derechos de propiedad industrial e intelectual en forma de patentes, si
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 55
bien pueden utilizarlos. Por lo que el grado de fuerza que otorga es
pequeño para esta industria.
Barreras regulatorias – Las barreras regulatorias no son demasiado
grandes, a pesar de ser una industria fuertemente regualada, cualquier
competidor potencial puede cumplir con los requerimientos siempres y
cuando haga las inversiones adecuadas para tecnificarse y alcanzar los
estándares. No supone una barrera al poder tener acceso cualquiera.
Estructura de costes – La estructura de costes fijos juega un papel
importante pudiendo ser una barrera de entrada de existir unos costes
fijos elevados. No obstante las empresas que quieren entrar en el sector
aeroespacial que provienen de otros sectores también tecnificados ya
disponen de gran contindad de estos activos necesarios por lo que no
supone una barrera muy grande.
Coste de cambio – Los costes de cambio si son elevados. Es decir la
empresas tienen que realizar inversiones para cambiar a este sector,
razonablemente elevadas.
Crecimiento del mercado – El mercado está en crecimiento por lo que
atrae a competidores potenciales buscando una parte de cuota de
mercado en expansión.
Economía de escala – No es excesivamente importante para las
empresas que quieren entrar en el sector aeroespacial, si bien puden
utilizan activos que ya poseen.
Accesibilidad a la cadena de suministro – Los nuevos competidores
tienen a priori la misma facilidad que las empresas actuales para
acceder a la cadena de suministro existente.
Diferenciación del producto – Como se ha comentado anteriormente en
otras fuerzas el producto en el sector aeroespacial está diferenciado, si
bien la regulación y la calificación, permiten disminuir este efecto y
hacerlo más homogéneo (por ejemplo un servicio de MRO será a priori
el mismo en cualquier parte del mundo puesto que cumple con la
regulación en materia de seguridad).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 56
Poca importancia de la marca – La marca juega un papel importante,
pero no el que más, aunque la evolución es a que si lo juegue. Lo que
existe son unos requerimientos de diseño y funcionales y aquella
empresa que sea capaz de suministrarlo y al menor coste suele
seleccionarse para tal tarea.
Fuente: (Marketline, 2014)
Figura 38 Amenaza de entrada de nuevos competidores en 2013 de la industria aeroespacial
global
Fuente: (Marketline, 2012)
Figura 39 Amenaza de entrada de nuevos competidores en 2011 de la industria aeroespacial
global
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 57
Fuente: (Marketline, 2011)
Figura 40 Amenaza de entrada de nuevos competidores en 2010 de la industria aeroespacial
global
Las empresas existentes tienen un tamaño tan grande y una estructura de
costes nada apropiada para la entrada de un nuevo competidor. Asimismo al
ser un sector muy específico y tecnológico las capacidades y conocimiento
necesarios son muy apreciadas y un intangible que las empresas existentes
utilizan de barrera de entrada. Están cambiando el sector y las empresas
fabricantes existentes están concentrando sus negocios formándose cada vez
menos competidores pero de un tamaño superior, lo que a su vez actúa de
nuevo de barrera de entrada para nuevos competidores.
Se trata de un sector altamente regulado en materia de seguridad nacional,
comercio exterior (importaciones/exportaciones), impuestos, seguridad en
vuelo, calidad, contabilidad, ética y cumplimiento… Esto actúa de barrera de
entrada para nuevas empresas que quieran penetrar en esta industria.
Globalmente la amenaza de entrada de nuevos competidores es baja.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 58
India
En las diguras 41, 42 y 43 se muestra el análisis de la fuerza “Entrada de
nuevos competidores” para la industria aeroespacial india en varios años, en
concreto en 2013, 2011 y 2010.
Fuente: (Marketline, 2014)
Figura 41 Amenaza de entrada de nuevos competidores en 2013 de la industria aeroespacial
en India
Fuente: (Marketline, 2012)
Figura 42 Amenaza de entrada de nuevos competidores en 2011 de la industria aeroespacial
en India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 59
Fuente: (Marketline, 2011)
Figura 43 Amenaza de entrada de nuevos competidores en 2010 de la industria aeroespacial
en India
España
De la misma manera en las figuras 44, 45 y 46 se muestra el análisis de la
fuerza “Entrada de nuevos competidores” para la industria aeroespacial
española en varios años, en concreto en 2013, 2011 y 2010.
Fuente: (Marketline, 2014)
Figura 44 Amenaza de entrada de nuevos competidores en 2013 de la industria aeroespacial
en España
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 60
Fuente: (Marketline, 2012)
Figura 45 Amenaza de entrada de nuevos competidores en 2011 de la industria aeroespacial
en España
Fuente: (Marketline, 2011)
Figura 46 Amenaza de entrada de nuevos competidores en 2010 de la industria aeroespacial
en España
2.4.5 Existencia de productos sustitutivos
Los productos sustitutivos son aquellos que para el cliente tienen la misma
utilidad y cumplen la misma funcionalidad. Para analizarla se descompone en
diferentes dimensiones las cuales se van a presentar a continuación y se
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 61
analizan longitudinalmente para los años 2013, 2011 y 2010, para la industria
aeroespacial global en las figuras 47, 48 y 49. Dichas dimensiones son:
Existencias de alternativas más beneficiosas – Analiza si hay alguna
alternativa a las existentes que presenten una mayor utilidad para el
cliente manteniendo la funcionalidad. Dada la especificad de la industria
aeroespacial en algunas ocasiones pudiera existir algún producto
alternativo, pero desde luego no en el caso de los productores de
aeronaves, de componentes aeroespaciales, de mantenimiento
aeronaútico, de formación aeronaútica…
Existencia de alternativas más baratas – La falta de alternativas hacen
que las pocas que puedan existir no sean más baratas por lo que el
papel de esta dimensión no será excesivamente importante.
Costes de cambio bajos – Los costes de cambio hacia otras alternativas
son elevados, puesto que hay que desarrollarlas al no existir mucha
disponibilidad de las mismas.
Fuente: (Marketline, 2014)
Figura 47 Amenaza de productos sustitutivos en 2013 de la industria aeroespacial global
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 62
Fuente: (Marketline, 2012)
Figura 48 Amenaza de productos sustitutivos en 2011 de la industria aeroespacial global
Fuente: (Marketline, 2011)
Figura 49 Amenaza de productos sustitutivos en 2010 de la industria aeroespacial global
En el sector aeroespacial, tanto civil como de defensa, debido a la
diferenciación de producto no hay productivos sustitutivos reales, aunque en el
sector civil hay diferentes aviones que se pueden comprar y realizarían en
principio la misma función, quizá en defensa con los aviones pasa lo mismo
(aunque el modelo a utilizar está muy ligado a la estrategia del país
correspondiente). No representa una amenaza para los fabricantes existentes.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 63
En el sector civil quizá en algunas ocasiones puede existir algún producto
sustitutivo como el tren de alta velocidad, pero no está tan desarrollado y no
llega a tantos puntos como la aviación comercial. No representa un la
actualidad una amenaza.
Globalmente la amenaza de los productos sustitutivos es débil.
India
En las figuras 50, 51 y 52 se muestra el análisis de la fuerza “Existencia de
productos sustitutivos” para la industria aeroespacial india en varios años, en
concreto en 2013, 2011 y 2010.
Fuente: (Marketline, 2014)
Figura 50 Amenaza de productos sustitutivos en 2013 de la industria aeroespacial en India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 64
Fuente: (Marketline, 2012)
Figura 51 Amenaza de productos sustitutivos en 2011 de la industria aeroespacial en India
Fuente: (Marketline, 2011)
Figura 52 Amenaza de productos sustitutivos en 2010 de la industria aeroespacial en India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 65
España
En las figuras 53, 54 y 55 se muestra el análisis de la fuerza “Existencia de
productos sustitutivos” para la industria aeroespacial india en varios años, en
concreto en 2013, 2011 y 2010.
Fuente: (Marketline, 2014)
Figura 53 Amenaza de productos sustitutivos en 2013 de la industria aeroespacial en España
Fuente: (Marketline, 2012)
Figura 54 Amenaza de productos sustitutivos en 2011 de la industria aeroespacial en España
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 66
Fuente: (Marketline, 2011)
Figura 55 Amenaza de productos sustitutivos en 2010 de la industria aeroespacial en España
2.5 DEFINICIÓN DEL PROBLEMA OBJETO DE ESTUDIO
Como se ha esbozado en los puntos anteriores las características del entorno
general, así como las del específico sufren una variación longitudinal entre los
años 2008 a 2013, en España, India y a nivel mundial. También son distintas
entre España e India, así como comparativamente con la evolución mundial de
la industria, cuando se realiza la comparación de manera transversal para cada
año.
Parece lógico suponer que las empresas que operan en ese entorno (España e
India) tengan diferentes factores estructurales que afecten a su rendimiento, y
que además estos factores varíen con el tiempo en forma e intensidad.
Los autores Türel, et al. (2012) han estudiado las características de las
empresas con mejor rendimiento en Turquía antes y después de la crisis.
Aunque se trata de un enfoque que pudiera ser interesante, el objetivo de esta
tesis doctoral no es cuantificar, ni esgrimir los efectos de la crisis económica
global de 2008, de la crisis europea de deuda soberana de 2010, o de la crisis
india de 2012, sobre el rendimiento de las empresas. Como tampoco lo es
extrapolar los resultados de lo que ocurra en España a todos los países PIGS,
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 67
de la misma manera que todo lo que ocurra en India a todos los BRICS. Estos
enfoques son dos de las futuras líneas de investigación que podrían
complementar esta tesis. Uno de los objetivos de la tesis es esbozar una
metodología de carácter exploratorio, descriptivo y predictivo, que permita su
aplicación, en diferentes entornos, en ocasiones muy dispares. Por este motivo
se ha seleccionado a India y España como países para el caso de estudio, por
presentar estas características tan diferentes. En España la industria
aeroespacial es una industria madura, y pertenece a uno de los países más
golpeados perteneciendo al grupo de los PIGS. En cambio la India es una
economía emergente que pertenece al grupo de los denominados BRICS,
además la industria aeroespacial está en su etapa inicial de crecimiento.
Los autores Delen, et. al. (2013) en su trabajo hacen un estudio de los
indicadores financieros que mejor representan el desempeño y/o rendimiento
de una empresa, para posteriormente utilizarlos para hacer una prognosis
sobre rendimiento futuro utilizando la evolución de los indicadores financieros.
Este planteamiento es muy similar al utilizado en esta tesis doctoral a nivel
metodológico. Una primera etapa en la que se hace un análisis exploratorio y
descriptivo, seguido de una segunda etapa de prognosis basada en los
resultados de la primera. En nuestro caso se pretende hacer un análisis sobre
los elementos estructurales y su evolución en el tiempo que más influyen en el
rendimiento de las empresas, así como su influencia en la eficiencia de la
misma. Posteriormente todo lo anterior será utilizado en un modelo de
prognosis de la eficiencia empresarial.
El investigador Arinovic-Barac (2011) en su artículo hacen un análisis de los
indicadores financieros que mejor recogen la evolución del desempeño y/o
funcionamiento de las empresas para posteriormente realizar un modelo
predictivo utilizando las Redes Neuronales para ello. Esta aproximación
metodológica es de nuevo muy similar a la que se pretende seguir en esta tesis
doctoral. Es decir, una primera etapa exploratoria y descriptiva, seguido de una
segunda etapa predictiva.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 68
Para definir correctamente desde una óptica metodológica el problema a
continuación se van a esbozar una serie de características, las cuales se
detallarán con mayor precisión en el capítulo 3.
2.2.1 Propósito del estudio
El propósito de esta tesis doctoral es triple. Por un lado se trata de un estudio
exploratorio y descriptivo debido a que no hay demasiada información o
estudios previos sobre el problema que se pretende analizar de los factores
estructurales que afectan al rendimiento y la eficiencia de las empresas en la
industria aeroespacial, y en particular en dos países como son España e India.
Desde este enfoque es exploratorio y descriptivo. Se generarán una serie de
hipótesis a priori, basadas en la literatura existente o en la experiencia, que se
falsarán a lo largo del desarrollo de este trabajo.
Un segundo propósito es predictivo, ya que en un entorno dinámico tiene más
valor si además de comprender lo que ha ocurrido se pude esbozar lo que
potencialmente puede ocurrir, con objeto de establecer los planes de acción
correspondientes y permitir a las empresas ser más agiles y robustas si aplican
este proceso de manera sistemática reduciendo el riesgo de vulnerabilidad ante
fenómenos o decisión estratégicas de gestión determinados.
Por último el tercer propósito es formular una metodología de aplicación en
cualquier entorno (país, industria, tiempo).
2.2.2 Problema específico para ser investigado
La definición de un problema de investigación debe cumplir al menos las
siguientes características. Debe ser relevante, viable e interesante.
En relación a la relevancia del problema, se va a analizar en detalle en el punto
2.2.4, la relevancia para el mundo empresarial y académico. Es necesario
hacer esta distinción, ya que podría ser muy relevante para uno y muy poco
para otro. En este caso como se trata de un tipo de investigación aplicada, es
importante la relevancia para el mundo empresarial para ofrecer información y
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 69
una nueva metodología; tanto para el mundo académico para mostrar si
trabajos y estudios que se han realizado siguen siendo falsables ante un
cambio de condiciones de contorno, así como aportar un nuevo conocimiento
derivado de la muestra utilizada (Industria aeroespacial en España e India)
Desde una óptica académica tiene interés determinar dichos factores para una
industria, como es la aeroespacial poco estudiada, y en particular para dos
países como son España e India. En el caso de India no se ha evidenciado
ningún estudio similar sobre este sector y que además utilice una muestra
cercana al tamaño de la población. Como hecho destacable para la muestra de
este país, el acceso a la información es sólo posible si se visita algún centro
académico o profesional en el que se pueda acceder a una base de datos sólo
para “indian eyes”. Además del añadido de utilizar una muestra muy amplia, y
sobre la que no se ha visto otra de similar tamaño en toda la bibliografía
consultada para la realización de este trabajo. Adicionalmente, tiene especial
valor también la posibilidad de utilizar los informes de inteligencia de negocio
generados por MarketLine, normalmente con un precio muy elevado por
informe y que han podido obtenerse gracias a la subscripción de un centro
académico indio, al que se ha tenido acceso.
Asimismo otro valor añadido desde un enfoque académico es la aplicación de
una misma metodología basada en el método científico, a dos entornos muy
diferentes. No sólo se puede encontrar el valor añadido en los resultados
obtenidos, sino en la propuesta de una metodología que sea extrapolable a
otros países y otros sectores de manera que los haga comparables, abriendo
infinidad de oportunidades de investigación. Asimismo añade valor al tratarse
de la primera etapa de una línea de investigación sustentando el comienzo de
la misma y dando continuidad, es decir, no se trata de un trabajo con un inicio y
un final en términos absolutos abandonando posteriormente los hallazgos y el
potencial de investigación.
Si el enfoque es el empresarial, presenta valor añadido y novedad, al poner al
servicio de las empresas una herramienta aplicable a cualquier entorno y
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 70
cualquier industria, que desgrana los factores que actúan como factores
determinantes que influyen en el rendimiento y eficiencia de las empresas. Es
más, también será capaz de predecir la eficiencia utilizando información pública
de las empresas, siendo un tipo de información muy básica. Puede utilizarse
para formular joint ventures con el socio adecuado, analizar el riesgo de una
determinada operación, servir de criterio de selección de eslabones de la red
de suministro.
Otra de las características que debe cumplir es la viabilidad. Es decir, si se
puede diseñar una investigación apropiada estudiar el problema. Para ello
deben estar disponibles la teoría, recursos, información, tiempo… necesarios.
Para el problema objeto de estudio de esta tesis doctoral es viable, puesto que
se dispone de la teoría, recursos económicos, acceso a la información y tiempo
para plantear una investigación en relación al problema de estudio. En relación
a esta característica es destacable que en el entorno indio, la información sólo
esta accesible desde una institución india. Gracias a dos estancias estivales en
una institución académica de primer nivel, ha sido posible la aplicación al caso
indio.
La última característica que debe cumplir es que sea de interés para el
investigador y le motive. En este caso se cumple también esta característica
puesto que me encuentro vinculado laboralmente a una empresa líder del
sector aeroespacial y he tenido contacto con la industria aeroespacial española
e india a través de las funciones que he desempeñado o desempeño en la
misma, así como a nivel académico también me encuentro vinculado
laboralmente a la universidad en la Escuela que imparte Ingeniería
Aeroespacial más antigua de España. Es decir, tiene interés a nivel
académico, así como empresarial.
2.2.3 Alcance del estudio
El alcance de esta tesis doctoral son las empresas de la industria aeroespacial
(civil y defensa) en España e India entre los años 2008 y 2013.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 71
2.2.4 Relevancia del estudio
En relación a la relevancia del problema, desde una óptica empresarial debe
ser un problema que existe y tiene impacto en las empresas. El que se estudia
en esta tesis doctoral lo es, puesto que propone una metodología de selección
de aquellas empresas del sector aeroespacial que más eficientes son, y que
por lo tanto es más seguro y apetecible trabajar con ellas.
Si se analiza la relevancia desde una óptica académica, algo es relevante si no
hay mucho conocimiento alrededor de ello, o existe dicho conocimiento pero
diseminado sin una hilo conductor que lo integre, si hay resultado total o
parcialmente contradictorios sobre el mismo asunto, y por último si se las
conclusiones obtenidas no son válidas bajo ciertas condiciones. No se ha
encontrado en la bibliografía consultada artículos que desgranen los factores
estructurales que afectan al rendimiento y eficiencia de las empresas del sector
aeroespacial, y todavía en menor proporción si se trata de España o India.
Estos son los elementos que añaden valor a esta tesis doctoral, también
conforman los elementos novedosos añadidos.
2.2.5 Diseño del estudio
Muestra
Para el diseño de la muestra se van a tomar las empresas del sector
aeroespacial en India y España.
Obtención de los datos datos
Los datos de extraen de bases de datos, es decir, de una fuente secundaria.
Dichas bases de datos son SABI para España, PROWESS para India y las del
WEF y FMI para los aspectos macroeconómicos.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 72
Selección de la técnica de análisis de datos
Se verifica la validez de los datos (valores perdidos y casos atípicos), y
posteriormente se utiliza una técnica adecuada al objetivo del estudio
(Exploratorio, descriptivo y predictivo), así como a las hipótesis que se pretende
falsar. Si la técnica que se utiliza no proporciona el tipo de resultado que se
requiere las conclusiones no serán válidas para falsar las hipótesis. Para la
parte exploratorio y descriptiva se utilizan las técnicas de análisis de
componentes principales y análisis envolvente de datos. En el área predictiva
se hace uso de una red neuronal artificial.
2.2.6 Marco temporal
El marco temporal que se contempla es el comprendido entre 2008 y 2013. El
motivo de haber elegido este intervalo es debido a que durante este periodo el
entorno general y específico han acontecido una serie de hechos que han
introducido cierta turbulencia y dinamismo en el mismo de manera asimétrica,
como por ejemplo la crisis económica mundial de 2008, la crisis de deuda
soberana de 2010 en Europa, la crisis de 2012 en India, el lanzamiento y
consolidación de nuevos programas aeronáuticos (A350 XWB, A380, A400M,
B787 Dreamliner…)
2.6 DESARROLLO DE HIPÓTESIS
Una hipótesis es una explicación tentativa de la relación entre dos o más
constructos o variables. Las hipótesis deben (Hernández , et al., 2010):
Referirse a una situación real
Sus términos (constructo o variable) deben ser comprensibles, precisos
y concretos.
Los términos deben estar definidos a nivel conceptual y operacional
Las relaciones entre los términos deben ser claras y verosímiles
Los términos deben ser observables y medibles, bien porque sean una
variable o porque se puedan operacionalizar mediante variables.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 73
En la figura 56 se muestra una clasificación de los diversos tipos de hipótesis
que se pueden formular.
Tipos de
hipótesis
- De investigación
- Descriptiva
- Correlacional
- De diferencia de grupos
- Causales - Bivariadas
- Multivariadas
- Nulas
- Alternativas
- Estadísticas
Fuente: Elaboración propia
Figura 56 Tipos de hipótesis existentes en una investigación
Hipótesis de investigación
Las hipótesis de investigación son proposiciones tentativas de las posibles
relaciones entre dos o más variables
En función del objetivo del estudio tiene sentido formular hipótesis o no, así
como el tipo de hipótesis formuladas. En un estudio de carácter exploratorio no
tiene sentido formular hipótesis, puesto que se está examinando un problema o
fenómeno del que no se tiene excesiva información. En cambio si el estudio es
descriptivo si se formulan pronosticando un hecho o un dato. También se
pueden formular hipótesis de la diferencia entre grupos si la finalidad es
comparar grupos, si no se dispone de bases suficientes para suponer a favor
de qué grupo será la diferencia, o en caso de disponerlas se establece la
direccionalidad de la diferencia entre ellos. Si el objetivo es correlacional se
formulan hipótesis correlacionales que especifiquen relaciones entre dos o más
variables. Por último en los enfoques explicativos se formulan hipótesis de tipo
causal en las que no sólo se establece que existe relación entre dos o más
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 74
variables sino que además se expone la manera en la que se manifiestan y el
sentido de las mismas. A su vez este tipo de hipótesis causales se dividen en:
Hipótesis causales bivariadas – Plantean una relación entre una variable
independiente y otra dependiente o un constructo exógeno con otro
endógeno.
Hipótesis causales multivariadas – Plantean una relación entre varias
variables independientes y una dependiente, o una independiente con
varias dependientes, o varias independientes con varias dependientes.
Lo mismo es válido si en lugar de variables son constructos, asociando
las variables independientes con los constructos exógenos y las
variables dependientes con los constructos endógenos.
Las hipótesis de investigación que se formulan para estudiar un problema se
designan mediante 𝐻𝑖, ∀ 𝑖 ∈ ℕ.
Hipótesis nulas
También existen otro tipo de hipótesis denominadas nulas, que son muy
similares a las de investigación, comentadas anteriormente pero con la
salvedad que niegan o refutan la relación que se ha planteado, de ahí reciben
la designación de nulas. Se designan como 𝐻0. En ocasiones para refutar la
hipótesis de investigación se falsa la hipótesis nula.
Hipótesis alternativas
Por último existen las hipótesis alternativas que son posibilidades diferentes de
las hipótesis de investigación y nulas. Se designan como 𝐻𝑎.
Formulación de hipótesis de la tesis doctoral
Las hipótesis de esta tesis doctoral que se pretenden falsar son de tipo
descriptivo y de diferencia entre grupos, y son las siguientes:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 75
H1 Existen diferentes factores estructurales de la empresa que afectan al
rendimiento en las empresas del sector aeroespacial en India y España.
H2 Los factores estructurales de la empresa que afectan al rendimiento de las
empresas del sector aeroespacial en España contribuyen con diferente
intensidad entre 2008 y 2013.
H3 Los factores estructurales de la empresa que afectan al rendimiento de las
empresas del sector aeroespacial en España no varían en su
operacionalizacion entre 2008 y 2013.
H4 Los factores estructurales de la empresa que afectan al rendimiento de las
empresas del sector aeroespacial en India contribuyen con diferente intensidad
entre 2008 y 2013.
H5 Los factores estructurales de la empresa que afectan al rendimiento de las
empresas del sector aeroespacial en India no varían en su operacionalizacion
entre 2008 y 2013.
H6 Las empresas del sector aeroespacial líderes en eficiencia en España
siguen un patrón en relación a los índices del efecto de la emprea, estructura
de activos, estructura de capital, estructura de liquidez y rendimiento.
H7 Las empresas del sector aeroespacial líderes en eficiencia en India siguen
un patrón en relación a los índices del efecto de la emprea, estructura de
activos, estructura de capital, estructura de liquidez y rendimiento.
El hecho de que inicialmente la tesis doctoral esté enfocada, en lo que a la
selección de las técnicas, a falsar las hipótesis que se acaban de presentar, no
significa que en dicha aplicación aparezcan serendipias que serán tratadas en
las conclusiones. Es decir, cuando se plantea una investigación se buscan
unos objetivos, pero no quiere decir, que no se encuentren por azar otros
igualmente útiles y válidos, pero que no estaban recogidos entre los objetivos
iniciales. En la ciencia se pueden encontrar ejemplos de serendipias, como la
penicilina, el celuloide, teflón ®…
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 76
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 77
PARTE II FUNDAMENTOS TEÓRICOS
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 78
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 79
CAPITULO 3 METODOLOGÍA DE LA INVESTIGACIÓN
3.1 METODOLOGÍA DE LA INVESTIGACIÓN
En este capítulo se va a describir la metodología que fundamenta esta tesis
doctoral. Cuando se plantea un trabajo de investigación es muy importante
determinar las condiciones de contorno bajo las cuales se ha estudiado el
problema, así como las fases y su validez. Ya que sin esta argumentación
metodológica el resultado obtenido no puede falsar las hipótesis de partida, ni
las serendipias cobran sentido
Se ha tomado como guía el trabajo de varios autores (Sekaran & Bougie,
2011), (Sierra, 2007) (Hernández , et al., 2010).
Todos ellos coinciden en la definición de investigación como el proceso
organizado, sistemático, basado en datos, crítico, objetivado, para proponer
soluciones o dar respuestas a un problema específico.
El tipo de soluciones buscadas al problema específico hacen que la
investigación sea básica o aplicada. Es decir, cuando se genera un cuerpo de
conocimiento tratando de comprender como ciertos problemas ocurren en las
organizaciones y pueden resolverse, se trata de investigación básica. En
cambio cuando, se obtiene la solución a un problema concreto con el
conocimiento existente mediante su aplicación se trata entonces de
investigación aplicada. Esta tesis doctoral es investigación aplicada puesto que
se utiliza la teoría existente para estudiar un problema con unas condiciones de
contorno determinadas en el entorno de las ciencias sociales.
La utilización del método científico en el estudio de un problema determinado,
implica una serie de características que hacen que sea adecuado para poder
falsar los resultados que se obtengan (Sekaran & Bougie, 2011):
Intencionalidad, rigor, verificabilidad, replicabilidad, precisión y confianza,
objetividad, generalización, frugalidad en la definición.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 80
Dicho método científico está basado en el método hipotético-deductivo que
consta de las siguientes fases:
Identificar el área del problema (Cap.2 y 3)
Definir el enunciado del problema (Cap.2 y 3)
Desarrollar hipótesis (Cap.2 y 3)
Determinar el modelo de medición (Cap.7)
Recopilar datos (Cap. 8)
Analizar datos (Cap. 9, 10, 11)
Interpretar datos (Cap. 12)
Entre paréntesis se relacionan los capítulos que corresponden con cada una de
estas fases del método.
En esta tesis doctoral en la aplicación del método hipotético deductivo se parte
de la aplicación de la teoría general y técnicas generales para falsar un caso
específico, es decir, falsar hipótesis. Los autores Sekaran y Bougie (2011)
proponen un esquema como el de la figura 57 para organizar el diseño de la
investigación que es el que se va a seguir en esta tesis doctoral.
Fuente: (Sekaran & Bougie, 2011)
Figura 57 Elementos para el diseño de una investigación
Enunciado del problema
Metodo recopilacion de datos Análisis de datos
Objetivo del estudio Unidad de análisis
Tipo de investigación Diseño del muestreo
Grado de interferencia Horizonte temporal
Preparación del estudio Medición
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 81
Cada una de las partes de las que consta el diseño de la investigación: (1)
Determinar el enunciado del problema, (2) Detalles del estudio, (3) Medición,
(4) Análisis de datos, será tratada de manera conjunta con el contenido de la
misma. Para ejemplificar lo anterior, en lugar de hacer una reseña teórica de
cómo debe determinarse un modelo de medición al comienzo de la tesis
doctoral en este capítulo de metodología, se realizará en el capítulo 7,
correspondiente a la determinación de la medición, donde se recopilan las
variables y se explican. Con esta aproximación se tiene la ventaja de que teoría
y aplicación están juntas y por lo tanto se puede observar mejor la relación
entre ellas.
La primera parte del enunciado del problema ha sido tratada en el capítulo 2 y
3. La parte de diseño de la medición será tratada en posteriores capítulos, en
concreto en el 7. Asimismo la parte de análisis de datos se describirá en los
capítulos 9, 10, 11.
En relación a los detalles del estudio, a continuación se van a tratar las
características básicas de la investigación planteada en esta tesis doctoral, en
este capítulo de metodología.
Objetivo del estudio
El objetivo de las investigaciones puede ser: Exploratorio, descriptivo,
correlacional o explicativo (Hernández , et al., 2010). En la tabla 6 se describe
cada uno de ellos atendiendo a su próposito y al valor añadido. Uno de los
primeros pasos es determinar el objetivo de la investigación de tal forma que
las hipótesis formuladas sean acordes al mismo, como también las técnicas de
análisis aplicadas y las conclusiones obtenidas. Debe ser una aproximación
holística. Dicho resumen es el mostrado en la siguiente tabla:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 82
Alcance Propósito de la investigación Valor añadido
Exploratorio Examinar un tema o problema de
investigación poco estudiado, del cual se
tienen muchas dudas o no se ha abordado
antes.
Ayuda a familiarizarse con fenómenos desconocidos,
obtener más información para realizar una
investigación más completa de un contexto particular,
investigar nuevos problemas, identificar conceptos o
variable predictivas, establecer prioridades para
investigaciones futuras, o sugerir afirmaciones y
postulados.
Descriptivo Especificar las propiedades, las
características y los perfiles de personas,
grupos, comunidades, procesos, objetos o
cualquier otro fenómeno que se someta a
un análisis
Es útil para mostrar con precisión los ángulos o
dimensiones de un fenómeno, suceso, comunidad,
contexto o situación.
Correlacional Conocer la relación o grado de asociación
que exista entre dos o más conceptos,
categorías o variables en un contexto en
particular
Tiene un valor explicativo, aunque parcial, ya que el
hecho de saber que dos conceptos o variables se
relacionan aporta cierta información explicativa
Explicativo Responder a las causas de los eventos y
fenómenos físicos o sociales, se enfoca en
explicar por qué ocurre un fenómeno y en
qué condiciones se manifiesta, o por qué se
relacionan dos o más variables.
Está más estructurado que las demás investigaciones
(de hecho implico los propósitos de estas); además de
que proporciona un sentido de entendimiento del
fenómeno a que hacen referencia.
Fuente: (Hernández , et al., 2010)
Tabla 6 Tipos y características de los objetivos de una investigación
Un mismo estudio no tiene por qué focalizarse sólo en un objetivo, sino que
puede cubrir varios. Igualmente una línea de investigación puede pasar por
varias fases, siendo cada fase un estado de agregación en cuanto a objetivo se
refiere, generalmente será superior, aunque no está limitdo dependiendo de la
investigación planteada. Como se ha comentado anteriormente esta tesis
doctoral se trata de un estudio con un doble propósito. Por un lado exploratorio,
ya que no existe demasiada información sobre el problema planteado en esta
tesis doctoral. Por otro predictivo, debido a que se muestra una técnica para
predecir determinadas características de las empresas. En la figura 58 se
muestran los diferentes objetivos, así como la línea de investigación que abre
esta tesis doctoral, y su encuadramiento en lo referente a objetivos. También
se representa en la misma figura los siguientes pasos para progresar en la
línea de investigación y los objetivos que cubrirían.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 83
Fuente: Elaboración propia
Figura 58 Línea de investigación de la tesis doctoral y segmentación en objetivos
Tipo de investigación
En relación al tipo investigación y manteniendo la concordancia con los
objetivos se trata de una investigación de tipo exploratorio, descriptivo y
predictivo. En esta primera fase de la línea de investigación propuesta, no se
realiza ningún tipo de investigación correlacional y/o causal, quedando estas
para las posteriores fases.
Grado de interferencia
Hay tres tipos de interferencia del investigador: Mínima, moderada y excesiva
(Sekaran & Bougie, 2011). Va a estar muy ligado al objetivo y tipo de
investigación que se lleve a cabo. Por ejemplo en una investigación de tipo
causal el investigador en alguna ocasión interfiere sobre el valor de las
variables con objeto de tener información sobre esa cuasalidad haciendo un
análisis de sensibilidad.
Predictivo
Exploratorio Descriptivo Correlacional Explicativo
Tesis doctoral
BRICS vs PIGS
Resiliencia
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 84
En esta tesis doctoral la interferencia del investigador es mínima, debido a que
se basa en datos secundarios obtenidos a través de bases de datos
especializadas (SABI, PROWESS, WEF, Elsevier…) y en ningún momento se
interfiere en las empresas ni en su funcionamiento con el objetivo de evaluar el
efecto que producen esas alteraciones en las variables del modelo.
Preparación del estudio
De acuerdo a los autores Sekaran y Bougie (2011) el estudio puede prepararse
de manera natural (estudio de campo) o artificial (experimento en laboratorio).
Por ejemplo la gran mayoría de los estudios correlacionales son estudios de
campo que no requieren de ningún tipo de preparación artificial, mientras en los
de tipo causal es más frecuente que se prepare de manera artificial para aislar
la causa y efecto, evitando cualquier tipo de contaminación por ruido y/o
efectos espúreos. En este trabajo se trata de una preparación de tipo natural, o
sin preparación artificial, puesto que no es necesario preparar de manera
artificial ningún entorno bajo el cual se desarrolla el estudio. En este caso se
desarrolla durante las operaciones de las empresas en el intervalo temporal,
países e industria mencionados, pero no es necesario crear artificialmente
ningún entorno.
Unidad de análisis
La unidad de análisis se refiere al estado de agregación de la recolección y
análisis de los datos (Individuos, parejas, grupos, organizaciones, culturas). En
esta tesis doctoral para la recolección y análisis de datos dicha unidad es el
“individuo”, entendiendo como tal cada empresa de la que se obtienen datos,
serán tratadas como unidades decisoras (DMU – Decision Making Unit).
No obstante para falsar las hipótesis y la muestra de serendipias, la unidad
sería el “grupo”. Debido a que se realizarán los análisis por grupos de
empresas pertenecientes al mismo eslabón de la cadena de valor y país. Para
analizar y evaluar las diferencias de grupo entre ellas.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 85
Diseño del muestreo
Para el diseño de la muestra se van a tomar las empresas del sector
aeroespacial en India y España. Por lo tanto habrá una muestra por país. Para
poder operar en el sector aeroespacial las empresas deben tener su Sistema
de Gestión de Calidad certificado bajo la norma EN/AS/JIS 9100 (Sistema de
Gestión de Calidad del sector aeroespacial), por lo tanto la muestra de esta
tesis doctoral partirá de todas las empresas que posean dicha certificación.
Para poder determinar dichas empresas se accede a la base de datos OASIS
del IAQG (International Aerospace Quality Group) y mediante los filtros que se
pueden aplicar se obtiene el listado con los nombres y direcciones de las
empresas de la muestra. No sólo las empresas certificadas trabajan en esta
industria, hay empresas que por la naturaleza de los productos y/o servicios
que ofrecen no necesitan esta certificación pudiendo tener su sistema de
gestión de calidad certificado ISO 9001 (Sistema de Gestión de Calidad). Para
localizar este tipo de empresas se ha accedido a los asociaciones de
fabricantes y aeronáuticas de España (TEDAE) e India (The Aeronautical
Society of India), así como a los clusters aeroespaciales en ambos países. Con
esta contribución se ha enriquecido la muestra original.
Horizonte temporal
Existen dos tipos de estudios, los transversales que estudian para un periodo
temporal varios entornos y los longitudinales que por el contrario estudian la
evolución en el tiempo del mismo entorno. La investigación llevada a cabo en
esta tesis es longitudinal, puesto que se obtienen datos de las variables del
modelo, en múltiples instantes temporales. En particular se toman datos con
una periodicidad anual en el intervalo de 2008-2013. Es decir existirán datos
correspondientes a 6 instantes temporales diferentes. Se hace coincidir con el
año fiscal (En España del 1 de Enero al 31 de Diciembre, y en India del 1 de
Abril al 31 de Marzo). Los estudios longitudinales son especialmente
adecuados cuando se pretende explorar, describir y predecir un fenómeno
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 86
Medición
La medición es la asignación de números u otros símbolos a atributos u objetos
de acuerdo a un conjunto de reglas establecido (Sekaran & Bougie, 2011). Hay
algunas variables que son fácilmente medibles utilizando los instrumentos
adecuados, pero otros es más complicado y hay que operacionalizarlas
utilizando a su vez otras que resulten más fácilmente medibles. En este trabajo
los conceptos de rendimiento de la empresa, estructura de activos, estructura
de liquidez, estructura de capital y efecto de la empresa se han
operacionalizado mediante el uso de ratios o índices que los representan. Por
ejemplo el rendimiento se operacionaliza mediante los índices ROE, ROCE y
ROS.
Una vez que está operacionalizada, la siguiente decisión del investigador es
determinar la escala en la que se mide cada variable. Existen cuatro tipos
diferentes de escalas: Nominal, Ordinal, Intervalo y de Razón (ratio). La mayor
parte de las variables del modelo propuesto en este trabajo son de escala tipo
ratio. Salvo la variable “Value Chain Possition” que es de tipo nominal al
clasificar cada empresa en un grupo diferente y la variable “Company age” que
es de tipo ordinal, ya que el ser más antigua o más joven establece un cierto
orden y jerarquía.
Una vez determinada la escala hay que determinar cómo se valora cada
variable en su escala, es decir: dicotómica, categórica, numérica, Likert,
diferencia semántica… Todas las variables del modelo utilizan una valoración
de tipo numérica salvo la variable “Value Chian Posstion” que es de tipo
categórica.
Las mediciones deben cumplir las asunciones de:
Fiabilidad – Consistencia sobre como un instrumento de medida, mide el
concepto que se está midiendo.
Validez – Como de bien un instrumento de medida, mide el concepto
que se está midiendo.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 87
En este trabajo los datos son tomados de bases de datos reconocidas, cuyo
uso está extendido en la investigación por lo tanto no parece que planteen una
restricción respecto a fiabilidad y validez. No obstante todos los datos se han
extraído de la misma base de datos para España y para India, por lo que el
sesgo que hayan podido cometer en caso de existir es el mismo para todas las
empresas, y por lo tanto las diferencias relativas que es lo que se va
explorando se mantendrían.
Método de recopilación de datos
Las fuentes de los datos pueden ser primarias si son generadas por el
investigador o secundarios si ya existen y el investigador los toma de ellas. En
el caso del presente estudio las fuentes de datos son de tipo secundario. Una
vez determinadas las empresas de la muestra en ambos países, se utilizan dos
bases de datos donde se encuentran los estados financieros de las mismas. En
el caso de las empresas españolas se accede a SABI ® y en el caso de las
indias a PROWESS ®. Mientras que para los datos macroeconómicos se utiliza
la base de datos del WEF (World Economic Forum) y del IMF (International
Monetary Fund).
Respecto al método de recopilación de datos, se utilizará el observacional.
Existen otros como por ejemplo las entrevistas, los cuestionarios… Algunas de
las ventajas que presenta este método son: que los datos son obtenidos de los
fenémenos tal cual ocurren sin ningun tipo de sesgo, es más fácil que los datos
presenten la influencia del entorno, es más fácil obtener información de
individuos que mediante otro método no se obtendría. No todo son ventajas,
por ejemplo es necesario que el investigador esté presente para su recopilación
(como ocurre en el caso de la base de datos PROWESS ® de India), es un
método lento y poco eficiente… (Sekaran & Bougie, 2011).
Una vez que dichos datos de partida están disponibles se procesan utilizando
MS Excel ® para obtener las variables con las cuales se aplicarán las
diferentes técnicas de análisis exploratorio, descriptivo y predictivo.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 88
Análisis de datos
Debido a que esta tesis doctoral tiene dos partes diferenciadas, una
exploratoria y descriptiva, así como otra predictiva, se utilizaran las técnicas de
análisis adecuadas a los objetivos.
Previo a la aplicación de estas técnicas, se realiza un análisis de la validez de
los datos para el tipo de variable que representan, así como de los valores
perdidos y casos atípicos. El objeto de este paso previo es comprobar que el
tipo de dato que se utilizará es metodológicamente correcto para la técnica a
utilizar. Si este paso previo no se realizara no se podría tener confianza en los
resultados obtenidos por no tener seguridad sobre los datos de partida.
Posteriormente se utilizará para la parte exploratoria un modelo factorial
exploratorio con método de extracción de componentes principales, así como
análisis envolvente de datos (DEA). Por último para la parte predictiva se
utilizará un modelo de redes neuronales artificiales.
Los paquetes de software utilizados son:
MS Excel ® 2010 – Se utiliza en la generación de las bases de datos,
así como en el procesamiento de los resultados
MatLab ® R2014 – Se utiliza para el análisis envolvente de datos (DEA)
y el modelo de redes neuronales artificiales.
IBM SPSS ® v.19 – Se usa en el análisis de la validez de los datos
(Valores perdidos y valores atípicos), así como en el análisis de
componentes principales.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 89
CAPITULO 4 TEORIA ANÁLISIS FACTORIAL
EXPLORATORIO (COMPONENTES PRINCIPALES)
4.1 INTRODUCCION
En el estudio que se plantea se van a analizar las relaciones simultáneas
existentes entre varias variables. En concreto se pretende determinar las
relaciones que existen entre un cierto tipo de variables ampliamente
extendidas, como son los ratios de DuPont y algún otro adicional, para
conformar la estructura de los motivos subyacentes que impulsan y determinan
el comportamiento de la industria aeroespacial en España e India. Por la
naturaleza tan variopinta de dicha industria en función del entorno elegido, así
como, por el ánimo de generalización perseguido, se hace necesario utilizar
una técnica exploratoria que revele y haga visible que la estructura subyacente
de dicha industria. Es por este motivo por el que se opta como primer punto de
análisis por una técnica multivariante. En particular debe ser una técnica con
carácter exploratorio.
Las técnicas multivariantes se clasifican en técnicas de dependencias cuando
el objetivo buscado es relacionar una serie de variables consideradas como
independientes con una o varias variables dependientes. Entre estas técnicas
se encuentran: Regresión lineal múltiple, análisis discriminante, análisis de
correlación canónica, MANOVA, ecuaciones estructurales. En segundo tipo son
las técnicas de análisis de interdependencias, cuando no es posible o resulta
difícil separar las variables en dependientes e independientes y lo que interesa
es determinar cómo y por qué las variables están relacionadas entre ellas.
Entre estas últimas se encuentran el análisis de componentes principales, el
análisis factorial, análisis de conglomerados, análisis de escalamiento
multidimensional y el análisis de correspondencias.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 90
Por los objetivos de esta tesis doctoral, se aplicarán las técnicas de análisis de
interdependencias, y entre todas ellas el análisis de componentes principales.
Esta técnica trata de reducir los datos mediante las combinaciones lineales de
las variables originales, de tal forma que expliquen la mayor parte posible de la
información recogida en dichas variables originales (Uriel Jiménez & Aldás
Manzano, 2005). Es decir, se partirá de una serie de variables originales y se
tratará de agruparlas de forma que expliquen la mayor parte posible de la
varianza original, y mediante dicha agrupación se tratará de determinar las
causas latentes que provocan la covariación de los datos. Se pasa de una
estructura en la que la información no es visible a priori por están correladas las
variables entre si en mayor o menor grado, a otra estructura en la que se puede
evaluar el papel que juega cada variable en el fenómeno estudiado, e incluso
permite ordenarlas de acuerdo a la información que llevan incorporada. Esta
nueva estructura conformará la estructura de la industria. La medida que se
utiliza para medir la cantidad de información existente en una componente es la
varianza. Asimismo la ordenación de las componentes mencionada atenderá a
la varianza que explique cada una, en orden decreciente.
Otra técnica de análisis de interdependencias existentes y que podrían
utilizarse sería el análisis factorial con carácter exploratorio, al tratarse de una
técnica de reducción de datos y que también agrupa variables. El interés de
esta técnica es establecer las causas latentes o factores que pueden causar la
correlación entre las variables originales observadas. Hasta este punto parece
similar al análisis de componentes principales. El único matiz que no incorpora
y que por la naturaleza de los objetivos e hipótesis planteados en esta tesis
doctoral, es la capacidad de clasificar de manera ordenada los factores, como
si hace el análisis de componentes principales.
Asimismo, también podría utilizarse el análisis de conglomerados, cuyo objetivo
es la agrupación y reducción de dimensiones del problema. Este análisis de
interdependencia busca agrupar observaciones que se parezcan lo más posible
atendiendo a todas las variables presentes. Es decir agruparíamos empresas
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 91
en lugar de variables originales que es nuestro objetivo para determinar la
estructura subyacente de la industria. Por este motivo no se va a aplicar en
esta tesis doctoral, pero podría ser un punto de partida para futuras
investigaciones que tengan este otro enfoque mencionado.
Se suele recomendar utilizar esta técnica sobre variables tipificadas en lugar de
sobre variables totales, para minimizar el efecto de escala. En el caso de esta
tesis doctoral se realiza sobre ratios por lo que se consigue este efecto
beneficioso (Uriel Jiménez & Aldás Manzano, 2005).
Cada combinación lineal se extrae bajo el objetivo de estar lo más incorreladas
posible con el resto. Es más si las variables originales estuvieran muy
correladas la mayor parte de su variabilidad se podría explicar con muy pocas
compontes, por el contrario si estuviera extremadamente incorreladas
prácticamente coincidiría con el número de variables originales, careciendo de
aplicabilidad esta técnica al no ofrecer información adicional. Al contrario que
otras técnicas que exigen a los datos como hipótesis de partida que los datos
no estén excesivamente correlados, en ese caso, es bueno que haya un cierto
grado de correlación para que la técnica ofrezca unos resultados satisfactorios.
Asimismo las combinaciones lineales representarán un factor. Estos factores
en ocasiones por el tipo de variables que albergan tienen un sentido en el
contexto del problema. En el caso estudiado en esta tesis doctoral se tratará de
dotar de una interpretación económico-financiera a dichos factores.
4.2 FUNCIONAMIENTO DE LA TÉCNICA
A continuación se va a proceder a mostrar el funcionamiento de este tipo de
análisis. Se parte de una situación en la que existen 𝑝 variables originales y 𝑛
observaciones. El conjunto de variables vendrá representado por 𝑋 =
{𝑋1, 𝑋2, … , 𝑋𝑝} . Las componentes 𝑍 se agrupan en el conjunto 𝑍 =
{𝑍1, 𝑍2, … , 𝑍𝑛}.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 92
Las componentes se expresas como una combinación lineal de las variables,
como se detalla a continuación:
𝑍1𝑖 = 𝑢11𝑋1𝑖 + 𝑢12𝑋2𝑖 +⋯+ 𝑢1𝑝𝑋𝑝𝑖
Si se representa y generaliza para el conjunto de las 𝑛 observaciones se
obtiene una relación matricial como la mostrada continuación:
[
𝑍11𝑍12…𝑍1𝑛
] = [
𝑋11 𝑋21 … 𝑋𝑝1𝑋12 𝑋22 … 𝑋𝑝2…𝑋1𝑛
…𝑋2𝑛
⋯ ⋯… 𝑋𝑝𝑛
] [
𝑢11𝑢12…𝑢1𝑝
]
O, de forma abreviada
𝒛𝟏 = 𝑿𝒖𝟏
La restricción que se impone para extraer la primera componente es que la
varianza sea máxima y que la suma de los pesos 𝑢1𝑗 al cuadrado valga la
unidad. Adicionalmente la media muestral de 𝒛𝟏 vale 0 al estar tipificada.
Atendiendo a las condiciones de contorno expresadas se determina la varianza
del primer componente mediante la siguiente expresión:
𝑣𝑎𝑟(𝒛𝟏) =∑ 𝑍1𝑖
2𝑛𝑖=1
𝑛=1
𝑛𝒛′𝟏𝒛𝟏 =
1
𝑛𝒖′𝟏𝑿′𝑿𝒖𝟏 = 𝒖′𝟏 [
1
𝑛𝑿′𝑿] 𝒖𝟏
Como se ha dicho con anterioridad se trata de maximizar dicha expresión,
sujeta a varias restricciones:
max (𝑣𝑎𝑟(𝒛𝟏))
𝑠. 𝑎.
∑𝑢1𝑖2 = 𝒖′𝟏𝒖𝟏 = 1
𝑝
𝑗=1
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 93
Combinando ambas expresiones y formando el Lagrangiano se obtiene:
𝐿 =1
𝑛𝒖′𝟏𝑿′𝑿𝒖𝟏 − 𝜆(𝒖′
𝟏𝒖𝟏 − 1)
Con objeto de maximizar el valor del langrangiano con respecto a 𝒖𝟏 se deriva
e iguala a 0:
𝜕𝐿
𝜕𝑢1=2
𝑛𝑿′𝑿𝒖𝟏 − 2𝜆𝒖𝟏
Es decir:
(1
𝑛𝑿′𝑿 − 𝜆𝐼) 𝑢1 = 0
Donde 1
𝑛𝑿′𝑿 es:
La matriz de covarianzas muestral denominada por 𝑉 en el caso de que
las variables se expresen como desviaciones con respeto a la media
La matriz de correlaciones designada por 𝑅 si por el contrario las
variables originales están tipificadas.
Cuando se resuelva la ecuación |1
𝑛𝑿′𝑿 − 𝜆𝐼| = 0 se obtendrá 𝑝 raíces. Para la
primera componente principal se toma de todas esas raíces la mayor, es decir
la 𝜆1 mayor y se determina el vector característico asociado 𝑢1 (Uriel Jiménez &
Aldás Manzano, 2005).
Una vez, determinada la primera componente hay que seguir extrayendo más
componentes hasta que no se cumpla con el criterio de extracción impuesto, el
cual se expondrá tras mostrar el método de extracción de componentes. El
problema que hay que resolver de maximización para una componente
genérica 𝑧ℎ es el siguiente:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 94
max (𝑣𝑎𝑟(𝒛𝒉))
𝑠. 𝑎.
∑𝑢ℎ𝑖2 = 𝒖′𝒉𝒖𝒉 = 1
𝑝
𝑗=1
𝒖′𝒉𝒖𝟏 = 𝒖′𝒉𝒖𝟐 = ⋯ = 𝒖′𝒉𝒖𝒉−𝟏 = 0
Como se puede observar ahora aparece una nueva restricción para el resto de
componentes. Es restricción impone que el vector característico de la
componente ℎ − é𝑠𝑖𝑚𝑎 sea ortogonal al resto de vectores determinados con
anterioridad. Mediante esta aproximación se pretende que las componentes
estén lo suficientemente diferenciadas como para poder ofrecer información
acerca de la estructura de variables que las conforman al estar las variables
originales con un grado de correlación tal que no permiten evidenciar su
agrupación.
Cada una de las componentes formadas, que a su vez agrupa un cierto número
de variables originales, tiene asociada una cierta varianza del problema. Es
decir, de la varianza total del problema explica un porcentaje de la misma. Una
situación muy favorable con este análisis es obtener un número pequeño de
componentes con un porcentaje asociado de varianza explicada alto. Esta
situación permitiría no perder casi información (al explicar casi toda la varianza)
con respecto a la situación descrita por las variables originales, y sin embargo
reducir la dimensión del problema. La expresión que determina la varianza de
la componente ℎ − é𝑠𝑖𝑚𝑎 es la siguiente:
𝑣𝑎𝑟(𝒛𝒉) =∑ 𝑍ℎ𝑖
2𝑛𝑖=1
𝑛=1
𝑛𝒛′𝒉𝒛𝒉 =
1
𝑛𝒖′𝒉𝑿′𝑿𝒖𝒉 = 𝒖′𝒉 [
1
𝑛𝑿′𝑿] 𝒖𝒉 = 𝜆ℎ
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 95
Es decir, que la varianza es igual a la raíz característica que tiene asociada
(Uriel Jiménez & Aldás Manzano, 2005). Tomando como medida de variabilidad
de las variables originales la suma de sus varianzas, y al estar en la diagonal
principal de 1
𝑛𝑿′𝑿 ésta podrá expresarse mediante:
𝑡𝑟𝑎𝑧𝑎 [1
𝑛𝑿′𝑿] = ∑𝝀𝒉
𝒑
𝒉=𝟏
Es decir que la suma de las varianzas de las componentes coincide con la
suma de las varianzas de las variables originales. Para determinar la
proporción de varianza explicada por la componente ℎ − é𝑠𝑖𝑚𝑎 bastará con
compararla con la varianza total del problema y obtener el porcentaje que
representa:
𝝀𝒉
𝑡𝑟𝑎𝑧𝑎 [1𝑛𝑿′𝑿]
=𝝀𝒉
∑ 𝝀𝒉𝒑𝒉=𝟏
En el caso de utilizar variables tipificadas, donde como se ha dicho con
anterioridad 1
𝑛𝑿′𝑿 es la matriz de covarianzas, la 𝑡𝑟𝑎𝑧𝑎 [
1
𝑛𝑿′𝑿] = 𝑝 . La
expresión que determina la proporción de varianza explicada por dicha
componente ℎ − é𝑠𝑖𝑚𝑎 viene dada por 𝝀𝒉
𝑝.
Este método de extracción permite ordenar las componentes conforme al
criterio de mayor varianza explicada. Siempre cada componente extraída con
anterioridad a otra expresará mayor porcentaje de la varianza total del
problema. Este matiz no es posible con otras técnicas como por ejemplo el
análisis factorial donde la extracción de factores no guarda esta relación.
Una vez que se han determinado y extraído las componentes principales hay
que determinar la correlación que existe entre cada variable y la componente a
la que pertenece. Para ello antes hay que determinar la covarianza entre cada
variable y las componentes. Este cálculo se va a mostrar para una variable
original genérica 𝑋𝑗 y una componente 𝑍ℎ. Siendo cada una de ellas:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 96
𝑋𝑗 = [
𝑋𝑗1𝑋𝑗2…𝑋𝑗𝑛
] 𝑍𝑗 = [
𝑍ℎ1𝑍ℎ2…𝑍ℎ𝑛
]
La covarianza entre 𝑋𝑗 y 𝑍ℎ, es: 𝑐𝑜𝑣(𝑋𝑗, 𝑍ℎ) =1
𝑛𝑥′𝑗𝑍ℎ.
Asimismo se puede representar el vector 𝑥𝑗 en función de la matriz X, haciendo
uso de un vector 𝛿 de orden 𝑝 que tiene todas sus posiciones iguales a 0, salvo
la 𝑗 − é𝑠𝑖𝑚𝑎 que vale 1. La representación analítica de lo expresado es:
𝑥′𝑗 = 𝛿′𝑋 = [0 … 1 … 0]
[ 𝑋11 … 𝑋1𝑖 … 𝑋1𝑛… … … … …𝑋𝑗1…𝑋𝑝1
………
𝑋𝑗𝑖 … 𝑋𝑗𝑛… … …
𝑋𝑝𝑖 … 𝑋𝑝𝑛]
𝑐𝑜𝑣(𝑋𝑗, 𝑍ℎ) =1
𝑛𝛿′𝑋′𝑋𝑢ℎ = 𝛿′𝜆ℎ𝑢ℎ = 𝜆ℎ𝑢ℎ𝑗
La correlación que existe entre la variable original genérica 𝑋𝑗 y una
componente 𝑍ℎ se define por:
𝑟𝑗ℎ =𝑐𝑜𝑣(𝑋𝑗, 𝑍ℎ)
√𝑣𝑎𝑟(𝑋𝑗)√𝑣𝑎𝑟(𝑍ℎ)=
𝜆ℎ𝑢ℎ𝑗
√𝑣𝑎𝑟(𝑋𝑗)√𝜆ℎ
Si se utilizan variables originales tipificadas la correlación se expresa mediante:
𝑟𝑗ℎ =𝜆ℎ𝑢ℎ𝑗
√𝑣𝑎𝑟(𝑋𝑗)√𝜆ℎ= 𝑢ℎ𝑗√𝜆ℎ
Estos coeficientes son los que se dan en la matriz factorial en los paquetes de
software dedicados a estos análisis.
Por último tras calcular los coeficientes 𝑢ℎ𝑗 es posible obtener los valores de las
componentes que corresponden a cada observación, y que se representan por
𝑍ℎ𝑖. Analíticamente se determina mediante:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 97
𝑍ℎ𝑖 = 𝑢ℎ1𝑋1𝑖 + 𝑢ℎ2𝑋2𝑖 +⋯+ 𝑢ℎ𝑝𝑋𝑝𝑖
∀ ℎ = 1,2, … , 𝑝 𝑖 = 1,2, … , 𝑛
Las puntuaciones se calcula tipificando los valores de las componentes,
obteniendo la componente tipificada, que para la componente ℎ − é𝑠𝑖𝑚𝑎, se
representa mediante 𝑌ℎ.La manera de tipificar es dividiendo entre la desviación
típica. De esto se desprende la siguiente expresión para su obtención:
𝑌ℎ =𝑍ℎ
√𝜆ℎ
Los paquetes de software habitualmente también ofrecen la posibilidad de
cálculo de esta magnitud.
Por último, una vez que todas las magnitudes anteriores han sido calculadas,
aparece la decisión de cuantas componentes tomar como representativas de
problema, atendiendo a que deben expresar una gran varianza del problema
(las buenas prácticas extendidas en la investigación multivariante aconsejan
que por lo menos deben representar el 70% de la varianza total del problema),
así como deben reducir el número de variables originales.
4.3 BONDAD DEL MODELO FACTORIAL
Para determinar la bondad del modelo factorial obtenido, se utilizan varios
contrastes. En concreto se van a utilizar el contraste de esfericidad de Barlett y
la medida de Kaiser, Meyer y Olkin (KMO).
El leiv motiv de este tipo de análisis es la existencia de variables originales
correlacionadas, ya que de lo contrario no tendría sentido utilizar esta técnica al
no existir factores comunes. El contrate de esfericidad de Barlett se utiliza para
este propósito. No tiene sentido aplicar una técnica multivariante si las
variables no están correlacionadas y por lo tanto pueden tratarse como
variables independientes y aplicar el análisis univariante.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 98
La matriz de correlaciones poblacional 𝑅𝑝 donde aparecen todas las
correlaciones entre las variables originales del problema, y cuya representación
es la siguiente:
𝑅𝑝 =
[ 1 𝛿12𝛿21 1
… 𝛿1𝑗… …
… 𝛿1𝑝… 𝛿2𝑝
… …𝛿𝑗1 …
1 …… 1
… …… …
… …𝛿𝑝1 𝛿𝑝2
… …… …
1 …… 1 ]
Donde 𝛿𝑖𝑗 representa el coeficiente de correlación entre la variable 𝑖 y la
variable 𝑗. En caso de no existir correlación entre las variables 𝑖 y 𝑗, el 𝛿𝑖𝑗 = 0.
Si esto ocurriese con todas la variables la matriz 𝑅𝑝 = 𝐼 , por lo que su
determinante sería igual a 1. Para este contraste se plantean las siguientes
hipótesis a falsar:
𝐻0: |𝑅𝑝| = 1
𝐻1: |𝑅𝑝| ≠ 1
En este contraste buscaremos falsar la hipótesis alternativa y cuanto mayor sea
el contraste de esfericidad de Barlett mejor, ya que indicará que los índices de
correlación entre las variables originales son elevados.
Con independencia y de manera adicional al contraste que se ha descrito, se
matiza que el 𝛿𝑖𝑗 se descompone en dos términos uno que hace referencia a la
comunalidad, ℎ𝑗2, y otro a la especificidad 𝜔𝑗
2. Es decir la varianza poblacional
de una variable original 𝑋𝑗 , que aparece en la diagonal de la matriz 𝑅𝑝 se
representa mediante:
1 = ℎ𝑗2 + 𝜔𝑗
2
La comunalidad es la parte de la varianza debida a los factores comunes, es
decir, es la parte de la variable que comparte con otras variables del análisis,
siendo en cambio la especificidad la parte de la varianza debida a los factores
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 99
únicos y no puede explicarse por las correlaciones con otras variables (Hair, et
al., 2010).
El otro índice que se utiliza para establecer la adecuación muestral al modelo
factorial, está representado por el índice de Kaiser, Meyer y Olkin (KMO). Se
trata de un índice que evalúa la relación existente entre los coeficientes de
correlación de las variables originales y la suma de los coeficientes de
correlación de las variables originales y los coeficientes de correlación parciales
entre dichas variables originales. Donde los coeficientes de correlación
parciales representan la correlación existente entre pares de variables
descontando los efectos lineales de las otras variables. La situación óptima es
que estos coeficientes de correlación parciales sean nulos y por lo tanto la
relación planteada sea 1. Como dicha situación óptima es muy complicada que
se produzca, el criterio utilizado es que cuanto más cerca de 1 esté el KMO
mejor se adecua la muestra al modelo factorial. Está comúnmente aceptado
utilizar KMO > 0,5. Incluso utilizando ratios en lugar de variables absolutas se
acepta un valor ligeramente inferior KMO > 0,4 siempre y cuando el Test de
Esfericidad de Barlett y la significación estadística del mismo sean aceptables.
Este índice se calcula mediante la siguiente expresión:
𝐾𝑀𝑂 =∑∑ 𝛿𝑖𝑗
2𝑖≠𝑗
∑∑ 𝛿𝑖𝑗2
𝑖≠𝑗 +∑∑ 𝑎𝑖𝑗2
𝑖≠𝑗
Donde 𝛿𝑖𝑗 representa el coeficiente de correlación entre la variable original 𝑖 y
la variable original 𝑗 , y 𝑎𝑖𝑗 es el coeficiente de correlación parcial entre las
variables originales 𝑖 y 𝑗.
4.4 ROTACION DE FACTORES
En la aplicación de esta técnica los factores comunes deben tener una
interpretación que no lleve a confusiones. Hay ocasiones en las que los
factores comunes aunque estén correlacionados en la medida que corresponda
con las variables originales, al ir determinándolos consiguen separar las
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 100
variables de una manera clara. Para solucionar esto, se crean estas
metodologías en las que se trata de ir “rotando” ortogonalmente o de manera
oblicua los factores de forma que cada una de las variables originales tengan
una correlación lo más próxima posible a 1 con uno de los factores y más
próxima a 0 con el resto. Mediante este proceso, y al existir un mayor número
de variables originales que factores comunes, se agruparán dentro de cada
factor rotado aquellas variables que guarden relación y por lo tanto estén
altamente correlacionadas con él.
Una vez que las variables originales han sido agrupadas, hay que buscar los
rasgos comunes que presentan todas ellas. Si se consiguen encontrar se podrá
desvelar la naturaleza de las relaciones existentes y a la vez se habrá reducido
la dimensión del problema original.
La rotación ortogonal mantiene la incorrelación entre factores, es decir, lo ejes
que contienen a los factores continua siendo perpendiculares por lo que esto
será una restricción que se impone al modelo al rotarlo. Existen a su vez varios
métodos de rotación de factores como son el: VARIMAX, EQUAMAX,
QUARTIMAX, PROMAX. El más utilizado es el VARIMAX (VARiance
MAXimization). En este método los ejes se obtienen maximizando la función
formada por la suma de varianzas de las cargas factoriales al cuadrado en
cada factor. Mediante este método no se altera la varianza total explicada por
los factores ni la comunalidad de cada una de las variables. Es decir, define
mejor los factores al separar mejor las variables que más contribuyen en cada
uno, manteniendo la varianza total y comunalidad de las variables. En la figura
59 se muestra como trabaja este método. Se han representado los ejes
correspondientes a dos factores cualquiera en color negro, así como los ejes
rotados pero manteniendo la ortogonalidad en color azul. Se observa como la
proyección de las variables sobre los ejes rotados es más nítida que sobre los
originales
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 101
Fuente: Elaboración propia
Figura 59 Ejemplo de rotación ortogonal de factores
Es posible también realizar una rotación oblicua de los factores, en la que no se
respete la ortogonalidad de los mismos, es decir, dejaran de estar incorrelados.
La única forma de compensar la perdida de incorrelación entre los factores es
que se consiga explicar de manera muy nítida que variables quedan
representadas por cada factor.
Como se ha comentado en el párrafo donde se expone la rotación ortogonal, es
la que más se utiliza, y en particular la oblicua.
+1,00 - 1,00
- 1,00
+1,00
- 1,00
- 1,00
+1,00
+1,00
V1
V2
Vn
Vi
Vi
Factor I
Factor II
Factor I
rotado
Factor II
rotado
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 102
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 103
CAPITULO 5 ANÁLISIS DE LA ENVOLVENTE DE
DATOS
5.1 INTRODUCCIÓN
Otra de las herramientas que se ha utilizado en el análisis de la muestra de
esta tesis doctoral es el análisis de la envolvente de datos, también conocida
como DEA por su nomenclatura inglesa (Data Envelopment Analysis).
Se trata de una técnica orientada, basada y dirigida por los datos, encaminada
a evaluar el desempeño de un conjunto de unidades decisoras (DMUs,
Decision Making Units) dedicadas a transformar un conjunto de entradas en un
conjunto de salidas (Cooper, et al., 2011).
Esta técnica ha tenido una gran acogida desde sus inicios formales hace
aproximadamente 30 años cuando fue planteada por los autores Charnes,
Cooper y Rhodes (1978), debido al potencial que exhibía su utilización. El cual
viene dado por no requerir grandes condiciones previas de los datos, facilidad
de uso, tampoco necesita establecer de manera explícita la relación existente
entre los inputs y los outputs proporcionando por el contrario información muy
útil sobre el desempeño de las DMUs que participan en el fenómeno que se
está explorando, permitiendo analizar los factores estructurales que hacen que
dichas unidades sobresalgan sobre el resto en términos de eficiencia.
Adicionalmente también permite establecer una clasificación de aquellas DMUs
que más eficientes son de acuerdo a un criterio previo establecido. Tiene una
aplicación muy amplia en diferentes ámbitos en los que tenga sentido hablar o
definir el concepto eficiencia. Incluso si ya se había evaluado problemas o
campos utilizando otras técnicas puede merecer la pena volver a ellos
aplicando esta técnica para obtener información adicional y complementaria a
lo ya encontrado.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 104
Es una metodología está orientada a los límites, a las fronteras, en lugar de a
tendencias centrales. Por ejemplo no trata de buscar un plano de regresión que
deje el mismo número de datos a un lado y otro como pueda hacer un análisis
de regresión. Debido a este cambio de visión a la hora de aproximarse y
analizar los datos, permite descubrir relaciones en las regiones que mediante el
uso de otras metodologías de tendencia central pasaban desapercibidas.
Algunas definiciones útiles para comprender la metodología son las siguientes
(Cooper, et al., 2011):
Eficiencia – La definición clásica de eficiencia de Pareto dice que una
asignación es eficiente en el sentido de Pareto si no es posible mejorar a
una DMU sin que otra empeore. Se va a utilizar la definición extendida
de eficiencia dada por Pareto-Koopmans, estableciendo que una DMU
es 100% eficiente, si y solo si, no es posible mejorar alguno de sus
inputs/outputs sin empeorar otros inputs/outputs. La eficiencia de Pareto-
Koopmans permite la existencia de holguras por lo que es más
restrictivo este tipo eficiencia.
Eficiencia relativa – Una DMU será considerada como 100% eficiente en
base a la información disponible, si y solo si, comparándola con el
desempeño de otras DMUs similares no se puede evidencia que se
pueden mejorar los valores de los inputs/outputs sin empeorar otros
inputs/outputs.
No debe confundirse el término eficiencia con el de eficacia. Esta última tiene
su objetivo en la consecución de un objetivo, sin importar el coste asociado en
términos de consumo de recursos que lleve aparejado. En cambio la eficiencia
tiene su objetivo en la distribución correcta de los recursos para los fines
obtenidos.
La aplicación de esta técnica a los datos de esta tesis doctoral va a permitir
obtener información sobre la eficiencia relativa de unas empresas con respecto
a otras estableciendo una frontera de “mejores prácticas” con la que comparar
al resto. Asimismo va a permitir estudiar las características estructurales que
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 105
soportan a las empresas más eficientes. Por último permitirá establecer una
clasificación de las empresas basadas en el criterio de eficiencia.
La teoría económica de la eficiencia consiste en hacer bien las cosas, es decir,
asegurar una correcta distribución de los medios empleados en relación a los
fines obtenidos (Quindós Morán, et al., 2009). La situación ideal sería comparar
la actuación real de la DMU con lo que debería haber hecho para maximizar el
nivel de output. En muchas ocasiones esta aproximación puede presentar
dificultados puesto que existe asimetría de la información que rodea a este
hecho. No se dispone de toda la información del entorno de la DMU, así como
de la propia DMU (tecnología, procesos, intangibles…). Por este motivo en
lugar de recurrir al estudio de la eficiencia absoluta de cada DMU se propone
estudiar la eficiencia relativa entre DMUs similares operando bajo unas
condiciones de contorno similares. Debido a esta dualidad se dieron
anteriormente las dos definiciones de eficiencia.
El objetivo de esta técnica es determinar una frontera eficiente definida por la
manera de actuar de las “mejores” empresas en términos de eficiencia de
acuerdo a los datos de los que se dispone, y posteriormente se utiliza como
referencia para medir la eficiencia relativa de cada DMU comparándolas con
ella.
Es importante matizar la existencia de dos tipos de eficiencia (Quindós Morán,
et al., 2009), como son la técnica y la asignativa. La eficiencia técnica se basa
en la obtención del máximo nivel de output dada una combinación determinada
de inputs (si se utiliza un enfoque a outputs), o por el contrario en la obtención
de un determinado nivel de output minimizando el empleo de los inputs
(enfoque orientado a inputs). Es decir, que una DMU es eficiente en tanto en
cuanto, no es posible producir más nivel de outputs sin variar la cantidad de
inputs o no es posible consumir menos inputs para producir la misma cantidad
de outputs. También existe un modelo DEA no orientado o DEA orienta a
inputs-outputs cuyo resultado son medidas de eficiencia hiperbólica. Se busca
la reducción de la cantidad de inputs y la expansión equiproporcional de la
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 106
cantidad e outputs producida por la DMU, siendo controlables los inputs y
outputs (Guede Cid, 2011). Con independencia de la orientación del modelo
seleccionado, la frontera eficiente es la misma, aunque pude existir variación
en la medida de la eficiencia de las unidades ineficientes, al seleccionar una
aproximación u otra (Coelli, 1998).
En cambio la eficiencia asignativa trata de determinar la utilización de los inputs
condicionado al coste que tienen. Cuando se utiliza la eficiencia técnica se
trabaja con niveles de inputs/outputs mientras que si se hace con eficiencia
asignativa se trata con costes asociados a inputs/outputs. Adicionalmente
existe la eficiencia global, también conocida como eficiencia económica, siendo
el producto de ambas (técnica y asignativa).
Debido a la naturaleza del problema objeto de estudio en esta tesis doctoral,
cuando se habla de eficiencia en la aplicación del análisis DEA, se hace de la
eficiencia técnica.
Para el cálculo de la frontera eficiente es posible utilizar aproximaciones
paramétricas y no paramétricas (entre la que se encuentra el análisis DEA).
Las paramétricas están basadas en la programación matemática o técnicas
econométricas y calculan los parámetros asignado a la frontera a priori una
forma funcional determinada. Esta aproximación no permite realizar análisis en
los que existan varios outputs. En cambio las técnicas no paramétricas no
necesitan determinar una forma funcional de la frontera eficiente y permiten el
análisis en problemas donde existan varios outputs. En estos últimos se
determina la forma funcional de la frontera a partir de las observaciones de las
DMU objeto de evaluación (Guede Cid, 2011). No todo son ventajas, en su
contra cuentan con la alta sensibilidad a la presencia de outliers y la
imposibilidad de contrastar estadísticamente los resultados.
Por la naturaleza del problema a estudiar en esta tesis doctoral donde, existe
un carácter exploratorio al desconocer la información a priori y utilizar varios
outputs para el estudio de la eficiencia, se hará metodológicamente necesario
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 107
el uso de las técnicas no paramétricas. Respecto a las desventajas se pueden
tratar, puesto que para la aplicación de otras técnicas se ha realizado un
análisis de valores perdidos y outliers para depurar la muestra, en cuando al
contraste estadístico para eso se utilizan otras técnicas en esta tesis. Por estos
motivos metodológicamente queda sustenta la aplicación del análisis no
paramétrico de tipo DEA.
También puede establecerse una aproximación de tipo determinista o
estocástica de la frontera. La determinista no permite que existan
observaciones por encima de la frontera eficiente, mientras que la estocástica
si basándose en la existencia de elementos aleatorios en las DMUs que
pueden influir en su eficiencia puntualmente.
La frontera eficiente se obtiene mediante modelos de programación lineal,
partiendo de un conjunto de observaciones que se dividirán en el conjunto de
las entradas del proceso o inputs, y el de las salidas o outputs. Una vez
determinada la frontera eficiente, se calcula la eficiencia relativa de cada DMU
como la distancia entre el cociente de la suma ponderada de todos los outputs
entre la suma ponderada de todos los inputs, y la frontera eficiente. Dicho
modelo de programación lineal estará formado por una función objetivo a
optimizar y restricciones en relación a los inputs y outputs. Este modelo se
resuelve para cada DMU. Si la DMU es eficiente tendrá una medida de
eficiente de 1 mientras que si no lo es será inferior a dicha magnitud,
resultando que cuanto menor sea menos eficiente será.
5.2 TIPOS DE MODELOS DEA
Existen varios métodos a la hora de aplicar el análisis DEA, como son el: BBC,
CCR y Aditivo. A continuación se va a realizar una breve descripción de cada
uno de ellos, profundizando en el que se va a aplicar en el análisis. No se
pretende realizar un descripción divulgativa del análisis DEA, sino de presentar
la información necesaria para ilustrar las técnicas empleadas en esta tesis
doctoral.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 108
5.2.1 CCR
Las iniciales CCR corresponden a los apellidos de sus desarrolladores
(Charnes, Cooper y Rhodes), teniendo se origen en el artículo desarrollado por
esos autores en 1978 (Charnes, et al., 1978). Se toma este modelo como la
primera formulación de la técnica DEA. Puede presentar orientación input o
output, trabaja con rendimientos constantes a escala (por este hecho también
se le conoce como CRS, Constant Returns to Scale). Una de las principales
particularidades de este método es que la comparación puede realizarse no
solo entre DMUs de escala similar sino también entre DMUs de escala más
grande o más pequeña.
El modelo CCR puede formularse de tres formas diferentes: fraccional,
multiplicativa y envolvente. La más habitual es expresarlo en su forma
envolvente (Coll Serrano & Blasco Blasco, 2006)
Una vez planteado el problema original mediante la función objetivo y las
restricciones asociadas, pude resolverse el problema primal o dual. Si se elige
este último se obtienen una serie de ventajas como por ejemplo (Guede Cid,
2011):
Menor número de restricciones que el problema primal (Por cada
restricción primal existe una variable dual y viceversa, una restricción
dual por cada variable primal)
La interpretación del resultado es más sencilla y directa, ya que las
soluciones son determinadas como inputs/outputs del problema original.
Identifica las unidades que pertenecen al conjunto de referencia y
permite establecer estrategias de mejora de las DMU no eficientes de
manera más clara.
De todas las posibles formulaciones se va a mostrar sólo la de envolvente, ya
que es la que presenta un mayor interés para esta tesis doctoral. El objeto es
mostrar la metodología de las técnicas que posteriormente se aplicarán al
conjunto de datos, en ningún caso se pretende desarrollar un capítulo que
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 109
explique la formulación de cada una de las técnicas si posteriormente no se
van a aplicar.
Modelo dual orientado a outputs con formulación de envolvente
𝑀𝑎𝑥𝜙0,𝜆 𝑧 = 𝜙0
𝑠. 𝑎:
∑𝜆𝑗𝑥𝑖𝑗
𝑛
𝑗=1
≤ 𝑥𝑖0 𝑖 = 1, … ,𝑚;
∑𝜆𝑗𝑦𝑟𝑗
𝑛
𝑗=1
≥ 𝜙0𝑦𝑟0 𝑟 = 1, … , 𝑠;
𝜆𝑗 ≥ 0 𝑗 = 1,… , 𝑛
Donde 𝜙0 es la eficiencia de la DMU0 y 𝜆𝑗 el peso que tiene cada DMU en el
conjunto de referencia de la unidad evaluada. 𝑥𝑖𝑗 es la cantidad de input 𝑖
consumido por la DMU 𝑗 − é𝑠𝑖𝑚𝑎 , así como 𝑦𝑟𝑗 es la cantidad de output 𝑟
producido por la DMU 𝑗 − é𝑠𝑖𝑚𝑎 . 𝑥𝑖0 representa la cantidad de input 𝑖
consumido por la DMU objeto de evaluación (DMU0), de igual forma 𝑦𝑟0
representa la cantidad de output 𝑟 producido por la DMU objeto de evaluación
(DMU0).
Resolviendo el problema dual se compara la DMU0 con todas las DMUs
existentes (ya sean reales o ficticias si se proyectan los valores sobre la
envolvente).
Mediante la restricción ∑ 𝜆𝑗𝑥𝑖𝑗𝑛𝑗=1 ≤ 𝑥𝑖0 𝑖 = 1,… ,𝑚; se compara la DMU0 con
todas las DMUs que consuman el mismo nivel de inputs o menos que la
unidad objeto de evaluación.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 110
Con la restricción ∑ 𝜆𝑗𝑦𝑟𝑗𝑛𝑗=1 ≥ 𝜙0𝑦𝑟0 𝑟 = 1,… , 𝑠; se compara la DMU0 con
todas las DMUs que produzca el mismo nivel de outputs o más que la unidad
objeto de evaluación.
Las 𝑚 primeras restricciones ponen de manifiesto la presencia de alguna DMU
(real o ficticia) cuyo consumo de inputs sea igual o inferior a la unidad objeto de
evaluación. Si existe le asigna un peso 𝜆𝑗 distinto de cero.
El objetivo de las 𝑠 siguientes restricciones es mostrar la presencia de alguna
DMU (real o ficticia) cuya producción de outputs sea igual o superior a la
unidad objeto de evaluación. Si existe le asigna un peso 𝜆𝑗 distinto de cero.
Soluciones al problema dual orientado a outputs con formulación de
envolvente
- Si 𝜙0 = 1, la DMU0 es eficiente. No existen ninguna DMU distinta de la
evaluada (Real o ficticia) que satisfaga las dos restricciones. Por lo tanto
los valores de los diferentes parámetros serán: 𝜆0 = 1, 𝜆𝑗 = 0 \ 𝑗 ≠ 0.
Entonces las restricciones quedarían: 𝑥𝑖0 = 𝑥𝑖0 y 𝑦𝑟0 = 𝑦𝑟0.
- Si 𝜙0 > 1, existe alguna DMUj (Real o ficticia) que satisfaga las dos
restricciones y la DMU0 será considerada como ineficiente. Al estar
orientado a outputs existirá una actividad factible que para el mismo
nivel de inputs 𝑥𝑖0 de la DMU0 en todos sus componentes es capaz de
producir un mayor nivel de outputs. Es decir las restricciones
quedarían: 𝜆𝑗𝑥𝑖𝑗 = 𝑥𝑖0 y 𝜆𝑗𝑦𝑟𝑗 > 𝜙0𝑦𝑟0.
Este modelo no aprovecha toda la potencia de los métodos de programación
lineal, puesto que permiten la aplicación de holguras que en la formulación que
se acaba de presentar no están tenidas en cuenta. La formulación anterior es
la que se conoce como la formulación de Farrell y la eficiencia 𝜙0 que se
obtiene se denomina eficiencia de Debreu-Farrell, en honor a sus autores
(Farrell, 1957) (Debreu, 1951).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 111
Modelo dual orientado a outputs con formulación de envolvente y
variables de holgura
La nueva formulación incluyendo las variables de holgura para evitar los
máximos duales será (Guede Cid, 2011):
𝑀𝑎𝑥𝜙0,𝜆 𝑧 = 𝜙0 + 휀 (∑𝑠𝑖−
𝑚
𝑖=1
+∑𝑠𝑟+
𝑠
𝑟=1
)
𝑠. 𝑎:
(∑𝜆𝑗𝑥𝑖𝑗
𝑛
𝑗=1
) + 𝑠𝑖− ≤ 𝑥𝑖0 𝑖 = 1,… ,𝑚;
(∑𝜆𝑗𝑦𝑟𝑗
𝑛
𝑗=1
) − 𝑠𝑟+ ≥ 𝜙0𝑦𝑟0 𝑟 = 1,… , 𝑠;
𝜆𝑗 , 𝑠𝑖−, 𝑠𝑟
+ ≥ 0 𝑗 = 1,… , 𝑛
Donde 𝜙0 y 𝜆𝑗 tienen el mismo significado que en la formulación sin holguras,
así como 𝑥𝑖𝑗 y 𝑦𝑟0.
Los términos nuevos que se han introducido son: 𝑠𝑖− que representa las
variables de holgura de los inputs y 𝑠𝑟+ que son las variables de holgura de los
outputs.
La DMU objeto de evaluación será eficiencia si 𝜙0 = 1 y 𝑠𝑖−, 𝑠𝑟
+ = 0. El criterio
de optimalidad visto en el modelo sin holguras no es suficiente, es decir 𝜙0 = 1
pero podría existir la posibilidad de que 𝑠𝑖−, 𝑠𝑟
+ ≠ 0 para algún 𝑖 o 𝑟. Esta nueva
formulación se resolverá en dos fases. En la primera se resuelve el problema
sin tener en cuenta las holguras obteniendo 𝜙0 y en la segunda se calcula el
valor de 𝑠𝑖−, 𝑠𝑟
+ fijando el valor de 𝜙0.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 112
5.2.2 BBC
Sus iniciales provienen de los apellidos de sus desarrolladores (Banker,
Charnes y Cooper) cuyo origen se remonta el artículo escrito por esos tres
autores en 1984 (Banker, et al., 1984). Este modelo tiene una orientación hacia
los outputs al tratar de maximizar el nivel de outputs con el nivel de inputs
existente. Está basado en el postulado de convexidad (varios inputs/outputs
alcanzan un nivel de output/input, también lo hará una combinación lineal de
ellos), libre disponibilidad de inputs y outputs, rendimientos variables a escala
(aumento del nivel de outputs al incrementarse todos los niveles de inputs,
pudiendo ser a su vez crecientes o decrecientes en función de si el incremento
porcentual que sufren los outputs es superior o inferior al incremento porcentual
que sufren los inputs). Este método establece las comparaciones atendiendo
sólo a las ineficiencias debidas a la gestión de la DMU y además se hace entre
empresas de escala similar. Este modelo permite que los rendimientos que
caracterizan una actividad varíen. Debido a este matiz este modelo también se
denomina VRS (Variable Return to Scale) (Guede Cid, 2011)
El modelo BBC puede considerarse como una extensión del CCR, añadiendo la
siguiente restricción:
∑𝜆𝑗 = 1
𝑛
𝑗=1
Esta nueva restricción modifica la frontera, considerando que las DMUs operan
a rendimientos no constantes. La DMU de referencia es una combinación lineal
convexa del resto de otras DMUs, asegurando que la unidad de referencia es
de tamaño similar al de la unidad evaluada.
Incluyendo esta nueva restricción en la formulación del modelo dual orientado a
outputs con formulación de envolvente y variables de holgura quedará el
siguiente problema a resolver:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 113
𝑀𝑎𝑥𝜙0,𝜆 𝑧 = 𝜙0 + 휀 (∑𝑠𝑖−
𝑚
𝑖=1
+∑𝑠𝑟+
𝑠
𝑟=1
)
𝑠. 𝑎:
(∑𝜆𝑗𝑥𝑖𝑗
𝑛
𝑗=1
) + 𝑠𝑖− ≤ 𝑥𝑖0 𝑖 = 1,… ,𝑚;
(∑𝜆𝑗𝑦𝑟𝑗
𝑛
𝑗=1
) − 𝑠𝑟+ ≥ 𝜙0𝑦𝑟0 𝑟 = 1,… , 𝑠;
∑𝜆𝑗 = 1
𝑛
𝑗=1
𝜆𝑗 , 𝑠𝑖−, 𝑠𝑟
+ ≥ 0 𝑗 = 1,… , 𝑛
En este nuevo modelo BBC donde se consideran rendimientos variables a
escala, que la orientación sea a inputs o a outputs, tiene influencia en las
medidas de ineficiencia obtenidas (Charnes, et al., 1997)
5.2.3 Otros modelos
Además de los modelos CCR y BBC se han desarrollado otros. Los más
conocidos son el aditivo y el multiplicativo. El primero de ellos combina la
orientación a inputs y a outputs. Mientras que el segundo aplica el modelo
aditivo sobre los logaritmos de los valores originales. (Charnes, et al., 1982)
(Charnes, et al., 1983). Además se han ido introduciendo desde sus comienzos
modificaciones y ampliaciones a los modelos mencionados hasta ahora,
obteniendo modelos multietápicos, incorporación de restricciones múltiples,
aplicación del modelo con distintos tipos de variables (incluyendo categóricas),
incorporación de la influencia de la variación de los datos, incorporación de
variables de entorno o no discrecionales, establecimiento de restricciones a los
pesos… (Guede Cid, 2011)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 114
5.3 LIMITACIONES DEL ANÁLISIS ENVOLVENTE DE DATOS
Existen alguna publicaciones en las que se recopilan las limitaciones de este
métodos, incluso en para alguna de ellas hay autores que publicar formas de
superarlas (Dyson, et al., 2001). Se clasifican en 5 grupos:
Relacionados con la homogeneidad de las DMUs a analizar
El análisis DEA realiza una serie de hipótesis de homogeneidad de las DMUs.
La primera de ellas es considerar que las DMUs desempeñan actividades
similares y sus productos o servicios son comparables, así como la tecnología
que utilizan es también comparable, pudiendo definir un conjunto de outputs
común a todas ellas. La segunda asume que todas las DMUs disponen de un
conjunto de recursos similar. En tercer lugar asume que todas las DMUs
operan en un mismo entorno, dado que este tiene una gran influencia sobre su
eficiencia (Guede Cid, 2011).
Relacionados con la selección de inputs y outputs
Se asume que el conjunto de inputs y outputs que se utilizará en el análisis
DEA:
- Las variables seleccionadas representan la totalidad de los recursos
utilizados. Atendiendo a que cuanto mayor sea el conjunto de inputs y
outputs menor es el poder discriminatorio de la técnica. Una regla
práctica consiste en que el número de DMUs sea al menos el doble que
el producto del número de inputs y outputs.
- Existen datos correspondientes a todos los niveles de actividad y
medidas de comportamiento.
- Es el mismo para todas las DMUs.
- La influencia del entorno se ha cuantificado e introducido en el conjunto.
- Algunos inputs u outputs pueden estar correlados entre sí, pudiendo
prescindir de alguno de ellos. Es conveniente realizar algún tipo de
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 115
análisis exploratorio que determine factores que estén lo más
incorrelados que sea posible.
- La combinación de medidas de tipo ratio con medidas absolutas podría
derivar en distorsiones en la medida de eficiencia.
A la hora de plantear el análisis DEA se debe justificar como la preparación del
problema para no incorporar sesgos indeseados por estos motivos.
Relacionados con la medida de los factores
Es altamente recomendable la utilización de escalas de ratio en las que sea
posible identificar, clasificar y jerarquizar objetos y comparar los intervalos o
diferencias. El problema aparece cuando se mezclan las escalas de ratio con
otro tipo de escalas en las variables. Es altamente deseables utilizar un tipo de
escala, para lo cual o las variables se pueden medir en ella o se deben
operativizar para utilizar una nueva escala que sea homogénea en todas.
Adicionalmente se considera la isotomía de inputs y outputs (incrementos de
inputs reducen la eficiencia mientras que incrementos de outputs la
incrementan).
La incorporación de datos cualitativos supone una fuente de sesgo para el
método, por dos motivos, por un lado dichas variables pueden tener otra
definición para medir esa característica cualitativa por lo que podría influir en
los resultados de eficiencia de las DMUs, por otro lado se analizan como si de
datos cuantitativos se tratase.
En ocasiones hay inputs u outputs cuyos niveles no son deseables, por ejemplo
si uno de ellos es un determinado nivel a que partir de cierto nivel superior y/o
inferior es nocivo. Es decir estos modelos asumen un comportamiento isótono
de las variables.
En los modelos hay veces que se incorporar variables de carácter exógeno y
estocástico. Será necesario planificar la entrada de este tipo de variables
incorporando alguna restricción adicional al modelo por ejemplo.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 116
No quiere decir que no puedan existir más causas, estas son las más comunes
(Guede Cid, 2011).
Relacionados con la flexibilidad de los pesos
La flexibilidad en la asignación de los pesos es una de las fortalezas del
análisis envolvente de datos, no obstante en ocasiones puede representar una
fuente de problemas si:
- la asignación de los pesos de manera lineal dejar de ser fiel a la
realidad.
- los pesos toman el valor de 0 puesto que permiten que esa variable se
elimine y podría afectar a la eficiencia de la DMU al no considerar en el
análisis ese input / output. Para ello se podría sustituir la inecuación de
no negatividad por otra en la que se iguale a un infinitésimo no-
arquímedeo.
- los inputs / outputs guardan algún tipo de relación, la asignación de
pesos no la respetará. Por lo que habrá que tratar este hecho si se
presenta introduciendo la restricción correspondiente.
Nuevamente resaltar que se trata de algunas de las principales limitaciones,
pero podrían darse más (Guede Cid, 2011).
Relacionados con las restricciones a los pesos
Tal y como se ha mencionado en el punto anterior la flexibilidad de la
asignación de pesos se soluciona introduciendo nuevas restricciones a los
mismos. Esta tarea no es sencilla, puesto que requiere información a priori
sobre el fenómeno puesto que la introducción de una restricción que sobre/sub-
restrinja el fenómeno va a dar lugar a una media de eficiencia no realista. Estas
restricciones pudieran no ser exportables de unos modelos a otros dentro de la
técnica de análisis envolvente de datos. Adicionalmente al haber introducido
nuevas restricciones la lectura que se realice de los resultados no va a coincidir
con los modelos puros que se estudian en la literatura disponible, hay que
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 117
prestar especial atención en esta interpretación. En la tabla 7 se presentan las
principales dificultades que presentan este tipo de modelos, así como las
soluciones que se recomiendan para cada tipo.
Fuente: (Guede Cid, 2011)
Tabla 7 Restricciones en la aplicación del análisis DEA
Dado que la introducción de nuevas restricciones relacionadas con los pesos
no parece la mejor solución, por lo menos a priori por las consecuencias que
acarrea, algunos autores plantean un método basado en la decisión
multicriterio para asignar pesos cuando no se dispone de información a priori
(de Vicente y Oliva, et al., 2008) utilizando dos métodos, el primero que hace
uso por un lado de la matriz de eficiencias cruzadas, y el segundo que utiliza
las distancias entre la solución global del DEA y la matriz de eficiencias
cruzadas.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 118
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 119
CAPITULO 6 TEORÍA DE REDES NEURONALES ARTIFICIALES
6.1 INTRODUCCIÓN A LAS REDES NEURONALES ARTIFICIALES
Con el paso del tiempo, tanto ciencia como tecnología han ido avanzando y
algunos campos convergiendo. Uno de estos campos es la Inteligencia
Artificial. Dentro de la Inteligencia Artificial es posible diferenciar dos grandes
áreas:
Inteligencia Artificial Simbólica – Construcción de sistemas con
características “inteligentes”. Su objetivo es resolver un problema
previamente definido mediando los esquemas lógicos de la disciplina en
cuestión. Siguen una aproximación Top-Down al ser necesario disponer
de una solución aproximada y todo se diseña alrededor de la misma.
Inteligencia Artificial Subsimbólica – Obtención de un sistema
“inteligente” partiendo de un sistema genérico que evoluciona de manera
autónoma hacia el sistema final adaptado. Siguen una aproximación
Bottom-Up, es decir, parten de algo genérico y sencillo y poco a poco
van evolucionando hacia sistemas complejos mediante mecanismos de
aprendizaje definidos.
Las Redes Neuronales Artificiales (en inglés, Artificial Neural Networks – ANN)
pertenecen al grupo de la Inteligencia Artificial Subsimbólica (Isasi Viñuela &
Galván León, 2008).
Previo a describir las Redes Neuronales Artificiales desde una óptica técnica o
matemática, es necesario hacerlo desde una óptica biológica para entender su
funcionamiento. De esta forma se refuerza lo comentado en anteriormente de
que la técnica y la ciencia van convergiendo en algunos campos.
En los seres vivos como los humanos y animales existe un sistema encargado
de recoger información del entorno, ya sea interno o externo, distribuir esa
información a través de los canales adecuados a los puntos adecuados, se
analiza, procesa y elabora dicha información y posteriormente se almacena o
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 120
se vuelve a distribuir a los puntos adecuados. Este sistema es el sistema de
comunicación neuronal que está formado por:
Receptores – Son las células sensoriales encargadas de recoger la
información del entorno, ya sea exterior o interior al organismo
Sistema nervioso – Encargado de recibir la información de los
receptores a través de los canales adecuados, elaborarla, y
posteriormente almacenarla y/o distribuirla.
Efectores – Reciben la información y la interpretan en forma de acciones
concretas. Los efectores son por ejemplo los músculos, glándulas…
Dentro del sistema de comunicación neuronal la unidad funcional esencial es la
neurona, teniendo como funciones básicas (Isasi Viñuela & Galván León,
2008):
Recoger información de otras neuronas o de los receptores (llega en
forma de impulsos)
Integrar dicha información en un código de activación propio de cada
neurona.
Transmitir esa información codificada a través del axón (La codificación
se realiza mediante frecuencia de impulsos)
Distribuir espacialmente los mensajes a través del axón
Transmitir a través de sus terminales los impulsos a las neuronas
subsiguientes o los efectores.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 121
Fuente: (Universidad de Valladolid, 2015)
Figura 60 Representación de una neurona biológica
En la figura 60 se aprecian las siguientes partes:
Cuerpo celular
Núcleo,
Axón – Ramificación de salida de la neurona cuya misión es propagar
impulsos electroquímicos
Dendritas – Ramificaciones de entrada que propagan la señal al interior
de la neurona.
El mecanismo de funcionamiento es el siguiente, a través del proceso de
sinapsis las neuronas recogen información de carácter electro-químico de las
otras neuronas y de los receptores mediante las dendritas. Posteriormente
dicha información es procesada en el núcleo y se transmite a través del axón
como señal única, que llega a las dendritas de las neuronas vecinas.
El proceso de sinapsis es el paso de las señales electro-químicas de una
neurona a la siguiente a través de un líquido con determinadas
concentraciones de iones (normalmente sodio y potasio, en la denominada
bomba de potasio) que le confiere la propiedad de la conductividad y que en
función de las señales y de la conductividad del mismo potenciará o inhibirá la
señal ( (Isasi Viñuela & Galván León, 2008).
Por lo tanto el sistema de comunicación neuronal, puede entenderse como una
enorme red que propaga señales de naturaleza electro-química elaboradas por
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 122
las neuronas y cuya propagación se va modificando en función de la
concentración de iones durante la sinapsis. Las neuronas no son elementos
lineales que propagan señales proporcionales a las recibidas, sino que son
elementos de saturación que cuando sobrepasan un umbral proporcional una
señal.
6.1.1 Modelo computacional de las Redes Neuronales Artificiales
Una vez expuesto el funcionamiento desde una óptica biológica se va a
exponer el modelo computacional que emula estos sistemas. Pudiendo definir
una red de neuronas artificiales como (Martín del Brío & Sanz Molina, 2009):
Un grafo dirigido con las siguientes propiedades:
A cada nodo 𝑖 se asocia una variable de estado 𝑥𝑖.
A cada conexión (𝑖, 𝑗) de los nodos 𝑖 y 𝑗 se asocia un peso 𝑤𝑖𝑗 ∈ ℝ .
A cada nodo 𝑖 se le asocia un umbral 𝜃𝑖.
Para cada nodo 𝑖 se define una función que depende de los pesos de
sus conexiones, del umbral y de los estados de los nodos 𝑗 a él
conectados. Esta función proporciona el nuevo estado del nodo.
Haciendo un paralelismo con los grafos, los nodos serían las neuronas y las
conexiones las sinapsis, donde:
Las neuronas de entrada y de salida son neuronas sin sinapsis
Las neuronas ocultas tiene sinapsis
Es una red unidireccional, al no tener bucles cerrados de conexiones
Es una red recurrente, al existir retroalimentación, es decir el flujo de
información tiene un bucle de atrás hacia adelante.
6.1.1.1 Neurona artificial
La neurona artificial es un dispositivo simple de cálculo, que a partir de un
vector de entrada procedente del exterior o de otras neuronas, proporciona una
única respuesta o salida (Martín del Brío & Sanz Molina, 2009). También puede
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 123
entenderse como un elemento que posee un determinado nivel de activación,
que mediante las señales que recibe le permiten cambiar de estado alcanzando
unas determinadas condiciones (Isasi Viñuela & Galván León, 2008).
Los estados posibles de la neurona se representan mediante en conjunto 𝑆
pudiendo ser este
dicotómico 𝑆 = {0,1}, donde 1 puede significar activo y 0 inactivo.
conjunto que tome más valores 𝑆 = {0,1, 2, 3, 4, 5, … , 𝑛} para representar
niveles de alguna variable.
conjunto continuo 𝑆 = [0,1] , pudiendo representar una variable
normalizada.
El cambio de estado, lo realizan las neuronas mediante una función de
activación, que les permite aglutinar las señales que reciben, procesarlas de
acuerdo a esta función de activación y si alcanzan el nivel de activación
cambiarán de estado. Es importante reflejar un matiz en relación al valor de
activación, este depende únicamente de las entradas recibidas y de los valores
sinápticos, pero en ningún momento de los valores de los estados de activación
pasados. (Isasi Viñuela & Galván León, 2008)
Para calcular el valor de activación primero es necesario calcular la entrada
total a la neurona representada por 𝐸𝑖 y se calcula como la suma ponderada de
todas las entradas por el peso sináptico 𝐸 = (𝑥1 ∗ 𝑤1) + (𝑥2 ∗ 𝑤2) + (𝑥3 ∗ 𝑤3) +
⋯+ (𝑥𝑛 ∗ 𝑤𝑛). Donde las entradas 𝑥1, 𝑥2, 𝑥3, … , 𝑥𝑛 se representan mediante un
vector �̅� y los pesos sinápticos 𝑤1, 𝑤2, 𝑤3, … , 𝑤𝑛 lo hacen por un vector �̅�. Las
entradas representan las señales de la sinapsis y el peso sináptico la
concentración iónica de la sinapsis. El funcionameinto de una neurona de este
tipo se esquematiza en la figura 61.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 124
Fuente: Elaboración propia
Figura 61 Esquema de funcionamiento de una neurona artificial
También se puede escribir la entrada total en notación matricial de la siguiente
forma: 𝐸 = 𝑋𝑇 ∗ 𝑊
Una vez calculada la entrada total, debe ser procesada por la función de
activación 𝐹 como se ha comentado con anterioridad para producir una salida
de la neurona 𝑆 . Es posible crear varios modelos de autómatas en
dependiendo del tipo que se escoja para dicha función:
Lineal: 𝑆 = 𝑘 ∗ 𝐸, donde 𝑘 es una constante.
Umbral: 𝑆 = {1 𝑠𝑖 𝐸 ≥ 𝜃0 𝑠𝑖 𝐸 < 𝜃
, siendo 𝜃 un umbral constante.
Función: 𝑆 = 𝐹(𝐼), donde 𝐹 es una función cualquiera.
6.1.1.2 Estructura básica de la red
La forma en la que las neuronas se conectan unas con otras se le conoce
como arquitectura de la red o patrón de conectividad. La estructura está
compuesta por los siguientes elementos (Martín del Brío & Sanz Molina, 2009):
Conjunto de procesadores elementales o neuronas artificiales
Patrón de conectividad o arquitectura.
Dinámica de activaciones.
Regla de aprendizaje
Entorno donde opera.
∑
f(∑)
Entradas Salidas
wj1
wj2
wjn
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 125
La estructura básica es la red multicapa, donde la más simple estaría formada
por una capa con las neuronas de entrada, a continuación una capa de
neuronas oculta y por último la capa de las neuronas de salida. Pudiendo existir
tantas capas ocultas como sean necesarias. A su vez el número de neuronas
por capa tampoco es algo que esté fijado.
Fuente: Elaboración propia
Figura 62 Esquema de funcionamiento de una red de neuronas artificial de tipo MLP
A la vista de la figura 62 se define una Red de Neuronas Artificial como un
grafo cuyos nodos están formados por unidades de proceso idénticas, que
propagan la información a través de los arcos (Isasi Viñuela & Galván León,
2008).
El funcionamiento por tanto es el siguiente, se recibe la entrada en la capa de
entrada a través de las neuronas existentes, cada una de ellas transmite la
información a la capa oculta, donde cada neurona una vez recibida la totalidad
de sus entradas las procesa y genera la salida que se propaga por toda la red.
Al llegar la respuesta de la red a las neuronas de la capa de salida, estas
mediante el mismo mecanismo general la respuesta de la red.
Capa
entrada
Capa
oculta
Capa
salida
𝑊1 𝑊2
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 126
Si se toma como ejemplo el de la figura donde 𝑊1 y 𝑊2 representan los pesos
de la primera y segunda capa, siendo 𝐹 la función de activación y además la
misma para todas las neuronas, se puede calcular la salida mediante la
siguiente expresión:
𝑆= 𝐹(𝐹(�⃗�∗ 𝑊1) ∗ 𝑊2)
En el caso de que la función de activación que se utilice sea de tipo lineal
𝐹(𝑥) = 𝑘 ∗ 𝑥 se podría sustituir la arquitectura de tres capas por otra de dos
capas equivalente como muestra la figura 63:
𝑆= 𝑘 ∗ (𝐾 ∗�⃗�∗ 𝑊1) ∗ 𝑊2 = 𝑘2 ∗ 𝑊1 ∗ 𝑊2 ∗�⃗�
Fuente: Elaboración propia
Figura 63 Esquema de una red neuronal artificial equivalente a una MLP de una capa oculta
Capa
entrada
Capa
salida
𝑘2 ∗ 𝑊1 ∗ 𝑊2
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 127
6.1.1.3 Aprendizaje
Según los autores Isasi y Galván (2008) la parte más importante de una Red de
Neuronas Artificial es la estrategia de aprendizaje, ya que ésta determinará el
tipo de problemas que será capaz de resolver. El conjunto de datos que se
utiliza para el aprendizaje debería cumplir las dos siguientes características:
Ser significativo – Número suficiente de ejemplos para que la red pueda
adaptar los pesos sinápticos durante esta fase.
Ser representativo – Diversidad en los datos, con objeto de que la red no
se especialice en un tipo de datos ya que esto podría crear un sesgo en
el aprendizaje.
Esta etapa tiene como objetivo determinar los valores de los pesos sinápticos
para todas las conexiones, de manera precisa, para dotar a la red de la
capacidad de resolución eficiente de un problema. Para ello se introducen
paulatinamente los ejemplos del conjunto de aprendizaje y se van modificando
los pesos sinápticos de acuerdo al esquema de aprendizaje elegido.
Posteriormente se verifica que se ha cumplido con el criterio de convergencia,
en caso positivo se validan los pesos sinápticos y en caso contrario se vuelven
a introducir modificando de nuevo los pesos. El criterio de convergencia
depende a su vez del tipo de red elegida y/o tipo de problema a resolver. Para
determinar la finalización del periodo de aprendizaje se puede realizar de
acuerdo a tres estrategias de parada:
Número fijo de ciclos – Se establece el número de veces que se
introduce el conjunto de datos utilizado para el entrenamiento.
Error inferior a un umbral – Se define una función de error y se
determinar el valor aceptable del mismo, de tal manera que cuando la
red produzca un valor de error inferior al que se ha fijado se detendrá el
aprendizaje. Esta estrategia de parada presenta una desventaja con
respecto a otras y es que si no baja por debajo de ese error nunca se
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 128
detendrá, por lo que hay que añadir una estrategia adicional
condicionada por el número de ciclos.
Modificación de los pesos sea irrelevante – Se analiza la variación
relativa de cada iteración en la introducción de datos y cuando la
variación con respecto a la anterior iteración sea inferior a un
determinado valor se detendrá.
En relación a la estrategia de aprendizaje existen varios tipos (Isasi Viñuela &
Galván León, 2008) (Martín del Brío & Sanz Molina, 2009):
Aprendizaje supervisado – Los datos utilizados poseen dos atributos, por
un lado los datos y por otro lado información relativa a la solución del
problema. En este tipo de aprendizaje se compara la salida de la red con
la salida real teórica proveniente de los datos y la diferencia entre ambas
influirá en cómo se modificarán los pesos. Dicho aprendizaje se
esquematiza en la figura 64.
Fuente: Elaboración propia
Figura 64 Esquema de aprendizaje de una red neuronal supervisado
Aprendizaje no supervisado – En este caso no se suministra junto con el
valor de entrada un valor de salida relacionado. Es la propia red la que
determina los rasgos significativos, regularidades o redundancias de los
datos. Es decir, la red se ajusta dependiendo únicamente de los valores
que recibe como entrada. El esquema de funcionamiento es el que se
representa en la figura 65.
Pa
tró
n d
e e
ntr
ada
Sa
lida o
bte
nid
a
Pa
tró
n d
e s
alid
a
Red
neuronal
Δ
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 129
Fuente: Elaboración propia
Figura 65 Esquema de aprendizaje de una red neuronal no supervisado
Aprendizaje por refuerzo – Es muy similar al aprendizaje supervisado.
No existe información del error cometido por la red para cada ejemplo,
sino que se determina si la salida es o no adecuada.
En relación con el aprendizaje no es bueno tampoco que la red tenga un ajuste
muy bueno del conjunto de aprendizaje ya que puede condicionar su capacidad
para predecir fuera de esa serie de aprendizaje. Este fenómeno se conoce
como sobreaprendizaje, y deteriora la capacidad de generalización de la red.
Para poder determinar si la red es capaz de proporcionar salidas adecuadas,
se aconseja dividir los datos de aprendizaje en dos submuestras. Una de ellas
para entrenamiento y otra para la validación. El error producido por tanto no se
medirá con respecto a los datos de entrenamiento sino con respecto a los
datos de validación que no han sido todavía utilizados. De esta forma se puede
evaluar la capacidad de generalización de la red. Para que este proceso sea
eficaz ambos conjuntos de datos (entrenamiento y validación) deben cumplir
las siguientes características:
Conjunto de validación independiente del de aprendizaje (sin sesgo en el
proceso de selección de los datos)
Conjunto de validación debe cumplir las mismas propiedades que el de
entrenamiento (significativo y representativo)
Pa
tró
n d
e e
ntr
ada
Sa
lida o
bte
nid
a
Red
neuronal
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 130
6.1.2 Evolución histórica de las Redes de Neuronas Artificiales
Las primeras investigaciones en relación a las Redes de Neuronas Artificiales
se dan a principios del S.XIX, y son llevadas a cabo por Freud durante sus
investigaciones del pre-psicoanálisis. La primera implementación de un
dispositivo basado en las redes neuronales fue un dispositivo hidráulico
introducido por Russell, en la década de los años 40.
Década de los 40 y 50
Durante esta época los trabajos más significativos fueron llevados a cabo por
McCulloch y Pitts (1943). Desarrollaron un modelo conocido con su nombre
“modelo McCulloch-Pitts” que se basaba en la operación de las neuronas por
impulsos binarios. Un aspecto importante que introdujo este modelo fue la
utilización de una función de paso por umbral. Otro autor posterior, Hebb
(1949) contribuyo en su libro con un procedimiento matemático de aprendizaje,
en la actualidad se conoce como aprendizaje “hebbiano”. Posteriormente
Marvin Minsky (1954) construyó una máquina que emulaba el comportamiento
de una rata buscando comida en un laberinto. Esta máquina estaba diseñada
con 40 neuronas. Para su construcción utilizaron tubos, motores y relés. Se
basó en los avances realizados por McCulloch y Pitts, así como de Hebb. El
investigador Albert Uttley (1956) desarrolló unas máquinas que se han utilizado
para la simulación de fenómenos atmosféricos y el reconocimiento adaptativo
de patrones. Dichas máquinas basaban su comportamiento en unos “informes”
que podían variar sus parámetros de entrada. Más tarde otro investigador
Frank Rosemblatt (1957) desarrollo el modelo de McCulloch-Pitts añadiéndole
la función de aprendizaje. A este modelo se le denomina Perceptron. Trabajo
con un modelo de dos capas aunque también realizó investigaciones en el
modelo de tres capas pero no consiguió buenos resultados. Posteriormente se
profundizará en el modelo perceptrón. Otro autor que realizó trabajos sobre
Redes Neuronales Artificiales en esa década fue Bernard Widrow (1959)
diseñó una red neuronal artificial muy parecida al perceptron que llamó
“Adaptative Linear Element” o Adaline. Ambos modelos son muy similares ya
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 131
que utilizar el error entre la salida deseada y la obtenida para corregir los pesos
entre la salida y la entrada. La principal diferencia radica en que el perceptron
lo hace de manera proporcional y el adaline mediante una función. Esta
pequeña diferencia hace que las aplicaciones para las que se utiliza la adaline
sean diferentes, como por ejemplo el procesamiento adaptativo de señales,
sistemas de control…
Década de los 60
Los autores Steinbuch y Piske (1963) que trabajaron en el desarrollo de la
codificación de la información en las redes neuronales. Sus avances se
emplearon en aplicaciones como el mantenimiento predictivo de máquinas,
control de procesos productivos, reconocimiento de escritura…. Posteriormente
Stephen Grossberg (1964) realizaron investigaciones sobre los fenómenos
psicológicos (mente) y biológicos (cerebro), así como la interacción entre
ambos. Una de las contribuciones que realizó fue desarrollar un método de
acceso directo a la información en tiempo real mientras era procesada.
Década de los 70 y 80
Un investigador de esta época que realizó una importante contribución es
Teuvo Kohonen (1972, 1974, 1977); que desarrolló un método de aprendizaje
competitivo denominado Learning Vector Quantization (LVQ). Su trabajo se
centró en las memorias asociativas y las matrices de correlación. Los
investigadores Terence Sejnowski y Geoff Hinton (1986), descubrieron el
algoritmo de la máquina de Boltzmann, así como fueron capaces de utilizar un
algoritmo de aprendizaje para una red de neuronas artificiales de tres capas.
También contribuyeron de manera importante al algoritmo de aprendizaje de
Backpropagation, para aplicaciones relacionadas con el reconocimiento de voz.
También los investigadores David Rumelhart y James McClelland (1982) se
unieron en la investigación de las redes neuronales artificiales aplicadas al
reconocimiento de voz, así como crearon un potente grupo de investigación
denominado Parallel Distributed Processing (PDP), y fueros los creadores de la
red MLP. Otro investigador importante en el campo de las redes de neuronas
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 132
artificiales fue, John Hopfield (1982), quien introduje una función de energía
que describía la actividad de una red neuronal artificial monocapa.
Cécula de McCulloch-Pitts
Este modelo fue desarrollado por Warren McCulloch y Walter Pitts (1943) en el
año 1943. En dicho trabajo modelaban la estructura y el funcionamiento de las
neuronas del cerebro. Sólo permitían dos posibles estados: apagado (0) y
encendido (1).
El esquema de funcionamiento de esta célula es el mostrado en la figura 66:
Fuente: Elaboración propia
Figura 66 Esquema de funcionamiento de la célula de McCulloch-Pitts
𝑆 = {1 𝑠𝑖 ∑𝑥𝑖 ∗ 𝑤𝑖 > Θ
0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Para cada neurona, existe un conjunto de entrada de n valores 𝑋 =
{𝑥1, 𝑥2, … , 𝑥𝑛} y produce una única salida binaria. La célula se activará si la
suma de las entradas multiplicada por los pesos supera el umbral Θ, y tendrá
una salida de 1.
Si se parte de la neurona de McCulloch-Pitts y se forma una red de varias o
muchas neuronas de este tipo se tiene una red neuronal. En el libro de los
autores Viñuela y Galván (2008) se define red neuronal como: “Una colección
Entrada
s
Salida
w1
w2
wn
𝚺𝚯 X S
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 133
de neuronas de McCulloch-Pitts, todas con las mismas escalas de tiempos,
donde sus salidas están conectadas a las entradas de otras neuronas”.
Perceptrón
Este modelo fue desarrollado por Frank Rossenblatt (1957, 1958) en los años
50. Este modelo fue ideado como un sistema clasificador. Se le suministraba al
sistema información sobre diferentes clases, a través de patrones o
entrenamiento y el sistema iba determinando las superficies frontera entre las
diferentes clases con objeto de que cuando fuera presentada una nueva
entrada el sistema fuera capaz de mediante dichas superficies frontera
determinar a clase pertenecía.
El modelo de funcionamiento de este modelo es sencillo. Se trata de una red
monocapa, con varias entradas y varias salidas como la mostrada en la figura
67. Debido a la configuración monocapa cada una de las células de entrada
tiene conexión con todas las células de salida. Esas conexiones son las que
determinarán las superficies de discriminación.
Fuente: Elaboración propia
Figura 67 Esquema de funcionamiento de perceptrón
El umbral Θ es el factor de comparación para producir la salida y habrá uno par
cada célula de salida de la red.
El esquema de funcionamiento es el siguiente. En primer lugar se obtiene la
activación de la célula de salida, 𝑦′ = ∑ 𝑥𝑖 ∗ 𝑤𝑖𝑛𝑖=1 . La salida definitiva, como se
w1
w2
x
1
y
x
2
∑
Θ
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 134
trata de un elemento clasificador, se obtiene mediante la función de activación,
que para estos casos es una función escalón del siguiente tipo, 𝑦 = 𝐹(𝑦′, Θ).
𝐹(𝑠, Θ) {1 𝑠𝑖 𝑠 > Θ
−1 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Las anteriores expresiones también se pueden escribir de la siguiente forma:
𝑦 = 𝐹 (∑𝑥𝑖 ∗ 𝑤𝑖
𝑛
𝑖=1
+ Θ)
Dónde:
𝐹(𝑠) {1 𝑠𝑖 𝑠 > Θ
−1 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
6.2 PERCEPTRON MULTICAPA
Este tipo de redes se conoce también como red multicapa con conexiones
hacia adelante. Se trata de un modelo general que parte del Perceptron
desarrollado por Frank Rosenblatt (1957, 1958). Este tipo de arquitectura es
apropiada para tratar problemas no lineales. Puede obtenerse mediante la
combinación de varios perceptrones simples, pero con una regla de
aprendizaje modificada como es el Backpropagation, ya que no puede
aplicarse la misma regla del Perceptron simple. El principal motivo es la
dificultad de propagar los errores de salida hacia atrás, a través de la capa
oculta. El perceptrón multicapa con aprendizaje Backpropagation (BP) o alguna
de sus variantes es el modelo más empleado en las aplicaciones prácticas,
estimándose hace más de 10 años atrás que el 70% de los desarrollos con
redes neuronales hacen uso de alguna de sus variantes (Gedeon, et al., 1995)
Esta arquitectura es un aproximador universal de funciones (Funahashi, 1989)
(Funahashi & Nakamura, 1993) (Funahashi, 1998). Como principales ventajas
se pueden citar la potencia de este método para aproximar comportamientos
no lineales, facilidad de uso, aplicabilidad a multitud de problemas. Por el
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 135
contrario como desventajas se pude citar el proceso largo de aprendizaje, gran
número de ejemplos necesarios para el entrenamiento, dificultad de codificar
problemas reales mediante valores numéricos, dificultad en el análisis teórico
de la red debido a la existencia de alta conectividad y/o presencia de
componentes no lineales.
En relación a la arquitectura es como la que se muestra a continuación en la
figura 68:
Fuente: Elaboración propia
Figura 68 Esquema de la arquitectura de un perceptrón multicapa
Como se puede ver en la figura esta arquitectura se caracteriza por tener una
capa de entrada, varias capas ocultas y una capa de salida; así como las
conexiones entre ellas siempre dirigidas hacia delante. Debido a esta
característica de las conexiones también se les denomina redes “feedforward”.
Cada capa está compuesta por neuronas de tipo perceptron. En cuanto al
número de capas y número de neuronas por capa, variarán en función de la
aplicación o en problema que se esté resolviendo.
𝑥1
𝑥𝑖
𝑥𝑛1
𝑦𝑛𝑐
𝑦1
𝑛1 𝑛2 𝑛3 𝑛𝐶−1 𝑛𝐶
Capa de
entrada
Capas
ocultas
Capa de
salida
. . .
. . .
. . . . . . . . . . . .
. . . . . . . . .
. . . . . . . . .
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 136
La particularidad de las neuronas de la capa de entrada es que actúan como
receptores de las señales exteriores para después propagarlas por el interior
de la red. Mientras que las de la capa de salida se encargan de proporcionar la
respuesta de la red para el patrón de entrada recibido. Las capas ocultas tiene
la misión de procesar de manera no lineal el patrón de entrada.
Cada neurona está conectada con todas las de la capa siguiente, aunque
pueden existir excepciones. Como por ejemplo conexiones de una neurona con
las capas no inmediatamente posteriores, o neuronas que no están conectadas
a capas posteriores. No existen estudios suficientes para falsar la hipótesis de
que utilizar este tipo de redes con la conectividad modificada den resultados
más precisos o economicen el tiempo de cálculo o la eficiencia de la red.
6.2.1 Propagación de los patrones de entrada
En este tipo de redes se establece una relación entre las entradas y las salidas,
componiendo las funciones individuales de cada perceptron. Esta relación para
un perceptron de manera aislada se explicó anteriormente.
El mecanismo es ir propagando las salidas hacia delante y como consecuencia
componiendo las funciones, de tal manera que al llegar a la última capa se
habrá relacionado la entrada de la red y la salida de la misma. La manera de
propagar la entrada es con el mecanismo de funcionamiento de un perceptron,
es decir, recibe las entradas del resto de neuronas a las cuales está conectada
de la capa anterior, y a través de su función de activación produce una salida
que se propagará a las neuronas a las cuales está conectada en la capa
siguiente. A continuación se va a explicar este mismo concepto de manera
analítica.
De acuerdo a la notación de los autores Viñuela y Galván (2008), sea una red
perceptron multicapa con:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 137
𝐶 capas y 𝐶 − 2 capas ocultas
𝑛𝑐 neuronas en la capa 𝑐, en todas las capas 𝑐 = 1,2,3… , 𝐶
𝑊𝑐 = (𝑤𝑖𝑗𝑐 ) es la matriz de pesos sinápticos de las conexiones de la
capa 𝑐 con la 𝑐 + 1 para todas las capas 𝑐 = 1,2,3… , 𝐶 − 1 . Cada
elemento de la matriz 𝑤𝑖𝑗𝑐 representa la conexión de la neurona 𝑖 de la
capa 𝑐 con la neurona 𝑗 de la capa 𝑐 + 1.
𝑈𝑐 = (𝑢𝑖𝑐), es el vector de los umbrales de cada neurona 𝑖 de la capa 𝑐,
para todas las capas 𝑐 = 2, 3, … , 𝐶.
𝑎𝑖𝑐 representa la activación de la neurona 𝑖 de la capa 𝑐.
Respecto a la activación de las neuronas, se va a distinguir entre los siguientes
casos:
Capa de entrada 𝑎𝑖1
Estas neuronas son las encargadas de propagar el patrón de entrada hacia el
resto de neuronas. Dicho patrón es el vector 𝑋 = (𝑥1, 𝑥2, … , 𝑥𝑛1). La activación
para estos casos viene dada por:
𝑎𝑖1 = 𝑥𝑖 , ∀ 𝑖 = 1,2, … , 𝑛1
Capa oculta 𝑎𝑖𝑐
Las neuronas de la capa oculta procesan la información que llega de otras
neuronas para producir una salida de acuerdo con su función de activación que
se seguir propagando por la red. Es decir, se aplica la función de activación a
las entradas provenientes de las neuronas de otras capas, ponderadas por los
correspondientes pesos sinápticos y añadiendo el umbral de la neurona. Por lo
tanto el nivel de activación de una neurona 𝑖 de una capa 𝑐, será el siguiente:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 138
𝑎𝑖𝑐 = 𝑓(∑ 𝑤𝑗𝑖
𝑐−1 ∗ 𝑎𝑗𝑐−1 + 𝑢𝑖
𝑐
𝑛𝑐−1
𝑗=1
) 𝑝𝑎𝑟𝑎 𝑖 = 1,2, … , 𝑛𝑐 𝑦 𝑐 = 2,3, … , 𝐶 − 1
Capa de salida 𝑎𝑖𝐶
Para las neuronas de esta capa la activación de las neuronas también se
obtiene mediante la aplicación de la función de activación a todas las entradas
que vienen de las neuronas de la capa anterior ponderadas por los pesos
sinápticos y añadiendo el umbral de la neurona.
𝑦𝑖 = 𝑎𝑖𝐶 = 𝑓(∑ 𝑤𝑗𝑖
𝐶−1 ∗ 𝑎𝑗𝐶−1 + 𝑢𝑖
𝐶
𝑛𝐶−1
𝑗=1
) 𝑝𝑎𝑟𝑎 𝑖 = 1,2, … , 𝑛𝐶
Se obtendrá por tanto el vector de salida de la red 𝑌 = (𝑦1, 𝑦2, … , 𝑦𝑛𝐶).
La función 𝑓 que aparece en el cálculo de las activaciones de las neuronas en
las expresiones anteriores es la función de activación y suele ser común a
todas las neuronas. Se pueden utilizar muchos tipos diferentes, pero las más
utilizadas son la función sigmoidal y la función tangente hiperbólica, cuyas
expresiones y representación gráfica se exponen en la figura 69 (Isasi Viñuela
& Galván León, 2008) (Martín del Brío & Sanz Molina, 2009):
Sigmoidal: 𝑓1(𝑥) =1
1+𝑒−𝑥
Tangente hiperbólica: 𝑓2(𝑥) =1−𝑒−𝑥
1+𝑒−𝑥
Ambas están relacionadas mediante 𝑓2(𝑥) = 2𝑓1(𝑥) − 1
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 139
Fuente: Elaboración propia
Figura 69 Funciones de activación sigmoidal e hiperbólica
Como se puede ver en la representación gráfica la función sigmoidea presenta
dos asíntotas en los valores 0 y 1, mientras que la tangente hiperbólica lo hace
en -1 y 1. Como ambas están relacionadas la elección de una u otra dependerá
del recorrido que interese para la activación si entre [0,1] o [−1,1].
Estas funciones de activación podrán utilizarse cuando los datos de entra y de
salida se hayan normalizado, ya que si no es así, debe utilizarse la función
identidad.
Dependiendo del problema al que se aplique la red puede interesar dotar a las
neuronas de salida de la capacidad de producir otro tipo de salidas diferentes a
la que produciría la función sigmoidea o la función tangente hiperbólica. Las
funciones de activación que más suelen utilizarse más en la capa de salida son
la función identidad y la función escalón (Isasi Viñuela & Galván León, 2008)
(Martín del Brío & Sanz Molina, 2009). La función escalón, representado en las
figuras 70 y 71, se utiliza para salidas de la red binarias, activándose sólo
cuando se sobrepasa un cierto valor umbral de valor de salida. En relación a la
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 140
función identidad, que se muestra en la figura 72, es equivalente a no aplicar
ninguna función, es decir, el valor de la función es el valor de salida de red.
Función escalón 𝑓3(𝑥) = {1 𝑠𝑖 𝑥 ≥ 𝜃0 𝑠𝑖 𝑥 < 𝜃
siendo 𝜃 el umbral, también podría
ser del tipo 𝑓3(𝑥) = {1 𝑠𝑖 𝑥 ≥ 𝜃−1 𝑠𝑖 𝑥 < 𝜃
donde 𝜃 sigue representando el umbral.
Función identidad 𝑓4(𝑥) = 𝑥
Fuente: Elaboración propia
Figura 70 Función de activación escalón entre [-1,1]
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 141
Fuente: Elaboración propia
Figura 71 Función de activación escalón entre [0,1]
Fuente: Elaboración propia
Figura 72 Función de activación identidad
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 142
Como resumen a la propagación de los patrones de entrada se puede decir
que una red neuronal de tipo perceptron multicapa, es una función continua no
lineal que relaciona los espacios de los patrones de entrada y el de los
patrones de salida ℜ𝑛1 ⟶ℜ𝑛𝐶 . Dicha función pude escribirse de manera
simplificada como 𝑌 = 𝐹(𝑋,𝑊). Donde 𝑌 representa el vector de salida, 𝑋 el
vector de entrada y 𝑊 es la matriz de los parámetros de la red (conteniendo los
pesos sinápticos y umbrales), y por último F es la función continua no lineal.
Con lo expuesto hasta ahora sobre la red de neuronas de tipo perceptron
multicapa, se puede observar que el diseño de una red implica varias
decisiones, como por ejemplo el número de capas de la red, el número de
neuronas de cada capa, y la función de activación.
Hay algunas cuestiones que pueden ayudar a simplificar estas decisiones de
diseño, como por ejemplo las siguientes: el número de neuronas de la capa de
entrada coincidirá con las variables independientes del problema objeto de
estudio, así como las de salida lo harán con las dependientes del problema. La
función de activación debe elegirse según el recorrido que deseemos tener por
la naturaleza del problema.
Lo anterior no resulta sencillo de llevar a la práctica puesto que no todas las
variables de entrada y/o salida tienen la misma importancia a la hora de aportar
información sobre el problema. Es decir, debe existir un trabajo previo para la
selección de las mismas con objeto de que sean representativas del problema
y no compliquen en exceso el aprendizaje de la red y/o comprometan la calidad
de los resultados. Esta selección de las variables normalmente se realiza
utilizando técnicas de optimización o de reducción de la dimensión mediante
análisis multivariante.
Respecto al número de capas o de neuronas por capa, no existe una regla fija.
En primer lugar se debe investigar si existe un problema similar resuelto con
redes neuronales y se debe comenzar con esa arquitectura, posteriormente se
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 143
puede hacer un análisis de sensibilidad variando las capas y/o número de
neuronas por capa.
6.2.2 Aprendizaje
El objetivo del aprendizaje es ajustar los parámetros de la red (pesos sinápticos
y umbrales), para que la red produzca las salidas deseadas ante los patrones
de entrada presentados. Para evaluar esta capacidad de la red se determina
una función error, 𝐸, que medirá de manera global el error cometido por la red
por la comparación del valor de salida con el valor de salida deseado ante un
patrón de entrada determinado.
El conjunto de muestras o de patrones de entrada se va a representar
mediante el vector 𝑋(𝑛) = (𝑥1(𝑛),… , 𝑥𝑛1(𝑛)) y el de las salidas deseadas
mediante 𝑆(𝑛) = (𝑠1(𝑛),… , 𝑠𝑛𝐶(𝑛)), el número total de patrones disponibles es
𝑁.
Regla 𝚫
Los pasos que deben seguirse durante el aprendizaje son (Isasi Viñuela &
Galván León, 2008):
Paso 1: Inicializar los pesos y umbrales de la red. Normalmente aleatoria y con
valores próximos a cero.
Paso 2: Tomar un patrón 𝑛 del conjunto de entrenamiento (𝑋(𝑛), 𝑆(𝑛)) . La
entrada 𝑋(𝑛) se propaga hacia la salida y se obtiene 𝑌(𝑛).
Paso 3: Evaluar el error cuadrático medio cometido por la red entre la salida
𝑌(𝑛) y la salida deseada 𝑆(𝑛).
Paso 4: Corregir los pesos y umbrales de la red con la información del error y
mediante la aplicación de la regla delta generalizada.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 144
Paso 4.1 Calcular el valor 𝛿 para todas las neuronas de la capa de
salida.
Paso 4.2 Calcular el valor 𝛿 para el resto de neuronas de la red
comenzando desde la última capa oculta, retropropagando los valores
hacia la capa de entrada.
Paso 4.3 Modificar los pesos y umbrales de la red.
Paso 5: Repetir los pasos 2, 3 y 4 para todos los patrones de entrenamiento
hasta completar una iteración de aprendizaje.
Paso 6: Evaluar el error total E cometido por la red.
Paso 7: Repetir los pasos 2, 3, 4, 5 y 6 hasta que se alcance el mínimo del
error de entrenamiento, realizando 𝑚 iteraciones de aprendizaje.
El proceso de aprendizaje finalizará cuando la reducción del error que produce
la variación de los pesos y umbrales sea despreciable, que analíticamente se
escribe: 𝜕𝐸
𝜕𝑤≈ 0.
6.2.3 Algoritmo de retropropagación
A continuación se va a realizar una descripción del algoritmo de aprendizaje.
Se trata de un aprendizaje supervisado. Se denomina de retropopagación
porque se parte del error en la capa de salida y se va retropropagando a las
capas anteriores ajustando los valores de los parámetros de la red.
El error de la red al presentarle el patrón 𝑛 es el error medio cuadrito de la
diferencia entre la salida obtenida y la salida deseada. Se representa mediante
la expresión:
𝑒(𝑛) =1
2∑(𝑠𝑖(𝑛) − 𝑦𝑖(𝑛))
2
𝑛𝐶
𝑛=1
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 145
Cuando se trata del error total de la red es la suma del error de todos los
patrones, y viene representado por la siguiente expresión:
𝐸 =1
𝑁∑𝑒(𝑛)
𝑁
𝑛=1
Donde 𝑌(𝑛) = (𝑦1(𝑛), … , 𝑦𝑛𝐶(𝑛)) representa el vector de salida de la red para el
patrón 𝑛 y 𝑆(𝑛) = (𝑠1(𝑛),… , 𝑠𝑛𝐶(𝑛)) el vector de salidas deseadas para el
mismo patrón 𝐸.
Aunque el aprendizaje debe realizarse para minimizar el error total 𝐸 , no
obstante, también se puede realizar sobre el error de cada patrón 𝑒(𝑛).
Este tipo de aprendizaje trata de buscar el mínimo de la función error. Para ello
se utiliza la técnica del descenso del gradiente de la función error. Cuando se
aplica sobre el error de cada patrón, 𝑒(𝑛) se conoce como método del
descenso del gradiente estocástico. Por lo tanto cada parámetro de la red, 𝑤,
se modifica según la siguiente expresión, conocida como regla delta
generalizada:
𝑤(𝑛) = 𝑤(𝑛 − 1) − 𝛼𝜕𝑒(𝑛)
𝜕𝑤
Es decir el parámetro para el actual patrón (𝑤(𝑛)), será el valor del parámetro
para el patrón anterior (𝑤(𝑛 − 1)) menos la variación del error debido a la
modificación del parámetro (𝜕𝑒(𝑛)
𝜕𝑤), ponderada por la tasa de aprendizaje 𝛼.
La tasa o razón de aprendizaje influye de manera directa en la convergencia
del algoritmo de aprendizaje, al determinar la distancia que se desplaza el
algoritmo en el descenso de gradiente buscando el mínimo. Aunque parece
lógico relacionar una tasa de aprendizaje alta con una convergencia rápida,
esto no es así, ya que una tasa demasiado alta puede hacer que el algoritmo
oscile alrededor de un mínimo o que incluso un mínimo pase desapercibido y
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 146
el algoritmo se lo salte. Por el contrario valores muy pequeños van a dar una
gran precisión, pero la convergencia es muy lenta.
Para solucionar este asunto los autores Rumelhart, et al. (1986) propusieron
incluir un término que incluyera información sobre la inercia del algoritmo.
Dicho término, se conoce como momento y viene representado por la siguiente
expresión:
𝜂 ∗ Δ𝑤(𝑛 − 1)
Donde 𝜂 es un número positivo que controla la importancia que se le dio al
incremento anterior del parámetro 𝑤. El término Δ𝑤(𝑛 − 1) = 𝑤(𝑛 − 1) − 𝑤(𝑛 −
2) representa el incremento que sufrió el parámetro en la iteración anterior.
Por lo tanto la expresión general incluyendo el término de momento sería la
siguiente:
𝑤(𝑛) = 𝑤(𝑛 − 1) − 𝛼𝜕𝑒(𝑛)
𝜕𝑤+ 𝜂 ∗ Δ𝑤(𝑛 − 1)
En su aplicación hay que destacar dos casos diferenciados:
Caso 1: Pesos de la capa oculta 𝐶 − 1 a la capa de salida y los umbrales
de la capa de salida
Caso 2: Resto de pesos y umbrales de la red, es decir de la capa 𝑐 a la
capa 𝑐 + 1 y umbrales de las neuronas de la capa 𝑐 + 1 para 𝑐 =
1, 2, … , 𝐶 − 2.
Para el primer caso, la regla se aplicará sobre el parámetro 𝑤𝑗𝑖𝐶−1(𝑛) , que
representa el peso de la conexión de la neurona 𝑗 de la capa 𝐶 − 1 a la
neurona de la capa 𝑖 de la capa de salida. Se obtiene la siguiente expresión:
𝑤𝑗𝑖𝐶−1(𝑛) = 𝑤𝑗𝑖
𝐶−1(𝑛 − 1) − 𝛼𝜕𝑒(𝑛)
𝜕𝑤𝑗𝑖𝐶−1
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 147
Tras calcular cada uno de los términos de la anterior expresión se obtiene la
expresión particularizada para este caso, la cual se presenta a continuación
(Isasi Viñuela & Galván León, 2008):
𝑤𝑗𝑖𝐶−1(𝑛) = 𝑤𝑗𝑖
𝐶−1(𝑛 − 1) + 𝛼 ∗ 𝛿𝑖𝐶(𝑛) ∗ 𝑎𝑗
𝐶−1(𝑛)
para 𝑗 = 1, 2, … , 𝑛𝐶−1 y 𝑖 = 1, 2, … , 𝑛𝐶 . De esa expresión se deduce que para
modificar el peso sináptico es necesario considerar sólo la tasa de aprendizaje
(𝛼), el término 𝛿 de la neurona a la cual llega la conexión, que contiene el error
de la red, y por último la activación de la neurona de la que parte la conexión
Esta misma ley puede generalizarse para los umbrales de las neuronas que se
tratan como una conexión más con entrada constante e igual a 1.La expresión
para los umbrales quedaría de la siguiente forma:
𝑢𝑖𝐶(𝑛) = 𝑢𝑖
𝐶(𝑛 − 1) + 𝛼 ∗ 𝛿𝑖𝐶(𝑛), 𝑝𝑎𝑟𝑎 𝑖 = 1, 2, … , 𝑛𝐶
A continuación se va a plantear el mismo razonamiento para el segundo de los
casos planteados, es decir, la actualización de los parámetros para el resto de
las capas. Se va a exponer para las capas 𝐶 − 2 y 𝐶 − 1, y para ello se coje un
peso al azar denotado por 𝑤𝑘𝑗𝐶−2, que representa el peso de la neurona 𝑘 de la
capa 𝐶 − 2 a la neurona 𝑗 de la capa 𝐶 − 1. Utilizando la misma expresión del
descenso del gradiente para este caso se obtiene la expresión siguiente:
𝑤𝑘𝑗𝐶−2(𝑛) = 𝑤𝑘𝑗
𝐶−2(𝑛 − 1) − 𝛼𝜕𝑒(𝑛)
𝜕𝑤𝑘𝑗𝐶−2
Como ocurría en el caso anterior, tras calcular cada uno de los términos por
separado se llega a la siguiente expresión (Isasi Viñuela & Galván León, 2008):
𝑤𝑘𝑗𝐶−2(𝑛) = 𝑤𝑘𝑗
𝐶−2(𝑛 − 1) + 𝛼 ∗ 𝛿𝑗𝐶−1(𝑛) ∗ 𝑎𝑘
𝐶−2(𝑛)
para 𝑘 = 1, 2, … , 𝑛𝐶−2 y 𝑗 = 1, 2, … , 𝑛𝐶−1.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 148
La expresión anterior es aplicable sólo a las neuronas de la capa 𝐶 − 2 y 𝐶 − 1.
Pero se puede escribir de la manera que se generalice para todas los casos de
la capa 𝑐 a la capa 𝑐 + 1, ∀ 𝑐 = 1, 2, … , 𝐶 − 2
𝑤𝑘𝑗𝑐 (𝑛) = 𝑤𝑘𝑗
𝑐 (𝑛 − 1) + 𝛼 ∗ 𝛿𝑗𝑐+1(𝑛) ∗ 𝑎𝑘
𝑐(𝑛)
para 𝑘 = 1, 2, … , 𝑛𝑐 , 𝑗 = 1, 2, … , 𝑛𝑐+1 y 𝑐 = 1, 2, … , 𝐶 − 2
El término 𝛿𝑗𝑐+1(𝑛) viene dado por la siguiente expresión (Isasi Viñuela &
Galván León, 2008):
𝛿𝑗𝑐+1(𝑛) = 𝑓′(
∑ 𝑤𝑘𝑗𝑐 ∗𝑎𝑘
𝑐+𝑢𝑗𝑐𝑛𝑐
𝑘=1 ) ∗ ∑ 𝛿𝑖𝑐+2(𝑛) ∗ 𝑤𝑗𝑖
𝑐
𝑛𝑐+1
𝑖=1
Si se generaliza y se aplica a los umbrales de la red, haciendo que la entrada
sea constante e igual a 1 se obtiene la siguiente expresión:
𝑢𝑗𝑐+1(𝑛) = 𝑢𝑗
𝑐+1(𝑛 − 1) + 𝛼 ∗ 𝛿𝑗𝑐+1(𝑛)
para 𝑗 = 1, 2, … , 𝑛𝑐+1 y 𝑐 = 1, 2, … , 𝐶 − 2
6.2.4 Evaluación de la capacidad de generalización
Una vez que ha finalizado la etapa de aprendizaje y se han ajustado todos los
pesos sinápticos y umbrales para obtener con una precisión determinada la
salida deseada para un patrón de entrada determinado, hay que evaluar la
capacidad de generalización de la red neuronal, utilizando patrones de entrada
diferentes a los de la etapa de entrenamiento.
Una red que ha aprendido de manera correcta, pero que no es capaz de
responder ante patrones nuevos de manera adecuada, no es útil para el
problema objeto de estudio. Durante el entrenamiento la red no sólo ha tenido
que ajustar los parámetros sino que ha debido de ser capaz de extraer las
características de las muestras para poder utilizarlas posteriormente ante
patrones nuevos. Esta capacidad se denomina capacidad de generalización.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 149
La estrategia que se suele utilizar para evaluar esta capacidad, es dividir la
muestra en dos conjuntos de patrones. El primer conjunto para entrenar la red,
y por eso se denomina conjunto de entrenamiento. Un segundo conjunto para
validar la red, que se denomina conjunto de validación.
La distribución de los patrones en los dos conjuntos debe ser aleatoria para no
introducir ningún sesgo.
Según los autores Viñuela y Galván (2008) debe presentarse cada cierto
número de iteraciones los patrones del conjunto de validación a la red y
monitorizar el error de generalización de la red, en paralelo al error de
entrenamiento. Este estudio doble también va a condicionar el momento de
parada del entrenamiento.
Pueden darse dos situaciones al evaluar ambos errores de manera conjunta.
La primera de ellas es que los dos decrezcan y permanezcan estables, en cuyo
caso el aprendizaje habrá terminado puesto que el error de entrenamiento
muestra que los parámetros están ajustados y la red ha aprendido, y el error de
validación muestra que la red está dotada de la capacidad de generalización.
La segunda situación en la que el error de aprendizaje decrezca y permanezca
estable y el error de validación crezca o no permanezca estable. En esta
segunda situación se ha producido un sobreaprendizaje, es decir, la red ha
ajustado de manera precisa los parámetros de la red en detrimento de la
capacidad de generalización. Cuando se dan estas situaciones hay que
detener el aprendizaje cuando el error de validación comienza a crecer o deja
de ser estable.
El sobreaprendizaje puede tener diferentes orígenes. Puede deberse a
demasiados ciclos de aprendizaje o a la utilización de demasiadas neuronas en
las capas ocultas.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 150
6.2.5 Limitaciones del algoritmo de aprendizaje
Aunque es algoritmo de aprendizaje es fiable y potente, hay que conocer
también las limitaciones que posee para aplicarlo correctamente y no introducir
ningún sesgo en los resultados del problema objeto de estudio. Las principales
limitaciones son las siguientes (Isasi Viñuela & Galván León, 2008):
Mínimos locales – Este algoritmo construye una superficie de error y
busca a través de ella por el método de descenso del gradiente el
mínimo. Dicho mínimo es el mínimo global. En alguna ocasión este
algoritmo puede detenerse en algún mínimo local interpretando que se
trata de un mínimo global. Para evitar este problema se propone
aumentar el número de neuronas ocultas para que la red tenga más
parámetros libres y el problema pueda estar mejor representado.
También sugieren utilizar una razón de aprendizaje decreciente con el
número de iteraciones, utilizar otra inicialización de los parámetros o
incluir ruido en el método con objeto de sacar el algoritmo de ese posible
mínimo local y que busque por otros lugares de la superficie, de tal
forma que si vuelve al mismo mínimo se trata de un mínimo global y no
local.
Parálisis – Este efecto se produce cuando la entrada total a una neurona
toma valores muy altos, pudiendo ser tanto positivos como negativos.
Dado que las funcione de activación normalmente poseen asíntotas,
cuando una neurona recibe una entrada muy alta, se satura y la función
de activación devuelve un valor de activación máximo o mínimo. Cuando
esto ocurre los parámetros de la red permanece inalterados y la suma
de los errores locales constante en el tiempo, por lo que puede presentar
síntomas de haber alcanzado un mínimo cuando no es así. Se sugiera
para solucionar este efecto comenzar con valores iniciales aleatorios
cercanos a cero.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 151
PARTE III DESARROLLO DEL MODELO Y REVISIÓN
BIBLIOGRÁFICA
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 152
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 153
CAPITULO 7 DESARROLLO Y ESPECIFICACIÓN DEL
MODELO
En el presente trabajo se pretenden falsar una serie de hipótesis de partida, así
como identificar y presentar las serendipias que aparezcan. A tenor de los
objetivos expuestos, se van a realizar una revisión de los diferentes conceptos
y variables para operacionalizarlos, que se utilizan en relación a la estructura
de la empresa, entendida como estructura de activos, estructura de liquidez y
estructura de capital, así como del rendimiento de la misma. Por último se va a
esbozar el concepto de resiliencia empresarial. La metodología que se ha
seguido en este punto es la revisión bibliográfica en bases de datos
especializadas (por ejemplo, Elsevier ®, ScienceDirect ®, Springer ®, Web Of
Knowledge ®, Scopus ®, ProQuest ®….) buscando por las palabras clave de
cada uno de los conceptos o constructos mencionados.
7.1 MODELO DE MEDICIÓN DE “EFECTO DE LA EMPRESA”
Los autores Kayo y Kimura (2011) en su trabajo estudian el efecto entre otros
de la empresa en su estructura de capital. Para dicho estudio toman como
variables independientes para medir el constructo “Firm-level” las siguientes:
Variable Definición
Oportunidades de
crecimiento
(𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 − 𝑑𝑒𝑢𝑑𝑎 𝑓𝑖𝑛𝑎𝑛𝑐𝑖𝑒𝑟𝑎 + 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑟𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠)
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Rentabilidad 𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Distancia a la
bancarrota
(modelo de
Altman)
3,3 (𝐸𝐵𝐼𝑇
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠) + 1,0 (
𝑉𝑒𝑛𝑡𝑎𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠) + 1,4 (
𝐵º 𝑅𝑒𝑡𝑒𝑛𝑖𝑑𝑜
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠) + 1,2 (
𝐹𝑜𝑛𝑑𝑜 𝑚𝑎𝑛𝑖𝑜𝑏𝑟𝑎
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠)
Tamaño log(𝑉𝑒𝑛𝑡𝑎𝑠)
Tangilibidad 𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Fuente: (Kayo & Kimura, 2011)
Tabla 8 Variables de medición del efecto de la empresa de Kayo y Kimura (2011)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 154
Estos mismos autores utilizan las teorías de coste de oportunidad (trade-off
theory), agencia y jerarquía de preferencias de financiación (pecking order
theory) para dar soporte teórico a dichos indicadores como representantes de
los efectos de la empresa.
Muradoglu y Sivaprasad (2012) estudian en su trabajo sobre la relación de la
estructura de capital y el desempeño/rendimiento de la empresa, y el papel que
juega la industria en la misma, utilizan para operacionalizar el efecto de la
empresa la siguiente variable referenciada en la tabla 9:
Variable Definición
Tamaño de la
empresa 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎
Fuente: (Muradoglu & Sivaprasad, 2012)
Tabla 9 Variables de medición del efecto de la empresa de Muradoglu y Sivaprasad (2012)
Los autores King y Santor (2008) analizan en su trabajo el efecto de la
estructura de propiedad en el rendimiento/desempeño de la empresa, así como
sobre su estructura de capital. La muestra seleccionada para el estudio
comprende 613 empresas Canadienses con datos entre los años 1998 y 2005.
Plantean también el efecto que las características de la firma tienen sobre
estas relaciones. Las variables utilizadas en este factor son las de la tabla 10:
Variable Definición
Tamaño de la
empresa 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎
Crecimiento de
las ventas
(𝑉𝑒𝑛𝑡𝑎𝑠)𝑡 − (𝑉𝑒𝑛𝑡𝑎𝑠)𝑡−1(𝑉𝑒𝑛𝑡𝑎𝑠)𝑡−1
Índice Q de Tobin
de la industria 𝑄 𝑑𝑒 𝑇𝑜𝑏𝑖𝑛)𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎
Edad 𝐴ñ𝑜 𝑎𝑐𝑡𝑢𝑎𝑙 − 𝐴ñ𝑜 𝑓𝑢𝑛𝑑𝑎𝑐𝑖ó𝑛
Pertenencia al
índice TSE300 {1 𝑠𝑖0 𝑛𝑜
Fuente: (King & Santor, 2008)
Tabla 10 Variables de medición del efecto de la empresa de King y Santor (2008)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 155
Los investigadores Margaritis y Psillaki (2010) en su artículo presentan la
relación entre la estructura de capital, el rendimiento/desempeño de la empresa
y la estructura de propiedad. Utilizan una muestra de empresas de tres
sectores (Químico, informático e I+D, textil), todas ellas francesas y entre los
años 2002-2005. En el estudio de dicha relación incluyen variables para
evaluar el efecto de la empresa en dicha relación, estas variables son las de la
tabla 11:
Variable Definición
Rentabilidad 𝐸𝐵𝐼𝑇
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Tamaño log (𝑉𝑒𝑛𝑡𝑎𝑠)
Estructura de
activos
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑖𝑒𝑛𝑡𝑒𝑠 𝑡𝑎𝑛𝑔𝑖𝑏𝑙𝑒𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑖𝑛𝑡𝑎𝑛𝑔𝑖𝑏𝑙𝑒𝑠
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
Oportunidades de
crecimiento
(𝑉𝑒𝑛𝑡𝑎𝑠)𝑡 − (𝑉𝑒𝑛𝑡𝑎𝑠)𝑡−1(𝑉𝑒𝑛𝑡𝑎𝑠)𝑡−1
Estructura de
propiedad
𝐴𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑟𝑜𝑝𝑖𝑒𝑡𝑎𝑟𝑖𝑜𝑖𝐴𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠 𝑒𝑚𝑝𝑟𝑒𝑠𝑎
Tipo de
propiedad {𝐹𝑎𝑚𝑖𝑙𝑖𝑎𝑟 𝐼𝑛𝑠𝑡𝑖𝑡𝑢𝑐𝑖ó𝑛 𝑓𝑖𝑛𝑎𝑛𝑐𝑖𝑒𝑟𝑎𝑂𝑡𝑟𝑜𝑠 𝑡𝑖𝑝𝑜𝑠
Fuente: (Margaritis & Psillaki, 2010)
Tabla 11 Variables de medición del efecto de la empresa de Margaritis y Psillaki (2010)
Campello (2006) en su análisis sobre el efecto de la deuda sobre el
desempeño/rendimiento de las empresas utiliza una variable de control
relacionada con las características de la empresa. Mediante esta variable
pretende incluir el efecto de la empresa en la relación causal. Dicha variable es:
Variable Definición
Tamaño de la
empresa 𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Fuente: (Campello, 2006)
Tabla 12 Variables de medición del efecto de la empresa de Campello (2006)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 156
Los autores Caloghirou, et al. (2004) en su trabajo evalúan la relación entre la
industria, así como las características propias de la empresa en su
rendimiento/desempeño. Para ello utilizan una muestra de 1800 empresas
pertenecientes a diversos sectores productivos. Entre los resultados que han
obtenido falsan la relación positiva entre los efectos de empresa y de la
industria sobre el rendimiento/desempeño de las empresas. Siendo más
representativo para la muestra estudiada el efecto de la empresa que el de la
industria. Esta relación es válida tanto en PYMEs como en empresas de mayor
tamaño. Estos autores utilizan la visión tradicional de la Organización Industrial
para analizar esta relación, dicha óptica se basa en factores como por ejemplo
la concentración de la industria, las barreras de entrada, el ciclo de vida de la
industria. Bajo esta visión y haciendo uso de la cláusula ceteris paribus, es
decir, aislando el resto de efectos, y asumiendo que sólo este tiene variación, el
rendimiento/desempeño de las empresas estaría marcado por el atractivo y la
estructura de la industria.
Para operacionalizar el constructo denominado efecto de empresa, utilizan una
serie de variables que a continuación se relacionan en la tabla 13:
Activos de la empresa
Variable Definición
Marketing
𝑅𝑒𝑝𝑢𝑡𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑙𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜/𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜
𝐼𝑚𝑎𝑔𝑒𝑛 𝑑𝑒 𝑚𝑎𝑟𝑐𝑎
𝑂𝑟𝑔𝑎𝑛𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑑𝑒𝑝𝑎𝑟𝑡𝑎𝑚𝑒𝑛𝑡𝑜 𝑑𝑒 𝑚𝑎𝑟𝑘𝑒𝑡𝑖𝑛𝑔
Producción
𝑀𝑒𝑗𝑜𝑟𝑎 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑝𝑟𝑜𝑐𝑒𝑠𝑜𝑠
𝑀𝑒𝑗𝑜𝑟𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑒𝑞𝑢𝑖𝑝𝑜𝑠 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑖𝑣𝑜𝑠
𝐺𝑟𝑎𝑑𝑜 𝑑𝑒 𝑎𝑢𝑡𝑜𝑚𝑎𝑡𝑖𝑧𝑎𝑐𝑖ó𝑛, 𝑜𝑟𝑔𝑎𝑛𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑦 𝑐𝑜𝑜𝑟𝑑𝑖𝑛𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑟𝑜𝑑.
Tecnología
𝐷𝑒𝑝𝑎𝑟𝑡𝑎𝑚𝑒𝑛𝑡𝑜 𝑒𝑓𝑖𝑐𝑎𝑧 𝑑𝑒 𝐼 + 𝐷
𝐶𝑜𝑜𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛 𝑐𝑜𝑛 𝑢𝑛𝑖𝑣𝑒𝑟𝑠𝑖𝑑𝑎𝑑𝑒𝑠/𝑖𝑛𝑠𝑡𝑖𝑡𝑢𝑡𝑜𝑠 𝑑𝑒 𝑖𝑛𝑣𝑒𝑠𝑡𝑖𝑔𝑎𝑐𝑖ó𝑛
𝑇𝑟𝑎𝑛𝑠𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑡𝑒𝑐𝑛𝑜𝑙𝑜𝑔í𝑎
Finanzas
𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑒𝑛𝑑𝑒𝑢𝑑𝑎𝑚𝑖𝑒𝑛𝑡𝑜
𝐺𝑒𝑠𝑡𝑖ó𝑛 𝑒𝑓𝑖𝑐𝑎𝑟 𝑑𝑒𝑙 𝑒𝑓𝑒𝑐𝑡𝑖𝑣𝑜
𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑟𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠 𝑝𝑎𝑟𝑎 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟 𝑛𝑢𝑒𝑣𝑎𝑠 𝑖𝑛𝑣𝑒𝑟𝑠𝑖𝑜𝑛𝑒𝑠
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 157
Capacidades dinámicas
Variable Definición
Coordinación/
integración
𝐼𝑛𝑡𝑒𝑔𝑟𝑎𝑐𝑖ó𝑛 𝑦 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑟𝑜𝑐𝑒𝑠𝑜𝑠
𝐼𝑛𝑐𝑜𝑟𝑝𝑜𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎𝑠 ú𝑙𝑡𝑖𝑚𝑎𝑠 ℎ𝑒𝑟𝑟𝑎𝑚𝑖𝑒𝑛𝑡𝑎𝑠 𝑦 𝑡é𝑐𝑛𝑖𝑐𝑎𝑠 𝑑𝑒 𝑔𝑒𝑠𝑡𝑖ó𝑛
𝐼𝑚𝑝𝑙𝑒𝑚𝑒𝑛𝑡𝑎𝑐𝑖ó𝑛 𝑠𝑖𝑠𝑡𝑒𝑚á𝑡𝑖𝑐𝑎 𝑑𝑒𝑙 𝑝𝑙𝑎𝑛 𝑑𝑒 𝑛𝑒𝑔𝑜𝑐𝑖𝑜
Aprendizaje
𝑇𝑟𝑎𝑏𝑎𝑗𝑜 𝑒𝑛 𝑒𝑞𝑢𝑖𝑝𝑜
𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟 "𝑜𝑛 − 𝑡ℎ𝑒 − 𝑗𝑜𝑏 − 𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔"
𝑀𝑜𝑛𝑖𝑡𝑜𝑟𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑒𝑛𝑡𝑜𝑟𝑛𝑜
𝐼𝑛𝑡𝑒𝑟𝑐𝑎𝑚𝑏𝑖𝑜 𝑑𝑒 𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑐𝑖ó𝑛 𝑐𝑜𝑛 𝑙𝑜𝑠 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑦 𝑠𝑢𝑚𝑖𝑛𝑖𝑠𝑡𝑟𝑎𝑑𝑜𝑟𝑒𝑠
Transformación
𝐶𝑎𝑚𝑏𝑖𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑎 𝑑𝑒 𝑎𝑐𝑡𝑖𝑣𝑜𝑠
𝐴𝑑𝑎𝑝𝑡𝑎𝑐𝑖ó𝑛 𝑎 𝑙𝑜𝑠 𝑐𝑎𝑚𝑏𝑖𝑜𝑠 𝑑𝑒 𝑙𝑎𝑠 𝑛𝑒𝑐𝑒𝑠𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎 𝑎 𝑙𝑜𝑠 𝑚𝑜𝑣𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑜𝑚𝑝𝑒𝑡𝑖𝑑𝑜𝑟𝑒𝑠
Fuente: (Caloghirou, et al., 2004)
Tabla 13 Variables de medición del efecto de la empresa de Caloghirou, et al. (2004)
Munisi y Randoy (2013) estudian la relación entre el gobierno corporativo y el
rendimiento/desempeño de las empresas. La muestra de su estudio utiliza 434
empresas correspondientes a 10 países subsaharianos, entre los años 2005 y
2009. Proponen que empresas de gran tamaño tienen un mejor
rendimiento/desempeño por optar a las economías de escala, aunque hay que
eliminar el efecto negativo que les confiere las estructuras más pesadas.
Utilizan como variables de control para caracterizar el factor empresa las
mostradas en la tabla 14:
Variable Definición
Tamaño de la
empresa log(𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠)
Apalancamiento
financiero
(leverage)
𝑉𝑎𝑙𝑜𝑟 𝑒𝑛 𝑙𝑖𝑏𝑟𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑑𝑒𝑢𝑑𝑎 𝑡𝑜𝑡𝑎𝑙
𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎
Rentabilidad 𝑄 𝑑𝑒 𝑇𝑜𝑏𝑖𝑛
Crecimiento de
las ventas
(𝑉𝑒𝑛𝑡𝑎𝑠)𝑡 − (𝑉𝑒𝑛𝑡𝑎𝑠)𝑡−1(𝑉𝑒𝑛𝑡𝑎𝑠)𝑡−1
Fuente: (Munisi & Randoy, 2013)
Tabla 14 Variables de medición del efecto de la empresa de Munisi y Randoy (2013)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 158
Los autores Morgan, et al. (2009) estudian el efecto de la posesión de las
capacidades de orientación al mercado y marketing de las organizaciones
afectan a su rendimiento. Para ello utilizan una muestra de 231 empresas
estadounidenses de varios sectores. Para categorizar y como variables de
control de la heterogeneidad de las empresas y de las industrias utilizan las
siguientes mostradas enla tabla 15:
Variable Definición
Intensidad de la
competencia 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑜𝑚𝑝𝑒𝑡𝑖𝑑𝑜𝑟𝑒𝑠)𝑡
Sector de
pertenencia {𝑃𝑟𝑖𝑚𝑎𝑟𝑖𝑜 𝑆𝑒𝑐𝑢𝑛𝑑𝑎𝑟𝑖𝑜𝑇𝑒𝑟𝑐𝑖𝑎𝑟𝑖𝑜
Tamaño de la
empresa 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠)𝑡
Disponibilidad de
liquidez 𝐹𝑙𝑢𝑗𝑜𝑠 𝑑𝑒 𝑐𝑎𝑗𝑎 𝑑𝑒𝑙 𝑏𝑎𝑙𝑎𝑛𝑐𝑒)𝑡
Fuente: (Morgan, et al., 2009)
Tabla 15 Variables de medición del efecto de la empresa de Morgan, et al. (2009)
Los autores Madrid-Guijarro, et al. (2011) en su trabajo sobre la desaceleración
de las empresas españolas proponen una serie de variables de control que
podrían ser aplicables a esta tesis doctoral. Dichas variables son las mostradas
en la tabla 16:
Variable Definición
Tamaño 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠)𝑡
Crecimiento 𝑉𝑒𝑛𝑡𝑎𝑠𝑡 − 𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1
𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1
Edad 𝐴ñ𝑜 𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑎ñ𝑜 𝑑𝑒 𝑓𝑢𝑛𝑑𝑎𝑐𝑖ó𝑛
Fuente: (Madrid-Guijarro, et al., 2011)
Tabla 16 Variables de medición del efecto de la empresa de Madrid-Guijarro, et al. (2011)
Wang, et al. (2013) en su artículo que estudia la relación causal entre la
medición del funcionamiento de la empresa y su rendimiento proponen como
variables de control las relacionadas en la tabla 17:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 159
Variable Definición
Tamaño 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠)𝑡
ROS (Return on
sales)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑉𝑒𝑛𝑡𝑎𝑠
PER (Price-to-
earning ratio)
𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑝𝑜𝑟 𝑎𝑐𝑐𝑖ó𝑛
𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜𝑠 𝑝𝑜𝑟 𝑎𝑐𝑐𝑖ó𝑛
Fuente: (Wang, et al., 2013)
Tabla 17 Variables de medición el efecto de la empresa de Wang, et al. (2013)
Los autores Liargovas y Skandalis (2010) han determinado la existencia de una
serie de factores no financieros que afectan el rendimiento de las empresas.
Dichos factores en el modelo de esta tesis doctoral corresponden a variables
de control. A continuación se detallan los mismos en la tabla18:
Variable Definición
Tamaño 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠)𝑡
Edad 𝐴ñ𝑜 𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑎ñ𝑜 𝑑𝑒 𝑓𝑢𝑛𝑑𝑎𝑐𝑖ó𝑛
Localización 𝐴𝑟𝑒𝑎 𝑔𝑒𝑜𝑔𝑟á𝑓𝑖𝑐𝑎
Exportaciones 𝑉𝑜𝑙𝑢𝑚𝑒𝑛 𝑒𝑥𝑝𝑜𝑟𝑡𝑎𝑑𝑜)𝑡
Fuente: (Liargovas & Skandalis, 2010)
Tabla 18 Variables de medición del efecto de la empresa de Liargovas y Skandalis (2010)
Los investigadores Delen, el al. (2013) en su trabajo mencionan el efecto del
tamaño de la empresa en el desempeño y/o funcionamiento de la empresa.
Para caracterizarla utilizan la variable que se muestra en la tabla 19
Variable Definición
Tamaño 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠)𝑡
Fuente: (Delen, et al., 2013)
Tabla 19 Variables de medición del efecto de la empresa de Delen, et al. (2013)
Mallick y Yang (2011) utilizan el tamaño de la empresa como variable de
control para su estudio de la influencia de la estructura de capital de la empresa
en su desempeño. La variable utilizada se muestra en la tabla 20:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 160
Variable Definición
Tamaño 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠)𝑡
Fuente: (Mallick & Yang, 2011)
Tabla 20 Variable de medición del efecto de la empresa de Mallick y Yang (2011)
Los autores Krishnan y Moyer (1997) en su trabajo sobre la relación entre la
estructura de capital y el desempeño/rendimiento de la empresa y la influencia
del país sobre la misma, han planteado el efecto que tienen las características
de la empresa sobre su rendimeinto/desempeño. En particular utilizan las
siguientes variables, relacionadas en la tabla 21:
Variable Definición
Crecimiento 𝑉𝑒𝑛𝑡𝑎𝑠𝑡 − 𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1
𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1
Tamaño log (𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠)
Fuente: (Krishnan & Moyer, 1997)
Tabla 21 Variables de medición del efecto de la empresa de Krishnan y Moyer (1997)
Los autores Goddard, et al. (2009) estudian el efecto que tienen los efectos del
país, industria, grupo de pertenencia y de la empresa sobre el
rendimiento/desempeño de la empresa. Las muestras que utilizan
corresponden a empresas de 11 países de la Unión Europea, una de 13827
empresas y la otra de 7211. De todos estos efectos el más significativo para
esta muestra es el efecto de la empresa sobre su rendimiento/desempeño.
Para analizar este efecto utilizan el enfoque basado en los recursos (Resource-
Based View o RBV). Bajo esta óptica la empresa en función de los recursos y
capacidades, así como la gestión que haga de las mismas influye sobre el
rendimiento/desempeño de la misma.
El investigador Arend (2009) estudia los efectos de la industria y de las
características de empresa sobre su rendimiento/desempeño. Emplea una
muestra de 16918 empresas pertenecientes a 396 industrias entre los años
1998 y 2000. Para la muestra utilizada ha falsado que el efecto de las
características de la empresa tiene una mayor significación que el de la
industria, sobre el rendimiento/desempeño de las empresas. Aunque propone
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 161
que es estudio de ambos efectos debe ser llevado a cabo de manera conjunta
el existir sinergias entre ambos. Es decir el efecto total no es la suma del efecto
aislado de cada uno de ellos. La revisión bibliográfica que ha realizado el autor
se ha basado fundamentalmente en la óptica basada en recursos y
capacidades (Resource-Based View ó RBV). La ventaja competitiva y el mejor
rendimiento/desempeño están influenciados por los recursos y capacidades
que posee la empresa, así como la gestión que realiza de los mismos.
Los autores Claver, et al. (2002) en su trabajo analizan el efecto de la empresa
y de la industria sobre el rendimiento/desempeño de la empresa. Dicho
rendimiento hace referencia a la rentabilidad. Utilizan una muestra de 679
empresas españolas pertenecientes a 100 industrias diferentes, entre los años
1994-1998. El resultado han obtenido falsa que para la muestra utilizada
ambos efectos (empresa e industria) afectan al rendimiento/desempeño de la
empresa, si bien es más significativo es de la empresa. Estos autores también
se apoyan en la corriente de la teoría de recursos y capacidades (Resource-
Based View o RBV) de las empresas para argumentar teóricamente las
relaciones que falsan en su trabajo. Si varias empresas operan en la misma
industria y en el mismo país, y aun así el rendimiento/desempeño que obtienen
difiere, es debido a factores relacionados con la propia empresa (Posesión y
gestión de los recursos y capacidades).
Hawawini, et al. (2004) en su trabajo analizan el efecto de empresa, industria,
país, industria-país, año, país-año e industria año, sobre el
rendimiento/desempeño de la empresa. Utilizan una muestra de 1314
empresas correspondientes a 6 países de varios sectores industriales entre los
años 1993-1996. Los resultados que han obtenido indican que la importancia
del efecto del país sobre el rendimiento/desempeño es baja, siendo en cambio
el efecto de la empresa el que más influencia tiene; y por último en orden de
importancia estaría el efecto de la industria. Adicionalmente también han
obtenido como resultado que los efectos de la industria están cobrando cada
vez más importancia en detrimento de los efectos del país sobre el
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 162
rendimiento/desempeño de las empresas. Utilizan como fundamento teórico
para argumentar la relación existente entre el efecto de la industria y el
rendimiento/desempeño de las empresas las teorías de la Organización
Industrial, relacionadas con el atractivo de la industria como planteó Michael
Porter (1980) a través del modelo de las cinco fuerzas.
Eriksen y Knudsen (2003) en su artículo analizan la relación existente entre el
efecto de la industria y el rendimiento/desempeño de la empresa a través de su
rentabilidad. La muestra que utilizan para su trabajo está formada por 9809
PYMEs danesas. La principal aportación de este trabajo es la falsación de la
hipótesis de que la interacción entre la empresa y la industria afectan al
rendimiento/desempeño financiero de la empresa.
En base a la revisión bibliográfica realizada, a las entrevistas realizadas con
personal académico y profesional del sector aeroespacial tanto en India como
en España se van a incluir en el modelo como variables descriptivas de la
empresa las mostradas en la figura 73:
Efecto de la
empresa
X1 = Company age
X2 = Company size
X3 =Value chan position
X4 =Infra.&Resour. Intsty.
Fuente: Elaboración propia
Figura 73 Variables de medición del efecto de la empresa del modelo
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 163
La operacionalización de cada una de ellas es la siguiente:
𝑋1 = 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑎𝑔𝑒 = 2013 − 𝐴ñ𝑜 𝑑𝑒 𝑓𝑢𝑛𝑑𝑎𝑐𝑖ó𝑛
𝑋2 = 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑠𝑖𝑧𝑒 = 𝑉𝑒𝑛𝑡𝑎𝑠𝑡
𝐹𝑎𝑐𝑡𝑢𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎 𝑎𝑒𝑟𝑜𝑒𝑠𝑝𝑎𝑐𝑖𝑎𝑙𝑡
𝑋3 = 𝑉𝑎𝑙𝑢𝑒 𝑐ℎ𝑎𝑖𝑛 𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛
{
1 = 𝐼𝑛𝑔𝑒𝑛𝑖𝑒𝑟í𝑎
2 = 𝑀𝐴𝐼𝑇 (𝑀𝑎𝑛𝑢𝑓𝑎𝑐𝑡𝑢𝑟𝑖𝑛𝑔, 𝐴𝑠𝑠𝑒𝑚𝑏𝑙𝑦, 𝑇𝑒𝑠𝑡 & 𝐼𝑛𝑡𝑒𝑔𝑟𝑎𝑡𝑖𝑜𝑛) 3 = 𝑆𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠 4 = 𝑀𝑅𝑂 5 = 𝐼𝑛𝑔𝑒𝑛𝑖𝑒𝑟í𝑎 + 𝑀𝐴𝐼𝑇 + 𝑆𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠
6 = 𝐼𝑛𝑔𝑒𝑛𝑖𝑒𝑟í𝑎 + 𝑀𝐴𝐼𝑇 + 𝑆𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠 + 𝑀𝑅𝑂
𝑋4 = 𝐼𝑛𝑓𝑟𝑎𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑒 𝑎𝑛𝑑 𝑟𝑒𝑠𝑜𝑢𝑟𝑐𝑒 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦 =𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠𝑡
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠𝑡
No se va a tener en cuenta el número de empleados, puesto que esta variable
no es adecuada para el caso de India y España, al ser India un país intensivo
en mano de obra frente a España (más automatizado).
Asimismo se introduce una variable que no aparece en la literatura revisada
pero que para el estudio que se realiza es especialmente útil y relevante. Dicha
variable es la posición en la cadena de valor. Esta variable en principio puede
condicionar la estructura de liquidez, de activos, rendimiento…en función de los
eslabones de la cadena de valor al que pertenezcan las empresas. Va a
permitir hacer un estudio transversal y longitudinal por eslabón. Añade valor al
enfoque de esta tesis doctoral.
7.2 MODELO DE MEDICIÓN DE “ESTRUCTURA DE ACTIVOS”
Para analizar los estados financieros de las compañías pueden utilizarse
diferentes herramientas y métodos, aunque el más utilizado es el análisis
mediante KPIs (Key Performance Indicators) ó también conocidos como
Indicadores clave de funcionamiento.
Los autores Shue, et al. (2009) ponen de manifiesto en su artículo que existen
tres métodos para analizar los estados financieros: el análisis comparativo de
los estados financieros, el análisis de estados financieros del mismo tamaño y
el análisis de ratios. El primer método (análisis comparativo de los estados
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 164
financieros) hace una comparación de la magnitud del cambio y de la tendencia
de cada categoría individual. El segundo método (análisis de estados
financieros del mismo tamaño) trata de examinar la estructura interna de los
estados financieros analizando la proporción que representa un determinado
elemento con respecto a un grupo o subgrupo dentro de los estados
financieros. Tiene su objetivo puesto en determinar las fuentes de financiación,
así como la composición de las inversiones. El tercer método es el más
extendido y se basa en expresar relaciones entre varias magnitudes de los
estados financieros.
Los estados financieros están compuestos por diferentes documentos con
diferentes objetivos:
Balance de situación (Balance sheet) – Indica el valor de la empresa en
libros, en un momento puntal, presentando para ello la composición de
activos, pasivos y recursos propios
La Cuenta de Pérdidas y Ganancias (Income statement) – Indica los
ingresos de las ventas de los productos y servicios; así como los gastos
asociados. Por lo tanto muestra el beneficio que se obtiene de los
ingresos.
Cash Flow statement – Registra los costes e ingresos de las
transacciones.
El autor Arinovic-Barac (2011) en su artículo habla de la importancia de tomar
como fuentes de información los estados financieros de las empresas,
esgrimiendo como principales ventajas que están estandarizados, son
comparables, es una fuente oficial, son de acceso público y gratuito.
El análisis de los estados financieros permite investigar la situación pasada,
actual y futura de las empresas desde una óptica financiera, de utilización del
capital o de los ingresos de las mismas. Además es una de los métodos más
utilizados para el análisis de las empresas.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 165
Hofmann y Lampe (2013) en su estudio sobre la influencia de los estados
financieros de los proveedores de servicios logísticos en su funcionamiento,
utilizan como variables para operacionalizar el constructo “Estructura de
activos” las mostradas en la tabla 22:
Variable Definición
Intensidad de las
inversiones
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Intensidad de
activos 1
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
Intensidad de
activos 2
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
Intensidad
continua
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Tasa de rotación
de activos
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Tasa de rotación
de activos
corrientes
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
Fuente: (Hofmann & Lampe, 2013)
Tabla 22 Variables de medición de la estructura de activos de Hofmann y Lampe (2013)
Los autores De Angelo, et al. (2002) han estudiado las estrategias seguidas por
una firma que en menos de diez años perdió todo su valor en Estados Unidos.
Uno de los aspectos de la empresa en los que se centra dicho estudio es la
estructura de liquidez y los indicadores que utilizan para su evaluación son los
mostrados en la tabla 23.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 166
Variable Definición
Efectivo sobre
activos totales
𝐶𝑎𝑗𝑎
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Activos corrientes
sobre activos
totales
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Capital circulante
sobre activos
netos
𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑐𝑖𝑟𝑐𝑢𝑙𝑎𝑛𝑡𝑒
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑒𝑡𝑜𝑠
Fuente: (DeAngelo, et al., 2002)
Tabla 23 Variables de medición de la estructura de activos de DeAngelo, et al. (2002)
Los investigadores Norden y van Kampen (2013) en su trabajo analizar la
influencia de la estructura de activos en el apalancamiento de la empresa. En
su investigación identifican de entre todos los activos los relacionados con la
planta, la propiedad y los equipos como los más relevantes. Los índices que
utilizan en su estudio son los recogidos en la tabla 24.
Variable Definición
Activos netos
PPE (Planta,
propiedad y
equipos)
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑒𝑡𝑜𝑠 𝑃𝑃𝐸 (𝑃𝑙𝑎𝑛𝑡𝑎, 𝑝𝑟𝑜𝑝𝑖𝑒𝑑𝑎𝑑, 𝑒𝑞𝑢𝑖𝑝𝑜𝑠)
Activos brutos
PPE (Planta,
propiedad y
equipos)
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑏𝑟𝑢𝑡𝑜𝑠 𝑃𝑃𝐸 (𝑃𝑙𝑎𝑛𝑡𝑎, 𝑝𝑟𝑜𝑝𝑖𝑒𝑑𝑎𝑑, 𝑒𝑞𝑢𝑖𝑝𝑜𝑠)
Nivel de
inventarios 𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠
Cuentas por
cobrar 𝐶𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟
Caja 𝐶𝑎𝑗𝑎
Fuente: (Norden & van Kampen, 2013)
Tabla 24 Variables de medición de la estructura de activos de Norden y van Kampen (2013)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 167
Los autores Glantz y Mun (2011) en su libro proponen una serie de indicadores
para evaluar la estructura de activos de las empreas. Los cuaelless se
referencian en la tabla 25
Variable Definición
Periodo promedio
de cobranza
𝐶𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟
𝑉𝑒𝑛𝑡𝑎𝑠
Deuda alto riesgo
sobre ventas
𝐷𝑒𝑢𝑑𝑎 𝑑𝑒 𝑎𝑙𝑡𝑜 𝑟𝑖𝑒𝑠𝑔𝑜
𝑉𝑒𝑛𝑡𝑎𝑠
Rotacion de
inventarios
𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠
𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜=
𝑉𝑒𝑛𝑡𝑎𝑠
𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜
Rotación de
activos no
corrientes
𝑉𝑒𝑛𝑡𝑎𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑒𝑡𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
Rotacion del
capital circulante
𝑉𝑒𝑛𝑡𝑎𝑠
𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑐𝑖𝑟𝑐𝑢𝑙𝑎𝑛𝑡𝑒
Rotación de
activos
𝑉𝑒𝑛𝑡𝑎𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Periodo medio de
pago
𝐶𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑝𝑎𝑔𝑎𝑟
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑜𝑚𝑝𝑟𝑎𝑠 𝑑𝑖𝑎𝑟𝑖𝑎𝑠
Fuente: (Glantz & Mun, 2011)
Tabla 25 Variables de medición de la estructura de activos de Glantz y Mun (2011)
Los investigadores Etter, et al. (2006) en su artículo analizan la influencia de las
diferencias que existen en los principios contables, sobre los indicadores
financieros, en Estados Unidos y siete países de lationamérica, cubriendo el
periodo de 1987 a 1998.Los cuales se referencian en la tabla 26
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 168
Variable Definición
Rotación de
activos
𝑉𝑒𝑛𝑡𝑎𝑠 𝑛𝑒𝑡𝑎𝑠
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Rotación de
inventarios
𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠
𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜 𝑚𝑒𝑑𝑖𝑜
Rotación de
cuentas por
cobrar
𝑉𝑒𝑛𝑡𝑎𝑠 𝑛𝑒𝑡𝑎𝑠
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟
Fuente: (Etter, et al., 2006)
Tabla 26 Variables de medición de la estructura de activos de Etter, et al. (2006)
Longinidis y Georgiadis (2011) en su trabajo proponen y aplican un modelo de
toma de decisiones en la cadena de suministro en condiciones de
incertidumbre de la demanda, que incorpora la incluencia financiera (estructura
de capital, estructura de liquidez, estructura de activos, rentabilidad). Para su
estudio utilizan el caso de una empresa del sector alimenticio y de los
productos para el cuidado personal y del hogar británica que tiene que cubrir la
demanda de un año, con plantas localizadas en diferentes países europeos.
Los indicadores que utilizan para evaluar la estructura de activos, en la tabla 27
Variable Definición
Indice de rotación
de activos no
corrientes
𝑉𝑒𝑛𝑡𝑎𝑠 𝑛𝑒𝑡𝑎𝑠
𝐴𝑐𝑡𝑖𝑣𝑜 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒)𝑡
Indice de rotación
de cuentas por
cobrar
𝑉𝑒𝑛𝑡𝑎𝑠 𝑛𝑒𝑡𝑎𝑠
𝐶𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟)𝑡
Fuente: (Longinidis & Georgiadis, 2011)
Tabla 27 Variables de medición de la estructura de activos de Longinidis y Georgiadis (2011)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 169
Kopaneli (2014) en analiza comparativamente el sector turístico de Grecia.
Utilizia una muestra que comprende los hoteles de cuatro y cinco estrellas de
Patras y Atenas. Su objetivo es determinar que ratios financieros son más útiles
para la gestión de las empresas de la muestra. Los indicadores que utiliza para
evaluar la estructura de activos, son los que se muestran en la tabla 28
Variable Definición
Rotación de
inventarios
𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠
𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜 𝑚𝑒𝑑𝑖𝑜
Rotación de
activos totales
𝑉𝑒𝑛𝑡𝑎𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Rotación de
activos no
corrientes
𝑉𝑒𝑛𝑡𝑎𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
Periodo promedio
de recoleccion
365
𝑅𝑜𝑡𝑎𝑐𝑖𝑜𝑛 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟
Rotación de
cuentas por
cobrar
𝑉𝑒𝑛𝑡𝑎𝑠 𝑛𝑒𝑡𝑎𝑠
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟
Periodo promedio
de pago
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑝𝑎𝑔𝑎𝑟
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑜𝑚𝑝𝑟𝑎𝑠 𝑑𝑖𝑎𝑟𝑖𝑎𝑠
Fuente: (Kopaneli, 2014)
Tabla 28 Variables de medición de la estructura de activos de Kopaneli (2014)
Chandra (2013) en su libro propone una serie de ratios financieros para evaluar
la estructura de activos y su gestión en una empresa. Dichos indicadores son
los que se muestran a continuación en la tabla 29:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 170
Variable Definición
Rotación de
inventarios
𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠
𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜 𝑚𝑒𝑑𝑖𝑜
Rotación de
cuentas por
cobrar
𝑉𝑒𝑛𝑡𝑎𝑠 𝑛𝑒𝑡𝑎𝑠 𝑎 𝑐𝑟é𝑑𝑖𝑡𝑜
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟
Periodo promedio
de recolección
365
𝑅𝑜𝑡𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟
Rotación de
activos totales
𝑉𝑒𝑛𝑡𝑎𝑠 𝑛𝑒𝑡𝑎𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Rotación de
activos no
corrientes
𝑉𝑒𝑛𝑡𝑎𝑠 𝑛𝑒𝑡𝑎𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
Fuente: (Chandra, 2013)
Tabla 29 Variables de medición de la estructura de activos de Kopaneli (2014)
Atendiendo a la revisión bibliográfica realizada, así como las entrevistas con
profesionales del sector académico y profesional, se toman como variables
para operacionalizar el factor de “Estructura de Activos” las mostradas en la
figura 74:
Estructura de
activos
X5 = Asset intensity
X6 = Asset turnover rate
X7 = Current assets turnover rate
Fuente: Elaboración propia
Figura 74 Variables de medición de la estructura de activos del modelo
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 171
La operacionalización de dichas varias es la siguiente:
𝑋5 = 𝐴𝑠𝑠𝑒𝑡 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦 =𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑖𝑒𝑛𝑡𝑒𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠)𝑡
𝑋6 = 𝐴𝑠𝑠𝑒𝑡 𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟 𝑟𝑎𝑡𝑒 =𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠)𝑡
𝑋7 = 𝐶𝑢𝑟𝑟𝑒𝑛𝑡𝑠 𝑎𝑠𝑠𝑒𝑡 𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟 𝑟𝑎𝑡𝑒 =𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠)𝑡
7.3 MODELO DE MEDICIÓN DE “ESTRUCTURA DE CAPITAL”
Los autores Hofmann y Lampe (2013) en su estudio sobre la influencia de los
estados financieros de los proveedores de servicios logísticos en su
funcionamiento, utilizan como variables para operacionalizar el constructo
“Estructura de capital” las mostradas en la tabla 30:
Variable Definición
Debt-To-Equity 𝐷𝑒𝑢𝑑𝑎
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
Recursos propios 𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑡𝑜𝑡𝑎𝑙
Ratio de
endeudamiento
𝐷𝑒𝑢𝑑𝑎
𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑡𝑜𝑡𝑎𝑙
Fuente: (Hofmann & Lampe, 2013)
Tabla 30 Variables de medición de la estructura de capital de Hofmann y Lampe (2013)
Kayo y Kimura (2011) analizan el efecto que tiene la empresa, la industria y el
país en la estructura de capital de la empresa. Proponen como variables para
evaluar la estructura de capital las relacionadas en la tabla 31:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 172
Variable Definición
Apalancamiento
respecto al
mercado
𝐷𝑒𝑢𝑑𝑎 𝑎 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜
𝑉𝑎𝑙𝑜𝑟 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎
Apalancamiento
respecto a libros
𝐷𝑒𝑢𝑑𝑎 𝑎 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜
𝑉𝑎𝑙𝑜𝑟 𝑡𝑜𝑡𝑎𝑙 𝑒𝑛 𝑙𝑖𝑏𝑟𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎
Fuente: (Kayo & Kimura, 2011)
Tabla 31 Variables de medición de la estructura de capital de Kayo y Kimura (2011)
El autor Pao (2008) estudia la estructura de capital de una muestra de
empresas tecnológicas en Taiwán entre los años 2000 y 2005. Dicho estudio
tiene como objetivo analizar los factores que afectan a dicha estructura de
capital, además de la propia estructura de capital. Toma como única variable
para explicar la estructura de capital la de la tabla 32:
Variable Definición
Apalancamiento
respecto libros
𝐷𝑒𝑢𝑑𝑎 𝑎𝑙 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑙𝑖𝑏𝑟𝑜𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠 𝑎𝑙 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑙𝑖𝑏𝑟𝑜𝑠
Fuente: (Pao, 2008)
Tabla 32 Variables de medición de la estructura de capital de Pao (2008)
Los autores Fenandes y Pires-Capobianco (2001) en su estudio analizan la
relación entre la estructura financiera de una aerolínea y el
desempeño/rendimiento de la misma. Para operacionalizar la estructura de
capital, utilizan la variable de la tabla 33:
Variable Definición
Apalancamiento
financiero
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠𝑥𝐸𝐵𝑇
𝐸𝐵𝐼𝑇
Fuente: (Fernandes & Pires-Capobianco, 2001)
Tabla 33 Variables de medición de la estructura de capital de Fernandes y Pires-Capobianco
(2001)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 173
Guzhva y Pagiavlas (2003) en su trabajo examinan la relación existente entre la
estructura de capital y el rendimiento/desempeño de las aerolíneas
estadounidenses. Para operacionalizar el factor de estructura de capital utilizan
las siguientes variables relacionadas en la tabla 34:
Variable Definición
Razón de
endeudamiento
total
𝑃𝑎𝑠𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Razón de
endeudamiento a
corto plazo
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Razón de
endeudamiento a
largo plazo
𝑃𝑎𝑠𝑖𝑣𝑜 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Fuente: (Guzhva & Pagiavlas, 2003)
Tabla 34 Variables de medición de la estructura de capital de Guzhva y Pagiavlas (2003)
King y Santor (2008) en su estudio evalúan la relación existente entre la
estructura de propiedad y el rendimiento/desempeño de la empresa, así como
sobre su estructura de capital. La muestra utilizada para dicho análisis está
formada por 613 empresas Canadienses cuyos datos corresponden al periodo
1998-2005. Para evaluar el factor de estructura de capital de la empresa
utilizan las variables de la tabla 35:
Variable Definición
Razón de
endeudamiento a
corto plazo
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Razón de
endeudamiento a
largo plazo
𝑃𝑎𝑠𝑖𝑣𝑜 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Fuente: (King & Santor, 2008)
Tabla 35 Variables de medición de la estructura de capital de King y Santor (2008)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 174
Los autores Gleason, et al. (2000) evalúan la relación existente entre la
estructura de capital y el rendimiento/desempeño de la empresa, influenciado
por el efecto cultural del país, para una muestra de 14 empresas europeas del
sector de la distribución, utilizan como variables para operacionalizar el
constructo estructura de capital la de la tabla 36:
Variable Definición
Apalancamiento 𝐷𝑒𝑢𝑑𝑎
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Fuente: (Gleason, et al., 2000)
Tabla 36 Variables de medición de la estructura de capital de Gleason, et al. (2000)
Bhagat y Boltron (2008) en su estudio analizan la relación entre el gobierno
corporativo y el rendimiento/desempeño de las empresas. Para operacionalizar
el factor de gobierno corporativo, utilizan entre otros la estructura de capital, el
cual a su vez miden mediante la variable de la tabla 37:
Variable Definición
Apalancamiento 𝐷𝑒𝑢𝑑𝑎 𝑎 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜 + 𝑝𝑜𝑟𝑐𝑖𝑜𝑛 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑑𝑒𝑢𝑑𝑎 𝑎 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙)𝑡
Fuente: (Bhagat & Boltron, 2008)
Tabla 37 Variables de medición de la estructura de capital de Bhagat y Boltron (2008)
Campello (2006) analiza el efecto de la deuda sobre el desempeño/rendimiento
de las empresas utiliza como variable para medir la estructura de capital la
identificada en la tabla 38:
Variable Definición
Apalancamiento 𝐷𝑒𝑢𝑑𝑎 𝑎 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Fuente: (Campello, 2006)
Tabla 38 Variables de medición de la estructura de capital de Campello (2006)
Los autores Pratap y Urrutia (2004) en su artículo hablan del balance de las
empresas como un mecanismo propagador de los efectos de las crisis
monetarias. También ponen de manifiesto que existe relación entre la
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 175
estructura del balance de las empresas y su efecto en la propensión a la
inversión.
Mallick y Yang (2011) analizan la estructura de capital de la empresa y su
efecto en el rendimiento de la misma. Estos mismos autores utilizan como
variables que para evaluar la estructura de capital de la empresa las siguientes
variables que se relacionan en la tabla 39:
Variable Definición
Productividad de
un factor
𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛
𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑓𝑎𝑐𝑡𝑜𝑟
Ventas 𝑉𝑒𝑛𝑡𝑎𝑠
Índice de
préstamos de
banco sobre
ventas
𝑃𝑟𝑒𝑠𝑡𝑎𝑚𝑜𝑠 𝑑𝑒 𝑏𝑎𝑛𝑐𝑜𝑠
𝑉𝑒𝑛𝑡𝑎𝑠
Índice de
préstamos no
bancarios sobre
ventas
𝑃𝑟𝑒𝑠𝑡𝑎𝑚𝑜𝑠 𝑛𝑜 𝑏𝑎𝑛𝑐𝑎𝑟𝑖𝑜𝑠
𝑉𝑒𝑛𝑡𝑎𝑠
Debt-to-equity 𝐷𝑒𝑢𝑑𝑎
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
Índice de
beneficios
retenidos sobre
ventas
𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜𝑠 𝑟𝑒𝑡𝑒𝑛𝑖𝑑𝑜𝑠
𝑉𝑒𝑛𝑡𝑎𝑠
Índice de
recursos propios
sobre ventas
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
𝑉𝑒𝑛𝑡𝑎𝑠
Fuente: (Mallick & Yang, 2011)
Tabla 39 Variables de medición de la estructura de capital de Mallick y Yang (2011)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 176
Atendiendo a la revisión bibliográfica y las entrevistas con profesionales del
sector académico y profesional, se toman como variables para operacionalizar
el factor de Estructura de Capital las mostradas en la figura 75:
Estructura de
capital
X8 = Debt-to-equity ratio
X9 = Leverage
X10 = Debt intensity
Fuente: Elaboración propia
Figura 75 Variables de medición de la estructura de capital del modelo
La operacinalización de dichas variables es la siguiente:
𝑋8 = 𝐷𝑒𝑏𝑡 − 𝑇𝑜 − 𝐸𝑞𝑢𝑖𝑡𝑦 𝑟𝑎𝑡𝑖𝑜 =𝐷𝑒𝑢𝑑𝑎
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠)𝑡
𝑋9 = 𝐿𝑒𝑣𝑒𝑟𝑎𝑔𝑒 =𝐷𝑒𝑢𝑑𝑎
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠)𝑡
𝑋10 = 𝐷𝑒𝑏𝑡 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦 =𝑃𝑎𝑠𝑖𝑣𝑜 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒)𝑡
7.4 MODELO DE MEDICIÓN DE “ESTRUCTURA DE LIQUIDEZ”
López Lubián y García Estévez (2005) en su libro comentan como la liquidez se
genera a través de cuatro fuentes: (a) la gestión de los aspectos operativos
relacionados con la cuenta de explotación de la empresa, (b) la gestión de los
aspectos operativos relacionados con el cirulante neto, (c) la gestión de los
aspectos relacionadso con las políticas de inversiones o desinversiones en
activos fijos y (d) la gestión de los aspectos relacionadso con las políticas de
obtención de capital y retribución de accionistas.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 177
Los autores Hofmann y Lampe (2013) en su estudio sobre la influencia de los
estados financieros de los proveedores de servicios logísticos en su
funcionamiento, utilizan como variables para operacionalizar el factor
“Estructura de liquidez” las que aparecen recogidas en la tabla 40:
Variable Definición
Ratio de
cobertura A
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
Ratio de
cobertura B
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠 + 𝐷𝑒𝑢𝑑𝑎 𝑎 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
Prueba ácida
(quick ratio)
𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒 + 𝑅𝑒𝑎𝑙𝑖𝑧𝑎𝑏𝑙𝑒
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Ratio corriente
(Current ratio)
𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒 + 𝑅𝑒𝑎𝑙𝑖𝑧𝑎𝑏𝑙𝑒 + 𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠 − 𝐴𝑛𝑡𝑖𝑐𝑖𝑝𝑜𝑠 𝑟𝑒𝑐𝑖𝑏𝑖𝑑𝑜𝑠
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Fuente: (Hofmann & Lampe, 2013)
Tabla 40 Variables de medición de la estructura de liquidez de Hofmann y Lampe (2013)
Los investigadores Glantz y Mun (2011) en su libro proponen una serie de
indicadores para evaluar la estructura de activos de las empreas. Los cuales se
referencian en la tabla 41
Variable Definición
Ratio corriente
(Current ratio)
𝐴𝑐𝑡𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Prueba ácida
(Quick ratio)
𝐶𝑎𝑗𝑎 𝑦 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Fuente: (Glantz & Mun, 2011)
Tabla 41 Variables de medición de la estructura de liquidez de Glantz y Mun (2011)
Los investigadores Hong, et al. (2014) en artículo analizan el calculo de los
índices de liquidez propuestos por la Convención de Basilea. Utilizan una
muestra de bancos comerciales estadounidenses y datos del periodo
comprendido entre 2001 y 2011. Los cuales se referencian en la tabla 42
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 178
Variable Definición
Ratio de
cobertura de
liquidez (Liquidity
Coverage Ratio)
𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑎𝑐𝑡𝑖𝑣𝑜𝑠 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑚𝑒𝑛𝑜𝑟 𝑟𝑖𝑒𝑠𝑔𝑜
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑓𝑙𝑢𝑗𝑜𝑠 𝑛𝑒𝑡𝑜𝑠 𝑑𝑒 𝑒𝑓𝑒𝑐𝑡𝑖𝑣𝑜 𝑒𝑛 𝑙𝑜𝑠 𝑝𝑟ó𝑥𝑖𝑚𝑜𝑠 30 𝑑í𝑎𝑠
Coeficiente de
financiación
estable neta (Net
Stable Funding
Ratio)
𝐹𝑖𝑛𝑎𝑛𝑐𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡𝑎𝑏𝑙𝑒 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒
𝐹𝑖𝑛𝑎𝑛𝑐𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡𝑎𝑏𝑙𝑒 𝑟𝑒𝑞𝑢𝑒𝑟𝑖𝑑𝑎
Fuente: (Hong, et al., 2014)
Tabla 42 Variables de medición de la estructura de liquidez de Hong, et al. (2014)
Los autores Etter, et al. (2006) en su trabajo evaluan la influencia de las
diferencias que existen en los principios contables, sobre los indicadores
financieros, en Estados Unidos y siete países de lationamérica, cubriendo el
periodo de 1987 a 1998.Los indicadores que utilizan para evalúan la estructura
de liquidez son los referencias en la tabla 43
Variable Definición
Ratio corriente
(Current ratio)
𝐴𝑐𝑡𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Prueba ácida
(Quick ratio)
𝐶𝑎𝑗𝑎 + 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟 + 𝑂𝑡𝑟𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑛𝑒𝑔𝑜𝑐𝑖𝑎𝑏𝑙𝑒𝑠 𝑎 𝑐𝑜𝑟𝑡𝑜 𝑝𝑙𝑎𝑧𝑜
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Fuente: (Etter, et al., 2006)
Tabla 43 Variables de medición de la estructura de liquidez de Etter, et al. (2006)
Los investigadores Lee y Chih (2013) en su artículo analizan el papel de la
regulación sobre la eficiencia y estabilidad de los bancos chinos, así como los
costes de oportunidad de ambos. Los indicadores que utilizan para evaluar la
estructura de liquidez de los bancos y que a su vez ha sido propuesta por la
Comisión Bancaria Reguladora China, en la tabla 44
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 179
Variable Definición
Indice de
préstamos sobre
depósitos
𝑃𝑟é𝑠𝑡𝑎𝑚𝑜𝑠
𝐷𝑒𝑝ó𝑠𝑖𝑡𝑜𝑠
Ratio corriente
(Current ratio)
𝐴𝑐𝑡𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Ratio de
cobertura de
liquidez (Liquidity
coverage ratio)
𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑎𝑐𝑡𝑖𝑣𝑜𝑠 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑚𝑒𝑛𝑜𝑟 𝑟𝑖𝑒𝑠𝑔𝑜
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑓𝑙𝑢𝑗𝑜𝑠 𝑛𝑒𝑡𝑜𝑠 𝑑𝑒 𝑒𝑓𝑒𝑐𝑡𝑖𝑣𝑜 𝑒𝑛 𝑙𝑜𝑠 𝑝𝑟ó𝑥𝑖𝑚𝑜𝑠 30 𝑑í𝑎𝑠
Coeficiente de
financiación
estable neta (Net
Stable Funding
Ratio)
𝐹𝑖𝑛𝑎𝑛𝑐𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡𝑎𝑏𝑙𝑒 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒
𝐹𝑖𝑛𝑎𝑛𝑐𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡𝑎𝑏𝑙𝑒 𝑟𝑒𝑞𝑢𝑒𝑟𝑖𝑑𝑎
Fuente: (Lee & Chih, 2013)
Tabla 44 Variables de medición de la estructura de liquidez de Lee y Chih (2013)
Los investigadores Longinidis y Georgiadis (2011) en su artículo proponen y
aplican un modelo de toma de decisiones en la cadena de suministro en
condiciones de incertidumbre de la demanda que incorpora la incluencia
financiera (estructura de capital, estructura de liquidez, estructura de activos,
rentabilidad). Utilizan el caso de una empresa británica del sector alimenticio y
de los productos del cuidado personal y hogar que tiene que cubrir la demanda
de un año, con plantas localizadas en diferentes países europeos. Los
indicadores que utilizan para evaluar la estructura de liquidez, en la tabla 45
Variable Definición
Ratio Corriente
(Curren ratio)
𝐴𝑐𝑡𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒)𝑡
Prueba ácida
(Quick Ratio)
𝐴𝑐𝑡𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒 − 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒)𝑡
Razon de caja
(Cash ratio)
𝐶𝑎𝑗𝑎
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒)𝑡
Fuente: (Longinidis & Georgiadis, 2011)
Tabla 45 Variables de medición de la estructura de liquidez de Longinidis y Georgiadis (2011)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 180
El investigador Forbes (2004) en su artículo evalua el efecto en las empresas
de todo el mundo de la crisis asiática de 1997 y rusa de 1998. La muestra está
formada por 10000 empresas de varios sectores y pertenecientes a 46 países.
Los indicadores que utiliza para evaluar la estructura de liquidez, son los que
se muestran en la tabla 46.
Variable Definición
Ratio Corriente
(Curren ratio)
𝐴𝑐𝑡𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Prueba ácida
(Quick ratio)
𝐶𝑎𝑗𝑎 + 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟 + 𝑂𝑡𝑟𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑛𝑒𝑔𝑜𝑐𝑖𝑎𝑏𝑙𝑒𝑠 𝑎 𝑐𝑜𝑟𝑡𝑜 𝑝𝑙𝑎𝑧𝑜
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Fuente: (Forbes, 2004)
Tabla 46 Variables de medición de la estructura de liquidez de Forbes (2004)
Kopaneli (2014) en su trabajo realiza un análisis comparativo en el sector
turístico de Grecia. En particular la muestra comprende los hoteles de cuatro y
cinco estrellas de Patras y Atenas. Su objetivo es determinar que ratios
financieros son más útiles para la gestión de las empresas de la muestra. Los
indicadores que utiliza para evaluar la estructura de liquidez, son los que se
muestran en la tabla 47
Variable Definición
Ratio Corriente
(Curren ratio)
𝐴𝑐𝑡𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Prueba ácida
(Quick ratio)
𝐶𝑎𝑗𝑎 + 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟 + 𝑂𝑡𝑟𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑛𝑒𝑔𝑜𝑐𝑖𝑎𝑏𝑙𝑒𝑠 𝑎 𝑐𝑜𝑟𝑡𝑜 𝑝𝑙𝑎𝑧𝑜
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Fuente: (Kopaneli, 2014)
Tabla 47 Variables de medición de la estructura de liquidez de Kopaneli (2014)
Los investigadores Dadenas y Garsva (2015) en su trabajo presentan y aplican
un modelo para evaluar el riesgo de crédito de las empresas. Utilizan una
muestra de empresas del sector de la producción (cuyo número varía entre 592
y 2624) de las que obtienen información de 51 ratios financieros entre los años
1999 y 2007 Los indicadores que utiliza para evaluar la estructura de liquidez,
son los que se muestran en la tabla 48.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 181
Variable Definición
Ratio Corriente
(Curren ratio)
𝐴𝑐𝑡𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Prueba ácida
(Quick ratio)
𝐶𝑎𝑗𝑎 + 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟 + 𝑂𝑡𝑟𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑛𝑒𝑔𝑜𝑐𝑖𝑎𝑏𝑙𝑒𝑠 𝑎 𝑐𝑜𝑟𝑡𝑜 𝑝𝑙𝑎𝑧𝑜
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Fuente: (Dadenas & Garsva, 2015)
Tabla 48 Variables de medición de la estructura de liquidez de Dadenas y Garsva (2015)
Damodaran’s (2013) en su libro propone como ratios para evaluar la liquidez de
la empresas en el corto plazo los que se muestran en la tabla 49.
Variable Definición
Ratio Corriente
(Curren ratio)
𝐴𝑐𝑡𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Prueba ácida
(Quick ratio)
𝐶𝑎𝑗𝑎 + 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟 + 𝑂𝑡𝑟𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑛𝑒𝑔𝑜𝑐𝑖𝑎𝑏𝑙𝑒𝑠 𝑎 𝑐𝑜𝑟𝑡𝑜 𝑝𝑙𝑎𝑧𝑜
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Rotación de
cuentas por
cobrar
𝑉𝑒𝑛𝑡𝑎𝑠
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟
Rotación de
cuentas por
pagar
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑜𝑚𝑝𝑟𝑎𝑠
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟
Fuente: (Damodaran's, 2013)
Tabla 49 Variables de medición de la estructura de liquidez de Damodaran’s (2013)
De acuerdo a la revisión bibliográfica realizada y las entrevistas con
profesionales del sector académico y profesional, se toman como variables
para operacionalizar el factor de Estructura de Liquidez las de la figura 76:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 182
Estructura de
liquidez
X11 = Coverage ratio
X12 = Current ratio
Fuente: Elaboración propia
Figura 76 Variables de medición de la estructura de liquidez del modelo
La operacionalizacion de las variables es la siguiente:
𝑋11 = 𝐶𝑜𝑣𝑒𝑟𝑎𝑔𝑒 𝑟𝑎𝑡𝑖𝑜 =𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
𝑋12 = 𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝑟𝑎𝑡𝑖𝑜 =(𝐸𝑓𝑒𝑐𝑡𝑖𝑣𝑜 + 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑏𝑙𝑒 + 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑎𝑐𝑜𝑏𝑟𝑎𝑟 + 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠 − 𝑎𝑛𝑡𝑖𝑐𝑖𝑝𝑜𝑠 𝑟𝑒𝑐𝑖𝑏𝑖𝑑𝑜𝑠)
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
7.5 MODELODE MEDICIÓN DEL “RENDIMIENTO DE LA EMPRESA”
Los autores Düzakin y Düzakin (2007) en su trabajo analizan la evaluación del
rendimiento de las empresas. Esta métrica relacionada con el mundo
empresarial proporciona información muy importante para los accionistas,
gestores e inversores. Mediante estos análisis se pueden comprobar los
efectos de las decisiones tomadas en el pasado, así como la estructura
financiera de la empresa. Otro de los objetivos es determinar el grado de
eficiencia en el uso de los recursos por parte de la empresa, así como la
elección adecuada de las opciones financieras, para alcanzar los objetivos
operacionales y de rentabilidad. Utilizan en su artículo los datos que se pueden
extraer de los balances de situación de las empresas dedicadas a la fabricación
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 183
para determinar su desempeño. Las variables que utilizan en su modelo son las
que se identifican en la tabla 50:
Entrada al modelo
Variable Definición
Activos netos 𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠 − 𝑑𝑒𝑝𝑟𝑒𝑐𝑖𝑎𝑐𝑖ó𝑛 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎
Número medio de
empleados 𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠)𝑡
Valor añadido
bruto
𝐼𝑛𝑔𝑟𝑒𝑠𝑜 𝑝𝑜𝑟 𝑓𝑎𝑐𝑡𝑜𝑟 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑖𝑣𝑜 − 𝑃𝑎𝑔𝑎𝑠 𝑦 𝑠𝑎𝑙𝑎𝑟𝑖𝑜𝑠 − 𝑖𝑛𝑡𝑒𝑟𝑒𝑠𝑒𝑠 𝑝𝑎𝑔𝑎𝑑𝑜𝑠
− 𝑟𝑒𝑛𝑡𝑎𝑠 𝑦 𝑑𝑒𝑝𝑟𝑒𝑐𝑖𝑎𝑐𝑖𝑜𝑛𝑒𝑠 − 𝑖𝑚𝑝𝑢𝑒𝑠𝑡𝑜𝑠 𝑑𝑖𝑟𝑒𝑐𝑡𝑜𝑠
+ 𝑠𝑢𝑏𝑣𝑒𝑛𝑐𝑖𝑜𝑛𝑒𝑠
Salida del modelo
Variable Definición
Beneficios antes
de impuestos 𝐸𝐵𝑇
Ingresos de
exportación 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑙𝑎𝑠 𝑒𝑥𝑝𝑜𝑟𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠)𝑡
Fuente: (Düzakin & Düzakin, 2007)
Tabla 50 Variables de medición del rendimiento de la emprea de Düzakin y Düzakin (2007)
La utilización de los estados financieros da información histórica del
desempeño y la salud financiera de la empresa, y que pueden utilizarse como
fuentes de información básica acerca de las actividades de planificación,
financiación, inversión y operación de la empresa. A continuación se describen
cada una de las cuatro categorías que sugieren los autores Shue, et al. (2009)
para el estudio de la empresa a través de los estados financieros:
Actividades de planificación – Todas aquellas encaminadas a la
consecución de la estrategia, misión y visión; y que permite a los
gestores centrar los esfuerzos en las oportunidades y obstáculos.
Actividades de financiación – Todas aquellas encaminadas a la
obtención y gestión de medios financieros para llevar a cabo su plan
operativo.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 184
Actividades de inversión – Todas aquellas encaminadas a la obtención y
mantenimiento de las inversiones en activos necesarias para llevar a
cabo la fabricación del producto o la prestación del servicio.
Actividades de operación – Todas aquellas encaminadas a transformar
las entradas al proceso productivo en el bien o servicio demandado por
cliente, de acuerdo al plan operativo.
No todas las empresas por sus características ofrecen o deben ofrecer el
mismo tipo de respuesta o desempeño, los autores Kolasa, et al (2010) hacen
una distinción entre las empresas como la que se expone en la tabla 51. En su
artículo y para algunas empresas de Polonia han encontrado que el tipo de
propiedad (Extranjera vs Doméstica), el tamaño y el sector de actividad afecta
al impacto de la crisis sobre las empresas.
Sector Posponibilidad
No fabricación Fabricación No postponible Postponible
Orientación a ventas
No exportadores
Exportadores
Estructura de propiedad
Domestica
Extranjera
Tamaño
Pequeño
Medio
Grande
Endeudamiento
Alto
Medio
Bajo
Fuente: (Kolasa, et al., 2010)
Tabla 51 Variables de medición del rendimiento de la empresa de Kolasa, et al. (2010)
Las variables que utilizan para medir el rendimiento son: Resultado de
operación, resultado del ejercicio.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 185
Los autores Wang, et al. (2013) en su artículo señalan la importancia para las
empresas de medir el funcionamiento de las mismas como causa del
rendimiento. Utilizan una muestra de empresas del sector turístico de Taiwan
entre los años 2004 y 2008. Entre los aspectos más relevantes que muestran
están: su relación con la determinación de la estrategia corporativa, el
rendimiento operacional, y el sistema de recompensa de la dirección. También
comentan que la medición del rendimiento y/o funcionamiento de una empresa
es altamente dependiente de las métricas financieras, pero que las tendencias
actuales es a incluir otras dimensiones puesto que las métricas tradicionales
podrían estar muy encaminadas a los accionistas, aunque por el contrario para
stakeholders externos a la empresa la información disponible es la financiera y
es la que en mayor medida podría guiar sus decisiones por lo menos a corto
plazo. Estas dimensiones enumeradas junto con la financiera son parte de la
herramienta tradicional Balanced Scorecard (BSC). Pero la gran ventaja es que
se utilizarían datos públicos para evaluar estos otras tres dimensiones de
manera alternativa.
Delen, et al. (2013) en su artículo estudian como median el funcionamiento y/o
rendimiento de una empresa utilizando indicadores financieros. Este artículo
por lo tanto resulta especialmente interesante para esta tesis doctoral puesto
que uno de los factores utilizados es el desempeño de la empresa y ayuda a
operacionalizar mediante indicadores financieros el mismo. Aunque no hay un
número de indicadores considerado como universal para evaluar el rendimiento
de las empresas, sugieren que suelen variar entre aproximadamente 60 y 15
indicadores. Además dichos indicadores toman sus datos de los estados
financieros de las empresas. Estos mismos autores también mencionan que
otra de las ventajas que presentan el estudio del funcionamiento de las
empresas es predecir la desaceleración las mismas. Este concepto es similar al
que se pretende estudiar en esta tesis doctoral, no solo la desaceleración sino
la recuperación a través de la resiliencia de las mismas. Argumentan en su
trabajo que la gran ventaja que tiene utilizar indicadores económicos que
partan de los estados financieros es que se reduce el número de variables a
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 186
utilizar a la vez que se recoge mejor la información relevante de las empresas,
la cual es comparable entre empresas del mismo sector, de diferente sector o
entre países.
Para el propósito anterior existen diferentes tipos de ratios, los cuales pueden
clasificarse en dos categorías: financieros y no financieros.
Dentro de los financieros los autores Shue, et al. (2009) proponen dos tipos:
Estáticos y dinámicos.
Estáticos – Se calculan del balance de situación y representan una foto
puntual del negocio (Ejemplo de estos son el “Current ratio”, “Net worth
to total debt ratio”).
Dinámicos – Llevan implícita alguna o todas las magnitudes con carácter
dinámico (como por ejemplo “Sales to inventory ratio”, “Sales to
receivable ratio”).
En el mismo artículo se hace otra clasificación basada en la función que
representan:
Rentabilidad – Miden la capacidad de gestión de la empresa para
controlar los gastos y obtener beneficios con los recursos empleados.
Liquidez – Miden la capacidad de la empresa para cumplir con sus
obligaciones actuales.
Apalancamiento – Miden el grado de protección frente a la financiación a
largo plazo de los suministradores, así como la capacidad de la empresa
de contraer nueva deuda y pagar sus obligaciones a tiempo.
Eficiencia – Miden la efectividad con la que una empresa emplea sus
recursos.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 187
Proponen el uso de las variables de la tabla 52:
Capacidad de reembolso en el corto plazo
Variable Definición
Ratio corriente
(current ratio)
𝐴𝑐𝑡𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Ciclo operativo
𝑀𝑒𝑑𝑖𝑎 𝑡𝑒𝑚𝑝𝑜𝑟𝑎𝑙 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟
+ 𝑚𝑒𝑑𝑖𝑎 𝑡𝑒𝑚𝑝𝑜𝑟𝑎𝑙 𝑑𝑒 𝑟𝑜𝑡𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜
− 𝑚𝑒𝑑𝑖𝑎 𝑡𝑒𝑚𝑝𝑜𝑟𝑎𝑙 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑎 𝑝𝑎𝑔𝑎𝑟
Capacidad de reembolso en el largo plazo
Variable Definición
Ratio de recursos
propios (equity
ratio)
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Índice de interés
devengados
𝐸𝐵𝐼𝑇 + 𝐼𝑛𝑡𝑒𝑟𝑒𝑠 𝑝𝑎𝑔𝑎𝑑𝑜𝑠
𝐼𝑛𝑡𝑒𝑟𝑒𝑠 𝑝𝑎𝑔𝑎𝑑𝑜𝑠
Índice de
financiación a
largo plazo sobre
activos no
corrientes
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠 + 𝑖𝑛𝑡𝑒𝑟𝑒𝑠 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜 − 𝑝𝑎𝑠𝑖𝑣𝑜𝑠 𝑟𝑒𝑚𝑢𝑛𝑒𝑟𝑎𝑑𝑜𝑠
𝐴𝑐𝑡𝑖𝑣𝑜 𝑛𝑜 𝑐𝑜𝑟𝑖𝑒𝑛𝑡𝑒
Eficiencia operacional
Variable Definición
Rotación activos 𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Rotación activos
no corrientes
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
Rotación de
cuentas por
cobrar
𝑉𝑒𝑛𝑡𝑎𝑠 𝑎 𝑐𝑟é𝑑𝑖𝑡𝑜
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑐𝑜𝑏𝑟𝑜
Rotación de
inventario
𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑜𝑠 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑣𝑒𝑛𝑑𝑖𝑑𝑜𝑠
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒𝑙 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 188
Rentabilidad
Variable Definición
ROS (Retorno de
las ventas)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑉𝑒𝑛𝑡𝑎𝑠
ROE (Retorno de
los recursos
propios)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
ROA (Retorno de
los activos)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Fuente: (Shue, et al., 2009)
Tabla 52 Variables de medición del rendimiento de la empresa de Shue, et al. (2009)
La utilización de ratios financieros para la medición del desempeño de las
empresas, permite analizar al pasado y presente de la empresa, pero también
planificar el futuro.
Existen diferentes grupos para clasificar las técnicas de análisis de la eficiencia
de las empresas: Análisis de ratios, métodos paramétricos y métodos no
paramétricos (Düzakin & Düzakin, 2007). En esta tesis doctoral la atención se
centrará en el análisis de ratios
Los autores Cohn, et al. (2014) analizan la eficiencia operativa de las empresas
pertenecientes a una industria. Una vez que obtuvieron resultados para el
conjunto de datos que utilizaron, realizan un análisis en el que trataron de
acotar el efecto de la industria sobre las empresas. Para ello definieron la
variación de la empresa ajustada por la industria como la variación de la
empresa en los índices seleccionados menos la media de la variación de la
industria en esos mismos índices, todo la el mismo periodo de tiempo. Con esta
aproximación como dicen estos autores en su artículo les permite controlar que
cambios en la industria induce cambios en la rentabilidad de las empresas. Las
variables que propusieron para evaluar la eficiencia operativa son las recogidas
en la tabla 53:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 189
Variable Definición
Pre-ROS (Pre-
interest ROS)
𝐸𝐵𝐼𝑇
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑏𝑟𝑢𝑡𝑜𝑠
Pre-ROA (Pre-
interest ROA)
𝐸𝐵𝐼𝑇
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
Pre-EVA (Pre-
interest EVA) 𝐹𝑙𝑢𝑗𝑜 𝑑𝑒 𝑐𝑎𝑗𝑎 𝑙𝑖𝑏𝑟𝑒 − 𝑐𝑜𝑠𝑡𝑒 𝑑𝑒 𝑜𝑝𝑜𝑟𝑡𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑐𝑎𝑝𝑖𝑡𝑎𝑙
Fuente: (Cohn, et al., 2014)
Tabla 53 Variables de medición del rendimiento de la empresa de Cohn, et al. (2014)
El autor Schuermann (2013) examina cuanto capital y liquidez le hace falta a un
banco para soportar el riesgo de sus operaciones. Aunque las operaciones y en
consecuencias los estados financieros de un banco difieren de una empresa
dedicada a la producción dentro del sector aeroespacial, no obstante la utilidad
de este artículo radica en captar los matices y tipo de análisis que se pueden
incorporar a esta tesis doctoral para enriquecerla. Diferencia entre tres tipos
diferentes de capital y liquidez: El que tiene la empresa, el que necesita la
empresa para sus actividades y el que las instituciones reguladoras estiman
que necesita la empresa. Capital hace referencia a la parte derecha del
balance de situación, mientras que liquidez lo hace de la izquierda. Este mismo
autor sugiere en su artículo que hacer un análisis de stress en una compañía
da información sobre su resiliencia ante condiciones deterioradas del entorno.
En este mismo artículo se habla sobre la forma que puede presentar un análisis
de stress, ya sea de análisis de sensibilidad ante la variación de un elemento
manteniendo las condiciones de contorno, o de análisis de escenarios ante la
variación de las condiciones de contorno. En relación al riesgo de cada
empresa enmarcado dentro de los análisis de stress hay que modelar el
balance y la cuenta de pérdidas y ganancias normalmente de dos periodos
consecutivos.
En el artículo de los autores Riley Jr, et al. (2003) se examina el valor que dan
los inversores, a las métricas contables, una serie de métricas no financieras
del desempeño, así como de otras métricas financieras de la industria de las
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 190
aerolíneas. En el modelo de estos autores se tiene en cuenta la influencia de la
macroeconomía incluyendo un factor que pondera este peso medio de las
variables macroeconómicas.
Los autores Little, et al. (2011) en su trabajo estudian el efecto de la crisis y la
recesión en el rendimiento financiero de las empresas del sector de la venta al
por menor, diferenciando las que siguen una estrategia de liderazgo en costes
o en diferenciación de producto. Como variable para evaluar el rendimiento
financiero utilizan la mostrada en la tabla 54:
Variable Definición
RONOA (Return
on Net Operating
Assets)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛
𝑉𝑒𝑛𝑡𝑎𝑠 𝑥 𝑅𝑜𝑡𝑎𝑐𝑖ó𝑛 𝑎𝑐𝑡𝑖𝑣𝑜𝑠
Fuente: (Little, et al., 2011)
Tabla 54 Variables de medición del rendimiento de la empresa de Little, et al. (2011)
Los autores Morgan, et al. (2009) en su artículo analizan el efecto de la
posesión de las capacidades de orientación al mercado y marketing de las
organizaciones afectan a su rendimiento. Para ello utilizan una muestra de 231
empresas estadounidenses de varios sectores. Lo interensante de este artículo
para esta tesis doctores es la forma de medir el rendimiento de las empresas,
así como las variables de control que utilizan, las cuales se recogen en la tabla
55.
Variable Definición
ROI (Return on
Investment)
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛 − 𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠
𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠
ROS (Return on
Sales)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑉𝑒𝑛𝑡𝑎𝑠
Crecimiento
cuota de
mercado
respecto a la
competencia
(𝐶𝑢𝑜𝑡𝑎 𝑚𝑒𝑟𝑐𝑎𝑑𝑜𝑡 − 𝐶𝑢𝑜𝑡𝑎 𝑚𝑒𝑟𝑐𝑎𝑑𝑜𝑡−1
𝐶𝑢𝑜𝑡𝑎 𝑚𝑒𝑟𝑐𝑎𝑑𝑜𝑡−1)
(𝐶𝑢𝑜𝑡𝑎 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑐𝑜𝑚𝑝𝑒𝑡𝑒𝑛𝑐𝑖𝑎 𝑡 − 𝐶𝑢𝑜𝑡𝑎 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑐𝑜𝑚𝑝𝑒𝑡𝑒𝑛𝑐𝑖𝑎𝑡−1
𝐶𝑢𝑜𝑡𝑎 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑐𝑜𝑚𝑝𝑒𝑡𝑒𝑛𝑐𝑖𝑎𝑡−1)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 191
Número de
clientes ganados
𝐶𝑙𝑖𝑒𝑛𝑡𝑒𝑠𝑡 − 𝐶𝑙𝑖𝑒𝑛𝑡𝑒𝑠𝑡−1𝐶𝑙𝑖𝑒𝑛𝑡𝑒𝑠𝑡−1
Incremento
ventas a los
clientes actuales
𝑉𝑒𝑛𝑡𝑎𝑠 𝑎 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑎𝑐𝑡𝑢𝑎𝑙𝑒𝑠𝑡 − 𝑉𝑒𝑛𝑡𝑎𝑠 𝑎 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑎𝑐𝑡𝑢𝑎𝑙𝑒𝑠𝑡−1𝑉𝑒𝑛𝑡𝑎𝑠 𝑎 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑎𝑐𝑡𝑢𝑎𝑙𝑒𝑠𝑡−1
Crecimiento de
las ventas
𝑉𝑒𝑛𝑡𝑎𝑠𝑡 − 𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1
ROA (Return on
Assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Fuente: (Morgan, et al., 2009)
Tabla 55 Variables de medición del rendimiento de la empresa de Morgan et al. (2009)
Tomas y Dimitric (2011) en su artículo realizan una revisión bibliográfica de
aquellos artículos que relacionan la macroeconomía y la microeconomía con el
rendimiento de las empresas. En dichas revisión bibliográfica han puesto de
manifiesto que las variables explicativas que se suelen utilizar en este tipo de
estudios para analizar el desempeño de las empresas se engloban en cinco
categorías diferentes: (1) Liquidez, (2) Eficiencia, (3) Efectividad-coste, (4)
Insolvencia, (5) Rentabilidad.
En el mismo trabajo también hablan sobre las diferencias del país que imprime
el país en las diferentes variables que se utilizan para medir el rendimiento de
las empresas. Ponen el ejemplo de un estudio realizado por Dvoracek, et al.
(2008) que utilizaba una muestra de la República Checa que utilizaba ocho
ratios financieros divididos en tres categorías según se refleja en la tabla 56:
Actividad del negocio
Variable Definición
Indice de cuentas
por cobrar sobre
active corriente
𝐶𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟
𝐴𝑐𝑡𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Índice de
cobertura de
reservas
𝑅𝑒𝑠𝑒𝑟𝑣𝑎𝑠
𝐴𝑐𝑡𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 192
Desarrollo económico
Variable Definición
Índice de capital
sobre activo
𝐶𝑎𝑝𝑖𝑡𝑎𝑙
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Estructura de capital
Variable Definición
Índice de activos
no corrientes
𝐴𝑐𝑡𝑖𝑣𝑜 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Índice de activos
corrientes
𝐴𝑐𝑡𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Índice de cuentas
por cobrar
𝑉𝑒𝑛𝑡𝑎𝑠 𝑎 𝑐𝑟é𝑑𝑖𝑡𝑜
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑐𝑜𝑏𝑟𝑜
Índice de
beneficio
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛
𝑉𝑒𝑛𝑡𝑎𝑠
ROCE (Return on
capital employed)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜
Fuente: (Dvoracek, et al., 2008)
Tabla 56 Variables de medición del rendimiento de la empresa de Dvoracek, et al. (2008)
Otro ejemplo que proponen de otro estudio llevado a cabo por el autor Andreev
(2005), utiliza una muestra de España y los ratios que sugieren para el
rendimiento de las empresas son los de la tabla 57:
Variable Definición
Variable 1 𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝑃𝑎𝑠𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Variable 2 𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑐𝑖𝑟𝑐𝑢𝑙𝑎𝑛𝑡𝑒
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Variable 3 𝑉𝑒𝑛𝑡𝑎𝑠
𝐸𝑓𝑒𝑐𝑡𝑖𝑣𝑜 𝑒𝑛 𝑐𝑎𝑗𝑎
Variable 4 𝐼𝑛𝑔𝑟𝑒𝑠𝑜 𝑏𝑟𝑢𝑡𝑜
𝑉𝑒𝑛𝑡𝑎𝑠
Variable 5 𝑃𝑎𝑠𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
𝐸𝑞𝑢𝑖𝑡𝑦
Fuente: (Andreev, 2005)
Tabla 57 Variables de medición del rendimiento de la empresa de Andreev (2005)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 193
En el mismo artículo publican que los autores Ciampi y Gordini (2008)
realizaron un estudio en empresas del norte y centro de Italia, evaluando el
rendimiento de las mismas y para ello utilizaron como variables en su modelo
las mostradas en la tabla 58:
Variable Definición
ROA (Return on
Assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
ROE (Return on
Equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
Margen neto
sobre créditos
𝐶𝑟é𝑑𝑖𝑡𝑜𝑠
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
Debt-to-equity 𝑃𝑎𝑠𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
𝐸𝑞𝑢𝑖𝑡𝑦
Ratio corriente
(Current ratio)
𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒 + 𝑅𝑒𝑎𝑙𝑖𝑧𝑎𝑏𝑙𝑒 + 𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠 − 𝐴𝑛𝑡𝑖𝑐𝑖𝑝𝑜𝑠 𝑟𝑒𝑐𝑖𝑏𝑖𝑑𝑜𝑠
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Fuente: (Ciampi & Gordini, 2008)
Tabla 58 Variables de medición del rendimiento de la empresa de Ciampi y Gordini (2008)
Los autores Appiah y Abor (2009) estudiaron una muestra de empresas en
Gran Bretaña que utilizaba como variables para evaluar el rendimiento de las
empresas las que a continuación se detallan en la tabla 59:
Variable Definición
Debt-to-equity 𝑃𝑎𝑠𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
𝐸𝑞𝑢𝑖𝑡𝑦
ROCE (Return on
Equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜
ROS (Return on
sales)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑉𝑒𝑛𝑡𝑎𝑠
Índice de activos
corrientes sobre
pasivos
corrientes
𝐴𝑐𝑡𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Fuente: (Appiah & Abor, 2009)
Tabla 59 Variables de medición del rendimiento de la empresa de Appiah y Abor (2009)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 194
Los investigadores Tang y Ogunlana (2003) en su artículo estudian como la
crisis asiática afectó a las empresas de un sector (construcción) de un país
(Malasia). Relaciona la situación macroeconómica y microeconómica con el
rendimiento de las empresas de ese país y sector. Para evaluar el rendimiento
de dichas empresas utilizan los siguientes ratios clasificados en tres grupos
como muetra la tabla 60:
Liquidez
Variable Definición
Ratio Corriente
(Current ratio)
𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒 + 𝑅𝑒𝑎𝑙𝑖𝑧𝑎𝑏𝑙𝑒 + 𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠 − 𝐴𝑛𝑡𝑖𝑐𝑖𝑝𝑜𝑠 𝑟𝑒𝑐𝑖𝑏𝑖𝑑𝑜𝑠
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Índice de pasivos
sobre beneficios
𝑃𝑎𝑠𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜 𝑛𝑒𝑡𝑜
Eficiencia operativa
Variable Definición
Eficiencia
operativa 1
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
𝐸𝐵𝐼𝑇𝐷𝐴
Eficiencia
operativa 2
𝐸𝐵𝐼𝑇𝐷𝐴
𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑐𝑖𝑟𝑐𝑢𝑙𝑎𝑛𝑡𝑒 𝑛𝑒𝑡𝑜
Eficiencia operativa
Variable Definición
ROA (Return on
Assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
ROE (Return on
Equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
Fuente: (Tang & Ogunlana, 2003)
Tabla 60 Variables de medición del rendimiento de la empresa de Tang y Ogunlana (2003)
Los autores Bhunia, et al. (2011) realizan un estudio sobre un modelo
predictivo de la desaceleración y/o bancarrota de las empresas en India. Estos
autores comentan en su artículo que la simple desaceleración de las empresas
en su aspecto financiero reduce su eficiencia y gestión, y en último término
para maximizar el valor de la empresa y del valor para los inversores y la
propiedad de la misma. Estos mismos autores matizan en su artículo que los
resultados que se han obtenido para las economías de los países desarrollados
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 195
no son extrapolables para los países emergentes como por ejemplo India.
Como variable dependiente del estudio han utilizado una dicotómica que podía
tomar los valores de: Bancarrota / No bancarrota. Aunque de todos estos ratios
utilizados para la muestra de empresas, tan solo dos han resultado
significantes del problema estudiado: Cash flow to sales (Flujo de caja respecto
a ventas), Days sales in receivable (Promedio de cuentas por cobrar).
En cambio como variables independientes han utilizado las que se muestran
en la tabla 61:
Fuente: (Bhunia, et al., 2011)
Tabla 61 Variables de medición del rendimiento de la empresa de Bhunia, et al. (2011)
Los autores Tehrani, el al. (2012) en su artículo estudian un modelo que
partiendo de información contenida en los estados financieros de las empresas
y utilizando ratios, sea capaz de evaluar el funcionamiento y desempeño de las
empresas. Este artículo resulta útil además de por qué relaciona de manera
causal dos de los constructos utilizados en el modelo de esta tesis doctoral,
también porque propone un modelo de medición para ambos constructos. Las
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 196
variables independientes las han dividido en tres grupos: Ratios liquidez, ratios
actividad, ratios apalancamiento. Mientras que las variables dependientes bajo
un único grupo: Ratios de rentabilidad. También les han otorgado diferentes
pesos a los ratios, tal y como recoge la tabla 62.
Fuente: (Tehrani, et al., 2012)
Tabla 62 Variables de medición del rendimiento de la empresa de Tehrani, et al. (2012)
El modelo global de medición que han planteado es el que se muestra en la
figura 77.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 197
Fuente: (Tehrani, et al., 2012)
Figura 77 Variables de medición del rendimiento de la empresa de Tehrani, et al. (2012)
El autor Priyanto (2006) analiza mediante un modelo de ecuaciones
estructurales el grado en el que factores del entorno afectan al rendimiento de
las empresas productoras de tabaco en Indonesia. Este trabajo es útil ya que
una de las contribuciones que puede ofrecer a esta tesis doctoral es el modelo
de medición que utiliza para el factor de funcionamiento/rendimiento de las
empresas. Dicho modelo de medición está compuesto por las siguientes
variables de la tabla 63:
Variable Definición
Productividad 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 ó 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜
𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑟𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑎
Beneficios sobre
recursos
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑟𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑎
Variación de
precio
𝑃𝑟𝑒𝑐𝑖𝑜𝑡 − 𝑃𝑟𝑒𝑐𝑖𝑜𝑡−1𝑃𝑟𝑒𝑐𝑖𝑜𝑡−1
Fuente: (Priyanto, 2006)
Tabla 63 Variables de medición del rendimiento de la empresa de Priyanto (2006)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 198
Madrid-Guijarro, et al. (2011) en su trabajo sobre la desaceleración de la
empresas españolas, han planteado una serie de variables para medir la
desaceleración de las empresas, esto es su funcionamiento y/o rendimiento.
Para ello han utilizado seis indicadores divididos en dos categorías: Liquidez y
obligaciones, y rentabilidad, tal y como muestra la tabla 64.
Liquidez y obligaciones
Variable Definición
Ratio corriente
(Current ratio)
𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒 + 𝑅𝑒𝑎𝑙𝑖𝑧𝑎𝑏𝑙𝑒 + 𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠 − 𝐴𝑛𝑡𝑖𝑐𝑖𝑝𝑜𝑠 𝑟𝑒𝑐𝑖𝑏𝑖𝑑𝑜𝑠
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Índice de capital
circulante
(Working capital
ratio)
𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑐𝑖𝑟𝑐𝑢𝑙𝑎𝑛𝑡𝑒
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Índice de
autonomía
financiera
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Rentabilidad
Variable Definición
Capacidad de
generación de
recursos
𝐹𝑙𝑢𝑗𝑜 𝑑𝑒 𝑐𝑎𝑗𝑎
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
ROA (Return on
Assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
ROE (Return on
Equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
Fuente: (Madrid-Guijarro, et al., 2011)
Tabla 64 Variables del rendimiento de la empresa de Madrid-Guijarro, et al. 2011
Romero-Castro y Piñeiro-Chousa (2006) en su artículo realizan un estudio
sobre la relación entre el análisis financiero de las empresas y la creación de
valor a través de la sostenibilidad. Este artículo es útil para esta tesis doctoral
en la medición del rendimiento financiero de la empresa, ya que operacionaliza
este constructo a través de una serie de indicadores financieros. Los cuales
pueden ser utilizados total o parcialmente en el modelo de medición de esta
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 199
tesis doctoral. Estos autores en su publicación hacen algunas reflexiones en
relación a la medición del rendimiento financiero de una empresa a través de
indicadores, como por ejemplo que no todos tienen la misma importancia o
contribución, que solo muestran el efecto pero no la causa, que para entender
un indicador de este tipo es necesario entender cada uno de los elementos que
lo forman así como la relación con otros ratios, es decir, una visión holística de
los mismos. Proponen partir de la pirámide de indicadores DuPont de la figura
78
Fuente: (Romero-Castro & Piñeiro-Chousa, 2006)
Figura 78 Variables de medición del rendimiento de la empresa de Romero-Castro y Piñero-
Chousa (2006)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 200
El autor Chen (2011) en su artículo compara los métodos tradicionales de
predicción de la desaceleración financiera de las empresas, como los métodos
menos convencionales como los derivados de la Inteligencia Artificial. Para ello
ha realizado experimentos empíricos utilizando 42 indicadores, de los cuales 33
eran financieros, 8 no financieros y 1 una combinación de indicadores
macroeconómicos. La importancia de este artículo para esta tesis doctoral es el
modelo de medición que utiliza para el constructo de desaceleración financiera.
Este autor ha categorizado los indicadores en cinco categorías: Rentabilidad,
liquidez, operación, apalancamiento y solvencia. Además han añadido dos
categorías adicionales de indicadores no financieros y macroeconómicos. Las
variables utilizadas se relacionan en la tabla 65.
Variable Definición
Pretax margin 𝐹𝑙𝑢𝑗𝑜 𝑑𝑒 𝑐𝑎𝑗𝑎
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
ROA (Return on
Assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
ROE (Return on
Equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
EPS (Beneficios
por acción)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜 − 𝑑𝑖𝑣𝑖𝑑𝑒𝑛𝑑𝑜𝑠 𝑠𝑜𝑏𝑟𝑒 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠
Margen bruto 𝐼𝑛𝑔𝑟𝑒𝑠𝑜 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛 − 𝑐𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
Fuente: (Chen, 2011)
Tabla 65 Variables de medición del rendimiento de la empresa de Chen (2011)
Los autores Teeratansirikool, et al. (2013) en su trabajo estudian el efecto
mediador de la medición del desempeño en la relación existente entre las
estrategias competitivas y el desempeño de la empresa, utilizando una muestra
de 101 empresas tailandesas. Dentro de su artículo resulta especialmente
interesante el modelo de medición que plantean para el factor de “Desempeño
y/o funcionamiento de la empresa”. Dicho modelo utiliza como variables para
evaluar el rendimiento las identificadas en la tabla 66.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 201
Variable Definición
Increase of sales
or revenues
𝑆𝑎𝑙𝑒𝑠 𝑜𝑟 𝑟𝑒𝑣𝑒𝑛𝑢𝑒𝑠𝑡 − 𝑆𝑎𝑙𝑒𝑠 𝑜𝑟 𝑟𝑒𝑣𝑒𝑛𝑢𝑒𝑠𝑡−1𝑆𝑎𝑙𝑒𝑠 𝑜𝑟 𝑟𝑒𝑣𝑒𝑛𝑢𝑒𝑠𝑡−1
Flujo de caja de
operaciones 𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠)𝑡
ROI (Return on
Investment)
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛 − 𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠
𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠
ROE (Return on
Equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
Cuota de
mercado
𝑉𝑒𝑛𝑡𝑎𝑠
𝐹𝑎𝑐𝑡𝑢𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎
Desarrollo de
nuevos productos 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑛𝑢𝑒𝑣𝑜𝑠 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠)𝑡
Desarrollo de
negocio
𝑉𝑒𝑛𝑡𝑎𝑠𝑡 − 𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1
Fuente: (Teeratansirikool, et al., 2013)
Tabla 66 Variables de medición del rendimiento de la empresa de Teeratansirikool, et al.
(2013)
Los investigadores Wang, et al. (2013) en su trabajo estudian la relación que
existe entre la medición del funcionamiento de la empresa con el rendimiento
de la misma. Utilizan una muestra de empresas del sector turístico de Taiwan
entre los años 2004 y 2008. Para ello utilizan para operacionalizar los
constructos las variables del Balanced Scorecard (BSC). De las cuatro
dimensiones de dicha herramienta resulta especialmente útil para esta tesis
doctoral la dimensión del funcionamiento financiero, que está compuesta por
las variables de la tabla 67:
Liquidez
Variable Definición
Ratio corriente
(Current ratio)
𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒 + 𝑅𝑒𝑎𝑙𝑖𝑧𝑎𝑏𝑙𝑒 + 𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠 − 𝐴𝑛𝑡𝑖𝑐𝑖𝑝𝑜𝑠 𝑟𝑒𝑐𝑖𝑏𝑖𝑑𝑜𝑠
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Prueba ácida
(Quick ratio)
𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒 + 𝑅𝑒𝑎𝑙𝑖𝑧𝑎𝑏𝑙𝑒
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 202
Eficiencia en la utilización de activos
Variable Definición
Rotación de
activos
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖𝑜𝑛
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Estructura de capital
Variable Definición
Debt ratio 𝐷𝑒𝑢𝑑𝑎
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Rentabilidad
Variable Definición
Margen neto de
beneficio
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑉𝑒𝑛𝑡𝑎𝑠
Apalancamiento
Variable Definición
Apalancamiento
operativo
∆𝐸𝐵𝐼𝑇 (%)
∆𝑉𝑒𝑛𝑡𝑎𝑠 (%)
Apalancamiento
financiero
∆𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜 (%)
∆𝐸𝐵𝐼𝑇 (%)
Rendimiento
Variable Definición
ROA (Return on
assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
ROE (Return on
equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
Q de Tobin 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎
𝑉𝑎𝑙𝑜𝑟 𝑐𝑜𝑛𝑡𝑎𝑏𝑙𝑒 𝑑𝑒 𝑙𝑜𝑠 𝑎𝑐𝑡𝑖𝑣𝑜𝑠
Beneficio por
acción (EPS)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜 − 𝑑𝑖𝑣𝑖𝑑𝑒𝑛𝑑𝑜𝑠 𝑠𝑜𝑏𝑟𝑒 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠
Fuente: (Wang, et al., 2013)
Tabla 67 Variables de medición del rendimiento de la empresa de Wang (2013)
Los autores Liargovas y Skandalis (2010) en su trabajo realizan un estudio
sobre los factores que afectan al rendimiento de las empresas. Toman para ello
una muestra de empresas griegas con datos que comprenden el periodo 1997-
2004. Tras realizar una revisión bibliográfica, seleccionan para su modelo de
medición del rendimiento de las empresas las variables de la tabla 68:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 203
Variable Definición
ROA (Return on
assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
ROE (Return on
equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
ROS (Return on
sales)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑉𝑒𝑛𝑡𝑎𝑠
Fuente: (Liargovas & Skandalis, 2010)
Tabla 68 Variables de medición del rendimiento de la empresa de Liargovas y Skandalis (2010)
La autora Burja (2011) en su artículo estudia diferentes modelos de análisis del
funcionamiento y/o rendimiento de las empresas, así como de los factores que
tienen influencia (Indice de activos no corrientes, índice de endeudamiento,
apalancamiento financiero, resultado del ejercicio, ventas sobre recursos
propios, ventas sobre activo corriente…). Para operacionalizar el factor de
rendimiento de la empresa utiliza la variable mostrada en la tabla 69:
Variable Definición
ROA (Return on
assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Fuente: (Burja, 2011)
Tabla 69 Variables de medición del rendimiento de la empresa de Burja (2011)
Türel, et al. (2012) en su investigación analizan los factores que identifican a
las empresas con altos rendimientos financieros. Para ello toman una muestra
141 empresas de Turquía y datos de las mismas entre los años 2005 y 2009.
En su estudio tratan de falsar la relación existente entre los elementos clave del
rendimiento de las empresas (gestión de activos, riesgo financiero, liquidez) y
su rendimiento. Las variables utilizadas para analizar el rendimiento son las
recogidas en la tabla 70:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 204
Variable Definición
ROA (Return on
assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
ROE (Return on
Equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
Crecimiento de
los ingresos de
explotación
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛)𝑡 − 𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛)𝑡−1𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛)𝑡−1
Flujo de caja libre 𝐸𝐵𝐼𝑇𝑥(1 − 𝑡𝑖𝑝𝑜 𝑑𝑒 𝑖𝑛𝑡𝑒𝑟é𝑠) + 𝐷𝑒𝑝𝑟𝑒𝑐𝑖𝑎𝑐𝑖ó𝑛 𝑦 𝑎𝑚𝑜𝑟𝑡𝑖𝑧𝑎𝑐𝑖ó𝑛
− 𝑐𝑎𝑚𝑏𝑖𝑜𝑠 𝑒𝑛 𝑐𝑎𝑝𝑖𝑡𝑎𝑙 𝑐𝑖𝑟𝑢𝑙𝑎𝑛𝑡𝑒 − 𝑔𝑎𝑠𝑡𝑜𝑠 𝑑𝑒 𝑐𝑎𝑝𝑖𝑡𝑎𝑙
Ciclo de
conversión en
efectivo
𝑅𝑜𝑡𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑎 𝑐𝑜𝑏𝑟𝑎𝑟 + 𝑟𝑜𝑡𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜
− 𝑅𝑜𝑡𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑎 𝑝𝑎𝑔𝑎𝑟
Fuente: (Türel, et al., 2012)
Tabla 70 Variables de medición del rendimiento de la empresa de Türel, et al. (2012)
Los autores Sheikhi, et al. (2012) en su artículo estudian la desaceleración
financiera de las empresas, utilizando para ello un modelo en el que las
variables independientes provienen de los indicadores clásicos utilizados en
finanzas y cuyos datos de partida son los estados financieros de la empresa, y
que la variable dependiente es un índice de desaceleración. Resulta
especialmente útil para esta tesis doctoral el conjunto de variables que utilizan
los autores para evaluar la desaceleración de las empresas, que a continuación
se resumen en la tabla 71:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 205
Fuente: (Sheikhi, et al., 2012)
Tabla 71 Variables de medición del rendimiento de la empresa de Sheikhi, et al. (2012)
Delen, et al. (2013) en su trabajo sobre los indicadores financieros que mejor
representan el funcionamiento y/o rendimiento de las empresas realizan una
revisión bibliográfica y comentan que la clasificación clásica de los mismos, los
divide en cuatro clases diferentes:
Liquidez - Los indicadores de liquidez evalúan la capacidad de una
empresa para pagar sus deudas a corto plazo
Rentabilidad – Miden la capacidad de crear rentabilidad basado en las
ventas, recursos propios y activos.
Solvencia a largo plazo – Ponen de manifiesto como de arriesgada en la
inversión en la empresa.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 206
Utilización de los activos – Ponen de manifiesto la capacidad de las
empresa de generar beneficios a través de la utilización de los activos
para la venta de los inventarios.
En su trabajo Delen, et al. (2013) utilizan indicadores financieros para cada uno
de los bloques comentados. Si bien en este punto lo que se quiere poner de
manifiesto son las diferentes variables utilizadas para el análisis del
rendimiento de las empresas: han utilizado para su estudio los siguientes
indicadores financieros, recogidos en la tabla 72:
Variable Definición
ROA (Return on
assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
ROE (Return on
Equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
Margen bruto de
beneficios
𝐼𝑛𝑔𝑟𝑒𝑠𝑜 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛 − 𝑐𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑣𝑒𝑛𝑡𝑎
𝐼𝑛𝑔𝑟𝑒𝑠𝑜 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
Margen del
EBITDA
𝐸𝐵𝐼𝑇𝐷𝐴
𝑉𝑒𝑛𝑡𝑎𝑠
Margen neto de
beneficio
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑉𝑒𝑛𝑡𝑎𝑠
Índice de gastos
operativos
respecto a ventas
𝐺𝑎𝑠𝑡𝑜𝑠 𝑜𝑝𝑒𝑟𝑎𝑡𝑖𝑣𝑜𝑠
𝑉𝑒𝑛𝑡𝑎𝑠 𝑛𝑒𝑡𝑎𝑠
Índice beneficios
antes de
impuestos sobre
recursos propios
𝐸𝐵𝑇
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
Fuente: (Delen, et al., 2013)
Tabla 72 Variables de medición del rendimiento de la empresa de Delen,et al. (2013)
El desempeño y/o rendimiento de las empresas lo miden mediante el ROA y
ROE.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 207
Como resultado han obtenido que las variables independientes que más
afectan al rendimiento de las empresas medido a través de la variable
dependiente ROA, el cual aparece representado en la figura 79:
Fuente: (Delen, et al., 2013)
Figura 79 Variables que más afectan al ROA según Delen, et al. (2013)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 208
Por el contrario las variables independientes que más afectan al rendimiento de
las empresas medido a través de la variable dependiente ROE (por orden de
importancia) son las mostradas en la figura 80:
Fuente: (Delen, et al., 2013)
Figura 80 Variables que más afectan al ROA según Delen, et al. (2013)
Arinovic-Barac (2011) en su artículo trata de determinar para la muestra de
empresas croatas que utiliza si existen indicadores financieros que detectan
mejor que otros, el rendimiento financiero de las empresas y la sostenibilidad
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 209
de las mismas. Para su estudio han utilizado doce indicadores financieros
divididos en cuatro categorías, tal y como muestra la tabla 73:
Fuente: (Arinovic-Barac, 2011)
Tabla 73 Variables de medición del rendimiento de la emprea de Arinovic-Barac (2011)
Los autores Mallick y Yang (2011) en su trabajo sobre la estructura de capital
de la empresa y su efecto en el desempeño de la misma, establecen diferentes
maneras de medir dicho desempeño las cuales se recogen en la tabla 74:
Basados en el mercado
Variable Definición
Retornos
ajustados por el
riesgo (RORAC)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑖𝑒𝑠𝑔𝑜 𝑑𝑒𝑙 𝑐𝑎𝑝𝑖𝑡𝑎𝑙 𝑎𝑠𝑖𝑔𝑛𝑎𝑑𝑜
Q de Tobin 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎
𝑉𝑎𝑙𝑜𝑟 𝑐𝑜𝑛𝑡𝑎𝑏𝑙𝑒 𝑑𝑒 𝑙𝑜𝑠 𝑎𝑐𝑡𝑖𝑣𝑜𝑠
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 210
Basados en la contabilidad
Variable Definición
ROS (Return on
sales)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑉𝑒𝑛𝑡𝑎𝑠
ROA (Return on
assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
ROE (Return on
Equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
Productividad
Variable Definición
Productividad de
un factor
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑓𝑎𝑐𝑡𝑜𝑟
Venta por
empleado
𝑉𝑒𝑛𝑡𝑎𝑠
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠
Fuente: (Mallick & Yang, 2011)
Tabla 74 Variables de medición del rendimiento de la empresa de Mallick y Yang (2011)
Los autores Hofmann y Lampe (2013) en su estudio sobre la influencia de los
estados financieros de los proveedores de servicios logísticos en su
funcionamiento, utilizan como variables para operacionalizar el factor de
rendimiento de empresa las mostradas en la tabla 75, para la dimensión
rentabilidad operativa:
Variable Definición
ROI (Return on
investment)
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛 − 𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠
𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠
ROA (Return on
assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
ROE (Return on
Equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
Margen neto de
beneficio
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
Margen de
beneficios
operativos
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 211
PER (Price
Earnings Ratio)
𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑝𝑜𝑟 𝑎𝑐𝑐𝑖ó𝑛
𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜𝑠 𝑝𝑜𝑟 𝑎𝑐𝑐𝑖ó𝑛
Rentabilidad
sobre el EBIT
𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎
𝐸𝐵𝐼𝑇
Rentabilidad
sobre el EBITDA
𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎
𝐸𝐵𝐼𝑇𝐷𝐴
Fuente: (Hofmann & Lampe, 2013)
Tabla 75 Variables de medición del rendimiento de la empresa de Hofmann y Lampe (2013)
Los autores Berger y Bonaccorsi (2006) (Berger & Bonaccorsi , 2006) en su
estudio sobre la relación causal existente entre la estructura de capital y el
rendimiento/desempeño de la empresa plantean como variables de medición
del rendimiento/desempeño de la empresa tres tipos diferentes: por un lado las
que se obtienen de los estados financieros de la empresa, por otro lado las que
se obtienen de los mercados y por último la mezcla de valor de mercado y valor
contable. Se recogen en la tabla 76.
Variable Definición
ROE (Return on
Equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
Índice de
recursos propios
sobre activos
totales
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Fuente: (Berger & Bonaccorsi , 2006)
Tabla 76 Variables de medición del rendimiento de la empresa de Berger y Bonaccorsi (2006)
Krishnan y Moyer (1997) en su trabajo sobre la relación entre la estructura de
capital y el rendimiento/desempeño de las empresas teniendo en cuenta la
influencia del país, utilizaron como variables para operacionalizar el factor de
rendimiento de la empresa las identificadas en la tabla 77.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 212
Variable Definición
ROE (Return on
Equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
ROIC (Return on
Invested Capital)
𝐸𝐵𝐼𝑇 ∗ (1 − 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑖𝑚𝑝𝑢𝑒𝑠𝑡𝑜𝑠)
𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑖𝑛𝑣𝑒𝑟𝑡𝑖𝑑𝑜
Margen de
operaciones
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠
Rentabilidad de
las acciones
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜 − 𝑑𝑖𝑣𝑖𝑑𝑒𝑛𝑑𝑜𝑠 𝑠𝑜𝑏𝑟𝑒 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠
Fuente: (Krishnan & Moyer, 1997)
Tabla 77 Variables de medición del rendimiento de la empresa de Krishnan y Moyer (1997)
Los autores Muradoglu y Sivaprasad (2012) en su trabajo sobre el efecto de la
estructura de capital en los retornos de las empresas y la influencia de la
industria en dicha relación, utilizaran como variables para operacionalizar el
rendimiento/desempeño de las empresas del sector financiero las vairables
mostradas en la tabla 78:
Variable Definición
PER (Price-
earning ratio)
𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑝𝑜𝑟 𝑎𝑐𝑐𝑖ó𝑛
𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜𝑠 𝑝𝑜𝑟 𝑎𝑐𝑐𝑖ó𝑛
Media
acumulada de
resultados
anormales
∑𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑎𝑛𝑜𝑟𝑚𝑎𝑙𝑒𝑠
Fuente: (Muradoglu & Sivaprasad, 2012)
Tabla 78 Variables de medición del rendimiento de la empresa de Muradoglu y Sivaprasad
(2012)
Los investigadores Fernandes y Pires-Capobianco (2001) en su trabajo evalúan
la relación entre la estructura financiera de las aerolíneas y el
desempeño/rendimiento de las mismas. Para operacionalizar el
rendimiento/desempeño de la empresa utilizan las variables recogidas en la
tabla 79.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 213
Variable Definición
Margen neto 𝐸𝐵𝑇
𝐼𝑛𝑔𝑟𝑒𝑠𝑜 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
Rotación de
activos
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
ROE (Return on
Equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
Margen de
operaciones
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠
Rotación de
activos netos
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙 − 𝑃𝑎𝑠𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
RONA (Return on
net assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙 − 𝑃𝑎𝑠𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙
Fuente: (Fernandes & Pires-Capobianco, 2001)
Tabla 79 Variables de medición del rendimiento de la empresa de Fernandes y Pires-
Capobianco (2001)
Guzhva y Pagiavlas (2003) en su trabajo evalúan la relación existente entre la
estructura de capital y el rendimiento/desempeño de las aerolíneas
estadounidenses. Para operacionalizar el factor de rendimiento/desempeño
utilizan las variables de la tabal 80:
Variable Definición
ROA (Return on
assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
RPM (Revenue
passenger miles)
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑎𝑠𝑎𝑗𝑒𝑟𝑜𝑠
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎⁄
Fuente: (Guzhva & Pagiavlas, 2003)
Tabla 80 Variables de medición del rendimiento de la empresa de Guzhva y Pagiavlas (2003)
Los autores King y Santor (2008) en su artículo estudian en efecto de la
estructura de propiedad sobre el rendimiento/desempeño de la empresa, así
como sobre su estructura de capital. Para ello toman una muestra de 613
empresas Canadienses comprendida entre los años 1998 y 2005. Para evaluar
el factor de rendimiento/desempeño de la empresa utilizan las variables
mostradas en la tabla 81.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 214
Variable Definición
ROA (Return on
assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Q de Tobin 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎
𝑉𝑎𝑙𝑜𝑟 𝑐𝑜𝑛𝑡𝑎𝑏𝑙𝑒 𝑑𝑒 𝑙𝑜𝑠 𝑎𝑐𝑡𝑖𝑣𝑜𝑠
Fuente: (King & Santor, 2008)
Tabla 81 Variables de medición del rendimiento de la empresa de King y Santor (2008)
Gleason, et al. (2000) en su estudio sobre la relación entre la estructura de
capital y el rendimiento/desempeño de la empresa, bajo el efecto cultural del
país, en una muestra de 14 distribuidores europeos, utilizan como variables
para operacionalizar el rendimiento/desempeño las identificadas en la tabla 82:
Rendimiento financiero
Variable Definición
ROA (Return on
assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Margen operativo 𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠
Rendimiento operativo
Variable Definición
Ventas por
empleado
𝑉𝑒𝑛𝑡𝑎𝑠
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠
Crecimiento de
las ventas
𝑉𝑒𝑛𝑡𝑎𝑠𝑡 − 𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1
Fuente: (Gleason, et al., 2000)
Tabla 82 Variables de medición del rendimiento de la empresa de Gleason, et al. (2000)
Los autores Bhagat y Boltron (2008) en su trabajo evalúan la relación entre el
gobierno corporativo y el rendimiento/desempeño de las empresas. Para
operacionalizar el factor de rendimiento/desempeño de la empresa utilizan las
variables de la tabla 83.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 215
Variable Definición
ROA (Return on
assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Retorno de las
acciones 𝑅𝑒𝑡𝑜𝑟𝑛𝑜 𝑐𝑜𝑚𝑝𝑢𝑒𝑠𝑡𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑖𝑛𝑐𝑙𝑢𝑦𝑒𝑛𝑑𝑜 𝑑𝑖𝑣𝑖𝑑𝑒𝑛𝑑𝑜𝑠 𝑡
Q de Tobin 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎
𝑉𝑎𝑙𝑜𝑟 𝑐𝑜𝑛𝑡𝑎𝑏𝑙𝑒 𝑑𝑒 𝑙𝑜𝑠 𝑎𝑐𝑡𝑖𝑣𝑜𝑠
Rendimiento de
los dos últimos
años
𝑅𝑂𝐴̅̅ ̅̅ ̅̅
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅
𝑄 𝑑𝑒 𝑇𝑜𝑏𝑖𝑛̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅
Rendimiento de
la industria de los
dos últimos años
𝑅𝑂𝐴̅̅ ̅̅ ̅̅𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎
𝑄 𝑑𝑒 𝑇𝑜𝑏𝑖𝑛̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎
Fuente: (Bhagat & Boltron, 2008)
Tabla 83 Variables de medición del rendimiento de la empresa de Bhagat y Boltron (2008)
El autor Campello (2006) en su artículo sobre el efecto de la deuda en el
rendimiento/desempeño de las empresas, utiliza como variable para
operacionalizar el constructo rendimiento/desempeño la identificada en la tabla
84:
Variable Definición
Crecimiento de
las ventas
𝑆𝑎𝑙𝑒𝑠𝑡 − 𝑆𝑎𝑙𝑒𝑠𝑡−1𝑆𝑎𝑙𝑒𝑠𝑡−1
Fuente: (Campello, 2006)
Tabla 84 Variables de medición del rendimiento de la empresa de Campello (2006)
Molina-Azorín, et al. (2010) en su estudio analizan el efecto de la empresa en
su rendimiento/desempeño. Para operacionalizar el constructo
rendimiento/desempeño utilizan tres grupos de variables, los cuales se recogen
en la tabla 85.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 216
Variable Definición
Crecimiento de
las ventas
𝑉𝑒𝑛𝑡𝑎𝑠𝑡 − 𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1
ROI (Return on
Investment)
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛 − 𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠
𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠
ROE (Return on
Equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
ROS (Return on
Sales)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑉𝑒𝑛𝑡𝑎𝑠
Beneficio por
acción (EPS-
Earnings per
share)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜 − 𝑑𝑖𝑣𝑖𝑑𝑒𝑛𝑑𝑜𝑠 𝑠𝑜𝑏𝑟𝑒 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠
Fuente: (Molina-Azorín, et al., 2010)
Tabla 85 Variables de medición del rendimiento de la empresa de Molina-Azorín, et al. (2010)
Caloghirou, et al. (2004) analizan la relación existente entre los efectos de la
industria y empresa, sobre el rendimiento/desempeño de las empresas. Utilizan
una muestra de 1800 empresas griegas. Operacionalizan el constructo
rendimiento/desempeño mediante las variables de la tabla 86.
Variable Definición
Margen de
beneficios
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛 − 𝑐𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑣𝑒𝑛𝑡𝑎𝑠
𝐼𝑛𝑔𝑟𝑒𝑠𝑜 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
Margen neto 𝐸𝐵𝑇
𝐼𝑛𝑔𝑟𝑒𝑠𝑜 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
ROE (Return on
Equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
Fuente: (Caloghirou, et al., 2004)
Tabla 86 Variables de medición del rendimiento de la empresa de Caloghirou, et al. (2004)
Los autores Hawawini, et al. (2004) analizan los efectos de la empresa,
industria, país, industria-país, año, país-año e industria-año, en el
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 217
rendimiento/desempeño de la empresa. Para operacionalizar el factor
rendimiento/desempeño no son partidarios de utilizar indicadores contables
esgrimiendo como argumento que los mismos no miden los flujos de caja y los
retornos (Return on ….) no está ajustados con el riegos. Además el valor de los
activos puede haberse obtenido a su valor histórico en lugar del valor de
mercado actual. Por este motivo proponen otros indicadores para
operacionalizar el constructo como por ejemplo los recogidos en la tabla 87:
Variable Definición
Beneficio
económico (𝐸𝐵𝐼𝑇 ∗ (1 − 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑖𝑚𝑝𝑢𝑒𝑠𝑡𝑜𝑠)
𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑖𝑛𝑣𝑒𝑟𝑡𝑖𝑑𝑜− 𝐶𝑜𝑠𝑡𝑒 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑎𝑝𝑖𝑡𝑎𝑙 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜) 𝑥 𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜
Valor de mercado
por unidad
monetaria
empleada
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠 + 𝐷𝑒𝑢𝑑𝑎)𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜
𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜
Fuente: (Hawawini, et al., 2004)
Tabla 87 Variables de medición del rendimiento de la empresa de Hawawini, et al. (2004)
Munisi y Randoy (2013) en su artículo analizan el efecto del gobierno
corporativo sobre el rendimiento/desempeño de las empresas. Utilizan una
muestra de 434 empresas de 10 países subsaharianos, cuyas observaciones
están comprendidas entre los años 2005 y 2009. Para operacionalizar el factor
de rendimiento/desempeño utilizan las variables identificadas en la tabla 88.
Variable Definición
ROA (Return on
Assets)
𝐸𝐵𝐼𝑇𝐷𝐴
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
Q de Tobin 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎
𝑉𝑎𝑙𝑜𝑟 𝑐𝑜𝑛𝑡𝑎𝑏𝑙𝑒 𝑑𝑒 𝑙𝑜𝑠 𝑎𝑐𝑡𝑖𝑣𝑜𝑠
Fuente: (Munisi & Randoy, 2013)
Tabla 88 Variables de medición del rendimiento de la empresa de Munisi y Randoy (2013)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 218
De acuerdo a la revisión bibliográfica realizada y las entrevistas con
profesionales del sector académico y profesional, se toman como variables
para operacionalizar el factor de Rendimiento de la empresa las de la figura 81:
Rendimiento del
empresa
X13 = Return on Equity (ROE)
X14 = Return on Capital Employed (ROCE)
X15 = Return on Sales (ROS)
Fuente: Elaboración propia
Figura 81 Variables de medición del rendimiento de la empresa del modelo
La operacionalización de las variables es la siguiente:
𝑋13 = 𝑅𝑂𝐸 (𝑅𝑒𝑡𝑢𝑟𝑛 𝑜𝑛 𝑒𝑞𝑢𝑖𝑡𝑦) =𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠)𝑡
𝑋14 = 𝑅𝑂𝐶𝐸 (𝑅𝑒𝑡𝑢𝑟𝑛 𝑜𝑛 𝑐𝑎𝑝𝑖𝑡𝑎𝑙 𝑒𝑚𝑝𝑙𝑜𝑦𝑒𝑑) =𝐸𝐵𝐼𝑇
𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜)𝑡
𝑋15 = 𝑅𝑂𝑆 (𝑅𝑒𝑡𝑢𝑟𝑛 𝑜𝑛 𝑠𝑎𝑙𝑒𝑠) =𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑜
𝑉𝑒𝑛𝑡𝑎𝑠)𝑡
Los autores Keterlhöhn y Quintanilla (2012) en su trabajo analizan los efectos
del país, industria, empresa y temporales en el rendimiento de las empresas.
La muestra que utilizan está formada por 263 empresas, pertenecientes a 33
industrias, en 7 países de centro América, obteniendo observaciones entre los
años 1999 y 2003. Los resultados que han obtenido muestran que efecto de la
empresa explica entre el 45%-50% de la varianza del ROA, el efecto industria
explica alrededor del 10%-17%, el efecto país entre un 5%-8%.
Arend (2009) en su trabajo analiza los efectos de la industria y de las
características de empresa en su rendimiento/desempeño. Utilizan una muestra
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 219
formada por 16918 empresas de 396 industrias entre los años 1998 y 2000.
Entre los hallazgos que han obtenido se encuentran la falsación para la
muestra empleada de la sobrestimación de los efectos de la industria sobre el
rendimiento/desempeño de la empresa. Así como la imposibilidad de separar
los efectos de la industria de los de las características de la empresa, puesto
que se trata de un efecto conjunto al existir sinergias. En su trabajo muestran
tras la revisión bibliográfica realizada que el efecto de las características de
empresa explica el 40% o más de la varianza del su ROA, así como el de la
industria explica entre un 4%-20% de dicha varianza del ROA. Utilizan como
base teórica entre el efecto de la industria sobre el rendimiento/desempeño de
la empresa la literatura tradicional de Organización Industrial.
Los investigadores Claver, et al. (2002) estudian los efectos de la empresa e
industria en el rendimiento/desempeño de la empresa. Utilizan como indicador
del rendimiento/desempeño la rentabilidad (ROA). La muestra está compuesta
por 679 empresas españolas de 100 industrias diferentes, siendo las
observaciones del periodo comprendido entre 1994-1998. Han falsado para su
muestra que los dos efectos (industria y empresa) tienen influencia sobre el
rendimiento/desempeño. Sin embargo el efecto que tiene un mayor impacto es
el de empresa. En la revisión bibliográfica llevada a cabo por estos autores, se
han centrado en la teoría clásica de la Organización Industrial para argumentar
teóricamente el efecto de la industria sobre el rendimiento/desempeño de la
empresa. Donde la estructura de la industria afecta a la conducta de las
empresas y en última instancia al rendimiento/desempeño (S-C-P, Structure-
Conduct-Performance). Es decir, que el tamaño y concentración de las
empresas de la industria, las barreras de entrada, las economías de escala,
diferenciación… conforman el atractivo de la industria, como enunció Michel
Porter (1981), y este a su vez la conducta de las empresas y su
rendimiento/desempeño.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 220
7.6 OTROS FACTORES
Adicionalmente a los factores vistos, hay otros que también afecta a las
empresas, como son la industria y el país. En el estudio que se lleva a cabo en
esta tesis doctoral como el análisis se realiza anualmente, todas las empresas
están sometidas al mismo efecto de la industria y país, por lo que pueden
considerarse quasi-constantes y aplicando la cláusula céteris paribus, los
extraemos del análisis. No obstante en una segunda etapa de esta línea de
investigación se buscará la correlación entre estos factores y los utilizados en
este trabajo.
7.6.1 Factor “EFECTO DE LA INDUSTRIA”
Los autores Kayo y Kimura (2011) en su trabajo estudian el efecto entre otros
de la industria en la estructura de capital de una empresa. Para dicho estudio
toman como variables independientes para medir el factor “Industry-level” las
recogidas en la tabla 89:
Variable Definición
Munificiencia 𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑔𝑟𝑒𝑠𝑖𝑜𝑛 𝑒𝑛𝑡𝑟𝑒 𝑡𝑖𝑒𝑚𝑝𝑜 − 𝑣𝑒𝑛𝑡𝑎𝑠 𝑒𝑛 5 𝑎ñ𝑜𝑠
𝑉𝑎𝑙𝑜𝑟 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠
Dinamismo 𝐸𝑟𝑟𝑜𝑟 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 𝑑𝑒 𝑙𝑎 𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑚𝑢𝑛𝑖𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑖𝑎
𝑉𝑎𝑙𝑜𝑟 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠
Indice HH ∑(𝐶𝑢𝑜𝑡𝑎 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜𝑖)2
Fuente: (Kayo & Kimura, 2011)
Tabla 89 Variables de medición del efecto de la industria de Kayo y Kimura (2011)
Para estos mismos autores los estudios que incorporan variables relacionadas
con la industria, lo hacen como variables dummy, aunque en el suyo las
incorporaron como variables independientes.
Los investigadores Muradoglu y Sivaprasad (2012) en su trabajo sobre el
efecto de la estructura de capital en los retornos de las empresas y la influencia
de la industria en dicha relación, utilizaran como variables para operacionalizar
dicha influencia las mostradas en la tabla 90:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 221
Variable Definición
Grado de
concentración de
la industria
(índice de
Herfindahl)
𝐻𝑗 = ∑𝑆𝑖𝑗2
𝑗
𝑖=1
; 𝑑𝑜𝑛𝑑𝑒 𝑆𝑖𝑗 𝑒𝑠 𝑙𝑎 𝑐𝑢𝑜𝑡𝑎 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑖 𝑒𝑛 𝑗
Tipo de industria 𝐶ó𝑑𝑖𝑜 𝑆𝐼𝐶
Fuente: (Muradoglu & Sivaprasad, 2012)
Tabla 90 Variables de medición del efecto de la industria de Muradoglu y Sivaprasad (2012)
Caloghirou, et al. (2004) en su estudio analizan la relación entre el
rendimiento/desempeño de las empresas y el efecto de la empresa e industria.
Utilizan una muestra de 1800 empresas griegas de diferentes sectores. Utilizan
para operacionalizar el factor efecto de la industria, las variables de la tabla 91:
Variable Definición
Grado de
concentración de
la industria
𝑉𝑒𝑛𝑡𝑎𝑠
𝐹𝑎𝑐𝑡𝑢𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎
Diferenciación de
producto
𝐺𝑎𝑠𝑡𝑜 𝑒𝑛 𝑝𝑢𝑏𝑙𝑖𝑐𝑖𝑑𝑎𝑑 𝑡𝑜𝑡𝑎𝑙 𝑒𝑛 𝑙𝑎 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎
𝑉𝑒𝑛𝑡𝑎𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠 𝑒𝑛 𝑙𝑎 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎
Ciclo de vida {
𝐸𝑚𝑏𝑟𝑖𝑜𝑛𝑎𝑟𝑖𝑎𝐶𝑟𝑒𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜 𝑀𝑎𝑑𝑢𝑟𝑒𝑧 𝐷𝑒𝑐𝑙𝑖𝑣𝑒
Fuente: (Caloghirou, et al., 2004)
Tabla 91 Variables de medición del efecto de la industria de Caloghirou, et al. (2004)
Los autores Gülnur y Sivaprasad (2012) en su trabajo analizan la relación entre
la estructura de capital y el rendimiento/desempeño a través de los retornos
obtenidos. Hacen uso de una muestra de 2673 empresas británicas que
aparecen en el London Stock Exchange entre los años 1965 y 2008. Para
caracterizar la industria utilizan las variables mostradas en la tabla 92:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 222
Variable Definición
Grado de
concentración de
la industria
(índice de
Herfindahl)
𝐻𝑗 = ∑𝑆𝑖𝑗2
𝑗
𝑖=1
; 𝑑𝑜𝑛𝑑𝑒 𝑆𝑖𝑗 𝑒𝑠 𝑙𝑎 𝑐𝑢𝑜𝑡𝑎 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑖 𝑒𝑛 𝑗
Tipo de industria 𝐶ó𝑑𝑖𝑜 𝑆𝐼𝐶
Fuente: (Gülnur & Sivaprasad, 2012)
Tabla 92 Variables de medición del efecto de la industria de Gülnur y Sivaprasad (2012)
Los autores Goddard, et al. (2009) analizan las fuentes de variación del
rendimiento/desempeño de la empresa. Entre las fuentes de variación se
encuentran los efectos del país, industria, grupo de pertenencia y de la
empresa. En su estudio utilizan dos muestras de empresas de 11 países de la
Unión Europea, una de 13827 empresas y la otra de 7211. Los efectos de la
industria principalmente son los derivados de la distribución de las empresas en
relación a su tamaño y número, las características del producto, la facilidad de
entrada o salida. Estas características afectarían a la conducta de las mismas y
en última instancia a su rendimiento/desempeño. La literatura clásica de
organización industrial utiliza el modelo de las cinco fuerzas de Michael Porter
(1980) para analizar el atractivo de la industria y el efecto que podrían tener en
el rendimiento/desempeño de la empresa. Las varaibles que podrían
incorporarse para introducir el efecto de la industria en el modelo son las que
se muestran en la figura 82.
Efecto de la industria
Y1 = Degree of competition
Y2 = Market demand
Y3 = Market atractiveness
Fuente: Elaboración propia
Figura 82 Variables de medición del efecto de la industria que podrían incorporarse al modelo
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 223
La operacionalización de dichas variables es la que se muestra a continuación:
𝑌1 = 𝐷𝑒𝑔𝑟𝑒𝑒 𝑜𝑓 𝑐𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑖𝑜𝑛 = 𝑁𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑎𝑒𝑟𝑜𝑠𝑝𝑎𝑐𝑒 𝑐𝑜𝑚𝑝𝑎𝑛𝑖𝑒𝑠 𝑖𝑛 𝑡ℎ𝑒 𝑛𝑎𝑡𝑖𝑜𝑛𝑎𝑙 𝑚𝑎𝑟𝑘𝑒𝑡𝑡
𝑌2 = 𝑀𝑎𝑟𝑘𝑒𝑡 𝑑𝑒𝑚𝑎𝑛𝑑 = 𝑅𝑒𝑣𝑒𝑛𝑢𝑒𝑠 𝑜𝑓 𝑡ℎ𝑒 𝑠𝑒𝑐𝑡𝑜𝑟𝑡
𝑌3 = 𝑀𝑎𝑟𝑘𝑒𝑡 𝑎𝑡𝑟𝑎𝑐𝑡𝑖𝑣𝑒𝑛𝑒𝑠𝑠 = 𝑀𝑎𝑟𝑘𝑒𝑡 𝑔𝑟𝑜𝑢𝑤𝑡ℎ 𝑟𝑎𝑡𝑒𝑡
En el caso que nos ocupa este tipo de variables se analizan en la revisión
bibliográfica aunque después no se utilicen en el análisis, por aplicar la cláusula
ceteris paribus y al realizar un análisis por año, afectan de igual manera a todas
las empresas que operan en ese entorno. Además entre los objetivos de esta
tesis doctoral no se encuentra analizar la relación entre el efecto de la industria
y la estructura de las empresas y su rendimiento. Este último análisis se
propone como futura línea de investigación.
7.6.2 Factor “EFECTO DEL PAÍS”
Los autores Mangir y Erdogan (2011) realizan un estudio de la crisis financiera
global recientemente sufrida, así como de la recesión, en los países donde
aparentemente ha tenido unos efectos más severos (Italia, Grecia, España,
Portugal, Irlanda y Turquía). Aunque esta crisis se inició en Estados Unidos se
propagó con mayor o menor rapidez o impacto en las diferentes economías de
los países. Para este análisis han utilizado como variables de medición de la
evolución del estado de la macroeconomía de un país las relacionadas en la
tabla 93:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 224
Variable Definición
Crecimiento
económico 𝑃𝐼𝐵
Tasa de inflación 𝐼𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑃𝑟𝑒𝑐𝑖𝑜𝑠 𝑎𝑙 𝐶𝑜𝑛𝑠𝑢𝑚𝑜
Tasa de
desempleo
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑𝑒𝑠𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠
𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛 𝑎𝑐𝑡𝑖𝑣𝑎
Balanza de
pagos
𝐸𝑥𝑝𝑜𝑟𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠 − 𝐼𝑚𝑝𝑜𝑟𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠
𝑃𝐼𝐵
Tasa del balance
presupuestario
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 − 𝐺𝑎𝑠𝑡𝑜 𝑝ú𝑏𝑙𝑖𝑐𝑜
𝑃𝐼𝐵
Fuente: (Mangir & Erdogan, 2011)
Tabla 93 Variables de medición del efecto del país de Mangir y Erdogan (2011)
Los investigadores Adidam, et al. (2012) estudian el efecto la aplicación de la
inteligencia competitiva a los resultados financieros de las empresas en India.
La inteligencia competitiva (Competitive Intelligence en inglés) según este
artículo es un proceso evolutivo y continuo que cubre el descubrimiento,
análisis y utilización de la inteligencia en relación a los competidores, el entorno
empresarial general, utilizando fuentes de información no propietarias, y
convirtiendo esos datos en conocimiento de manera continua. Añaden algún
matiz más diciendo que si la inteligencia obtenida no puede utilizarse o no sirve
para tomar acciones, entonces no es inteligencia. En su artículo plantean un
constructo que tiene que ver con la influencia del entorno macro y micro
(Macro- and micro-environment drivers). Dicho constructo lo tratan a través de
varias dimensiones, pero sin proponer variables para operacionalizarlas:
Clientes, competidores, internacional, económico, tecnológico, suministradores,
regulatoria, socio-cultural.
Matysek-Jedrych (2012) en su artículo propone medir la competitividad de la
economía ante una crisis como la vivida en 2008 mediante las variables
macroeconómicas que se muestran en la tabla 94:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 225
Variable Definición
Crecimiento
económico 𝑃𝐼𝐵
Creimiento
económico por
ciudadado
𝑃𝐼𝐵
𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛
Tasa de inflación 𝐼𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑃𝑟𝑒𝑐𝑖𝑜𝑠 𝑎𝑙 𝐶𝑜𝑛𝑠𝑢𝑚𝑜
Tasa de empleo 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑡𝑟𝑎𝑏𝑎𝑗𝑎𝑑𝑜𝑟𝑒𝑠
𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛 𝑎𝑐𝑡𝑖𝑣𝑎
Crecimiento real
del coste de la
mano de obra
𝐶𝑜𝑠𝑡𝑒 𝑚𝑎𝑛𝑜 𝑑𝑒 𝑜𝑏𝑟𝑎𝑡 − 𝐶𝑜𝑠𝑡𝑒 𝑚𝑎𝑛𝑜 𝑑𝑒 𝑜𝑏𝑟𝑎𝑡−1𝐶𝑜𝑠𝑡𝑒 𝑚𝑎𝑛𝑜 𝑑𝑒 𝑜𝑏𝑟𝑎𝑡−1
Productividad de
la mano de obra
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖𝑜𝑛
𝐶𝑜𝑠𝑡𝑒 𝑙𝑎 𝑚𝑎𝑛𝑜 𝑑𝑒 𝑜𝑏𝑟𝑎
Balanza de
pagos
𝐸𝑥𝑝𝑜𝑟𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠 − 𝐼𝑚𝑝𝑜𝑟𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠
𝑃𝐼𝐵
Grupos del GCI
(Global
competitiveness
index)
12 𝑔𝑟𝑢𝑝𝑜𝑠 𝑑𝑒𝑙 𝐺𝐶𝐼
Fuente: (Matysek-Jedrych, 2012)
Tabla 94 Variables de medición del efecto del país de Matysek-Jedrych (2012)
Los autores Burstein Goldszmidt, et al. (2011) en su artículo tratan de falsar la
relación causal existente entre el efecto del país en el funcionamiento de la
empresa, como el efecto de la interacción país-industria también en el
funcionamiento de la empresa. Para refutar ambas relaciones causales utiliza
un modelo jerárquico lineal de tres niveles donde operacionaliza los constructos
del siguiente modo:
Funcionamiento de la empresa – Para operacionalizar este constructo
utiliza el ROA (Return-On-Assets)
Efecto del país y efecto país-industria – Para operacionalizar estos
constructos utiliza las variables “Funcionamiento medio de la empresa j-
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 226
ésima”, “Desviación de la media del funcionamiento de la empresa j-
ésima”, “Funcionamiento media de las empresas de la industria k-ésima
en el país l-ésimo”, “Desviación de la media del funcionamiento de la
industria k-ésima de la empresa j-ésima”, “Media del funcionamiento de
todas las empresas en todas las industrias en todos los países”, “Efecto
aleatorio de la contribución media de la industria k en todos los países”
“Efecto aleatorio de la contribución media del país l en todas las
industrias”, “Efecto aleatorio de la interacción de la industria k con el país
l”
El investigador Theodore (2011) en su trabajo trata de buscar indicadores
económicos que den información sobre la detección temprana de las crisis
macroeconómicas en los países. De la revisión de bibliográfica que este autor
ha realizado pone de manifiesto que los indicadores recogidos en la tabla 95
son los más utilizados:
Variable Definición
Variación de la
divisa
𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑣𝑖𝑠𝑎𝑡 − 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑣𝑖𝑠𝑎𝑡−1𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑣𝑖𝑠𝑎𝑡−1
Retornos del
mercado de
valores
𝐼𝑛𝑑𝑖𝑐𝑒 𝑑𝑒𝑙 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑣𝑎𝑙𝑜𝑟𝑒𝑠
Variación del PIB
real
𝑃𝐼𝐵 𝑟𝑒𝑎𝑙 𝑡 − 𝑃𝐼𝐵 𝑟𝑒𝑎𝑙 𝑡−1𝑃𝐼𝐵 𝑟𝑒𝑎𝑙 𝑡−1
Variación de la
producción
industrial
𝐼𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖𝑜𝑛 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎𝑙 𝑡 − 𝐼𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖𝑜𝑛 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎𝑙 𝑡−1𝐼𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖𝑜𝑛 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎𝑙 𝑡−1
Uso de la
financiación del
FMI
𝑉𝑜𝑙𝑢𝑚𝑒𝑛 𝑝𝑟𝑒𝑠𝑡𝑎𝑑𝑜 𝑝𝑜𝑟 𝑒𝑙 𝐹𝑀𝐼
Fuente: (Theodore, 2011)
Tabla 95 Variables de medición del efecto del país de Theodore (2011)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 227
También ha encontrado en esa revisión bibliográfica que hay otros indicadores
que son estadísticamente significativos: Reservas, Tipo de cambio, PIB,
Crédito, Balanza de pagos, suministro de dinero, importaciones, exportaciones.
Otros indicadores no se puede concluir su baja/alta significación como por
ejemplo: Tipo de interés e inflación. Como conclusión final de su estudio, pone
de manifiesto que las variables que mejor predicen la crisis económica en
Trinidad y Tobago son: Diferencial del tipo de interés y tipo de interés real. Se
podría asumir como hipótesis que si en una economía en principio más
encapsulada del mercado global que las estudiadas en esta tesis doctoral,
muestra una serie de variables, como predictoras de la crisis económica, este
comportamiento se repite en economías menos encapsuladas, incluso podría
magnificarse.
Yang y Mallick (2013) en su artículo estudian como las diferencias
macroeconómicas entre países afectan al rendimiento de las empresas y a su
capacidad exportadora. Proponen una serie de variables diferenciadoras entre
países que podrían ser tenidas en cuenta en el modelo de medición de este
constructo. Dichas variables son: Demanda externa, Precios relativos,
Crecimiento del PIB, Inflación, Apertura el comercio (trade openness), Inversión
directa exterior, Grado de reforma financiera, Crisis financiera en el país
Los autores Chiarella y Di Guilmi (2011) en su artículo examinan como se
propaga la crisis financiera a la economía real. Esa aproximación es útil para
esta tesis doctoral ya que pone de manifiesto aquellos indicadores que mejor
miden la economía real y que actúan como catalizadores de una crisis en un
sector determinado (en este caso el financiero) hacia el entorno en el que
operan las empresas de ese país. Las variables macroeconómicas y
microeconómicas que ha utilizado son: PIB, fluctuaciones del PIB,
capitalización del mercado, media de la capitalización del mercado, deuda de la
empresa, media de la deuda de las empresas, fluctuaciones en el PIB. Uno de
los resultados que han obtenido es la existencia de correlación en su muestra
(EEUU entre 1929 y 2008) entre los siguientes pares de variables:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 228
Capitalización del mercado y PIB
Media de la capitalización del mercado y PIB
Deuda de la empresa y PIB
Media de la deuda de las empresas y PIB
Los investigadores Tomas y Dimitric (2011) en su artículo realizan una revisión
bibliográfica sobre los trabajos que incorporan variables microeconómicas y
macroeconómicas para predecir la desaceleración o los problemas financieros
en las empresas. En este mismo trabajo comentan que hay varios
investigadores que las variables que pueden predecir la desaceleración o la
bancarrota en las empresas varia de unos países a otros. Por lo que el efecto
del país influye sobre el rendimiento de las mismas. Este hecho soporta la
inclusión de esta variable en el modelo de esta tesis doctoral. Como resumen a
lo que estos autores han encontrado en la revisión bibliográfica que han llevado
a cabo la mayor parte de esos autores sugieren que para tener una mayor
precisión en la determinación de la influencia del macroentorno en el
funcionamiento de las empresas sería conveniente tener en cuenta las
siguientes variables macroeconómicas: Cambios en el PIB real, suministro de
dinero, tasa de desempleo, cambios en los tipos de interés, tipo de cambio de
divisa extranjera, índice de precios al consumo, número de nuevas empresas
creadas, balanza de pagos.
Jurlin, et al. (2011) en su artículo realizan una revisión bibliográfica sobre la
existencia de indicadores que sean capaces de poner de manifiesto la
desaceleración de una economía para anticipar una crisis económica. Al
estudio de este tipo de indicadores se le denomina Sistema de Alerta
Temprana (Early Warning System – EWS). Es importante incluir este tipo de
indicadores en esta tesis doctoral para medir la influencia del entorno en el
rendimiento de las empresas, en lugar de otros que aun siendo válidos, pero
aportarían menos valor al tener un matiz reactivo en lugar de proactivo con
estos. En este trabajo aparecen varias clasificaciones de los indicadores
macroeconómicos, como por ejemplo las que los divide en cuatro categorías:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 229
(1) monetarios, (2) financieros, (3) fiscales, (4) macroeconómicos. También
mencionan un cuadro de mando de alerta temprana macroeconómica que la
Comisión Europea decide incluir como propuesta legislativa en 2010 y que
incluye los siguientes indicadores: balanza por cuenta corriente, tipo de cambio
efectivo real, deuda del sector privado, deuda del sector público
No obstante el modelo propuesto por la Comisión Europea no refleja la realidad
de manera apropiada según el estudio que realizó Heinen (2011) tomando una
muestra de los miembros de la Unión Europea entre los años 2006 y 2010.
Sólo los dos primeros indicadores de la tabla (balanza por cuenta corriente y
posición externa neta) mostraron signos de debilidad estando fuera de los
límites propuestos para Grecia, Irlanda, España y Portugal.
En el artículo de estos autores (Jurlin, et al., 2011) proponen otra clasificación
de los indicadores macroeconómicos utilizados para evaluar la salud financiera
del país, basada en los siguientes grupos: Cuenta corriente, cuenta de capital,
financiero, deuda, internacional, real, fiscal, institucional y político.
El estudio de los autores Frankel y Saravelos (2010) en el que analizan el
porcentaje de los estudios que identifican como estadísticamente significativo
diferentes indicadores macroeconómicos. Estos datos aparecen representados
en la figura 83.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 230
Fuente: (Frankel & Saravelos, 2010)
Figura 83 Distribución de estudios que identifican varios indicadores macroeconómicos como significativos
Los autores Oral y Chabchoub (1996) en su artículo estudian la metodología
que se utiliza para elaborar la información del informe “World Competitiveness
Report” publicado por el Foro Económico Mundial (World Economic Forum –
WEF). Resaltan en numerosas ocasiones la importancia del entorno
competitivo en el funcionamiento y rendimiento de las empresas. En el informe
que publican aparecen 8 factores que engloban todos los aspectos que
consideran que miden la competitividad de un país. Dichos factores (podrían
considerarse equivalentes a constructos) son: Fortaleza de la economía
doméstica, internacionalización, gobierno, finanzas, infraestructura, gestión,
ciencia y tecnología, población. Por lo tanto si se quisiera incluir en esta tesis
doctoral la influencia de la competitividad se podría hacer a través del índice de
competitividad el país o bien descomponiéndolo en cada uno de los ocho
factores (cada uno tiene multitud de variables que son agregadas según
diversas reglas para producir un único índice por factor).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 231
Priyanto (2006) en su artículo evalúa mediante un modelo de ecuaciones
estructurales aplicado a una muestra de empresas que cultivan tabaco en
Indonesia, la relación causal entre el entorno económico de un país y el
rendimiento y/o funcionamiento de las empresas de la muestra elegidas. Este
artículo resulta útil, además de por la relación causal que plantea, también por
el modelo de medición del entorno económico que propone, y cuyas variables
de medición son: Precio input / output, acceso a capital, estructura del
mercado, soporte del Gobierno al sector
Los autores Hofmann & Lampe (2013) en su estudio sobre la influencia de los
estados financieros de los proveedores de servicios logísticos en su
funcionamiento, utilizan como variables para operacionalizar el factor “Other
factors” las siguientes: Tendencia general económica, precio del pretróleo
Los investigadores Kayo y Kimura (2011) en su trabajo estudian el efecto entre
otros del país en la estructura de capital de una empresa. Para dicho estudio
toman como variables independientes para medir el factor “Country-level” las
mostradas en la tabla 96:
Variable Definición
Desarrollo del
mercado de
valores
𝐶𝑎𝑝𝑖𝑡𝑎𝑙𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑣𝑎𝑙𝑜𝑟𝑒𝑠
𝑃𝐼𝐵
Desarrollo del
mercado de
bonos
𝐶𝑎𝑝𝑖𝑡𝑎𝑙𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑏𝑜𝑛𝑜𝑠 𝑝𝑢𝑏𝑙𝑖𝑐𝑜 𝑦 𝑝𝑟𝑖𝑣𝑎𝑑𝑜
𝑃𝐼𝐵
Sistema
financiero
(Mercado vs
Bancos)
{1 𝑠𝑖 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑓𝑖𝑛𝑎𝑛𝑐𝑖𝑒𝑟𝑜 𝑒𝑠𝑡á 𝑜𝑟𝑖𝑒𝑛𝑡𝑎𝑑𝑜 ℎ𝑎𝑐𝑖𝑎 𝑙𝑜𝑠 𝑚𝑒𝑟𝑐𝑎𝑑𝑜𝑠0 𝑠𝑖 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑓𝑖𝑛𝑎𝑛𝑐𝑖𝑒𝑟𝑜 𝑒𝑠𝑡á 𝑜𝑟𝑖𝑒𝑛𝑡𝑎𝑑𝑜 ℎ𝑎𝑐𝑖𝑎 𝑙𝑜𝑠 𝑏𝑎𝑛𝑐𝑜𝑠
Crecimiento del
PIB
𝑃𝐼𝐵𝑡 − 𝑃𝐼𝐵𝑡−1𝑃𝐼𝐵𝑡−1
Fuente: (Kayo & Kimura, 2011)
Tabla 96 Variables de medición del efecto del país de Kayo y Kimura (2011)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 232
Guzhva y Pagiavlas (2003) en su trabajo sobre la relación existente entre la
estructura de capital y el rendimiento/desempeño de las aerolíneas
estadounidenses, introducen el efecto del país sobre la misma. Para
operacionalizar este efecto país, utilizan las variables mostradas en la tabla 97:
Variable Definición
Cambios en el
PIB real
𝑃𝐼𝐵 𝑟𝑒𝑎𝑙 𝑡 − 𝑃𝐼𝐵 𝑟𝑒𝑎𝑙 𝑡−1𝑃𝐼𝐵 𝑟𝑒𝑎𝑙 𝑡−1
Índice de precios
al consumo del
año anterior
𝐼𝑃𝐶𝑡−1
Fuente: (Guzhva & Pagiavlas, 2003)
Tabla 97 Variables de medición del efecto del país de Guzhva y Pagiavlas (2003)
Tras revisar la bibliografía y con las consultas realizadas a expertos
académicos y de la industria se han identificado las variables de la figura 84
como potencialmente utilizables si se quisiera incorporar el efecto del país al
estudio.
Efecto del pais
Y4 = PIB
Y5 = Tasa de desempleo
Y6 = Importaciones aeros.
Y7 = Exportaciones aeros.
Y8 = Competitividad
Fuente: Elaboración propia
Figura 84 Variables de medición del efecto del país que podrían incorporarse al modelo
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 233
La operacionalización de estas variables es la siguiente:
𝑋4 = 𝑃𝐼𝐵𝑡
𝑋5 = 𝑇𝑎𝑠𝑎 𝑑𝑒 𝑑𝑒𝑠𝑒𝑚𝑝𝑙𝑒𝑜𝑡
𝑋6 = 𝐼𝑚𝑝𝑜𝑟𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒𝑙 𝑠𝑒𝑐𝑡𝑜𝑟 𝑎𝑒𝑟𝑜𝑒𝑠𝑝𝑎𝑐𝑖𝑎𝑙𝑡
𝑋7 = 𝐸𝑥𝑝𝑜𝑟𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒𝑙 𝑠𝑒𝑐𝑡𝑜𝑟 𝑎𝑒𝑟𝑜𝑒𝑠𝑝𝑎𝑐𝑖𝑎𝑙𝑡
𝑋8 = Í𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑐𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑖𝑣𝑖𝑑𝑎𝑑 𝑔𝑙𝑜𝑏𝑎𝑙 𝑑𝑒𝑙 𝑊𝐸𝐹𝑡
7.7 DESCRIPCIÓN DEL MODELO COMPLETO
Una vez que se han definido las áreas que se van a incluir en el modelo, así
como haciendo uso de la bibliografía se han seleccionado las variables para
operacionalizarlas y medirlas, se va a presentar en la tabla 98 el modelo
completo sobre el que se aplicarán las diferentes técnicas. No siempre estarán
presentes todas las variables aquí expuestas (por ejemplo la variable “Posición
en la cadena de suministro no se utiliza en el modelo predictivo con redes
neuronales artificiales, pero sin embargo es una variable muy importante en el
análisis DEA para dividir las empresas en grupos afines y sacar conclusiones
de los resultados por eslabón de la cadena de valor).
Efecto de la empresa
Variable Fórmula de cálculo
Company age 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑎𝑔𝑒 = 2013 − 𝐴ñ𝑜 𝑑𝑒 𝑓𝑢𝑛𝑑𝑎𝑐𝑖ó𝑛
Company size 𝑉𝑒𝑛𝑡𝑎𝑠𝑡
𝐹𝑎𝑐𝑡𝑢𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎 𝑎𝑒𝑟𝑜𝑒𝑠𝑝𝑎𝑐𝑖𝑎𝑙𝑡
Value chain
position 𝑉𝑎𝑙𝑢𝑒 𝑐ℎ𝑎𝑖𝑛 𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛
{
1 = 𝐼𝑛𝑔𝑒𝑛𝑖𝑒𝑟í𝑎
2 = 𝑀𝐴𝐼𝑇 (𝑀𝑎𝑛𝑢𝑓𝑎𝑐𝑡𝑢𝑟𝑖𝑛𝑔, 𝐴𝑠𝑠𝑒𝑚𝑏𝑙𝑦, 𝑇𝑒𝑠𝑡 & 𝐼𝑛𝑡𝑒𝑔𝑟𝑎𝑡𝑖𝑜𝑛) 3 = 𝑆𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠 4 = 𝑀𝑅𝑂 5 = 𝐼𝑛𝑔𝑒𝑛𝑖𝑒𝑟í𝑎 + 𝑀𝐴𝐼𝑇 + 𝑆𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠
6 = 𝐼𝑛𝑔𝑒𝑛𝑖𝑒𝑟í𝑎 +𝑀𝐴𝐼𝑇 + 𝑆𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠 + 𝑀𝑅𝑂
Infrastructure
and resource
intensity
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠𝑡𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠𝑡
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 234
Estructura de activos
Variable Fórmula de cálculo
Asset intensity 𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑖𝑒𝑛𝑡𝑒𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠)𝑡
Assets
turnover rate
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠)𝑡
Current assets
turnover rate
𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠)𝑡
Estructura de capital
Variable Fórmula de cálculo
Debt-to-Equity
ratio
𝐷𝑒𝑢𝑑𝑎
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠)𝑡
Leverage 𝐷𝑒𝑢𝑑𝑎
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠)𝑡
Debt intensity 𝑃𝑎𝑠𝑖𝑣𝑜 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒)𝑡
Estructura de liquidez
Variable Fórmula de cálculo
Coverage
ratio
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠
𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠
Current ratio (𝐸𝑓𝑒𝑐𝑡𝑖𝑣𝑜 + 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑏𝑙𝑒 + 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑎𝑐𝑜𝑏𝑟𝑎𝑟 + 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠 − 𝑎𝑛𝑡𝑖𝑐𝑖𝑝𝑜𝑠 𝑟𝑒𝑐𝑖𝑏𝑖𝑑𝑜𝑠)
𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒
Rendimiento de la empresa
Variable Fórmula de cálculo
ROE (Return
on equity)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜
𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠)𝑡
ROCE (Return
on capital
employed)
𝐸𝐵𝐼𝑇
𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜)𝑡
ROS (Return
on sales)
𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑜
𝑉𝑒𝑛𝑡𝑎𝑠)𝑡
Rendimiento de la empresa
Variable Fórmula de cálculo
Company
efficiency 𝐸𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑖𝑎 𝐷𝐸𝐴
Fuente: Elaboración propia
Tabla 98 Variables del modelo completo
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 235
Tras presentar el modelo completo y resumido, a continuación se va a motivar
el uso de cada variable, así como el valor añadido que aporta su utilización:
Company age – Mediante esta variable se pone de manifiesto la
antigüedad de la empresa. Potencialmente las empresas más antiguas
tienen más experiencia y por lo tanto podrían presentar un mayor
rendimiento. Las empresas más antiguas también pueden explotar la
ventaja de una mejor reputación o el activo intangible de la red de
contactos que pueden tener y conocimiento de la industria. Por el
contrario pueden presentar una serie de desventajas respecto a las de
menor edad, como son mayor inercia, más burocracia, menor enfoque a
la gestión del camino y por lo tanto peor adaptabilidad al mercado y
menos agilidad, es decir, más robustas pero menos ágiles.
Company size – Con esta variable se muestra el tamaño de las
empresas. Para ello se ha hecho uso de un índice que relaciona su
facturación con la facturación de la industria aeroespacial. Esta magnitud
no es la cuota de mercado puesto que una empresa puede trabajar para
varios sectores y su facturación es la suma de todos ellos. La
experiencia muestra que las empresas grandes presentan mayor
predisposición a la explotación de las economías de escala. Las
pequeñas en cambio potencialmente tienen menos poder que las
grandes y les puede resultar más complicado competir en mercados e
industrias globales. Por el contrario cuanto más grandes son las
empresas también pueden comenzar a ser más ineficientes al presentar
una mayor burocracia y procesos más complejos y lentos, donde las
pequeñas presentarían una ventaja y podrían resultar más ágiles.
Value chain position – Con esta variable se han categorizado las
empresas en función de la posición que ocupan dentro de la cadena de
valor del sector aeroespacial. Normalmente en esta industria hay dos
tipos de empresas, la que se dedican a un solo eslabón de la cadena de
valor y se especializan en él, y las que abarcan varios eslabones. Las
que son monoeslabón son las que se dedican a: Ingeniera, MAIT,
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 236
Servicios o MRO. Por el contrario en la combinación de varios eslabones
la empresas suelen cubrir: Ingeniería + MAIT + Servicios, o Ingeniería +
MAIT + Servicios + MRO abarcando toda la cadena de valor.
Infrastructure and resource intensity – Esta variable trata de mostrar
si las empresas son intensivas recursos no corrientes. Normalmente son
más costosos que los corrientes, ya que suelen requerir una inversión
mayor y es más difícil que la inversión se recupere (por ejemplo en los
inventarios se recupera cuando se vende el producto). Podría
representar una barrera de entrada de nuevos competidores a la
industria si la inversión en activos no corrientes es muy elevada. Cuando
mayor es mayor barrera de entrada presenta. Asimismo para las
empresas que ya están operando cuando mayor sea peor, puesto que
tendrán que realizar grandes inversiones pudiendo lastrar la rentabilidad
de la empresa.
Asset intensity – Evalúa la estructura de activos de corto y largo plazo.
Es decir, para el tipo de operaciones que realizan las empresas son más
intensivas en recursos del corto plazo o del largo plazo. Cuanto más
pequeño sea este índice mejor. Pero con un matiz, con respecto las
empresas que desempeñen el mismo de tipo de operación.
Assets turnover rate – La misión de esta variable es manifestar la
actividad de ventas de la empresa, es decir, cuantas veces es capaz de
vender la empresa un valor igual a la inversión realizada (la cual está
materializada por los activos). Otro enfoque puede ser la productividad
de los activos a la hora de generar ventas, es decir, por cada unidad
monetaria invertida en activos cuando va a mejorar las ventas de la
empresa. Siguiendo cualquiera de los dos enfoques cuanto mayor sea
esta variable más eficiente y productiva estará siendo la empresa.
Current assets turnover rate – La misión de esta variable es
manifestar la actividad de ventas de la empresa, es decir, cuantas veces
es capaz de vender la empresa un valor igual a la inversión realizada (la
cual está materializada por los activos). Otro enfoque puede ser la
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 237
productividad de los activos a la hora de generar ventas, es decir, por
cada unidad monetaria invertida en activos cuando va a mejorar las
ventas de la empresa. Siguiendo cualquiera de los dos enfoques cuanto
mayor sea esta variable más eficiente y productiva estará siendo la
empresa.
Debt-to-equity – Esta variable muestra la contribución relativa de los
acreedores y los inversores. Los recursos para la obtención de activos
necesarios para llevar a cabo las operaciones de la empresa se obtienen
principalmente de los acreedores y los inversores. Este índice pone de
manifiesto la proporción que guardan ambos. Cuanto mayor sea este
índice más protegidos y menos riego tienen por tanto los acreedores, lo
que a priori redundará en un menor coste de la deuda.
Leverage – Muestra la medida en la que los fondos prestados (deuda)
cubre la necesidad de activos. También puede entenderse como la
cantidad de deuda (financiación) que se necesita por cada unidad de
activo que se requiere para las operaciones de la empresa. Cuanto más
elevado sea el apalancamiento significa que es necesaria más
financiación para cubrir los activos requeridos
Debt intensity – Evalúa la estructura de pasivos de corto y largo plazo.
Es decir, para el tipo de operaciones que realizan las empresas son más
intensivas en deuda a corto plazo o del largo plazo. Cuanto más
pequeño sea este índice mejor. Pero con un matiz, con respecto las
empresas que desempeñen el mismo de tipo de operación.
Coverage ratio – Esta variable mide la capacidad de cubrir la necesidad
de activos no corrientes (los de largo plazo) con los recursos propios
proporcionados por los inversores. Puede entenderse como la capacidad
de cubrir las necesidades de activos de largo plazo sin recurrir a la
deuda. Un valor alto de esta variable indica una buena cobertura por
parte de los inversores de los activos no corrientes. Mientras que un
valor bajo es indicativo de una mayor necesidad de financiación por
parte de los inversores o de acreedores.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 238
Current ratio – Se trata de una de las principales medidas de liquidez
que nos va a mostrar la proporción de deudas a corto plazo que son
cubiertas por elementos de activo, cuya conversión en dinero
corresponde aproximadamente al vencimiento de dichas deudas. Cuanto
mayor sea el valor esta variable mayor será la capacidad de la empresa
para hacer frente a sus deudas corrientes. Existe otra variante,
denomidada Quick Ratio, en la que se descuenta el efecto de la parte
menos líquida como son los inventarios para hacer este índice más
estricto, pero no se ha tenido en cuenta en esta tesis doctoral ya que por
el carácter de la misma con el Current ratio era suficiente, si bien no se
descarta incorporarlo en alguna de las futuras líneas de investigación
que se enuncian al final del documento.
ROE (Return on Equity) – Esta variable muestra el rendimiento de la
empresa con un enfoque hacia los inversores. Muestra la capacidad de
generación de beneficios por cada unidad monetaria que un inversor
pone en la empresa. Cuanto mayor sea este índice mejor rendimiento
presentará la empresa frente a los inversores. En cierta manera puede
dejar entrever si entre los objetivos estratégicos de la empresa se sitúa
la maximización de la utilidad del inversor. También puede servir a la
empresa para evaluar la capacidad de captación y retención de
inversores, comparando este índice con la rentabilidad libre de riesgo
que puede proporcionarle al inversor cualquier otro activo que ofrezca el
mercado (otras empresas de la misma industria, de otra industria,
activos financieros…), ya que si esta última fuera mayor los inversores
estarían tentados a desinvertir de la empresa. Esta variable mide la
rentabilidad financiera.
ROCE (Return on Capital Employed) – Esta variable está enfocada al
análisis del rendimiento de la empresa con respecto al desarrollo de sus
operaciones. Es la capacidad de la empresa para administrar de manera
eficaz y eficiente los recursos de los que dispone para generar
beneficios para la empresa, es decir, por cada unidad monetaria
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 239
empleada por la empresa que beneficio es capaz de obtener con las
operaciones que lleva a cabo. Por este motivo los beneficios que se
utilizan son descontando el efecto financiero y fiscal, puesto que se trata
en todo momento de evaluar las operaciones. Cuanto mayor sea esta
variable mejor se estará comportando la empresa a nivel operativo.Esta
variable mide la rentabilidad operativa.
ROS (Return on Sales) – Evalúa el rendimiento de la empresa
enfocado hacia el mercado. La capacidad de la empresa para generar
beneficios de cada unidad monetaria que es capaz de vender. Cuanto
mayor sea este índice mejor rendimiento tiene la empresa hacia el
mercado. Esta variable mide la rentabilidad de las ventas.
Company efficiency – Se evalua mediante un modelo de análisis de
envolvente de datos de tipo CCR y con orientación output. Se utilizar
como variables de salida los rendimientos (ROE, ROCE, ROS) y como
inputs el resto excepto “Value chain position”. Se trata de obtener el
máximo nivel de rendimiento para los inputs que se dan al modelo. Esta
variable no se utiliza en el análisis de componentes principales.
Las ventajas que ofrece este modelo:
Replicabilidad, mediante la aplicación cualquier empresas de cualquier
industria, entorno, país, horizonte temporal, lo que permite la
comparabilidad de los resultados.
Estabilidad, al utilizar unas variables cuyo uso está muy extendido,
probado y contrastado, así como existen otras investigaciones que las
han utilizado.
Utiliza un número no muy elevado de variables, lo que hace que los
cálculos no sean excesivamente pesados, reduciendo la capacidad de
cálculo necesaria. Aun así es capaz de cubrir y captar los efectos de la
estructura de capital, de liquidez y de activos de la empresa, así como la
rentabilidad enfocada a tres ejes estratégicos (inversor-mercado-
operativo).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 240
Todas las variables son agrupables en categorías con un significado, lo
que facilita su interpretación si se agrupan por ejemplo en factores.
No todo son ventajas, ya por el hecho de haber decidido aprovecharlas,
también existen en una serie de desventajas en el modelo:
Perdida de las microparticularidades del sector, entorno o país donde se
aplique, puesto que para captarlas habría que introducir muchas más
variables y dejar que la técnica de análisis capte esto microefectos.
Imagen de simplicidad, cuando en realidad se torna en potencia del
modelo (facilidad de uso, comprensión, replicabilidad, estabilidad).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 241
PARTE IV ANÁLISIS EXPLORATORIO DE DATOS
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 242
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 243
CAPITULO 8 MUESTRA Y DATOS
8.1 DETERMINACIÓN DE LA MUESTRA
La muestra corresponde a las empresas del sector aeroespacial en India y
España. Existe un requerimiento para trabajar en el sector aeroespacial, que
está extendido por todo el mundo, y que diferencia a las empresas que trabajan
en este sector de las que lo hacen en otros. Dicho requerimiento es la
certificación del Sistema de Gestión de Calidad de acuerdo a la serie
EN/AS/JIS 9100 (Sistema de Gestión de Calidad del sector aeroespacial).
Las empresas que no posean esta certificación y por ejemplo estén certificadas
de acuerdo a la serie ISO 9000, no significa que no realicen trabajos para el
sector aeroespacial, sino que los trabajos importantes y que en definitiva
añaden valor no los realizan ellas. Por lo tanto si se quisiera saber que
empresas trabajan en este sector habría que conocer las que están
certificadas. Esto es posible gracias al International Aerospace Quality Group
(IAQG) y su base de datos OASIS, donde todos los cuerpos de acreditación de
todo el mundo informan sobre las empresas certificadas. Se ha buscado en
dicha base de datos las empresas certificadas en India y España, obteniendo
los siguientes resultados: a) India – 347 empresas, b) España – 424 empresas.
A continuación se muestra en la figura 85 la interfaz gráfica de la página del
IAQG, donde el usuario debe registrarse y acceder a la base de datos.
Obteneniendo una nueva pantalla en la que poder buscar las empresas de
acuerdo a diferentes filtros, como por ejemplo, nombre, país, área, entidad
certificadora… tal y como muestran las figuras 86 y 87.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 244
Fuente: (Society of Automotive Engineers, 2015)
Figura 85 Interfaz gráfica de la base de datos OASIS
Fuente: (Society of Automotive Engineers, 2015)
Figura 86 Búsqueda de empresas en OASIS para India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 245
Fuente: (Society of Automotive Engineers, 2015)
Figura 87 Búsqueda de empresas en OASIS para España
Adicionalmente para el caso de España se han consultado las páginas web de
TEDAE (Asociación Española de Empresas Tecnológicas de Defensa,
Aeronáutica, Seguridad y Espacio) y los cluster aeroespaciales en busca de
más empresas. Los clusters consultados son:
AERA Cluster aeronáutico de Castilla La Mancha
AeroVC Cluster aeronáutico de la Comunidad Valenciana
Aerópolis Parque Tecnológico Aeroespacial de Andalucía
BAIE Cluster aeronáutica de Cataluña
Fundación Hélice Cluster aeronáutico de Andalucía
Hegan Cluster aeronáutico del País Vasco
Madrid Plataforma Aeronáutica y del Espacio Cluster aeronáutico de la
Comunidad de Madrid
Para el caso de India se ha accedido en busca de más empresas que
participen en el sector aeroespacial a la Aeronautical Society of India, así como
a los cluster (SEZ – Special Economic Zone) de:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 246
Karnataka cluster
Hyderabad cluster
Adibatla cluster
Gujarat cluster (Delhi-Mumbai
El proceso completo de generación de la muestra, así como las fuentes se
muestra en el esquema de la figura 88.
Fuente: Elaboración propia
Figura 88 Proceso de obtención de la muestra
8.2 DETERMINACIÓN DE LOS DATOS DE LAS EMPRESAS
Una vez conocidas las empresas de la muestra hay que obtener los estados
financieros de las mismas para poder determinar las variables de medición del
modelo de ecuaciones estructurales.
En el caso de las empresas españolas se ha utilizado la base de datos SABI ®
que contiene información de las empresas españolas y portuguesas. El tipo de
información disponible es por ejemplo, los estados financieros, indicadores
Spanish Aerospace
clusters
Indian aerospace
clusters
España
India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 247
financieros, estructura de propiedad, cotizaciones bursátiles cuando sea
aplicable, histórico de fusiones y adquisiciones…, etc. En la figura 89 se
muestra la interfaz gráfica de acceso a la misma. Los valores obtenidos son sin
anualizar.
Fuente: (Bureau Van Dijk, 2015)
Figura 89 Interfaz gráfica de la base de datos SABI
Para las empresas en India se utiliza una base de datos llamada Prowess ®
para obtener los estados financieros. Dicha base de datos es mantenida por el
Center for Monitoring Indian Economy (CMIE). Contiene información desde los
años 1989-1990. Para su acceso es necesario un software desarrollado para
este propósito. La información que incluye contempla por ejemplo los estados
financieros, ratios financieros, estructura de propiedad, información bursátil
cuando sea aplicable,…etc. Esta base de datos tiene 27.822 empresas en el
momento en el que se accedió para la elaboración de esta tesis doctoral. La
interfaz gráfica es la que se muestra en la figura 90. Los valores obtenidos son
en millones de euros y sin anualizar.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 248
Fuente: (Center for Monitoring Indian Economy, 2015)
Figura 90 Interfaz gráfica de la base de datos PROWESS
La distribución de la muestra de empresas encontradas en sendas bases de
tados es la que se muestra en la tabla 99.
Fuente: Elaboración propia
Tabla 99 Distribución de la muestra entre 2008-2013
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 249
Previo a la aplicación de las diferentes técnicas de análisis se antoja necesario
realizar un análisis sobre los propios datos (valores perdidos, valores atípicos),
ya que de lo contrario la falsación de las hipótesis y las serendipias podrían no
tener validez y sustento al esconder los datos de partida algún tipo de sesgo.
Como dicen Hair. et al. (2010) las técnicas de análisis le confieren un gran
poder al investigador pero también un gran reto para demostrar que los
resultados obtenidos no se ven comprometidos por no estar convenientemente
soportados teóricamente.
8.3 ANÁLISIS DE LOS VALORES PERDIDOS
Los valores perdidos son observaciones inexistentes dentro de la muestran que
podrían llegar a condicionar o sesgar los resultados tras aplicar una técnica
determinada. De hecho en todas las disciplinas están presentes si bien su
presencia es más acusada en las investigaciones relacionadas con las ciencias
sociales, poniendo en riesgo la generalización y bondad de los resultados
obtenidos. Por este motivo es necesario determinarlos y tratarlos
adecuadamente en función del número de ellos, y de su distribución. Existe una
regla comúnmente aceptada de que si los valores perdidos para una variable
son inferiores al 5% se pueden eliminar dichas observaciones sin que se
introduzca sesgo en las medidas de centralidad y dispersión. Otro aspecto a
tener en cuenta en el análisis de estos valores es la aleatoriedad de los
mismos, pudiendo estar distribuidos de manera completamente aleatoria
(MCAR-Missing Completely at Random), de manera aleatoria (MAR-Missing at
Ramdon), o de manera no aletaoria (MNAR-Missing not at Random) (Uriel
Jiménez & Aldás Manzano, 2005) (Hair, et al., 2010). El objetivo es identificar
los patrones que siguen los valores perdidos, así como las relaciones
existentes entre ellos, con el objeto de tratarlos y mantener en la medida de lo
posible la distribución original de los datos y en consecuencia perturbar lo
mínimo posible la muestra original.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 250
Respecto al tratamiento que se puede realizar sobre los mismos, se puede:
Eliminar todas las observaciones con valores perdidos. A esta técnica
se le denomina Listwise. La principal desventaja es la pérdida de
información al reducir la muestra.
Eliminar casos por parejas, si aparecen dos valores perdidos en la
misma observación para dos variables diferentes. Esta técnica también
se llama Pairwise. De nuevo la principal desventaja es la pérdida de
información porque se reduce la muestra.
Imputar los valores perdidos. Se trata de sustituir los valores
inexistentes de las variables correspondientes. Para ello se puede
realizar una imputación simple, si se determina un solo valor, o la
imputación múltiple cuando se determinan varios tras iterar, y se
devuelve la media de los valores imputados. Las técnicas son variadas,
pueden imputarse mediante la media, regresión lineal, regresión no
lineal… La principal ventaja es que se pierde menos información.
Respecto al método de imputación, existen varios tipos, cada uno
especializado en función del tipo de distribución que presenten los
valores perdidos (MCAR, MAR, MNAR). Los autores Hair, et al. (2010)
proponen como regla general en caso de que los valores perdidos sean
inferiores al 10% de la muestra total utilizar cualquiera de los métodos.
Algunos fabricantes de software como IBM en concreto en su paquete
SPSS ®, sugieren en la documentación para usuarios la misma
aproximación, es decir, el uso de cualquiera de las técnicas disponibles
bien sean aplicables a MCAR, MAR o MNAR, debido a que el propio
software examina cual es la que proporciona mejores resultados en
cada caso de manera automática (siempre que los valores perdidos no
representen un porcentaje elevado). Todo lo anterior es válido siempre
y cuando no exista un patrón determinado que sugiera que tipo de
aproximación utilizar.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 251
8.3.1 España
Para la determinación de los valores perdidos se va a utilizar el paquete de
software comercial SPSS ®. Para ello se importan los datos y a través de la
siguiente ruta se obtienen las frecuencias de valores perdidos (Analizar
Frecuencias)
Estadísticos
N
Válido Perdidos % Perdidos
Year 1754 0 0,00%
Company_age 1754 0 0,00%
Sales 1743 11 0,63%
Current_assets 1753 1 0,06%
Non_current_assets 1743 11 0,63%
Current_liabilities 1749 5 0,29%
Non_current_liabilities 1742 12 0,69%
Equity 1754 0 0,00%
Net_Income 1748 6 0,34%
ROCE 1749 5 0,29%
Fuente: Elaboración propia
Tabla 100 Distribución de valores perdidos en España
A la vista de los resultados que aparecen recogidos en la tabla 100 se podrían
eliminar las observaciones con valores perdidos ya que son muy inferiores al
5% que está aceptado como límite para la eliminación (Listwise). Las variables
que no aparecen son porque no tienen valores perdidos.
Una vez determinada la cantidad de valores perdidos hay que evaluar la
distribución de los mismos con objeto de determinar si son (MCAR,MAR,
MNAR). Para ellos se calcula el coeficiente de Little. En SPSS la ruta a seguir
es: Analizar / Análisis de valores perdidos
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 252
Medias
marginales
estimadasa
Year 2010,86
Company_age 17,88
Sales 33710290,05
Current_assets 38010836,20
Non_current_assets 63695894,89
Current_liabilities 31657694,09
Non_current_liabilities 43085021,34
Equity 26973742,58
Net_income 3560728,18
ROCE 12,26782
a. Prueba MCAR de Little: Chi-cuadrado = 47,761, DF = 76, Sig. = ,995
Fuente: Elaboración propia
Tabla 101 Medias marginales estimadas con valores perdidos en España
A la vista de los resultados de la tabla 101 el nivel de significación rechaza la
hipótesis nula al ser mayor de 0,05 y por lo tanto son MCAR (valores perdidos
completamente aleatorios). La ventaja de esta distribución es que no sesga la
muestra.
La distribución de los valores perdidos se muestra en la figura 91 y 92
(obtenida de SPSS)
Fuente: Elaboración propia
Figura 91 Distribución de valores perdidos (variables, casos, valores) en España
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 253
Fuente: Elaboración propia
Figura 92 Patrones de los valores perdidos en España
De nuevo al visualizar los valores perdidos en la figura 92 y 93 se observa que
no siguen ningún patrón, por lo que se puede inferir que son MCAR.
Fuente: Elaboración propia
Figura 93 Histograma de valores perdidos en España
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 254
La opción seleccionada es la de imputar los valores perdidos para ellos el
SPSS hay que hacer uso de los siguiente menús: Ir a Transformar / Generar
números aleatorios
Como parece que hay un patrón en el método de imputación deberíamos
utilizar monótico. La forma en la que se han introducido las variables es en
función del número de casos perdidos (comenzando en primer lugar por los
que tienen un mayor número de casos). No obstante dejamos que SPSS elija y
marcamos automático.
Se hacen 5 iteraciones utilizando como método de cálculo la regresión lineal,
es decir, se reemplazan los valores perdidos 5 veces y se calcula la media
aritmética, procediendo a imputar ese valor.
A continuación en la tabla 102 se presentan los valores obtenidos para las
cinco imputaciones así como la media aritmética en la última columna (Será el
valor por el que se sustituya el valor perdido).
1 2 3 4 5 Σ/5
ROCE
2009
AERNNOVA AEROSPACE INTERNATIONAL INVESTMENTS SA
68,99126 26,63911 -50,14872 -10,40345 6,18819 8,25328
2009
FABRICACIONES Y MONTAJES MECANICOS SL
31,78018 8,89381 -12,95543 -30,47358 4,23377 0,29575
2010
INAER AVIATION INTERNATIONAL SA
29,09445 -12,46748 45,61799 41,67589 -51,68024 10,44812
2012
PRESCAL PREVENCION SOCIEDAD LIMITADA
42,87102 31,25359 -26,62101 58,07539 69,21623 34,95905
2009
TROQUELERIA DOVER SL
-36,79078 57,52102 23,52386 60,34807 30,14248 26,94893
1 2 3 4 5 Σ/5
Net_income
2009
AERNNOVA AEROSPACE INTERNATIONAL INVESTMENTS SA
14542369 35051123 -65052722 -45360448 17008919 -8762152
2010
NOVALTI SA -
100859055 -10449328 40785933 55274789 35279368 4006341
2012
SAPA PLACENCIA HOLDING SL
25527188 1864389 -46312788 -62304187 23079662 -11629147
2011
SAPA PLACENCIA HOLDING SL
-32866738 34712319 14692478 -5585584 -46332445 -7075994
2010
SAPA PLACENCIA HOLDING SL
-11036309 19730933 -12386011 -46215402 -31031063 -16187570
2009
SAPA PLACENCIA HOLDING SL
-70108449 13046833 -44986033 23725523 -35169711 -22698368
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 255
1 2 3 4 5 Σ/5
Non_current_liabilities
2010 AERNNOVA ENGINEERING DIVISION SA
44525910 39825498 40885605 41629508 41541418 41681588
2009
CT INGENIEROS DE CATALUNYA AERONAUTICOS AUTOMOCION E INDUSTRIALES SL
40412855 41000131 39986418 38821074 39032727 39850641
2013
MONTEC MONTAJES TECNICOS SL
41599433 44230168 43003111 40039213 44600501 42694485
2012
MONTEC MONTAJES TECNICOS SL
43417134 43558540 42511661 42647974 42509288 42928920
2011
MONTEC MONTAJES TECNICOS SL
43467784 42554409 40957990 45612306 44141805 43346859
2010
MONTEC MONTAJES TECNICOS SL
45722422 41840866 43163147 38323957 45244337 42858946
2009
MONTEC MONTAJES TECNICOS SL 41835036 42421133 43721792 45702909 43689416
43474057
2009
PAMBIA AEROSPACE SL
40181547 43886873 41122543 45316645 46262734 43354068
2012
VANAIR PARTS AVIATION SL 44054006 46650078 42511984 42871870 46545330
44526654
2011
VANAIR PARTS AVIATION SL 41755394 44590517 44503401 39942886 43190137
42796467
2010
VANAIR PARTS AVIATION SL 43629979 45973726 44398987 46680491 42453090
44627254
2009
VANAIR PARTS AVIATION SL 44584484 43265243 38956093 44039316 42200010
42609029
1 2 3 4 5 Σ/5
Current_liabilities
2012 AMI & CADD VENS CONSULTING SL
661345 238345 183674 227465 -601667 141832
2011
AMI & CADD VENS CONSULTING SL
-343842 17057 1267815 -644951 473648 153946
2010
AMI & CADD VENS CONSULTING SL
-298274 -107008 -121106 588297 259957 64373
2009
CT INGENIEROS DE CATALUNYA AERONAUTICOS AUTOMOCION E INDUSTRIALES SL
-40391834 -41136548 -40247774 -39450266 -38926018 40030488
2012
SAPA PLACENCIA HOLDING SL
-48594 -21944 964044 197974 -373162 143663
1 2 3 4 5 Σ/5
Non_current_assets
2010
AERNNOVA ENGINEERING DIVISION SA
44620009 39848320 40707605 41241608 40908870 41465282
2013 MONTEC MONTAJES TECNICOS SL
41599433 44230168 43003111 40039213 44600501 42694485
2012 MONTEC MONTAJES TECNICOS SL
43417134 43558540 42511661 42647974 42509288 42928920
2011 MONTEC MONTAJES TECNICOS SL
43467784 42554409 40957990 45612306 44141805 43346859
2010 MONTEC MONTAJES TECNICOS SL
45722422 41840866 43163147 38323957 45244337 42858946
2009 MONTEC MONTAJES TECNICOS SL
41835036 42421133 43721792 45702909 43689416 43474057
2009 PAMBIA AEROSPACE SL
40236234 43165376 41488774 45935995 46384339 43442143
2012 VANAIR PARTS AVIATION SL
43719177 46720092 42237046 43001681 46513784 44438356
2011 VANAIR PARTS AVIATION SL
41650152 44860313 43552980 39803919 43374973 42648468
2010 VANAIR PARTS AVIATION SL
43712029 46422120 43648103 46417347 42066122 44453144
2009 VANAIR PARTS AVIATION SL
44571865 42981460 38608492 44313871 42445220 42584182
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 256
1 2 3 4 5 Σ/5
Current_assets 2009 SAPA PLACENCIA, SL -312868 -371145 456971 441648 90973 61116
1 2 3 4 5 Σ/5
Sales
2012
AERNNOVA AEROSPACE INTERNATIONAL INVESTMENTS SA
-42647251 -25588593 91883199 117888302 54238523 39154836
2011
AERNNOVA AEROSPACE INTERNATIONAL
INVESTMENTS SA
46313342 7524191 88671512 -44198118 101528583 39967902
2010
AERNNOVA AEROSPACE INTERNATIONAL INVESTMENTS SA
22035032 34921760 4259473 23392649 -55086973 5904388
2009
AERNNOVA AEROSPACE INTERNATIONAL INVESTMENTS SA
48568921 66224549 -28932025 26374299 37238341 29894817
2012 AERTEC INVESTMENTS SL
-42721523 52964337 77017472 62483540 -
114786440 6991477
2011 AERTEC INVESTMENTS SL
101030765 135568252 32770119 55543755 -46867157 55609147
2010 AERTEC INVESTMENTS SL
4232959 -6327962 -17072772 28357823 42401913 10318392
2009 AERTEC INVESTMENTS SL
-74775633 -38265226 115380054 -6471198 11739265 1521452
2011
FLIGHTECH SYSTEMS EUROPE SA
-51095396 49837482 4373998 65855886 -589425 13676509
2010
FLIGHTECH SYSTEMS EUROPE SA
117631639 83287770 56856209 -84610004 -62924561 22048210
2009
FLIGHTECH SYSTEMS EUROPE SA
14149846 28584245 34423090 6106104 -58079336 5036790
Fuente: Elaboración propia
Tabla 102 Imputación múltiple de las variables con valores perdidos en España
8.3.2 India
En el caso de India se procede la misma forma. En esta ocasión en lugar de
realizar el cálculo con las magnitudes del balance se realiza con los índices. En
primer lugar se analizan los datos para ver el número de observaciones que
tienen valores perdidos, a través del menú de SPSS Analizar / Frecuencias.
Los resultados se muestran en la tabla 103, donde se recogen las variables, el
número de observaciones válidas, el número de valores perdidos en las
observaciones, así como el porcentaje que representan.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 257
Estadísticos
Variable N Válido n Perdidos % perdidos
Year 512 0 0,00%
Company_age 512 0 0,00%
Company_size 512 0 0,00%
Value_chain_position 512 0 0,00%
Infrastructure_and_resource_intensity 504 8 1,59%
Degreee_of_competition 512 0 0,00%
Market_demand 512 0 0,00%
Market_atractiveness 512 0 0,00%
GDP 512 0 0,00%
Unemployment_rate 512 0 0,00%
Aerospace_imports 512 0 0,00%
Aerospace_exports 512 0 0,00%
WEF_GCI 512 0 0,00%
Asset_intensity 502 10 1,99%
Asset_turnover_rate 504 8 1,59%
Current_asset_turnover_rate 502 10 1,99%
Debt_to_equity_ratio 512 0 0,00%
Leverage 504 8 1,59%
Debt_intensity 497 15 3,02%
Coverage_ratio 484 28 5,79%
Current_ratio 512 0 0,00%
ROE 512 0 0,00%
ROCE 512 0 0,00%
ROS 495 17 3,43%
Fuente: Elaboración propia
Tabla 103 Distribución de valores perdidos en India
De manera análoga se calcula el coeficiente de Little para determinar si la
distribución es completamente aleatoria (MCAR). Este coeficiente aparece en
la tabla 104 (en la parte inferior). La ruta a seguir el SPSS es: Analizar /
Análisis de valores perdidos
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 258
A la vista de los resultados el nivel de significación no se rechaza la hipótesis nula y
por lo tanto no son MCAR, son MNAR. No obstante se pueden utilizar técnicas de
estimación MCAR y MAR, siendo los nuevos estadísticos univariantes son:
Variable Media
Medias
marginales
estimadasa
Year 2010,40
Company_age 16,36
Company_size ,09939490
Value_chain_position 2,51
Infrastructure_resource_intensity ,3829147
Degreee_competition 497,37
Market_demand 7218543099,96
Market_atractiveness 6,749500
GDP 1045111333063540,00
Unemploymentrate 20,0212
Aerospace_imports 1041101578,31
Aerospace_exports 4821774180,49
WEF_GCI 4,5828474
Asset_intensity 7,2625867
Asset_turnover_rate 1,0573056
Currents_asset_turnover_rate 1,9310387
Deb_to_equity_ratio 1,0868660
Leverage ,6562586
Debt_intensity 5,8187016
Coverage_ratio 4,4305785
Current_ratio 2,8847370
ROE -11,5288779
ROCE 14,3874492
ROS -3,9253631
a. Prueba MCAR de Little: Chi-cuadrado = 11979864262057543000000,000, DF = 196, Sig. = ,000
Fuente: Elaboración propia
Tabla 104 Medias marginales estimadas con valores perdidos en India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 259
Aunque se podrían eliminar las observaciones con valores perdidos por ser
casi todas ellas inferiores al 5% (Excepto una que excede hasta 5,79%), para
seguir una aproximación conservativa se imputan los valores perdidos con 5
iteraciones. A continuación en las figura 94 se represeta la distribución de los
valores perdidos, segmentado por variables, casos y valores:
Fuente: Elaboración propia
Figura 94 Distribución de valores perdidos (Variables, casos, valores) en India
Fuente: Elaboración propia
Figura 95 Patrones de los valores perdidos en India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 260
Fuente: Elaboración propia
Figura 96 Histograma de los valores perdidos en India
Como hay concentración de los valores en la parte inferior derecha de la figura
95 significa que los valores se concentran ahí y por lo tanto lo tanto parece que
pudiera ser MNAR. También se ha representado el histrograma de los valores
perdidos en la figura 96. Previo a la imputación de valores perdidos hay que
determinar el generador de números aleatorios en SPSS a través del menú: Ir a
Transformar / Generar números aleatorios (Marcar la opción de tornado de
Mersenne).
Como parece que hay un patrón en el método de imputación deberíamos
utilizar monótico. La forma en la que se han introducido las variables es en
función del número de casos perdidos (comenzando en primer lugar por los
que tienen un mayor número de casos). No obstante dejamos que SPSS elija y
marcamos automático.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 261
A continuación en la tabla 105 se presentan los valores obtenidos para las
cinco imputaciones así como la media aritmética (Será el valor por el que se
sustituya el valor perdido), para aquellas variables con valores perdidos
1 2 3 4 5 Σ/5
ROS
2009
E T P Corporation Ltd.
31,34821 9,46944 -66,79419 139,74955 169,72551 56,6997063
2010
E T P Corporation Ltd.
108,70719 57,45125 0,51468 -255,93041 -101,11710 -38,074877
2012
E T P Corporation Ltd.
212,52101 -63,29319 174,39583 23,60745 -171,16951 35,2123195
2008
Hindalco Almex Aerospace Ltd.
-320,20965 -99,41194 -411,25155 -64,41087 -245,57917 -228,172635
2008
Mahindra Aerospace Pvt. Ltd.
5,19362 48,02764 21,38599 -130,73564 -68,95458 -25,0165931
2009
Mahindra Aerospace Pvt. Ltd.
-159,58710 -172,42489 -236,59433 -269,66193 -288,42820 -225,33929
2010
Mahindra Aerospace Pvt. Ltd.
120,34347 57,18885 -75,29093 -84,86365 -307,54479 -58,0334098
2010
IT Secure Software Pvt. Ltd.
253,49799 -65,87560 239,44960 -12,74227 -221,67023 38,5318996
2011
IT Secure Software Pvt. Ltd.
39,96273 -139,62362 -71,71613 171,41824 -41,25003 -8,2417611
2012
IT Secure Software Pvt. Ltd.
-124,52161 -16,61381 -99,48079 -156,70010 184,16300 -42,6306633
2011 Samtel India Ltd.
-807,86085 -525,31406 -645,14748 -765,05720 -1002,82120 -749,240155
2013
Satyam Computer Services Ltd. [Merged]
-175,97687 -330,31743 498,21776 -55,55198 -435,82020 -99,8897446
2008 Summit Infotech Ltd.
75,89694 -210,55662 220,72133 16,92679 -433,66663 -66,1356393
2010 Summit Infotech Ltd.
-132,56306 -130,26520 -163,38133 4,57135 36,36246 -77,0551565
2011 Summit Infotech Ltd.
-220,03229 -90,71686 -327,42471 -329,59644 -484,10035 -290,374129
2012
V T Industries Ltd.
-182,59697 339,73192 161,22356 -79,20484 -130,43279 21,7441758
2010
Wipro Airport I T Services Ltd.
-1375,71586 -1383,99504 -1283,97618 -1380,80856 -1477,93936 -1380,487
1 2 3 4 5 Σ
Coverage_ratio
2008 B S L Ltd. -13,06073 10,16225 -52,04689 51,07810 -19,89933 -4,75332018
2008
Carpenter Kalyani Special Alloys Pvt. Ltd.
114,83542 -50,47912 -2,00149 -13,99732 53,20455 20,312409
2009
Carpenter Kalyani Special Alloys Pvt.
39,46279 59,93395 54,38016 8,84190 -15,43441 29,4368789
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 262
Ltd.
2010
Carpenter Kalyani Special Alloys Pvt. Ltd.
57,63798 -25,08225 59,33482 17,27001 63,30509 34,4931298
2009
E T P Corporation Ltd.
-50,25547 77,65368 30,09906 -61,74506 84,83928 16,1182986
2010
E T P Corporation Ltd.
-19,67813 -25,74813 30,79729 109,92792 89,64037 36,9878638
2011
E T P Corporation Ltd.
-2,92600 57,44536 44,48811 -42,44094 -5,12401 10,2885041
2012
E T P Corporation Ltd.
53,71678 112,19879 -64,31769 115,48054 27,79639 48,9749633
2013
E T P Corporation Ltd.
41,70700 -42,65461 -46,64367 -98,40319 -30,28330 -35,2555554
2008
Kirloskar Pneumatic Co. Ltd.
17,98661 21,42281 -22,01290 98,22784 44,27963 31,9807961
2008
Lakshmi Machine Works Ltd.
-53,94443 -75,00779 -22,37319 2,88750 24,86466 -24,7146525
2008 Larsen & Toubro Ltd.
50,66154 61,51997 35,51930 64,03333 -47,33299 32,880229
2008
Mahindra Aerospace Pvt. Ltd.
52,86723 26,49335 -1,81526 45,04631 8,38652 26,1956284
2008
Mahindra & Mahindra Ltd.
-36,99600 -3,07945 4,45766 -25,92137 -15,20420 -15,3486744
2008 Punj Lloyd Aviation Ltd.
-66,48642 29,88958 75,20479 5,50985 -18,94342 5,03487562
2010 Samtel India Ltd.
100,48425 173,78373 154,16328 61,80602 92,33088 116,513634
2011 Samtel India Ltd.
127,02540 155,26104 113,53741 30,11814 39,12958 93,0143132
2012 Samtel India Ltd.
38,75197 70,76712 76,19567 74,12999 -7,36170 50,4966101
2013 Samtel India Ltd.
40,29073 64,91071 26,10166 73,31088 -118,13312 17,2961718
2013
Satyam Computer Services Ltd. [Merged]
-4,98315 -16,62688 35,30838 -45,74536 77,25436 9,04146847
2008 Summit Infotech Ltd.
83,56075 -51,98000 -8,55977 10,52480 41,73968 15,0570932
2009 Summit Infotech Ltd.
47,77765 13,06106 -37,90454 59,36579 -8,10361 14,8392697
2010 Summit Infotech Ltd.
55,59806 28,94147 11,97350 72,50574 23,59790 38,5233328
2011 Summit Infotech Ltd.
56,52885 -2,23449 66,52785 106,59880 -7,19484 44,045236
2008
Titan Company Ltd.
23,04531 -10,48909 -26,75291 127,64235 19,50796 26,590722
2010
Wipro Airport I T Services Ltd.
163,28957 153,85303 409,20296 182,57483 -20,17428 177,749222
2013
Wipro Airport I T Services Ltd.
21,18148 3,27011 -11,66533 47,24563 67,95566 25,5975113
2008 Wipro Ltd. 65,49915 78,57569 -45,67036 -21,06440 -89,45991 -2,42396733
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 263
1 2 3 4 5 Σ
Debt_intensity
2008 B S L Ltd. -0,61935 -2,96953 5,48615 0,91068 -1,25242 0,31110672
2008
Carpenter Kalyani Special Alloys Pvt. Ltd.
-5,29659 0,91971 -4,28419 -8,01053 -2,61991 -3,85830361
2009
Carpenter Kalyani Special Alloys Pvt. Ltd.
-6,07229 -5,89815 -0,15737 -4,52918 -2,05112 -3,74162052
2010
Carpenter Kalyani Special Alloys Pvt. Ltd.
-3,48178 -5,25523 -1,15168 -1,97941 -3,72204 -3,11802694
2008
Kirloskar Pneumatic Co. Ltd.
2,35786 -1,49516 -1,34547 5,11073 1,11233 1,14805867
2008
Lakshmi Machine Works Ltd.
-2,31032 3,26406 2,52274 2,88089 -4,05107 0,46126126
2008 Larsen & Toubro Ltd.
-1,35651 -6,02307 -1,62756 0,82797 -1,26159 -1,88815374
2008
Mahindra & Mahindra Ltd.
-4,29941 -0,86056 0,10404 8,35843 -5,59334 -0,45816828
2009
IT Secure Software Pvt. Ltd.
1,01880 2,96171 7,47245 6,64053 3,79167 4,37703227
2010
IT Secure Software Pvt. Ltd.
12,17550 10,99315 12,04984 20,19923 8,86420 12,8563831
2011
IT Secure Software Pvt. Ltd.
2,14591 -2,22709 -4,91221 -0,95242 4,21313 -0,34653599
2012
IT Secure Software Pvt. Ltd.
-2,24213 5,10481 2,09149 0,74990 -1,71324 0,79816603
2013
Satyam Computer Services Ltd. [Merged]
-2,10258 5,92572 0,79112 6,72949 0,31433 2,33161433
2008
Titan Company Ltd.
1,84233 -9,35327 1,94777 -4,63262 -3,70140 -2,77943658
2008 Wipro Ltd. -2,07300 -7,41922 1,89285 5,26381 1,76456 -0,11420132
1 2 3 4 5 Σ
Leverage
2008 B S L Ltd. -0,55094 1,38005 3,41925 -1,20083 5,52352 1,71421071
2008
Kirloskar Pneumatic Co. Ltd.
-0,60384 -0,70975 3,12688 1,45545 1,75459 1,00466497
2008
Lakshmi Machine Works Ltd.
1,46950 1,15439 2,55832 4,12260 -1,21580 1,61780227
2008 Larsen & Toubro Ltd.
0,66958 -1,99156 0,43594 0,44928 -0,38427 -0,16420839
2008
Mahindra & Mahindra Ltd.
0,38859 -2,37015 0,01996 5,35591 -1,48293 0,38227677
2013
Satyam Computer Services Ltd. [Merged]
1,42514 7,44600 -2,15400 1,45733 6,00441 2,83577568
2008
Titan Company Ltd.
4,39662 -3,81845 4,70125 1,55566 -5,73656 0,21970405
2008 Wipro Ltd. -2,69703 0,75795 0,81049 4,20979 2,82017 1,18027336
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 264
1 2 3 4 5 Σ
Current_ratio
2008 B S L Ltd. -5,94171 -6,58161 13,02308 4,04326 7,93716 2,49603899
2008
Kirloskar Pneumatic Co. Ltd.
6,86429 17,34211 1,84480 -7,12246 -20,53970 -0,32219126
2008
Lakshmi Machine Works Ltd.
-13,66380 13,72403 7,12002 -2,22216 -11,61776 -1,33193429
2008 Larsen & Toubro Ltd.
-13,66380 13,72403 7,12002 -2,22216 -11,61776 -1,33193429
2008
Mahindra & Mahindra Ltd.
-14,96309 17,77297 -7,76449 18,84599 8,06582 4,39144086
2011
IT Secure Software Pvt. Ltd.
-1,10963 0,03889 -1,57070 -0,80265 -4,56686 -1,60219081
2012
IT Secure Software Pvt. Ltd.
6,84456 -0,87610 -0,57443 -0,92394 1,32124 1,15826591
2013
Satyam Computer Services Ltd. [Merged]
-6,72968 17,48701 15,36178 -11,19769 10,58840 5,10196207
2008
Titan Company Ltd.
-8,82656 -2,57834 20,78415 11,93232 1,15958 4,49422963
2008 Wipro Ltd. 9,42654 -12,66151 -17,88916 14,29282 14,56908 1,54755214
1 2 3 4 5 Σ
Asset_turnover_rate
2008 B S L Ltd. -1,49476 -1,64627 4,38649 0,69828 1,08190 0,60512829
2008
Kirloskar Pneumatic Co. Ltd.
1,41637 4,76155 0,30553 -1,98854 -3,56898 0,18518499
2008
Lakshmi Machine Works Ltd.
-2,04419 5,08907 0,57458 0,29263 -2,40767 0,30088375
2008 Larsen & Toubro Ltd.
-2,66811 4,86979 -1,76913 3,34181 2,33308 1,22149019
2008
Mahindra & Mahindra Ltd.
-1,42388 -4,42521 -0,26931 0,13786 6,41439 0,0867691
2013
Satyam Computer Services Ltd. [Merged]
-3,25579 2,84452 4,33128 -2,48257 1,04818 0,49712716
2008
Titan Company Ltd.
-1,63019 -1,54127 4,98155 1,93883 1,31493 1,01276987
2008 Wipro Ltd. 2,51679 -2,97583 -3,50301 2,84901 3,54295 0,48598292
1 2 3 4 5 Σ
Asset_intensity
2008 B S L Ltd. 4,25308 -4,78848 5,22603 7,40263 5,55501 3,52965445
2008
Kirloskar Pneumatic Co. Ltd.
-1,05531 -1,56998 1,57336 1,87376 3,85102 0,9345697
2008
Lakshmi Machine Works Ltd.
6,75607 0,21614 10,26509 1,38988 -2,75084 3,17526987
2008 Larsen & Toubro Ltd.
1,66667 -1,59422 7,44926 1,38040 1,22072 2,0245651
2008
Mahindra & Mahindra Ltd.
0,13921 -5,74739 7,65433 11,39921 4,97744 3,68455869
2011
IT Secure Software Pvt. Ltd.
14,75415 14,58766 6,96336 9,98331 13,34759 11,9272123
2012
IT Secure Software Pvt. Ltd.
9,03563 13,09852 9,00841 7,95252 11,08206 10,0354276
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 265
2013
Satyam Computer Services Ltd. [Merged]
6,08352 5,51389 2,84584 12,32493 -3,00750 4,75213695
2008
Titan Company Ltd.
7,23459 6,81173 -1,45375 -2,34338 3,84176 2,81818985
2008 Wipro Ltd. 9,36325 -1,62337 1,86338 8,56081 2,19869 4,07255325
1 2 3 4 5 Σ
Infrastructure_and_ resource_intensity
2008 B S L Ltd. 0,12900 -0,19802 0,95946 0,77948 0,21454 0,37689239
2008
Kirloskar Pneumatic Co. Ltd.
0,18784 0,07113 0,27519 0,53855 0,27804 0,27014945
2008
Lakshmi Machine Works Ltd.
0,39750 0,23973 1,13036 0,16624 0,54032 0,49483205
2008 Larsen & Toubro Ltd.
0,18218 0,49948 0,38459 0,46122 0,48386 0,40226392
2008
Mahindra & Mahindra Ltd.
0,10810 -0,04491 0,39782 0,41537 0,28910 0,233095
2013
Satyam Computer Services Ltd. [Merged]
0,64522 0,30530 0,30865 1,03901 0,25634 0,51090427
2008
Titan Company Ltd.
0,34176 0,43661 0,58753 0,08254 0,26777 0,34324293
2008 Wipro Ltd. 0,54880 0,39603 0,15078 0,78358 0,48450 0,47273801
1 2 3 4 5 Σ
Current_asset_ turnover_rate
2008 B S L Ltd. -5,94171 -6,58161 13,02308 4,04326 7,93716 2,49603899
2008
Kirloskar Pneumatic Co. Ltd.
6,86429 17,34211 1,84480 -7,12246 -20,53970 -0,32219126
2008
Lakshmi Machine Works Ltd.
-13,66380 13,72403 7,12002 -2,22216 -11,61776 -1,33193429
2008 Larsen & Toubro Ltd.
-14,96309 17,77297 -7,76449 18,84599 8,06582 4,39144086
2008
Mahindra & Mahindra Ltd.
-6,14732 -23,82895 3,84575 5,37178 28,59337 1,56692465
2011
IT Secure Software Pvt. Ltd.
-1,10963 0,03889 -1,57070 -0,80265 -4,56686 -1,60219081
2012
IT Secure Software Pvt. Ltd.
6,84456 -0,87610 -0,57443 -0,92394 1,32124 1,15826591
2013
Satyam Computer Services Ltd. [Merged]
-6,72968 17,48701 15,36178 -11,19769 10,58840 5,10196207
2008
Titan Company Ltd.
-8,82656 -2,57834 20,78415 11,93232 1,15958 4,49422963
2008 Wipro Ltd. 9,42654 -12,66151 -17,88916 14,29282 14,56908 1,54755214
Fuente: Elaboración propia
Tabla 105 Imputación múltiple de las variables con valores perdidos en India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 266
8.4 DETERMINACION DE LOS CASOS ATÍPICOS
Los outliters o casos atípicos son aquellos casos para los que una, dos o
múltiples variables toman valores extremos que los hace diferir en gran medida
del comportamiento del resto de la muestra y pueden inferir la idea de que han
sido generados por mecanismos distintos al resto. La presencia de casos
atípicos puede distorsionar el patrón de comportamiento de los datos y en
consecuencia introducir un sesgo, y por otro lado pueden afectar al
cumplimiento de las condiciones que se imponen a los datos para la aplicación
de algunas de las técnicas multivalentes (normalidad, linealidad,
homocedasticidad, multicolinealidad…). Las causas de la presencia de valores
atípicos en la muestra pueden ser múltiples: errores en la recogida y/o
introducción de los datos en la muestra, errores intencionados si se trata de
una recogida por muestreo, incluso valores atípicos inherentes a unas
condiciones excepcionales de una observación o de un evento. Incluso también
se pueden considerar outliers las combinaciones atípicas de los valores de las
variables incluso si estos están dentro de los valores normales para cada
variable, es decir, por separado no serían outliers pero al combinarlos si, por
serlo la combinación (Uriel Jiménez & Aldás Manzano, 2005) (Hair, et al., 2010)
La primera tarea es la detección, y posteriormente se tomarán las acciones
adecuadas para eliminarlos. Respecto a la detección se puede realizar de
manera univariante (una variable dada algunas observaciones toman valores
anormalmente diferentes) o multivariante (el vector de datos difiere del
centroide). Se ha tomado la detección de casos univariante. Para ello se ha
hecho uso de los límites establecidos por las bisagras de Tukey (Tukey &
Jones, 1986). Las cuales se establecen en los percentiles 25% (que se
denomina Q1) y 75% (denominada Q3). Existe un factor que en función del
número de datos la literatura y las buenas prácticas comúnmente aceptadas en
la investigación, varíen entre 1,5 y 2,2 en función de la cantidad de datos. En el
caso que nos ocupa como existe un número elevado de datos se utiliza un
margen de 2,2 para no ser demasiado estricto con los límites superior e inferior.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 267
𝐿𝑖𝑚𝑖𝑡𝑒 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟 = 𝑄3 + [2,2 ∗ [𝑄3 − 𝑄1]]
𝐿𝑖𝑚𝑖𝑡𝑒 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 = 𝑄1 − [2,2 ∗ [𝑄3 − 𝑄1]]
Tras la detección de outliers, la siguiente decisión versa sobre el tratamiento
que se hace de los mismos, pudiendo mantenerlos o eliminarlos. Las ventajas y
desventajas de cada método son las mismas que las ya expuestas en los
valores perdidos. En esta tesis doctoral con ánimo de ser conservadores y
disminuir al máximo la influencia se eliminan.
8.4.1 España
En la tabla 106 se muestran para el caso de España, las variables, los
percentiles 25% y 75%, y los límites inferior y superior calculados de acuerdo a
las expresiones formuladas por Tukey (1986). Todo valor que esté por encima
de estos valores será considerado un caso atípico (outlier) y será eliminado de
la muestra.
Variable Q1 [25%] Q3 [75%] Límite inferior Límite superior
Company_size 0,00015 0,00159 0,00477 -0,00303
Infrastructure_resource_intensity 0,16288 0,57056 1,46744 -0,73400
Asset_intensity 0,19320 1,33598 3,85010 -2,32093
Asset_turnover_rate 0,58769 1,38518 3,13967 -1,16680
Currents_asset_turnover_rate 1,08898 2,18584 4,59893 -1,32411
Deb_to_equity_ratio 0,66913 3,84677 10,83759 -6,32170
Leverage 0,46965 0,80000 1,52677 -0,25711
Debt_intensity 0,11977 1,42406 4,29348 -2,74965
Coverage_ratio 0,47769 2,34341 6,44799 -3,62688
Current_ratio 1,08000 2,22800 4,75360 -1,44560
ROE 2,03308 23,70819 71,39343 -45,65217
ROCE 2,88400 21,37000 62,03920 -37,78520
ROS 0,39306 8,04687 24,88524 -16,44532
Fuente: Elaboración propia
Tabla 106 Límite inferior y superior de las variables en la detección de casos atípicos en
España
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 268
8.4.2 India
De manera análoga, en la tabla 107 se muestran para el caso de India, las
variables, los percentiles 25% y 75%, y los límites inferior y superior calculados
de acuerdo a las expresiones formuladas por Tukey (1986).
Variable Q1 [25%] Q3 [75%] Límite inferior Límite superior
Company_size 0,0005101 0,0185863 -0,0392575 0,0583539
Infrastructure_and_resource_intensity 0,1264499 0,4776927 -0,6462842 1,2504269
Asset_intensity 0,1447541 0,9201045 -1,5610168 2,6258754
Asset_turnover_rate 0,0248745 0,1947045 -0,3487515 0,5683305
Current_asset_turnover_rate 0,0388680 0,3019622 -0,5399394 0,8807696
Debt_to_equity_ratio 0,0285000 0,9500000 -1,9988000 2,9773000
Leverage 0,5824918 0,9226347 -0,1658225 1,6709490
Debt_intensity 0,0507933 1,6444484 -3,4552479 5,1504896
Coverage_ratio 0,9844078 5,2334207 -8,3634206 14,5812491
Current_ratio 0,9295000 1,5905000 -0,5247000 3,0447000
ROE 2,7300000 23,8755857 -43,7902885 70,3958742
ROCE 1,5650000 18,7100000 -36,1540000 56,4290000
ROS 1,4710258 12,3706061 -22,5080508 36,3496827
Fuente: Elaboración propia
Tabla 107 Límite inferior y superior de las variables en la detección de casos atípicos en India
Una vez que se han determinado los límites superior e inferior para cada
variable, se eliminarán todas aquellas observaciones que estén fuera de ese
intervalo. Una vez eliminados los casos atípicos, la muestra estaría disponible
para la aplicación de las diferentes técnicas. El porcentaje de empresas de las
cuales se dispone de datos (conveniente tradados en cuando a valores
perdidos y casos atípicos se refiere) aparece en la tabla 108, desglosado por
años y país. Como se observa en la última columna tanto para India como para
España la muestra final está entorno al 50% de la población en cada año.
Siendo incluso alguno de los años superior y tan sólo hay un año que baja al
33%. Este es importante porque pocas veces se puede trabajar con muestras
que representen la mitad de la población. Esto hace que las conclusiones
extraidas representen mejor a cada uno de los países.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 269
Fuente: Elaboración propia
Tabla 108 Distribución de muestra sin casos atípicos entre 2008-2013
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 270
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 271
CAPITULO 9 ANÁLISIS FACTORIAL EXPLORATORIO
(COMPONENTES PRINCIPALES)
Una vez que se ha adecuado la muestra para que los datos sean completos y
no contengan valores atípicos. Se puede proceder a aplicar la técnica descrita
en el capítulo 4. No se ha analizado ninguna de las asunciones sobre los datos
que en otros tipos de análisis multivariantes resultan esenciales para la
aplicación de la técnica correspondiente. Estas asunciones son: normalidad
(univariante y multivariante), linealidad, homocedasticidad, mulicolinealidad. En
el tipo de análisis que se realiza en esta tesis doctoral no es necesario que los
datos las cumplan, adicionalmente algunas reglas de oro presentadas por los
autores Hair, et al. (2010) muestran que no es necesario a tenor de los datos
de los que se dispone. Por ejemplo la normalidad tiene efectos importantes
para muestra pequeñas (inferiores a 50 casos) y este disminuye a medida que
aumenta la muestra, en este estudio la muestra es muy superior por lo que en
caso de no existir normalidad su efecto sería muy pequeño. Respecto a la
heterocedasticidad, normalmente es efecto de la normalidad, por lo que si
reduce el efecto de la falta de normalidad se estará mejorando la
heterocedasticidad y como ya se ha justificado por el tamaño de muestra el
efecto de la heterocedasticidad es pequeño. En relación a la linealidad, no se
busca en ningún caso encontrar relaciones lineales por lo que esta asunción no
tiene demasiada importancia. En este tipo de análisis la existencia de
multicolinealidad es en cierta manera deseable puesto que esta técnica está
preparada para trabajar bajo la existencia de multicolinealidad.
9.1 ESPAÑA
A continuación se va a proceder a realizar un análisis de componentes
principales en España para cada año de los expresados en el horizonte
temporal, es decir, 2008-2009-2010-2011-2012-2013. Se utilizarán las variables
referenciadas en el modelo del punto 7.7. El objetivo de este análisis es falsar
parte de las hipótesis de esta tesis doctoral.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 272
9.1.1 Año 2008
En primer lugar se muestra a nivel informativo los estadísticos descriptivos de
las variables de la muestra utilizada para el año 2008 (Media, desviación típica
y observaciones disponibles). Esta información aparece resumida en la tabla
109
Fuente: Elaboración propia
Tabla 109 Estadísticos descriptivos de las variables de España en 2008
El siguiente paso es realizar dos pruebas de la aplicabilidad del análisis de
componentes principales a la muestra. Estas dos pruebas son la de KMO y la
esfericidad de Bartlett, cuyos resultados aparecen resumidos en la tabla 110. El
KMO como es casi de 0,500 se considera aceptable la aplicación del análisis
de componentes principales, apoyado por el hecho de que la prueba de
esfericidad de Bartlett tiene un valor elevado y una significación inferior a 0,05
(Se rechaza la hipótesis nula de no correlación entre las variables). El hecho de
Estadísticos descriptivos
Media
Desviación
estándar N de análisis
Company_age 17,97 12,523 240
Company_size ,21027383 2,757091982 240
Infrastructure_resource_intensity ,3788942 ,19525062 240
Asset_intensity ,8162205 ,70221928 240
Asset_turnover_rate 1,0435543 ,49554468 240
Currents_asset_turnover_rate 1,7475340 ,73775936 240
Deb_to_equity_ratio 2,3964264 1,97774781 240
Leverage ,6300910 ,17758549 240
Debt_intensity ,6142524 ,65500129 240
Coverage_ratio 1,4664881 1,34569467 240
Current_ratio 1,6374792 ,77839347 240
ROE 13,0278316 15,08646470 240
ROCE 13,9200833 13,16482998 240
ROS 4,8058180 5,95181802 240
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 273
que se utilicen ratios como variables, en lugar de magnitudes absolutas puede
hacer en algunos casos en los que las variables están muy correladas (como el
caso que nos ocupa al estar muchas veces los ratios financieros relacionados
según el modelo de DuPont), que el KMO baje de 0,500 sin que ello descarte
por si mismo la aplicación del análisis de componentes principales. En este
caso habrá que evaluar la prueba de esfericidad de Bartlett para tomar la
decisión de si confiar en la aplicación de esta técnica o no. Que el índice KMO
baje de 0,500 significa que los coeficientes de correlación parcial entre
variables originales tiene al menos tanto peso como los coeficientes de
correlación observados entre varibles originales. La prueba de esfericidad de
Bartlett pone de manifiesto la existencia de una relación significativa en
términos de correlación entre las variables analizadas. Si es alto muestra que
existe y por lo que tendrá sentido aplicar el análisis de componentes principales
cuyo objetivo precisamente es tratar de establecer los grupos de variables que
más contribuyen en cada factor. Como se ha comentado en la explicación de la
técnica, no sería posible su utilización si no existiera un minimos de correlación
entre todas y cada una de las variables.
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,495
Prueba de esfericidad de Bartlett
Aprox. Chi-cuadrado 2995,993
gl 91
Sig. ,000
Fuente: Elaboración propia
Tabla 110 Prueba de KMO y Bartlett de España en 2008
El siguiente paso es mostrar para cada variable la comunalidad que presenta
de acuerdo a los componentes extraidos inicialmente. La varianza poblacional
de cada variable está compuesta de la comualidad que es la parte de esta
varianza que es debida a los factores comunes y la especificidad que es debida
a los factores únicos. La tabla 111 recoge para cada variable su comunalidad.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 274
Comunalidades
Inicial Extracción
Company_age 1,000 ,436
Company_size 1,000 ,371
Infrastructure_resource_intensity 1,000 ,960
Asset_intensity 1,000 ,891
Asset_turnover_rate 1,000 ,940
Currents_asset_turnover_rate 1,000 ,926
Deb_to_equity_ratio 1,000 ,794
Leverage 1,000 ,850
Debt_intensity 1,000 ,724
Coverage_ratio 1,000 ,755
Current_ratio 1,000 ,885
ROE 1,000 ,871
ROCE 1,000 ,886
ROS 1,000 ,859
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 111 Comunalidades de las variables de España en 2008
A continuación en la tabla 112 se muestran los componentes cuyo autovalor es
superior a 1, así como el porcentaje de la varianza original explicada y el
acumulado. Se observa que se pueden extraer 5 componentes que son
capaces de representar el 79,631% de la varianza original del problema. Esto
significa que con 5 grupos de variables queda representado el problema
original perdiendo sólo, aproximadamente el 20% de la varianza original del
problema. Es decir, en España en el año 2008 hay 5 compoentes que son
capaces de reflejar la estructura de las empresas del sector aeroespacial
guardando el aproximadamente 80% de la varianza original del modelo
completo.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 275
Varianza total explicada
Componente
Autovalores iniciales Sumas de extracción de cargas al cuadrado Sumas de rotación de cargas al cuadrado
Total % de varianza % acumulado Total % de varianza % acumulado Total % de varianza % acumulado
1 3,707 26,481 26,481 3,707 26,481 26,481 3,166 22,614 22,614
2 2,299 16,421 42,902 2,299 16,421 42,902 2,545 18,176 40,790
3 2,180 15,572 58,473 2,180 15,572 58,473 2,430 17,358 58,148
4 1,821 13,009 71,482 1,821 13,009 71,482 1,810 12,930 71,078
5 1,141 8,149 79,631 1,141 8,149 79,631 1,197 8,553 79,631
6 ,942 6,731 86,363
7 ,766 5,472 91,835
8 ,400 2,855 94,690
9 ,305 2,177 96,868
10 ,182 1,304 98,171
11 ,164 1,169 99,340
12 ,040 ,289 99,629
13 ,031 ,220 99,848
14 ,021 ,152 100,000
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 112 Autovalores y varianza total explicada de los componentes de España en 2008
De la misma manera que en la tabla 112 se observa como se extraen las
componentes con autovalores superiores a 1 de manera analítica, también se
puede representar gráficamente en el eje de ordenadas el valor de los
autovalores y de abcisas el número de componentes. Este gráfico se denomina
grafico de sedimentación y aparece representado en la figura 97. Se observa
en el mismo que a partir de un cierto número de componentes se vuelve
asintótico y hay muchas componentes con valores muy próximos de
autovalores. Otro criterio que también se utiliza para mantener el número de
componentes adecuado es el cambio de pendiente, cuando esta empieza a ser
moderada en ese punto es donde se debe establecer el límite de las
componentes que mantener.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 276
Fuente: Elaboración propia
Figura 97 Gráfico de sedimentación de la extracción de componentes de España en 2008
En la tabla 113 se muestra la matriz de componentes en la que se representan
en columnas las componentes que se han extraido en base el criterio mostrado
en la tabla 112 y figura 97, y el filas las variables del análisis. Los valores que
hay en cada celda son los coeficientes de correlación de las variables con las
componentes, aparecen ordenadas por valor de este coeficiente de mayor a
menor para cada componente. Se retendrean para cada componente aquellas
que sean suepriores en valor absoluto a 0,500.
1
2 3
4
5
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 277
Matriz de componentea
Componente
1 2 3 4 5
Coverage_ratio ,829 -,051 -,247 -,039 ,037
Infrastructure_resource_intensity -,817 ,510 ,000 ,143 -,105
Asset_intensity -,777 ,495 ,034 ,182 -,092
Current_ratio ,520 ,435 -,455 -,227 ,408
Debt_intensity -,484 ,474 -,062 -,194 ,473
ROS ,398 ,604 ,524 -,227 -,099
Leverage -,511 -,570 ,499 -,109 ,055
Deb_to_equity_ratio -,389 -,563 ,467 -,257 ,205
ROE ,345 ,371 ,780 -,026 ,070
ROCE ,553 ,243 ,713 ,077 -,085
Currents_asset_turnover_rate -,144 ,111 ,116 ,920 ,186
Asset_turnover_rate ,462 -,324 ,078 ,748 ,235
Company_age ,108 -,080 -,105 -,101 -,630
Company_size -,036 -,225 ,133 -,354 ,420
Método de extracción: análisis de componentes principales.
a. 5 componentes extraídos.
Fuente: Elaboración propia
Tabla 113 Matriz de componentes originales de España en 2008
Con intención de separar más todavía las variables que mejor representan
cada componente se realiza una rotación ortogonal por el método de Varimax
con normalización de Kaiser, de los componentes por los valores mostrados en
la tabla 113 se modifican obteniendo los de la tabla 114. La cual si permite
establecer que variables se extraen para cada componente.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 278
Spain_2008_Matriz de componente rotadoa
Componente
1 2 3 4 5
Infrastructure_resource_intensity ,975 ,029 -,086 ,015 -,017
Asset_intensity ,940 ,037 -,053 ,063 -,016
Coverage_ratio -,709 -,489 ,103 ,005 -,046
Debt_intensity ,588 -,127 -,033 -,172 ,575
Leverage ,078 ,911 -,061 -,025 ,099
Deb_to_equity_ratio -,049 ,839 -,034 -,133 ,262
Current_ratio -,249 -,787 ,033 -,188 ,408
ROE -,026 ,063 ,921 ,070 ,112
ROCE -,242 ,008 ,892 ,156 -,091
ROS ,047 -,244 ,870 -,204 -,011
Currents_asset_turnover_rate ,281 -,025 ,013 ,920 ,026
Asset_turnover_rate -,482 -,025 ,027 ,840 ,017
Company_age -,089 -,028 -,034 -,224 -,613
Company_size -,181 ,260 -,012 -,224 ,470
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 6 iteraciones.
Fuente: Elaboración propia
Tabla 114 Matriz de componentes rotados de España en 2008
Se extraen para cada componente las variables que aparecen coloreadas.
Aquellas cuyo coeficiente tiene un signo negativo, significa que la correlacion
es inversa.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 279
9.1.2 Año 2009
Se muestra a nivel informativo los estadísticos descriptivos de las variables de
la muestra utilizada para el año 2009 (Media, desviación típica y observaciones
disponibles). Esta información aparece resumida en la tabla 115.
Estadísticos descriptivos
Media
Desviación
estándar N de análisis
Company_age 18,53 12,666 232
Company_size ,21658672 2,729503283 232
Infrastructure_resource_intensity ,3824098 ,19052531 232
Asset_intensity ,8218789 ,71067365 232
Asset_turnover_rate ,9791105 ,49528761 232
Currents_asset_turnover_rate 1,6326519 ,72221348 232
Deb_to_equity_ratio 2,2914763 1,97872675 232
Leverage ,6034871 ,18519943 232
Debt_intensity ,6989424 ,74634908 232
Coverage_ratio 1,4767025 1,25441771 232
Current_ratio 1,7957802 ,86620593 232
ROE 9,8406952 14,73022539 232
ROCE 11,1360948 12,96414709 232
ROS 3,8867340 6,61560628 232
Fuente: Elaboración propia
Tabla 115 Estadísticos descriptivos de las variables de España en 2009
El siguiente paso es realizar dos pruebas de la aplicabilidad del análisis de
componentes principales a la muestra. Estas dos pruebas son la de KMO y la
esfericidad de Bartlett, cuyos resultados aparecen resumidos en la tabla 116. El
KMO es superior a 0,500, por lo se considera aceptable la aplicación del
análisis de componentes principales, apoyado por el hecho de que la prueba de
esfericidad de Bartlett tiene un valor elevado y una significación inferior a 0,05
(Se rechaza la hipótesis nula de no correlación entre las variables).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 280
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,538
Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 3036,440
gl 91
Sig. ,000
Fuente: Elaboración propia
Tabla 116 Prueba de KMO y de Bartlett de España en 2009
El siguiente paso es mostrar para cada variable la comunalidad que presenta
de acuerdo a los componentes extraidos inicialmente. La varianza poblacional
de cada variable está compuesta de la comualidad que es la parte de esta
varianza que es debida a los factores comunes y la especificidad que es debida
a los factores únicos. La tabla 117 recoge para cada variable su comunalidad.
Comunalidades
Inicial Extracción
Company_age 1,000 ,213
Company_size 1,000 ,551
Infrastructure_resource_intensity 1,000 ,955
Asset_intensity 1,000 ,880
Asset_turnover_rate 1,000 ,957
Currents_asset_turnover_rate 1,000 ,917
Deb_to_equity_ratio 1,000 ,843
Leverage 1,000 ,888
Debt_intensity 1,000 ,756
Coverage_ratio 1,000 ,786
Current_ratio 1,000 ,876
ROE 1,000 ,929
ROCE 1,000 ,912
ROS 1,000 ,891
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 117 Comunalidades de las variables de España en 2009
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 281
A continuación en la tabla 118 se muestran los componentes cuyo autovalor es
superior a 1, así como el porcentaje de la varianza original explicada y el
acumulado. Se observa que se pueden extraer 5 componentes que son
capaces de representar el 81,092% de la varianza original del problema. Esto
significa que con 5 grupos de variables queda representado el problema
original perdiendo sólo, aproximadamente el 19% de la varianza original del
problema. Es decir, en España en el año 2009 hay 5 compoentes que son
capaces de reflejar la estructura de las empresas del sector aeroespacial
guardando el aproximadamente 81% de la varianza original del modelo
completo.
Varianza total explicada
Componente
Autovalores iniciales Sumas de extracción de cargas al cuadrado Sumas de rotación de cargas al cuadrado
Total % de varianza % acumulado Total % de varianza % acumulado Total % de varianza % acumulado
1 3,724 26,597 26,597 3,724 26,597 26,597 3,135 22,391 22,391
2 2,603 18,590 45,187 2,603 18,590 45,187 2,631 18,791 41,182
3 2,188 15,631 60,818 2,188 15,631 60,818 2,614 18,669 59,851
4 1,709 12,205 73,024 1,709 12,205 73,024 1,770 12,641 72,492
5 1,130 8,068 81,092 1,130 8,068 81,092 1,204 8,600 81,092
6 ,906 6,469 87,560
7 ,804 5,742 93,303
8 ,315 2,249 95,552
9 ,247 1,763 97,314
10 ,180 1,288 98,602
11 ,096 ,686 99,288
12 ,040 ,286 99,574
13 ,032 ,229 99,803
14 ,028 ,197 100,000
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 118 Autovalores y varianza total explicada de las componentes de España en 2009
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 282
De la misma manera que en la tabla 118 se observa como se extraen las
componentes con autovalores superiores a 1 de manera analítica, también se
puede representar gráficamente en el eje de ordenadas el valor de los
autovalores y de abcisas el número de componentes. Este gráfico aparece
representado en la figura 98. Se observa en el mismo que a partir de un cierto
número de componentes se vuelve asintótico y hay muchas componentes con
valores muy próximos de autovalores. Otro criterio que también se utiliza para
mantener el número de componentes adecuado es el cambio de pendiente,
cuando esta empieza a ser moderada en ese punto es donde se debe
establecer el límite de las componentes que mantener.
Fuente: Elaboración propia
Figura 98 Gráfico de sedimentación de la extracción de las componentes de España en 2009
1
2
3
4
5
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 283
En la tabla 119 se muestra la matriz de componentes en la que se representan
en columnas las componentes que se han extraido en base el criterio mostrado
en la tabla 118 y figura 98, y el filas las variables del análisis. Los valores que
hay en cada celda son los coeficientes de correlación de las variables con las
componentes, aparecen ordenadas por valor de este coeficiente de mayor a
menor para cada componente. Se retendrean para cada componente aquellas
que sean suepriores en valor absoluto a 0,500.
Matriz de componentea
Componente
1 2 3 4 5
Infrastructure_resource_intensity -,822 -,043 ,512 ,024 -,121
Asset_intensity -,775 -,046 ,510 ,105 -,077
Coverage_ratio ,771 -,389 -,146 ,095 ,097
ROCE ,610 ,597 ,414 -,077 -,074
Leverage -,375 ,731 -,447 -,103 ,052
Deb_to_equity_ratio -,342 ,676 -,449 -,122 ,230
ROE ,512 ,615 ,492 -,213 ,023
Current_ratio ,429 -,583 ,316 -,055 ,499
ROS ,460 ,364 ,616 -,404 -,067
Currents_asset_turnover_rate -,071 ,298 ,265 ,862 ,099
Asset_turnover_rate ,525 ,313 -,130 ,744 ,113
Company_size -,022 ,141 -,241 -,311 ,613
Debt_intensity -,521 -,039 ,404 -,005 ,565
Company_age ,114 -,200 -,203 -,228 -,257
Método de extracción: análisis de componentes principales.
a. 5 componentes extraídos.
Fuente: Elaboración propia
Tabla 119 Matriz de componentes originales de España en 2009
Con intención de separar más todavía las variables que mejor representan
cada componente se realiza una rotación ortogonal por el método de Varimax
con normalización de Kaiser, de los componentes por los valores mostrados en
la tabla 119 se modifican obteniendo los de la tabla 120. La cual si permite
establecer que variables se extraen para cada componente.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 284
Spain_2009_Matriz de componente rotadoa
Componente
1 2 3 4 5
Infrastructure_resource_intensity ,961 ,051 -,114 ,002 -,127
Asset_intensity ,919 ,018 -,123 ,089 -,112
Coverage_ratio -,697 -,547 ,025 ,024 ,010
Debt_intensity ,659 -,109 -,064 ,175 ,525
Leverage ,016 ,922 ,000 ,044 ,188
Deb_to_equity_ratio -,009 ,844 -,021 ,063 ,357
Current_ratio -,133 -,834 ,050 -,002 ,399
ROE -,095 ,051 ,948 ,124 ,055
ROS ,035 -,151 ,922 -,131 ,002
ROCE -,226 ,039 ,900 ,206 -,078
Currents_asset_turnover_rate ,172 ,033 ,005 ,926 -,166
Asset_turnover_rate -,534 ,016 ,102 ,805 -,113
Company_age -,201 -,039 -,089 -,364 -,176
Company_size -,117 ,170 -,008 -,104 ,705
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 7 iteraciones.
Fuente: Elaboración propia
Tabla 120 Matriz de componentes rotados de España en 2009
Se extraen para cada componente las variables que aparecen coloreadas.
Aquellas cuyo coeficiente tiene un signo negativo, significa que la correlacion
es inversa.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 285
9.1.3 Año 2010
En primer lugar se muestra a nivel informativo los estadísticos descriptivos de
las variables de la muestra utilizada para el año 2010 (Media, desviación típica
y observaciones disponibles). Esta información aparece resumida en la tabla
121.
Estadísticos descriptivos
Media
Desviación
estándar N de análisis
Company_age 18,38 12,666 248
Company_size ,03570859 ,497294506 248
Infrastructure_resource_intensity ,3728705 ,19109382 248
Asset_intensity ,7867863 ,68038788 248
Asset_turnover_rate ,9908856 ,50938564 248
Currents_asset_turnover_rate 1,6237926 ,73725625 248
Deb_to_equity_ratio 2,4201461 2,09568111 248
Leverage ,6202416 ,19015595 248
Debt_intensity ,7202402 ,76781763 248
Coverage_ratio 1,4772685 1,29170895 248
Current_ratio 1,8137218 ,93099865 248
ROE 11,6739186 14,04431254 248
ROCE 12,1929113 12,57677810 248
ROS 4,1733256 5,60502242 248
Fuente: Elaboración propia
Tabla 121 Estadísticos descriptivos de las variables de España en 2010
El siguiente paso es realizar dos pruebas de la aplicabilidad del análisis de
componentes principales a la muestra. Estas dos pruebas son la de KMO y la
esfericidad de Bartlett, cuyos resultados aparecen resumidos en la tabla 122. El
KMO es superior a 0,500, por lo se considera aceptable la aplicación del
análisis de componentes principales, apoyado por el hecho de que la prueba de
esfericidad de Bartlett tiene un valor elevado y una significación inferior a 0,05
(Se rechaza la hipótesis nula de no correlación entre las variables).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 286
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,552
Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 3063,580
gl 91
Sig. ,000
Fuente: Elaboración propia
Tabla 122 Prueba de KMO y Bartlett de España en 2010
El siguiente paso es mostrar para cada variable la comunalidad que presenta
de acuerdo a los componentes extraidos inicialmente. La varianza poblacional
de cada variable está compuesta de la comualidad que es la parte de esta
varianza que es debida a los factores comunes y la especificidad que es debida
a los factores únicos. La tabla 123 recoge para cada variable su comunalidad.
Comunalidades
Inicial Extracción
Company_age 1,000 ,734
Company_size 1,000 ,083
Infrastructure_resource_intensity 1,000 ,964
Asset_intensity 1,000 ,887
Asset_turnover_rate 1,000 ,939
Currents_asset_turnover_rate 1,000 ,963
Deb_to_equity_ratio 1,000 ,761
Leverage 1,000 ,906
Debt_intensity 1,000 ,729
Coverage_ratio 1,000 ,729
Current_ratio 1,000 ,840
ROE 1,000 ,912
ROCE 1,000 ,876
ROS 1,000 ,888
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 123 Comunalidades de las variables de España en 2010
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 287
A continuación en la tabla 124 se muestran los componentes cuyo autovalor es
superior a 1, así como el porcentaje de la varianza original explicada y el
acumulado. Se observa que se pueden extraer 5 componentes que son
capaces de representar el 80,069% de la varianza original del problema. Esto
significa que con 5 grupos de variables queda representado el problema
original perdiendo sólo, aproximadamente el 20% de la varianza original del
problema. Es decir, en España en el año 2010 hay 5 compoentes que son
capaces de reflejar la estructura de las empresas del sector aeroespacial
guardando el aproximadamente 80% de la varianza original del modelo
completo.
Varianza total explicada
Componente
Autovalores iniciales Sumas de extracción de cargas al cuadrado Sumas de rotación de cargas al cuadrado
Total % de varianza % acumulado Total % de varianza % acumulado Total % de varianza % acumulado
1 3,804 27,168 27,168 3,804 27,168 27,168 3,161 22,579 22,579
2 2,809 20,064 47,233 2,809 20,064 47,233 2,635 18,819 41,398
3 1,978 14,132 61,364 1,978 14,132 61,364 2,386 17,040 58,438
4 1,510 10,782 72,147 1,510 10,782 72,147 1,845 13,176 71,615
5 1,109 7,923 80,069 1,109 7,923 80,069 1,184 8,455 80,069
6 ,969 6,925 86,994
7 ,686 4,903 91,897
8 ,417 2,980 94,877
9 ,295 2,111 96,988
10 ,179 1,282 98,269
11 ,124 ,889 99,158
12 ,059 ,421 99,579
13 ,037 ,265 99,844
14 ,022 ,156 100,000
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 124 Autovalores y varianza total explicada de los componentes de España en 2010
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 288
De la misma manera que en la tabla 124 se observa como se extraen las
componentes con autovalores superiores a 1 de manera analítica, también se
puede representar gráficamente en el eje de ordenadas el valor de los
autovalores y de abcisas el número de componentes. Este gráfico aparece
representado en la figura 99. Se observa en el mismo que a partir de un cierto
número de componentes se vuelve asintótico y hay muchas componentes con
valores muy próximos de autovalores. Otro criterio que también se utiliza para
mantener el número de componentes adecuado es el cambio de pendiente,
cuando esta empieza a ser moderada en ese punto es donde se debe
establecer el límite de las componentes que mantener.
Fuente: Elaboración propia
Figura 99 Gráfico de sedimentación de la extracción de los componentes de España en 2010
1
2
3
4
5
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 289
En la tabla 125 se muestra la matriz de componentes en la que se representan
en columnas las componentes que se han extraido en base el criterio mostrado
en la tabla 124 y figura 99, y el filas las variables del análisis. Los valores que
hay en cada celda son los coeficientes de correlación de las variables con las
componentes, aparecen ordenadas por valor de este coeficiente de mayor a
menor para cada componente. Se retendrean para cada componente aquellas
que sean suepriores en valor absoluto a 0,500.
Matriz de componentea
Componente
1 2 3 4 5
Infrastructure_resource_intensity -,851 ,072 ,453 -,059 ,164
Asset_intensity -,784 ,142 ,462 -,068 ,181
ROCE ,750 ,308 ,415 ,196 ,089
Coverage_ratio ,702 -,439 -,172 -,094 -,065
Asset_turnover_rate ,662 ,308 ,093 -,630 ,004
ROE ,622 ,356 ,551 ,309 ,012
Debt_intensity -,596 -,108 ,422 ,064 -,424
Leverage -,118 ,860 -,258 ,217 -,196
Current_ratio ,166 -,798 ,270 -,071 -,312
Deb_to_equity_ratio ,003 ,795 -,174 ,215 -,229
ROS ,405 -,186 ,657 ,489 ,132
Currents_asset_turnover_rate ,115 ,432 ,437 -,731 ,192
Company_size ,070 ,105 -,081 ,223 ,102
Company_age -,072 -,144 -,261 ,188 ,777
Método de extracción: análisis de componentes principales.
a. 5 componentes extraídos.
Fuente: Elaboración propia
Tabla 125 Matriz de componentes originales de España en 2010
Con intención de separar más todavía las variables que mejor representan
cada componente se realiza una rotación ortogonal por el método de Varimax
con normalización de Kaiser, de los componentes por los valores mostrados en
la tabla 125 se modifican obteniendo los de la tabla 126. La cual si permite
establecer que variables se extraen para cada componente.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 290
Spain_2010_Matriz de componente rotadoa
Componente
1 2 3 4 5
Infrastructure_resource_intensity ,971 -,049 -,138 ,012 -,005
Asset_intensity ,935 ,004 -,088 ,068 -,019
Coverage_ratio -,736 -,411 ,130 ,041 ,011
Debt_intensity ,627 -,121 -,058 -,219 ,519
Leverage ,046 ,946 -,017 -,011 ,092
Deb_to_equity_ratio -,021 ,856 ,088 ,013 ,144
Current_ratio -,152 -,802 ,076 -,177 ,371
Company_size -,062 ,157 ,116 -,130 -,154
ROE -,142 ,182 ,905 ,182 ,079
ROS ,042 -,300 ,876 -,165 -,033
ROCE -,316 ,136 ,827 ,270 -,017
Currents_asset_turnover_rate ,217 ,050 ,097 ,950 ,049
Asset_turnover_rate -,459 ,052 ,159 ,830 ,106
Company_age ,034 -,092 -,066 -,135 -,838
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 6 iteraciones.
Fuente: Elaboración propia
Tabla 126 Matriz de componentes rotados de España en 2010
Se extraen para cada componente las variables que aparecen coloreadas.
Aquellas cuyo coeficiente tiene un signo negativo, significa que la correlacion
es inversa.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 291
9.1.4 Año 2011
En primer lugar se muestra a nivel informativo los estadísticos descriptivos de
las variables de la muestra utilizada para el año 2011 (Media, desviación típica
y observaciones disponibles). Esta información aparece resumida en la tabla
127.
Estadísticos descriptivos
Media
Desviación
estándar N de análisis
Infrastructure_resource_intensity ,3958838 ,19261783 261
Asset_intensity ,8809098 ,77785018 261
Asset_turnover_rate ,9714283 ,47135192 261
Currents_asset_turnover_rate 1,6657371 ,72386178 261
Deb_to_equity_ratio 2,3581188 1,88873981 261
Leverage ,6245825 ,18197408 261
Debt_intensity ,7984582 ,78701049 261
Coverage_ratio 1,3466670 1,13869962 261
Current_ratio 1,7562375 ,82735443 261
ROE 10,4731752 13,89324875 261
ROCE 10,5373103 11,24501731 261
ROS 4,2020480 5,78783792 261
Fuente: Elaboración propia
Tabla 127 Estadísticos descriptivos de las variables de España en 2011
El siguiente paso es realizar dos pruebas de la aplicabilidad del análisis de
componentes principales a la muestra. Estas dos pruebas son la de KMO y la
esfericidad de Bartlett, cuyos resultados aparecen resumidos en la tabla 128. El
KMO es superior a 0,500, por lo se considera aceptable la aplicación del
análisis de componentes principales, apoyado por el hecho de que la prueba de
esfericidad de Bartlett tiene un valor elevado y una significación inferior a 0,05
(Se rechaza la hipótesis nula de no correlación entre las variables).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 292
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,526
Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 2985,971
gl 66
Sig. ,000
Fuente: Elaboración propia
Tabla 128 Prueba de KMO y Bartlett de España en 2011
El siguiente paso es mostrar para cada variable la comunalidad que presenta
de acuerdo a los componentes extraidos inicialmente. La varianza poblacional
de cada variable está compuesta de la comualidad que es la parte de esta
varianza que es debida a los factores comunes y la especificidad que es debida
a los factores únicos. La tabla 129 recoge para cada variable su comunalidad.
Comunalidades
Inicial Extracción
Infrastructure_resource_intensity 1,000 ,944
Asset_intensity 1,000 ,867
Asset_turnover_rate 1,000 ,951
Currents_asset_turnover_rate 1,000 ,972
Deb_to_equity_ratio 1,000 ,734
Leverage 1,000 ,884
Debt_intensity 1,000 ,589
Coverage_ratio 1,000 ,702
Current_ratio 1,000 ,683
ROE 1,000 ,879
ROCE 1,000 ,844
ROS 1,000 ,864
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 129 Comunalidades de las variables de España en 2011
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 293
A continuación en la tabla 130 se muestran los componentes cuyo autovalor es
superior a 1, así como el porcentaje de la varianza original explicada y el
acumulado. Se observa que se pueden extraer 4 componentes que son
capaces de representar el 82,608% de la varianza original del problema. Esto
significa que con 4 grupos de variables queda representado el problema
original perdiendo sólo, aproximadamente el 18% de la varianza original del
problema. Es decir, en España en el año 2011 hay 4 compoentes que son
capaces de reflejar la estructura de las empresas del sector aeroespacial
guardando el aproximadamente 82% de la varianza original del modelo
completo.
Varianza total explicada
Componente
Autovalores iniciales Sumas de extracción de cargas al cuadrado Sumas de rotación de cargas al cuadrado
Total % de varianza % acumulado Total % de varianza % acumulado Total % de varianza % acumulado
1 3,472 28,931 28,931 3,472 28,931 28,931 3,255 27,124 27,124
2 2,587 21,556 50,487 2,587 21,556 50,487 2,544 21,201 48,325
3 2,317 19,305 69,792 2,317 19,305 69,792 2,393 19,944 68,269
4 1,538 12,816 82,608 1,538 12,816 82,608 1,721 14,340 82,608
5 ,813 6,772 89,380
6 ,426 3,550 92,930
7 ,327 2,721 95,651
8 ,237 1,973 97,624
9 ,163 1,359 98,983
10 ,053 ,443 99,426
11 ,043 ,357 99,783
12 ,026 ,217 100,000
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 130 Autovalores y varianza total explicada de los componentes de España en 2011
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 294
De la misma manera que en la tabla 130 se observa como se extraen las
componentes con autovalores superiores a 1 de manera analítica, también se
puede representar gráficamente en el eje de ordenadas el valor de los
autovalores y de abcisas el número de componentes. Este gráfico aparece
representado en la figura 100. Se observa en el mismo que a partir de un cierto
número de componentes se vuelve asintótico y hay muchas componentes con
valores muy próximos de autovalores. Otro criterio que también se utiliza para
mantener el número de componentes adecuado es el cambio de pendiente,
cuando esta empieza a ser moderada en ese punto es donde se debe
establecer el límite de las componentes que mantener.
Fuente: Elaboración propia
Figura 100 Gráfico de sedimentación de la extracción de los componentes de España en 2011
1
2
3
4
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 295
En la tabla 131 se muestra la matriz de componentes en la que se representan
en columnas las componentes que se han extraido en base el criterio mostrado
en la tabla 130 y figura 100, y el filas las variables del análisis. Los valores que
hay en cada celda son los coeficientes de correlación de las variables con las
componentes, aparecen ordenadas por valor de este coeficiente de mayor a
menor para cada componente. Se retendrean para cada componente aquellas
que sean suepriores en valor absoluto a 0,500.
Matriz de componentea
Componente
1 2 3 4
Infrastructure_resource_intensity ,879 -,272 ,247 ,191
Asset_intensity ,859 -,217 ,225 ,175
Coverage_ratio -,793 -,159 -,219 ,000
Debt_intensity ,683 -,306 ,164 ,046
Leverage ,346 ,812 -,010 -,325
Deb_to_equity_ratio ,235 ,761 ,088 -,304
Current_ratio -,366 -,726 -,007 ,145
ROE -,235 ,139 ,888 -,125
ROS -,262 -,340 ,811 -,149
ROCE -,417 ,187 ,797 -,010
Currents_asset_turnover_rate ,156 ,371 ,203 ,877
Asset_turnover_rate -,485 ,523 -,011 ,665
Método de extracción: análisis de componentes principales.
a. 4 componentes extraídos.
Fuente: Elaboración propia
Tabla 131 Matriz de componentes originales de España en 2011
Con intención de separar más todavía las variables que mejor representan
cada componente se realiza una rotación ortogonal por el método de Varimax
con normalización de Kaiser, de los componentes por los valores mostrados en
la tabla 131 se modifican obteniendo los de la tabla 132. La cual si permite
establecer que variables se extraen para cada componente.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 296
Spain_2011_Matriz de componente rotadoa
Componente
1 2 3 4
Infrastructure_resource_intensity ,970 -,017 -,041 ,023
Asset_intensity ,929 ,030 -,052 ,029
Debt_intensity ,755 -,061 -,045 -,116
Coverage_ratio -,735 -,401 ,011 -,022
Leverage ,034 ,938 -,052 -,004
Deb_to_equity_ratio -,020 ,854 ,068 ,014
Current_ratio -,110 -,806 ,067 -,126
ROE -,011 ,121 ,928 ,048
ROCE -,196 ,060 ,878 ,177
ROS ,069 -,303 ,860 -,169
Currents_asset_turnover_rate ,243 ,070 ,036 ,952
Asset_turnover_rate -,474 ,066 ,043 ,848
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 5 iteraciones.
Fuente: Elaboración propia
Tabla 132 Matriz de componentes rotados de España en 2011
Se extraen para cada componente las variables que aparecen coloreadas.
Aquellas cuyo coeficiente tiene un signo negativo, significa que la correlacion
es inversa.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 297
9.1.5 Año 2012
En primer lugar se muestra a nivel informativo los estadísticos descriptivos de
las variables de la muestra utilizada para el año 2012 (Media, desviación típica
y observaciones disponibles). Esta información aparece resumida en la tabla
133.
Estadísticos descriptivos
Media
Desviación
estándar N de análisis
Infrastructure_resource_intensity ,4041877 ,19312715 246
Asset_intensity ,9044898 ,75363715 246
Asset_turnover_rate 1,0171210 ,51553068 246
Currents_asset_turnover_rate 1,7686721 ,78473065 246
Deb_to_equity_ratio 2,3119567 1,82308044 246
Leverage ,6138089 ,18019215 246
Debt_intensity ,7650512 ,73743713 246
Coverage_ratio 1,3641683 1,21450572 246
Current_ratio 1,7441585 ,80266933 246
ROE 9,5844475 15,42427098 246
ROCE 9,6107236 12,14786777 246
ROS 3,9060322 6,12302956 246
Fuente: Elaboración propia
Tabla 133 Estadísticos descriptivos de las variables de España en 2012
El siguiente paso es realizar dos pruebas de la aplicabilidad del análisis de
componentes principales a la muestra. Estas dos pruebas son la de KMO y la
esfericidad de Bartlett, cuyos resultados aparecen resumidos en la tabla 134. El
KMO es superior a 0,500, por lo se considera aceptable la aplicación del
análisis de componentes principales, apoyado por el hecho de que la prueba de
esfericidad de Bartlett tiene un valor elevado y una significación inferior a 0,05
(Se rechaza la hipótesis nula de no correlación entre las variables).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 298
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,527
Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 3096,053
gl 66
Sig. ,000
Fuente: Elaboración propia
Tabla 134 Prueba de KMO y Bartlett de España en 2012
El siguiente paso es mostrar para cada variable la comunalidad que presenta
de acuerdo a los componentes extraidos inicialmente. La varianza poblacional
de cada variable está compuesta de la comualidad que es la parte de esta
varianza que es debida a los factores comunes y la especificidad que es debida
a los factores únicos. La tabla 135 recoge para cada variable su comunalidad.
Comunalidades
Inicial Extracción
Infrastructure_resource_intensity 1,000 ,951
Asset_intensity 1,000 ,893
Asset_turnover_rate 1,000 ,944
Currents_asset_turnover_rate 1,000 ,971
Deb_to_equity_ratio 1,000 ,807
Leverage 1,000 ,928
Debt_intensity 1,000 ,568
Coverage_ratio 1,000 ,723
Current_ratio 1,000 ,686
ROE 1,000 ,910
ROCE 1,000 ,886
ROS 1,000 ,863
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 135 Comunalidades de las variables de España en 2012
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 299
A continuación en la tabla 136 se muestran los componentes cuyo autovalor es
superior a 1, así como el porcentaje de la varianza original explicada y el
acumulado. Se observa que se pueden extraer 4 componentes que son
capaces de representar el 84,421% de la varianza original del problema. Esto
significa que con 4 grupos de variables queda representado el problema
original perdiendo sólo, aproximadamente el 16% de la varianza original del
problema. Es decir, en España en el año 2012 hay 4 compoentes que son
capaces de reflejar la estructura de las empresas del sector aeroespacial
guardando el aproximadamente 84% de la varianza original del modelo
completo.
Varianza total explicada
Componente
Autovalores iniciales Sumas de extracción de cargas al cuadrado Sumas de rotación de cargas al cuadrado
Total % de varianza % acumulado Total % de varianza % acumulado Total % de varianza % acumulado
1 3,590 29,919 29,919 3,590 29,919 29,919 3,194 26,621 26,621
2 2,515 20,956 50,875 2,515 20,956 50,875 2,629 21,905 48,526
3 2,356 19,636 70,511 2,356 19,636 70,511 2,525 21,040 69,566
4 1,669 13,910 84,421 1,669 13,910 84,421 1,783 14,855 84,421
5 ,802 6,685 91,106
6 ,389 3,241 94,347
7 ,249 2,072 96,419
8 ,187 1,557 97,976
9 ,139 1,162 99,139
10 ,050 ,416 99,555
11 ,030 ,250 99,805
12 ,023 ,195 100,000
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 136 Autovalores y varianza total explicada de los componentes de España en 2012
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 300
De la misma manera que en la tabla 136 se observa como se extraen las
componentes con autovalores superiores a 1 de manera analítica, también se
puede representar gráficamente en el eje de ordenadas el valor de los
autovalores y de abcisas el número de componentes. Este gráfico aparece
representado en la figura 101. Se observa en el mismo que a partir de un cierto
número de componentes se vuelve asintótico y hay muchas componentes con
valores muy próximos de autovalores. Otro criterio que también se utiliza para
mantener el número de componentes adecuado es el cambio de pendiente,
cuando esta empieza a ser moderada en ese punto es donde se debe
establecer el límite de las componentes que mantener.
Fuente: Elaboración propia
Figura 101 Gráfico de sedimentación de la extracción de los componentes de España en 2012
1
2
3
4
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 301
En la tabla 137 se muestra la matriz de componentes en la que se representan
en columnas las componentes que se han extraido en base el criterio mostrado
en la tabla 136 y figura 101, y el filas las variables del análisis. Los valores que
hay en cada celda son los coeficientes de correlación de las variables con las
componentes, aparecen ordenadas por valor de este coeficiente de mayor a
menor para cada componente. Se retendrean para cada componente aquellas
que sean suepriores en valor absoluto a 0,500.
Matriz de componentea
Componente
1 2 3 4
Infrastructure_resource_intensity ,832 -,377 ,233 ,249
Asset_intensity ,814 -,357 ,217 ,239
Coverage_ratio -,793 -,122 -,278 -,050
Debt_intensity ,608 -,345 ,281 ,020
Leverage ,420 ,805 ,149 -,285
Deb_to_equity_ratio ,354 ,738 ,173 -,328
Current_ratio -,475 -,675 -,062 ,023
ROE -,361 ,141 ,870 ,043
ROS -,339 -,296 ,806 -,108
ROCE -,483 ,135 ,789 ,108
Currents_asset_turnover_rate ,149 ,292 ,013 ,929
Asset_turnover_rate -,459 ,502 -,112 ,685
Método de extracción: análisis de componentes principales.
a. 4 componentes extraídos.
Fuente: Elaboración propia
Tabla 137 Matriz de componentes originales de España en 2012
Con intención de separar más todavía las variables que mejor representan
cada componente se realiza una rotación ortogonal por el método de Varimax
con normalización de Kaiser, de los componentes por los valores mostrados en
la tabla 137 se modifican obteniendo los de la tabla 138. La cual si permite
establecer que variables se extraen para cada componente.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 302
Spain_2012_Matriz de componente rotadoa
Componente
1 2 3 4
Infrastructure_resource_intensity ,970 -,007 -,092 ,039
Asset_intensity ,939 ,003 -,100 ,037
Debt_intensity ,737 ,000 ,032 -,152
Coverage_ratio -,711 -,464 ,032 -,028
Leverage ,017 ,963 -,012 -,015
Deb_to_equity_ratio -,014 ,895 ,034 -,076
Current_ratio -,141 -,787 ,110 -,184
ROE -,057 ,096 ,944 ,074
ROCE -,168 ,008 ,915 ,144
ROS ,080 -,232 ,869 -,219
Currents_asset_turnover_rate ,217 ,047 -,026 ,960
Asset_turnover_rate -,465 ,021 ,082 ,849
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 5 iteraciones.
Fuente: Elaboración propia
Tabla 138 Matriz de componentes rotados de España en 2012
Se extraen para cada componente las variables que aparecen coloreadas.
Aquellas cuyo coeficiente tiene un signo negativo, significa que la correlacion
es inversa.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 303
9.1.6 Año 2013
En primer lugar se muestra a nivel informativo los estadísticos descriptivos de
las variables de la muestra utilizada para el año 2013 (Media, desviación típica
y observaciones disponibles). Esta información aparece resumida en la tabla
139.
Estadísticos descriptivos
Media
Desviación
estándar N de análisis
Infrastructure_resource_intensity ,3960847 ,18441538 178
Asset_intensity ,8622825 ,73414033 178
Asset_turnover_rate 1,0396228 ,53049876 178
Currents_asset_turnover_rate 1,7469913 ,71725160 178
Deb_to_equity_ratio 2,2255566 1,92530456 178
Leverage ,6203890 ,16988386 178
Debt_intensity ,7267896 ,66715716 178
Coverage_ratio 1,3237302 1,15182074 178
Current_ratio 1,7160056 ,79728115 178
ROE 11,6025029 15,32334987 178
ROCE 11,0716966 12,42837791 178
ROS 4,3064875 5,28577654 178
Fuente: Elaboración propia
Tabla 139 Estadísticos descriptivos de las variables de España en 2013
El siguiente paso es realizar dos pruebas de la aplicabilidad del análisis de
componentes principales a la muestra. Estas dos pruebas son la de KMO y la
esfericidad de Bartlett, cuyos resultados aparecen resumidos en la tabla 140. El
KMO es superior a 0,500, por lo se considera aceptable la aplicación del
análisis de componentes principales, apoyado por el hecho de que la prueba de
esfericidad de Bartlett tiene un valor elevado y una significación inferior a 0,05
(Se rechaza la hipótesis nula de no correlación entre las variables).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 304
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,545
Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 2190,904
gl 66
Sig. ,000
Fuente: Elaboración propia
Tabla 140 Prueba de KMO y Bartlett de España en 2013
El siguiente paso es mostrar para cada variable la comunalidad que presenta
de acuerdo a los componentes extraidos inicialmente. La varianza poblacional
de cada variable está compuesta de la comualidad que es la parte de esta
varianza que es debida a los factores comunes y la especificidad que es debida
a los factores únicos. La tabla 141 recoge para cada variable su comunalidad.
Comunalidades
Inicial Extracción
Infrastructure_resource_intensity 1,000 ,953
Asset_intensity 1,000 ,877
Asset_turnover_rate 1,000 ,957
Currents_asset_turnover_rate 1,000 ,981
Deb_to_equity_ratio 1,000 ,665
Leverage 1,000 ,854
Debt_intensity 1,000 ,529
Coverage_ratio 1,000 ,780
Current_ratio 1,000 ,694
ROE 1,000 ,910
ROCE 1,000 ,898
ROS 1,000 ,890
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 141 Comunalidades de las variables de España en 2013
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 305
A continuación en la tabla 142 se muestran los componentes cuyo autovalor es
superior a 1, así como el porcentaje de la varianza original explicada y el
acumulado. Se observa que se pueden extraer 4 componentes que son
capaces de representar el 83,229% de la varianza original del problema. Esto
significa que con 4 grupos de variables queda representado el problema
original perdiendo sólo, aproximadamente el 17% de la varianza original del
problema. Es decir, en España en el año 2013 hay 4 componentes que son
capaces de reflejar la estructura de las empresas del sector aeroespacial
guardando el aproximadamente 83% de la varianza original del modelo
completo.
Varianza total explicada
Componente
Autovalores iniciales Sumas de extracción de cargas al cuadrado Sumas de rotación de cargas al cuadrado
Total % de varianza % acumulado Total % de varianza % acumulado Total % de varianza % acumulado
1 3,531 29,428 29,428 3,531 29,428 29,428 3,077 25,640 25,640
2 2,719 22,654 52,082 2,719 22,654 52,082 2,586 21,549 47,189
3 2,308 19,233 71,316 2,308 19,233 71,316 2,539 21,158 68,348
4 1,430 11,914 83,229 1,430 11,914 83,229 1,786 14,882 83,229
5 ,893 7,438 90,667
6 ,421 3,512 94,179
7 ,300 2,502 96,682
8 ,167 1,389 98,071
9 ,109 ,906 98,976
10 ,064 ,530 99,507
11 ,042 ,351 99,857
12 ,017 ,143 100,000
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 142 Autovalores y varianza total explicada de los componentes de España en 2013
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 306
De la misma manera que en la tabla 142 se observa como se extraen las
componentes con autovalores superiores a 1 de manera analítica, también se
puede representar gráficamente en el eje de ordenadas el valor de los
autovalores y de abcisas el número de componentes. Este gráfico aparece
representado en la figura 102. Se observa en el mismo que a partir de un cierto
número de componentes se vuelve asintótico y hay muchas componentes con
valores muy próximos de autovalores. Otro criterio que también se utiliza para
mantener el número de componentes adecuado es el cambio de pendiente,
cuando esta empieza a ser moderada en ese punto es donde se debe
establecer el límite de las componentes que mantener.
Fuente: Elaboración propia
Figura 102 Gráfico de sedimentación de la extracción de los componentes de España en 2013
1
2
3
4
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 307
En la tabla 143 se muestra la matriz de componentes en la que se representan
en columnas las componentes que se han extraido en base el criterio mostrado
en la tabla 142 y figura 102, y el filas las variables del análisis. Los valores que
hay en cada celda son los coeficientes de correlación de las variables con las
componentes, aparecen ordenadas por valor de este coeficiente de mayor a
menor para cada componente. Se retendrean para cada componente aquellas
que sean suepriores en valor absoluto a 0,500.
Matriz de componentea
Componente
1 2 3 4
Infrastructure_resource_intensity ,889 -,065 ,247 ,311
Asset_intensity ,839 -,067 ,277 ,303
Coverage_ratio -,785 -,405 -,025 -,013
Debt_intensity ,608 -,172 ,319 ,167
Asset_turnover_rate -,556 ,392 -,484 ,510
Leverage ,340 ,735 -,271 -,352
Deb_to_equity_ratio ,217 ,663 -,245 -,344
ROE -,339 ,640 ,614 ,090
Current_ratio -,435 -,640 ,264 ,162
ROS -,223 ,260 ,879 ,000
ROCE -,474 ,563 ,590 ,090
Currents_asset_turnover_rate -,026 ,423 -,365 ,817
Método de extracción: análisis de componentes principales.
a. 4 componentes extraídos.
Fuente: Elaboración propia
Tabla 143 Matriz de componentes originales de España de 2013
Con intención de separar más todavía las variables que mejor representan
cada componente se realiza una rotación ortogonal por el método de Varimax
con normalización de Kaiser, de los componentes por los valores mostrados en
la tabla 143 se modifican obteniendo los de la tabla 144. La cual si permite
establecer que variables se extraen para cada componente.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 308
Spain_2013_Matriz de componente rotadoa
Componente
1 2 3 4
Infrastructure_resource_intensity ,967 ,085 -,100 -,006
Asset_intensity ,932 ,057 -,062 -,018
Debt_intensity ,709 -,069 -,020 -,147
Coverage_ratio -,650 -,597 ,025 -,017
Leverage ,003 ,923 ,025 ,021
Deb_to_equity_ratio -,084 ,809 ,049 ,011
Current_ratio -,165 -,806 ,033 -,127
ROE -,084 ,143 ,932 ,119
ROCE -,202 ,040 ,917 ,123
ROS ,107 -,153 ,900 -,215
Currents_asset_turnover_rate ,116 ,100 ,009 ,979
Asset_turnover_rate -,490 ,037 ,045 ,845
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 5 iteraciones.
Fuente: Elaboración propia
Tabla 144 Matriz de componentes rotados de España en 2013
Se extraen para cada componente las variables que aparecen coloreadas.
Aquellas cuyo coeficiente tiene un signo negativo, significa que la correlacion
es inversa.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 309
9.1.7 Análisis longitudinal 2008-2013
En la tabla 145 se muestran las diferentes componentes para cada año, al igual
que las variables que las conforman, sus coeficientes de correlación con las
componentes. En las dos últimas columnas aparen la tendencia de cada una
de las variables y un histograma con la evolución de los valores. Por último en
la parte inferior de la tabla se muestra la varianza explicada por cada una de
las componentes en cada año.
Fuente: Elaboración propia
Tabla 145 Análisis longitudinal de los componentes en España entre 2008-2013
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 310
9.2 INDIA
A continuación se va a proceder a realizar un análisis de componentes
principales en India para cada año de los expresados en el horizonte temporal,
es decir, 2008-2009-2010-2011-2012-2013. Se utilizarán las variables
referenciadas en el modelo del punto 7.7. El objetivo de este análisis es falsar
parte de las hipótesis de esta tesis doctoral.
9.2.1 Año 2008
En primer lugar se muestra a nivel informativo los estadísticos descriptivos de
las variables de la muestra utilizada para el año 2008 (Media, desviación típica
y observaciones disponibles). Esta información aparece resumida en la tabla
146.
Estadísticos descriptivos
Media
Desviación
estándar N de análisis
Company_age 26,35 16,933 65
Company_size ,0230355 ,04967456 65
Infrastructure_resource_intensity ,3268421 ,20348747 65
Asset_intensity ,8608193 2,06065331 65
Asset_turnover_rate ,1606733 ,13343319 65
Current_asset_turnover_rate ,2599982 ,26753445 65
Debt_to_equity_ratio ,6296023 ,64968436 65
Leverage ,7924398 ,36911539 65
Debt_intensity 1,2023048 2,02848435 65
Coverage_ratio 3,6391277 4,76682421 65
Current_ratio 1,4097538 ,97791893 65
ROE 19,4478462 14,55324046 65
ROCE 14,0360000 12,16702739 65
ROS 8,4027079 6,77498515 65
Fuente: Elaboración propia
Tabla 146 Estadísticos descriptivos de las variables de India en 2008
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 311
El siguiente paso es realizar dos pruebas de la aplicabilidad del análisis de
componentes principales a la muestra. Estas dos pruebas son la de KMO y la
esfericidad de Bartlett, cuyos resultados aparecen resumidos en la tabla 147. El
KMO como es casi de 0,500 se podría considerar aceptable la aplicación del
análisis de componentes principales, apoyado por el hecho de que la prueba de
esfericidad de Bartlett tiene un valor elevado y una significación inferior a 0,05
(Se rechaza la hipótesis nula de no correlación entre las variables). El hecho de
que se utilicen ratios como variables, en lugar de magnitudes absolutas puede
hacer en algunos casos en los que las variables están muy correladas (como el
caso que nos ocupa al estar muchas veces los ratios financieros relacionados
según el modelo de DuPont), que el KMO baje de 0,500 sin que ello descarte
por si mismo la aplicación del análisis de componentes principales. En este
caso habrá que evaluar la prueba de esfericidad de Bartlett para tomar la
decisión de si confiar en la aplicación de esta técnica o no. Que el índice KMO
baje de 0,500 significa que los coeficientes de correlación parcial entre
variables originales tiene al menos tanto peso como los coeficientes de
correlación observados entre varibles originales. La prueba de esfericidad de
Bartlett pone de manifiesto la existencia de una relación significativa en
términos de correlación entre las variables analizadas. Si es alto muestra que
existe y por lo que tendrá sentido aplicar el análisis de componentes principales
cuyo objetivo precisamente es tratar de establecer los grupos de variables que
más contribuyen en cada factor. Como se ha comentado en la explicación de la
técnica, no sería posible su utilización si no existiera un minimos de correlación
entre todas y cada una de las variables.
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,440
Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 635,484
gl 91
Sig. ,000
Fuente: Elaboración propia
Tabla 147 Prueba de KMO y Bartlett de India en 2008
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 312
El siguiente paso es mostrar para cada variable la comunalidad que presenta
de acuerdo a los componentes extraidos inicialmente. La varianza poblacional
de cada variable está compuesta de la comualidad que es la parte de esta
varianza que es debida a los factores comunes y la especificidad que es debida
a los factores únicos. La tabla 148 recoge para cada variable su comunalidad.
Comunalidades
Inicial Extracción
Company_age 1,000 ,816
Company_size 1,000 ,711
Infrastructure_resource_intensity 1,000 ,770
Asset_intensity 1,000 ,741
Asset_turnover_rate 1,000 ,786
Current_asset_turnover_rate 1,000 ,883
Debt_to_equity_ratio 1,000 ,902
Leverage 1,000 ,708
Debt_intensity 1,000 ,812
Coverage_ratio 1,000 ,357
Current_ratio 1,000 ,827
ROE 1,000 ,805
ROCE 1,000 ,886
ROS 1,000 ,842
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 148 Comunalidades de las variables de India en 2008
A continuación en la tabla 149 se muestran los componentes cuyo autovalor es
superior a 1, así como el porcentaje de la varianza original explicada y el
acumulado. Se observa que se pueden extraer 5 componentes que son
capaces de representar el 77,472% de la varianza original del problema. Esto
significa que con 5 grupos de variables queda representado el problema
original perdiendo sólo, aproximadamente el 23% de la varianza original del
problema. Es decir, en India en el año 2008 hay 5 componentes que son
capaces de reflejar la estructura de las empresas del sector aeroespacial
guardando el aproximadamente 77% de la varianza original del modelo
completo.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 313
Varianza total explicada
Componente
Autovalores iniciales Sumas de extracción de cargas al cuadrado Sumas de rotación de cargas al cuadrado
Total % de varianza % acumulado Total % de varianza % acumulado Total % de varianza % acumulado
1 3,958 28,273 28,273 3,958 28,273 28,273 3,456 24,687 24,687
2 2,416 17,258 45,532 2,416 17,258 45,532 2,359 16,850 41,537
3 1,684 12,029 57,561 1,684 12,029 57,561 1,889 13,493 55,030
4 1,423 10,162 67,723 1,423 10,162 67,723 1,678 11,988 67,017
5 1,365 9,749 77,472 1,365 9,749 77,472 1,464 10,455 77,472
6 ,910 6,502 83,974
7 ,744 5,313 89,287
8 ,423 3,025 92,312
9 ,368 2,628 94,940
10 ,316 2,259 97,199
11 ,173 1,233 98,432
12 ,160 1,140 99,572
13 ,045 ,323 99,895
14 ,015 ,105 100,000
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 149 Autovalores y varianza total explicada de los componentes de India en 2008
De la misma manera que en la tabla 149 se observa como se extraen las
componentes con autovalores superiores a 1 de manera analítica, también se
puede representar gráficamente en el eje de ordenadas el valor de los
autovalores y de abcisas el número de componentes. Este gráfico se denomina
grafico de sedimentación y aparece representado en la figura 103. Se observa
en el mismo que a partir de un cierto número de componentes se vuelve
asintótico y hay muchas componentes con valores muy próximos de
autovalores. Otro criterio que también se utiliza para mantener el número de
componentes adecuado es el cambio de pendiente, cuando esta empieza a ser
moderada en ese punto es donde se debe establecer el límite de las
componentes que mantener.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 314
Fuente: Elaboración propia
Figura 103 Gráfico de sedimentación de la extracción de los componentes de India en 2008
En la tabla 150 se muestra la matriz de componentes en la que se representan
en columnas las componentes que se han extraido en base el criterio mostrado
en la tabla 149 y figura 103, y el filas las variables del análisis. Los valores que
hay en cada celda son los coeficientes de correlación de las variables con las
componentes, aparecen ordenadas por valor de este coeficiente de mayor a
menor para cada componente. Se retendrean para cada componente aquellas
que sean suepriores en valor absoluto a 0,500.
1
2
3
4 5
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 315
Matriz de componentea
Componente
1 2 3 4 5
ROCE ,909 -,061 -,056 ,170 ,155
ROS ,847 ,211 ,265 ,053 ,084
Asset_turnover_rate ,834 ,121 -,229 ,137 ,064
ROE ,729 ,101 ,045 ,451 ,241
Debt_to_equity_ratio -,624 ,203 ,270 ,520 ,358
Infrastructure_resource_intensity -,304 ,810 -,027 -,114 ,087
Asset_intensity -,088 ,805 -,101 -,268 -,054
Current_asset_turnover_rate ,492 ,767 -,209 -,091 ,014
Coverage_ratio ,343 -,481 ,057 -,063 ,001
Current_ratio ,273 -,060 ,752 ,028 -,427
Debt_intensity -,334 ,283 ,586 ,441 ,286
Leverage -,176 -,241 -,561 ,257 ,488
Company_size ,337 -,039 ,388 -,499 ,444
Company_age -,082 -,185 ,225 -,539 ,659
Método de extracción: análisis de componentes principales.
a. 5 componentes extraídos.
Fuente: Elaboración propia
Tabla 150 Matriz de componentes originales de India en 2008
Con intención de separar más todavía las variables que mejor representan
cada componente se realiza una rotación ortogonal por el método de Varimax
con normalización de Kaiser, de los componentes por los valores mostrados en
la tabla 150 se modifican obteniendo los de la tabla 151. La cual si permite
establecer que variables se extraen para cada componente.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 316
India_2008_Matriz de componente rotadoa
Componente
1 2 3 4 5
ROCE ,891 -,193 -,219 ,022 ,073
ROE ,878 -,103 ,143 -,016 -,048
Asset_turnover_rate ,830 ,022 -,301 -,049 -,052
ROS ,826 ,051 -,078 ,345 ,180
Asset_intensity -,027 ,856 -,048 ,068 ,013
Infrastructure_resource_intensity -,133 ,837 ,226 -,027 ,013
Current_asset_turnover_rate ,560 ,728 -,195 ,032 -,030
Coverage_ratio ,191 -,490 -,235 ,072 ,142
Debt_to_equity_ratio -,257 ,095 ,885 -,193 -,080
Debt_intensity -,034 ,109 ,875 ,173 ,053
Current_ratio ,128 -,212 ,115 ,867 -,008
Leverage ,010 -,184 ,089 -,816 -,028
Company_age -,145 -,068 ,046 -,153 ,875
Company_size ,216 -,012 -,064 ,191 ,790
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 6 iteraciones.
Fuente: Elaboración propia
Tabla 151 Matriz de componentes rotados de India de 2008
Se extraen para cada componente las variables que aparecen coloreadas.
Aquellas cuyo coeficiente tiene un signo negativo, significa que la correlacion
es inversa.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 317
9.2.2 Año 2009
En primer lugar se muestra a nivel informativo los estadísticos descriptivos de
las variables de la muestra utilizada para el año 2009 (Media, desviación típica
y observaciones disponibles). Esta información aparece resumida en la tabla
152.
Fuente: Elaboración propia
Tabla 152 Estadísticos descriptivos de las varianzas de India en 2009
El siguiente paso es realizar dos pruebas de la aplicabilidad del análisis de
componentes principales a la muestra. Estas dos pruebas son la de KMO y la
esfericidad de Bartlett, cuyos resultados aparecen resumidos en la tabla 153. El
KMO es superior a 0,500, por lo se considera aceptable la aplicación del
análisis de componentes principales, apoyado por el hecho de que la prueba de
esfericidad de Bartlett tiene un valor elevado y una significación inferior a 0,05
(Se rechaza la hipótesis nula de no correlación entre las variables).
Estadísticos descriptivos
Media
Desviación
estándar N de análisis
Company_age 28,99 18,138 76
Company_size ,0691701 ,37820340 76
Infrastructure_resource_intensity ,3430336 ,22058839 76
Asset_intensity ,9830740 2,26726513 76
Asset_turnover_rate ,1255548 ,12953285 76
Current_asset_turnover_rate ,2015251 ,24191771 76
Debt_to_equity_ratio ,7208484 1,13626948 76
Leverage ,8135264 ,54101879 76
Debt_intensity 1,2912496 1,88295542 76
Coverage_ratio 3,2048174 3,49016520 76
Current_ratio 1,4019211 ,96367813 76
ROE 15,7467696 16,11611336 76
ROCE 11,6553947 12,61992947 76
ROS 7,0589228 7,65076745 76
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 318
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,584
Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 623,661
gl 91
Sig. ,000
Fuente: Elaboración propia
Tabla 153 Prueba de KMO y Bartlett de India en 2009
El siguiente paso es mostrar para cada variable la comunalidad que presenta
de acuerdo a los componentes extraidos inicialmente. La varianza poblacional
de cada variable está compuesta de la comualidad que es la parte de esta
varianza que es debida a los factores comunes y la especificidad que es debida
a los factores únicos. La tabla 154 recoge para cada variable su comunalidad.
Comunalidades
Inicial Extracción
Company_age 1,000 ,665
Company_size 1,000 ,691
Infrastructure_resource_intensity 1,000 ,896
Asset_intensity 1,000 ,756
Asset_turnover_rate 1,000 ,841
Current_asset_turnover_rate 1,000 ,784
Debt_to_equity_ratio 1,000 ,843
Leverage 1,000 ,803
Debt_intensity 1,000 ,866
Coverage_ratio 1,000 ,841
Current_ratio 1,000 ,872
ROE 1,000 ,874
ROCE 1,000 ,877
ROS 1,000 ,813
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 154 Comunalidades de las variables de India en 2009
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 319
A continuación en la tabla 155 se muestran los componentes cuyo autovalor es
superior a 1, así como el porcentaje de la varianza original explicada y el
acumulado. Se observa que se pueden extraer 6 componentes que son
capaces de representar el 81,591% de la varianza original del problema. Esto
significa que con 5 grupos de variables queda representado el problema
original perdiendo sólo, aproximadamente el 19% de la varianza original del
problema. Es decir, en India en el año 2009 hay 6 componentes que son
capaces de reflejar la estructura de las empresas del sector aeroespacial
guardando el aproximadamente 81% de la varianza original del modelo
completo.
Varianza total explicada
Componente
Autovalores iniciales Sumas de extracción de cargas al cuadrado Sumas de rotación de cargas al cuadrado
Total % de varianza % acumulado Total % de varianza % acumulado Total % de varianza % acumulado
1 4,194 29,955 29,955 4,194 29,955 29,955 3,852 27,516 27,516
2 2,475 17,678 47,632 2,475 17,678 47,632 2,142 15,298 42,815
3 1,330 9,498 57,131 1,330 9,498 57,131 1,429 10,205 53,020
4 1,261 9,004 66,135 1,261 9,004 66,135 1,417 10,123 63,143
5 1,162 8,297 74,432 1,162 8,297 74,432 1,362 9,731 72,874
6 1,002 7,160 81,591 1,002 7,160 81,591 1,220 8,718 81,591
7 ,778 5,560 87,151
8 ,573 4,094 91,245
9 ,465 3,324 94,569
10 ,266 1,899 96,468
11 ,214 1,528 97,996
12 ,139 ,991 98,986
13 ,106 ,756 99,742
14 ,036 ,258 100,000
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 155 Autovalores y varianza total explicada de los componentes de India en 2009
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 320
De la misma manera que en la tabla 155 se observa como se extraen las
componentes con autovalores superiores a 1 de manera analítica, también se
puede representar gráficamente en el eje de ordenadas el valor de los
autovalores y de abcisas el número de componentes. Este gráfico se denomina
grafico de sedimentación y aparece representado en la figura 104. Se observa
en el mismo que a partir de un cierto número de componentes se vuelve
asintótico y hay muchas componentes con valores muy próximos de
autovalores. Otro criterio que también se utiliza para mantener el número de
componentes adecuado es el cambio de pendiente, cuando esta empieza a ser
moderada en ese punto es donde se debe establecer el límite de las
componentes que mantener.
Fuente: Elaboración propia
Figura 104 Gráfico de sedimentación de la extracción de los componentes de India en 2009
1
2
3 4 5 6
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 321
En la tabla 156 se muestra la matriz de componentes en la que se representan
en columnas las componentes que se han extraido en base el criterio mostrado
en la tabla 155 y figura 104, y el filas las variables del análisis. Los valores que
hay en cada celda son los coeficientes de correlación de las variables con las
componentes, aparecen ordenadas por valor de este coeficiente de mayor a
menor para cada componente. Se retendrean para cada componente aquellas
que sean suepriores en valor absoluto a 0,500.
Matriz de componentea
Componente
1 2 3 4 5 6
ROCE ,919 ,071 ,025 ,120 ,066 -,086
Asset_turnover_rate ,885 ,150 ,142 ,065 -,042 ,093
ROS ,822 ,350 ,023 -,096 ,018 ,070
ROE ,809 ,178 -,237 ,315 ,180 -,014
Current_asset_turnover_rate ,670 ,454 ,243 ,106 -,161 ,179
Infrastructure_resource_intensity -,492 ,757 ,231 ,119 -,095 ,071
Coverage_ratio ,326 -,587 -,047 -,410 -,324 ,338
Asset_intensity -,297 ,569 ,331 ,103 -,470 ,057
Debt_intensity -,389 ,563 -,285 -,237 -,044 ,509
Current_ratio ,237 ,414 -,515 -,577 ,180 ,117
Debt_to_equity_ratio -,348 ,147 -,521 ,560 ,299 ,161
Company_size -,075 -,054 ,412 ,102 ,557 ,439
Company_age -,111 ,020 ,489 -,350 ,539 ,007
Leverage ,055 -,576 ,047 ,305 -,193 ,579
Método de extracción: análisis de componentes principales.
a. 6 componentes extraídos.
Fuente: Elaboración propia
Tabla 156 Matriz de componentes originales de India en 2009
Con intención de separar más todavía las variables que mejor representan
cada componente se realiza una rotación ortogonal por el método de Varimax
con normalización de Kaiser, de los componentes por los valores mostrados en
la tabla 156 se modifican obteniendo los de la tabla 157. La cual si permite
establecer que variables se extraen para cada componente.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 322
India_2009_Matriz de componente rotadoa
Componente
1 2 3 4 5 6
Asset_turnover_rate ,892 -,085 -,174 -,032 ,087 ,001
ROCE ,884 -,270 -,084 -,101 -,042 -,059
ROS ,859 -,030 -,158 ,204 -,082 -,005
ROE ,843 -,265 ,280 ,007 -,045 -,111
Current_asset_turnover_rate ,817 ,313 -,122 ,036 ,048 ,018
Asset_intensity -,042 ,854 -,085 -,036 -,058 -,117
Infrastructure_resource_intensity -,153 ,853 ,203 ,129 -,269 ,122
Debt_to_equity_ratio -,185 ,010 ,891 ,099 ,042 -,057
Current_ratio ,218 -,152 -,045 ,852 -,263 -,070
Debt_intensity -,194 ,484 ,211 ,735 ,083 ,047
Leverage -,034 -,144 ,067 -,207 ,856 ,040
Coverage_ratio ,043 -,395 -,542 ,152 ,590 -,133
Company_size ,019 ,021 ,160 -,052 ,204 ,787
Company_age -,106 -,044 -,243 ,023 -,257 ,725
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 6 iteraciones.
Fuente: Elaboración propia
Tabla 157 Matriz de componentes rotados de India en 2009
Se extraen para cada componente las variables que aparecen coloreadas.
Aquellas cuyo coeficiente tiene un signo negativo, significa que la correlacion
es inversa.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 323
9.2.3 Año 2010
En primer lugar se muestra a nivel informativo los estadísticos descriptivos de
las variables de la muestra utilizada para el año 2010 (Media, desviación típica
y observaciones disponibles). Esta información aparece resumida en la tabla
158.
Estadísticos descriptivos
Media
Desviación
estándar N de análisis
Company_age 30,25 17,906 76
Company_size ,0631832 ,31114741 76
Infrastructure_resource_intensity ,3316305 ,20517185 76
Asset_intensity ,7581723 1,13999154 76
Asset_turnover_rate ,4439011 2,73730175 76
Current_asset_turnover_rate 1,3772418 10,13475569 76
Debt_to_equity_ratio ,7112368 1,41419916 76
Leverage ,8170747 ,72136206 76
Debt_intensity 1,0046909 1,46723188 76
Coverage_ratio 3,3501012 3,71704031 76
Current_ratio 1,4581579 ,94006847 76
ROE 16,1961842 13,40295330 76
ROCE 12,1061842 10,78200278 76
ROS 7,7637873 7,93023783 76
Fuente: Elaboración propia
Tabla 158 Estadísticos descriptivos de las variables de India en 2010
El siguiente paso es realizar dos pruebas de la aplicabilidad del análisis de
componentes principales a la muestra. Estas dos pruebas son la de KMO y la
esfericidad de Bartlett, cuyos resultados aparecen resumidos en la tabla 159. El
KMO como es casi de 0,500 se podría considerar aceptable la aplicación del
análisis de componentes principales, apoyado por el hecho de que la prueba de
esfericidad de Bartlett tiene un valor elevado y una significación inferior a 0,05
(Se rechaza la hipótesis nula de no correlación entre las variables). El hecho de
que se utilicen ratios como variables, en lugar de magnitudes absolutas puede
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 324
hacer en algunos casos en los que las variables están muy correladas (como el
caso que nos ocupa al estar muchas veces los ratios financieros relacionados
según el modelo de DuPont), que el KMO baje de 0,500 sin que ello descarte
por si mismo la aplicación del análisis de componentes principales. En este
caso habrá que evaluar la prueba de esfericidad de Bartlett para tomar la
decisión de si confiar en la aplicación de esta técnica o no. Que el índice KMO
baje de 0,500 significa que los coeficientes de correlación parcial entre
variables originales tiene al menos tanto peso como los coeficientes de
correlación observados entre varibles originales. La prueba de esfericidad de
Bartlett pone de manifiesto la existencia de una relación significativa en
términos de correlación entre las variables analizadas. Si es alto muestra que
existe y por lo que tendrá sentido aplicar el análisis de componentes principales
cuyo objetivo precisamente es tratar de establecer los grupos de variables que
más contribuyen en cada factor. Como se ha comentado en la explicación de la
técnica, no sería posible su utilización si no existiera un minimos de correlación
entre todas y cada una de las variables.
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,419
Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 1034,692
gl 91
Sig. ,000
Fuente: Elaboración propia
Tabla 159 Prueba de KMO y Bartlett de India en 2010
El siguiente paso es mostrar para cada variable la comunalidad que presenta
de acuerdo a los componentes extraidos inicialmente. La varianza poblacional
de cada variable está compuesta de la comualidad que es la parte de esta
varianza que es debida a los factores comunes y la especificidad que es debida
a los factores únicos. La tabla 160 recoge para cada variable su comunalidad.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 325
Comunalidades
Inicial Extracción
Company_age 1,000 ,498
Company_size 1,000 ,400
Infrastructure_resource_intensity 1,000 ,921
Asset_intensity 1,000 ,733
Asset_turnover_rate 1,000 ,914
Current_asset_turnover_rate 1,000 ,914
Debt_to_equity_ratio 1,000 ,776
Leverage 1,000 ,559
Debt_intensity 1,000 ,442
Coverage_ratio 1,000 ,648
Current_ratio 1,000 ,657
ROE 1,000 ,846
ROCE 1,000 ,919
ROS 1,000 ,738
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 160 Comunalidades de las variables de India en 2010
A continuación en la tabla 161 se muestran los componentes cuyo autovalor es
superior a 1, así como el porcentaje de la varianza original explicada y el
acumulado. Se observa que se pueden extraer 5 componentes que son
capaces de representar el 71,171% de la varianza original del problema. Esto
significa que con 5 grupos de variables queda representado el problema
original perdiendo sólo, aproximadamente el 29% de la varianza original del
problema. Es decir, en India en el año 2010 hay 5 componentes que son
capaces de reflejar la estructura de las empresas del sector aeroespacial
guardando el aproximadamente 71% de la varianza original del modelo
completo.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 326
Varianza total explicada
Componente
Autovalores iniciales Sumas de extracción de cargas al cuadrado Sumas de rotación de cargas al cuadrado
Total % de varianza % acumulado Total % de varianza % acumulado Total % de varianza % acumulado
1 3,398 24,273 24,273 3,398 24,273 24,273 2,864 20,459 20,459
2 2,581 18,437 42,711 2,581 18,437 42,711 2,389 17,062 37,521
3 1,531 10,933 53,644 1,531 10,933 53,644 2,005 14,320 51,841
4 1,397 9,979 63,623 1,397 9,979 63,623 1,540 10,999 62,840
5 1,057 7,549 71,171 1,057 7,549 71,171 1,166 8,332 71,171
6 ,988 7,055 78,226
7 ,870 6,212 84,438
8 ,723 5,162 89,600
9 ,593 4,239 93,839
10 ,482 3,444 97,283
11 ,232 1,660 98,943
12 ,111 ,790 99,733
13 ,037 ,267 99,999
14 ,000 ,001 100,000
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 161 Autovalores y varianza total explicada de los componentes de India en 2010
De la misma manera que en la tabla 161 se observa como se extraen las
componentes con autovalores superiores a 1 de manera analítica, también se
puede representar gráficamente en el eje de ordenadas el valor de los
autovalores y de abcisas el número de componentes. Este gráfico se denomina
grafico de sedimentación y aparece representado en la figura 105. Se observa
en el mismo que a partir de un cierto número de componentes se vuelve
asintótico y hay muchas componentes con valores muy próximos de
autovalores. Otro criterio que también se utiliza para mantener el número de
componentes adecuado es el cambio de pendiente, cuando esta empieza a ser
moderada en ese punto es donde se debe establecer el límite de las
componentes que mantener.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 327
Fuente: Elaboración propia
Figura 105 Gráfico de sedimentación de la extracción de los componentes de India en 2010
En la tabla 162 se muestra la matriz de componentes en la que se representan
en columnas las componentes que se han extraido en base el criterio mostrado
en la tabla 161 y figura 105, y el filas las variables del análisis. Los valores que
hay en cada celda son los coeficientes de correlación de las variables con las
componentes, aparecen ordenadas por valor de este coeficiente de mayor a
menor para cada componente. Se retendrean para cada componente aquellas
que sean suepriores en valor absoluto a 0,500.
1
2
3 4
5
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 328
Matriz de componentea
Componente
1 2 3 4 5
ROCE ,868 -,287 -,048 ,227 ,169
ROE ,836 -,200 ,015 ,284 ,163
ROS ,798 -,028 -,172 ,260 -,047
Asset_turnover_rate ,721 ,330 ,130 -,518 -,007
Current_asset_turnover_rate ,706 ,349 ,133 -,525 -,013
Infrastructure_resource_intensity ,024 ,931 ,098 ,190 -,093
Asset_intensity ,129 ,787 ,088 ,168 -,247
Coverage_ratio ,000 -,612 -,102 -,254 -,445
Debt_intensity -,338 ,491 -,287 ,023 -,062
Current_ratio -,009 -,027 -,800 ,118 ,050
Leverage -,220 -,281 ,589 -,278 ,086
Company_age -,129 -,010 ,478 ,482 -,144
Debt_to_equity_ratio -,304 ,215 -,142 -,253 ,744
Company_size ,024 -,023 ,345 ,369 ,380
Método de extracción: análisis de componentes principales.
a. 5 componentes extraídos.
Fuente: Elaboración propia
Tabla 162 Matriz de componentes originales de India en 2010
Con intención de separar más todavía las variables que mejor representan
cada componente se realiza una rotación ortogonal por el método de Varimax
con normalización de Kaiser, de los componentes por los valores mostrados en
la tabla 162 se modifican obteniendo los de la tabla 163. La cual si permite
establecer que variables se extraen para cada componente.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 329
India_2010_Matriz de componente rotadoa
Componente
1 2 3 4 5
ROCE ,928 -,158 ,170 -,041 -,033
ROE ,908 -,053 ,132 ,012 -,024
ROS ,788 ,104 ,186 -,198 -,179
Infrastructure_resource_intensity -,100 ,944 ,119 -,001 ,072
Asset_intensity -,023 ,833 ,158 -,008 -,118
Coverage_ratio -,082 -,597 ,057 -,057 -,527
Debt_intensity -,389 ,415 -,056 -,327 ,093
Current_asset_turnover_rate ,290 ,190 ,885 ,098 -,009
Asset_turnover_rate ,310 ,176 ,882 ,097 -,010
Current_ratio ,055 -,075 -,122 -,793 ,063
Leverage -,234 -,319 ,042 ,630 ,061
Company_age ,084 ,228 -,448 ,456 -,175
Company_size ,270 ,094 -,307 ,351 ,319
Debt_to_equity_ratio -,265 -,036 ,075 -,110 ,829
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 8 iteraciones.
Fuente: Elaboración propia
Tabla 163 Matriz de componentes rotados de India en 2010
Se extraen para cada componente las variables que aparecen coloreadas.
Aquellas cuyo coeficiente tiene un signo negativo, significa que la correlacion
es inversa.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 330
9.2.4 Año 2011
En primer lugar se muestra a nivel informativo los estadísticos descriptivos de
las variables de la muestra utilizada para el año 2011 (Media, desviación típica
y observaciones disponibles). Esta información aparece resumida en la tabla
164.
Fuente: Elaboración propia
Tabla 164 Estadísticos descriptivos de las variables de India en 2011
El siguiente paso es realizar dos pruebas de la aplicabilidad del análisis de
componentes principales a la muestra. Estas dos pruebas son la de KMO y la
esfericidad de Bartlett, cuyos resultados aparecen resumidos en la tabla 165. El
KMO como es casi de 0,500 se podría considerar aceptable la aplicación del
análisis de componentes principales, apoyado por el hecho de que la prueba de
esfericidad de Bartlett tiene un valor elevado y una significación inferior a 0,05
(Se rechaza la hipótesis nula de no correlación entre las variables). El hecho de
que se utilicen ratios como variables, en lugar de magnitudes absolutas puede
Estadísticos descriptivos
Media
Desviación
estándar N de análisis
Company_age 31,87 18,329 70
Company_size ,0721961 ,35074892 70
Infrastructure_resource_intensity ,3308723 ,22063100 70
Asset_intensity ,8217518 1,18160777 70
Asset_turnover_rate ,4578550 2,74420943 70
Current_asset_turnover_rate 1,2492190 8,80195014 70
Debt_to_equity_ratio ,6871429 1,24705254 70
Leverage ,7695408 ,57197376 70
Debt_intensity 1,3180735 2,61310090 70
Coverage_ratio 3,7796260 5,68904017 70
Current_ratio 1,4919286 ,80865215 70
ROE 14,4898739 11,33695487 70
ROCE 11,0724286 10,46197150 70
ROS 6,8099912 7,70098059 70
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 331
hacer en algunos casos en los que las variables están muy correladas (como el
caso que nos ocupa al estar muchas veces los ratios financieros relacionados
según el modelo de DuPont), que el KMO baje de 0,500 sin que ello descarte
por si mismo la aplicación del análisis de componentes principales. En este
caso habrá que evaluar la prueba de esfericidad de Bartlett para tomar la
decisión de si confiar en la aplicación de esta técnica o no. Que el índice KMO
baje de 0,500 significa que los coeficientes de correlación parcial entre
variables originales tiene al menos tanto peso como los coeficientes de
correlación observados entre varibles originales. La prueba de esfericidad de
Bartlett pone de manifiesto la existencia de una relación significativa en
términos de correlación entre las variables analizadas. Si es alto muestra que
existe y por lo que tendrá sentido aplicar el análisis de componentes principales
cuyo objetivo precisamente es tratar de establecer los grupos de variables que
más contribuyen en cada factor. Como se ha comentado en la explicación de la
técnica, no sería posible su utilización si no existiera un minimos de correlación
entre todas y cada una de las variables.
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,469
Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 1087,947
gl 91
Sig. ,000
Fuente: Elaboración propia
Tabla 165 Prueba de KMO y Bartlett de India de 2011
El siguiente paso es mostrar para cada variable la comunalidad que presenta
de acuerdo a los componentes extraidos inicialmente. La varianza poblacional
de cada variable está compuesta de la comualidad que es la parte de esta
varianza que es debida a los factores comunes y la especificidad que es debida
a los factores únicos. La tabla 166 recoge para cada variable su comunalidad.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 332
Comunalidades
Inicial Extracción
Company_age 1,000 ,550
Company_size 1,000 ,584
Infrastructure_resource_intensity 1,000 ,862
Asset_intensity 1,000 ,675
Asset_turnover_rate 1,000 ,875
Current_asset_turnover_rate 1,000 ,875
Debt_to_equity_ratio 1,000 ,880
Leverage 1,000 ,921
Debt_intensity 1,000 ,698
Coverage_ratio 1,000 ,833
Current_ratio 1,000 ,705
ROE 1,000 ,829
ROCE 1,000 ,842
ROS 1,000 ,777
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 166 Comunalidades de las variables de India en 2011
A continuación en la tabla 167 se muestran los componentes cuyo autovalor es
superior a 1, así como el porcentaje de la varianza original explicada y el
acumulado. Se observa que se pueden extraer 5 componentes que son
capaces de representar el 77,897% de la varianza original del problema. Esto
significa que con 5 grupos de variables queda representado el problema
original perdiendo sólo, aproximadamente el 22% de la varianza original del
problema. Es decir, en India en el año 2011 hay 5 componentes que son
capaces de reflejar la estructura de las empresas del sector aeroespacial
guardando el aproximadamente 78% de la varianza original del modelo
completo.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 333
Varianza total explicada
Componente
Autovalores iniciales Sumas de extracción de cargas al cuadrado Sumas de rotación de cargas al cuadrado
Total % de varianza % acumulado Total % de varianza % acumulado Total % de varianza % acumulado
1 3,296 23,544 23,544 3,296 23,544 23,544 3,069 21,918 21,918
2 3,004 21,457 45,001 3,004 21,457 45,001 2,775 19,823 41,742
3 2,134 15,241 60,242 2,134 15,241 60,242 2,356 16,832 58,573
4 1,404 10,029 70,272 1,404 10,029 70,272 1,451 10,364 68,937
5 1,068 7,625 77,897 1,068 7,625 77,897 1,254 8,960 77,897
6 ,950 6,786 84,683
7 ,808 5,770 90,453
8 ,606 4,329 94,781
9 ,309 2,207 96,988
10 ,216 1,539 98,528
11 ,109 ,776 99,304
12 ,052 ,374 99,678
13 ,045 ,321 99,999
14 ,000 ,001 100,000
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 167 Autovalores y varianza total explicada de los componentes de India en 2011
De la misma manera que en la tabla 167 se observa como se extraen las
componentes con autovalores superiores a 1 de manera analítica, también se
puede representar gráficamente en el eje de ordenadas el valor de los
autovalores y de abcisas el número de componentes. Este gráfico se denomina
grafico de sedimentación y aparece representado en la figura 106. Se observa
en el mismo que a partir de un cierto número de componentes se vuelve
asintótico y hay muchas componentes con valores muy próximos de
autovalores. Otro criterio que también se utiliza para mantener el número de
componentes adecuado es el cambio de pendiente, cuando esta empieza a ser
moderada en ese punto es donde se debe establecer el límite de las
componentes que mantener.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 334
Fuente: Elaboración propia
Figura 106 Gráfico de sedimentación de la extracción de los componentes de India en 2011
En la tabla 168 se muestra la matriz de componentes en la que se representan
en columnas las componentes que se han extraido en base el criterio mostrado
en la tabla 167 y figura 106, y el filas las variables del análisis. Los valores que
hay en cada celda son los coeficientes de correlación de las variables con las
componentes, aparecen ordenadas por valor de este coeficiente de mayor a
menor para cada componente. Se retendrean para cada componente aquellas
que sean suepriores en valor absoluto a 0,500.
1
2
3
4
5
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 335
Matriz de componentea
Componente
1 2 3 4 5
ROCE ,884 ,223 -,084 -,002 ,072
ROE ,834 ,314 -,078 ,062 ,155
ROS ,765 ,053 ,072 ,226 ,363
Coverage_ratio -,146 ,820 ,330 ,153 ,084
Infrastructure_resource_intensity -,245 -,791 ,367 -,057 ,198
Leverage -,325 ,790 ,399 -,129 ,123
Asset_intensity -,201 -,690 ,377 -,034 ,120
Debt_to_equity_ratio -,539 ,557 ,498 ,076 ,162
Current_asset_turnover_rate ,530 -,208 ,733 -,077 -,085
Asset_turnover_rate ,545 -,197 ,725 -,076 -,084
Current_ratio ,061 -,151 -,293 ,748 ,183
Company_age ,013 -,037 -,366 -,509 ,395
Company_size -,003 ,010 -,088 -,475 ,592
Debt_intensity -,365 -,197 ,180 ,493 ,501
Método de extracción: análisis de componentes principales.
a. 5 componentes extraídos.
Fuente: Elaboración propia
Tabla 168 Matriz de componentes originales de India de 2011
Con intención de separar más todavía las variables que mejor representan
cada componente se realiza una rotación ortogonal por el método de Varimax
con normalización de Kaiser, de los componentes por los valores mostrados en
la tabla 168 se modifican obteniendo los de la tabla 169. La cual si permite
establecer que variables se extraen para cada componente.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 336
India_2011_Matriz de componente rotadoa
Componente
1 2 3 4 5
ROE ,901 -,008 ,066 -,105 ,039
ROCE ,882 -,115 ,120 -,188 ,024
ROS ,804 -,088 ,253 ,232 ,071
Leverage -,055 ,945 -,043 -,131 ,078
Coverage_ratio ,168 ,880 -,107 -,004 -,134
Debt_to_equity_ratio -,291 ,879 ,032 ,146 -,027
Current_asset_turnover_rate ,265 ,005 ,879 -,108 -,142
Asset_turnover_rate ,283 ,006 ,873 -,113 -,142
Infrastructure_resource_intensity -,514 -,356 ,559 ,361 ,170
Asset_intensity -,453 -,296 ,536 ,294 ,090
Debt_intensity -,213 ,133 ,051 ,795 ,029
Current_ratio ,220 -,235 -,290 ,650 -,308
Company_size ,048 ,060 ,018 ,031 ,759
Company_age ,033 -,151 -,195 -,126 ,688
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 8 iteraciones.
Fuente: Elaboración propia
Tabla 169 Matriz de componentes rotados de India en 2011
Se extraen para cada componente las variables que aparecen coloreadas.
Aquellas cuyo coeficiente tiene un signo negativo, significa que la correlacion
es inversa.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 337
9.2.5 Año 2012
En primer lugar se muestra a nivel informativo los estadísticos descriptivos de
las variables de la muestra utilizada para el año 2012 (Media, desviación típica
y observaciones disponibles). Esta información aparece resumida en la tabla
170.
Estadísticos descriptivos
Media
Desviación
estándar N de análisis
Company_age 31,87 18,867 70
Company_size ,0733648 ,35833856 70
Infrastructure_resource_intensity ,3190621 ,22858406 70
Asset_intensity ,8675287 1,45995693 70
Asset_turnover_rate ,4837025 2,86221649 70
Current_asset_turnover_rate 2,1722649 16,31366830 70
Debt_to_equity_ratio ,5382000 ,70071350 70
Leverage ,7146568 ,31133917 70
Debt_intensity 1,1799963 2,49180591 70
Coverage_ratio 14,7216967 78,61205301 70
Current_ratio 1,5149143 ,87582562 70
ROE 14,3488571 13,95992770 70
ROCE 11,6934286 11,77045662 70
ROS 8,2143281 8,70435307 70
Fuente: Elaboración propia
Tabla 170 Estadísticos descriptivos de las variables de India en 2012
El siguiente paso es realizar dos pruebas de la aplicabilidad del análisis de
componentes principales a la muestra. Estas dos pruebas son la de KMO y la
esfericidad de Bartlett, cuyos resultados aparecen resumidos en la tabla 171. El
KMO es superior a 0,500, por lo se considera aceptable la aplicación del
análisis de componentes principales, apoyado por el hecho de que la prueba de
esfericidad de Bartlett tiene un valor elevado y una significación inferior a 0,05
(Se rechaza la hipótesis nula de no correlación entre las variables).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 338
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,504
Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 877,644
gl 91
Sig. ,000
Fuente: Elaboración propia
Tabla 171 Prueba de KMO y Bartlett de India en 2012
El siguiente paso es mostrar para cada variable la comunalidad que presenta
de acuerdo a los componentes extraidos inicialmente. La varianza poblacional
de cada variable está compuesta de la comualidad que es la parte de esta
varianza que es debida a los factores comunes y la especificidad que es debida
a los factores únicos. La tabla 172 recoge para cada variable su comunalidad.
Comunalidades
Inicial Extracción
Company_age 1,000 ,502
Company_size 1,000 ,816
Infrastructure_resource_intensity 1,000 ,873
Asset_intensity 1,000 ,852
Asset_turnover_rate 1,000 ,957
Current_asset_turnover_rate 1,000 ,956
Debt_to_equity_ratio 1,000 ,770
Leverage 1,000 ,818
Debt_intensity 1,000 ,854
Coverage_ratio 1,000 ,706
Current_ratio 1,000 ,809
ROE 1,000 ,872
ROCE 1,000 ,900
ROS 1,000 ,657
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 172 Comunalidades de las variables de India en 2012
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 339
A continuación en la tabla 173 se muestran los componentes cuyo autovalor es
superior a 1, así como el porcentaje de la varianza original explicada y el
acumulado. Se observa que se pueden extraer 6 componentes que son
capaces de representar el 81,020 % de la varianza original del problema. Esto
significa que con 5 grupos de variables queda representado el problema
original perdiendo sólo, aproximadamente el 19 % de la varianza original del
problema. Es decir, en India en el año 2012 hay 6 componentes que son
capaces de reflejar la estructura de las empresas del sector aeroespacial
guardando el aproximadamente 81 % de la varianza original del modelo
completo.
Varianza total explicada
Componente
Autovalores iniciales Sumas de extracción de cargas al cuadrado Sumas de rotación de cargas al cuadrado
Total % de varianza % acumulado Total % de varianza % acumulado Total % de varianza % acumulado
1 3,006 21,470 21,470 3,006 21,470 21,470 2,635 18,825 18,825
2 2,584 18,455 39,926 2,584 18,455 39,926 2,097 14,977 33,802
3 2,133 15,232 55,158 2,133 15,232 55,158 2,090 14,932 48,733
4 1,502 10,726 65,884 1,502 10,726 65,884 1,863 13,306 62,040
5 1,073 7,667 73,551 1,073 7,667 73,551 1,452 10,375 72,414
6 1,046 7,469 81,020 1,046 7,469 81,020 1,205 8,606 81,020
7 ,785 5,604 86,624
8 ,592 4,225 90,849
9 ,500 3,571 94,420
10 ,370 2,640 97,059
11 ,224 1,603 98,662
12 ,140 1,001 99,663
13 ,047 ,335 99,998
14 ,000 ,002 100,000
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 173 Autovalores y varianza total explicada de los componentes de India en 2012
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 340
De la misma manera que en la tabla 174 se observa como se extraen las
componentes con autovalores superiores a 1 de manera analítica, también se
puede representar gráficamente en el eje de ordenadas el valor de los
autovalores y de abcisas el número de componentes. Este gráfico se denomina
grafico de sedimentación y aparece representado en la figura 107. Se observa
en el mismo que a partir de un cierto número de componentes se vuelve
asintótico y hay muchas componentes con valores muy próximos de
autovalores. Otro criterio que también se utiliza para mantener el número de
componentes adecuado es el cambio de pendiente, cuando esta empieza a ser
moderada en ese punto es donde se debe establecer el límite de las
componentes que mantener.
Fuente: Elaboración propia
Figura 107 Gráfico de sedimentación de la extracción de los componentes de India en 2012
1
2
3
4
5 6
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 341
En la tabla 174 se muestra la matriz de componentes en la que se representan
en columnas las componentes que se han extraido en base el criterio mostrado
en la tabla 173 y figura 107, y el filas las variables del análisis. Los valores que
hay en cada celda son los coeficientes de correlación de las variables con las
componentes, aparecen ordenadas por valor de este coeficiente de mayor a
menor para cada componente. Se retendrean para cada componente aquellas
que sean suepriores en valor absoluto a 0,500.
Matriz de componentea
Componente
1 2 3 4 5 6
ROCE ,868 -,284 ,110 ,053 ,172 ,148
ROE ,806 -,244 ,158 ,115 ,246 ,253
ROS ,743 -,107 ,080 ,240 ,145 -,095
Debt_to_equity_ratio -,651 ,201 ,354 -,039 ,360 ,224
Asset_intensity ,070 ,794 -,267 ,369 -,092 -,024
Infrastructure_resource_intensity -,009 ,782 -,147 ,475 -,106 ,056
Current_asset_turnover_rate ,433 ,706 ,132 -,490 -,003 ,114
Asset_turnover_rate ,455 ,692 ,135 -,490 ,000 ,113
Leverage -,239 -,074 ,797 -,332 -,029 -,091
Current_ratio -,030 -,235 -,796 -,049 ,072 ,334
Coverage_ratio -,176 -,166 -,531 -,524 ,001 ,302
Company_age -,012 -,202 ,433 ,356 -,305 ,233
Debt_intensity -,370 ,202 ,165 ,253 ,673 ,364
Company_size -,052 -,056 ,263 ,083 -,511 ,688
Método de extracción: análisis de componentes principales.
a. 6 componentes extraídos.
Fuente: Elaboración propia
Tabla 174 Matriz de componentes originales de India en 2012
Con intención de separar más todavía las variables que mejor representan
cada componente se realiza una rotación ortogonal por el método de Varimax
con normalización de Kaiser, de los componentes por los valores mostrados en
la tabla 174 se modifican obteniendo los de la tabla 175. La cual si permite
establecer que variables se extraen para cada componente.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 342
India_2012_Matriz de componente rotadoa
Componente
1 2 3 4 5 6
ROCE ,917 ,117 -,151 ,017 -,140 ,049
ROE ,914 ,106 -,115 ,013 ,012 ,108
ROS ,766 ,015 ,093 -,144 -,173 -,101
Current_asset_turnover_rate ,103 ,953 ,175 -,063 -,031 -,045
Asset_turnover_rate ,126 ,952 ,165 -,064 -,039 -,046
Infrastructure_resource_intensity -,109 ,165 ,900 -,089 ,107 ,059
Asset_intensity -,090 ,235 ,886 -,005 ,010 -,069
Current_ratio ,026 -,190 ,045 ,876 -,036 -,046
Coverage_ratio -,246 ,155 -,293 ,731 -,036 -,025
Leverage -,232 ,201 -,527 -,622 ,172 ,171
Debt_intensity -,021 -,079 ,134 ,002 ,910 -,028
Debt_to_equity_ratio -,443 ,028 -,093 -,179 ,727 ,072
Company_size -,038 ,066 -,016 ,057 ,011 ,898
Company_age ,109 -,252 -,019 -,322 ,007 ,569
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 6 iteraciones.
Fuente: Elaboración propia
Tabla 175 Matriz de componentes rotados de India en 2012
Se extraen para cada componente las variables que aparecen coloreadas.
Aquellas cuyo coeficiente tiene un signo negativo, significa que la correlacion
es inversa.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 343
9.2.6 Año 2013
En primer lugar se muestra a nivel informativo los estadísticos descriptivos de
las variables de la muestra utilizada para el año 2013 (Media, desviación típica
y observaciones disponibles). Esta información aparece resumida en la tabla
176.
Estadísticos descriptivos
Media
Desviación
estándar N de análisis
Company_age 34,73 19,594 56
Company_size ,1089984 ,49409082 56
Infrastructure_resource_intensity ,3261260 ,23479202 56
Asset_intensity ,8949997 1,51328656 56
Asset_turnover_rate ,5834272 4,24658141 56
Current_asset_turnover_rate 3,1281387 22,51321838 56
Debt_to_equity_ratio ,6191250 ,83176037 56
Leverage 1,0907612 2,64483790 56
Debt_intensity 1,5505646 3,79417181 56
Coverage_ratio 4,6386366 5,53990779 56
Current_ratio 1,4444464 ,79579440 56
ROE 12,1683929 13,69426645 56
ROCE 10,1203571 11,80919010 56
ROS 7,2425339 8,31812641 56
Fuente: Elaboración propia
Tabla 176 Estadísticos descriptivos de las variables de India en 2013
El siguiente paso es realizar dos pruebas de la aplicabilidad del análisis de
componentes principales a la muestra. Estas dos pruebas son la de KMO y la
esfericidad de Bartlett, cuyos resultados aparecen resumidos en la tabla 177. El
KMO como es casi de 0,500 se podría considerar aceptable la aplicación del
análisis de componentes principales, apoyado por el hecho de que la prueba de
esfericidad de Bartlett tiene un valor elevado y una significación inferior a 0,05
(Se rechaza la hipótesis nula de no correlación entre las variables). El hecho de
que se utilicen ratios como variables, en lugar de magnitudes absolutas puede
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 344
hacer en algunos casos en los que las variables están muy correladas (como el
caso que nos ocupa al estar muchas veces los ratios financieros relacionados
según el modelo de DuPont), que el KMO baje de 0,500 sin que ello descarte
por si mismo la aplicación del análisis de componentes principales. En este
caso habrá que evaluar la prueba de esfericidad de Bartlett para tomar la
decisión de si confiar en la aplicación de esta técnica o no. Que el índice KMO
baje de 0,500 significa que los coeficientes de correlación parcial entre
variables originales tiene al menos tanto peso como los coeficientes de
correlación observados entre varibles originales. La prueba de esfericidad de
Bartlett pone de manifiesto la existencia de una relación significativa en
términos de correlación entre las variables analizadas. Si es alto muestra que
existe y por lo que tendrá sentido aplicar el análisis de componentes principales
cuyo objetivo precisamente es tratar de establecer los grupos de variables que
más contribuyen en cada factor. Como se ha comentado en la explicación de la
técnica, no sería posible su utilización si no existiera un minimos de correlación
entre todas y cada una de las variables.
Prueba de KMO y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,422
Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 743,174
gl 91
Sig. ,000
Fuente: Elaboración propia
Tabla 177 Prueba de KMO y Bartlett de India de 2013
El siguiente paso es mostrar para cada variable la comunalidad que presenta
de acuerdo a los componentes extraidos inicialmente. La varianza poblacional
de cada variable está compuesta de la comualidad que es la parte de esta
varianza que es debida a los factores comunes y la especificidad que es debida
a los factores únicos. La tabla 178 recoge para cada variable su comunalidad.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 345
Comunalidades
Inicial Extracción
Company_age 1,000 ,628
Company_size 1,000 ,431
Infrastructure_resource_intensity 1,000 ,857
Asset_intensity 1,000 ,706
Asset_turnover_rate 1,000 ,917
Current_asset_turnover_rate 1,000 ,914
Debt_to_equity_ratio 1,000 ,703
Leverage 1,000 ,673
Debt_intensity 1,000 ,661
Coverage_ratio 1,000 ,686
Current_ratio 1,000 ,608
ROE 1,000 ,928
ROCE 1,000 ,941
ROS 1,000 ,839
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 178 Comunalidades de las variables de India en 2013
A continuación en la tabla 179 se muestran los componentes cuyo autovalor es
superior a 1, así como el porcentaje de la varianza original explicada y el
acumulado. Se observa que se pueden extraer 5 componentes que son
capaces de representar el 74,930 % de la varianza original del problema. Esto
significa que con 5 grupos de variables queda representado el problema
original perdiendo sólo, aproximadamente el 25 % de la varianza original del
problema. Es decir, en India en el año 2013 hay 5 componentes que son
capaces de reflejar la estructura de las empresas del sector aeroespacial
guardando el aproximadamente 75 % de la varianza original del modelo
completo.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 346
Varianza total explicada
Componente
Autovalores iniciales Sumas de extracción de cargas al cuadrado Sumas de rotación de cargas al cuadrado
Total
% de
varianza
%
acumulado
Total
% de
varianza
% acumulado Total
% de
varianza
%
acumulado
1 3,522 25,160 25,160 3,522 25,160 25,160 2,807 20,047 20,047
2 2,765 19,753 44,913 2,765 19,753 44,913 2,282 16,298 36,345
3 1,790 12,784 57,697 1,790 12,784 57,697 2,226 15,897 52,243
4 1,307 9,338 67,035 1,307 9,338 67,035 1,845 13,181 65,423
5 1,105 7,895 74,930 1,105 7,895 74,930 1,331 9,507 74,930
6 ,916 6,540 81,470
7 ,769 5,492 86,962
8 ,592 4,227 91,189
9 ,547 3,908 95,097
10 ,367 2,620 97,717
11 ,165 1,177 98,894
12 ,126 ,899 99,793
13 ,029 ,205 99,998
14 ,000 ,002 100,000
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia
Tabla 179 Autovalores y varianza total explicada de los componente de India en 2013
De la misma manera que en la tabla 179 se observa como se extraen las
componentes con autovalores superiores a 1 de manera analítica, también se
puede representar gráficamente en el eje de ordenadas el valor de los
autovalores y de abcisas el número de componentes. Este gráfico se denomina
grafico de sedimentación y aparece representado en la figura 108. Se observa
en el mismo que a partir de un cierto número de componentes se vuelve
asintótico y hay muchas componentes con valores muy próximos de
autovalores. Otro criterio que también se utiliza para mantener el número de
componentes adecuado es el cambio de pendiente, cuando esta empieza a ser
moderada en ese punto es donde se debe establecer el límite de las
componentes que mantener.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 347
Fuente: Elaboración propia
Figura 108 Gráfico de sedimentación de la extracción de los componentes
En la tabla 180 se muestra la matriz de componentes en la que se representan
en columnas las componentes que se han extraido en base el criterio mostrado
en la tabla 179 y figura 108, y el filas las variables del análisis. Los valores que
hay en cada celda son los coeficientes de correlación de las variables con las
componentes, aparecen ordenadas por valor de este coeficiente de mayor a
menor para cada componente. Se retendrean para cada componente aquellas
que sean suepriores en valor absoluto a 0,500.
1
2
3
4 5
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 348
Matriz de componentea
Componente
1 2 3 4 5
ROS ,828 -,231 -,205 ,095 ,220
ROCE ,822 -,401 ,045 -,003 ,321
ROE ,800 -,373 ,011 ,023 ,386
Debt_to_equity_ratio -,652 ,150 ,331 ,155 ,349
Asset_turnover_rate ,625 ,439 ,508 -,107 -,253
Infrastructure_resource_intensity ,176 ,878 -,156 ,030 ,170
Asset_intensity ,219 ,770 ,052 ,127 ,215
Coverage_ratio -,107 -,625 ,448 ,290 ,001
Current_asset_turnover_rate ,545 ,436 ,608 -,097 -,216
Current_ratio ,126 -,030 -,604 ,377 -,289
Leverage -,484 -,207 ,537 ,048 ,324
Company_age -,167 -,014 -,280 -,702 ,167
Company_size -,085 ,013 -,059 -,609 ,221
Debt_intensity -,183 ,455 -,214 ,378 ,481
Método de extracción: análisis de componentes principales.
a. 5 componentes extraídos.
Fuente: Elaboración propia
Tabla 180 Matriz de componentes originales de India en 2013
Con intención de separar más todavía las variables que mejor representan
cada componente se realiza una rotación ortogonal por el método de Varimax
con normalización de Kaiser, de los componentes por los valores mostrados en
la tabla 180 se modifican obteniendo los de la tabla 181. La cual si permite
establecer que variables se extraen para cada componente.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 349
Matriz de componente rotadoa
Componente
1 2 3 4 5
ROE ,956 -,068 ,091 -,039 -,013
ROCE ,948 -,134 ,141 -,059 -,015
ROS ,854 ,035 ,064 -,312 -,078
Infrastructure_resource_intensity -,099 ,856 ,272 -,186 ,073
Asset_intensity -,007 ,765 ,344 -,014 -,056
Debt_intensity -,045 ,717 -,304 ,163 -,158
Coverage_ratio ,148 -,561 -,085 ,445 -,380
Current_asset_turnover_rate ,124 ,135 ,932 ,027 -,100
Asset_turnover_rate ,170 ,146 ,922 -,096 -,087
Leverage -,157 -,159 -,092 ,783 -,034
Debt_to_equity_ratio -,395 ,204 -,195 ,681 -,058
Current_ratio ,009 ,061 -,333 -,620 -,328
Company_age -,066 -,026 -,156 -,062 ,771
Company_size ,011 -,003 -,003 ,092 ,650
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 7 iteraciones.
Fuente: Elaboración propia
Tabla 181 Matriz de componentes rotados de India en 2013
Se extraen para cada componente las variables que aparecen coloreadas.
Aquellas cuyo coeficiente tiene un signo negativo, significa que la correlacion
es inversa.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 350
9.2.7 Análisis longitudinal 2008-2013
En la tabla 182 se muestran las diferentes componentes para cada año, al igual
que las variables que las conforman, sus coeficientes de correlación con las
componentes. En las dos últimas columnas aparen la tendencia de cada una
de las variables y un histograma con la evolución de los valores. Por último en
la parte inferior de la tabla se muestra la varianza explicada por cada una de
las componentes en cada año.
Fuente: Elaboración propia
Tabla 182 Análisis longitudinal de los componentes en India entre 2008-2013
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 351
CAPITULO 10 ANÁLISIS DE LA ENVOLVENTE DE
DATOS
10.1 ANÁLISIS POR LA POSICIÓN EN LA CADENA DE VALOR
La posición que las empresas analizadas pueden ocupar en la cadena de valor
del sector aeroespacial es variada. Se han utilizado las siguientes categorías
para su clasificación, las cuales aparecen representadas en la figura 109:
Ingeniería
Fabricación, montaje, integración y ensayos.
Servicios
MRO
Ingeniería, fabricación, montaje, integración y ensayos
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO
Fuente: (Frost & Sullivan, 2013)
Figura 109 Clasificación de las empresas aeroespaciales en función de los eslabones de la
cadena de valor
Diseño e Ingenieria
• Investigación y Desarrollo
• Infraestructura y servicios de diseño
• Infraestructura y servicios de ensayos
• Ensayos en vuelo
•Otros servicios de ingenieria
Fabricacion de componentes
• Suministradores Tier I
• Suministradores Tier II
• Suministradores Tier III
Montaje de componentes
• Ensamblaje subconjuntos
• Ensayos de subconuntos
Servicios financieros
• Financiación de adquisiones
• Financiacion de ventas
• Leasing
Distribucion y ventas
•Oficinas comerciales
Servicios de MRO & Up
•Repuestos
•Mantenimiento
• Inspecciones
•Mejoras de sistemas
• Servicios
• Formación
Diseño e Ingenieria
Fabricacion de componentes
Montaje de componentes
Servicios financieros
Distribucion y ventas
Servicios de MRO & Up
Ingeniería
Fabricación, montaje, integración, ensayos
Servicios
MRO
Ingeniería, Fabricación, montaje, integración, ensayos
Ingeniería, Fabricación, montaje, integración, ensayos, servicios, MRO
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 352
La distribución de las empresas por eslabones, años y país es la que a
continuación se muestra en la tabla 183:
Fuente: Elaboración propia
Tabla 183 Distribución de empresas aeroespaciales por eslabones, años y país entre 2008-
2013
El análisis llevado a cabo es de tipo CCR con formulación tipo envolvente y
orientación hacia outputs. Donde las variables de entrada y salida son:
INPUT OUTPUT
𝑥1 = 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑠𝑖𝑧𝑒𝑥2 = 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑎𝑔𝑒 𝑥3 = 𝐼𝑛𝑓𝑟𝑎𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑒 & 𝑅𝑒𝑠𝑜𝑢𝑟𝑐𝑒 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥4 = 𝐴𝑠𝑠𝑒𝑡 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥5 = 𝐴𝑠𝑠𝑒𝑡 𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟 𝑟𝑎𝑡𝑒𝑥6 = 𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝑎𝑠𝑠𝑒𝑡𝑠 𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟 𝑟𝑎𝑡𝑒𝑥7 = 𝐷𝑒𝑏𝑡 𝑇𝑜 𝐸𝑞𝑢𝑖𝑡𝑦 𝑟𝑎𝑡𝑖𝑜𝑥8 = 𝐿𝑒𝑣𝑒𝑟𝑎𝑔𝑒𝑥9 = 𝐷𝑒𝑏𝑡 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥10 = 𝐶𝑜𝑣𝑒𝑟𝑎𝑔𝑎 𝑟𝑎𝑡𝑖𝑜 𝑥11 = 𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝑟𝑎𝑡𝑖𝑜
𝑥12 = 𝑅𝑂𝐸𝑥13 = 𝑅𝑂𝐶𝐸𝑥14 = 𝑅𝑂𝑆
El hecho de utilizar como variables de entrada al modelo en una orientación de
tipo output, indicadores en los que un valor mayor significa una mejor posición
o gestión de la empresa, no debe malinterpretarse. En el enfoque que se ha
dado a este modelo, un menor valor del indicador para un rendimiento máximo
de la empresa, puede significar dos cosas: por una lado que la empresa está
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 353
mejor gestionada o que presenta una mayor fortaleza si un menor valor del
indicador proporciona mayor utilidad; por otro lado si un mayor valor del
indicador significa una mejor gestión o mayor forataleza, que aun siendo una
empresa mal gestionada o débil en el aspecto que se esté midiendo, es capaz
de obtener un rendimiento máximo, pudiendo ser síntoma de la robustez,
agilidad, resiliencia de la misma.
De acuerdo a dicha clasificación se han obtenido los valores medios por
posición en la cadena valor y año. Cada tabla que aparece a continuación
representa una variable de las que se han utilizado en el análisis. Por filas
aparecen representados el país y la posición de la cadena de valor, en cambio
por columnas se ha representado el valor medio agragado para el periodo
2008-2013 (bajo el título de la columna TOTAL), así como la media anual,
asimismo las últimas dos columnas corresponden a la tendencia y al gráfico de
barras de los años 2008-2013 de cada serie de datos. Las fechas verdes y
rojas no representa que un valor sea mejor que otro de manera absoluta, sino
que muestran si un valor es mayor que otro de manera relativa para que sea
más fácil identificar visualmente si un país tiene valores mayores o menores de
una determinada variable y en un grupo de la cadena de valor particular, así
como si se produce un cambio en esta tendencia. Por último las últimas dos
filas corresponden a los mismos datos que se han comentado en el párrafo
anterior, pero agregados por país. Las tablas 184, 185, 186, 187, 188, 189,
190, 191, 192, 193, 194, 195, 196, 197 y 198 recogen este análisis longitudinal,
donde cada tabla se refiere a una variable del modelo.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 354
Fuente
: E
labora
ció
n p
ropia
Tab
la 1
84
Aná
lisis
lon
gitud
inal de “
Com
pan
y a
ge”
seg
menta
do p
or
esla
bones d
e la c
ad
ena
de v
alo
r
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 355
Fuente
: E
labora
ció
n p
ropia
Tab
la 1
85 A
ná
lisis
lo
ngitud
ina
l d
e “
Com
pan
y s
ize”
seg
menta
do p
or
esla
bones d
e la c
ad
ena
de v
alo
r
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 356
Fuente
: E
labora
ció
n p
ropia
Tab
la 1
86 A
ná
lisis
lo
ngitud
ina
l d
e “
Infr
astr
uctu
re a
nd r
esourc
e inte
nsity”
se
gm
enta
do p
or
esla
bo
nes d
e la c
adena
de v
alo
r
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 357
Fuente
: E
labora
ció
n p
ropia
Tab
la 1
87 A
ná
lisis
lo
ngitud
ina
l d
e “
Asset
inte
nsity”
seg
menta
do p
or
esla
bones d
e la c
ad
ena
de v
alo
r
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 358
Fuente
: E
labora
ció
n p
ropia
Tab
la 1
88 A
ná
lisis
lo
ngitud
ina
l d
e “
Asset tu
rno
ver
rate
” segm
enta
do p
or
esla
bon
es d
e la c
ade
na d
e v
alo
r
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 359
Fuente
: E
labora
ció
n p
ropia
Tab
la 1
89 A
ná
lisis
lo
ngitud
ina
l d
e “
Curr
ent
Assets
turn
over
rate
” segm
enta
do
por
esla
bones d
e la c
ad
ena
de v
alo
r
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 360
Fuente
: E
labora
ció
n p
ropia
Tab
la 1
90 A
ná
lisis
lo
ngitud
ina
l d
e “
Deb
t-to
-eq
uity r
atio
” segm
enta
do p
or
esla
bon
es d
e la c
ade
na d
e v
alo
r
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 361
Fuente
: E
labora
ció
n p
ropia
Tab
la 1
91 A
ná
lisis
lo
ngitud
ina
l d
e “
Le
vera
ge”
segm
enta
do p
or
esla
bo
nes d
e la c
adena
de v
alo
r
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 362
Fuente
: E
labora
ció
n p
ropia
Tab
la 1
92 A
ná
lisis
lo
ngitud
ina
l d
e “
Deb
t in
tensity”
se
gm
enta
do p
or
esla
bones d
e la c
ad
ena
de v
alo
r
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 363
Fuente
: E
labora
ció
n p
ropia
Tab
la 1
93 A
ná
lisis
lo
ngitud
ina
l d
e “
Co
vera
ge r
atio
” se
gm
enta
do p
or
esla
bon
es d
e la
cade
na d
e v
alo
r
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 364
Fuente
: E
labora
ció
n p
ropia
Tab
la 1
94 A
ná
lisis
lo
ngitud
ina
l d
e “
Curr
ent
ratio
” segm
enta
do p
or
esla
bo
nes d
e la
caden
a d
e v
alo
r
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 365
Fuente
: E
labora
ció
n p
ropia
Tab
la 1
95 A
ná
lisis
lo
ngitud
ina
l d
e “
RO
E”
segm
enta
do p
or
esla
bo
nes d
e la
cade
na d
e v
alo
r
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 366
Fuente
: E
labora
ció
n p
ropia
Tab
la 1
96 A
ná
lisis
lo
ngitud
ina
l d
e “
RO
CE
” se
gm
enta
do p
or
esla
bones d
e la c
ad
ena d
e v
alo
r
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 367
Fuente
: E
labora
ció
n p
ropia
Tab
la 1
97 A
ná
lisis
lo
ngitud
ina
l d
e “
RO
S”
segm
enta
do p
or
esla
bo
nes d
e la
cade
na d
e v
alo
r
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 368
Fuente
: E
labora
ció
n p
ropia
Tab
la 1
98 A
ná
lisis
lo
ngitud
ina
l d
e “
Com
pan
y e
ffic
iency”
segm
enta
do p
or
esla
bon
es d
e la c
ad
ena
de v
alo
r
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 369
Fuente
: E
labora
ció
n p
ropia
Tab
la 1
99 A
ná
lisis
lo
ngitud
ina
l d
e los f
acto
res d
el m
od
elo
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 370
La tabla 199 recoge la comparación longitudinal de las empresas más
eficientes en España e India. En particular para el caso de España el número
de empresas más eficientes (con un ratio de eficiencia de1 según el modelo
DEA) corresponde a 50 empresas y en India corresponde a 35 empresas. Las
variables aparecen agrupadas de acuerdo al modelo de la tesis doctoral
descrito en el apartado 7.7. Las fechas verdes y rojas no significan que un valor
sea mejor que otro, se trata de una comparación en términos relativos que
muestra de manera simple que valor es mayor y menor de cada par.
Tras revisar los resultados del panel de datos que conforman las tablas 184 a
198 se comparan longitudinalmente los resultados de la industria y de las
empresas más eficientes para cada variable con el ánimo de poner de
manifiesto las diferencias estructurales existentes las empresas eficientes y la
industria. El estudio se realiza para cada variable y se elabora una tabla y un
gráfico para mostrar los resultados y la tendencia de la variable en el tiempo,
en particular entre 2008 y 2013. Las tablas que recogen este análisis son la
200, 201, 202, 203, 204, 205, 206, 207, 208, 209, 210, 211, 212, 213 y 214.
Las figura que acompañan a cada tabla de las mencionadas son
respectivamente la 110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120, 121,
122, 123 y 124.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 371
Fuente: Elaboración propia
Tabla 200 Análisis comparativo longitudinal de “Company age” entre la industria y las
empresas más eficientes
Fuente: Elaboración propia
Figura 110 Histograma de “Company age” para la industria y las empresas más eficientes
-10
-5
0
5
10
15
20
25
30
35
40
2008 2009 2010 2011 2012 2013
Company age
India industria
India eficientes
Delta india
España industria
España eficientes
Delta españa
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 372
Fuente: Elaboración propia
Tabla 201 Análisis comparativo longitudinal de “Company size” entre la industria y las
empresas más eficientes
Fuente: Elaboración propia
Figura 111 Histograma de “Company size” para la industria y las empresas más eficientes
-0,1
-0,05
0
0,05
0,1
0,15
0,2
2008 2009 2010 2011 2012 2013
Company Size
India industria
India eficientes
Delta india
España industria
España eficientes
Delta españa
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 373
Fuente: Elaboración propia
Tabla 202 Análisis comparativo longitudinal de “Infrastructure & Resource intensity” entre la
industria y las empresas más eficientes
Fuente: Elaboración propia
Figura 112 Histograma de “Infrastructure & Resource intensity” para la industria y las empresas
más eficientes
-0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
2008 2009 2010 2011 2012 2013
Infrastructure & Resource intensity
India industria
India eficientes
Delta india
España industria
España eficientes
Delta españa
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 374
Fuente: Elaboración propia
Tabla 203 Análisis comparativo longitudinal de “Asset intensity” entre la industria y las
empresas más eficientes
Fuente: Elaboración propia
Figura 113 Histograma de “Asset intensity” para la industria y las empresas más eficientes
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
1,4
2008 2009 2010 2011 2012 2013
Asset intensity
India industria
India eficientes
Delta india
España industria
España eficientes
Delta españa
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 375
Fuente: Elaboración propia
Tabla 204 Análisis comparativo longitudinal de “Asset turnover rate” entre la industria y las
empresas más eficientes
Fuente: Elaboración propia
Figura 114 Histograma de “Asset turnover rate” para la industria y las empresas más eficientes
0
0,2
0,4
0,6
0,8
1
1,2
1,4
2008 2009 2010 2011 2012 2013
Asset turnover rate
India industria
India eficientes
Delta india
España industria
España eficientes
Delta españa
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 376
Fuente: Elaboración propia
Tabla 205 Análisis comparativo longitudinal de “Current assets turnover rate” entre la industria
y las empresas más eficientes
Fuente: Elaboración propia
Figura 115 Histograma de “Current assets turnover rate” para la industria y las empresas más
eficientes
-1
0
1
2
3
4
5
6
2008 2009 2010 2011 2012 2013
Current assets turover rate
India industria
India eficientes
Delta india
España industria
España eficientes
Delta españa
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 377
Fuente: Elaboración propia
Tabla 206 Análisis comparativo longitudinal de “Debt-to-equity ratio” entre la industria y las
empresas más eficientes
Fuente: Elaboración propia
Figura 116 Histograma de “Debt-to-equity ratio” para la industria y las empresas más eficientes
MEDIA 2008 2009 2010 2011 2012 2013
Industria 0,650 0,624 0,721 0,711 0,687 0,537 0,619
Eficientes 0,512 0,435 0,592 0,585 0,659 0,395 0,405
Delta (E-I) -0,138 -0,189 -0,128 -0,126 -0,029 -0,142 -0,214
Industria 2,331 2,396 2,291 2,404 2,358 2,312 2,226
Eficentes 2,516 2,360 2,573 2,703 2,661 2,692 2,108
Delta (E-I) 0,185 -0,036 0,281 0,299 0,303 0,380 -0,117
India
España
Debt to equity ratio
-0,5
0
0,5
1
1,5
2
2,5
3
2008 2009 2010 2011 2012 2013
Debt to equity ratio
India industria
India eficientes
Delta india
España industria
España eficientes
Delta españa
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 378
Fuente: Elaboración propia
Tabla 207 Análisis comparativo longitudinal de “Leverage” entre la industria y las empresas
más eficientes
Fuente: Elaboración propia
Figura 117 Histograma de “Leverage” para la industria y las empresas más eficientes
-0,6
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
2008 2009 2010 2011 2012 2013
Leverage
India industria
India eficientes
Delta india
España industria
España eficientes
Delta españa
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 379
Fuente: Elaboración propia
Tabla 208 Análisis comparativo longitudinal de “Debt intensity” entre la industria y las empresas
más eficientes
Fuente: Elaboración propia
Figura 118 Histograma de “Debt intensity” para la industria y las empresas más eficientes
-0,5
0
0,5
1
1,5
2
2008 2009 2010 2011 2012 2013
Debt intensity
India industria
India eficientes
Delta india
España industria
España eficientes
Delta españa
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 380
Fuente: Elaboración propia
Tabla 209 Análisis comparativo longitudinal de “Coverage ratio” entre la industria y las
empresas más eficientes
Fuente: Elaboración propia
Figura 119 Histograma de “Coverage ratio” para la industria y las empresas más eficientes
-1
0
1
2
3
4
5
6
7
8
2008 2009 2010 2011 2012 2013
Coverage ratio
India industria
India eficientes
Delta india
España industria
España eficientes
Delta españa
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 381
Fuente: Elaboración propia
Tabla 210 Análisis comparativo longitudinal de “Current ratio” entre la industria y las empresas
más eficientes
Fuente: Elaboración propia
Figura 120 Histograma de “Current ratio” para la industria y las empresas más eficientes
-0,5
0
0,5
1
1,5
2
2,5
2008 2009 2010 2011 2012 2013
Current ratio
India industria
India eficientes
Delta india
España industria
España eficientes
Delta españa
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 382
Fuente: Elaboración propia
Tabla 211 Análisis comparativo longitudinal de “ROE” entre la industria y las empresas más
eficientes
Fuente: Elaboración propia
Figura 121 Histograma de “ROE” para la industria y las empresas más eficientes
0
5
10
15
20
25
30
35
2008 2009 2010 2011 2012 2013
ROE
India industria
India eficientes
Delta india
España industria
España eficientes
Delta españa
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 383
Fuente: Elaboración propia
Tabla 212 Análisis comparativo longitudinal de “ROCE” entre la industria y las empresas más
eficientes
Fuente: Elaboración propia
Figura 122 Histograma de “ROCE” para la industria y las empresas más eficientes
0
5
10
15
20
25
30
2008 2009 2010 2011 2012 2013
ROCE
India industria
India eficientes
Delta india
España industria
España eficientes
Delta españa
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 384
Fuente: Elaboración propia
Tabla 213 Análisis comparativo longitudinal de “ROS” entre la industria y las empresas más
eficientes
Fuente: Elaboración propia
Figura 123 Histograma de “ROS” para la industria y las empresas más eficientes
0
2
4
6
8
10
12
14
2008 2009 2010 2011 2012 2013
ROS
India industria
India eficientes
Delta india
España industria
España eficientes
Delta españa
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 385
Fuente: Elaboración propia
Tabla 214 Análisis comparativo longitudinal de “Company efficiency” entre la industria y las
empresas más eficientes
Fuente: Elaboración propia
Figura 124 Histograma de “Company efficiency” para la industria y las empresas más eficientes
0
0,2
0,4
0,6
0,8
1
1,2
2008 2009 2010 2011 2012 2013
Company efficiency
India industria
India eficientes
Delta india
España industria
España eficientes
Delta españa
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 386
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 387
PARTE V MODELO PREDICTIVO
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 388
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 389
CAPÍTULO 11 MODELO DE RED NEURONAL
ARTIFICIAL
La arquitectura que se ha utilizado en el modelo para la red de neuronas
artificiales es de tipo perceptrón multicapa (MLP), con una sóla capa oculta.
Tiene 13 neuronas de entrada y una sólo neurona de salida (Eficiencia de la
empresa). La función de activación de la capa oculta es de tipo sigmoidal entre
[-1,1] y la de la capa de salida es de tipo lineal. Se utiliza un entrenamiento de
tipo backpropagation (BP) utilizando al algoritmo de Levengerg-Marquardt. La
muestra de entrenamiento se ha dividido en 70% de las observaciones para
entrenaiento y el 30% restante para validación.
11.1 ESPAÑA
A continuación se muestra en la figura 125 y 126 la arquitectura y los
parámetros de resolución para el caso de España.
Fuente: Elaboración propia
Figura 125 Resolución de la red neuronal artificial para España
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 390
Fuente: Elaboración propia
Figura 126 Modelo de la red neuronal artificial para España
La representación analítia de la red neuronal es la siguiente, donde 𝑋
representa los pesos 𝑊𝐻𝐿 representan los pesos de la capa oculta, 𝑏𝐻𝐿 los
sesgos, 𝑓 la función de activación de la capa oculta, 𝑊𝑂𝐿 los pesos de la capa
de salida, 𝑏𝑂𝐿 los sesgos de la capa de salida, 𝑔 es la función de salida, y 𝑍 es la
salida de la red.
𝐻1 = 𝑋′𝑊𝐻𝐿 + 𝑏𝐻𝐿
𝑌 = 𝑓(𝐻1) = 𝑓(𝑋′𝑊𝐻𝐿 + 𝑏𝐻𝐿)
𝐻2 = 𝑌𝑊𝑂𝐿 + 𝑏𝑂𝐿
𝑍 = 𝑔(𝐻2) = 𝑔(𝑌𝑊𝑂𝐿 + 𝑏𝑂𝐿) = 𝑔[(𝑓(𝑋′𝑊𝐻𝐿 + 𝑏𝐻𝐿))𝑊𝑂𝐿 + 𝑏𝑂𝐿]
𝑓(𝐻1) =1
1 + 𝑒−ℎ1𝑖
𝑔(𝐻2) = 𝐻2
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 391
𝑋 =
(
𝑥1 = 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑠𝑖𝑧𝑒𝑥2 = 𝐼𝑛𝑓𝑟𝑎𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑒 & 𝑅𝑒𝑠𝑜𝑢𝑟𝑐𝑒 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥3 = 𝐴𝑠𝑠𝑒𝑡 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥4 = 𝐴𝑠𝑠𝑒𝑡 𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟 𝑟𝑎𝑡𝑒𝑥5 = 𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝑎𝑠𝑠𝑒𝑡𝑠 𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟 𝑟𝑎𝑡𝑒𝑥6 = 𝐷𝑒𝑏𝑡 𝑇𝑜 𝐸𝑞𝑢𝑖𝑡𝑦 𝑟𝑎𝑡𝑖𝑜𝑥7 = 𝐿𝑒𝑣𝑒𝑟𝑎𝑔𝑒𝑥8 = 𝐷𝑒𝑏𝑡 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥9 = 𝐶𝑜𝑣𝑒𝑟𝑎𝑔𝑒 𝑟𝑎𝑡𝑖𝑜𝑥10 = 𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝑟𝑎𝑡𝑖𝑜𝑥11 = 𝑅𝑂𝐸𝑥12 = 𝑅𝑂𝐶𝐸𝑥13 = 𝑅𝑂𝑆 )
𝑍 = (𝑧1 = 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑦)
𝑋′ = (𝑥1, 𝑥2, 𝑥3, 𝑥4, 𝑥5, 𝑥6, 𝑥7, 𝑥8, 𝑥9, 𝑥10, 𝑥11, 𝑥12, 𝑥13)
𝑏𝐻𝐿 = (𝑏1, 𝑏2, 𝑏3, 𝑏4, 𝑏5, 𝑏6, 𝑏7, 𝑏8, 𝑏9, 𝑏10, 𝑏11, 𝑏12, 𝑏13)
Los parámetros que se han obtenido tras haber convergido la red neuronal son
lo que se muestran a continuación:
𝑊𝐻𝐿 =
(
𝑤1,1 𝑤2,1 𝑤3,1
𝑤1,2 𝑤2,2 𝑤3,2
𝑤1,3 𝑤2,3 𝑤3,3
𝑤4,1 𝑤5,1 𝑤6,1
𝑤4,2 𝑤5,2 𝑤6,2
𝑤4,3 𝑤5,3 𝑤6,3
𝑤7,1 𝑤8,1 𝑤9,1 𝑤10,1𝑤11,1 𝑤12,1 𝑤13,1
𝑤7,2 𝑤8,2 𝑤9,2 𝑤10,2 𝑤11,2 𝑤12,2 𝑤13,2
𝑤7,3 𝑤8,3 𝑤9,3 𝑤10,3 𝑤11,3 𝑤12,3 𝑤13,3
𝑤1,4 𝑤2,4 𝑤3,4
𝑤1,5 𝑤2,5 𝑤3,5
𝑤1,6 𝑤2,6 𝑤3,6
𝑤4,4 𝑤5,4 𝑤6,4
𝑤4,5 𝑤5,5 𝑤6,5
𝑤4,6 𝑤5,6 𝑤6,6
𝑤7,4 𝑤8,4 𝑤9,4 𝑤10,4 𝑤11,4 𝑤12,4 𝑤13,4
𝑤7,5 𝑤8,5 𝑤9,5 𝑤10,5𝑤11,5 𝑤12,5 𝑤13,5
𝑤7,6 𝑤8,6 𝑤9,6 𝑤10,6𝑤11,6 𝑤12,6 𝑤13,6
𝑤1,7 𝑤2,7 𝑤3,7
𝑤1,8 𝑤2,8 𝑤3,8𝑤1,9
𝑤1,10𝑤1,11
𝑤1,12
𝑤1,13
𝑤2,9
𝑤2,10𝑤2,11
𝑤2,12
𝑤2,13
𝑤3,9
𝑤3,10𝑤3,11
𝑤3,12
𝑤3,13
𝑤4,7 𝑤5,7 𝑤6,7
𝑤4,8 𝑤5,8 𝑤6,8𝑤4,9
𝑤4,10𝑤4,11
𝑤4,12
𝑤4,13
𝑤5,9
𝑤5,10𝑤5,11
𝑤5,12
𝑤5,13
𝑤6,9
𝑤6,10𝑤6,11
𝑤6,12
𝑤6,13
𝑤7,7 𝑤8,7 𝑤9,7 𝑤10,7𝑤11,7 𝑤12,7 𝑤13,7
𝑤7,8 𝑤8,8 𝑤9,8 𝑤10,8𝑤11,8 𝑤12,8 𝑤13,8
𝑤7,9
𝑤7,10𝑤7,11
𝑤7,12
𝑤7,13
𝑤8,9
𝑤8,10𝑤8,11
𝑤8,12
𝑤8,13
𝑤9,9
𝑤9,10𝑤9,11
𝑤9,12
𝑤9,13
𝑤10,9
𝑤10,10𝑤10,11
𝑤10,12
𝑤10,13
𝑤11,9 𝑤12,9 𝑤13,9
𝑤11,10 𝑤12,10 𝑤13,10𝑤11,11
𝑤11,12
𝑤11,13
𝑤12,11
𝑤12,12
𝑤12,13
𝑤13,11
𝑤13,12
𝑤13,13)
𝑊𝐻𝐿 =
(
𝑤1,1 𝑤2,1 𝑤3,1
𝑤1,2 𝑤2,2 𝑤3,2
𝑤1,3 𝑤2,3 𝑤3,3
𝑤4,1 𝑤5,1 𝑤6,1
𝑤4,2 𝑤5,2 𝑤6,2
𝑤4,3 𝑤5,3 𝑤6,3
𝑤7,1 𝑤8,1 𝑤9,1 𝑤10,1𝑤11,1 𝑤12,1 𝑤13,1
𝑤7,2 𝑤8,2 𝑤9,2 𝑤10,2 𝑤11,2 𝑤12,2 𝑤13,2
𝑤7,3 𝑤8,3 𝑤9,3 𝑤10,3 𝑤11,3 𝑤12,3 𝑤13,3
𝑤1,4 𝑤2,4 𝑤3,4
𝑤1,5 𝑤2,5 𝑤3,5
𝑤1,6 𝑤2,6 𝑤3,6
𝑤4,4 𝑤5,4 𝑤6,4
𝑤4,5 𝑤5,5 𝑤6,5
𝑤4,6 𝑤5,6 𝑤6,6
𝑤7,4 𝑤8,4 𝑤9,4 𝑤10,4 𝑤11,4 𝑤12,4 𝑤13,4
𝑤7,5 𝑤8,5 𝑤9,5 𝑤10,5𝑤11,5 𝑤12,5 𝑤13,5
𝑤7,6 𝑤8,6 𝑤9,6 𝑤10,6𝑤11,6 𝑤12,6 𝑤13,6
𝑤1,7 𝑤2,7 𝑤3,7
𝑤1,8 𝑤2,8 𝑤3,8𝑤1,9
𝑤1,10𝑤1,11
𝑤1,12
𝑤1,13
𝑤2,9
𝑤2,10𝑤2,11
𝑤2,12
𝑤2,13
𝑤3,9
𝑤3,10𝑤3,11
𝑤3,12
𝑤3,13
𝑤4,7 𝑤5,7 𝑤6,7
𝑤4,8 𝑤5,8 𝑤6,8𝑤4,9
𝑤4,10𝑤4,11
𝑤4,12
𝑤4,13
𝑤5,9
𝑤5,10𝑤5,11
𝑤5,12
𝑤5,13
𝑤6,9
𝑤6,10𝑤6,11
𝑤6,12
𝑤6,13
𝑤7,7 𝑤8,7 𝑤9,7 𝑤10,7𝑤11,7 𝑤12,7 𝑤13,7
𝑤7,8 𝑤8,8 𝑤9,8 𝑤10,8𝑤11,8 𝑤12,8 𝑤13,8
𝑤7,9
𝑤7,10𝑤7,11
𝑤7,12
𝑤7,13
𝑤8,9
𝑤8,10𝑤8,11
𝑤8,12
𝑤8,13
𝑤9,9
𝑤9,10𝑤9,11
𝑤9,12
𝑤9,13
𝑤10,9
𝑤10,10𝑤10,11
𝑤10,12
𝑤10,13
𝑤11,9 𝑤12,9 𝑤13,9
𝑤11,10 𝑤12,10 𝑤13,10𝑤11,11
𝑤11,12
𝑤11,13
𝑤12,11
𝑤12,12
𝑤12,13
𝑤13,11
𝑤13,12
𝑤13,13)
-9,63 14,88 12,73 18,08 -6,46 9,87 -16,94 -35,91 8,14 28,41 -6,03 -69,41 27,87
-3,18 26,07 -13,81 -23,92 63,93 -24,41 -40,75 -42,99 18,04 -10,89 -48,91 32,77 -73,78
32,57 -16,34 18,07 64,55 -45,76 13,20 -39,84 32,23 10,89 -25,12 32,69 -26,06 -13,45
-12,03 -22,73 27,13 -8,09 10,90 0,83 10,92 -11,42 13,34 -9,22 -73,47 33,81 43,92
-9,79 2,49 -4,98 -4,26 6,39 -0,39 7,18 2,10 3,89 1,72 -3,04 7,52 1,38
-24,37 -33,23 -0,45 58,55 -92,37 90,69 124,16 53,24 12,18 11,03 -11,57 51,30 -86,26
16,50 14,32 -25,14 -56,66 1,32 -79,69 25,25 -20,55 74,51 11,29 -55,58 88,24 19,09
-19,52 113,16 -102,66 -63,23 -12,15 43,69 78,80 72,06 -40,49 102,55 -10,60 -32,17 -12,48
-51,58 -27,14 12,08 -10,25 29,52 3,26 33,02 -30,34 36,31 -92,57 -30,82 -4,58 -33,35
40,92 -1,29 -14,89 -45,21 10,78 -65,34 38,69 -24,14 -69,55 -32,74 76,67 -24,61 -60,86
30,39 -41,10 0,24 26,53 -21,43 -60,92 -62,37 -14,54 -69,33 -27,21 51,49 -103,16 -59,27
8,29 -0,21 -0,48 -0,49 0,61 -0,57 -0,51 0,34 -0,36 -0,06 0,10 -2,56 -2,49
-12,03 -0,64 -0,65 -1,39 0,97 -0,73 1,36 0,73 -0,22 0,23 -1,17 1,40 -1,17
w 1,1 w 2,1 w 3,1 w 4,1 w 5,1 w 6,1 w 7,1 w 8,1 w 9,1 w 10,1 w 11,1 w 12,1 w 13,1
w 1,2 w 2,2 w 3,2 w 4,2 w 5,2 w 6,2 w 7,2 w 8,2 w 9,2 w 10,2 w 11,2 w 12,2 w 13,2
w 1,3 w 2,3 w 3,3 w 4,3 w 5,3 w 6,3 w 7,3 w 8,3 w 9,3 w 10,3 w 11,3 w 12,3 w 13,3
w 1,4 w 2,4 w 3,4 w 4,4 w 5,4 w 6,4 w 7,4 w 8,4 w 9,4 w 10,4 w 11,4 w 12,4 w 13,4
w 1,5 w 2,5 w 3,5 w 4,5 w 5,5 w 6,5 w 7,5 w 8,5 w 9,5 w 10,5 w 11,5 w 12,5 w 13,5
w 1,6 w 2,6 w 3,6 w 4,6 w 5,6 w 6,6 w 7,6 w 8,6 w 9,6 w 10,6 w 11,6 w 12,6 w 13,6
w 1,7 w 2,7 w 3,7 w 4,7 w 5,7 w 6,7 w 7,7 w 8,7 w 9,7 w 10,7 w 11,7 w 12,7 w 13,7
w 1,8 w 2,8 w 3,8 w 4,8 w 5,8 w 6,8 w 7,8 w 8,8 w 9,8 w 10,8 w 11,8 w 12,8 w 13,8
w 1,9 w 2,9 w 3,9 w 4,9 w 5,9 w 6,9 w 7,9 w 8,9 w 9,9 w 10,9 w 11,9 w 12,9 w 13,9
w 1,10 w 2,10 w 3,10 w 4,10 w 5,10 w 6,10 w 7,10 w 8,10 w 9,10 w 10,10 w 11,10 w 12,10 w 13,10
w 1,11 w 2,11 w 3,11 w 4,11 w 5,11 w 6,11 w 7,11 w 8,11 w 9,11 w 10,11 w 11,11 w 12,11 w 13,11
w 1,12 w 2,12 w 3,12 w 4,12 w 5,12 w 6,12 w 7,12 w 8,12 w 9,12 w 10,12 w 11,12 w 12,12 w 13,12
w 1,13 w 2,13 w 3,13 w 4,13 w 5,13 w 6,13 w 7,13 w 8,13 w 9,13 w 10,13 w 11,13 w 12,13 w 13,13
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 392
𝑏𝐻𝐿 = (−16,26 2,31 −33,78 −2,67 −9,56 36,28 −17,18 19,29 44,56 −40,84 −29,00 7,54 −10,69)
𝑊𝑂𝐿 = (−0,03 −0,10 −0,05 −0,02 0,20 0,03 0,04 −0,07 0,01 0,05 0,06 −0,78 −0,65)
𝑏𝑂𝐿 = (0,59)
En la figura 127 se evidencia los registros del entrenamiento de la red, donde
se observa que para las diferentes muestras (entrenamiento, validación,
prueba) la R que se obtiene es muy próxima a 1. Lo cual indica un buen ajuste
del modelo.
Fuente: Elaboración propia
Figura 127 Ajuste de la red neuronal durante la fase aprendizaje en España
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 393
En las figuras 128, 129 y 130 se muestran los registros de entrenamiento, así
como el error cometido por la red durante esta etapa.
Fuente: Elaboración propia
Figura 128 Convergencia del error de aprendizaje de la red neuronal en España
Fuente: Elaboración propia
Figura 129 Evolución de la red neuronal durante el aprendizaje en España
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 394
Fuente: Elaboración propia
Figura 130 Histograma del error de aprendizaje de la red neuronal en España
Por último, tras haber entrenado a la red se procede a introducir el 30% de los
datos disponibles de la muestra (previamente desordenada), para la validación
del modelo y hacer una regresión entre el valor predicho por la red y el valor
real introducido. Esto se muestra en la figura 131. El coeficiente de regresión
sale de 0,93195, lo que indica que un buen ajuste del modelo, ya que el error
que comete la red al predecir para el caso de España es bajo. Si bien en los
extremos donde la eficiencia vale 1 y 0 respectivamente la red no tiene buena
capacida de predicción. No obstante y como se comentará con posterioridad, el
interés radica precisamente en los casos intermedios mas que en los extremos.
Adicionalmente, como futura línea de investigación se propondrá una extensión
de este modelo que podría también tener en cuenta los extremos (por ejemplo
uso de modelos de supereficiencia).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 395
Fuente: Elaboración propia
Figura 131 Ajuste de la predicción de los datos de validación del modelo RNA en España
11.2 INDIA
Para el caso de India, se utiliza la misma arquitectura y parámetros de
resolución que para España. Estos se representan en las figuras 132 y 133.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 396
Fuente: Elaboración propia
Figura 132 Resolución de la red neuronal artificial para India
Fuente: Elaboración propia
Figura 133 Modelo de la red neuronal artificial para India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 397
La representación analítia de la red neuronal es la siguiente, donde 𝑋
representa los pesos 𝑊𝐻𝐿 representan los pesos de la capa oculta, 𝑏𝐻𝐿 los
sesgos, 𝑓 la función de activación de la capa oculta, 𝑊𝑂𝐿 los pesos de la capa
de salida, 𝑏𝑂𝐿 los sesgos de la capa de salida, 𝑔 es la función de salida, y 𝑍 es la
salida de la red.
𝐻1 = 𝑋′𝑊𝐻𝐿 + 𝑏𝐻𝐿
𝑌 = 𝑓(𝐻1) = 𝑓(𝑋′𝑊𝐻𝐿 + 𝑏𝐻𝐿)
𝐻2 = 𝑌𝑊𝑂𝐿 + 𝑏𝑂𝐿
𝑍 = 𝑔(𝐻2) = 𝑔(𝑌𝑊𝑂𝐿 + 𝑏𝑂𝐿) = 𝑔[(𝑓(𝑋′𝑊𝐻𝐿 + 𝑏𝐻𝐿))𝑊𝑂𝐿 + 𝑏𝑂𝐿]
𝑓(𝐻1) =1
1 + 𝑒−ℎ1𝑖
𝑔(𝐻2) = 𝐻2
𝑋 =
(
𝑥1 = 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑠𝑖𝑧𝑒𝑥2 = 𝐼𝑛𝑓𝑟𝑎𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑒 & 𝑅𝑒𝑠𝑜𝑢𝑟𝑐𝑒 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥3 = 𝐴𝑠𝑠𝑒𝑡 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥4 = 𝐴𝑠𝑠𝑒𝑡 𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟 𝑟𝑎𝑡𝑒𝑥5 = 𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝑎𝑠𝑠𝑒𝑡𝑠 𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟 𝑟𝑎𝑡𝑒𝑥6 = 𝐷𝑒𝑏𝑡 𝑇𝑜 𝐸𝑞𝑢𝑖𝑡𝑦 𝑟𝑎𝑡𝑖𝑜𝑥7 = 𝐿𝑒𝑣𝑒𝑟𝑎𝑔𝑒𝑥8 = 𝐷𝑒𝑏𝑡 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥9 = 𝐶𝑜𝑣𝑒𝑟𝑎𝑔𝑒 𝑟𝑎𝑡𝑖𝑜𝑥10 = 𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝑟𝑎𝑡𝑖𝑜𝑥11 = 𝑅𝑂𝐸𝑥12 = 𝑅𝑂𝐶𝐸𝑥13 = 𝑅𝑂𝑆 )
𝑍 = (𝑧1 = 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑦)
𝑋′ = (𝑥1, 𝑥2, 𝑥3, 𝑥4, 𝑥5, 𝑥6, 𝑥7, 𝑥8, 𝑥9, 𝑥10, 𝑥11, 𝑥12, 𝑥13)
bHL = (b1, b2, b3, b4, b5, b6, b7, b8, b9, b10, b11, b12, b13)
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 398
Los parámetros que se han obtenido tras haber convergido la red neuronal son
lo que se muestran a continuación:
𝑏𝐻𝐿 = (−1,65 1,48 1,13 −1,06 −0,59 0,08 0,05 0,34 0,41 0,12 −1,36 1,29 2,13)
𝑊𝑂𝐿 = (−1,01 −0,26 −0,17 0,50 −0,94 −0,74 −0,72 0,32 −0,13 0,53 0,20 0,49 −0,84)
𝑏𝑂𝐿 = (0,62)
En la figura 134 se evidencia los registros del entrenamiento de la red, donde
se observa que para las diferentes muestras (entrenamiento, validación,
prueba) la R que se obtiene es aceptable. Lo cual indica que el modelo se
ajusta razonablemente,si bien no es tan preciso como el que se ha
determinado para el caso de España. Esto muestra que es necesario utilizar
técnicas adicionales para confirmar la eficiencia con mayor precisión, o utilizar
un mayor número de datos correspondiente a otros años.
𝑊𝐻𝐿 =
(
𝑤1,1 𝑤2,1 𝑤3,1
𝑤1,2 𝑤2,2 𝑤3,2
𝑤1,3 𝑤2,3 𝑤3,3
𝑤4,1 𝑤5,1 𝑤6,1
𝑤4,2 𝑤5,2 𝑤6,2
𝑤4,3 𝑤5,3 𝑤6,3
𝑤7,1 𝑤8,1 𝑤9,1 𝑤10,1𝑤11,1 𝑤12,1 𝑤13,1
𝑤7,2 𝑤8,2 𝑤9,2 𝑤10,2 𝑤11,2 𝑤12,2 𝑤13,2
𝑤7,3 𝑤8,3 𝑤9,3 𝑤10,3 𝑤11,3 𝑤12,3 𝑤13,3
𝑤1,4 𝑤2,4 𝑤3,4
𝑤1,5 𝑤2,5 𝑤3,5
𝑤1,6 𝑤2,6 𝑤3,6
𝑤4,4 𝑤5,4 𝑤6,4
𝑤4,5 𝑤5,5 𝑤6,5
𝑤4,6 𝑤5,6 𝑤6,6
𝑤7,4 𝑤8,4 𝑤9,4 𝑤10,4 𝑤11,4 𝑤12,4 𝑤13,4
𝑤7,5 𝑤8,5 𝑤9,5 𝑤10,5𝑤11,5 𝑤12,5 𝑤13,5
𝑤7,6 𝑤8,6 𝑤9,6 𝑤10,6𝑤11,6 𝑤12,6 𝑤13,6
𝑤1,7 𝑤2,7 𝑤3,7
𝑤1,8 𝑤2,8 𝑤3,8𝑤1,9
𝑤1,10𝑤1,11
𝑤1,12
𝑤1,13
𝑤2,9
𝑤2,10𝑤2,11
𝑤2,12
𝑤2,13
𝑤3,9
𝑤3,10𝑤3,11
𝑤3,12
𝑤3,13
𝑤4,7 𝑤5,7 𝑤6,7
𝑤4,8 𝑤5,8 𝑤6,8𝑤4,9
𝑤4,10𝑤4,11
𝑤4,12
𝑤4,13
𝑤5,9
𝑤5,10𝑤5,11
𝑤5,12
𝑤5,13
𝑤6,9
𝑤6,10𝑤6,11
𝑤6,12
𝑤6,13
𝑤7,7 𝑤8,7 𝑤9,7 𝑤10,7𝑤11,7 𝑤12,7 𝑤13,7
𝑤7,8 𝑤8,8 𝑤9,8 𝑤10,8𝑤11,8 𝑤12,8 𝑤13,8
𝑤7,9
𝑤7,10𝑤7,11
𝑤7,12
𝑤7,13
𝑤8,9
𝑤8,10𝑤8,11
𝑤8,12
𝑤8,13
𝑤9,9
𝑤9,10𝑤9,11
𝑤9,12
𝑤9,13
𝑤10,9
𝑤10,10𝑤10,11
𝑤10,12
𝑤10,13
𝑤11,9 𝑤12,9 𝑤13,9
𝑤11,10 𝑤12,10 𝑤13,10𝑤11,11
𝑤11,12
𝑤11,13
𝑤12,11
𝑤12,12
𝑤12,13
𝑤13,11
𝑤13,12
𝑤13,13)
𝑊𝐻𝐿 =
(
𝑤1,1 𝑤2,1 𝑤3,1
𝑤1,2 𝑤2,2 𝑤3,2
𝑤1,3 𝑤2,3 𝑤3,3
𝑤4,1 𝑤5,1 𝑤6,1
𝑤4,2 𝑤5,2 𝑤6,2
𝑤4,3 𝑤5,3 𝑤6,3
𝑤7,1 𝑤8,1 𝑤9,1 𝑤10,1𝑤11,1 𝑤12,1 𝑤13,1
𝑤7,2 𝑤8,2 𝑤9,2 𝑤10,2 𝑤11,2 𝑤12,2 𝑤13,2
𝑤7,3 𝑤8,3 𝑤9,3 𝑤10,3 𝑤11,3 𝑤12,3 𝑤13,3
𝑤1,4 𝑤2,4 𝑤3,4
𝑤1,5 𝑤2,5 𝑤3,5
𝑤1,6 𝑤2,6 𝑤3,6
𝑤4,4 𝑤5,4 𝑤6,4
𝑤4,5 𝑤5,5 𝑤6,5
𝑤4,6 𝑤5,6 𝑤6,6
𝑤7,4 𝑤8,4 𝑤9,4 𝑤10,4 𝑤11,4 𝑤12,4 𝑤13,4
𝑤7,5 𝑤8,5 𝑤9,5 𝑤10,5𝑤11,5 𝑤12,5 𝑤13,5
𝑤7,6 𝑤8,6 𝑤9,6 𝑤10,6𝑤11,6 𝑤12,6 𝑤13,6
𝑤1,7 𝑤2,7 𝑤3,7
𝑤1,8 𝑤2,8 𝑤3,8𝑤1,9
𝑤1,10𝑤1,11
𝑤1,12
𝑤1,13
𝑤2,9
𝑤2,10𝑤2,11
𝑤2,12
𝑤2,13
𝑤3,9
𝑤3,10𝑤3,11
𝑤3,12
𝑤3,13
𝑤4,7 𝑤5,7 𝑤6,7
𝑤4,8 𝑤5,8 𝑤6,8𝑤4,9
𝑤4,10𝑤4,11
𝑤4,12
𝑤4,13
𝑤5,9
𝑤5,10𝑤5,11
𝑤5,12
𝑤5,13
𝑤6,9
𝑤6,10𝑤6,11
𝑤6,12
𝑤6,13
𝑤7,7 𝑤8,7 𝑤9,7 𝑤10,7𝑤11,7 𝑤12,7 𝑤13,7
𝑤7,8 𝑤8,8 𝑤9,8 𝑤10,8𝑤11,8 𝑤12,8 𝑤13,8
𝑤7,9
𝑤7,10𝑤7,11
𝑤7,12
𝑤7,13
𝑤8,9
𝑤8,10𝑤8,11
𝑤8,12
𝑤8,13
𝑤9,9
𝑤9,10𝑤9,11
𝑤9,12
𝑤9,13
𝑤10,9
𝑤10,10𝑤10,11
𝑤10,12
𝑤10,13
𝑤11,9 𝑤12,9 𝑤13,9
𝑤11,10 𝑤12,10 𝑤13,10𝑤11,11
𝑤11,12
𝑤11,13
𝑤12,11
𝑤12,12
𝑤12,13
𝑤13,11
𝑤13,12
𝑤13,13)
0,24 0,21 0,30 -0,83 0,18 0,03 0,43 -0,68 -0,65 0,80 -0,53 -0,33 -0,74
0,31 0,03 -0,35 0,02 -0,52 0,38 -0,02 0,26 0,29 -0,48 1,05 0,55 1,84
-0,65 -0,61 0,26 -0,21 -0,65 -0,58 -0,24 0,48 -0,39 -0,08 -0,52 -0,71 -0,21
1,47 0,19 -0,22 0,73 0,23 -0,43 -0,33 0,67 0,41 -0,73 -1,18 -0,89 -1,24
0,32 0,59 0,48 0,44 0,67 -0,21 0,21 -0,79 0,35 1,35 -0,37 -0,50 -0,52
-1,40 0,78 -0,35 -0,38 -0,21 0,01 0,29 -1,15 0,60 -0,98 -0,12 0,58 1,00
0,33 0,16 -0,84 0,00 0,08 -0,19 1,13 0,44 -0,09 -0,67 -0,24 -0,50 -1,32
0,00 0,32 -0,78 -0,10 -0,50 0,47 -0,47 -0,76 -0,77 0,57 0,17 -0,15 -0,12
0,00 -1,05 -0,49 0,27 0,57 -1,13 0,45 -1,03 -0,30 0,60 0,44 -0,74 -0,49
1,37 0,27 0,86 0,80 0,36 0,93 0,61 -0,93 1,26 -0,91 -0,43 0,86 -0,26
-0,20 0,40 0,30 0,55 0,19 0,05 0,04 0,62 -0,31 -0,08 0,67 1,01 0,94
0,83 0,07 -0,26 -0,30 0,48 -0,25 0,15 -0,11 0,75 -0,25 0,52 0,24 1,19
1,11 0,33 0,32 0,10 0,30 -0,88 -1,04 0,46 -0,30 -0,08 -0,66 -0,35 -0,02
w 1,1 w 2,1 w 3,1 w 4,1 w 5,1 w 6,1 w 7,1 w 8,1 w 9,1 w 10,1 w 11,1 w 12,1 w 13,1
w 1,2 w 2,2 w 3,2 w 4,2 w 5,2 w 6,2 w 7,2 w 8,2 w 9,2 w 10,2 w 11,2 w 12,2 w 13,2
w 1,3 w 2,3 w 3,3 w 4,3 w 5,3 w 6,3 w 7,3 w 8,3 w 9,3 w 10,3 w 11,3 w 12,3 w 13,3
w 1,4 w 2,4 w 3,4 w 4,4 w 5,4 w 6,4 w 7,4 w 8,4 w 9,4 w 10,4 w 11,4 w 12,4 w 13,4
w 1,5 w 2,5 w 3,5 w 4,5 w 5,5 w 6,5 w 7,5 w 8,5 w 9,5 w 10,5 w 11,5 w 12,5 w 13,5
w 1,6 w 2,6 w 3,6 w 4,6 w 5,6 w 6,6 w 7,6 w 8,6 w 9,6 w 10,6 w 11,6 w 12,6 w 13,6
w 1,7 w 2,7 w 3,7 w 4,7 w 5,7 w 6,7 w 7,7 w 8,7 w 9,7 w 10,7 w 11,7 w 12,7 w 13,7
w 1,8 w 2,8 w 3,8 w 4,8 w 5,8 w 6,8 w 7,8 w 8,8 w 9,8 w 10,8 w 11,8 w 12,8 w 13,8
w 1,9 w 2,9 w 3,9 w 4,9 w 5,9 w 6,9 w 7,9 w 8,9 w 9,9 w 10,9 w 11,9 w 12,9 w 13,9
w 1,10 w 2,10 w 3,10 w 4,10 w 5,10 w 6,10 w 7,10 w 8,10 w 9,10 w 10,10 w 11,10 w 12,10 w 13,10
w 1,11 w 2,11 w 3,11 w 4,11 w 5,11 w 6,11 w 7,11 w 8,11 w 9,11 w 10,11 w 11,11 w 12,11 w 13,11
w 1,12 w 2,12 w 3,12 w 4,12 w 5,12 w 6,12 w 7,12 w 8,12 w 9,12 w 10,12 w 11,12 w 12,12 w 13,12
w 1,13 w 2,13 w 3,13 w 4,13 w 5,13 w 6,13 w 7,13 w 8,13 w 9,13 w 10,13 w 11,13 w 12,13 w 13,13
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 399
Fuente: Elaboración propia
Figura 134 Evolución de la red neuronal durante el aprendizaje en India
En las figuras 135, 136 y 137 se muestran los registros de entrenamiento, así
como el error cometido por la red durante esta etapa.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 400
Fuente: Elaboración propia
Figura 135 Convergencia del error de aprendizaje de la red neuronal en India
Fuente: Elaboración propia
Figura 136 Evolución de la red neuronal durante el aprendizaje en India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 401
Fuente: Elaboración propia
Figura 137 Histograma del error de aprendizaje de la red neuronal en India
Por último, tras haber entrenado a la red se procede a introducir el 30% de los
datos disponibles de la muestra (previamente desordenada), para la validación
del modelo y hacer una regresión entre el valor predicho por la red y el valor
real introducido. Esto se muestra en la figura 138. El coeficiente de regresión
sale de 0,70177, lo que indica que un buen aceptable del modelo, si bien no es
tan bueno como en el caso de España, ya que el error que comete la red al
predecir para el caso de India es mayor que para España. Lo que indica que
los resultados que se obtengan con este modelo sirven para tener un orden de
magnitud y clasificar, pero no para predecir un valor con la exactitud que se
podría para el caso de España. En los extremos donde la eficiencia vale 1 y 0
respectivamente la red no tiene buena capacida de predicción. No obstante y
como se comentará con posterioridad, el interés radica precisamente en los
casos intermedios mas que en los extremos. Adicionalmente, como futura línea
de investigación se propondrá una extensión de este modelo que podría
también tener en cuenta los extremos (por ejemplo uso de modelos de
supereficiencia).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 402
Fuente: Elaboración propia
Figura 138 Ajuste de la predicción de los datos de validación del modelo RNA en India
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 403
PARTE VI CONCLUSIONES Y FUTURAS LINEAS DE
INVESTIGACIÓN
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 404
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 405
CAPÍTULO 12 CONCLUSIONES
En el presente capítulo se falsarán las hipótesis que fueron expuestas en al
punto 2.6, así como se presentarán las serendipias.
H1 Existen diferentes factores estructurales de la empresa que afectan al
rendimiento en las empresas del sector aeroespacial en India y España.
Esta hipótesis se falsa a la vista de los resultados obtenidos y presentados en
el capítulo 9, donde del análisis factorial exploratorio se desprende la existencia
de diferente número de factores en España e India. Mientras que en España
hay 4 factores, y puntualmente los primeros años existen 5 factores, que
explican entre el 71% y el 84% de la varianza original del problema, en India
aparecen 5 factores y algunos años incluso 6, explicando entre un 71% y 81%
de la varianza original. La evidencia se muestra en las tablas 215 y 216
Fuente: Elaboración propia
Tabla 215 Análisis longitudinal en España para falsar la H1
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 406
Fuente: Elaboración propia
Tabla 216 Análisis longitudinal en India para falsar la H1
H2 Los factores estructurales de la empresa que afectan al rendimiento de las
empresas del sector aeroespacial en España contribuyen con diferente
intensidad entre 2008 y 2013.
Esta hipótesis queda falsada tras realizar el análisis factorial exploratorio en el
capítulo 9. Se observa en la tabla 217 como los factores explican diferente
porcentaje de la varianza del problema original cada año. Esto significa que el
peso que tienen es diferente cada año, es decir tiene diferente intensidad,
además casi todos tiene una tendencia durante el periodo 2008-2013 creciente,
salvo dos de ellos en India. Siendo uno el relacionado con el rendimiento de la
empresa.
Fuente: Elaboración propia
Tabla 217 Análisis longitudinal en España para falsar la H2
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 407
H3 Los factores estructurales de la empresa que afectan al rendimiento de las
empresas del sector aeroespacial en España no varían en su
operacionalizacion entre 2008 y 2013.
La presente hipótesis queda falsada con los resultados obtenidos tras la
realización de análisis factorial exploratorio. Se puede observar en la figura 215
de la hipótesis H1. Se evidencia que las variables que integran cada uno de los
factores son las mismas en todos los años:
Existe un primer factor que podría quedar representado por todas aquellas
variables que comparan las estructuras de largo plazo y de corto plazo de la
empresa, y que es el más importante en términos de explicación de la varianza
total del problema original.
El segundo factor en cuanto a varianza explicada sería el formado por las
variables relacionadas con la capacidad de devolución de la deuda.
El tercer factor según el mismo criterio expuesto sería el relacionado con el
rendimiento de la empresa.
Por último el cuarto factor está representado por la rotación de activos.
En los primeros años hay un último factor que representa las características de
la empresa (edad y tamaño), pero a que a partir de 2010 deja de ser relevante,
incluso en el caso de la edad de la empresa sólo es relevante en 2008.
H4 Los factores estructurales de la empresa que afectan al rendimiento de las
empresas del sector aeroespacial en India contribuyen con diferente intensidad
entre 2008 y 2013.
Esta hipótesis queda falsada tras realizar el análisis factorial exploratorio en el
capítulo 9. Se observa en la tabla 218 como los factores explican diferente
porcentaje de la varianza del problema original cada año. Esto significa que el
peso que tienen es diferente cada año, es decir tiene diferente intensidad,
además casi todos tiene una tendencia durante el periodo 2008-2013 creciente,
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 408
salvo dos de ellos en India. Siendo uno el relacionado con el rendimiento de la
empresa y otro con el efecto de las características de la empresa.
Fuente: Elaboración propia
Tabla 218 Análisis longitudinal en India para falsar la H4
H5 Los factores estructurales de la empresa que afectan al rendimiento de las
empresas del sector aeroespacial en India no varían en su operacionalizacion
entre 2008 y 2013.
Esta hipótesis no queda falsada puesto con los resultados obtenidos tras la
realización de análisis factorial exploratorio, se puede observar en la figura 216
de la hipótesis H1, que las variables que integran cada uno de los factores son
diferentes cada año, a excepción del primer factor en importancia según el
porcentaje de la varianza del problema original explicado. Dicho factor
representa el rendimiento de la empresa. Ocurre lo mismo con el último factor
en importancia según el mismo criterio que dependiendo del año es el numero
5 o el 6, también se mantiene constante su composición y representa las
características de la empresa (en términos de edad y tamaño).
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 409
H6 Las empresas del sector aeroespacial líderes en eficiencia en España
siguen un patrón en relación a los índices del efecto de la emprea, estructura
de activos, estructura de capital, estructura de liquidez y rendimiento.
Fuente: Elaboración propia
Tabla 219 Análisis longitudinal en India para falsar la H6
Se ha tomado como base para la realización de la tabla 219, las empresas con
una eficiencia de 1, que en el caso de España corresponde a 50 empresas y en
el de India a 35. Aunque quizá los valores no se distingan con suficiente nitidez
es la tabla, sin embargo la misma aparece en una escala superior en la tabla
199. El color de las flechas en la comparación no tiene connotaciones de
clasificar al mejor o peor en términos absolutos, sino que muestra que valor es
superior o inferior en cada par de observaciones en términos relativos. Esto
permite comparar de una manera visual la evolución y comportamiento de las
variables.
Los índices del efecto de la emprea, estructura de activos, estructura de capital,
estructura de liquidez y rendimiento muestran una inflexión hacia el año 2010.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 410
Asimismo se observa que los que tienen que ver con la estructura de capital
globalmente aumentan en este periodo, algo que puede significar que las
empresas cada vez se están endeudando más. De la misma forma los que
hacen referencia a las estructura de liquidez globalmente disminuyen, lo que
indica que las empresas cada vez tiene una menor liquidez para hacer frente a
las obligaciones a corto. También se evidencia como globalmente el
rendimiento de las empresas desciende, en sus tres vertientes, de mercado
(ROS), como operativo (ROCE), como para los accionistas (ROE). Los efectos
moderadores de las empresas globalmente aumentan su valor, lo que puede
ser debido a que cada vez las empresas tienen a ser mayores para poder
competir, podría llevar aparejado cierta reorganización mediante
fusiones/adquisiciones fruto de la crisis de 2008 y 2010, o de poder ganar
tamaño para licitar por paquetes de trabajo mayores para los programas
A400M, A350XWB, A380, A330MRTT, B787… Si esto fuera así también podría
de alguna forma matizar por qué las empresas cada vez se endeudan más y
tiene menos liquidez, precisamente para invertir y tener las capacidades
adecuadas para ganar más contratos. En cambio no es posible establecer una
tendencia global de la estructura de activos, la cual parece que se va
acomodando en función de la estructura de capital y de liquidez.
H7 Las empresas del sector aeroespacial líderes en eficiencia en India siguen
un patrón en relación a los índices del efecto de la emprea, estructura de
activos, estructura de capital, estructura de liquidez y rendimiento.
Analizando la tabla 219 donde aparecen reflejados los índices del efecto de la
emprea, estructura de activos, estructura de capital, estructura de liquidez y
rendimiento para India, se evidencia que las variables del factor efecto
moderador de la empresa globalmente aumentan en el periodo 2008-2013.
Igualmente ocurre con las variables del factor estructura de activos, las cuales
aumentan globalmente, lo que puede interpretarse como una gestión eficiente
de los activos y un dimensionamiento de los mismos a largo plazo, Respecto a
la estructura de liquidez, aumentan los ratios de manera global, por lo que
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 411
parece que realizan una gestión muy enfocada al ciclo de explotación. Esto
queda reforzado por la variabilidad que existe en la componente estructura de
capital, que no sigue ninguna tendencia, sino que fluctúa. Esto puede ser
debido a que las empresas están centradas en la gestión a corto plazo y no
planifican financieramente a largo, por lo que las necesidades a largo las van
variando según se van presentando las diferentes situaciones. Por último el
rendimiento de las empresas globalmente, y en sus tres vertientes, desciende.
Podría unirse este enfoque de gestión a priori cortoplacista con la turbulencia
generada por una industria incipiente y con en crecimiento, y queda patente en
la inestabilidad de los factores que se extraen del análisis factorial exploratorio.
Al igual que en el caso de España se observa una inflexión hacia 2010.
Una vez que las hipótesis de partida han sido falsadas, es decir lo
correspondiente a la parte descriptiva vamos exponer las conclusiones y
serendipias de la parte exploratoria. Estas conclusiones se fundamentan en las
tablas en las que se comparan para cada una de las variables del modelo su
valor por eslabón de la cadena de valor, país, y año.
Respecto a la variable “Company age”, cuyo comportamiento se recoge en la
tabla 184, se observa como globalmente sube en cada uno de los grupos en
India, para el caso de España en el grupo de Ingeniería sufre un descenso en
2010-2011, para el caso de Servicios oscila, en el grupo de la ingeniería,
fabricación, montaje, ensayos y servicios sufre una inflexión en 2010 y en el
grupo de ingeniería, fabricación, montaje, ensayos, servicios y MRO desciende.
No obstante lo anterior, la tendencia global de la industria en India y España es
que suba. Además en India las empresas presentan mayor edad que en
España en todos los eslabones de la cadena de valor y para cualquier año.
La variable “Company size”, cuyos datos se resumen en la tabla 185, se
comporta de la siguiente forma en cada eslabón y país
Ingeniería – En India tiene un crecimiento muy acusado en 2009 aunque
luego prácticamente es constante. En España decrece y existe un
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 412
cambio de tendencia en 2012, como si hubieran comenzado a
reorganizarse las empresas de Ingeniería.
Fabricación, montaje, integración y ensayos – En india el tamaño crece
de manera casi constante. Mientras que en España decrece el tamaño
en 2008 -209 y luego hay un cambio de tendencia para comenzar a
crecer de manera moderada hasta 2013 (da la sensación de que la crisis
económica global se hubiera impactado a las empresas grandes y a
partir del año 2009 las pequeñas se han ido asociando o creciendo)
Servicios – En India se experimenta crecimiento siendo este muy
acusado en 2009 y 2013. En España sufre un crecimiento moderado
entre 2008 y 2010 seguido de un fuerte desplome en 2011 y 2012, para
comenzar a crecer de nuevo.
MRO – En India no hay ninguna empresa en la muestra por lo que no
hay datos. En España hay un descenso con una inflexión en 2012.
Ingeniería, fabricación, montaje, integración, ensayos y servicios – En
India el crecimiento es prácticamente constante. En España decrece,
siendo esta tendencia más acusada en 2012-2013.
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO –
En India el crecimiento es moderado con una inflexión en 2012 y con un
crecimiento muy elevado en 2013. En España decrece.
Analizando la industria en su conjunto en el caso de India globalmente crece
con una inflexión en 2009 y un crecimiento acusado en 2013. En España a
nivel general decrece con una depresión acusada en 2013.
Las empresas de los eslabones de ingeniería; fabricación, montaje, integración,
ensayos; y Servicios tienen un mayor tamaño en India, mientras que las de
ingeniería, fabricación, montaje, integración, ensayos y servicios; e ingeniería,
fabricación, montaje, integración, ensayos, servicios y MRO tienen mayor
tamaño en España.
Al analizar la variable “Infrastructure and resource intensity”, es decir la
intensidad de los recursos, cuyos datos se muestran en la tabla 186, se
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 413
obtienen las siguientes observaciones en relación a los eslabones de la cadena
y países:
Ingeniería – En India decrece con una inflexión en 2011. Para el caso de
España decrece en el intervalo 2008-2010 para posteriormente crecer
en el intervalo 2011-2013 hasta los mismos valores iniciales de 2008.
Fabricación, montaje, integración y ensayos – En India crece entre 2008-
2010 y posteriormente decrece hasta 2013. En España crece entre
2008-2011 y desciende entre 2012-2013.
Servicios – En India crece aunque presenta un caída puntual en 2012.
En España también crece con dos picos de crecimiento en 2009 y 2012.
MRO – En India no hay empresas de este eslabón en la muestra. Para
el caso de España hay un descenso con oscilaciones muy marcadas en
2010-2011-2012.
Ingeniería, fabricación, montaje, integración, ensayos y servicios – En
India crece con un pico en 2011. En España también crece con una
inflexión en 2009.
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO –
En India presenta oscilaciones de crecimiento y decrecimiento. En
España esta variable experimenta crecimiento.
Esta variable globalmente en la industria en India crece entre 2008-2009 para
posteriormente descender entre 2010-2011-2012 y volver a recuperarse y
crecer en 2013. En la industria en España, sin ceñirnos a ningún eslabón, sino
ponderando todos ellos, esta variable crece, siendo este crecimiento más
acusado en 2011-2012-2013.
El orden de importancia de los eslabones atendiendo al valor (de máximo a
mínimo) de esta variable en India es el siguiente: Ingeniería > Fabricación,
montaje, integración, ensayos > Ingeniería, fabricación, montaje, integración,
ensayos, servicios y MRO > Ingeniería, fabricación, montaje, integración,
ensayos y servicios > Servicios. En el caso de España es: Ingeniería,
fabricación, montaje, integración, ensayos, servicios y MRO > MRO >
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 414
Fabricación, montaje, integración, ensayos > Ingeniería, fabricación, montaje,
integración, ensayos y servicios > Servicios > Ingeniería.
Analizando ahora la media de la variable para cada eslabón se observa que
para el de ingeniería es mayor en India que en España, mientras para el resto
de eslabones tienen valores más bajos con respecto a España. Esto podría
interpretar como si el tipo de trabajo que realizaran las empresas Indias no
requiere grandes inversiones en activos no corrientes como por ejemplo utillaje,
mientras que en España sí. Es decir, el tipo de contratos que abordan unas
empresas y otras son muy diferentes. Salvo en Ingeniería que da la sensación
que en India tiene un nivel de activos no corrientes superior a España aunque
hayan tratado de disminuirlos.
Del estudio de la variable “Asset intensity”, o en castellano, intensidad de los
activos, para los diversos eslabones y ambos países, y cuyos datos se recogen
en la tabla 187, se observa:
Ingeniería – En India desciende bruscamente entre 2008-2009 y se
estabiliza entre 2010-2011-2012-2013. Además son superiores en algún
caso a 1 lo que significa que tienen más Activos no corrientes que
activos corrientes. En España decrece en 2008-2009-2010 para
posteriormente volver a crecer entre 2011-2012-2013 hasta los valores
iniciales, tiene un comportamiento en V.
Fabricación, montaje, integración y ensayos – En India oscila aunque
tiene dos picos de crecimiento muy acusados en 2009 y 2012. En
España presenta un crecimiento moderado durante 2008-2009-2010 y
posteriormente crece en orden de magnitud y crece pero manteniendo el
orden de magnitud.
Servicios – En India crece aunque sufre un desplome puntual en 2012.
En España crece de manera moderada entre 2008-2009, disminuye
entre 2010-2011 y de nuevo vuelve a crecer en 2012-2013.
MRO – En India no hay empresas en la muestra correspondientes a este
eslabón. Para el caso de España decrece con una inflexión en 2011.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 415
Ingeniería, fabricación, montaje, integración, ensayos y servicios – En
India crece y en 2011 sufre un repunte. En España presenta un
crecimiento estable y prácticamente constante.
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO –
En India crece aunque en 2011-2012-2013 el orden de magnitud sube.
En España crece pasando de valores en los que el activo no corriente
representaban el 50% de los activos corrientes a una situación caso
contrario en la que los activos corrientes representan el 50% de los
activos no corrientes (La tendencia muestra un crecimiento en
infraestructuras y descenso en activos corrientes).
Agregando todos los valores de los diferentes eslabones para tener un valor
que represente a la industria se observa en india que esta variable globalmente
crece entre 2008-2009 para posteriormente desplomarse en 2010 y volver a
crecer de manera sostenible entre 2011-2012-2013. En España a nivel general
también crece sufriendo un desplome en 2010. El valor de esta variable es
superior en la industria en India que en España los años 2008, 2009 y 2013,
siendo en 2010, 2011 y 2012 inferior.
Ordenando los eslabones de mayor valor de la variable “Asset intensity” a
menor valor en India se obtiene: Ingeniería > Ingeniería, fabricación, montaje,
integración, ensayos, servicios y MRO > Fabricación, montaje, integración,
ensayos > Ingeniería, fabricación, montaje, integración, ensayos y servicios >
Servicios. En el caso de España la clasificación es: Ingeniería, fabricación,
montaje, integración, ensayos, servicios y MRO > MRO > Fabricación, montaje,
integración, ensayos > Ingeniería, fabricación, montaje, integración, ensayos y
servicios > Ingeniería > Servicios.
Tras observar el valor medio de la variable para cada eslabón se concluye que
en Ingeniería e Ingeniería, fabricación, montaje, integración, ensayos, servicios
y MRO es superior en India que en España, siendo especialmente superior en
el primer eslabón de Ingeniería, del orden de 4 veces superior. Para el resto de
eslabones la variable toma valores mayores en España que en India.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 416
Para la variable del modelo “Asset turnover rate”, o tasa de rotación de
activos, cuyos datos se muestran en la tabla 188, se puede concluir tras revisar
los paneles de datos, para cada uno de los eslabones de la cadena de valor y
países lo siguiente:
Ingeniería – En India globalmente crece si bien sufre un incremento muy
elevado en 2010-2011-2012-2013, cambiando incluso de orden de
magnitud. En España aumenta en 2008-2009-2010, descendiendo en
2011 y volviendo a crecer de nuevo en 2012-2013.
Fabricación, montaje, integración y ensayos – En India sufre un
descenso muy acusado en 2009 y posteriormente crece de manera
constante (tiene un valor muy bajo alrededor de 0.1, lo que significa que
la conversión de los activos en beneficios no es muy rápida). En España
oscila alrededor de 1.00.
Servicios – En India decrece en 2008-2009-2010 para posteriormente
crece en el periodo 2011-2012-2013, mejorando la conversión de activos
en beneficio. Aun así es muy baja, alrededor de 0.2 de media. Sigue
indicando poca eficacia en la gestión de activos. En España es
prácticamente constante excepto por la depresión de 2009-2010 pero en
ningún momento desciende de 1.00 por lo que es eficaz.
MRO – En India no hay ninguna empresa de este eslabón en la muestra.
En España es decreciendo disminuyendo al 50% entre el comienzo y el
final del periodo.
Ingeniería, fabricación, montaje, integración, ensayos y servicios – En
India es estable y bajo entre 2008-2012, mientras que en 2013 sufre un
aumento brusco (sigue siendo bajo aunque esté próximo a 0,6). En
España disminuye entre 2008-2011 y posteriormente aumenta entre
2012-2013.
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO –
En India crece moderadamente entre 2008-2010 para posteriormente
descender (valores muy inferiores a 0,1) lo que significa que las
empresas que cubren la totalidad de la cadena de valor son muy poco
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 417
eficaces gestionando los activos totales para generar beneficio con ellos.
En España crece globalmente presentando un descenso puntual en
2009.
Tras agregar los valores anuales correspondientes a cada eslabón se obtiene
un valor que representa la industria en cada país. Desde este enfoque en India
globalmente ha ido aumentado desde unos valores muy bajos a unos valores
aceptables. En el caso de España sigue una forma parecida a la curva de la
bañera del área de conocimiento de la fiabilidad, con rendimientos ligeramente
superiores a 1 en 2008 y 2013 y ligeramente inferior para el resto de años. Esta
variable presenta valores superiores en España para todos los eslabones
excepto para la Ingeniería donde es superior en India.
Tomando como criterio de ordenación de los eslabones, el valor de la variable y
ordenándolos de mayor a menor se obtiene la siguiente clasificación para India:
Ingeniería > Ingeniería, fabricación, montaje, integración, ensayos y servicios >
Servicios > Fabricación, montaje, integración y ensayos > Ingeniería,
fabricación, montaje, integración, ensayos, servicios y MRO. En España la
clasificación es: Ingeniería > Servicios > Fabricación, montaje, integración y
ensayos > Ingeniería, fabricación, montaje, integración, ensayos y servicios >
MRO > Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO.
El estudio de la variable “Current asset turnover rate”, o tasa de rotación de
activos corrientes, cuyos datos se muestran en la tabla 189, para cada uno de
los valores de la cadena de valor y en cada país se concluye lo siguiente:
Ingeniería – En India hay crecimiento de esta variable a órdenes de
magnitud inusuales. En España sufre un ligero descenso entre 2008-
2012 y crece en 2013, parecido a la curva de la bañera del campo de la
fiabilidad.
Fabricación, montaje, integración y ensayos – En India disminuye
globalmente (valores muy bajos de aproximadamente 0,2). En España
hay crecimiento moderado si bien presenta una inflexión en 2009.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 418
Servicios – En India crece a nivel general si bien presenta un descenso
muy acusado en 2009. En España globalmente crece aunque sufre una
ligera caída en 2009-2010.
MRO – En India no hay empresas de este eslabón en la muestra, por lo
que no hay datos. En España decrece, descendiendo un 50%, aunque
sigue manteniendo valores muy buenos.
Ingeniería, fabricación, montaje, integración, ensayos y servicios – En
India es estable y bajo entre 2008-2012, mientras que en 2013 sufre un
aumento brusco. En España es constante con oscilaciones alrededor del
valor de 1,3.
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO –
En India decrece presentando valores extraordinariamente bajos. En
España crece aproximadamente un 50% entre 2008 y 2013.
Agregando los valores de todos los eslabones de la cadena de valor para cada
año se obtiene el valor de la variable para la industria. Analizando este estado
de agregación para cada país se tiene que en India globalmente aumenta
aunque muy influenciado por la evolución del eslabón de Ingeniería, en España
se mantiene prácticamente constante con un ligero descenso en 2009 que va
recuperando hasta 2013. Entre los años 2008-2011 el valor es superior en
España, aunque en 2012 y 2013 lo es India muy influenciado por el eslabón de
Ingeniería y por el decrecimiento del MRO en España.
Procediendo a clasificar los eslabones utilizando como criterio el valor de la
variable y ordenándolos de mayor a menor valor se obtiene que en India:
Ingeniería > Ingeniería, fabricación, montaje, integración, ensayos y servicios >
Servicios > Fabricación, montaje, integración y ensayos > Ingeniería,
fabricación, montaje, integración, ensayos, servicios y MRO. En el caso de
España dicha clasificación queda: Servicios > Fabricación, montaje, integración
y ensayos > Ingeniería > MRO > Ingeniería, fabricación, montaje, integración,
ensayos, servicios y MRO > Ingeniería, fabricación, montaje, integración,
ensayos y servicios.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 419
Analizando la variable “Debt to equity ratio”, o índice de deuda sobre
recursos propios, para cada uno de los eslabones de la cadena de valor, en
ambos países y para el horizonte temporal, y cuyos datos se resumen en la
tabla 190 se concluye:
Ingeniería – En India durante los años 2010 y 2011 se endeuda mucho
en relación a sus recursos. El resto muestran valores
extraordinariamente bajos por lo que parece que hay preferencia por el
crecimiento con recursos propios. En España aumenta de manera
prácticamente constante, existiendo valores cercanos a 3,00.
Fabricación, montaje, integración y ensayos – En India decrece de
manera progresiva, lo que indica que han tratado de reducir la deuda y/o
aumentar los recursos propios. En España aumenta y recupera los
valores iniciales entre 2010-2011-2012 tras haber caído en 2008-2009.
Servicios – En India ha crecido de manera constante de valores my
bajos a valores bajos, insinúa que se han endeudado más pero
manteniendo cierta aversión al riesgo de la deuda. En España
disminuye, si bien los años 2008 y 2009 permanece constante.
MRO – En India no hay empresas en la muestra que pertenezcan a este
eslabón. En España decrece en aproximadamente un 50% entre el inicio
de 2008 y 2013.
Ingeniería, fabricación, montaje, integración, ensayos y servicios – En
india se mantiene constante salvo en 2009 donde hay una inflexión y un
crecimiento alto. En España decrece de manera prácticamente
constante.
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO –
En India globalmente desciende con una inflexión en 2010 y 2013,
donde el descenso fue más acusado. En España existe crecimiento
entre 2008-2009 y descenso posterior a una tasa prácticamente
constante alcanzando un descenso del 50% del valor.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 420
También ser realiza un análisis de la industria agregando el valor de todos los
eslabones para cada año y país. A tenor de este valor se concluye que en India
globalmente ha crecido entre 2008-2009-2010 y posteriormente ha descendido
de manera paulatina salvo en 2012 que el descenso fue más acusado. El nivel
general es de 0,64 lo que evidencia cierta aversión al endeudamiento, ya sea
porque el coste del mismo es elevado o el acceso al mismo difícil; por una
gestión más tradicional basada en los recursos propios (quizá ligado a la
estructura de propiedad de las empresas) o bien porque hay una mayro
aversión al riesgo. En España se mantiene casi constante con pequeñas
variaciones, como por ejemplo un ligero descenso en 2009, pero puede
considerarse constante. Entre los años 2008-2013 es muy superior el valor en
España que en India. Pudiendo indicar menos aversión al riesgo, menor coste
de financiación u otra cultura empresarial respecto a la gestión de los recursos
propios.
Analizando el valor medio de esta variable para cada eslabón de la cadena de
valor, se observa que en todos los eslabones es superior en España
(aproximadamente 4 veces superior).
Clasificando los eslabones de acuerdo al criterio de mayor valor de la variable,
en India se obtiene: Fabricación, montaje, integración y ensayos > Ingeniería >
Ingeniería, fabricación, montaje, integración, ensayos y servicios > Servicios >
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO. En el
caso de España la clasificación queda: Ingeniería, fabricación, montaje,
integración, ensayos, servicios y MRO > MRO > Ingeniería > Ingeniería,
fabricación, montaje, integración, ensayos y servicios > Fabricación, montaje,
integración y ensayos > Servicios.
Respecto al estudio de la variable “Leverage”, o apalancamiento,
particularizado en cada eslabón de la cadena de valor y país, y cuyos datos se
muestran en la tabla 191, se obtiene:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 421
Ingeniería – En india existe crecimiento entre 2008 y 2011, y decrece
entre 2012 y 2013. En España aumenta entre 2008 y 2013.
Fabricación, montaje, integración y ensayos – En India disminuye salvo
en 2013 que vuelve a crecer. En España decrece presentando una
inflexión en el año 2009.
Servicios – En India se observa crecimiento constante entre 2008-2013
con una inflexión en 2009, donde parece que se endeudan por encima
del valor de los activos. En España disminuye con una inflexión en 2010.
MRO – En india no existen empresas que pertenezcan a este eslabón
de la cadena de valor. En España, decrece con una tasa de disminución
prácticamente constante.
Ingeniería, fabricación, montaje, integración, ensayos y servicios – En
india aproximadamente es constante y próximo al valor de 1.00, salvo en
2013. En España sigue una distribución similar a la curva de la bañera
de la disciplina de la fiabilidad en la que toma valores al inicio y final más
elevados que en el periodo central que es prácticamente constante.
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO –
En India es constante entre 2008-2010 y decreciente entre 2011-2013.
En España decreciente prácticamente lineal con cierta inercia de
crecimiento entre 2008-2009.
Revisando los resultados desde una óptica de industria en lugar de hacerlo de
acuerdo a los eslabones, se obtiene en India que globalmente se mantiene
constante con un ligero descenso en el tiempo y un pico de crecimiento en
2013. En España globalmente se mantiene constante. Para llevar a cabo este
análisis se agregan los valores de todos los eslabones por país y año.
Adicionalmente se observa que para todos los años del periodo 2008-2013 esta
variable es siempre superior en India.
Evaluando de nuevo los resultados medios por eslabón, se observa que sólo
en los eslabones de MRO e Ingeniería, fabricación, montaje, integración,
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 422
ensayos, servicios y MRO, es mayor en España que en India. Para el resto de
eslabones es mayor en India que en España.
Clasificando los eslabones en cada país utilizando como criterio el valor de la
variable y ordenándolos de mayor a menor se obtiene en India: Ingeniería,
fabricación, montaje, integración, ensayos y servicios > Servicios > Fabricación,
montaje, integración y ensayos > Ingeniería > Ingeniería, fabricación, montaje,
integración, ensayos, servicios y MRO. Para el caso de España la clasificación
es: Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO >
MRO > Ingeniería > Ingeniería, fabricación, montaje, integración, ensayos y
servicios > Fabricación, montaje, integración y ensayos > Servicios.
Analizando la variable “Debt intensity”, o intensidad de la deuda, para los
diferentes eslabones de la cadena de valor y país, y cuyos datos se resument
en la tabla 192, se observa:
Ingeniería – En India es prácticamente constante con un pico en 2009,
donde los pasivos no corrientes eran un 50% superiores a los pasivos
corrientes. Se endeudaron a largo plazo. En España es constante con
un descenso en 2010.
Fabricación, montaje, integración y ensayos – En India hay un descenso
entre 2008-2010 y crecimiento entre 2011-2013, aunque la tendencia
global es de crecimiento. En España el crecimiento es progresivo entre
2008-2011 y ligero descenso entre 2012-2013.
Servicios – En India oscila alrededor del valor 1,00. En España se da un
crecimiento global con dos ciclos diferenciados, el primero entre 2008-
2011 y el segundo entre 2012-2013.
MRO – En India no existen empresas en la muestra que pertenezcan a
este eslabón. En España presentan un ligero crecimiento entre 2008-
2011 y desplome entre 2012-2013.
Ingeniería, fabricación, montaje, integración, ensayos y servicios – En
India globalmente crece, aunque en 2010 desciende. En España
presenta un crecimiento constante.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 423
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO –
En India crece presentando un cambio de orden de magnitud entre
2011-2012-2013. En España globalmente crece y presente una inflexión
en 2009.
Estudiando la industria en lugar de los eslabones para cada país y cada año,
se obtiene en India que a nivel general experimenta crecimiento con una
contracción en 2010 y una expansión en 2013. En España a nivel global crece
aunque presenta saturación y descenso entre 2011-2013. Asímismo se
observa que el valor de la variable en India para todos los años es superior al
de España en un rango que comprende entre el 30%-50%.
Agregando los valores de los diferentes años para cada eslabón de la cadena
de valor se observa que para los eslabones de MRO e Ingeniería, fabricación,
montaje, integración, ensayos, servicios y MRO, es mayor en España que en
India. Para el resto de eslabones es mayor en India que en España.
Clasificando los eslabones de mayor a menor valor de la variable, para cada
país se obtiene en India: Fabricación, montaje, integración y ensayos >
Servicios > Ingeniería > Ingeniería, fabricación, montaje, integración, ensayos,
servicios y MRO > Ingeniería, fabricación, montaje, integración, ensayos y
servicios. Para España la clasificación queda: MRO > Ingeniería, fabricación,
montaje, integración, ensayos, servicios y MRO > Fabricación, montaje,
integración y ensayos > Ingeniería > Servicios > Ingeniería, fabricación,
montaje, integración, ensayos y servicios.
Evaluando la variable “Coverage ratio”, o ratio de cobertura, en cada eslabón
de la cadena de valor, y para cada país, y cuyos datos se recogen en la tabla
193, se evidencia:
Ingeniería – En India existen valores inusualmente elevados. A nivel
global crece, aunque sufre un cambio de orden de magnitud en el
periodo de 2011-2013 llegando a cuatriplicar su valor. En España,
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 424
disminuye globalmente, con una pendiente muy suave entre 2009-2012
y un descenso más brusco en 2013.
Fabricación, montaje, integración y ensayos – En India decrece
sufriendo un descenso entre 2009-2010-2011 y un crecimiento puntual
en 2012. En España decrece con una inflexión en 2011 dónde la caída
es mayor
Servicios – En India disminuye y sufre una depresión en 2011-2012. En
España desciende de manera constante.
MRO – En India no hay empresas en la muestra pertenecientes a este
eslabón. En España oscila alrededor de un valor de 1,4 en el periodo
2008-2013.
Ingeniería, fabricación, montaje, integración, ensayos y servicios – En
India crece, siendo más acusado en 2013. Se dobla el valor inicial de
2008. En España decrece aunque presenta dos puntos de inflexión en
2009 y 2012.
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO –
En India tiene un crecimiento prácticamente lineal en el que se llega a
triplicar el valor inicial. En España crece ligeramente aunque en 2009
experimenta un descenso.
Evaluando los datos de manera agregada para obtener información de la
industria, en lugar de por eslabón de la cadena de valor, se concluye que en
India a nivel general crecen, manteniéndose prácticamente constantes entre
2008-2011 y creciendo de manera brusca en 2012-2013. En el caso de España
globalmente decrece aunque aparecen claramente diferenciados dos periodos,
el primero de ellos entre 2008-2010, y el segundo 2011-2013 en los que
aproximadamente permanece constante. Comparando los valores de India y
España se observa que para todos los años los de India son superiores, del
orden de 3 a 5 veces más. Esto puede ser debido a que podría existir una
cierta tendencia en la gestión de las empresas aeroespaciales en India, de
tener un volumen de recursos propios muy elevando con respecto a los activos
no corrientes, es decir, aversión al riesgo o elevados costes de financiación.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 425
Analizando el valor medio de los diferentes eslabones para India y España se
concluye que son superiores en India frente a España para todos (sobre 4
veces más), excepto en MRO (India no tiene esta categoría.
Si se clasifican los eslabones utilizando como criterio el valor de la variable y se
ordena de mayor a menor valor, se obtiene la siguiente clasificación para India:
Ingeniería > Servicios > Ingeniería, fabricación, montaje, integración, ensayos y
servicios > Ingeniería, fabricación, montaje, integración, ensayos, servicios y
MRO > Fabricación, montaje, integración y ensayos. En España la ordenación
que aparece es: Servicios > Ingeniería > Ingeniería, fabricación, montaje,
integración, ensayos y servicios > Fabricación, montaje, integración y ensayos
> MRO > Ingeniería, fabricación, montaje, integración, ensayos, servicios y
MRO.
Tras haber procedido al análisis de la variable “Current ratio”, o ratio
corriente, para cada eslabón de la cadena de valor y país, y cuyos datos se
resumen en la tabla 194, se concluye:
Ingeniería – En India crece aunque presenta un punto de inflexión en
2010 donde comienza a descender. En España tiene un crecimiento
prácticamente constante hasta 2011, decreciendo entre 2012-2013.
Fabricación, montaje, integración y ensayos – En India crece, aunque
durante 2009-2013 permanece prácticamente constante. En España
crece, presentando un pico en 2009 y luego decreciendo ligeramente
hasta 2013.
Servicios – En India decrece y presenta un punto de inflexión en 2009.
En España es creciente.
MRO – En India no existe ninguna empresa en la muestra
correspondiente a este eslabón. En España crece entre 2008-2010 para
después decrece a valores similares a los iniciales de 2008.
Ingeniería, fabricación, montaje, integración, ensayos y servicios – En
India se mantiene prácticamente constante con un descenso muy
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 426
acusado en 2009. En España disminuye con dos inflexiones en 2009 y
2013 respectivamente.
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO –
En India existe crecimiento entre 2008-2012 con un desplome en 2013.
En España prácticamente es constante aunque tiene un punto de
inflexión en 2010.
Evaluando la industria en lugar los eslabones de la cadena de valor, es decir,
agregando los valores en uno representativo de la industria, se puede concluir
para India que globalmente sufre un crecimiento muy ligero, si bien presenta un
desplome en 2009. En España existe crecimiento entre 2008-2009 y
paulatinamente ha ido decreciendo, aunque la tendencia general es alcista.
España comparativamente con India tiene el valor de la variable superior.
Si se analiza el valor medio de la variable en cada eslabón y para ambos
países se puede observar que es superior para todos los eslabones en España
frente a India salvo para el eslabón de Ingeniería, fabricación, montaje,
integración, ensayos, servicios y MRO, que lo es en India.
Procediendo a ordenar los eslabones, de acuerdo al valor de la variable y
ordenados de mayor a menor, se obtiene en India la siguiente clasificación:
Servicios > Fabricación, montaje, integración y ensayos > Ingeniería >
Ingeniería, fabricación, montaje, integración, ensayos y servicios > Ingeniería,
fabricación, montaje, integración, ensayos, servicios y MRO. En España se
obtendría el siguiente orden: Servicios > Ingeniería > Fabricación, montaje,
integración y ensayos > Ingeniería, fabricación, montaje, integración, ensayos y
servicios > MRO > Ingeniería, fabricación, montaje, integración, ensayos,
servicios y MRO.
En el análisis de la variable “ROE”, o Return on Equity, es decir, retorno de los
recursos propios, para cada uno de los eslabones de la cadena de valor y en
cada país, y cuyos valores se muestran en la tabla 195, se observa:
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 427
Ingeniería – En India disminuye aunque presenta dos caídas bruscas en
2009 y 2012. En España desciende y en 2012 tiene una caída.
Fabricación, montaje, integración y ensayos – En India disminuye casi
en un 50% presentando un punto de inflexión en 2009. En España sufre
una caída en 2009 aunque después crece hasta recuperar el valor
inicial.
Servicios – En India disminuye en casi un 50% entre 2008-2013
presentando bajadas acusadas en 2009 y 2013. En España desciende y
en 2012 tiene una fuerte caída.
MRO – En India no hay empresas de este eslabón en la muestra. En
España crece entre 2008-2010 y decrece hasta recuperar el valor de
2008 en el intervalo 2011-2013.
Ingeniería, fabricación, montaje, integración, ensayos y servicios – En
India decrece reduciéndose en un 50%. En España desciende con dos
puntos de inflexión en 2009 y 2012, donde esta caída es superior.
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO –
En India crece aunque presentados dos inflexiones en 2009 y 2012
respectivamente. En España sufre un crecimiento aunque existen dos
años en los que decrece, siendo estos 2009 y 2012.
Estudiando los valores de la industria, tras haber agregado los de los
eslabones, para ambos países, se concluye que en India globalmente esta
variable desciende casi linealmente, mientras que en España globalmente
decrece, si bien en los años 2009 y 2012 ha sufrido sendos desplomes. De
manera adicional se observa que en todos los años esta variable toma un valor
superior en India frente a España, si bien la diferencia con España se va
reduciendo y va convergiendo.
Agregando los valores de cada eslabón se obtiene que en todos ellos India
presenta un valor superior a España salvo para MRO, donde India no tiene
empresas en la muestra, y por lo tanto no es comparable.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 428
Clasificando los eslabones por el valor de la variable y ordenándolos de mayor
a menor se obtiene en India el siguiente orden: Servicios > Ingeniería >
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO >
Fabricación, montaje, integración y ensayos > Ingeniería, fabricación, montaje,
integración, ensayos y servicios. Dicha clasificación en España sería: Servicios
> Ingeniería > Ingeniería, fabricación, montaje, integración, ensayos y servicios
> Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO >
Fabricación, montaje, integración y ensayos > MRO.
Analizando la variable “ROCE”, o Return on Capital Employed, es decir,
retorno del capital empleado, en los diferentes eslabones de la cadena de valor
y para ambos países, y cuyos valores se resumen en la tabla 196, se
evidencia:
Ingeniería – En India se mantiene constante un poco por encima del
10% si bien los años 2008 y 2010 tiene unos valores altos. En España
desciende, siendo más acusado entre 2011-2013.
Fabricación, montaje, integración y ensayos – En India permanece
constante alrededor del 10% con dos desplomes en 2009 y 2013
respectivamente. En España desciende, siendo el mayor desplome el
sufrido en 2009.
Servicios – En India decrece y disminuye alrededor del 50% entre 208-
2013. En España decreciente, con una inflexión en la que desciende
bruscamente en 2012.
MRO – En India no hay empresas en la muestra que pertenezca a este
eslabón de la cadena de valor. En España es creciente entre 2008 y
2010, para posteriormente desplomarse.
Ingeniería, fabricación, montaje, integración, ensayos y servicios – En
India es decreciente con una caída brusca en 2011. En España es
decreciente con una inflexión en 2012, donde la caída que experimenta
es superior.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 429
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO –
En India es constante en el periodo 2008-2010 con un desplome en el
periodo 2011-2013. En España crece aunque sufre sendas bajadas en
2009 y 2012.
Estudiando desde el punto de vista de la industria, una vez agregada la
información de los eslabones, la evolución de esta variable, se obtiene que
para India desciende de manera paulatina y para España desciende con dos
años en los que dicho descenso está muy marcado, siendo estos años 2009 y
2012. El valor de esta variable es muy similar entre India y España para todos
los años, si bien entre 2008-2009 es ligeramente superior en India y entre
2010-2013 lo es en España.
Comparando los diferentes eslabones de la cadena de valor tras haber
calculado el valor medio de la variable para cada uno se observa que para los
eslabones de Ingeniería, Servicios e Ingeniería, fabricación, montaje,
integración, ensayos, servicios y MRO, es superior en India que en España.
Siendo para el resto de eslabones superior en España.
Si se clasifican los eslabones atendiendo al valor de la variable y se ordenan de
mayor a menor valor, el resultado que se obtiene en India es: Servicios >
Ingeniería > Ingeniería, fabricación, montaje, integración, ensayos, servicios y
MRO > Ingeniería, fabricación, montaje, integración, ensayos y servicios >
Fabricación, montaje, integración y ensayos. En el caso de España se obtiene:
Ingeniería, fabricación, montaje, integración, ensayos y servicios > Servicios >
Ingeniería > MRO > Fabricación, montaje, integración y ensayos > Ingeniería,
fabricación, montaje, integración, ensayos, servicios y MRO.
Estudiando la variable “ROS”, o Return on Sales, es decir, retorno de las
ventas, en cada eslabón de la cadena de valor y para cada país, y cuyos
valores se resumen en la tabla 197, se observa:
Ingeniería – En India globalmente crece, aunque a partir de 2010
decrece ligeramente. En España es decreciente en el mismo periodo.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 430
Fabricación, montaje, integración y ensayos – En India decrece, con
sendas inflexiones en 2009 y 2012. En España es creciente con un
punto de inflexión en 2009 donde se desploma.
Servicios – En India decrece, reduciéndose casi un 50% entre 2008 y
2013, presentando dos inflexiones, una en 2009 y otra en 2012. En
España es decreciente con un desplome en 2012.
MRO – En India no hay empresas en la muestra que pertenezcan a este
eslabón. En España aumenta y se mantiene creciente para desplomarse
en 2013.
Ingeniería, fabricación, montaje, integración, ensayos y servicios – En
India crece y en 2011 sufre un desplome. En España es decreciente.
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO –
En India crece moderadamente entre 2008-2010 y se desploma en 2012
recuperándose en 2013. En España es creciente con dos inflexiones en
2009 y 2012.
Analizando la evolución de esta variable en la industria, tras agregar los valores
de los diferentes eslabones de la cadena de valor, y para ambos países, se
pude concluir que en India globalmente decrece, aunque oscila entre un año de
subida y otro de bajada, siendo los años 2008, 2010, 2012 los años con mejor
valor. En España a nivel global se mantiene prácticamente constante si bien en
2009 y 2012 sufre sendas caídas. El valor de esta variable es superior todos
los años en India que en España, si bien la diferencia se mantiene casi
constante.
Desde la óptica de los eslabones y tras calcular el valor medio de la variable
para cada eslabón se evidencia que para todos los eslabones la variable toma
mayor valor en India que en España. Sin tener en cuenta el eslabón de MRO
puesto que al no existir datos para India no se puede comparar.
Ordenando los eslabones por el valor de la variable de mayor a menor, se
obtiene la siguiente clasificación para India: Ingeniería > Servicios > Ingeniería,
fabricación, montaje, integración, ensayos, servicios y MRO > Ingeniería,
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 431
fabricación, montaje, integración, ensayos y servicios > Fabricación, montaje,
integración y ensayos. En el caso de España la clasificación es: Ingeniería,
fabricación, montaje, integración, ensayos, servicios y MRO > Servicios >
Ingeniería, fabricación, montaje, integración, ensayos y servicios > Ingeniería >
Fabricación, montaje, integración y ensayos > MRO.
Por último se analiza la variable “Company efficiency”, o eficiencia de la
empresa, en cada uno de los eslabones de la cadena de valor y para cada
país, y cuyos valores se muestran en la tabla 198, se observa lo siguiente:
Ingeniería – En India desciende entre 2008-2010, volviendo a crecer en
2011 y 2013. En España disminuye. Es decir las empresas han perdido
eficiencia en España y en India parece que han puesto remedio y están
comenzando a ganarla tras perderla.
Fabricación, montaje, integración y ensayos – En India decrece hasta
2009, posteriormente crece hasta 2011 y de nuevo decrece. Parece que
la eficiencia tiene cierta componente turbulenta. En España disminuye y
en 2013 se desploma.
Servicios – En India tiene un periodo en el que disminuye hasta 2009,
posteriormente crece hasta 2011 y de nuevo decrece. En España
disminuye.
MRO – En India no hay empresas en la muestra que pertenezca a este
eslabón de la cadena de valor. En España presenta un ligero
crecimiento entre 2008 y 2012, aunque se desploma en 2013.
Ingeniería, fabricación, montaje, integración, ensayos y servicios – En
India se mantiene constante si bien en 2009 y 2011 tiene dos aumentos
significativos. En España también crece presentando dos picos de
crecimiento en 2009 y 2011.
Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO –
En India se mantiene constante y muy alta desde 2008 a 2011, pasando
a desplomarse un 50% en 2012-2013. En España crece llegando casi a
duplicarse en el intervalo 2008-2013
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 432
A la vista de los resultados parece que las empresas que abarcan más de un
eslabón de la cadena de valor son las que presentan un crecimiento de la
eficiencia en el periodo 2008-2013, mientras que las centradas en uno sólo
pierden eficiencia.
No obstante si se analiza desde un punto de vista de industria, tras agregar los
valores de los diferentes eslabones, se obtiene para India que globalmente
disminuye la eficiencia de las empresas del sector aeroespacial, aunque en
2011 experimentó un gran crecimiento. En España globalmente decrece siendo
este decrecimiento más acelerado entre 2011-2013. En el periodo 2008-2013
India presenta mayor eficiencia que España, manteniéndose la diferencia entre
ambos países prácticamente constante.
Evaluando los eslabones a través de la media de todos los años, se observa
como India tiene valores de eficiencia superiores en cada eslabón a España, a
excepción de MRO, donde India no tiene empresas en la muestra.
Si se clasifican los eslabones de la cadena de valor por orden de mayor
eficiencia a menor para ambos países se obtiene en India la siguiente
clasificación: Ingeniería > Ingeniería, fabricación, montaje, integración,
ensayos, servicios y MRO > Servicios > Ingeniería, fabricación, montaje,
integración, ensayos y servicios > Fabricación, montaje, integración y ensayos.
Mientras que para España el orden sería: Ingeniería, fabricación, montaje,
integración, ensayos, servicios y MRO > Ingeniería, fabricación, montaje,
integración, ensayos y servicios > Servicios > Ingeniería > MRO > Fabricación,
montaje, integración y ensayos.
Una vez analizados los eslabones de la cadena de valor del sector
aeroespacial, se va a estudiar las diferencias existentes entre las empresas
más eficientes y el resto de la industria. Este análisis se basa en tablas
comprendidas entre la 200 y 214 inclusive, y en las figura de la 110 a la 124
inclusive.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 433
Las empresas más eficientes en India presentan:
una edad menor que las de la industria, es decir, que la empresa sea
más joven favorece su eficiencia, en concreto la media es alrededor de 4
años menos.
un tamaño inferior al de la industria (salvo un año en particular, el 2012,
que fue superior), pero para el resto es menor.
requieren menos activos no corrientes, al ser menor el “Infrastructure &
Resource Intensity”. De media este índice es 0,028 más bajo que en la
industria
tienen mayor porcentaje de activos no corrientes frente a activos
corrientes. En media la variable “Asset Intensity” es mayor en la
empresas eficientes que en la industria en un valor de 0,062.
presentan una mayor rotación de activos, al ser la variable “Asset
turnover rate” superior en 0,262 con respecto a la industria.
tienen una mayor rotación de activos corrientes, ya que la variable
“Currents asset turnover rate” es muy superior a la de la industria, en
concreto 1,096.
exhiben un ratio de endeudamiento (“Debt to equity ratio”) inferior a la
industria, es decir, están menos endeudadas. En particular esta variable
de media es 0,138 unidades menor.
el grado de apalancamiento es menor en las empresas eficientes, es
decir, requieren menos deuda por unidad de activo total. En concreto
esta variable es 0,115 inferior.
la intensidad de la deuda es menor (“Debt intensity”). Lo que significa
que la financiación a largo plazo que requieren frente a la de corto es
menor. La diferencia es de 0,184 inferior para las más eficientes.
el ratio de cobertura (“Coverage ratio”) es superior en las empresas más
eficientes. Esto significa que tiene mayor cantidad de recursos propios
para cubrir los activos no corrientes. En particular esta variable es
superior en 0,929 unidades.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 434
el ratio corriente (“Current ratio”) es superior en las empresas más
eficientes, es decir tienen una capacidad de pago de obligaciones a
corto plazo con los activos más líquidos superior. En concreto es de
0,138 unidades de media superior a la industria.
el retorno de los recursos propios (“ROE”) es superior en las empresas
más eficientes. Es decir son más eficaces respecto a la generación de
valor para los propietarios. Es 7 puntos superior a la industria
el retorno del capital empleado (“ROCE”) es superior en las empresas
más eficientes. Esto indica que son más eficaces en la generación de
valor en sus actividades operativas. Es 6 puntos superior a la industria.
el retorno sobre las ventas (“ROS”) es superior en las empresas más
eficientes, indicando una mayor eficacia en la generación de valor del
mercado. Es 4 puntos superior a la industria.
en términos de eficiencia son un 25% más eficientes de media que el
resto de la industria.
Realizando un análisis análogo en España se concluye:
una edad menor que las de la industria, es decir, que la empresa sea
más joven favorece su eficiencia, en concreto la media es alrededor de
1,5 años menos.
un tamaño superior al de la industria. En el periodo 2008-2010 las
empresas más eficientes eran más pequeñas, pero en 2011-2013 esta
tendencia ha cambiado y las más eficientes son de mayor tamaño medio
que la industria.
requieren menos activos no corrientes, al ser menor el “Infrastructure &
Resource Intensity”. De media este índice es 0,062 más bajo que en la
industria
tienen menor porcentaje de activos no corrientes frente a activos
corrientes. En media la variable “Asset Intensity” es menor en las
empresas eficientes que en la industria en un valor de 0,160.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 435
presentan una mayor rotación de activos, al ser la variable “Asset
turnover rate” superior en 0,122 con respecto a la industria.
tienen una rotación de activos corrientes prácticamente constante, ya
que la variable “Currents asset turnover rate” oscila dependiendo del
año entre una cantidad mayor y otra inferior, siendo de media sólo 0,006
unidades superior a la de la industria. Es decir, prácticamente
permanece constante.
exhiben un ratio de endeudamiento (“Debt to equity ratio”) superior a la
industria, es decir, tienen un mayor nivel de endeudamiento, menor
aversión al riesgo. En particular esta variable de media es 0,185
unidades menor.
el grado de apalancamiento es prácticamente constante en las
empresas eficientes con respecto a la industria, es decir, requiriendo
casi el mismo nivel de deuda por unidad de activo total. De media es
0,001inferior.
la intensidad de la deuda es menor (“Debt intensity”). Lo que significa
que las empreas más eficientes requieren menos financiación a largo
plazo frente a la de corto, con respecto a la industria. La diferencia es de
0,201 inferior para las más eficientes.
el ratio de cobertura (“Coverage ratio”) es superior en las empresas más
eficientes. Esto significa que tiene mayor cantidad de recursos propios
para cubrir los activos no corrientes. En particular esta variable es
superior en 0,355 unidades.
el ratio corriente (“Current ratio”) es superior en las empresas más
eficientes, es decir tienen una capacidad de pago de obligaciones a
corto plazo con los activos más líquidos superior. En concreto es de
0,052 unidades de media superior a la industria.
el retorno de los recursos propios (“ROE”) es superior en las empresas
más eficientes. Es decir son más eficaces respecto a la generación de
valor para los propietarios. Es 16 puntos superior a la industria
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 436
el retorno del capital empleado (“ROCE”) es superior en las empresas
más eficientes. Esto indica que son más eficaces en la generación de
valor en sus actividades operativas. Es 13 puntos superior a la industria.
el retorno sobre las ventas (“ROS”) es superior en las empresas más
eficientes, indicando una mayor eficacia en la generación de valor del
mercado. Es 5 puntos superior a la industria.
en términos de eficiencia son un 50% más eficientes de media que el
resto de la industria.
Comparando en ambos países se observan diferencias estructurales entre las
empresas más eficientes y el resto de la industria:
En India en las empresas eficientes el tamaño es menor que el de la
industria y en España de media es superior como muestra la tabla 220.
Fuente: Elaboración propia
Tabla 220 Análisis longitudinal de “Company size” entre las empresas más eficientes y la
industria en India y España
En India la intensidad de los activos de las empresas eficientes es
superior a la industria mientras que en España es inferior, como
evidencia la tabla 221. Esto quiere decir que las empresa eficientes en
India necesitan de media más activos no corrientes que la industria, y
que las más eficientes en España necesitan de media menos activos no
corrientes que la industria.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 437
Fuente: Elaboración propia
Tabla 221 Análisis longitudinal de “Asset intensity” entre las empresas más eficientes y la
industria en India y España
En India el ratio de endeudamiento (“Debt to equity”) de las empresas
más eficientes es inferior a las de la industria mientras que en España es
superior a las de la industria, tal y como muestra la tabla 222. Es decir,
las empresas más eficientes en India tienen más aversión al
endeudamiento que la industria y en España las más eficientes están
más endeudadas que la media de la industria, mayor propensión al
riesgo.
Fuente: Elaboración propia
Tabla 222 Análisis longitudinal de “Debt-to-equity-ratio” entre las empresas más eficientes y la industria en India y España
En España las empresas más eficientes presentan una mayor diferencia
de eficacia en ROE, ROCE y ROS con respecto a la media de la
industria que en India. Para el ROE y ROCE la diferencia es el doble,
según se refleja en la tabla 223.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 438
Fuente: Elaboración propia
Tabla 223 Análisis longitudinal de “ROE-ROCE-ROS” entre las empresas más eficientes y la
industria en India y España
En India la diferencia entre las empresas más eficientes y la industria es
de un 25% mientras que en España es del 50%. Es decir, de media la
industria es más eficiente en India que en España, tal y como se puede
observar en la tabla 224.
Fuente: Elaboración propia
Tabla 224 Análisis longitudinal de “Company efficiency” entre las empresas más eficientes y la
industria en India y España
Como última conclusión, y en relación al modelo predictivo que se ha formulado
mediante una red neuronal de tipo MLP, se puede concluir que es de aplicación
para el caso de España puesto que la R2 entre los resultados predichos por el
modelo y los reales es elevada R2 = 0,9312, como muestra la figura 131.
Aunque para el caso de eficiencias óptimas, es decir, de 1 y muy bajas (muy
próximas a 0) no es aplicable. Predice razonablemente bien resto de casos.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 439
Con una alta probabilidad esto no ocurriría si se aplica lo que más adelante se
planteará como una futura línea de investigación, y es la aplicación de modelos
de supereficiencia. En el caso de India, la capacidad de predicción es algo
inferior, aunque aceptable con una R2 = 0,7018, tal y como se evidencia en la
figura 138. Se aprecia el mismo comportamiento que en el caso de España en
los casos extremos de eficiencia donde esta vale 1 o 0. Aunque en el caso de
India la R2 sea inferior a la de España, sería aceptable puesto que el interés de
esta herramienta es predecir el orden de magnitud y la posición con respecto a
otras empresas, más que determinar el valor de eficiencia con una tolerancia
muy estrecha.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 440
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 441
CAPÍTULO 13 FUTURAS LINEAS DE INVESTIGACIÓN
Para la elaboración de este trabajo se ha utilizado un enfoque metodológico
que parte del esbozo de un problema objeto de estudio muy general y que se
va acotando hasta convertirlo en un enunciado concreto, sujeto a unas
condiciones de contorno determinadas. En la parte exploratorio se han revisado
los datos con diferentes técnicas y desde diferentes enfoques, utilizando la
metodología del panel de datos ya que en su mayor parte es exploratorio y no
se plantean hipótesis. No obstante en la parte descriptiva que cubre, los
resultados obtenidos y comentados suponen falsar unas determinadas
hipótesis de partida obtenidas mediante revisión bibliográfica, entrevistas con
expertos y la propia experiencia profesional del doctorando. Cuando se habla
de falsar una hipótesis significa que bajo unas determinadas condiciones lo que
se ha encontrado no es falso, lo que no implica que bajo otras condiciones se
extrapole y sean veraces.
Una línea de investigación no es algo que tenga un principio y un fin
claramente determinados. A este respecto esta tesis doctoral no supone sino la
primera etapa de dicha línea de investigación encaminada a conocer la relación
existente entre la estructura de la empresa, su rendimiento, su eficiencia y el
efecto del entorno general y específico, evaluar la industria aeroespacial en los
países BRIC y PIGS; así como por último aplicar el concepto de resiliencia al
entorno empresarial y analizar la relación existente entre el mismo y el resto de
factores que se han nombrado, y si éstos son la causa, o parte de la misma, de
dicha resiliencia.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 442
Fuente: Elaboración propia
Figura 139 Clasificación del objetivo de tesis y las siguientes fases de la línea de investigación
A tenor de lo anterior, representado en la figura 139 se han identificado una
serie de investigaciones que no están cubiertas por la presente tesis, pero que
constituyen actividades que dan continuidad a la línea de investigación iniciada
por esta tesis, pudiéndose materializar tanto en la realización de otras tesis
doctorales, por la publicación de artículos científicos, o por una combinación de
ambas.
A continuación se van a enumerar:
Análisis de la influencia del entorno (país e industria) en la estructura de
la empresa, su desempeño y resiliencia. Entendiendo la estructura de la
empresa como estructura de capital, de liquidez y de activos,
características de la empresa. Se trataría de cuantificar dicha influencia,
así como determinar las causas estructurales de la misma.
Análisis de la influencia de operar en un país perteneciente a los BRICS
y PIGS, así como las variables estructurales determinantes de esta
industria en cada uno de los dos grupos. Este análisis hay que realizarlo
Exploratorio Descriptivo Correlacional Explicativo
Tesis doctoral
BRICS vs PIGS
Resiliencia
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 443
sobre una muestra de cada uno de los países BRICS y PIGS. El objetivo
de este trabajo era esbozar un método de carácter exploratorio y
predictivo que por su simplicidad pudiera aplicarse en todos los entornos
de manera que los hiciera comparables al utilizar las mismas variables
en un estudio longitudinal. Si el enfoque que se hubiera dado,
comprendiera un enfoque más particularizado al entorno donde se
aplica, se deberían haber seleccionado una gran multitud de variables y
haber realizar el mismo tipo de análisis factorial exploratorio. La ventaja
de este enfoque es que es más preciso por país, pero podrían dejar de
ser comparables los países, en tanto en cuanto los factores y las
variables utilizadas no coincidieran. En IAQG aparecen las empresas del
sector aeroespacial de estos países, así como en bases de datos como
Amadeus ® o COMPUSTAT ® se pueden obtener los datos financieros
necesarios de estas empresas para replicar el método exploratorio,
descriptivo y predictivo de esta tesis doctoral. En la tabla 225 se refleja
el número de empresas disponibles en IAGQ para los países objeto de
interés. Dicha muestra inicial se debe enriquecer con información local
de cada país (clusters aeroespaciales, asociaciones…)
País Número
empresas IAQG
BRICS
Brasil 76
Rusia 81
China 682
Sudáfrica 16
PIGS
Portugal 31
Italia 532
Grecia 7
Fuente: Elaboración propia
Tabla 225 Número de empresas del sector aeroespacial en países BRICS y PIGS
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 444
Definición del concepto de resiliencia empresarial, sus métricas
asociadas, así como las técnicas adecuadas para su estudio. La
definición más sencilla y a la vez más compleja, que puede plantearse,
es: la capacidad para revertir una situación adversa. Pudiéndose
alcanzar una situación de equilibrio o no, y en caso de alcanzarse un
equilibrio puede ser en el mismo orden de magnitud existente antes de
la situación adversa o un equilibrio totalmente diferente. En el entorno
turbulento y global en el que se desarrollan los negocios la supervivencia
depende en la adaptabilidad, con los perfiles reactivos cayendo a favor
de los proactivos, y ambos sucumbiendo ante los anticipativos
(Innovadores en serie) (de Oliveira Teixeira & Werther Jr., 2013). La
resiliencia, por tanto es un concepto multidisciplinar y multidimensional.
Asimismo hay diferentes tipos de resiliencia (desde la óptica económica)
(Ponomarov & Holcomb, 2009):
o Inherente – Capacidad en circunstancias normales (por ejemplo la
capacidad de los mercados para reubicar recursos en respuesta a
las señales en los precios)
o Adaptativa – Capacidad en circunstancias de crisis debido a un
esfuerzo extra (por ejemplo fortalecer el mercado dando
información para relacionar suministradores y clientes).
A su vez también en el artículo hablan de tres niveles en los que puede
existir resiliencia:
o Microeconómico – Centrado en el individuo.
o Mesoeconómico – Centrado en el mercado, industria o sector.
o Macroeconómico – Combinando todos los individuos y mercados.
La dimensiones más básica y más extendidas son la robustez
(anticipación y preparación) y la agilidad (visibilidad y velocidad) que
podrían operacionalizarse, tal y como muestra la figura 140, el primer de
ellos a través de la vulnerabilidad y el segundo de la adaptabilidad,
según el esquema de la figura 141, centrándose en una serie de KPIs
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 445
como por ejemplo el ROS (resiliencia respecto al mercado), ROE
(Resiliencia respecto a la estructura de propiedad), ROCE (resiliencia
respecto a las operaciones).
Fuente: (Wieland & Wallenburg, 2013)
Figura 140 Propuesta de las dimensiones de la resiliencia empresarial
Fuente: (Henry & Ramírez-Márquez, 2012)
Figura 141 Propuesta de la medición de la resiliencia de una variable
Estudio del método y modelo en países que no sean BRICS y PIGS,
pero con larga tradición aeroespacial, como por ejemplo Estados
Unidos, al objeto de evaluar el hecho de no pertenecer a los países de
mayor crecimiento ni a los de menor hace que los efectos estructurales
sean moderados y queden enmarcados entre ambos extremos.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 446
Análisis de la implementación de esta metodología en otras industrias en
España e India para ver cómo se comportan, pero también en otros
países.
Aplicación de modelos de análisis de envolvente de datos que
contemplen la supereficiencia, es decir, rendimientos superiores a 1. El
objetivo sería focalizar el análisis en el subgrupo de las empresas más
eficientes.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 447
BIBLIOGRAFÍA
Accenture, 2012. India times ahead: No room for complacency, s.l.: Accenture.
Adidam, P. T., Banerjee, M. & Shukla, P., 2012. Competitive intelligence and
firm's performance in emerging markets: an exploratory study in India. Journal
of Business & Industrial Marketing, 27(3), pp. 242-254.
Andreev, Y. A., 2005. Predicting financial distress of Spanish companies,
Barcelona: Universitiy of Barcelona.
Appiah, K. O. & Abor, J., 2009. Predicting corporate failure: some empirical
evidence from the UK. Benchmarking: An international Journal, 16(3), pp. 432-
444.
Arend, R. J., 2009. Industry effets and firm effects: No effect is an island.
Journal of Business Research, 62(.), pp. 651-659.
Arinovic-Barac, Z., 2011. Predicting sustianible financial performance using
cash flow ratios: A comparison between LDA and ANN methods. Sarajevo
Business and Economics Review, Volume 31, pp. 33-57.
Asociación Española de Empresas Tecnológicas de Defensa, Aeronaútica y
Espacio (TEDAE), 2014. Aeronaútica cifras 2013, Madrid: Expomark.
Banker, R., Charnes, A. & Cooper, W., 1984. Some models for estimating
technical and scale inefficiencies in Data Envelopment Analysis. Management
Science, 9(30), pp. 1078-1092.
Berger, A. N. & Bonaccorsi , E., 2006. Capital structure and firm performance: A
new approach to testing agency theory and an aplication to the banking
industry. Journal of Banking & Finance, .(30), pp. 1065-1102.
Bhagat, S. & Boltron, B., 2008. Corporate governance and firm performance.
Journal of Corporate Finance, 14(.), pp. 257-273.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 448
Bhunia, A., Uddin Khan, S. I. & Mukhuti, S., 2011. Prediction of Financial
Distress - A case study of Indian companies. Asian Journal of Business
Management, 3(3), pp. 210-218.
Bureau Van Dijk, 2015. SABI. [Online]
Available at: https://sabi.bvdinfo.com/version-
2015323/home.serv?product=sabineo
[Accessed 20 March 2015].
Burja, C., 2011. Factors influecing the companies' profitability. Annales
Universitatis Apulensis Series Oeconomica, 2(13), pp. 215-224.
Burstein Goldszmidt, R. G., Ledur Brito, L. A. & Carvalho de Vasconcelos, F.,
2011. Country effect on firm performance: A multilevel approach. Journal of
Business Research, Volume 64, pp. 273-279.
Caloghirou, Y., Protogerou, A., Spanos, Y. & Papagiannakis, L., 2004. Industry-
versus firm-specific effects on performance: Contrasting SMEs and Large-sized
firms. European Management Journal, 22(2), pp. 231-243.
Campello, M., 2006. Debt financing: Does it boost or hurt firm performance in
product markets?. Journal of Financial Economics, Issue 82, pp. 135-172.
Center for Monitoring Indian Economy, 2015. PROWESS. [Online]
Available at: https://prowess.cmie.com/
[Accessed 20 March 2015].
Chandra, P., 2013. Financial Management: Theory and practice. Eighth ed.
New Delhi: Tata-McGraw Hill.
Charnes, A., Cooper, W. W., Lewin, A. Y. & Seiford, L. M., 1997. Data
envelopment analysis theory, methodology and applications. Operational
Research Society, 48(3), p. 332.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 449
Charnes, A., Cooper, W. W., Seiford, L. M. & Stutz, J., 1982. A multiplicative
model for efficiency analysis. Socio-Economic Planning Science, Volume 16,
pp. 223-224.
Charnes, A., Cooper, W. W., Seiford, L. M. & Stutz, J., 1983. Invariant
multiplicative efficiency and piecewise Cobb-Douglas envelopment. Opeations
Research Letters, Volume 2, pp. 101-103.
Charnes, R., Cooper, W. & Rhodes, E., 1978. Measuring efficiency on Decision
Making Units. European Journal of Operational Research, Volume 2, pp. 429-
444.
Chen, M.-Y., 2011. Bankruptcy prediction in firms with statistical and intelligent
techniques and a comparison of evolutionary computation approaches.
Computers and Mathematics with Applications, Issue 62, pp. 4514-4524.
Chiarella, C. & Di Guilmi, C., 2011. The financial instability hypothesis: A
stochastic mirofoundation framework. Journal of Economic Dynamics & Control,
Issue 35, pp. 1151-1171.
Ciampi, F. & Gordini, N., 2008. Using economic-financial ratios for small
enterprise default prediction modelling: am empirical analysis. Oxford, Oxford,
pp. 1-21.
Claver, E., Molina, J. & Tarí, J., 2002. Firm and industry effects on firm
profitability: A Spanish empirical analysis. European Management Journal,
20(3), pp. 321-328.
Coelli, T., 1998. A multi-stage methodology for the solution of oriented DEA
models. Operation Research Letters, Volume 22, pp. 143-149.
Cohn, J. B., Mills, L. F. & Towery, E. M., 2014. The evolution of capital structure
and operating performance after leveraged buyouts: Evidence from U.S.
corporate tax returns. Journal of Financial Economics, Issue 111, pp. 469-494.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 450
Coll Serrano, V. & Blasco Blasco, O. M., 2006. Evaluación de la eficiencia
mediante el análisis envolvente de datos: Introduccion a los modelos básicos.
Electrónica ed. Valencia: Universidad de Valencia.
Cooper, W. W., Seiford, L. M. & Zhu, J., 2011. Handbook on Data Envelopment
Analysis. Second ed. s.l.:Springer.
Dadenas, P. & Garsva, G., 2015. Selection of Support Vector Machines based
classifiers for credit risk domain. Expert systems with applications, Volume 42,
pp. 3194-3204.
Damodaran's, A., 2013. Investment valuation: Tools and techniques for
determining the value of any asset. Third ed. New Delhi: Wiley-India edition.
de Oliveira Teixeira, E. & Werther Jr., W. B., 2013. Resilience: Continuous
renewal of competitive advantages. Business Horizons, Issue 56, pp. 333-342.
de Vicente y Oliva, M. A., Manera Bassa, J., Guede Cid, R. & Martin del Peso,
M., 2008. Using MCDA to support compromise robust solutions in DEA with no
a priori information about weights. s.l., 67th meeting of the European Working
Work on Multicriteria Decision Aid.
DeAngelo, H., DeAngelo, L. & Wruck, K. H., 2002. Asset liquidity, debt
covenants, and managerial discretion in financial distress: the collapse of L.A.
Gear. Journal of Financial Economics, Volume 64, pp. 3-34.
Debreu, G., 1951. The coefficient of resource utilization. Econometrica, 19(3),
pp. 273-292.
Delen, D., Kuzey, C. & Uyar, A., 2013. Measuring firm performance using
financial ratios: A decision tree approach. Expert Systems with Applications,
Issue 40, pp. 3970-3983.
Díez de Castro, L. T. & López Pascual, J., 2007. Dirección financiera. 2ª ed.
Madrid: Prentice Hall.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 451
Düzakin, E. & Düzakin, H., 2007. Measuring the performance of manufacturing
firms with super slacks based model of data envelopment analysis:An
application of 500 major industrial enterprises in Turkey. European Journal of
Operational Reseach, Issue 182, pp. 1412-1432.
Dvoracek, J., Sousedikova, R. & Domaracka, L., 2008. Industrial enterprises
bankruptcy forecasting. Metalurgija, 1(47), pp. 33-36.
Dyson, R. G. et al., 2001. Pitfalls and protocols in DEA. European Journal of
Operational Research, Volume 132, pp. 245-259.
Eriksen, B. & Knudsen, T., 2003. Industry and firm level interaction: Implications
for profitability. Journal of Business Research, Volume 56, pp. 191-199.
Etter, E. R., Lippincott, B. & Reck, J., 2006. An analysis of U.S. and Latin
American financial accounting ratios. Advances in International Accounting,
Volume 19, pp. 145-173.
Eurostat, 2015. Eurostat. [Online]
Available at: http://appsso.eurostat.ec.europa.eu/nui/show.do
[Accessed 20 January 2015].
Farrell, M. J., 1957. The measurement of productive efficiency. Journal of the
Royal Statistical Society, Serie A(3), pp. 253-290.
Fernandes, E. & Pires-Capobianco, H. M., 2001. Airline capital structure and
returns. Journal of Air Transport Management, 7(.), pp. 137-142.
Forbes, K., 2004. The asian flu and Russian virus: the international
transmission of crises in firm-level data. Journal of International Economics,
Volume 63, pp. 59-92.
Frankel, J. & Saravelos, G., 2010. VOX CEPR's Policy Portal. [Online]
Available at: http://www.voxeu.org/index.php?q=node/5258
[Accessed 21 March 2015].
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 452
Frost & Sullivan, 2013. Analysis of the Indian Aerospace industry, Bangalore:
Frost & Sullivan.
Funahashi, K.-I., 1989. On the approximate realization of continuous mappings
bynerual networks. Neural Nwtworks, 2(3), pp. 183-192.
Funahashi, K.-I., 1998. Multilayer neural networks and Bayes decision theory.
Neural Networks, 11(2), pp. 209-213.
Funahashi, K.-I. & Nakamura, Y., 1993. Approximation of dynamical systems by
continuous time recurrent neural networks. Neural Networks, 6(6), pp. 801-806.
Garmendia Ibañez, J., 2010. La crisis de la deuda pública en la unión monetaria
europea. Revista de Dirección y Administración de Empresas, Issue 17, pp. 99-
117.
Gedeon, T. D., Wong, P. M. & Harris, D., 1995. Balancing the bias and
variance: Network topology and pattern set reduction techniques. Torremolinos,
España, s.n., pp. 550-558.
Glantz, M. & Mun, J., 2011. Chapter 3 Multivariate Ratio Analysis. In: Elsevier,
ed. Credit Engineering for bankers. s.l.:Elsevier, pp. 37-60.
Gleason, K. C., Mathur, L. K. & Mathur, I., 2000. The interelantionship between
culture, capital structure, and performance: Evidence from European Retailers.
Journal of Business Research, 50(.), pp. 185-191.
Goddard, J., Tavakoli, M. & Wilson, J. O., 2009. Sources of variation in firm
profitability and growth. Journal of Business Research, 62(.), pp. 495-508.
Grossberg, S., 1964. The theory of embedding fields with applications to
psychology and neuropsychology. New York: Rockefeller Institute of Medical
Research.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 453
Guede Cid, M. D. R., 2011. La eficiencia de los centros públicos de
investigación en el proceso de transferencia de conocimiento y tecnología,
Madrid: Universidad Rey Juan Carlos.
Guerras Martín, L. Á. & Navas López, J. E., 2009. La dirección estratégica de la
empresa: Teoría y aplicaciones. 4 ed. Navarra: Aranzadi.
Gülnur, Y. & Sivaprasad, S., 2012. Capital struture and abnormal returns.
International Business Review, Volume 21, pp. 328-341.
Guzhva, V. S. & Pagiavlas, N., 2003. Corporate capital structure in turbulent
times: a case study of US airline industry. Journal of Air Transport
Management, 9(.), pp. 371-379.
Hair, J. F., Black, W. C., Babin, B. J. & Anderson, R. E., 2010. Multivariate Data
Analysis: A global perspective. Seventh ed. New Delhi: Pearson.
Hawawini, G., Subramanian, V. & Verdin, P., 2004. The home country in the
age of globalization: how much does it matter for firm performance. Journal of
World Business, 39(.), pp. 121-135.
Hebb, D., 1949. Organization of Behavior. New York: John Wiley & Sons.
Heinen, N., 2011. Macroeconomic coordination. What con a scoreboard
approach achive?, Frankfurt: Deutsche Bank Research.
Henry, D. & Ramírez-Márquez, J. E., 2012. Generic metrics and quantitative
approaches for system resilience as a function of time. Reliability Engineering
and System Safety, .(99), pp. 114-122.
Hernández , R., Fernández, C. & Baptista, P., 2010. Metodología de la
Investigación. 5 ed. México: McGraw Hill.
Hofmann, E. & Lampe, K., 2013. Financial statement analysis of logistics
service providers: ways of enhancing perfomance. International Journal of
Physical Distribution & Logistics Management, 43(4), pp. 321-342.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 454
Hong, H., Huang, J.-Z. & Wu, D., 2014. The information content of Basel III
liquidity risk measures. Journal of Financial Stability, Volume 15, pp. 91-111.
Hopfield, J., 1982. Neural networks and phisycal systems with emergent
collective computational abilities. Proceedings of the National Academy of
Science, Issue 81, pp. 3088-3092.
Indian Ministry of Commerce & Industry, 2015. Department of Commerce.
[Online]
Available at: http://commerce.nic.in/eidb/Default.asp
[Accessed 20 January 2015].
Institute for defense studies and analyses, 2015. Institute for defense studies
and analyses. [Online]
Available at: http://www.idsa.in
[Accessed 20 January 2015].
International Monetary Fund, 2015. International Monetary Fund. [Online]
Available at:
http://www.imf.org/external/pubs/ft/weo/2014/02/weodata/weorept.aspx?sy=200
7&ey=2013&scsm=1&ssd=1&sort=country&ds=%2C&br=1&c=184%2C534&s=
NGDP_R%2CLUR&grp=0&a=&pr1.x=24&pr1.y=10#download
[Accessed 20 January 2015].
Isasi Viñuela, P. & Galván León, I. M., 2008. Redes de Neuronas ARtificiales:
Un enfoque práctico. Madrid: Pearson.
Jurlin, K., Puljiz, J. & Vuckovic, V., 2011. Early warning indicators: leading or
misleading?. Croatia, Faculty of Economics (University of Split), pp. 381-399.
Kayo, E. K. & Kimura, H., 2011. Hierarchical determinants of capital structure.
Journal of Banking & Finance, 35(.), pp. 358-371.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 455
Keterlhöhn, N. W. & Quintanilla, C., 2012. Country effects on profitability: A
multilevel approach using a sample of Central American firms. Journal of
Business Research, 65(.), pp. 1767-1772.
King, M. R. & Santor, E., 2008. Family values: Ownership structure,
performance and capital structure of Canadian firms. Journal of Banking &
Finance, 32(.), pp. 2423-2432.
Kohonen, T., 1972. Correlation associative memory. IEEE Transactions on
Computers, Issue 23, pp. 353-359.
Kohonen, T., 1974. An adaptive associative memory principle. IEEE
Transactins on Computers, Issue 23, pp. 444-445.
Kohonen, T., 1977. Associative Memory - Asystem Theoretical Approach. New
York: Springer-Verlag.
Kolasa, M., Rubaszek, M. & Taglioni, D., 2010. Firms in the great global
recession: The role of foreign ownership and financial dependence. Emerging
Markets Review, Issue 11, pp. 341-357.
Kopaneli, A., 2014. Finance, marketing, management, and strategy planning. A
qualitative research method analysis of case studies in business hotels in
Patras and in Athens. Procedia: Economics and Finance, Volume 9, pp. 472-
487.
Krishnan, S. V. & Moyer, C. R., 1997. Performance, capital structure and home
country: An analysis of asian corporations. Global Finance Journal, 8(1), pp.
129-143.
Lee, T.-H. & Chih, S.-H., 2013. Does financial regulation affect the profit
efficiency and risk of banks? Evidence from China's commercial banks. North
American Journal of Economics and Finance, Volume 26, pp. 705-724.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 456
Liargovas, P. G. & Skandalis, K. S., 2010. Factors affecting firm performance:
The case of Greece. Global Business and Management Reserach: An
international Journal, 2(2&3), pp. 184-197.
Little, P. L., Mortimer, J. W., Keene, M. A. & Herdenson, L. R., 2011. Evaluating
the effect of recession on retail firms' strategy using DuPont method:2006-2009.
Journal of Finance and Accountancy, pp. 1-7.
Longinidis, P. & Georgiadis, M. C., 2011. Integration of financial statement
analysis in the optimal design of supply chain networks under demand
uncertainty. International Journal of Production Economics, Volume 129, pp.
262-276.
López Lubián, F. J. & García Estévez, P., 2005. Finanzas en el mundo
corporativo: Un enfoque práctico. 1 ed. Madrid: McGraw Hill.
Madrid-Guijarro, A., García-Pérez-de-Lema, D. & van Auken, H., 2011. An
analysis of non-financial factors associated with financial distress.
Entrepreneurship & Regional Development, April, 23(3-4), pp. 159-186.
Mallick, S. & Yang, Y., 2011. Sources of financing, profitability and productivity:
First evidence from Matched firms. Financial Markets, Institutions &
Instruments, pp. 221-252.
Mangir, F. & Erdogan, S., 2011. Comparisonof economic performance among
six countries in global financial crisis: The application of fuzzy topsis method.
Economics, Management, and Financial Markets, 6(2), pp. 122-136.
Margaritis, D. & Psillaki, M., 2010. Capital structure, equity ownership and firm
performance. Journal of Banking & Finance, 34(.), pp. 621-632.
Marketline, 2008. Global Aerospace & Defence, s.l.: Marketline.
Marketline, 2009. Global Aerospace & Defence, s.l.: Marketline.
Marketline, 2010. Global Aerospace & Defence, s.l.: Marketline.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 457
Marketline, 2011. Aerospace & Defense in India, s.l.: Marketline.
Marketline, 2011. Aerospace & Defense in Spain, s.l.: Marketline.
Marketline, 2011. Global Aerospace & Defence, s.l.: Marketline.
Marketline, 2012. Aerospace & Defense in India, s.l.: Marketline.
Marketline, 2012. Aerospace & Defense in Spain, s.l.: Marketline.
Marketline, 2012. Global Aerospace & Defence, s.l.: Marketline.
Marketline, 2014. Aerospace & Defense in India, s.l.: Marketline.
Marketline, 2014. Aerospace & Defense in Spain, s.l.: Marketlilne.
Marketline, 2014. Global Aerospace & Defence, s.l.: Marketline.
Martín del Brío, B. & Sanz Molina, A., 2009. Redes neuronales y sistemas
borrosos. 3ª ed. Madrid: Ra-Ma.
Matysek-Jedrych, A., 2012. Competitiveness and crisis - the case of the Baltic
States economies. Poznan University of Economics Review, 12(2), pp. 49-73.
McCulloch, W. & Pitts, W., 1943. A logical calculus of the ideas immanent in
nervous activity. Bulletin of Mathematical Biophysics, Volume 7, pp. 115-133.
Minsky, M., 1954. Neural-analog networks and the brain model problem. New
York: Princeton University.
Molina-Azorín, J. F., Pereira-Moliner, J. & Claver-Cortés, E., 2010. The
importance of the firm and destination effects to explain firm performance.
Tourism Management, 31(.), pp. 22-28.
Morgan, N. A., Vorhies, D. W. & Mason, C. H., 2009. Market orientation,
marketing capabilities, and firm performance. Strategic Management Journal,
Issue 30, pp. 909-920.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 458
Munisi, G. & Randoy, T., 2013. Corporate governane and company
performance across Sub-Saharan African countries. Journal of Economics and
Business, 70(.), pp. 92-110.
Muradoglu, Y. G. & Sivaprasad, S., 2012. Capital structure and abnormal
returns. International Business Review, 21(.), pp. 328-341.
Norden, L. & van Kampen, S., 2013. Corporate leverage and the collateral
channel. Journal of Banking & Finance, Volume 37, pp. 5062-5072.
Oral, M. & Chabchoub, H., 1996. On the methodlogy of the World
Competitiveness Report. European Journal of Operational Research, Issue 90,
pp. 514-535.
Pao, H.-T., 2008. A comparison of neural network and multiple regression
analysis in modeling capital structure. Expert Systems with Applications, 35(.),
pp. 720-727.
Ponomarov, S. Y. & Holcomb, M. C., 2009. Understanding the concept of
supply chain resilience. The International Journal of Logistics Management,
20(1), pp. 124-143.
Porter, M., 1981. The contributions of industrial organization to strategic
management. Academy of Management Review, 6(4), pp. 609-620.
Porter, M. E., 1980. Competitive strategy. 1 ed. New York: The Free Press.
Pratap, S. & Urrutia, C., 2004. Firm dynamics, investment, and debt portfolio:
balance sheet effects of the Meican crisis of 1994. Journal of Development
Economics, Issue 75, pp. 535-563.
Priyanto, S. H., 2006. A structural model of business performance: An empirical
study on Tobacco farmers. Gadjah Mada International Journal of Business,
8(1), pp. 103-134.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 459
Quindós Morán, M. d. P., Rubiera Morollón, F. & Vicente Cuervo, M. R., 2009.
Análisis envolven de datos:Una aplicación al sector de los servicios avanzados
a las empresas del principado de asturias. Burgos, ASEPUMA.
Riley Jr, R. A., Pearson, T. A. & Trompeter, G., 2003. The value relevane of
non-financial performance variables and accounting information:the case of the
airline industry. Journal of Accounting and Public Policy, Volume 22, pp. 231-
254.
Romero-Castro, N. & Piñeiro-Chousa, J., 2006. An integrated framework for the
financial analysis of sustainability. Business Strategy and the Environment,
Issue 15, pp. 322-333.
Rosemblatt, F., 1957. The perceptron: A perceiving and recognicing
automation, New York: Cornell University.
Rosenblatt, F., 1958. The perceptron: A theory of statistical separability in
cognitive systems, s.l.: Cornell Aeronautical Laboratory.
Rumelhart, D., Hinton, G. & Williams, R., 1986. Learning representations by
back-propagating errors. Nature, Issue 323, pp. 533-536.
Rumelhart, D. & McClelland, J., 1982. An interactive activation model of context
effects in letter perception. Psychological Review, 2(89), pp. 60-94.
Schmitt, A. J. & Singh, M., 2012. A quantitative analysis of disruption risk in a
multi-echelon supply chain. International Journal of Production Economics,
Issue 139, pp. 22-32.
Schuermann, T., 2013. Stress testing banks. International Journal of
Forecasting, pp. 123-135.
Sejnowski, T. & Hinton, G., 1986. Separating figure from ground with a
Boltzman machine. Cambridge: MIT-Press Bradford Books.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 460
Sekaran, U. & Bougie, R., 2011. Research methods for business: A skill
building approach. Fifth ed. New Delhi: Wiley-India edition.
Sheikhi, M., Shams, M. F. & Sheikhi, Z., 2012. Financial distress prediction
using distress score as a predictor. International Journal of Business and
Management, 7(1), pp. 169-181.
Shue, L.-Y., Chen, C.-W. & Shiue, W., 2009. The development of an ontology-
based expert system for corporate financial rating. Expert Systems with
Applications, Issue 36, pp. 2130-2142.
Sierra, R., 2007. Tesis doctorales y trabajos de investigacion científica. 5 ed.
Madrid: Thomson.
Society of Automotive Engineers, 2015. International Aerospace Quality Group.
[Online]
Available at: https://www.sae.org/?PORTAL_CODE=IAQG
[Accessed 20 March 2015].
Steinbuch, K. & Piske, U., 1963. Learning matricers and their application. IEEE
Transaction on Electronic Computers, Issue 12, pp. 846-862.
Tang, Y. H. & Ogunlana, S. O., 2003. Modelling the dynamic performance of a
construction organization. Construction Management and Economics, Issue 21,
pp. 127-136.
Teeratansirikool, L., Siengthai, S., Badir, Y. & Charoenngam, C., 2013.
Competitive strategies and firm performance: the mediating role of performance
measurement. Internationl Journal of Productivity and Performance
Management, 62(2), pp. 168-184.
Tehrani, R., Mehragan, M. R. & Golkani, M. R., 2012. A model for evaluating
financial performance of companies by Data Envelopment Analysis.
International Business Reserach, 5(8), pp. 8-16.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 461
The Economist, 2008. Economic Intelligence Unit (India country report
december 2008). [Online]
Available at: www.eiu.com/home.aspx
[Accessed 3 March 2015].
The Economist, 2008. Economist Intelligence Unit (Spain country report
december 2008). [Online]
Available at: www.eiu.com/home.aspx
[Accessed 3 March 2015].
The Economist, 2009. Economist Intelligence Unit (India country report
december 2009). [Online]
Available at: www.eiu.com/home.aspx
[Accessed 3 March 2015].
The Economist, 2009. Economist Intelligence Unit (Spain country report
december 2009). [Online]
Available at: www.eiu.com/home.aspx
[Accessed 3 March 2015].
The Economist, 2010. Economist Intelligence Unit (India country report
december 2010). [Online]
Available at: www.eiu.com/home.aspx
[Accessed 3 March 2015].
The Economist, 2010. Economist Intelligence Unit (Spain country report
december 2010). [Online]
Available at: www.eiu.com/home.aspx
[Accessed 3 March 2015].
The Economist, 2011. Economist Intelligence Unit (India country report
december 2011). [Online]
Available at: www.eiu.com/home.aspx
[Accessed 3 March 2015].
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 462
The Economist, 2011. Economist Intelligence Unit (Spain country report
december 2011). [Online]
Available at: www.eiu.com/home.aspx
[Accessed 3 March 2015].
The Economist, 2012. Economist Ingelligence Unit (Spain country report
december 2012). [Online]
Available at: www.eiu.com/home.aspx
[Accessed 3 March 2015].
The Economist, 2012. Economist Intelligence Unit (India country report
december 2012). [Online]
Available at: www.eiu.com/home.aspx
[Accessed 3 March 2015].
The Economist, 2013. Economist Intelligence Unit (India country report
december 2013). [Online]
Available at: www.eiu.com/home.aspx
[Accessed 3 March 2015].
The Economist, 2013. Economist Intelligence Unit (Spain country report
december 2013). [Online]
Available at: www.eiu.com/home.aspx
[Accessed 3 March 2015].
The World Bank, 2015. World DataBank. [Online]
Available at: http://databank.worldbank.org/data/home.aspx
[Accessed 20 January 2015].
Theodore, C., 2011. The usufuleness of evolutionary early warning indicators
for emerging economies ahead of macroeconomic crises:conventional methods.
Journal of Business, finance & economics in emerging economies, 6(2), pp. 52-
91.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 463
Tomas, I. & Dimitric, M., 2011. Micro and macroeconomic variables in predicting
financiasl distress of companies. Croatia, Faculty of Ecoconomics (University of
Split), pp. 781-802.
Tukey, J. W. & Jones, L. V., 1986. The collected works of John
W.Tukey:Philosophy and principles of data analysis 1949-1964. New York:
Chapman & Hall / CRC.
Türel, A., Türel, A. & Needles, B. E. J., 2012. Financial characteristics of high
performance companies in turkey: a comparative analysis of stable economy in
the financial crisis era. Accounting and Management Information Systems,
11(1), pp. 4-26.
Universidad de Valladolid, 2015. Laboratorio de procesado de imagen. [Online]
Available at:
http://tanis.lpi.tel.uva.es/~nacho/docencia/ing_ond_1/trabajos_04_05/io1/public
_html/oidohumano.htm
[Accessed 20 March 2015].
Uriel Jiménez, E. & Aldás Manzano, J., 2005. Análisis multivariante
aplicado:Aplicaciones al marketing, investigacion de mercados, economía,
dirección de empresas y turismo. Paraninfo ed. Madrid: Thomson.
Utley, A., 1956. Automata studies. New York: Princeton University Press.
Vashisht, P. & Pathak, S., 2009. La crisis económica mundia y la India: Un
análisis, Madrid: Real Instituto Elcano.
Wang, Y. G., Li, Y.-M., Jan, C.-L. & Chang, K.-W., 2013. Evaluating firm
performance with Balanced Scorecard and Data Envlopement Analysis.
WSEAS Transactions on Business & Economics, January, 10(1), pp. 24-39.
Widrow, B., 1959. Adaptative samplet-data systems-a statistical theory of
adaptation. WESCON, Issue 4, pp. 74-85.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 464
Wieland, A. & Wallenburg, C. M., 2013. The influence of relational
comeptencies on supply chain resilience:a relational view. International Journal
of Physical Distribution & Logistics Management, 43(4), pp. 300-320.
World Economic Forum, 2015. World Economic Forum (The Global
competitiveness report 2014-2015). [Online]
Available at: http://reports.weforum.org/global-competitiveness-report-2014-
2015/
[Accessed 20 January 2015].
Yang, Y. & Mallick, S., 2014. Explaining cross-country differences in exporting
performance: The role of country-level macroeconomic environment.
International Business Review, 23(1), pp. 246-259.
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 465
ÍNDICE DE FIGURAS
Figura 1 Cadena de valor del sector aeroespacial......................................................................................................... 23
Figura 2 Cinco fuerzas de Porter en 2013 de la industria aeroespacial global ............................................................... 27
Figura 3 Cinco fuerzas de Porter en 2011 de la industria aeroespacial global ............................................................... 27
Figura 4 Cinco fuerzas de Porter en 2010 de la industria aeroespacial global ............................................................... 28
Figura 5 Cinco fuerzas de Porter en 2013 de la industria aeroespacial en India ............................................................ 29
Figura 6 Cinco fuerzas de Porter en 2011 de la industria aeroespacial en India ............................................................ 29
Figura 7 Cinco fuerzas de Porter en 2010 de la industria aeroespacial en India ............................................................ 30
Figura 8 Cinco fuerzas de Porter en 2013 de la industria aeroespacial en España ....................................................... 32
Figura 9 Cinco fuerzas de Porter en 2011 de la industria aeroespacial en España ....................................................... 32
Figura 10 Cinco fuerzas de Porter en 2010 de la industria aeroespacial en España ..................................................... 33
Figura 11 Poder negociador de los compradores en 2013 de la industria aeroespacial global ...................................... 35
Figura 12 Poder negociador de los compradores en 2011 de la industria aeroespacial global ...................................... 35
Figura 13 Poder negociador de los compradores en 2010 de la industria aeroespacial global ...................................... 36
Figura 14 Poder negociador de los compradores en 2013 de la industria aeroespacial en India ................................... 37
Figura 15 Poder negociador de los compradores en 2011 de la industria aeroespacial en India ................................... 38
Figura 16 Poder negociador de los compradores en 2010 de la industria aeroespacial en India ................................... 38
Figura 17 Poder negociador de compradores en 2013 de la industria aeroespacial en España .................................... 39
Figura 18 Poder negociador de compradores en 2011 de la industria aeroespacial en España .................................... 39
Figura 19 Poder negociador de compradores en 2010 de la industria aeroespacial en España .................................... 40
Figura 20 Poder negociador de los proveedores en 2013 de la industria aeroespacial global ....................................... 42
Figura 21 Poder negociador de los proveedores en 2011 de la industria aeroespacial global ....................................... 42
Figura 22 Poder negociador de los proveedores en 2010 de la industria aeroespacial global ....................................... 43
Figura 23 Poder negociador de los proveedores en 2013 de la industria aeroespacial en India .................................... 44
Figura 24 Poder negociador de los proveedores en 2011 de la industria aeroespacial en India .................................... 44
Figura 25 Poder negociador de los proveedores en 2010 de la industria aeroespacial en India .................................... 45
Figura 26 Poder negociador de los proveedores en 2013 de la industria aeroespacial en España ................................ 45
Figura 27 Poder negociador de los proveedores en 2011 de la industria aeroespacial en España ................................ 46
Figura 28 Poder negociador de los vendedores en 2010 de la industria aeroespacial en España ................................. 46
Figura 29 Grado de rivalidad de empresas existentes en 2013 de la industria aeroespacial global ............................... 49
Figura 30 Grado de rivalidad de empresas existentes en 2011 de la industria aeroespacial global ............................... 49
Figura 31 Grado de rivalidad de empresas existentes en 2010 de la industria aeroespacial global ............................... 50
Figura 32 Grado de rivalidad de empresas existentes en 2013 de la industria aeroespacial en India ............................ 51
Figura 33 Grado de rivalidad de empresas existentes en 2011 de la industria aeroespacial en India ............................ 52
Figura 34 Grado de rivalidad de empresas existentes en 2010 de la industria aeroespacial en India ............................ 52
Figura 35 Grado de rivalidad de empresas existentes en 2013 de la industria aeroespacial en España ........................ 53
Figura 36 Grado de rivalidad de empresas existentes en 2011 de la industria aeroespacial en España ........................ 53
Figura 37 Grado de rivalidad de empresas existentes en 2010 de la industria aeroespacial en España ........................ 54
Figura 38 Amenaza de entrada de nuevos competidores en 2013 de la industria aeroespacial global .......................... 56
Figura 39 Amenaza de entrada de nuevos competidores en 2011 de la industria aeroespacial global .......................... 56
Figura 40 Amenaza de entrada de nuevos competidores en 2010 de la industria aeroespacial global .......................... 57
Figura 41 Amenaza de entrada de nuevos competidores en 2013 de la industria aeroespacial en India ....................... 58
Figura 42 Amenaza de entrada de nuevos competidores en 2011 de la industria aeroespacial en India ....................... 58
Figura 43 Amenaza de entrada de nuevos competidores en 2010 de la industria aeroespacial en India ....................... 59
Figura 44 Amenaza de entrada de nuevos competidores en 2013 de la industria aeroespacial en España................... 59
Figura 45 Amenaza de entrada de nuevos competidores en 2011 de la industria aeroespacial en España................... 60
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 466
Figura 46 Amenaza de entrada de nuevos competidores en 2010 de la industria aeroespacial en España................... 60
Figura 47 Amenaza de productos sustitutivos en 2013 de la industria aeroespacial global ........................................... 61
Figura 48 Amenaza de productos sustitutivos en 2011 de la industria aeroespacial global ........................................... 62
Figura 49 Amenaza de productos sustitutivos en 2010 de la industria aeroespacial global ........................................... 62
Figura 50 Amenaza de productos sustitutivos en 2013 de la industria aeroespacial en India ........................................ 63
Figura 51 Amenaza de productos sustitutivos en 2011 de la industria aeroespacial en India ........................................ 64
Figura 52 Amenaza de productos sustitutivos en 2010 de la industria aeroespacial en India ........................................ 64
Figura 53 Amenaza de productos sustitutivos en 2013 de la industria aeroespacial en España .................................... 65
Figura 54 Amenaza de productos sustitutivos en 2011 de la industria aeroespacial en España .................................... 65
Figura 55 Amenaza de productos sustitutivos en 2010 de la industria aeroespacial en España .................................... 66
Figura 56 Tipos de hipótesis existentes en una investigación ....................................................................................... 73
Figura 57 Elementos para el diseño de una investigación ............................................................................................. 80
Figura 58 Línea de investigación de la tesis doctoral y segmentación en objetivos ....................................................... 83
Figura 59 Ejemplo de rotación ortogonal de factores .................................................................................................. 101
Figura 60 Representación de una neurona biológica .................................................................................................. 121
Figura 61 Esquema de funcionamiento de una neurona artificial................................................................................. 124
Figura 62 Esquema de funcionamiento de una red de neuronas artificial de tipo MLP ................................................ 125
Figura 63 Esquema de una red neuronal artificial equivalente a una MLP de una capa oculta .................................... 126
Figura 64 Esquema de aprendizaje de una red neuronal supervisado ........................................................................ 128
Figura 65 Esquema de aprendizaje de una red neuronal no supervisado ................................................................... 129
Figura 66 Esquema de funcionamiento de la célula de McCulloch-Pitts ...................................................................... 132
Figura 67 Esquema de funcionamiento de perceptrón ................................................................................................ 133
Figura 68 Esquema de la arquitectura de un perceptrón multicapa ............................................................................. 135
Figura 69 Funciones de activación sigmoidal e hiperbólica ......................................................................................... 139
Figura 70 Función de activación escalón entre [-1,1] .................................................................................................. 140
Figura 71 Función de activación escalón entre [0,1] .................................................................................................... 141
Figura 72 Función de activación identidad .................................................................................................................. 141
Figura 73 Variables de medición del efecto de la empresa del modelo ....................................................................... 162
Figura 74 Variables de medición de la estructura de activos del modelo ..................................................................... 170
Figura 75 Variables de medición de la estructura de capital del modelo ...................................................................... 176
Figura 76 Variables de medición de la estructura de liquidez del modelo .................................................................... 182
Figura 77 Variables de medición del rendimiento de la empresa de Tehrani, et al. (2012) .......................................... 197
Figura 78 Variables de medición del rendimiento de la empresa de Romero-Castro y Piñero-Chousa (2006) ............. 199
Figura 79 Variables que más afectan al ROA según Delen, et al. (2013) .................................................................... 207
Figura 80 Variables que más afectan al ROA según Delen, et al. (2013) .................................................................... 208
Figura 81 Variables de medición del rendimiento de la empresa del modelo............................................................... 218
Figura 82 Variables de medición del efecto de la industria que podrían incorporarse al modelo ................................. 222
Figura 83 Distribución de estudios que identifican varios indicadores macroeconómicos como significativos ............. 230
Figura 84 Variables de medición del efecto del país que podrían incorporarse al modelo ........................................... 232
Figura 85 Interfaz gráfica de la base de datos OASIS ................................................................................................. 244
Figura 86 Búsqueda de empresas en OASIS para India ............................................................................................. 244
Figura 87 Búsqueda de empresas en OASIS para España ......................................................................................... 245
Figura 88 Proceso de obtención de la muestra ........................................................................................................... 246
Figura 89 Interfaz gráfica de la base de datos SABI .................................................................................................... 247
Figura 90 Interfaz gráfica de la base de datos PROWESS .......................................................................................... 248
Figura 91 Distribución de valores perdidos (variables, casos, valores) en España ...................................................... 252
Figura 92 Patrones de los valores perdidos en España ............................................................................................... 253
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 467
Figura 93 Histograma de valores perdidos en España ................................................................................................ 253
Figura 94 Distribución de valores perdidos (Variables, casos, valores) en India .......................................................... 259
Figura 95 Patrones de los valores perdidos en India ................................................................................................... 259
Figura 96 Histograma de los valores perdidos en India ............................................................................................... 260
Figura 97 Gráfico de sedimentación de la extracción de componentes de España en 2008 ........................................ 276
Figura 98 Gráfico de sedimentación de la extracción de las componentes de España en 2009 .................................. 282
Figura 99 Gráfico de sedimentación de la extracción de los componentes de España en 2010 .................................. 288
Figura 100 Gráfico de sedimentación de la extracción de los componentes de España en 2011 ................................ 294
Figura 101 Gráfico de sedimentación de la extracción de los componentes de España en 2012 ................................ 300
Figura 102 Gráfico de sedimentación de la extracción de los componentes de España en 2013 ................................ 306
Figura 103 Gráfico de sedimentación de la extracción de los componentes de India en 2008 ..................................... 314
Figura 104 Gráfico de sedimentación de la extracción de los componentes de India en 2009 ..................................... 320
Figura 105 Gráfico de sedimentación de la extracción de los componentes de India en 2010 ..................................... 327
Figura 106 Gráfico de sedimentación de la extracción de los componentes de India en 2011 ..................................... 334
Figura 107 Gráfico de sedimentación de la extracción de los componentes de India en 2012 ..................................... 340
Figura 108 Gráfico de sedimentación de la extracción de los componentes ................................................................ 347
Figura 109 Clasificación de las empresas aeroespaciales en función de los eslabones de la cadena de valor ........... 351
Figura 110 Histograma de “Company age” para la industria y las empresas más eficientes ........................................ 371
Figura 111 Histograma de “Company size” para la industria y las empresas más eficientes ....................................... 372
Figura 112 Histograma de “Infrastructure & Resource intensity” para la industria y las empresas más eficientes ........ 373
Figura 113 Histograma de “Asset intensity” para la industria y las empresas más eficientes ....................................... 374
Figura 114 Histograma de “Asset turnover rate” para la industria y las empresas más eficientes ................................ 375
Figura 115 Histograma de “Current assets turnover rate” para la industria y las empresas más eficientes .................. 376
Figura 116 Histograma de “Debt-to-equity ratio” para la industria y las empresas más eficientes ................................ 377
Figura 117 Histograma de “Leverage” para la industria y las empresas más eficientes ............................................... 378
Figura 118 Histograma de “Debt intensity” para la industria y las empresas más eficientes ........................................ 379
Figura 119 Histograma de “Coverage ratio” para la industria y las empresas más eficientes ...................................... 380
Figura 120 Histograma de “Current ratio” para la industria y las empresas más eficientes .......................................... 381
Figura 121 Histograma de “ROE” para la industria y las empresas más eficientes ...................................................... 382
Figura 122 Histograma de “ROCE” para la industria y las empresas más eficientes ................................................... 383
Figura 123 Histograma de “ROS” para la industria y las empresas más eficientes ...................................................... 384
Figura 124 Histograma de “Company efficiency” para la industria y las empresas más eficientes ............................... 385
Figura 125 Resolución de la red neuronal artificial para España ................................................................................. 389
Figura 126 Modelo de la red neuronal artificial para España ....................................................................................... 390
Figura 127 Ajuste de la red neuronal durante la fase aprendizaje en España ............................................................. 392
Figura 128 Convergencia del error de aprendizaje de la red neuronal en España ....................................................... 393
Figura 129 Evolución de la red neuronal durante el aprendizaje en España................................................................ 393
Figura 130 Histograma del error de aprendizaje de la red neuronal en España .......................................................... 394
Figura 131 Ajuste de la predicción de los datos de validación del modelo RNA en España......................................... 395
Figura 132 Resolución de la red neuronal artificial para India ..................................................................................... 396
Figura 133 Modelo de la red neuronal artificial para India ........................................................................................... 396
Figura 134 Evolución de la red neuronal durante el aprendizaje en India .................................................................... 399
Figura 135 Convergencia del error de aprendizaje de la red neuronal en India ........................................................... 400
Figura 136 Evolución de la red neuronal durante el aprendizaje en India .................................................................... 400
Figura 137 Histograma del error de aprendizaje de la red neuronal en India ............................................................... 401
Figura 138 Ajuste de la predicción de los datos de validación del modelo RNA en India ............................................. 402
Figura 139 Clasificación del objetivo de tesis y las siguientes fases de la línea de investigación ................................ 442
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 468
Figura 140 Propuesta de las dimensiones de la resiliencia empresarial ...................................................................... 445
Figura 141 Propuesta de la medición de la resiliencia de una variable ........................................................................ 445
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 469
ÍNDICE DE TABLAS
Tabla 1 Magnitudes macroeconómicas en España durante 2008-3013 ......................................................................... 19
Tabla 2 Magnitudes macroeconómicas en India durante 2008-2013 ............................................................................. 20
Tabla 3 Evolución del sector aeroespacial en España e India entre 2008-2013 ............................................................ 25
Tabla 4 Previsión del crecimiento del sector aeroespacial en España e India entre 2008-2013 .................................... 25
Tabla 5 Evolución del sector civil y de defensa en España, India y Global entre 2008-2013 ......................................... 26
Tabla 6 Tipos y características de los objetivos de una investigación........................................................................... 82
Tabla 7 Restricciones en la aplicación del análisis DEA .............................................................................................. 117
Tabla 8 Variables de medición del efecto de la empresa de Kayo y Kimura (2011) ..................................................... 153
Tabla 9 Variables de medición del efecto de la empresa de Muradoglu y Sivaprasad (2012) ...................................... 154
Tabla 10 Variables de medición del efecto de la empresa de King y Santor (2008) ..................................................... 154
Tabla 11 Variables de medición del efecto de la empresa de Margaritis y Psillaki (2010) ............................................ 155
Tabla 12 Variables de medición del efecto de la empresa de Campello (2006) ........................................................... 155
Tabla 13 Variables de medición del efecto de la empresa de Caloghirou, et al. (2004) ............................................... 157
Tabla 14 Variables de medición del efecto de la empresa de Munisi y Randoy (2013) ................................................ 157
Tabla 15 Variables de medición del efecto de la empresa de Morgan, et al. (2009) .................................................... 158
Tabla 16 Variables de medición del efecto de la empresa de Madrid-Guijarro, et al. (2011) ........................................ 158
Tabla 17 Variables de medición el efecto de la empresa de Wang, et al. (2013) ......................................................... 159
Tabla 18 Variables de medición del efecto de la empresa de Liargovas y Skandalis (2010)........................................ 159
Tabla 19 Variables de medición del efecto de la empresa de Delen, et al. (2013) ....................................................... 159
Tabla 20 Variable de medición del efecto de la empresa de Mallick y Yang (2011) ..................................................... 160
Tabla 21 Variables de medición del efecto de la empresa de Krishnan y Moyer (1997) .............................................. 160
Tabla 22 Variables de medición de la estructura de activos de Hofmann y Lampe (2013) .......................................... 165
Tabla 23 Variables de medición de la estructura de activos de DeAngelo, et al. (2002) .............................................. 166
Tabla 24 Variables de medición de la estructura de activos de Norden y van Kampen (2013) .................................... 166
Tabla 25 Variables de medición de la estructura de activos de Glantz y Mun (2011) .................................................. 167
Tabla 26 Variables de medición de la estructura de activos de Etter, et al. (2006) ...................................................... 168
Tabla 27 Variables de medición de la estructura de activos de Longinidis y Georgiadis (2011) ................................... 168
Tabla 28 Variables de medición de la estructura de activos de Kopaneli (2014) ......................................................... 169
Tabla 29 Variables de medición de la estructura de activos de Kopaneli (2014) ......................................................... 170
Tabla 30 Variables de medición de la estructura de capital de Hofmann y Lampe (2013) ........................................... 171
Tabla 31 Variables de medición de la estructura de capital de Kayo y Kimura (2011) ................................................. 172
Tabla 32 Variables de medición de la estructura de capital de Pao (2008) .................................................................. 172
Tabla 33 Variables de medición de la estructura de capital de Fernandes y Pires-Capobianco (2001)........................ 172
Tabla 34 Variables de medición de la estructura de capital de Guzhva y Pagiavlas (2003) ......................................... 173
Tabla 35 Variables de medición de la estructura de capital de King y Santor (2008) ................................................... 173
Tabla 36 Variables de medición de la estructura de capital de Gleason, et al. (2000) ................................................. 174
Tabla 37 Variables de medición de la estructura de capital de Bhagat y Boltron (2008) .............................................. 174
Tabla 38 Variables de medición de la estructura de capital de Campello (2006) ......................................................... 174
Tabla 39 Variables de medición de la estructura de capital de Mallick y Yang (2011) ................................................. 175
Tabla 40 Variables de medición de la estructura de liquidez de Hofmann y Lampe (2013) ......................................... 177
Tabla 41 Variables de medición de la estructura de liquidez de Glantz y Mun (2011) ................................................. 177
Tabla 42 Variables de medición de la estructura de liquidez de Hong, et al. (2014) .................................................... 178
Tabla 43 Variables de medición de la estructura de liquidez de Etter, et al. (2006) ..................................................... 178
Tabla 44 Variables de medición de la estructura de liquidez de Lee y Chih (2013) ..................................................... 179
Tabla 45 Variables de medición de la estructura de liquidez de Longinidis y Georgiadis (2011) .................................. 179
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 470
Tabla 46 Variables de medición de la estructura de liquidez de Forbes (2004) ........................................................... 180
Tabla 47 Variables de medición de la estructura de liquidez de Kopaneli (2014) ........................................................ 180
Tabla 48 Variables de medición de la estructura de liquidez de Dadenas y Garsva (2015) ......................................... 181
Tabla 49 Variables de medición de la estructura de liquidez de Damodaran’s (2013) ................................................. 181
Tabla 50 Variables de medición del rendimiento de la emprea de Düzakin y Düzakin (2007) ...................................... 183
Tabla 51 Variables de medición del rendimiento de la empresa de Kolasa, et al. (2010) ............................................. 184
Tabla 52 Variables de medición del rendimiento de la empresa de Shue, et al. (2009) ............................................... 188
Tabla 53 Variables de medición del rendimiento de la empresa de Cohn, et al. (2014) ............................................... 189
Tabla 54 Variables de medición del rendimiento de la empresa de Little, et al. (2011) ................................................ 190
Tabla 55 Variables de medición del rendimiento de la empresa de Morgan et al. (2009) ............................................ 191
Tabla 56 Variables de medición del rendimiento de la empresa de Dvoracek, et al. (2008)......................................... 192
Tabla 57 Variables de medición del rendimiento de la empresa de Andreev (2005) .................................................... 192
Tabla 58 Variables de medición del rendimiento de la empresa de Ciampi y Gordini (2008) ....................................... 193
Tabla 59 Variables de medición del rendimiento de la empresa de Appiah y Abor (2009) ........................................... 193
Tabla 60 Variables de medición del rendimiento de la empresa de Tang y Ogunlana (2003) ...................................... 194
Tabla 61 Variables de medición del rendimiento de la empresa de Bhunia, et al. (2011) ............................................ 195
Tabla 62 Variables de medición del rendimiento de la empresa de Tehrani, et al. (2012) ........................................... 196
Tabla 63 Variables de medición del rendimiento de la empresa de Priyanto (2006) .................................................... 197
Tabla 64 Variables del rendimiento de la empresa de Madrid-Guijarro, et al. 2011 ..................................................... 198
Tabla 65 Variables de medición del rendimiento de la empresa de Chen (2011)......................................................... 200
Tabla 66 Variables de medición del rendimiento de la empresa de Teeratansirikool, et al. (2013) .............................. 201
Tabla 67 Variables de medición del rendimiento de la empresa de Wang (2013) ........................................................ 202
Tabla 68 Variables de medición del rendimiento de la empresa de Liargovas y Skandalis (2010) ............................... 203
Tabla 69 Variables de medición del rendimiento de la empresa de Burja (2011) ......................................................... 203
Tabla 70 Variables de medición del rendimiento de la empresa de Türel, et al. (2012) ............................................... 204
Tabla 71 Variables de medición del rendimiento de la empresa de Sheikhi, et al. (2012) ............................................ 205
Tabla 72 Variables de medición del rendimiento de la empresa de Delen,et al. (2013) ............................................... 206
Tabla 73 Variables de medición del rendimiento de la emprea de Arinovic-Barac (2011) ............................................ 209
Tabla 74 Variables de medición del rendimiento de la empresa de Mallick y Yang (2011) .......................................... 210
Tabla 75 Variables de medición del rendimiento de la empresa de Hofmann y Lampe (2013) .................................... 211
Tabla 76 Variables de medición del rendimiento de la empresa de Berger y Bonaccorsi (2006) ................................. 211
Tabla 77 Variables de medición del rendimiento de la empresa de Krishnan y Moyer (1997) ...................................... 212
Tabla 78 Variables de medición del rendimiento de la empresa de Muradoglu y Sivaprasad (2012) ........................... 212
Tabla 79 Variables de medición del rendimiento de la empresa de Fernandes y Pires-Capobianco (2001)................. 213
Tabla 80 Variables de medición del rendimiento de la empresa de Guzhva y Pagiavlas (2003) .................................. 213
Tabla 81 Variables de medición del rendimiento de la empresa de King y Santor (2008) ............................................ 214
Tabla 82 Variables de medición del rendimiento de la empresa de Gleason, et al. (2000) .......................................... 214
Tabla 83 Variables de medición del rendimiento de la empresa de Bhagat y Boltron (2008) ....................................... 215
Tabla 84 Variables de medición del rendimiento de la empresa de Campello (2006) .................................................. 215
Tabla 85 Variables de medición del rendimiento de la empresa de Molina-Azorín, et al. (2010) .................................. 216
Tabla 86 Variables de medición del rendimiento de la empresa de Caloghirou, et al. (2004) ...................................... 216
Tabla 87 Variables de medición del rendimiento de la empresa de Hawawini, et al. (2004) ........................................ 217
Tabla 88 Variables de medición del rendimiento de la empresa de Munisi y Randoy (2013) ....................................... 217
Tabla 89 Variables de medición del efecto de la industria de Kayo y Kimura (2011) ................................................... 220
Tabla 90 Variables de medición del efecto de la industria de Muradoglu y Sivaprasad (2012) .................................... 221
Tabla 91 Variables de medición del efecto de la industria de Caloghirou, et al. (2004)................................................ 221
Tabla 92 Variables de medición del efecto de la industria de Gülnur y Sivaprasad (2012) .......................................... 222
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 471
Tabla 93 Variables de medición del efecto del país de Mangir y Erdogan (2011) ........................................................ 224
Tabla 94 Variables de medición del efecto del país de Matysek-Jedrych (2012) ......................................................... 225
Tabla 95 Variables de medición del efecto del país de Theodore (2011) ..................................................................... 226
Tabla 96 Variables de medición del efecto del país de Kayo y Kimura (2011) ............................................................. 231
Tabla 97 Variables de medición del efecto del país de Guzhva y Pagiavlas (2003) ..................................................... 232
Tabla 98 Variables del modelo completo ..................................................................................................................... 234
Tabla 99 Distribución de la muestra entre 2008-2013 ................................................................................................. 248
Tabla 100 Distribución de valores perdidos en España ............................................................................................... 251
Tabla 101 Medias marginales estimadas con valores perdidos en España ................................................................. 252
Tabla 102 Imputación múltiple de las variables con valores perdidos en España ........................................................ 256
Tabla 103 Distribución de valores perdidos en India ................................................................................................... 257
Tabla 104 Medias marginales estimadas con valores perdidos en India ..................................................................... 258
Tabla 105 Imputación múltiple de las variables con valores perdidos en India ............................................................ 265
Tabla 106 Límite inferior y superior de las variables en la detección de casos atípicos en España ............................. 267
Tabla 107 Límite inferior y superior de las variables en la detección de casos atípicos en India ................................. 268
Tabla 108 Distribución de muestra sin casos atípicos entre 2008-2013 ...................................................................... 269
Tabla 109 Estadísticos descriptivos de las variables de España en 2008 ................................................................... 272
Tabla 110 Prueba de KMO y Bartlett de España en 2008 ........................................................................................... 273
Tabla 111 Comunalidades de las variables de España en 2008 ................................................................................. 274
Tabla 112 Autovalores y varianza total explicada de los componentes de España en 2008 ........................................ 275
Tabla 113 Matriz de componentes originales de España en 2008 ............................................................................... 277
Tabla 114 Matriz de componentes rotados de España en 2008 .................................................................................. 278
Tabla 115 Estadísticos descriptivos de las variables de España en 2009 ................................................................... 279
Tabla 116 Prueba de KMO y de Bartlett de España en 2009 ...................................................................................... 280
Tabla 117 Comunalidades de las variables de España en 2009 ................................................................................. 280
Tabla 118 Autovalores y varianza total explicada de las componentes de España en 2009 ........................................ 281
Tabla 119 Matriz de componentes originales de España en 2009 ............................................................................... 283
Tabla 120 Matriz de componentes rotados de España en 2009 .................................................................................. 284
Tabla 121 Estadísticos descriptivos de las variables de España en 2010 ................................................................... 285
Tabla 122 Prueba de KMO y Bartlett de España en 2010 ........................................................................................... 286
Tabla 123 Comunalidades de las variables de España en 2010 ................................................................................. 286
Tabla 124 Autovalores y varianza total explicada de los componentes de España en 2010 ........................................ 287
Tabla 125 Matriz de componentes originales de España en 2010 ............................................................................... 289
Tabla 126 Matriz de componentes rotados de España en 2010 .................................................................................. 290
Tabla 127 Estadísticos descriptivos de las variables de España en 2011 ................................................................... 291
Tabla 128 Prueba de KMO y Bartlett de España en 2011 ........................................................................................... 292
Tabla 129 Comunalidades de las variables de España en 2011 ................................................................................. 292
Tabla 130 Autovalores y varianza total explicada de los componentes de España en 2011 ........................................ 293
Tabla 131 Matriz de componentes originales de España en 2011 ............................................................................... 295
Tabla 132 Matriz de componentes rotados de España en 2011 .................................................................................. 296
Tabla 133 Estadísticos descriptivos de las variables de España en 2012 ................................................................... 297
Tabla 134 Prueba de KMO y Bartlett de España en 2012 ........................................................................................... 298
Tabla 135 Comunalidades de las variables de España en 2012 ................................................................................. 298
Tabla 136 Autovalores y varianza total explicada de los componentes de España en 2012 ........................................ 299
Tabla 137 Matriz de componentes originales de España en 2012 ............................................................................... 301
Tabla 138 Matriz de componentes rotados de España en 2012 .................................................................................. 302
Tabla 139 Estadísticos descriptivos de las variables de España en 2013 ................................................................... 303
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 472
Tabla 140 Prueba de KMO y Bartlett de España en 2013 ........................................................................................... 304
Tabla 141 Comunalidades de las variables de España en 2013 ................................................................................. 304
Tabla 142 Autovalores y varianza total explicada de los componentes de España en 2013 ........................................ 305
Tabla 143 Matriz de componentes originales de España de 2013 ............................................................................... 307
Tabla 144 Matriz de componentes rotados de España en 2013 .................................................................................. 308
Tabla 145 Análisis longitudinal de los componentes en España entre 2008-2013 ....................................................... 309
Tabla 146 Estadísticos descriptivos de las variables de India en 2008 ........................................................................ 310
Tabla 147 Prueba de KMO y Bartlett de India en 2008................................................................................................ 311
Tabla 148 Comunalidades de las variables de India en 2008 ...................................................................................... 312
Tabla 149 Autovalores y varianza total explicada de los componentes de India en 2008 ............................................ 313
Tabla 150 Matriz de componentes originales de India en 2008 ................................................................................... 315
Tabla 151 Matriz de componentes rotados de India de 2008 ...................................................................................... 316
Tabla 152 Estadísticos descriptivos de las varianzas de India en 2009 ....................................................................... 317
Tabla 153 Prueba de KMO y Bartlett de India en 2009................................................................................................ 318
Tabla 154 Comunalidades de las variables de India en 2009 ...................................................................................... 318
Tabla 155 Autovalores y varianza total explicada de los componentes de India en 2009 ............................................ 319
Tabla 156 Matriz de componentes originales de India en 2009 ................................................................................... 321
Tabla 157 Matriz de componentes rotados de India en 2009 ...................................................................................... 322
Tabla 158 Estadísticos descriptivos de las variables de India en 2010 ........................................................................ 323
Tabla 159 Prueba de KMO y Bartlett de India en 2010................................................................................................ 324
Tabla 160 Comunalidades de las variables de India en 2010 ...................................................................................... 325
Tabla 161 Autovalores y varianza total explicada de los componentes de India en 2010 ............................................ 326
Tabla 162 Matriz de componentes originales de India en 2010 ................................................................................... 328
Tabla 163 Matriz de componentes rotados de India en 2010 ...................................................................................... 329
Tabla 164 Estadísticos descriptivos de las variables de India en 2011 ........................................................................ 330
Tabla 165 Prueba de KMO y Bartlett de India de 2011................................................................................................ 331
Tabla 166 Comunalidades de las variables de India en 2011 ...................................................................................... 332
Tabla 167 Autovalores y varianza total explicada de los componentes de India en 2011 ............................................ 333
Tabla 168 Matriz de componentes originales de India de 2011 ................................................................................... 335
Tabla 169 Matriz de componentes rotados de India en 2011 ...................................................................................... 336
Tabla 170 Estadísticos descriptivos de las variables de India en 2012 ........................................................................ 337
Tabla 171 Prueba de KMO y Bartlett de India en 2012................................................................................................ 338
Tabla 172 Comunalidades de las variables de India en 2012 ...................................................................................... 338
Tabla 173 Autovalores y varianza total explicada de los componentes de India en 2012 ............................................ 339
Tabla 174 Matriz de componentes originales de India en 2012 ................................................................................... 341
Tabla 175 Matriz de componentes rotados de India en 2012 ...................................................................................... 342
Tabla 176 Estadísticos descriptivos de las variables de India en 2013 ........................................................................ 343
Tabla 177 Prueba de KMO y Bartlett de India de 2013................................................................................................ 344
Tabla 178 Comunalidades de las variables de India en 2013 ...................................................................................... 345
Tabla 179 Autovalores y varianza total explicada de los componente de India en 2013 .............................................. 346
Tabla 180 Matriz de componentes originales de India en 2013 ................................................................................... 348
Tabla 181 Matriz de componentes rotados de India en 2013 ...................................................................................... 349
Tabla 182 Análisis longitudinal de los componentes en India entre 2008-2013 ........................................................... 350
Tabla 183 Distribución de empresas aeroespaciales por eslabones, años y país entre 2008-2013 ............................. 352
Tabla 184 Análisis longitudinal de “Company age” segmentado por eslabones de la cadena de valor ........................ 354
Tabla 185 Análisis longitudinal de “Company size” segmentado por eslabones de la cadena de valor........................ 355
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 473
Tabla 186 Análisis longitudinal de “Infrastructure and resource intensity” segmentado por eslabones de la cadena de
valor ............................................................................................................................................................................ 356
Tabla 187 Análisis longitudinal de “Asset intensity” segmentado por eslabones de la cadena de valor ....................... 357
Tabla 188 Análisis longitudinal de “Asset turnover rate” segmentado por eslabones de la cadena de valor ................ 358
Tabla 189 Análisis longitudinal de “Current Assets turnover rate” segmentado por eslabones de la cadena de valor .. 359
Tabla 190 Análisis longitudinal de “Debt-to-equity ratio” segmentado por eslabones de la cadena de valor ................ 360
Tabla 191 Análisis longitudinal de “Leverage” segmentado por eslabones de la cadena de valor ............................... 361
Tabla 192 Análisis longitudinal de “Debt intensity” segmentado por eslabones de la cadena de valor......................... 362
Tabla 193 Análisis longitudinal de “Coverage ratio” segmentado por eslabones de la cadena de valor ....................... 363
Tabla 194 Análisis longitudinal de “Current ratio” segmentado por eslabones de la cadena de valor .......................... 364
Tabla 195 Análisis longitudinal de “ROE” segmentado por eslabones de la cadena de valor ...................................... 365
Tabla 196 Análisis longitudinal de “ROCE” segmentado por eslabones de la cadena de valor .................................... 366
Tabla 197 Análisis longitudinal de “ROS” segmentado por eslabones de la cadena de valor ...................................... 367
Tabla 198 Análisis longitudinal de “Company efficiency” segmentado por eslabones de la cadena de valor ............... 368
Tabla 199 Análisis longitudinal de los factores del modelo .......................................................................................... 369
Tabla 200 Análisis comparativo longitudinal de “Company age” entre la industria y las empresas más eficientes ....... 371
Tabla 201 Análisis comparativo longitudinal de “Company size” entre la industria y las empresas más eficientes ...... 372
Tabla 202 Análisis comparativo longitudinal de “Infrastructure & Resource intensity” entre la industria y las empresas
más eficientes ............................................................................................................................................................. 373
Tabla 203 Análisis comparativo longitudinal de “Asset intensity” entre la industria y las empresas más eficientes ...... 374
Tabla 204 Análisis comparativo longitudinal de “Asset turnover rate” entre la industria y las empresas más eficientes 375
Tabla 205 Análisis comparativo longitudinal de “Current assets turnover rate” entre la industria y las empresas más
eficientes .................................................................................................................................................................... 376
Tabla 206 Análisis comparativo longitudinal de “Debt-to-equity ratio” entre la industria y las empresas más eficientes377
Tabla 207 Análisis comparativo longitudinal de “Leverage” entre la industria y las empresas más eficientes .............. 378
Tabla 208 Análisis comparativo longitudinal de “Debt intensity” entre la industria y las empresas más eficientes ....... 379
Tabla 209 Análisis comparativo longitudinal de “Coverage ratio” entre la industria y las empresas más eficientes ...... 380
Tabla 210 Análisis comparativo longitudinal de “Current ratio” entre la industria y las empresas más eficientes ......... 381
Tabla 211 Análisis comparativo longitudinal de “ROE” entre la industria y las empresas más eficientes ..................... 382
Tabla 212 Análisis comparativo longitudinal de “ROCE” entre la industria y las empresas más eficientes................... 383
Tabla 213 Análisis comparativo longitudinal de “ROS” entre la industria y las empresas más eficientes ..................... 384
Tabla 214 Análisis comparativo longitudinal de “Company efficiency” entre la industria y las empresas más eficientes
................................................................................................................................................................................... 385
Tabla 215 Análisis longitudinal en España para falsar la H1 ........................................................................................ 405
Tabla 216 Análisis longitudinal en India para falsar la H1 ............................................................................................ 406
Tabla 217 Análisis longitudinal en España para falsar la H2 ........................................................................................ 406
Tabla 218 Análisis longitudinal en India para falsar la H4 ............................................................................................ 408
Tabla 219 Análisis longitudinal en India para falsar la H6 ............................................................................................ 409
Tabla 220 Análisis longitudinal de “Company size” entre las empresas más eficientes y la industria en India y España
................................................................................................................................................................................... 436
Tabla 221 Análisis longitudinal de “Asset intensity” entre las empresas más eficientes y la industria en India y España
................................................................................................................................................................................... 437
Tabla 222 Análisis longitudinal de “Debt-to-equity-ratio” entre las empresas más eficientes y la industria en India y
España ....................................................................................................................................................................... 437
Tabla 223 Análisis longitudinal de “ROE-ROCE-ROS” entre las empresas más eficientes y la industria en India y
España ....................................................................................................................................................................... 438
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 474
Tabla 224 Análisis longitudinal de “Company efficiency” entre las empresas más eficientes y la industria en India y
España ....................................................................................................................................................................... 438
Tabla 225 Número de empresas del sector aeroespacial en países BRICS y PIGS .................................................... 443
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 475
ANEXOS
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 476
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 477
ANEXO I CÓDIGO MATLAB PARA DEA
%% Model selection;
model='CCR'; % Choice of model nodel= 'add' for additive, 'BCC' or 'CCR' ;
orientation='oo'; % orientation = 'io' or 'oo' (for input or output oriented) ;
epsilon=.001; % epsilon (non archimedian number for the BCC & CCR models) ; ;
%% Enters the inputs and outputs of all DMUs ;
% Alternatively, use the "putmatrix" function in Excel to generate X and Y;
% Input matrix (one row per DMU);
X = [];
% Output matrix (one row per DMU);
Y = [];
% extracts the number of DMUs represented by n, inputs as m and outputs as s;
[n,m] = size(X);
[n,s] = size(Y);
%% Computes the results from the selected model;
% The results from the selected model are in matrix Z;
switch model
% Additive model;
case ('add')
Z = zeros(n,n+m+s);
f = [zeros(1,n) -ones(1,s+m)] % Objective function of the additive model: min(-1*s-1*s-);
lblambda = zeros(n,1); % Lower bounds for (n) lambdas;
lboutput = zeros(s,1); % Lower bounds for (s) outputs;
lbinput = zeros(m,1); % Lower bounds for (m) inputs ;
lb = [lblambda; lboutput; lbinput]; % Lower bounds for lambdas, outputs (s+) and inputs (s-);
for j=1:n
Aeq = [Y', -eye(s,s), zeros(s,m);
-X', zeros(m,s), -eye(m,m);
ones(1,n), zeros(1,s+m)];
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 478
beq = [Y(j,:)';-X(j,:)';1];
z = linprog(f,[],[],Aeq,beq,lb);
Z(j,:) = z;
end
Z
% BCC model;
case ('BCC')
switch orientation;
% Input oriented;
case ('io')
Z = zeros(n,n+m+s+1);
% Objective function of the BCC model: min(0*lambda - epsilon*(s+ + s-) + theta);
f = [zeros(1,n) -epsilon*ones(1,s+m) 1];
lblambda = zeros(n,1); % Lower bounds for (n) lambdas;
lboutput = zeros(s,1); % Lower bounds for (s) outputs;
lbinput = zeros(m,1); % Lower bounds for (m) inputs ;
lb = [lblambda; lboutput; lbinput]; % Lower bounds for lambdas, outputs (s+) and inputs (s-);
for j=1:n
Aeq = [Y', -eye(s,s), zeros(s,m+1);
-X', zeros(m,s), -eye(m,m) X(j,:)';
ones(1,n), zeros(1,s), zeros(1,m+1)];
beq = [Y(j,:)';zeros(m,1);1];
z = linprog(f,[],[],Aeq,beq,lb);
Z(j,:) = z;
end
Z
% Output oriented;
case ('oo')
Z = zeros(n,n+m+s+1);
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 479
% Objective function of the BCC_oo model: max(0*lambda + epsilon*(s+ + s-) + theta);
f = -[zeros(1,n), epsilon*ones(1,s+m), 1];
lblambda = zeros(n,1); % Lower bounds for (n) lambdas;
lboutput = zeros(s,1); % Lower bounds for (s) outputs;
lbinput = zeros(m,1); % Lower bounds for (m) inputs ;
lb = [lblambda; lboutput; lbinput]; % Lower bounds for lambdas, outputs (s+) and inputs (s-);
for j=1:n
Aeq = [-Y', eye(s,s), zeros(s,m), Y(j,:)';
X', zeros(m,s), eye(m,m), zeros(m,1);
ones(1,n), zeros(1,s+m+1)];
beq = [zeros(s,1);X(j,:)';1];
z = linprog(f,[],[],Aeq,beq,lb);
Z(j,:) = z;
end
Z
end
% CCR model;
case ('CCR')
switch orientation;
% Input oriented;
case ('io')
Z = zeros(n,n+m+s+1);
% Objective function of the CCR model: min(0*lambda - epsilon*(s+ + s-) + theta);
f = [zeros(1,n) -epsilon*ones(1,s) -epsilon*ones(1,m) 1];
lblambda = zeros(n,1); % Lower bounds for (n) lambdas;
lboutput = zeros(s,1); % Lower bounds for (s) outputs;
lbinput = zeros(m,1); % Lower bounds for (m) inputs ;
lb = [lblambda; lboutput; lbinput]; % Lower bounds for lambdas, outputs (s+) and inputs (s-);
for j=1:n
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 480
Aeq = [Y', -eye(s,s), zeros(s,m+1);
-X', zeros(m,s), -eye(m,m), X(j,:)'];
beq = [Y(j,:)';zeros(m,1)];
z = linprog(f,[],[],Aeq,beq,lb);
Z(j,:) = z;
end
Z
% Output oriented;
case ('oo')
Z = zeros(n,n+m+s+1);
% Objective function of the CCR_oo model: max(0*lambda + epsilon*(s+ + s-) + theta);
f = -[zeros(1,n), epsilon*ones(1,s+m), 1];
lblambda = zeros(n,1); % Lower bounds for (n) lambdas;
lboutput = zeros(s,1); % Lower bounds for (s) outputs;
lbinput = zeros(m,1); % Lower bounds for (m) inputs ;
lb = [lblambda; lboutput; lbinput]; % Lower bounds for lambdas, outputs (s+) and inputs (s-);
for j=1:n
Aeq = [-Y', eye(s,s), zeros(s,m), Y(j,:)'; ...
X', zeros(m,s), eye(m,m), zeros(m,1)];
beq = [zeros(s,1);X(j,:)'];
z = linprog(f,[],[],Aeq,beq,lb);
Z(j,:) = z;
end
Z
end
end
%% Generates the output file "DEAresults.table";
% nameDMU;
temp1 = 'DMU_';
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 481
temp2 = ones(n,1)*temp1;
temp3 = char(temp2);
temp4 = num2str((1:n)');
nameDMU = [temp3, temp4];
clear temp1 temp2 temp3 temp4
% labelX;
temp1 = ' Input_';
temp2 = ones(m,1)*temp1;
temp3 = char(temp2);
temp4 = num2str((1:m)');
temp5 = [temp3, temp4];
labelX = [];
for ind = 1:m
labelX = [labelX, temp5(ind,:)];
end
labelX;
clear temp1 temp2 temp3 temp4 temp5
% labelY;
temp1 = ' output_';
temp2 = ones(s,1)*temp1;
temp3 = char(temp2);
temp4 = num2str((1:s)');
temp5 = [temp3, temp4];
labelY = [];
for ind = 1:s
labelY = [labelY,temp5(ind,:)];
end
labelY;
clear temp1 temp2 temp3 temp4 temp5
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 482
% labellambda;
temp1 = ' lambda_';
temp2 = ones(n,1)*temp1;
temp3 = char(temp2);
temp4 = num2str((1:n)');
temp5 = [temp3, temp4];
labellambda = [];
for ind = 1:n
labellambda = [labellambda,temp5(ind,:)];
end
labellambda;
clear temp1 temp2 temp3 temp4 temp5
% labelx_slack;
temp1 = ' x_slack_';
temp2 = ones(m,1)*temp1;
temp3 = char(temp2);
temp4 = num2str((1:m)');
temp5 = [temp3, temp4];
labelx_slack = [];
for ind = 1:m
labelx_slack = [labelx_slack,temp5(ind,:)];
end
labelx_slack;
clear temp1 temp2 temp3 temp4 temp5
% labely_slack;
temp1 = ' y_slack_';
temp2 = ones(s,1)*temp1;
temp3 = char(temp2);
temp4 = num2str((1:s)');
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 483
temp5 = [temp3, temp4];
labely_slack = [];
for ind = 1:s
labely_slack = [labely_slack,temp5(ind,:)];
end
labely_slack;
clear temp1 temp2 temp3 temp4 temp5
% formatX;
temp1 = '%12.2f';
formatX = [];
for ind = 1:m
formatX = [formatX,temp1];
end
clear temp1;
% formatY;
temp1 = '%12.2f';
formatY = [];
for ind = 1:s
formatY = [formatY,temp1];
end
clear temp1;
% formatlambda;
temp1 = '%12.2f';
formatlambda = [];
for ind = 1:n
formatlambda = [formatlambda,temp1];
end
clear temp1;
% Generates the file 'DEAresults.table' with the results;
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 484
fid = fopen('DEAresults.table','wt');
fprintf(fid,'DEA results for the ');
switch model
case 'add';
fprintf(fid,'Additive model\n\n');
fmtW = [formatX, formatY, formatlambda, formatX, formatY, '\n'];
W = [X, Y, Z ];
fprintf(fid,['DMU name ', labelX, labelY, labellambda, labelx_slack, labely_slack '\n']);
case 'BCC'
switch orientation
case 'io'
fprintf(fid,'input oriented BCC model\n\n');
case 'oo'
fprintf(fid,'output oriented BCC model\n\n');
end
fmtW = [formatX, formatY, formatlambda, formatX, formatY, '%8.2f \n'];
W = [X, Y, Z ];
fprintf(fid,['DMU name ', labelX, labelY, labellambda, labelx_slack, labely_slack ' Theta\n']);
case 'CCR'
switch orientation
case 'io'
fprintf(fid,'input oriented CCR model\n\n');
case 'oo'
fprintf(fid,'output oriented CCR model\n\n');
end
fprintf(fid,'CCR model\n\n');
fmtW = [formatX, formatY, formatlambda, formatX, formatY, '%8.2f \n'];
W = [X, Y, Z ];
fprintf(fid,['DMU name ', labelX, labelY, labellambda, labelx_slack, labely_slack ' Theta\n']);
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 485
end
% fprintf(fid,fmtW,W');
for ind = 1:n;
fprintf(fid,nameDMU(ind,:));
fprintf(fid,fmtW,W(ind,:)');
end
fclose(fid);
Análisis de la industria aeroespacial: estudio de un caso
Rubén Elvira Herranz 486
ANEXO II CÓDIGO MATLAB PARA ANN
datosall = [];
datosall = datosall';
size(datosall);
datosp=datosall(1:13,:);
size(datosp);
datost=datosall(14,:);
size(datost);
[datosalln,datosalls] = mapminmax(datosall);
datospn = datosalln (1:13,:);
datostn = datosalln (14,:);
net = feedforwardnet(13,'trainlm');
net.trainParam.goal=1e-5;
trainpn = datospn(:,1:700);
traintn = datostn(:,1:700);
[net,tr]=train(net,trainpn,traintn);
trainoutn=net(trainpn);
weights1=net.IW{1};
bias1=net.b{1};
weights2=net.LW{2};
bias2=net.b{2};
testpn = datospn(:,701:938);
simulacion=sim(net,testpn);
datosoutaftertrain=horzcat(traintn,simulacion);
datosallaftertrain=vertcat(datospn, datosoutaftertrain);
datosalldesnor=mapminmax('reverse',datosallaftertrain,datosalls);
testt=datost(:,701:938);
testtout=datosalldesnor(14,701:938);
[slopeall,interall,correall]=postreg(testt,testtout);
top related