Contenido
1. Introducción.........................................................................................................................3
2. Estado Del Arte.....................................................................................................................4
2.1 Tipos de riesgo financiero:.................................................................................................4
2.1.1 Riesgo de mercado:.....................................................................................................4
2.1.2 Riesgo crediticio:.........................................................................................................4
2.1.3 Riesgo operativo:.........................................................................................................4
2.1.4 Riesgo de liquidez:.......................................................................................................5
2.2 Modelos de evaluación de riesgos financieros:..................................................................5
2.2.1 Modelo Logit:..............................................................................................................5
2.2.2 Modelo Probit:............................................................................................................5
2.3 Impacto del riesgo financiero en las empresas:.................................................................5
3. Metodología.................................................................................................................6
3.1 Análisis descriptivo de las variables..............................................................................9
4. Resultados..........................................................................................................................10
4.1 Modelo Logit....................................................................................................................10
4.3 Modelo Probit..................................................................................................................12
[Link]...........................................................................................................................14
[Link]ía..............................................................................................................................16
Tabla 1. Variables con el signo esperado......................................................................................7
Tabla [Link]..........................................................................................................................9
Tabla 3. Variables.........................................................................................................................9
Tabla 4. Variable dependiente...................................................................................................10
Tabla 5. Modelo Logit.................................................................................................................10
Tabla 6. Modelo Probit...............................................................................................................12
1. Introducción
En el ámbito empresarial, la predicción y comprensión de los eventos
financieros críticos, como la probabilidad de quiebra, son de suma importancia
para los stakeholders y los responsables de la toma de decisiones. En este
contexto, el sector de la construcción en Ecuador ha sido objeto de un profundo
análisis debido a su relevancia económica y su impacto en el desarrollo
nacional. En este sentido, el presente trabajo se basa en la investigación
titulada "Probabilidad de quiebra empresarial en el sector de construcción del
Ecuador: Periodo 2011 – 2020", la cual constituye un punto de partida sólido y
relevante para comprender las dinámicas financieras de este sector en el país.
(Panchi, 2023)
La investigación previa proporciona un marco teórico y metodológico detallado
para el análisis de la probabilidad de quiebra empresarial en el sector de la
construcción ecuatoriano durante un período de diez años, desde 2011 hasta
2020. Además, ofrece una revisión exhaustiva de la literatura existente,
identificando factores clave que influyen en la estabilidad financiera de las
empresas constructoras en el contexto ecuatoriano.
Para avanzar en este campo de estudio y contribuir al conocimiento existente,
el presente trabajo tiene como objetivo aplicar modelos econométricos de logit
y probit. Estos modelos, ampliamente reconocidos en la literatura académica y
utilizados en la práctica empresarial, permiten estimar la probabilidad de
ocurrencia de un evento binario, como la quiebra empresarial, en función de
variables explicativas relevantes. (Panchi, 2023)
La aplicación de modelos logit y probit a empresas en situación de quiebra es
de vital importancia debido a su capacidad para predecir y entender los
factores que contribuyen a este evento crítico. Estos modelos permiten evaluar
de manera sistemática y cuantitativa la probabilidad de quiebra, lo que brinda a
los stakeholders y responsables de la toma de decisiones una herramienta
invaluable para identificar riesgos financieros, tomar medidas preventivas y
desarrollar estrategias de mitigación adecuadas. Al comprender los
determinantes de la quiebra empresarial a través de estos modelos, se puede
mejorar la gestión de riesgos, fortalecer la solidez financiera y promover la
sostenibilidad a largo plazo de las empresas, contribuyendo así a la estabilidad
del mercado y al crecimiento económico sostenible. (Rivadeneira)
Al basarnos en la investigación previa sobre la probabilidad de quiebra
empresarial en el sector de construcción del Ecuador, buscamos no solo validar
sus hallazgos, sino también ampliar y enriquecer el análisis mediante la
aplicación de modelos econométricos específicos. De esta manera, esperamos
contribuir al desarrollo de herramientas predictivas más precisas y efectivas,
que puedan ser utilizadas por empresas, inversionistas y responsables de
políticas para anticipar y gestionar los riesgos financieros en el sector de la
construcción en Ecuador.
2. Estado Del Arte
"El riesgo financiero se refiere a la posibilidad de que los resultados financieros
de una organización se desvíen de las expectativas debido a la incertidumbre
en los mercados financieros, cambios en las tasas de interés, fluctuaciones en
los tipos de cambio y otros factores externos." (Hull, 2016)
Enron Corporation, una vez considerada una de las compañías más
innovadoras y exitosas de Estados Unidos, colapsó en 2001 debido a una serie
de escándalos contables y prácticas financieras fraudulentas. Como ejemplo de
riesgo financiero, el caso de Enron ilustra cómo la falta de transparencia en la
contabilidad, la ocultación de deudas y la sobrevaloración de activos pueden
llevar a una empresa a la quiebra (Swartz & Watkins, 2003)
Tesla, Inc., el fabricante de automóviles eléctricos, ha experimentado volatilidad
en sus acciones debido a preocupaciones sobre su flujo de efectivo y
capacidad para alcanzar metas de producción. Los inversores y analistas están
atentos a los riesgos financieros asociados con su modelo de negocio
innovador y ambicioso (Arnaldo Vergara, José Fernando, OchoaRico, & Lainez,
2023)
El riesgo financiero puede tener consecuencias significativas en las empresas,
que van desde la disminución de la rentabilidad hasta la pérdida de valor de
mercado e incluso la quiebra. Como afirman (Brealey, 2017)"La exposición al
riesgo financiero puede afectar la capacidad de una empresa para cumplir con
sus obligaciones financieras, comprometer su estabilidad financiera y socavar
su posición competitiva en el mercado".
2.1 Tipos de riesgo financiero:
"El riesgo financiero puede manifestarse de diversas formas, incluyendo el
riesgo de mercado, el riesgo crediticio, el riesgo operativo y el riesgo de
liquidez, entre otros." (Referencia: Mishkin, 2015)
2.1.1 Riesgo de mercado:
"El riesgo de mercado se refiere a la posibilidad de pérdidas financieras debido
a fluctuaciones en los precios de los activos, tipos de interés, tipos de cambio y
otros factores del mercado." (Hull, 2016)
2.1.2 Riesgo crediticio:
"El riesgo crediticio se relaciona con la posibilidad de incumplimiento por parte
de los prestatarios en el reembolso de sus obligaciones financieras, lo que
puede resultar en pérdidas para los prestamistas o inversores." (Referencia:
Mishkin, 2015)
2.1.3 Riesgo operativo:
"El riesgo operativo abarca una amplia gama de riesgos asociados con las
operaciones diarias de una empresa, incluyendo riesgos de fraude,
tecnológicos, legales, de cumplimiento y de recursos humanos." (Lam, 2003)
2.1.4 Riesgo de liquidez:
"El riesgo de liquidez se refiere a la incapacidad de una empresa para cumplir
con sus obligaciones financieras a corto plazo debido a la falta de activos
líquidos o acceso al crédito." (Brealey R. A., 2017)
Una visión general de los diferentes tipos de riesgos financieros, respaldados
por citas de reconocidos autores en el campo. Estos tipos de riesgos son
fundamentales para comprender los desafíos que enfrentan las empresas y los
inversores en la gestión de sus operaciones y carteras financieras. (Brealey R.
A., 2017)
2.2 Modelos de evaluación de riesgos financieros:
"Los modelos de valoración de riesgos financieros, como el modelo de valor en
riesgo (Value at Risk) y los modelos de regresión logística y probit, son
herramientas comúnmente utilizadas para medir y gestionar el riesgo en los
mercados financieros." (Jorion, 2007)
2.2.1 Modelo Logit:
"El modelo logit es una técnica estadística utilizada para modelar y predecir la
probabilidad de ocurrencia de un evento binario, como el éxito o el fracaso, en
función de un conjunto de variables explicativas." (AWS, s.f.)
2.2.2 Modelo Probit:
"El modelo probit es una variante del modelo logit que utiliza la función de
distribución normal acumulativa para modelar la probabilidad de ocurrencia de
un evento binario." (Westreicher, 2021)
2.3 Impacto del riesgo financiero en las empresas:
"El riesgo financiero puede tener consecuencias significativas para las
empresas, incluyendo la disminución de la rentabilidad, la pérdida de valor de
mercado, la restricción del acceso al crédito y, en casos extremos, la quiebra
empresarial." (Brealey R. A., 2017)
Escándalo de manipulación de emisiones de Volkswagen: El escándalo de
manipulación de emisiones de Volkswagen en 2015 es otro ejemplo de cómo el
riesgo financiero puede afectar a una empresa. Volkswagen fue acusada de
instalar dispositivos ilegales en sus vehículos diésel para engañar a las
pruebas de emisiones. "El escándalo de Volkswagen tuvo un impacto
devastador en la reputación de la empresa y resultó en multas y demandas
masivas, así como en una caída significativa en sus ingresos y valor de
mercado". (Leggett, 2018)
Pérdidas financieras de Facebook tras el escándalo Cambridge Analytica: En
2018, Facebook se enfrentó a un escándalo de privacidad de datos relacionado
con Cambridge Analytica, que expuso la información personal de millones de
usuarios de la plataforma. Las consecuencias financieras fueron significativas,
con una pérdida de valor de mercado de miles de millones de dólares en los
días posteriores al escándalo. Según (Mundo, 2019) "El escándalo de
Cambridge Analytica tuvo un impacto devastador en la confianza de los
inversores en Facebook y resultó en una caída significativa en sus acciones".
"Predicting Corporate Bankruptcy: Where We Stand and What We Need to
Develop". Este trabajo de investigación del renombrado experto en finanzas
Edward Altman examina el uso de modelos predictivos, incluidos los modelos
logit y probit, en la predicción de la quiebra empresarial. Altman ha sido pionero
en el desarrollo de modelos predictivos de quiebra, como el famoso "Z-score".
(MARES, 2001)
"The Use of Predictive Analytics in Financial Statement Audits" (Association of
Chartered Certified Accountants, 2018). Este informe de la Association of
Chartered Certified Accountants (ACCA) explora el uso de análisis predictivo,
incluidos modelos logit y probit, en auditorías de estados financieros. Si bien no
se centra en casos específicos de empresas, ofrece información sobre cómo se
aplican estos modelos en el mundo real para mejorar la eficiencia y la
efectividad de las auditorías financieras. (Ordóñez, 2022)
3. Metodología
El trabajo investigativo se basa en el uso de una base de datos obtenida de la
Superintendencia de Compañías, Valores y Seguros, que incluye información
sobre empresas clasificadas bajo la categoría F43 de la Clasificación Industrial
Internacional Uniforme (CIIU), correspondiente a actividades especializadas en
la construcción. Esta base de datos contiene 11 variables distintas recopiladas
a lo largo de un periodo de tiempo que abarca desde 2011 hasta 2020,
totalizando 6,677 observaciones. Las variables seleccionadas están destinadas
a abarcar una amplia gama de aspectos relevantes para el análisis del riesgo
financiero en empresas del sector de la construcción. Utilizando técnicas de
modelado estadístico como el modelo logit y el modelo probit, se analizarán
estas variables con el objetivo de comprender mejor los factores que influyen
en la probabilidad de ocurrencia de eventos financieros adversos, como la
quiebra o el deterioro financiero.
Para abordar esta situación en la que la base de datos original no contenía
ninguna variable binaria relevante para nuestro análisis, decidimos utilizar la
variable de utilidad neta como punto de partida. Dado que la utilidad neta es
una medida crucial para evaluar el desempeño financiero de una empresa, la
categorizamos de manera binaria para poder incorporarla en nuestro modelo
logit o probit. Esta nueva variable, denominada "Salud financiera", se define de
la siguiente manera: toma el valor de 1 si la empresa registra una utilidad neta
negativa, indicando así una situación de bancarrota o dificultades financieras, y
toma el valor de 0 si la empresa reporta una utilidad neta positiva, lo que
sugiere que la empresa no se encuentra en situación de bancarrota. Al
categorizar la utilidad neta de esta manera, creamos una medida simple pero
efectiva para evaluar la salud financiera de una empresa. Esta variable binaria
nos permite clasificar las empresas según su situación financiera y será de
gran utilidad para nuestro análisis de riesgo financiero, ya que nos
proporcionará información importante sobre la probabilidad de que una
empresa esté en riesgo de bancarrota.
Tabla 1. Variables con el signo esperado
VARIABLE SIGNO ESPERADO
AÑO -
RUC -
EXPEDIENTE -
EMPRESAS -
INGRESOS NEGATIVO
ACTIVO TOTAL NEGATIVO
ACTIVO CORRIENTE NEGATIVO
PASIVO TOTAL POSITIVO
PASIVO CORRIENTE POSITIVO
UTILIDAD OPERACIONAL NEGATIVO
Fuente: Elaboración propia
En la tabla 1, se presentan las 11 variables junto con el signo esperado para
cada una en el modelo de análisis de riesgo financiero. Se espera que el
ingreso tenga un signo negativo, ya que a mayor ingreso se espera una menor
probabilidad de bancarrota de la empresa. De manera similar, tanto el activo
total como el activo corriente se espera que tengan un signo negativo, ya que
una mayor cantidad de activos en la empresa se asocia con una reducción en
la probabilidad de quiebra. Por otro lado, se espera que tanto el pasivo total
como el pasivo corriente tengan un signo positivo, dado que un mayor pasivo
indica una mayor carga financiera y, por ende, una mayor posibilidad de
bancarrota. Respecto a la utilidad operativa, se espera un signo negativo, ya
que una menor utilidad operativa está relacionada con una mayor fragilidad
financiera, estos signos esperados reflejan las expectativas teóricas sobre la
relación entre cada variable y la probabilidad de bancarrota en el contexto del
análisis de riesgo financiero.
Como ya se mencionó previamente el modelo aplicado se basó en la selección
de siete variables, entre las cuales se incluye la utilidad neta que fue
categorizada como binaria, convirtiéndola en la variable dependiente del
modelo. Las otras seis variables fueron elegidas como variables explicativas,
las cuales se consideraron relevantes para predecir la situación de bancarrota
de una empresa. Sin embargo, se optó por excluir las cuatro variables
restantes de la base de datos que son AÑOS, RUC, EXPEDIENTE,
EMPRESAS, ya que se determinó que no aportaban información significativa al
modelo y, por lo tanto, no eran relevantes para explicar la variable dependiente.
Estas decisiones se tomaron con el objetivo de construir un modelo más
preciso y simplificado, centrándose en las variables que tienen un impacto
significativo en la probabilidad de bancarrota y descartando aquellas que no
contribuyen de manera significativa a la predicción del evento de interés. De
esta manera, se garantiza que el modelo sea más efectivo y se pueda
interpretar de manera más clara y precisa.
A continuación, se presentarán los modelos logit y probit como enfoques
analíticos para abordar el estudio del riesgo financiero.
Modelo logit:
1
pi = −(β 0 +β 1 X 1+ β 2 X 2+ β 3 X 3 +B 4 X 4 +B 5 X 5)
1+e
Pi= probabilidad de bancarrota empresarial.
Los β son los parámetros a estimar.
X1=Ingresos
X2=Activo total
X3= Activo Corriente
X4=Pasivo total
X5=Pasivo corriente
X6=Utilidad operacional
Modelo probit:
p
P ( Y =1| X )=Φ ¿
P= probabilidad de bancarrota empresarial.
Los β son los parámetros a estimar.
X1=Ingresos
X2=Activo total
X3= Activo Corriente
X4=Pasivo total
X5=Pasivo corriente
X6=Utilidad operacional
Φ = es la función de distribución acumulativa normal estándar, que transforma
la combinación lineal de las variables independientes en una probabilidad en el
rango de 0 a 1.
3.1 Análisis descriptivo de las variables.
Tabla [Link]
Variable Obs Mean Std. Dev. Min Max
Saludfinanciera 4,537 .074719 .2629663 0 1
AÑO 6,677 2.015.954 2.974.934 2011 2020
EMPRESAS 6,677 6.956.184 3.932.626 1 1361
Ingresos 6,675 2.83e+07 1.82e+08 0 7.47e+09
Fuente: Elaboración propia
En la tabla 2, la variable "salud financiera" está representada por valores
binarios, 0 y 1, indicando posiblemente la condición de salud financiera de las
empresas donde 1 puede representar una salud financiera deficiente o en
riesgo, mientras que 0 podría indicar una salud financiera sólida o estable. La
variable "año" abarca desde el periodo 2011 hasta 2020, lo que sugiere que se
recopilaron datos a lo largo de una década. Además, la tabla indica que se
examinaron un total de 1361 empresas, lo que ofrece una muestra amplia para
el análisis. Por último, se menciona que los ingresos de estas empresas
alcanzan hasta los [Link] dólares, lo que refleja la diversidad y
posiblemente el tamaño de las empresas incluidas en el estudio. Estos detalles
proporcionan un contexto valioso para comprender la naturaleza y el alcance
del análisis de salud financiera realizado en el estudio.
Tabla 3. Variables
Variable Obs Mean Std. Dev. Min Max
Activototal 6,677 6.69e+07 2.46e+08 0 5.40e+09
Activocorriente 6,677 3.42e+07 1.47e+08 0 3.89e+09
Pasivototal 6,677 3.80e+07 1.45e+08 0 4.06e+09
Pasivocorriente 6,676 2.29e+07 1.03e+08 0 3.75e+09
Utilidadoperacional 6,674 5858057 4.12e+07 -3.51e+08 1.80e+09
Fuente: Elaboración propia
En la tabla 3, se observa que las variables "activo total", "activo corriente",
"pasivo total", "pasivo corriente" no contienen números negativos, lo que indica
que estos valores representan montos monetarios positivos. Por ejemplo, el
rango del "activo total" abarca desde 0 dólares hasta 5,400,000,000 dólares, lo
que sugiere la diversidad en los activos de las empresas incluidas en el
estudio. Del mismo modo, el "activo corriente" y el "pasivo total" muestran
valores positivos, lo que refleja los recursos y obligaciones financieras de las
empresas en el período de tiempo examinado. Por otro lado, la variable
"utilidad operacional" tiene valores que van desde -351,000,000 dólares hasta
1,800,000,000 dólares, lo que implica que algunas empresas tuvieron pérdidas
operativas significativas mientras que otras obtuvieron ganancias operativas
considerables. Este detalle es crucial para comprender la salud financiera y el
rendimiento de las empresas analizadas en el estudio.
Tabla 4. Variable dependiente.
Saludfinanciera Freq. Percent Cum.
0 4,198 92.53 92.53
1 339 7.47 100.00
Total 4,537 100.00
Fuente: Elaboración propia
Es importante destacar que, aunque la base de datos comprende un total de
1361 empresas, al abarcar un período de tiempo que va desde 2011 hasta
2020, se generan un total de 4537 observaciones. Esto se debe a la repetición
de empresas a lo largo de los años. La tabla 4 proporciona una aclaración
sobre esta repetición, lo que permite entender cómo se distribuyen las
observaciones en el tiempo y cómo cada empresa está representada en varios
períodos. Es crucial notar que, dentro de estas observaciones, se identificaron
339 casos donde las empresas se encuentran en situación de bancarrota,
marcadas con el valor 1 en la variable de "salud financiera" y con utilidad neta
negativa. Por otro lado, se observa que hay 4198 observaciones donde las
empresas no están en situación de bancarrota, marcadas con el valor 0 en la
variable de "salud financiera". Esta distinción entre empresas en bancarrota y
no en bancarrota proporciona información valiosa para comprender la dinámica
del riesgo financiero dentro del trabajo de investigación.
4. Resultados
4.1 Modelo Logit
Una vez que se ha ejecutado el modelo logit en el software Stata, se obtienen
resultados que incluyen los coeficientes estimados. Estos resultados
proporcionan información sobre la relación entre las variables independientes y
la probabilidad de que la variable dependiente tome el valor de 1, es decir, la
probabilidad de estar en situación de bancarrota. Los coeficientes estimados
muestran la dirección y la magnitud de la influencia de cada variable
independiente sobre la probabilidad de bancarrota.
Tabla 5. Modelo Logit
Saludfinanciera Coef. Std. Err. z P>z [95% Conf. Interval]
Ingresos -1.73e-07 4.24e-08 -4.08 0.000 -2.56e-07 -8.99e-08
Activototal 2.23e-09 4.98e-09 0.45 0.655 -7.54e-09 1.20e-08
Activocorriente 1.33e-08 1.01e-08 1.32 0.187 -6.45e-09 3.31e-08
Pasivototal 4.32e-09 1.11e-08 0.39 0.697 -1.74e-08 2.61e-08
Pasivocorriente -4.18e-08 2.28e-08 -1.84 0.066 -8.65e-08 2.81e-09
-.000021
Utilidadoperacional -.0000266 2.72e-06 -9.78 0.000 -.0000319 3
-
_cons 1.802.217 .1089078 -16.55 0.000 -2.015.673 1.588.762
Fuente: Elaboración propia
En la tabla 5 se presentan los resultados del modelo logit, donde se destaca
inicialmente el nivel de significancia de las variables independientes. Aquí se
observa que tres variables, la utilidad operacional, los ingresos y el pasivo
corriente, son significativas al 10%, lo que indica que tienen un impacto
estadísticamente significativo en la probabilidad de que una empresa esté en
situación de bancarrota. Las variables que no son significativas no aportan al
modelo de manera estadísticamente significativa, lo que sugiere que no
explican de manera adecuada la variabilidad en la variable dependiente. Si bien
se proporcionan los coeficientes estimados para todas las variables, en este
caso, solo se puede interpretar el signo de estos coeficientes. Por ejemplo,
tenemos el coeficiente estimado para la utilidad operacional es negativo implica
que a medida que la utilidad operacional aumenta, la probabilidad de que la
empresa esté en situación de bancarrota disminuye. Es decir, las empresas
con mayores niveles de utilidad operacional tienen una menor probabilidad de
estar en bancarrota en comparación con aquellas con menores niveles de
utilidad operacional. Esta relación sugiere que la rentabilidad operacional
puede ser un factor protector contra la bancarrota, como se puede apreciar el
signo del coeficiente pasivo corriente implica que un aumento en el pasivo
corriente está relacionado con una disminución en la probabilidad de que la
empresa esté en bancarrota. Esto sugiere que las empresas con mayores
pasivos corrientes, es decir, aquellas que tienen más deudas y obligaciones a
corto plazo en relación con sus activos corrientes, tienen una menor
probabilidad de estar en situación de bancarrota en comparación con aquellas
con menores pasivos corrientes. Este resultado puede interpretarse como una
señal de solidez financiera, ya que un pasivo corriente más elevado puede
indicar una mejor capacidad para cubrir las obligaciones a corto plazo, lo que
reduce el riesgo de incumplimiento financiero.
Prob > chi2 = 0.0000
Pseudo R2 = 0.6972
El valor del chi-cuadrado proporciona una medida de la significancia global del
modelo. Un valor pequeño de chi-cuadrado, como 0.0000 en este caso, indica
que las variables independientes del modelo tienen una relación significativa
con la variable dependiente (situación de bancarrota), lo que sugiere que el
modelo en su conjunto es estadísticamente significativo.
El pseudo-R cuadrado es una medida de la proporción de variabilidad
explicada por el modelo. En este caso, un valor 0.6972 significa que alrededor
del 69.72% de la variabilidad en la variable dependiente (situación de
bancarrota) es explicada por las variables independientes incluidas en el
modelo, es decir, un chi-cuadrado significativamente pequeño y un R2
relativamente alto sugieren que el modelo logit es adecuado para explicar la
relación entre las variables independientes y la probabilidad de bancarrota en el
contexto del estudio.
4.3 Modelo Probit
Una vez que se han corrido los resultados del modelo probit en el software
Stata, se presentan los resultados que incluyen los coeficientes estimados:
Tabla 6. Modelo Probit
Saludfinanciera Coef. Std. Err. z P>z [95% Conf. Interval]
Ingresos -2.94e-08 1.12e-08 -2.63 0.009 -5.14e-08 -7.46e-09
Activototal 1.04e-09 5.45e-10 1.91 0.056 -2.54e-11 2.11e-09
Activocorriente 1.93e-09 1.27e-09 1.52 0.128 -5.54e-10 4.41e-09
Pasivototal 4.37e-09 1.85e-09 2.36 0.018 7.38e-10 7.99e-09
Pasivocorriente -5.95e-09 2.70e-09 -2.20 0.028 -1.12e-08 -6.47e-10
Utilidadoperacional -2.34e-06 1.17e-07 -20.10 0.000 -2.57e-06 -2.11e-06
_cons 6.658.173 4.842.916 13.75 0.000 5.708.979 7.607.367
Fuente: Elaboración propia
En la tabla 6 se presentan los resultados del modelo probit, donde se destaca
la significancia de las variables independientes en términos de su impacto en la
variable dependiente, que en este caso es la salud financiera, una variable
binaria que toma el valor de 1 en situación de bancarrota y 0 en no situación de
bancarrota.
Se observa que las variables de utilidad operacional, ingresos y pasivo
corriente son significativas al nivel del 5%, mientras que el activo total es
significativo al nivel del 10%. Esto significa que estas variables tienen un
impacto estadísticamente significativo en la probabilidad de que una empresa
esté en situación de bancarrota.
Es interesante notar que los signos de las variables en el modelo probit son
consistentes con los del modelo logit, lo que sugiere que la dirección de la
relación entre las variables independientes y la probabilidad de bancarrota es
similar en ambos modelos.
En particular, el ingreso tiene un signo negativo sobre la variable dependiente,
lo que indica que un aumento en los ingresos está asociado con una menor
probabilidad de bancarrota. Por otro lado, el activo total tiene un signo positivo,
lo que sugiere que un aumento en el activo total está relacionado con una
mayor probabilidad de no estar en bancarrota, es decir, con una salud
financiera más sólida.
En los modelos logit y probit, los coeficientes proporcionan información sobre la
dirección de la relación entre las variables independientes y la variable
dependiente, pero no sobre la magnitud del efecto. Es decir, solo podemos
interpretar el signo de los coeficientes, pero no su valor exacto, sin realizar
cálculos adicionales.
Para obtener una interpretación más completa y cuantitativa del impacto de las
variables independientes en la variable dependiente, necesitamos calcular los
efectos marginales. Los efectos marginales nos muestran cómo cambia la
probabilidad predicha de la variable dependiente cuando una variable
independiente cambia en una unidad, manteniendo constantes las demás
variables.
Los efectos marginales nos permiten comprender el impacto real y específico
de cada variable independiente sobre la probabilidad de la variable
dependiente, lo que es crucial para entender la relevancia de cada variable en
el modelo y tomar decisiones informadas en función de estos resultad
[Link]
Después de realizar un análisis utilizando modelos logit y probit para predecir si
una empresa está en situación de bancarrota, podemos extraer varias
conclusiones importantes:
Significancia de las variables: Aunque se utilizaron 6 de las 11 variables
disponibles en los datos, no todas resultaron significativas en ambos modelos.
Sin embargo, se observó que la utilidad operacional y los ingresos tuvieron un
impacto negativo significativo en la probabilidad de bancarrota en ambos
modelos. Esto sugiere que un aumento en la utilidad operacional y los ingresos
está asociado con una menor probabilidad de bancarrota, lo cual es coherente
con la intuición financiera.
Pasivo corriente inesperado: Se esperaba que el pasivo corriente tuviera un
efecto positivo en la probabilidad de bancarrota, ya que un mayor pasivo
corriente puede indicar una mayor carga financiera y, por lo tanto, un mayor
riesgo de bancarrota. Sin embargo, tanto en el modelo logit como en el modelo
probit, el coeficiente asociado al pasivo corriente resultó ser negativo. Esto
podría ser sorprendente y merece una consideración adicional.
El pasivo corriente, que representa las deudas y obligaciones financieras que
una empresa debe pagar en el corto plazo, puede jugar un papel importante en
la capacidad de una empresa para evitar la bancarrota por varias razones:
Gestión de liquidez: Un nivel adecuado de pasivo corriente puede
proporcionar a la empresa los recursos necesarios para cubrir sus obligaciones
financieras a corto plazo, como el pago de proveedores, salarios y otros gastos
operativos. Si una empresa tiene suficiente pasivo corriente, puede gestionar
mejor su liquidez y evitar problemas de flujo de efectivo que podrían llevar a la
bancarrota.
Flexibilidad financiera: El pasivo corriente puede representar fuentes de
financiamiento a corto plazo, como préstamos bancarios, líneas de crédito o
cuentas por pagar a proveedores. Estas fuentes de financiamiento pueden
proporcionar a la empresa flexibilidad financiera para cubrir sus necesidades
operativas y evitar la bancarrota en momentos de dificultades financieras
temporales.
Capacidad para cumplir con obligaciones: Un pasivo corriente bien
gestionado indica que la empresa es capaz de cumplir con sus obligaciones
financieras a corto plazo de manera oportuna. Esto puede mejorar la confianza
de los proveedores, acreedores y otros stakeholders en la capacidad de la
empresa para cumplir con sus compromisos financieros, lo que puede reducir
el riesgo de bancarrota.
Indicador de solvencia: Un nivel apropiado de pasivo corriente en relación
con los activos corrientes puede ser un indicador de la solvencia de la empresa
a corto plazo. Una empresa con un pasivo corriente equilibrado en relación con
sus activos corrientes puede tener una posición financiera más sólida y estar
mejor preparada para enfrentar situaciones adversas sin recurrir a la
bancarrota.
ChatGPT
La falta de significancia estadística del activo corriente en el modelo logit y
probit de bancarrota podría deberse a varias razones:
Correlación con otras variables: Es posible que el activo corriente esté
altamente correlacionado con otras variables incluidas en el modelo que sí
resultaron significativas. Si otras variables ya están capturando la información
proporcionada por el activo corriente, este último puede no añadir un valor
adicional significativo para predecir la bancarrota.
Falta de sensibilidad del modelo: El activo corriente puede no ser un
predictor sensible de la bancarrota en el contexto específico del estudio. La
relación entre el activo corriente y la probabilidad de bancarrota puede ser más
compleja o no lineal, lo que dificulta su captura por parte de un modelo logit o
probit.
Error de medición o especificación: Es posible que la medida o la
especificación del activo corriente en el modelo no sea óptima. Por ejemplo,
podrían existir problemas de calidad en los datos relacionados con la medición
del activo corriente, lo que podría afectar su capacidad para predecir la
bancarrota de manera significativa.
Tamaño de la muestra: La falta de significancia del activo corriente también
podría atribuirse al tamaño de la muestra. Si la muestra es pequeña, podría no
ser lo suficientemente grande como para detectar efectos significativos del
activo corriente en la probabilidad de bancarrota.
Es decir, la falta de significancia del activo corriente en el modelo logit y probit
de bancarrota podría ser el resultado de varios factores, como la correlación
con otras variables, la falta de sensibilidad del modelo, problemas de medición
o especificación, o el tamaño de la muestra. Es importante tener en cuenta
estas posibles explicaciones al interpretar los resultados del modelo y
considerar otras variables o enfoques analíticos para mejorar la capacidad
predictiva del modelo de bancarrota.
En conclusión, el análisis utilizando modelos logit y probit proporciona
información valiosa sobre los factores que pueden influir en la probabilidad de
bancarrota de una empresa. Aunque no todas las variables resultaron
significativas, la interpretación del signo de los coeficientes nos permite
entender la dirección de la relación entre las variables y la probabilidad de
bancarrota. Sin embargo, las discrepancias entre las expectativas y los
resultados, como en el caso del pasivo corriente, resaltan la importancia de un
análisis exhaustivo y contextualizado en la investigación financiera.
[Link]ía
Arnaldo Vergara, José Fernando, OchoaRico, & Lainez, J. (10 de MARZO de 2023). MODELO DE
VOLATILIDAD DE LAS ACCIONES DE TESLA MOTORS INC. Obtenido de
[Link]
AWS. (s.f.). Obtenido de AWS: [Link]
Brealey. (2017). PRINCIPIO DE FINANZAS COORPORATIVAS.
Brealey, R. A. (2017). Principles of corporate finance. McGraw-Hill Education.
Hull, J. C. (2016). Options, futures, and other derivatives. Pearson.
Jorion, P. (2007). Value at risk: The new benchmark for managing financial risk. McGraw-Hill.
Lam, J. (2003). Enterprise risk management: From incentives to controls. Wiley.
Leggett, T. (5 de Mayo de 2018). BBC. Obtenido de [Link]
44014908
MARES, A. I. (Junio de 2001). ANALISIS DE LAS DIFICULTADES FINANCIERAS. Obtenido de
[Link]
Mundo, B. N. (29 de Julio de 2019). BBC News Mundo. Obtenido de BBC News Mundo:
[Link]
Ordóñez, L. B. (22 de Abril de 2022). Riesgo de fracaso empresarial en el sector C23 de
manufactura del Ecuador. Obtenido de
[Link]
Panchi, P. M. (2023). ECOCIENCIA. Obtenido de
[Link]
Referencia: Mishkin, F. S. (2015). Financial markets and institutions. Pearson. Obtenido de
[Link]
Rivadeneira, J. (s.f.). Predicción de la quiebra empresarial en el sector agroindustrial de la
ciudad de Machala. Obtenido de
[Link]
Swartz, & Watkins. (2003). POWER FAILUR.
Westreicher, G. (abril de 2021). economipedia. Obtenido de
[Link]