Medición de Riesgo de Crédito. Desarrollo de Una Nueva Herramienta - Alvaro Caballo PDF

MEDICIÓN DE RIESGO
DE CRÉDITO
DESARROLLO DE UNA NUEVA HERRAMIENTA
PUBLICACIONES
DE LA UNIVERSIDAD
PONTIFICIA COMILLAS
PEDIDOS:
Servicio de Publicaciones
c/ Universidad Comillas, 3
Tel.: 91 734 39 50 - Fax: 91 734 45 70
c.e.: edit@pub.upcomillas.es
Álvaro Caballo Trebol
MEDICIÓN DE RIESGO
DE CRÉDITO
DESARROLLO DE UNA NUEVA HERRAMIENTA
2013
Esta obra ha sido galardonada con el PREMIO JOSÉ MARÍA RAMÓN DE SAN PEDRO a la mejor tesis
doctoral defendida en la Facultad de Ciencias Económicas y Empresariales de la Universidad Pontificia
Comillas en el período de los cursos académicos 2011 a 2012.
'+$!$)2#+'($#)$"!!('

/!+'$

%#'($')$1(''$!!$*##*+''"#)3!+'$!!$'$!244'
1#+'($#)$"!!(/;9:<2
:B>&2445!$)$"!!(2$#$"0>6
!$'1&2:B<4:B>
'"$
$('"%##'$!" $')(($)$'!##!*!)#(
$#%"(,"&'('!(!#+'($#)$"!!(#!&'$$!$(*'($(
"$(;9::;9:;
22:??B=4;9:<244 B@A4A=4A=?A4=@A4@

:2')$;2"&'((<2+!*%#!'($ 2)*!$
Esta editorial es miembro de la Unión de Editores Universitarias Españolas UNE,

lo que garantiza la difusión y comercialización de sus publicaciones
a nivel nacional e internacional.
© 2013 UNIVERSIDAD PONTIFICIA COMILLAS

C/ Universidad Comillas, 3
28049 Madrid
© 2013 ÁLVARO CABALLO TREBOL
ISBN: 978-84-8468-478-7
Depósito Legal: M-16694-2013
Diseño de cubierta: BELÉN RECIO GODOY
Fotocomposición: Rico Adrados, S.L.
"CBE.BMVFOEB CBKPt#VSHPT
Impreso por
Rico Adrados, S.L.
Impreso en España - Printed in Spain
Reservados todos los derechos. El contenido de esta obra está protegido por las leyes, que establecen penas
de prisión y multas, además de las correspondientes indemnizaciones por daños y perjuicios, para quienes
reprodujeran total o parcialmente el texto de este libro por cualquier procedimiento electrónico o mecánico,
incluso fotocopia, grabación magnética, óptica o informática, o cualquier sistema de almacenamiento de
información o sistema de recuperación, sin permiso escrito de los propietarios del copyright.
ÍNDICE
ÍNDICE DE TABLAS ............................................................................................... 11

ÍNDICE DE FIGURAS ............................................................................................. 15
GLOSARIO .............................................................................................................. 17
CAPÍTULO 1. INTRODUCCIÓN ........................................................................................ 19

1. Objetivos ..................................................................................................... 19
2. Metodología utilizada en la investigación ................................................ 21
3. Estructura de la investigación ................................................................... 24
CAPÍTULO 2. ANÁLISIS DE MODELOS DE FRACASO EMPRESARIAL ............................................ 27

1. Introducción ............................................................................................... 27
2. Diferentes interpretaciones del concepto de fracaso empresarial ......... 29
3. Variables explicativas en los diferentes modelos de predicción del
fracaso empresarial .................................................................................... 30
4. Metodologías utilizadas para el desarrollo de los modelos de pre-
dicción del fracaso empresarial ................................................................. 38
4.1. Análisis univariante ........................................................................... 39
4.2. Análisis discriminante ....................................................................... 41
4.3. Análisis Logit ..................................................................................... 43
4.4. Algoritmo de particiones iterativas ................................................. 44
4.5. Técnicas de inteligencia artificial ..................................................... 44
4.6. Desarrollos actuales ......................................................................... 45
5. Conclusiones de la revisión bibliográfica ................................................. 46
CAPÍTULO 3. CONSTRUCCIÓN DE UN MODELO DE PREDICCIÓN DE IMPAGOS ........................... 49

1. Introducción ............................................................................................... 49
2. Descripción de la muestra ......................................................................... 50
3. Elección de la variable dependiente ......................................................... 53
7
MEDICIÓN DE RIESGO DE CRÉDITO
4. Variables explicativas del modelo ............................................................. 63

4.1. Variables de Flujo de Caja ................................................................ 64
4.2. Ratios económicas ............................................................................ 69
4.3. Ratios de circulante .......................................................................... 71
4.4. Ratios de endeudamiento ................................................................ 73
4.5. Variables al cuadrado ....................................................................... 73
4.6. Interacciones entre algunas variables ............................................. 74
5. Metodologías utilizadas para el desarrollo del modelo ........................... 74
6. Discusión de los resultados obtenidos ..................................................... 77
6.1. Discusión de la validez estadística del modelo de probabilidad
de impago aplicado a 2008 y 2009 ................................................... 78
6.1.1. Resultados R2 ......................................................................... 78
6.1.2. Resultados de la prueba de Hosmer y Lemeshow de
bondad de ajuste .................................................................. 80
6.1.3. Análisis de la multicolinealidad ............................................ 81
6.1.4. Significación de las variables independientes ..................... 85
6.1.4.1. Significación de las variables de flujo de caja
(grupo 1) ................................................................. 85
6.1.4.2. Significación de las variables de rentabilidad
(grupo 2) ................................................................. 87
6.1.4.3. Significación de las variables de circulante
(grupo 3) ................................................................. 89
6.1.4.4. Significación de las variables (grupo 4) ................. 91
6.2. Análisis de las clasificaciones producidas por el modelo .............. 95
6.2.1. Porcentaje de casos correctamente predichos ................... 95
6.2.2. Resultados submuestras aleatorias ...................................... 97
6.3. Comparativa del modelo propuesto con otros modelos de pro-
babilidad de fracaso empresarial ..................................................... 100
6.3.1. Comparativa modelo propuesto de probabilidad de
impago para 2008 y 2009 y modelo de probabilidad
de impago de la entidad financiera ..................................... 101
impago 2008 y 2009 y modelo de Beaver, Correia y
McNichols .............................................................................. 107
6.3.2.1. Resultados R2 ........................................................... 108
6.3.2.2. Prueba de bondad del ajuste de Hosmer y
Lemeshow ............................................................... 109
6.3.2.3. Porcentaje de casos correctamente predichos ..... 112
impago 2008 y 2009 y modelo de Demirovic y Thomas
(2007) .................................................................................... 114
8
ÍNDICE
6.3.3.1. Resultados R2 ........................................................... 115

6.3.3.2. Prueba de bondad del ajuste de Hosmer y Le-
meshow ................................................................... 116
6.3.3.3. Porcentaje de casos correctamente predichos ..... 119
CAPÍTULO 4. CONSTRUCCIÓN DE UN MODELO PARA LA DETERMINACIÓN DEL VOLUMEN DE

ENDEUDAMIENTO SIN RIESGO A CORTO PLAZO ................................................. 123
1. Introducción ............................................................................................... 123
2. Elección del modelo .................................................................................. 124
2.1. Introducción ..................................................................................... 124
2.2. Determinación de la cuantía F ......................................................... 125
2.2.1. BAIT* ..................................................................................... 125
2.2.2. Amortizaciones y provisiones del año X ............................. 125
2.2.3. Deudas a corto plazo con coste financiero del año X ........ 125
2.2.4. Gastos financieros del año X ............................................... 126
2.2.5. Deudas con coste financiero a corto plazo con empresas
del grupo año X .................................................................... 126
2.3. Determinación del coeficiente de penalización r .......................... 127
3. Elección de las variables explicativas del modelo .................................... 128
3.1. Variables pertenecientes a la cuenta de pérdidas y ganancias ...... 129
3.2. Variables de gestión del circulante .................................................. 131
3.3. Variables flujo de caja ....................................................................... 131
3.4. Variable de Altman para la predicción de quiebra ......................... 132
4. Discusión de los resultados obtenidos por el modelo ............................ 134
4.1. Resultados R2 .................................................................................... 134
4.2. Resultados del modelo versus impagos .......................................... 135
4.3. Significación de las variables independientes ................................ 144
4.3.1. Significación de las variables pertenecientes a la cuenta
de pérdidas y ganancias (grupo 1) ...................................... 144
4.3.2. Significación de las variables pertenecientes a la ges-
tión del circulante (grupo 2) ............................................... 145
4.3.3. Significación de las variables flujo de caja (grupo 3) ......... 145
4.3.4. Significación de la variable D Altman (grupo 4) ................. 146
CAPÍTULO 5. U TILIZACIÓN CONJUNTA DE LOS MODELOS DE PROBABILIDAD DE IMPAGO

Y VOLUMEN DE ENDEUDAMIENTO .................................................................. 149
1. Introducción ............................................................................................... 149
2. Análisis de los resultados obtenidos ......................................................... 150
2.1. Zona 1 ................................................................................................ 152
2.2. Zona 2 ................................................................................................ 158
9
2.3. Zona 3 ................................................................................................ 161

2.4. Zona 4 ................................................................................................ 163
2.5. Variaciones en el punto de corte en la intersección I .................... 165
CAPÍTULO 6. CONCLUSIONES ........................................................................................ 173

1. Conclusiones de la investigación empírica de los modelos .................... 173
1.1. Conclusiones de los modelos de probabilidad de impago de
2008 y 2009 ....................................................................................... 174
1.2. Conclusiones del modelo de volumen de endeudamiento .......... 180
1.3. Conclusiones del análisis conjunto de los dos modelos pro-
puestos .............................................................................................. 182
BIBLIOGRAFÍA ............................................................................................................. 189
10
ÍNDICE DE TABLAS
Tabla 1. Resumen de ratios utilizadas ............................................................... 32

Tabla 2. Ratios utilizadas por Beaver en 1966 en su modelo de predicción del
fracaso empresarial .............................................................................. 40
Tabla 3. Resumen BADEXCUG sobre la muestra ............................................. 54
Tabla 4. Resumen incidencias judiciales sobre la muestra .............................. 55
Tabla 5. Resumen RAI sobre la muestra ........................................................... 56
Tabla 6. Variable dependiente del modelo sobre la muestra .......................... 57
Tabla 7. Resultados R2 modelo 2008 ................................................................. 79
Tabla 8. Resultados R2 modelo 2009 ................................................................. 79
Tabla 9. Resultados Hosmer y Lemeshow probabilidad de impago 2008 ...... 80
Tabla 10. Resultados Hosmer y Lemeshow probabilidad de impago 2009 ...... 81
Tabla 11. Baremo del índice KMO ...................................................................... 83
Tabla 12. Resultados índice KMO 2008 ............................................................... 83
Tabla 13. Resultados índice KMO 2009 ............................................................... 84
Tabla 14. Resultado variables grupo 1, modelo 2008 ........................................ 85
Tabla 22. Resultados variables explicativas, modelo de probabilidad de impago
2008 ....................................................................................................... 92
Tabla 23. Resumen intervalos de significación, modelo 2008 y 2009 ............... 94
Tabla 24. Tabla de clasificación probabilidad de impago 2008 ......................... 96
Tabla 25. Tabla de clasificación probabilidad de impago 2009 ......................... 97
Tabla 26. Tabla de clasificación de submuestras ................................................ 97
11
Tabla 27. Clasificaciones individuales de las submuestras ................................ 98

Tabla 28. Variables independientes en el modelo de la entidad financiera ..... 102
Tabla 29. Resumen R2 modelo entidad financiera 2008 .................................... 103
Tabla 30. Resumen R2 modelo investigación 2008 ............................................. 103
Tabla 31. Resumen R2 modelo entidad financiera 2009 ..................................... 103
Tabla 32. Resumen R2 modelo investigación 2009 ............................................. 104
Tabla 33. Resultados variables independientes entidad financiera 2008 ......... 104
Tabla 34. Resultados variables independientes entidad financiera 2009 ......... 105
Tabla 35. Resumen tabla clasificación modelo entidad financiera 2008 .......... 105
Tabla 36. Resumen tabla clasificación modelo investigación 2008 ................... 106
Tabla 37. Resumen tabla clasificación modelo entidad financiera 2009 .......... 106
Tabla 38. Resumen tabla clasificación modelo investigación 2009 ................... 107
Tabla 39. Resultados R2 modelo Beaver, Correia y McNichols 2008 ................. 108
Tabla 40. Resultados R2 modelo investigación 2008 .......................................... 108
Tabla 41. Resultados R2 modelo Beaver, Correia y McNichols 2009 ................. 109
Tabla 42. Resultados R2 modelo investigación 2009 .......................................... 109
Tabla 43. Prueba de Hosmer y Lemeshow modelo Beaver, Correia y
McNichols 2008 .................................................................................... 110
Tabla 44. Prueba de Hosmer y Lemeshow modelo investigación 2008 ........... 110
Tabla 45. Prueba de Hosmer y Lemeshow modelo Beaver, Correia y
McNichols 2009 .................................................................................... 111
Tabla 47. Resultados tabla de clasificación modelo de Beaver, Correia y
McNichols 2008 .................................................................................... 112
Tabla 48. Resultados tabla de clasificación modelo investigación 2008 ........... 113
Tabla 49. Resultados tabla de clasificación modelo de Beaver, Correia y
McNichols 2009 .................................................................................... 113
Tabla 51. Resultados R2 de Nagelkerke modelo Demirovic y Thomas 2008 .... 115
Tabla 52. Resultados R2 de Nagelkerke modelo investigación 2008 ................. 115
Tabla 53. Resultados R2 de Nagelkerke modelo Demirovic y Thomas 2009 .... 116
Tabla 54. Resultados R2 de Nagelkerke modelo investigación 2009 ................. 116
Tabla 55. Prueba de Hosmer y Lemeshow modelo Demirovic y Thomas 2008 . 117
Tabla 57. Prueba de Hosmer y Lemeshow modelo Demirovic y Thomas 2009 . 118
Tabla 59. Resultados tabla de clasificación modelo de Demirovic y Thomas
2008 ....................................................................................................... 119
12
ÍNDICE DE TABLAS
Tabla 61. Resultados tabla de clasificación modelo de Demirovic y Thomas

2009 ....................................................................................................... 120
Tabla 63. Modelo 2: MCO (n=220) .................................................................... 133
Tabla 64. Resultados R2 ........................................................................................ 134
Tabla 65. Tabla de resultados modelo volumen de endeudamiento e impagos .. 135
Tabla 66. Tabla de clasificación en función del número de empresas ............. 140
Tabla 67. Tabla de clasificación en función del volumen de financiación a
otorgar .................................................................................................. 142
Tabla 68. Resultado grupo 1 ................................................................................ 144
Tabla 72. Resultados Zona 1 ................................................................................ 153
Tabla 80. Resultados intersección I, variación en el punto de corte ................ 165
Tabla 81. Resultados intersección I, variación en el punto de corte ................ 167
Tabla 82. Resultados clasificación modelo de probabilidad de impago ........... 175
Tabla 83. Resultados variables más relevantes del modelo de probabilidad
de impago ............................................................................................. 177
Tabla 84. Resumen de los diferentes resultados modelos de probabilidad
de impago ............................................................................................. 179
Tabla 85. Resumen de los diferentes resultados del modelo de volumen
de endeudamiento a corto plazo. ....................................................... 181
Tabla 86. Resumen de los resultados en las zonas con volumen de endeuda-
miento >0 ............................................................................................ 183
13
ÍNDICE DE FIGURAS
Figura 1. Distribución de las empresas de la muestra por sectores ............... 50

Figura 2. Distribución de las empresas de la muestra por volumen de ventas . 51
Figura 3. Distribución de las empresas de la muestra por activo total ........... 52
Figura 4. Clasificación de impagos .................................................................... 99
Figura 5. Clasificación de pagos ........................................................................ 100
Figura 6. Nivel de acierto volumen de endeudamiento 2008 y 2009 .............. 141
Figura 7. Nivel de acierto volumen de endeudamiento, impago en 2008 y
2009 ...................................................................................................... 141
Figura 8. Nivel de acierto volumen de endeudamiento 2008 y 2009 .............. 143
Figura 9. Nivel de acierto volumen de endeudamiento con impago conjunto
2008 y 2009 .......................................................................................... 143
Figura 10. Niveles de acierto años 2008 y 2009 (III) .......................................... 154
Figura 11. Niveles de acierto años 2008 y 2009 conjuntamente (III) ............... 155
Figura 12. Niveles de acierto años 2008 y 2009, intersección III ....................... 157
Figura 13. Niveles de acierto años 2008 y 2009 conjuntamente, intersección III . 158
Figura 14. Niveles de error en la intersección I al variar el punto de corte
(Tabla 80) ........................................................................................... 166
Figura 15. Error en volumen intersección I ante variaciones en el punto de
corte (Tabla 81) .................................................................................. 167
Figura 16. Valoración de errores para punto de corte 15% en intersección I .. 168
Figura 19. Intersección I en las diferentes zonas estudiadas ............................ 184
Figura 20. Intersección III en las diferentes zonas estudiadas .......................... 185
15
GLOSARIO
ASNEF: Asociación Nacional de Entidades de Financiación

BADEXCUG: Base de datos Experian Closed Users Group
BAIT: Beneficio antes de intereses e impuestos
BAIT*: Modificación del beneficio antes de intereses e impuestos
BAITDA: Beneficio antes de intereses e impuestos depreciaciones y
amortizaciones
CAPEX: Capital Expenditure
CP: Deudas a corto plazo
DCP: Deudas financieras a corto plazo
DLP: Deudas financieras a largo plazo
FCL: Flujo de caja libre
FCL*: Modificación del flujo de caja libre
FGO: Fondos generados por las operaciones
IRB: Internal Rating Based
KMO: Kaiser Mayer Olkin
LOGIT: Modelo de regresión logística
MCO: Mínimos cuadrados ordinarios
MDA: Multivariate Discriminant Analysis
NOF: Necesidades operativas de fondos
PMA: Periodo medio de almacén
PMC: Periodo medio de cobro
PMM: Periodo medio de maduración
17
RAI: Registro de Aceptaciones Impagadas

ROA: Return on assets
ROE: Return on equity
SQ: Cuadrado
TDC: Total deudas a corto plazo
TDL: Total deudas a largo plazo
TV: Tasa de variación
18
CAPÍTULO 1
INTRODUCCIÓN
1. OBJETIVOS
Esta investigación propone desarrollar dos modelos de análisis en el ries-

go de crédito, uno cualitativo y otro cuantitativo, que sirvan de apoyo a las
decisiones conducentes a la concesión de créditos a empresas no cotizadas
en Bolsa y permita disminuir los errores inherentes a dicha decisión. Para
conseguirlo se parte del estudio de los elementos que intervienen en la deci-
sión de conceder créditos por parte de las entidades financieras, así como del
análisis y discusión de los estudios actuales que versan sobre la estimación de
las situaciones de fracaso empresarial.
Así, se elabora, por una parte, un modelo de probabilidad de impago que
complementa el análisis y las predicciones de los modelos existentes en la
actualidad, y por otro lado, se construye un nuevo modelo que determina
el volumen de deuda que se podría conceder sin riesgo en el corto plazo,
basado en flujos de caja y que incluye, además, la evolución de determinadas
variables que se consideran en esta investigación como variables críticas en la
actualidad económica de las empresas.
Desde el punto de vista científico, se han desarrollado modelos conducen-
tes al análisis de diferentes fases del fracaso empresarial, como son la moro-
sidad, los procedimientos concursales, la quiebra y finalmente la liquidación
de una empresa. Los distintos modelos existentes en la literatura presentan,
entre otras, diferencias en la elección de la variable que se toma como indica-
dor del fracaso empresarial. Estas ideas sitúan en momentos diferentes en el
tiempo la predicción de dicha situación, siendo habitualmente la quiebra el
último hecho, precedida por la suspensión de pagos o, como se considerará
en esta investigación, la existencia de incidencias de impago relevantes previas
a las situaciones anteriores.
19
El objetivo perseguido con el primer modelo desarrollado en esta investi-

gación es la explicación de la situación de impago a corto plazo. Este plantea-
miento se deriva de la consideración en este trabajo de las incidencias en pa-
gos como indicador precoz del fracaso empresarial, tratando de conseguir de
este modo anticipar el riesgo de morosidad, entre otros. Por ello, y de forma
novedosa respecto de los modelos existentes, se pretende explicar la variable
incidencias en pagos. Para ello, se formulará un modelo matemático-estadísti-
co que permita concluir si las variables que se seleccionen como explicativas
de dichas incidencias en pagos poseen una alta capacidad predictiva de las
mismas. De este modo la hipótesis que se enuncia y posteriormente se con-
trasta con los datos disponibles es el modelo matemático elegido: la validez
de las variables elegidas como predictores a través de la relación funcional
existente entre ellas y la variable dependiente o variable a explicar.
El segundo modelo propuesto posee un carácter novedoso en sí mismo,
al haber constatado la no existencia de modelos análogos. La hipótesis que
se enuncia es el modelo que soporta la determinación del volumen de deuda
a otorgar a corto plazo, al tiempo que la validez de las variables explicativas
correspondientes.
La relevancia de los objetivos de esta investigación viene potenciada por
la actual crisis financiera, que ha provocado en muchos ámbitos la revisión
de elementos presentes en las estructuras de distintos sistemas económicos,
jurídicos y empresariales. Asimismo, ha puesto en evidencia la necesidad de
analizar, interpretar y renovar las condiciones en las que se aborda la toma de
decisiones en diferentes problemas de impacto y relevancia indiscutibles en
las economías actuales.
Entre las claves que definen la situación financiera actual pueden desta-
carse dos: por un lado, la contracción del crédito, que provoca un freno a la
actividad empresarial; por otro, el incremento de la morosidad en entidades
de crédito, con el consiguiente perjuicio en las ratios de solvencia y liquidez
de dichas entidades.
Por último, es importante señalar que esta investigación se ha desarrollado,
en la parte empírica, con los datos aportados por una entidad financiera de
primera línea. De acuerdo con las opiniones recibidas por parte de personas
responsables de dicha entidad, y según las valoraciones actuales del mercado,
los modelos desarrollados en esta investigación tendrían posibilidad de ser
implementados en un departamento de riesgos, en caso de que los resultados
logrados sean positivos, considerando como tales que se supere el 75% de
correcta clasificación en el modelo de probabilidad de impago y se obtenga un
nivel de error inferior al 10% para el modelo de volumen de endeudamiento
sin riesgo a corto plazo.
20
INTRODUCCIÓN
2. METODOLOGÍA UTILIZADA EN LA INVESTIGACIÓN
Para el desarrollo de esta investigación se ha realizado, en primer lugar,

una revisión bibliográfica sobre los modelos de predicción de quiebra y sol-
vencia empresarial. El principal objetivo de esta revisión ha sido el análisis y
discusión de la variable dependiente utilizada y, consecuentemente, el análisis
de las ratios utilizadas como variables predictivas. El punto de partida que
marca una diferencia de dichos modelos con el modelo de probabilidad de
impago que se desarrolla en esta investigación es la elección de la variable
a explicar o variable dependiente. En consecuencia y, como resultado de la
revisión bibliográfica, se han estudiado las modificaciones a incorporar en las
variables explicativas, de modo que alcancen un alto valor predictivo de la
variable dependiente propuesta.
Como resultado de la revisión de las variables predictivas incluidas en di-
chos estudios y su aplicación práctica, en los modelos que serán desarrolla-
dos, se incorporarán determinadas variables ya incluidas en los modelos pro-
puestos en la literatura financiera, otras referentes a flujos de caja, otras que
componen el ciclo de transformación de tesorería de las empresas, así como
el retardo de todas ellas para ampliar su capacidad de información1.
FASE 1. OBTENCIÓN Y TRATAMIENTO DE DATOS EMPÍRICOS

Una vez seleccionadas las variables a incluir en cada uno de los dos mode-
los propuestos, se ha abordado el análisis y depuración de los datos disponi-
bles a fin de definir cada una de las variables y su posterior tratamiento.
A continuación se detallan los pasos que se han seguido:
t 0CUFODJÂOEFEBUPTDPOUBCMFT4FIBEJTQVFTUPEFVOBCBTFEFEBUPT
de 687 empresas, pertenecientes a diferentes sectores2, aportada por
la entidad financiera referida. Los datos disponibles incluyen tanto las
cuentas de pérdidas y ganancias como los balances de situación del to-
tal de las empresas, todas ellas auditadas y pertenecientes a diferentes
sectores económicos. El periodo de información disponible comprende
desde el 2004 al 2007. Será utilizada para la definición y construcción de
las variables explicativas de los dos modelos.
t 0CUFODJÂOEFMBTJODJEFODJBTFOQBHPTEFMBTFNQSFTBTQFSUFOFDJFOUFTB
la muestra. La entidad financiera facilitó los datos de las incidencias en
pagos de las 687 empresas de los años 2008 y 2009 por medio de diver-
sos informes de uso común en el seno de las entidades financieras, tales
como Badexcug, incidencias judiciales y RAI entre otros. Estos datos
1
El desarrollo de éstas y otras variables explicativas se recoge en los apartados 3.3 y 4.3.
2
La descripción de la muestra se recoge en el apartado 3.2.
21
son la base para la realización de la contrastación de ambos modelos y

su valoración en términos de los errores cometidos en la construcción
de la variable dependiente.
FASE 2. DESARROLLO Y APLICACIÓN DEL MODELO DE PROBABILIDAD

DE IMPAGO
Los pasos que se han seguido para el desarrollo del modelo son los
siguientes:
t $POTUSVDDJÂOEFMBWBSJBCMFEFQFOEJFOUFFOGVODJÂOEFMPTEJWFSTPT
informes de incidencias de pagos de la muestra. De acuerdo con el
número de anotaciones, el importe y la coincidencia de incidencia en
varios informes se ha construido la variable dependiente para proceder
a la comparación con las estimaciones producidas por el modelo de
probabilidad de impago (apartado 3.3).
t $²MDVMPEFMBTEJGFSFOUFTSBUJPTRVFTFQSPQPOFODPNPWBSJBCMFTJOEF-
pendientes. En esta fase y a partir de la revisión bibliográfica realizada,
se han elegido las variables, algunas de las cuales aparecen en trabajos
conocidos si bien se han introducido modificaciones en las mismas y
se han incorporado nuevas variables en el análisis de probabilidad de
impago, como por ejemplo aquellas que incluyen información relativa
a flujo de caja3, a circulante4, y las que mejoren e incrementen la infor-
mación de ciertas variables tanto a través de su evolución pasada como
de sus cuadrados e interacciones.
t 6UJMJ[BDJÂOEFIFSSBNJFOUBTFTUBE½TUJDBT NPEFMP-PHJU
QBSBNPEFMJ[BS
la determinación de la probabilidad de impago. Una vez construido y
depurado el modelo, se procede a su contraste con la base de datos,
analizando a continuación los resultados obtenidos tanto en lo relativo
a la significación e importancia de las variables independientes, como a
la capacidad predictiva del modelo, a través de la correcta clasificación
de las empresas.
t %JTDVTJÂOEFMBSPCVTUF[EFMNPEFMP FTEFDJSBO²MJTJTEFMBFTUBCJMJEBE
de los resultados al aplicarlo a distintas muestras. Si el modelo resulta
estable, será una garantía de implementación tanto en el sector banca-
rio como en aquellas empresas que financien sus ventas a corto plazo.
Desde el punto de vista estadístico la validez del modelo permite su
aplicación con carácter general.
t 4FQMBOUFBS²VOBDPNQBSBDJÂOFOUSFMPTSFTVMUBEPTPCUFOJEPTQPSFM
modelo propuesto (variables predictivas elegidas en esta investigación)
3
Ver apartado 3.4.1.
4
Ver apartado 3.4.3.
22
INTRODUCCIÓN
y el modelo que resulta de incorporar las variables predictivas de los

modelos de otros autores. De este modo podrá concluirse si las varia-
bles del modelo propuesto en esta investigación consiguen una mejor
clasificación final de las empresas susceptibles de llegar a la situación de
impago o, por el contrario, si las variables elegidas por los otros autores
presentan una mayor fuerza explicativa de dicha variable dependiente.
Este último caso implicaría también un buen resultado, ya que ello su-
pondría que dichas variables son válidas para explicar las incidencias
de impago además de la suspensión de pagos o la quiebra para las que
fueron elegidas.
La elección de los modelos propuestos para la comparación ha sido guiada

por diferentes criterios: utilizar un modelo que se está aplicando en la reali-
dad por la entidad financiera que nos facilita la información; utilizar modelos
conocidos y actuales, suficientemente reconocidos en el ámbito científico
académico.
FASE 3. DESARROLLO Y APLICACIÓN DEL MODELO DE VOLUMEN DE

ENDEUDAMIENTO
Las fases que se han seguido para el desarrollo del modelo de volumen de
endeudamiento sin riesgo a corto plazo han sido las siguientes:
t "O²MJTJTEFVOOÈNFSPEFFNQSFTBTQFSUFOFDJFOUFTBMBNVFTUSB QBSB
obtener una estimación de la cuantía de crédito que se podría conce-
der a una empresa en el corto plazo. Se seleccionan para ello un cierto
número de empresas, del total de 687. Esta selección se ha realizado
mediante números aleatorios una vez determinado el tamaño mínimo
muestral, a partir de las 687 iniciales, a fin de lograr un error no su-
perior a 5.000 ` con un nivel de significación del 0,05, supuesto un
muestreo sin reemplazamiento o irrestrictamente aleatorio. La cantidad
finalmente estimada V, depende de una fórmula objetiva F cuyo valor
será penalizado por un coeficiente r.
t .PEFMJ[BDJÂOEFMDPFGJDJFOUFEFQFOBMJ[BDJÂOS BOBMJ[BOEPFJOUSPEV-
ciendo las variables explicativas de este modelo. Para reforzar y/o con-
trastar la validez de esta penalización, se desarrolla un modelo que per-
mita determinar dicho coeficiente, a partir de la información contenida
en variables explicativas que reflejen los criterios que se definirán en su
momento.
t 6UJMJ[BDJÂOEFIFSSBNJFOUBTFTUBE½TUJDBT NPEFMP.½OJNPT$VBESBEPT
Ordinarios) para la estimación de dicho coeficiente de penalización.
Una vez construido y contrastado el modelo, mediante su aplicación a
la base de datos correspondiente, se procede a analizar la significación
23
e importancia de las variables independientes así como la capacidad

predictiva del modelo.
FASE 4. ANÁLISIS CONJUNTO DE LOS DOS MODELOS PROPUESTOS

En el estudio de la concesión de crédito por parte de las empresas financie-
ras se consideran simultáneamente características de tipo cuantitativo (cuantía
a conceder como crédito por parte de la entidad) y de tipo cualitativo (riesgo
de impago), entre otras.
Esta consideración hace pensar en la posibilidad de llevar a cabo un análisis
conjunto de los resultados de los dos modelos propuestos anteriormente. De
la intersección de ambos puede esperarse un mejor apoyo a la toma de deci-
sión de concesión de crédito, al utilizar una mayor cantidad de información
validada por lo dos modelos individualmente, y con el objetivo final de:
t EJTNJOVDJÂOFOMPTFSSPSFTUJQP*ZUJQP**
t DPOTFHVJSVOBNFKPSDMBTJGJDBDJÂODPSSFDUBEFFNQSFTBT
t WBMJEBSMBTDPODMVTJPOFTJOEJWJEVBMFTEFMPTEPTNPEFMPTEFTBSSPMMBEPT
3. ESTRUCTURA DE LA INVESTIGACIÓN
La estructura de la investigación se sigue de manera lógica de los objetivos

y de las fases metodológicas ya explicadas, que se encuentran recogidas en
este primer capítulo.
En el segundo capítulo, se aborda la revisión bibliográfica de los mode-
los existentes en la literatura, cuyo objetivo coincide de manera genérica
con el primer modelo de esta investigación en tanto que consideran la
determinación o estimación de aquella variable que se selecciona como
indicador de la situación de crisis empresarial. Se centra la revisión biblio-
gráfica en los trabajos publicados desde la década de los 60 hasta nuestros
días.
El tercer capítulo se dedica a la construcción del primer modelo propuesto
en esta investigación: modelo de probabilidad de impago. Para ello, se inicia
con el planteamiento de la variable a explicar que se considera un indicador
o anticipador de la situación de fracaso empresarial. Dicha variable es la que
recoge las incidencias en pago. A continuación se realiza la selección y des-
cripción de las variables que inicialmente se entiende que poseen capacidad
predictiva para explicar la variable objeto de estudio. Después de la discusión
de los modelos matemáticos adecuados, se procede a contrastar el modelo
con la base de datos disponible. Finaliza dicho capítulo con un análisis porme-
norizado de los distintos resultados del modelo, como elementos definitorios
de la validez del mismo.
24
INTRODUCCIÓN
De modo análogo, el cuarto capítulo se dedica a la elaboración y desarrollo

del segundo modelo aportado en esta investigación: modelo de determina-
ción del volumen de endeudamiento a corto plazo sin riesgo. Debe destacar-
se en este capítulo la modelización cuantitativa para la determinación de un
coeficiente que permita calificar objetivamente el posible riesgo de impago
de un crédito.
El quinto capítulo ofrece un análisis conjunto de los dos modelos propues-
tos, una vez que se han contrastado como válidos. Es interesante la discusión
de los resultados arrojados por esta intersección de los modelos anteriores,
que permite reforzar y mejorar las conclusiones finales de esta investigación.
Finalmente, en el sexto capítulo, se destacan las conclusiones de esta in-
vestigación , procurando ofrecer una visión completa al tiempo que se expo-
nen las características más reseñables de los resultados obtenidos. En último
término, se citarán las posibles vías de investigación futuras que se derivan de
la elaboración de este trabajo.
25
CAPÍTULO 2
ANÁLISIS DE MODELOS DE FRACASO EMPRESARIAL
1. INTRODUCCIÓN
Resulta fácil detectar una falta de consenso o de homogeneidad en todos

los trabajos de autores relevantes de modelos sobre fracaso empresarial. Y la
razón de ello es de fondo. La distinta acepción otorgada al término fracaso
empresarial, determina el objetivo a perseguir con los modelos elaborados y
condiciona o determina las variables y ratios seleccionadas para su inclusión
en dichos modelos, además de explicar las diferentes metodologías y métodos
cuantitativos de análisis aplicados.
Ello explica la existencia de multiplicidad de estudios y modelos que en el
ámbito de la contabilidad y de las finanzas se han realizado sobre las distintas
fases conducentes al fracaso de una empresa. La revisión de estas obras en la
literatura, permite detectar las diferencias entre los modelos existentes y, so-
bre todo, facilita de manera indiscutible un análisis de la información que los
distintos autores consideran relevante incorporar a fin de predecir la situación
que se desea describir.
Para proceder de manera ordenada y estructurada a la revisión de las apor-
taciones científicas en el análisis de este problema, y como consecuencia de
lo ya mencionado en el primer párrafo, se destacan tres elementos de cuya
revisión se obtienen las clasificaciones de los distintos modelos existentes,
que son, primero ¿qué situación se desea explicar?, esto es ¿cuál es la varia-
ble dependiente del modelo?, segundo ¿qué variables son determinantes o
explicativas de dicha situación? y por último, ¿qué metodología matemático-
estadística se utiliza?, es decir, cuál es la función matemática a través de la
cual las variables elegidas como explicativas son capaces de predecir bien la
variable dependiente.
27
Una clasificación ya tradicional agrupa todos estos modelos en dos grandes

corrientes, por un lado la que se apoya en los estudios realizados por Merton
en 1974 sobre la valoración de opciones y por otro, la corriente en la que,
a partir de la utilización de datos extraídos de los estados contables de las
empresas, se construyen ratios para desarrollar dichos modelos de fracaso
empresarial. En el desarrollo de esta investigación los modelos a desarrollar
se integran en esta segunda categoría.
Desde la década de los sesenta la literatura sobre modelos de predicción
del fracaso empresarial ha sido abundante, debido fundamentalmente a la
necesidad de anticipación de la situación de fracaso de una empresa, dada la
importancia de los efectos negativos que provoca dicha situación en todos
los agentes económicos que intervienen en el desarrollo y actividad de una
compañía/organización.
Los primeros trabajos de relevancia sobre la previsión de fracaso empresa-
rial se deben a Beaver (1966), quien concluía que la ratio flujo de caja/deuda
total era la que mayor valor predictivo tenía respecto del fracaso empresarial.
Por otro lado, Altman en 1968, desarrolla un modelo en el que incorpora el
conocido Z-score que trata de medir la proximidad de una empresa a la quie-
bra. Este modelo inicialmente obtuvo buenos resultados con una fiabilidad
del 90% en la muestra de control, aunque el propio autor ya hacía constar en
sus trabajos que su modelo tenía la limitación de no ser capaz de explicar la
causa del fracaso de las empresas.
Los modelos iniciales de Beaver y Altman fueron evolucionando en las
técnicas utilizadas: análisis discriminante múltiple (Altman, 1968; Altman et al.,
1977; Blum, 1974; Gentry et al., 1985); técnicas multivariantes de probabilidad
condicional, LOGIT y PROBIT (Ohlson, 1980; Mensah, 1984; Zmijewski, 1984);
técnicas de inteligencia artificial y redes neuronales (Bell et al., 1990; Altman
et al., 1994; Tam y Kiang, 1992; Serrano, 1993). Asimismo, esta evolución se
apreció también en las variables incluidas en los modelos tanto las predictivas
o explicativas como la variable dependiente o a explicar en los modelos, como
se explica detalladamente en el epígrafe siguiente.
Parece inexcusable, como punto de partida, hacer un recorrido por los
modelos de fracaso empresarial estudiados y desarrollados tanto por autores
españoles como extranjeros, de forma que se puedan discriminar y verificar
los distintos criterios usados al seleccionar las variables independientes, pre-
dictivas o explicativas y las variables dependientes o explicadas utilizadas en
los diferentes modelos. De este modo, es posible hacer un acercamiento a las
diferentes concepciones de los indicadores y/o descriptores de la situación
de fracaso empresarial, entendida ésta de formas diversas. Por último, y para
completar el análisis descriptivo de los modelos más reconocidos, se analiza-
rán comparativamente las diferentes metodologías empleadas.
28
2. DIFERENTES INTERPRETACIONES DEL CONCEPTO DE FRACASO EMPRESARIAL
Uno de los aspectos básicos del problema tratado se encuentra en el con-

cepto de fracaso empresarial. Esta situación de fracaso o insolvencia de una
empresa no está definida de manera única y son muchas las descripciones y
características que pueden delimitarlo. Así, se observan diferentes significa-
dos en la definición del término solvencia: carencia de deudas, capacidad de
devolverlas y cualidad del solvente.
El hecho de que el término solvencia tenga diferentes acepciones y signifi-
cados, radica en la existencia de distintas fases o situaciones que acaban cons-
tituyendo una escala en la insolvencia. Los distintos momentos de la escala de
insolvencia ha provocado, consecuentemente, que los autores preocupados
por desarrollar modelos de predicción del fracaso empresarial utilicen dife-
rentes variables dependientes.
De la revisión de los modelos existentes es posible deducir qué situacio-
nes son concebidas como fracaso empresarial por los distintos autores. Or-
denando en el tiempo estas situaciones, como habitualmente se presentan
en la vida real, es posible delimitar como fases sucesivas a la morosidad, los
procedimientos concursales, la quiebra técnica y la liquidación de la empre-
sa. Obviamente la presencia de cada una de ellas no implica necesariamente
acceder a la o las siguientes.
Entre los autores que consideran el fracaso empresarial como la situación
en la que una empresa no es capaz de atender sus compromisos de pago
con una entidad financiera, se encuentran Beaver (1966), Edmister (1972) y
Marais et al. (1984). Todos ellos definen el fracaso como la incapacidad de la
empresa para atender las obligaciones financieras a su vencimiento. Dentro
de los autores españoles que comparten esta concepción pueden destacarse
García, Arqués y Calvo-Flores, (1995) que miden el fracaso por medio de la
morosidad, definida ésta como la situación de la empresa que no satisface sus
obligaciones de pago nominal y/o intereses en el plazo de tres meses.
La mayoría de los autores españoles que han desarrollado estos modelos
han utilizado la concepción de insolvencia evidenciada en una situación con-
cursal, definiendo dicha situación como la variable dependiente del modelo.
De éstos podemos destacar a Lizarraga (1997), López et al. (1998), Gómez et
al. (2008) y Rubio (2008).
Un tercer grupo de autores consideran el fracaso empresarial como la
quiebra técnica o la suspensión de pagos. Entre ellos destacamos a Altman
(1968) y Deakin (1972), quien no solo consideró para su muestra de control
empresas en quiebra técnica sino también las que se liquidaban a beneficio
de los acreedores de fondos. Por su parte Taffler (1982) y Casey et al. (1985),
consideran el fracaso empresarial como la situación de las empresas que se
liquidan voluntariamente o por orden legal.
29
Una de las limitaciones que surgen al considerar el fracaso empresarial

por medio de las quiebras técnicas o de la suspensión de pagos es que una
empresa puede estar en una situación de claro fracaso financiero, sin haber
solicitado la quiebra o el concurso de acreedores. En este caso, y debido a las
implicaciones y dificultades que pueden generarse para la empresa y su conti-
nuidad en el futuro en el momento de hacerse pública su situación de dificul-
tad financiera, dicha declaración afectará a multitud de actividades ligadas al
desarrollo normal de la propia explotación del negocio, como pueden ser las
negociaciones de pago con los proveedores, entidades financieras o clientes,
entre otros. Para intentar recoger esta situación, algunos autores toman como
indicador del fracaso empresarial las pérdidas generadas por una empresa. Así
Poston y Harmon (1994) consideran las pérdidas de dos años consecutivos,
mientras que otros como Flagg et al. (1991) y Manzaneque, M et al. (2010)
amplían el periodo de información a tres años consecutivos de pérdidas.
De este modo, a la hora de proponer la definición y la estructura de un
modelo que se constituya en herramienta útil para predecir el fracaso o la in-
solvencia de una empresa, resulta fundamental la idea primitiva acerca de las
características que, como indicadores, sean las que se eligen como variables a
determinar o explicar en el modelo.
No es, en consecuencia, casual la definición de la variable dependiente
y las implicaciones en el modelo resultan obvias: la selección y determina-
ción de los elementos que hayan de jugar el papel de variables predictivas o
explicativas, van unidas de manera inseparable a la previa concepción de la
situación de fracaso empresarial y por tanto de la variable dependiente del
modelo elaborado.
3. VARIABLES EXPLICATIVAS EN LOS DIFERENTES MODELOS DE PREDICCIÓN DEL FRACASO

EMPRESARIAL
La falta de consenso al determinar la variable dependiente en los modelos

de predicción de fracaso empresarial, como ya hemos señalado, da lugar a
una alta dispersión en las variables explicadas seleccionadas en los modelos y
en las variables independientes que son elegidas de forma muy diferente por
los distintos autores.
En la selección de dichas variables los autores persiguen recoger la infor-
mación que, a su juicio y de acuerdo con la variable a explicar, es significativa
inicialmente y que esté disponible bien en los estados financieros de la empre-
sa bien en otros documentos que recojan hechos relevantes para el estudio
del fracaso empresarial.
Para definir el marco general en el que se ha desarrollado a lo largo del
tiempo esta problemática, se comienza por fijar los inicios de estos estudios,
30
y a continuación se procede a enunciar algunos datos significativos en la evo-

lución de las variables incorporadas en los diferentes modelos.
En el estudio pionero de Beaver (1966), según hemos comentado anterior-
mente, de todas las variables seleccionadas la de mayor poder predictivo resul-
tó ser la ratio flujo de caja/deuda total1, con un porcentaje de error del modelo
de un 13%. En el modelo de Altman (1968) se consideraron inicialmente 22
ratios, de las cuales finalmente solo cinco forman parte de la Z-score, (fondo
de maniobra / activo total; reservas acumuladas / activo total; beneficio antes
de intereses y impuestos / activo total; recursos propios / recursos ajenos y
por último, ventas / activo total), resultando por último más significativas las
ratios fondo de maniobra/activo total y beneficio antes de intereses e impues-
tos/activo total.
En trabajos posteriores las aportaciones y mejoras respecto de los mode-
los mencionados anteriormente, se concretan en la introducción de nuevas
ratios o modificaciones de las ya incluidas previamente. Así, Gombola y Ketz
(1983) proponen la inclusión de variables dotadas con un mayor carácter di-
námico y no solo variables estáticas. En sus modelos incluyen como variable
explicativa, entre otras, el flujo de caja, entendido éste no como el beneficio
neto más amortizaciones y provisiones, sino como los fondos generados
por la empresa. De este modo, proponen calcular el flujo de caja partiendo
de la cuenta de resultados de la empresa y ajustándolo de acuerdo con las
variaciones de determinadas partidas del balance de situación. Otros auto-
res como Marais et al. (1984), Frydman et al. (1985), Sharma y Iselin (2003)
introducen el peso relativo del patrimonio neto sobre el total activo como
indicador de la solvencia a largo plazo. Se encuentra también la aportación
realizada por Gombola y Ketz (1983) y Das et al. (2009) de inclusión de la
rotación de existencias, como uno de los componentes del ciclo de transfor-
mación de tesorería, clave para la determinación de la política de circulante
a corto plazo.
Otras aportaciones, ya referidas en Altman et al. (1977), Gombola y Ketz
(1983), Lizarraga (1977) y presentes en el trabajo de Demirovic y Thomas
(2007) incluyen el margen del beneficio antes de intereses e impuestos, mar-
gen de la explotación del negocio.
En la tabla que se incluye a continuación, se recoge un resumen de las
diferentes variables independientes o predictivas utilizadas en trabajos repre-
sentativos españoles y extranjeros.
1
Considera el flujo de caja como el beneficio neto más amortizaciones y provisiones, al
constituir éstas una cuenta de gasto pero no una salida de caja.
31
32
total
Func)/ FGO
Deuda total
/ Activo total
sivo corriente
(Disponible +
finan.Cp - Acc.
+Exigible largo
de explotación
VARIABLES
+Exigible largo
(Fin.Neg.+ otra
Recursos ajenos
(Fondos propios
finan. - Acc.Extr.
PREDICTIVAS
Efectivo / Activo
(Fondos propios
(Activo corriente
finan.Cp) / (FGO)
Activo corriente /
Extr. Func) / FGO
lizable) / Ingresos
- existencias) / Pa-
plazo) / Activo fijo
Activo corto plazo

realizable) / Activo
Recursos propios /
(Fin,Neg.Cp + otra
plazo) / Pasivo total

(Fin.Neg.Cp+ otra
(Disponible + rea-
1
Beaver ( 1966)
1
Altman ( 1968)
1
Deakin (1972)
Blum (1974)
1
Libby (1975)
Altman et al. (1977)
1
Gombola, Ketz (1983)
1
Zmijewski (1984)
1
Marais et, al (1984)
Casey, Bartczak (1985)
Laffarga et al. (1985)
Frydman et al. (1985)
1
Peel et, al ( 1986)
1
Ezzamel et al (1987)
Rodríguez Fernández (1987 y 1989)
1
Pina (1989)
1
Gilbert et al.( 1990)
Koh (1991)
1
López et al. ( 1994)

1
1
1
García et al. (1995)
Kallunki et, al (1996)

1
1
1
1
Lizarraga (1997)
TABLA 1. RESUMEN DE RATIOS UTILIZADAS
Gallego et al. (1997)

1
Ferrando, Blanco (1998)

1
1
1
1
López et al. (1998)
Laitinen, Kankaanpää (1999)

1
Rodríguez López (2001)

1
Somoza (2001)
1
1
1
Abad et al. (2003)

1
Sharma, Iselin (2003)
Beaver et al. (2005)

1
Demirovic, Thomas (2007)
Gómez et al. (2008)

1
Dass et al. (2009)

1
Gonis , Taylor (2009)

2
3
1
1
1
1
9
8
3
8
3
Nº autores

33
neto
total
Ventas
corriente
Activo total
Deuda total
/ Activo total
BAIT / Ventas
Ventas / Activo
VARIABLES
Beneficio neto /
Beneficio neto /
Capital propio /
BAIT / Intereses
/ Pasivo exigible
PREDICTIVAS
Amortizaciones /
Capital circulante
Ventas / Activo no
BAIT / Patrimonio
BAIT / Activo total
Inmovilizado neto
Beneficio retenido
1
1
1
Beaver ( 1966)
1
1
Altman ( 1968)
1
Deakin (1972)
1
Blum (1974)
1
Libby (1975)
1
1
1
1
1
1
1
1
1
1
1
Zmijewski (1984)
1
1
1
1
1
Peel et, al ( 1986)

1
1
1

1
Pina (1989)
1
1
1
1
1

1
1
Koh (1991)

1
1

1
1

1
1
1
1
1
1
1
Lizarraga (1997)
1
1

1

1
1
1

1
Somoza (2001)
1
Abad et al. (2003)

1

1

1
1
1
1
1

1

1
Dass et al. (2009)

1
1

5
5
4
1
4
2
5
1
9
9
15
12
Nº autores

34
total
tación
vo total
Efectivo
BAITDA
exigible
corriente
circulante
plotación
explotación
explotación
/ Deuda total
ción / Activo
ción / Pasivo
CP / BAITDA
ción / Ventas
Disponible /
/ Cash flow de
a corto plazo /
tación / Pasivo
VARIABLES
Disponible (Te-
sorería) / Pasivo
Ingresos de ex-
a CP / Cash flow
PREDICTIVAS
Cash flow explo-
BAITDA / Pasivo
Deuda financiera
Deuda financiera
Deuda financiera
BAITDA / Ventas
Deuda financiera
Deuda total / Acti-

Cuentas a cobrar /
Deuda financiera /
Ingresos de explo-
Cash flow explota-
Disponible / Activo
Cash flow explota-
Cash flow explota-
Cash flow operativo
1
1
1
Beaver ( 1966)
Altman ( 1968)
1
Deakin (1972)
1 Blum (1974)
1
Libby (1975)
1
1
1
1
Zmijewski (1984)

1
1
1
Peel et, al ( 1986)

1
Pina (1989)
1
1
1
1
1
Koh (1991)
1
1
1
1

1
1
1
Lizarraga (1997)
1

1

1
1

1
1
1
1

1
1
Somoza (2001)
1
Abad et al. (2003)

1

1
1

1
1
1
1
1
1
1

1
1
Dass et al. (2009)

1

2
1
2
1
4
2
2
3
4
1
4
2
7
1
1
12
Nº autores

35
tación
Ventas
tencias
exigible
propios
plotación
circulante
circulante
explotación
Existencias /
plazo / Pasivo
plazo / Fondos
VARIABLES
Ingresos de ex-
Ingresos de ex-
/ Valor añadido
Exigible a largo
Exigible a largo
/ Pasivo exigible
/ Ingresos de ex-
PREDICTIVAS
Gastos de perso-
Rotación de exis-
Fondos propios /
plotación / Activo
tación / Gastos de
tación / Activo fijo
Gastos financieros
Gastos financieros
plotación / Capital
Gastos financieros
Ingresos de explo-
Ingresos de explo-
Ingresos de explo-
nal / valor añadido
sos de explotación
Existencias / Ingre-
1
Beaver ( 1966)
Altman ( 1968)
Deakin (1972)
Blum (1974)
Libby (1975)
1
1
Zmijewski (1984)
Peel et, al ( 1986)
1
Pina (1989)
Koh (1991)

1
1
1
1
1
1
1
1
1
1
1

1
1
1
1
1
1
1
Lizarraga (1997)
1
1

1
1

1
1

1
1
1
1
1
1
1
1
1

1
1
Somoza (2001)
Abad et al. (2003)

1

1
Dass et al. (2009)

4
2
3
3
2
5
3
4
3
2
2
3
1
Nº autores

36
tación
Pasivo
Ventas
propios
circulante
Activo total
bra / Ventas
explotación
dos propios
rados / Pasivo
rados / Fondos
Recursos gene-
VARIABLES
Recursos gene-
Pasivo exigible /
Fondos propios
Pasivo corriente
Pasivo exigible /
Fondos propios
PREDICTIVAS
bra / Total activo
Recursos genera-
Activo corriente /
dos / Ingresos de
Fondo de manio-
Fondo de manio-
Patrimonio neto /
Patrimonio neto /
Patrimonio neto /
Pasivo total / Fon-
Pasivo circulante /
Ingresos de explo-
1
1
1
1
Beaver ( 1966)
1
Altman ( 1968)
1
1
1
Deakin (1972)
1
Blum (1974)
1
Libby (1975)
1
1
1
1
1
1
Zmijewski (1984)
1
1
1
1

1

1
Peel et, al ( 1986)
1
1
1
1
1
1
Pina (1989)
1
1
1 Gilbert et al.( 1990)
Koh (1991)
1
1
1

1
1
1
1
1
1
1

1
1

1

1
1
1
1
1
Lizarraga (1997)
1
1

1

1

1

1
1
1
1
1

1
1
1
Somoza (2001)
1
Abad et al. (2003)

1
1

1
1

1
Dass et al. (2009)

1

3
6
9
2
2
4
3
2
4
2
4
20
12
Nº autores

37
tación
lizadas
trianual
exigible
Pasivo Ajeno
Rentabilidad
rados / Pasivo
de impuestos /
VARIABLES
Recursos gene-
Valor añadido /
de cap. Propio /
riano del Activo

Resultado antes
Tasa de retorno
Fondos propios
Nº de ratios uti-
Patrimonio neto
Resultado neto /
PREDICTIVAS
Logaritmo nepe-
dos / Pasivo total
Recursos genera-
medio del pasivo
Valor de mercado
neto / Activo total

Valor de mercado
(Tesorería + deu-
Ingresos de explo-
económica - Coste
dores) / Inventario
1
15
Beaver ( 1966)
5
Altman ( 1968)
Fuente: Elaboración propia

6
Deakin (1972)
1
1
1
6
Blum (1974)
6
Libby (1975)
6
18
4
Zmijewski (1984)
8
4
1
4
2
1
3
Peel et, al ( 1986)
11
1
1
1
1
6
Pina (1989)
13
5
Koh (1991)
1
6
1
1
1
1
34
1
7
1 Kallunki et, al (1996)

1
1
1
1
31
Lizarraga (1997)
1
1
11

5

1
12

1

1
1
1
1
29

1
1
1
14
Somoza (2001)
1
Abad et al. (2003)

7

3

1
18

2

3

4
Dass et al. (2009)

1

4
1
4
4
5
1
4
5
1
6
Nº autores

Los datos recogidos en la tabla anterior permiten apreciar la existencia de

un gran número de variables explicativas, muchas de las cuales se mantie-
nen en los modelos desarrollados desde 1966 hasta la actualidad. Se constata
que las ratios más utilizadas y permanentes en el tiempo son por un lado
activo corriente/pasivo corriente, efectivo/activo, obteniendo de esta manera
información sobre el corto plazo de las empresas y el peso de las cuentas
más líquidas sobre el total de los proyectos de inversión y, por otro lado, de
manera frecuente se incorpora en los modelos la información relativa a la
composición de las deudas de las empresas por medio de ratios como deuda
total/activo total, y patrimonio neto/activo total así como ratios que midan
la rentabilidad de los proyectos de inversión (ventas/activo total, beneficio
retenido/activo total).
Asimismo se observa, en los modelos construidos mayoritariamente a par-
tir de la década de los 90, la incorporación del peso de los gastos financieros
en determinadas partidas de la cuenta de pérdidas y ganancias, reflejándose
de este modo la importancia de considerar el coste financiero como una par-
tida significativa para el fracaso empresarial.
Aún cuando existe una gran diversidad de variables explicativas utilizadas,
es posible hacer una agrupación de las mismas en seis categorías: ratios de
(1) rentabilidad, (2) rotación, (3) solvencia y liquidez, (4) endeudamiento, (5)
estructura económica y (6) flujos de caja.
De forma excepcional otros autores han utilizado variables explicativas no
contables como la existencia o no de salvedades en los informes de auditoría
de las empresas (Peel y Peel, 1987), o la aparición de incidencias en el pago
(Román et al. 2001). En cuanto al estado actual de los estudios, se constata el
intento de incorporar información macroeconómica como complemento a la
información contable existente (Hillegeist et al, 2004).
4. METODOLOGÍAS UTILIZADAS PARA EL DESARROLLO DE LOS MODELOS DE PREDICCIÓN DEL

FRACASO EMPRESARIAL
Los modelos cuantitativos de predicción del fracaso empresarial plan-

tean un doble objetivo: por un lado anticipar el riesgo de que una empresa
pueda estar en el futuro en situación de fracaso empresarial y por otro
analizar si una empresa cumplirá con sus obligaciones de pago. Consecuen-
temente, una entidad financiera utilizará esos modelos con la finalidad de
medir el riesgo de crédito de la empresa que solicita financiación, lo que
implica valorar la pérdida esperada ante un fallido, así como para hacer un
seguimiento del riesgo de impago en operaciones ya concedidas, pudiendo
de esta manera establecer políticas de anticipación ante posibles casos de
impago.
38
La pérdida esperada de crédito dependerá de tres factores:

1. probabilidad de fallido
2. tasa de recuperación
3. valor esperado de la posición o exposición en el momento del fallido.
La consideración en términos de importancia de estos tres elementos pue-

de determinar la metodología o secuencia metodológica incorporada en los
modelos a fin de completar la valoración de la pérdida esperada o, finalmente,
determinar y evaluar la situación de insolvencia. Según Lleo (2009) modelizar
el valor de la posición en el momento del fallido puede quedar relegado a
segundo lugar, lo que conduce a situar en primer lugar la determinación de
la probabilidad de fallido.
Dicha determinación de la probabilidad de fallido resulta, en consecuen-
cia, de primera importancia y debería constituir el primer paso de análisis
en la situación que prevé disminuir el riesgo de crédito en una entidad
financiera. La gran mayoría de los modelos existentes en la literatura sitúan
el fallido en función de la situación jurídica de la empresa en procedimiento
concursal o en quiebra. En menor número, encontramos autores que ana-
lizan la situación de morosidad. La distinta consideración del fallido explica
la diversidad de planteamientos frente al fracaso empresarial que se desea
analizar.
Desde el punto de vista de la metodología científico-cuantitativa utilizada
en los modelos estadísticos elaborados hasta el presente, encontramos una
amplia variedad de modelos en función del tipo de análisis pretendido, de las
características de las variables incorporadas, de la escala de medida correspon-
diente (nominales, categóricas, dicotómicas o no, ordinales, cuantitativas),
del volumen de datos disponibles para la aplicación y contraste así como de
su capacidad para ser aplicados en función de las técnicas concretas, diferen-
ciándose en cada una de ellas la existencia de coeficientes o tests apropiados
para la discusión de la validez del modelo propuesto.
Para la comprensión y posterior explicación de la metodología propues-
ta en los modelos desarrollados en esta investigación, se procede a resumir
las principales diferencias encontradas en los modelos anteriormente citados
partiendo de la clasificación de acuerdo con el tipo de análisis estadístico uti-
lizado, tal y como se propone a continuación.
4.1. Análisis univariante
Se trata de una técnica que debe estar presente como fase inicial en cual-
quier investigación, aunque no se caracterice por ser óptima, ya que además
de tener la ventaja de su simplicidad, tal y como señala Mora (1994) permite
39
una discriminación inicial de las variables seleccionadas. La técnica del análisis

univariante determina el grado de significación de cada variable independien-
te, es decir la capacidad para explicar y predecir la variable respuesta, en este
caso, el fracaso empresarial.
Uno de los primeros investigadores que realizó sus modelos con técnicas
estadísticas, y que se constituyó en referente para la comunidad científica,
fue Beaver en 1966. En su trabajo utilizó el análisis univariante sobre 30
ratios seleccionadas que ya habían sido utilizadas previamente por otros
autores. Clasificó dichas ratios en seis categorías diferentes (tabla 2): ra-
tios de deuda comparada con los activos; ratios de flujo de caja; ratios de
beneficio neto; ratios de activos líquidos frente al pasivo corriente y ratios
relacionadas con las ventas de la empresa. Finalmente seleccionó una ratio
por categoría, como variable explicativa. Como variable dependiente Beaver
consideró la incapacidad de una empresa para hacer frente a sus pagos a
corto plazo.
Los cálculos se aplicaron sobre una muestra de 158 empresas de 38 secto-
res diferentes que recogía información de cinco años. En el diseño de la mues-
tra se aplicó como criterio que la mitad de dichas compañías se encontraran
en situación de fracaso y la otra mitad sanas.
En el desarrollo y aplicación del modelo Beaver llegó a la conclusión, ya co-
mentada previamente, de que la ratio flujo de caja / deuda es la que presenta
mayor poder predictivo.
TABLA 2.
RATIOS UTILIZADAS POR BEAVER EN 1966 EN SU MODELO DE PREDICCIÓN DEL FRACASO EMPRESARIAL
NOMBRE DE LA RATIO CATEGORÍA

Flujo de caja / ventas 1
Flujo de caja / activo 1
Flujo de caja / patrimonio neto 1
Flujo de caja / pasivo 1
Beneficio neto / ventas 2
Beneficio neto / activo 2
Beneficio neto / patrimonio neto 2
Beneficio neto / pasivo 2
Pasivo corriente / activo 3
Pasivo no corriente / activo 3
Pasivo / Activo 3
Pasivo + acciones preferentes / activo 3
Efectivo / activo 4
Activo corriente - existencias / activo 4
40
Activo corriente / activo 4

Fondo de maniobra / activo 4
Efectivo / pasivo corriente 5
Activo corriente - existencias / pasivo corriente 5
Activo corriente / pasivo corriente 5
Efectivo / ventas 6
Cuentas a cobrar / ventas 6
Existencias / ventas 6
Activo corriente - existencias / ventas 6
Activo corriente / ventas 6
Efectivo / gastos de explotación + amortizaciones y provisiones 6
Fondo de maniobra / ventas 6
Patrimonio neto / ventas 6
Activo / ventas 6
Activo corriente - existencias - pasivo corriente / gastos de explotación +
6
amortizaciones y provisiones
RATIOS DE FLUJO DE CAJA 1
RATIOS DE BENEFICIO NETO 2
RATIOS DE PASIVO ENTRE TOTAL ACTIVO 3
RATIOS DE ACTIVOS LIQUIDOS ENTRE TOTAL DE ACTIVO 4
RATIOS DE ACTIVOS LIQUIDOS ENTRE PASIVO CORRIENTE 5
RATIOS DE VENTAS 6
Fuente: Beaver (1966)
4.2. Análisis discriminante
El análisis discriminante comenzó a utilizarse en los años 30, fundamen-

talmente en el ámbito de la biología y las ciencias de la conducta. Consiste en
la obtención de la clasificación de individuos, elementos o empresas, en dos
o más poblaciones o clases, a partir de un conjunto de variables cuantitativas
calculadas previamente. Para proceder a dicha clasificación, se determina una
función denominada función discriminante que permite la agrupación de los
individuos en las diferentes clases. No es posible utilizar variables cualitativas,
pues es requisito en el análisis discriminante que las variables discriminantes
puedan modelizarse estadísticamente como variables con distribución normal.
Si se introducen variables cualitativas se asume el riesgo de que las funciones
discriminantes no sean óptimas.
La función discriminante genérica tiene la siguiente forma:
Z = V1X1 + V2X2 +……….+ VnXn
41
Al trabajar con variables independientes, Xi, (i=1,2,…,n) de tipo cuanti-

tativo las hipótesis previas requeridas para la aplicación del análisis discrimi-
nante suponen al mismo tiempo ciertas limitaciones2. Son las siguientes:
1. Homocedasticidad. La función discriminante buscada es una combi-
nación lineal de las variables independientes que mejor discrimina la
variable dependiente y si no hay igualdad en las matrices de varianzas-
covarianzas debería proponerse una función discriminante cuadrática
y no lineal. No obstante, en la realidad se demuestra que el análisis
discriminante es bastante robusto frente a la heteroscedasticidad.
2. Normalidad multivariante. Muchas de las ratios utilizadas como varia-
bles independientes no suelen tener esta distribución como así se de-
muestra en el estudio realizado por García Ayuso (1995).
3. Tamaños muestrales representativos.
4. Independencia. La muestra aleatoria multivariante se obtiene de mane-
ra independiente en cada uno de los grupos.
En 1968, y tal como se ha mencionado previamente, Altman construyó su

modelo sobre el fracaso empresarial, obteniendo un amplio reconocimiento
en la comunidad científica. Su propuesta formalizó un tipo de análisis cualita-
tivo categorizando empresas en función de la distancia al fallido, entendiendo
por tal a la situación de quiebra. Altman desarrolló su modelo por medio de
métodos estadísticos multivariantes, concretamente el análisis discriminante.
Para ello tomó una muestra de 66 empresas, la mitad de las cuales habían
quebrado y la otra mitad permanecían sanas. Asimismo, Altman partió de 22
ratios utilizadas extensamente en la literatura financiera escrita hasta el mo-
mento y elaboró una función discriminante como resultado de la combinación
de cinco ratios extraídas de las 22 iniciales. La aplicación de los coeficientes
discriminantes de las cinco ratios sugeridos por Altman establece tres clases
o grupos de empresas en función del valor alcanzado por el Z-score. Fija el
primer punto de corte en 2,67, de forma que las empresas con puntuaciones
superiores a este valor tienen un riesgo muy bajo de quiebra, valores entre
1,81 y 2,67 es la llamada “zona gris” y valores inferiores al 1,81 agrupa a empre-
sas con un riesgo alto de quiebra. Otros muchos autores como Deakin (1972),
Libby (1975), Edmister (1988), Barnes (1983) o Karels y Prakash (1987), han
desarrollado modelos de predicción de fracaso empresarial utilizando este
tipo de técnica.
2
R.A. EISENBEIS (1977), “Pitfalls in the application of discriminant analysis in Business, Fi-
nance and Economics”, Journal of Finance, vol. 32, no. 3, pp. 875-900.
42
4.3. Análisis Logit
Este tipo de análisis corresponde a los llamados modelos de regresión

de respuesta cualitativa, en los que el objetivo es estimar la probabilidad de
ocurrencia de una decisión, un suceso, etc. Ello conlleva, en general, a la
estimación de probabilidades de pertenencia o no a una determinada clase
–variable cualitativa–. La variable dependiente en estos modelos es dicotó-
mica, de forma que se denominará “1” al suceso consistente en pertenecer a
la clase o categoría estudiada y “0” al suceso consistente en no pertenecer a
dicha categoría.
La regresión logística binaria o Logit binario es un análisis de regresión
en el que la variable dependiente, como ya se ha dicho, es una variable di-
cotómica. En el problema de reconocimiento de fracaso empresarial, esta
variable tomará el valor “1” si la empresa fracasa y el valor “0” si la empresa
no fracasa.
En el trabajo elaborado por Ohlson en 1980 aparece como principal dife-
rencia respecto a otras investigaciones, un método estadístico novedoso para
evaluar las quiebras. Ohlson por primera vez utilizó el modelo econométrico
de probabilidad condicional de regresión logística (Logit) en lugar del MDA
(Multivariate Discriminant Analysis) para intentar mejorar las deficiencias
que éste último presentaba.
Ohlson consideraba como principales determinantes del éxito empresarial,
el tamaño de la empresa, la medición de su estructura financiera, la medida
de los resultados obtenidos por la entidad y la liquidez actual. A partir de ello,
Ohlson elaboró su modelo utilizando nueve variables predictivas, entre las
cuales se incluyen: el tamaño de la empresa, las ratios citadas comúnmente
en la literatura especializada, los resultados del ejercicio, las medidas de po-
sición, y los resultados y cambios en la posición de la empresa. Propuso por
primera vez, que las muestras se podían seleccionar sin necesidad de contener
el mismo número de empresas en quiebra o no en quiebra y sin necesidad de
mantener en la muestra las diferentes proporciones existentes entre los dos
grupos de empresas.
Los estudios de Ohlson tuvieron una influencia en los estudios posterio-
res sobre la posibilidad de elección de metodologías estadísticas alternativas,
pues se comenzaron a utilizar otros modelos más flexibles en sus requeri-
mientos. Su trabajo empíricamente no tuvo éxito, pero metodológicamente
fue vanguardista en su aportación.
Entre los autores que han utilizado los modelos Logit y Probit destacamos
a Zavgren (1985), Peel et al. (1986), Lizarraga (1997), López et al. (1998), Bec-
cheti y Sierra (2003), Balcaen y Ooghe (2006).
43
4.4. Algoritmo de particiones iterativas
Esta técnica, al igual que los métodos Logit y Probit, no está sujeta a algu-
nas de las restricciones del análisis discriminante, como son la normalidad de
la distribución de probabilidad y la homocedasticidad de las variables expli-
cativas. Con esta técnica se puede clasificar a las empresas como fracasadas o
no, utilizando cada variable explicativa de manera individual, obteniendo así
diferentes clasificaciones de empresas, basadas en el desarrollo de un árbol de
clasificaciones binarias. Respecto de sus limitaciones como técnica, conviene
precisar que una de sus deficiencias es que no permite hacer comparaciones
entre empresas que acaban siendo clasificadas en el mismo grupo.
El método de particiones iterativas fue utilizado en 1984 por Marais et al.
En el trabajo desarrollado por Frydman et al. (1985) se usa este algoritmo
obteniendo un grado de acierto en el nivel de clasificación de empresas fraca-
sadas y no fracasadas superior al que se habría alcanzado utilizando un análisis
discriminante.
4.5. Técnicas de inteligencia artificial
La inteligencia artificial aplicada al fracaso empresarial implica la elabora-

ción de programas de ordenador capaces de generar conocimiento a través del
análisis de las ratios, utilizando posteriormente ese conocimiento para realizar
inferencias sobre nuevos datos. Existen dos procedimientos: el aprendizaje
automático (machine learning) y la explotación de datos (data mining).
Para hacer la revisión bibliográfica sobre técnicas de inteligencia artificial se
ha tomado como punto de partida el trabajo de Tascón Fernández y Castaño
Gutiérrez (2009)3.
Las técnicas de inteligencia artificial comenzaron a aplicarse en modelos de
fracaso empresarial a partir de la década de los 90, fundamentalmente con téc-
nicas basadas en redes neuronales y técnicas de inducción de reglas y árboles
de decisión. Un trabajo pionero en esta técnica es el de Bell et al. (1990).
Algunos autores encuentran estos métodos significativamente mejores que
los modelos de regresión logística, tanto en la predicción como en la estima-
ción de la tasa de clasificación (Zhang et al., 1999). Para estos autores las redes
neuronales presentan la ventaja adicional de su robustez frente a cambios en
la muestra. En cambio, uno de los mayores inconvenientes que revela este
3
M.T. FERNÁNDEZ TASCÓN y F.J. CASTAÑO GUTIÉRREZ, “Predicción del fracaso empresarial: Una
revisión”. Comunicación presentada en el XV Congreso de la Asociación Española de Contabili-
dad y Administración de Empresas. Celebrada en Valladolid, del 23 al 25 de septiembre de 2009.
Disponible en http://www.aeca.es/pub/online/comunicaciones xvcongresoaeca/cd/63b.pdf. Fe-
cha de acceso diciembre 2010.
44
tipo de técnica es la gran cantidad de tiempo necesaria para el desarrollo de

la aplicación (De Andrés, 2000). La utilización de redes neuronales también
ha sido criticada por su ausencia de fundamento teórico (Altman y Saunders,
1998) y por no obtener mejores resultados que los modelos lineales (Altman
et al., 1994).
Existen otras aproximaciones, como la realizada por Xu y Zhang (2009),
que apuntan la conveniencia de combinar varias medidas, como el modelo Z-
Score de Altman con el O-Score de Ohlson y a partir de la teoría de opciones,
miden la distancia al fallido. Aun cuando la capacidad predictiva de cada uno
de esos modelos considerados individualmente resultó positiva en la mues-
tra de empresas cotizadas japonesas, base del estudio, el resultado obtenido
mediante la combinación de ambos presentó un mayor poder predictivo. De
este modo la unión de los dos modelos supone una mejora considerable para
la predicción del fallido.
4.6. Desarrollos actuales
El estudio de los trabajos que en la actualidad se están desarrollando, mues-

tra una tendencia en la evolución de las metodologías utilizadas, orientada a la
superación de distintos problemas de tipo puramente matemático-estadístico,
así como a la extensión de la aplicación de los modelos desarrollados a sec-
tores económicos y a empresas en condiciones determinadas y homogéneas
para toda la muestra.
Así, pueden encontrarse trabajos aplicables a sectores concretos, como
el de seguros (Rodríguez Acebes, 1990; López et al. 1994; Mora, 1994; Lee
y Urrutia, 1996), la banca (Laffarga et .al., 1985; Rodríguez Fernández, 1987;
Pina 1989; Bell et al., 1990; Whalen, 1991; Serrano y Martín, 1993; Wheelock
y Wilson, 2000), o el comercio minorista (Bhargava et al., 1998; McGurr y
DeVaney, 1998).
Otros, se centran en grupos de empresas específicos como PYMES, em-
presas medianas, empresas en zonas geográficas determinadas, entre otros,
reuniendo de este modo empresas que comparten algún tipo de característica
común, siendo interesantes las conclusiones alcanzadas en la aplicación de los
estudios a estos grupos de empresas.
Destacamos particularmente los resultados logrados por algunos trabajos
como el de Dewaelheyns (2006) en el que demuestra que el poder predictivo
de las variables explicativas se modifica de forma relevante al considerar em-
presas que forman parte de un grupo frente a los resultados obtenidos para
las empresas consideradas individualmente.
45
5. CONCLUSIONES DE LA REVISIÓN BIBLIOGRÁFICA
El fracaso de una empresa, entendido como la suspensión de pagos o diso-

lución empresarial, tiene efectos muy negativos tanto en la economía nacional
como en todos los agentes que intervienen en el desarrollo de la misma: tra-
bajadores, proveedores, accionistas, entidades financieras y administraciones
públicas entre otros. Al estudiar lo sucedido en España en los años recientes,
se observa que durante el tercer trimestre de 2010 el número de deudores
concursados alcanza la cifra de 1.127, lo que supone un aumento del 0,9%
respecto al mismo trimestre del año anterior4. En cuanto al número de socie-
dades disueltas en septiembre de 2010 es de 1.077, suponiendo un aumento
interanual del 0,7%5.
Si, por otro lado, se entiende el fracaso empresarial como la situación en
la que una empresa no es capaz de atender sus compromisos de pago con
una entidad financiera, las consecuencias de este tipo de fallo empresarial
son también negativas, y ello se materializa visiblemente en las tasas de mo-
rosidad de las entidades financieras. Así, en el segundo trimestre de 2010
la morosidad del sistema financiero en España en los sectores residentes
ascendió a 69.322 millones de euros, lo que significó un incremento del
30,23% respecto al mismo trimestre del 20096. Por otro lado, los incremen-
tos en las tasas de morosidad obligan a las entidades financieras a dotar
grandes provisiones coincidiendo con un momento de falta de liquidez en
los mercados financieros.
Por lo descrito anteriormente, el control del riesgo de crédito es una de
las mayores preocupaciones para los organismos reguladores de los mer-
cados y entidades financieras, como así lo demuestran los acuerdos del co-
mité de supervisión bancaria de Basilea II, recomendando a las entidades
financieras la implementación de modelos de rating interno de riesgo, de-
nominado IRB (Internal Rating Based). Con el mismo interés, el Banco de
España en su circular 3/20087, establece que las entidades de crédito deben
disponer de sistemas de calificación adecuados para la medición del riesgo
de crédito.
Una de las primeras limitaciones que se ha podido observar en los mode-
los de fracaso empresarial ya consolidados es que no existe consenso. Esta
ausencia de consenso se revela en el concepto de fracaso empresarial8, y
4
Nota de prensa del Instituto Nacional de Estadística de 8 de noviembre de 2010. Dispo-
nible en http://www.ine.es/daco/daco42/epc/epc0310.pdf. Fecha de acceso enero 2011.
5
Nota de prensa del Instituto Nacional de Estadística de 15 de noviembre de 2010. Dispo-
nible en http://www.ine.es/daco/daco42/daco424/sm0910.pdf. Fecha de acceso enero 2011.
6
Informe del Banco de España, Cuadros del boletín estadístico sobre morosidad.
7
Banco de España; Circular 3/2008 (22 mayo).
8
De Andrés (2000).
46
consecuentemente en las variables explicativas del mismo, si bien hay cierta

valoración común acerca de algunas variables con mayor poder explicativo,
como son las ratios de rentabilidad y endeudamiento, y en los modelos y mé-
todos matemáticos utilizados. Ello se ha traducido en la existencia de multitud
de modelos, algunos de los cuales tienen buenos resultados en su muestra
de control aunque resultan inestables fuera de la muestra, por lo que resulta
difícil utilizar un único modelo en la práctica.
Una segunda limitación que se ha constatado es que los modelos de pre-
dicción de fracaso empresarial valoran el riesgo que presenta una compañía
en un momento concreto del tiempo y para unos valores de las variables
presentes, pero no determinan la capacidad de endeudarse que tiene una
organización en función de unas expectativas futuras. Es decir, estos mo-
delos no aportan información de cómo varía el riesgo de una empresa ante
cambios en las situaciones actuales, como por ejemplo un incremento o
una disminución de la deuda financiera. Por ello podría sugerirse que los
modelos de fracaso empresarial sean la base de otros modelos que analicen
las capacidades futuras de las empresas y el efecto de variables macroeco-
nómicas9.
La tercera limitación identificada en dichos modelos es el riesgo del error
en la previsión. Al no existir una fiabilidad del 100% en los resultados, se pue-
de incurrir en dos tipos de errores a la hora de otorgar crédito: el error tipo I,
que consiste en clasificar a una empresa con dificultades como una empresa
sin dificultades y el error tipo II que consiste en clasificar a una empresa sin
dificultades como una empresa con dificultades. Altman, Haldeman y Nara-
yanan (1977) analizaron los efectos de estos errores en la banca. Así, para el
error tipo I estimaron que el coste para el banco sería de un 70% del valor del
préstamo, mientras que el error tipo II implicaría solo un coste de oportuni-
dad valorado entre el 2% y el 4% del valor del préstamo.
Todas estas circunstancias indican claramente la necesidad de crear una
herramienta eficaz para disminuir la subjetividad en los importes finales con-
cedidos como crédito así como una mejor determinación de las rentabilidades
exigidas mediante una correcta determinación del riesgo de impago. Dicha
herramienta podría contribuir no solo a la mejora en la concesión de créditos
por parte de las entidades financieras vía disminución de las tasas de morosi-
dad, sino también como herramienta de mejora en la gestión del riesgo de las
propias compañías, favoreciendo de esta manera mejoras en las rentabilidades
y aumento en el control del riesgo.
9
SOMOZA (2001) introduce variables macroeconómicas como el tamaño de la empresa
deflactado por el PIB o la variación de la producción sectorial. Los resultados sin embargo no
consiguieron incrementar la capacidad predictiva del modelo.
47
De todo ello se sigue en esta investigación la búsqueda de:

t 6ONPEFMPEFQSFEJDDJÂOEFJNQBHPTPFTUJNBDJÂOEFVOBQSPCBCJMJEBE
de impago en un momento anterior a la situación de la morosidad.
t &MFHJSOVFWBTWBSJBCMFTFYQMJDBUJWBTRVFSFDPKBONFKPSMBJOGPSNBDJÂO
derivada de los estados contables o transformar algunas variables ya
utilizadas, con la finalidad de incrementar la predicción del impago.
t %FUFSNJOBSMBDVBOU½BEFGJOBODJBDJÂOBDPODFEFSBVOBFNQSFTB
t $VBOUJGJDBDJÂOEFMPTFSSPSFTUJQP*Z**ZTVEJTNJOVDJÂODPNPDPOTF-
cuencia de una correcta anticipación de las incidencias en la devolución
de un préstamo.
48
CAPÍTULO 3
CONSTRUCCIÓN DE UN MODELO DE PREDICCIÓN

DE IMPAGOS
1. INTRODUCCIÓN
Una vez descritos en el segundo capítulo los diferentes modelos existentes

y analizadas las diferencias entre ellos, en este se describe el marco en el que
se sitúa el presente trabajo y los elementos determinantes del primer modelo
de esta investigación.
Se desarrollará de manera detallada el proceso de construcción de un
modelo de cálculo de probabilidad de impago, tratando de determinar qué
variables económicas obtenidas de los estados financieros de una compañía
afectan y explican el comportamiento de las incidencias de impago de la pro-
pia empresa. El modelo se desarrolla con la pretensión de que sea una herra-
mienta eficaz y útil, en primer lugar para las entidades financieras, al facilitar
información relevante que permita valorar de manera precisa la situación de
riesgo en la concesión de créditos, y en segundo, para la propia empresa, pues
permitirá anticipar posibles situaciones de riesgo de impago.
La entrada en vigor de los Acuerdos de Capital de Basilea (documento co-
nocido como Basilea II) han tratado de establecer una medida del capital más
sensible al riesgo de la propia actividad de las entidades financieras. Basilea II
ha provocado cambios en la gestión y en el control del riesgo de las entidades
financieras, siendo una de las principales modificaciones la inclusión de los
sistemas internos de rating, que afectan a dicho control.
La escalada de la crisis financiera mundial en septiembre de 2008 ha dado
lugar a un periodo caracterizado por la aceleración en el proceso de desapalan-
camiento en el que se halla inmerso el sistema. Este proceso conlleva el riesgo
de una contracción del crédito que en España comenzó entre el segundo y
tercer trimestre de 2007. La crisis ha acrecentado el interés en los distintos
49
aspectos que modifican el riesgo de crédito y en particular el análisis de

solvencia que permita anticipar el riesgo del fracaso empresarial y contro-
lar de manera más eficaz las decisiones de aprobación de una operación
de crédito.
Tomando en consideración la importancia que actualmente tienen los mo-
delos de control de riesgos para las entidades financieras, en esta investigación
se presenta un modelo de utilidad para las mismas. Este modelo incorpora las
recomendaciones del Comité de Supervisión de Basilea, diseñando un sistema
de previsión de impagos para PYMES a partir de una base de datos histórica
(cuatro años) que incluye tanto incidencias de impago de los dos años poste-
riores a la muestra (2008 y 2009), como balances de situación y la cuenta de
pérdidas y ganancias (2004-2007).
2. DESCRIPCIÓN DE LA MUESTRA
La base de datos ha sido aportada por una entidad financiera de primera

magnitud y el número total de empresas incluidas en dicha base es de 687.
La clasificación por sectores de las empresas que componen la muestra, es la
que se expone gráficamente en la siguiente figura:
FIGURA 1.
DISTRIBUCIÓN DE LAS EMPRESAS DE LA MUESTRA POR SECTORES
43,2%
Sector Primario
2,4%
Sector Secundario
54,4% Sector Terciario
50
CONSTRUCCIÓN DE UN MODELO DE PREDICCIÓN DE IMPAGOS
En dicha clasificación los dos sectores más representativos son el secun-

dario y el terciario, teniendo en el primero de ellos un mayor peso el sector
industrial con un 57,8%, en donde la industria mecánica representa el 50,7%
y la industria química el 7,1%, seguido del sector siderúrgico con un 16,4% y
las telecomunicaciones (9,6%). El sector de la construcción tiene un peso del
15,3%. Respecto del sector terciario el mayor peso lo constituye la actividad
de alquiler de bienes con un 69,2% seguido del comercio (11,52%). Se han
incorporado los tres sectores económicos del país dado que los modelos que
se van a construir en esta investigación son generalistas. En el caso de que el
objetivo fuera analizar un sector concreto, posteriormente, se podrá ajustar
el modelo mediante la introducción de aquellos elementos que sean espe-
cialmente relevantes para el mismo, tratando con ello de incorporar toda la
información oportuna.
Con relación al tamaño de las empresas pertenecientes a la muestra, se ha
realizado una clasificación en función tanto del volumen de ventas como del
activo total. Respecto al volumen de ventas (figura 2) la media de los valores
es de 78.553.566 euros, con un valor mínimo de 5.031.312 euros y máximo de
919.818.468 euros, lo que permite clasificar a las empresas pertenecientes a
la muestra como medianas empresas. Atendiendo al volumen total de activo
(figura 3) la media se sitúa en los 118.306.756 euros y sus valores máximos y
mínimos son de 15.088.691.323 euros y 2.115.945 respectivamente.
FIGURA 2.
DISTRIBUCIÓN DE LAS EMPRESAS DE LA MUESTRA POR VOLUMEN DE VENTAS
VOLUMENDE VENTAS
4,9%
20,1% > 100
[60-1000]
40,7% 11,9%
[30-60]
[10-30]
22,4%
< 10
Datos en millones de euros
51
FIGURA 3.
DISTRIBUCIÓN DE LAS EMPRESAS DE LA MUESTRA POR ACTIVO TOTAL
ACTIVO TOTAL
12,3%
> 160
10,5%
42,1% [80-60]
[40-80]
13,6%
[20-40]
21,5%
< 20
Datos en millones de euros
Todas las empresas que componen la muestra han sido auditadas, evitando
de este modo los problemas detectados en otros estudios, como por ejemplo
se señala en el artículo de Abad, Arquero y Jiménez1 quienes constataron que
en ocasiones anteriores “la investigación efectuada sobre el fracaso empresa-
rial ha encontrado serias dificultades para proporcionar modelos predictivos
estables con tasas de éxito adecuadas. Se ha alegado que el origen de esas
dificultades se encuentra en que algunas empresas fracasadas manipulan la
información contable”.
La base de datos con la se ha trabajado para el desarrollo del modelo per-
mite la incorporación, como ya se ha mencionado con anterioridad, de las
correspondientes recomendaciones del Comité de Supervisión de Basilea.
En este caso las características de los elementos de la muestra son, en primer
lugar, que se trata de pequeñas y medianas empresas y, en segundo, que
todas ellas están auditadas, lo que determina condiciones de homogeneidad
que permite el tratamiento estadístico de la muestra.
1
“Procesos de fracaso empresarial. Identificación y contrastación empírica”. Comunica-
ción presentada en el XII Congreso de la Asociación Española de Contabilidad y Administración
de Empresas, celebrada en Cádiz del 29 al 1 de octubre de 2003 en http://www.aeca.es/xiicon-
gresoaeca/cd/37a.pdf. Fecha de acceso diciembre 2010.
52
Los datos disponibles arrojan información distinta según el periodo de

tiempo considerado: así, para los años 2004 a 2007 se dispone de los estados
financieros de las 687 empresas. En concreto y a efectos de las variables que
se definirán para su incorporación en el modelo, se trabajará con los balances
y la cuenta de pérdidas y ganancias. Por otro lado, se dispone de una infor-
mación diferente para los años 2008 y 2009. En este periodo, se ha facilitado
exclusivamente información relativa a distintos registros de incidencias en
pagos, es decir si se ha verificado o no algún impago, para el total de las 687
empresas.
En el primer modelo, que se desarrolla en este capítulo, la utilización de
esta información responde, consecuentemente, al objetivo perseguido. Es de-
cir, en el modelo de probabilidad de impago la información relativa al periodo
2004-2007 permitirá determinar el valor de las variables explicativas, en tanto
que la construcción de la variable a explicar, la situación de impago, se dedu-
cirá de los datos relativos a impago o no para su aplicación sucesiva en el año
2008 y en el año 2009.
Con carácter complementario a los datos muestrales, la misma entidad
financiera ha facilitado la información relativa a las variables explicativas que
incorporan en el modelo de cálculo de probabilidad de fracaso empresarial
por ellos utilizado a fin de determinar los precios de las operaciones. Esta
información será utilizada más adelante (epígrafe 3.6.3.1).
3. ELECCIÓN DE LA VARIABLE DEPENDIENTE
Tal como se ha discutido anteriormente, para la elección y determinación

de la variable dependiente es preciso reconocer en qué fase del proceso que
constituye el fracaso empresarial se desea realizar el análisis y saber qué si-
tuación, en consecuencia, es la que se desea explicar. El punto de partida del
modelo de probabilidad de impago que se plantea en esta investigación es el
estudio de la consideración de la situación de la empresa que no puede hacer
frente a los pagos a corto plazo, como un primer indicio o síntoma significa-
tivo del fracaso empresarial.
Se pretende estimar la probabilidad de impago en lo que se consideran las
primeras consecuencias de los problemas de liquidez, es decir, los impagos
a proveedores, acreedores, organismos de la Seguridad Social y a las propias
entidades financieras, que se constituyen en indicadores de la posible situa-
ción de fracaso.
El principal objetivo, consecuentemente, es desarrollar un modelo que
anticipe una situación de incidencia de impago en una compañía por medio
de la utilización de ratios, obtenidas de sus estados financieros, que actuarán
como variables predictivas de dicha situación, es decir como variables explica-
53
tivas o independientes del modelo. Por este motivo la variable dependiente o

explicada del modelo será la incidencia de impago de una compañía, dado que
desde el punto de partida para el estudio, se ha considerado a ésta como señal
precoz de un posible procedimiento concursal en el corto o medio plazo. Se
utilizarán como subrogado del impago los diferentes registros de incidencias
en pagos que las entidades financieras utilizan habitualmente.
Los registros de incidencias de pago que se tomarán como base para la
construcción de la variable dependiente son ficheros de incumplimiento de
obligaciones dinerarias de titularidad privada. Dicha documentación está a dis-
posición de las entidades financieras, y en ella se aporta información relativa
a incumplimientos de pago, a través de sistemas informáticos centralizados.
Los más conocidos son Badexcug (tabla 3), incidencias judiciales (tabla 4) y
Registro de Aceptaciones Impagadas, denominado RAI (tabla 5).
BADEXCUG posteriores a 01-01-2008, es uno de los ficheros más relevan-
tes de empresas que incurren en morosidad a nivel nacional, gestionado por
el Experian Bureau de Crédito. Se trata de un fichero similar al de Asnef, el
cual recoge impagados de telefonía, de todo tipo de créditos financieros, de
aseguradoras y de avales, entre otros.
A continuación, se muestra resumida la información recogida en los infor-
mes BADEXCUG2 con las incidencias de las empresas estudiadas. Este infor-
me servirá de base para la construcción de la variable dependiente.
TABLA 3.
RESUMEN BADEXCUG SOBRE LA MUESTRA
CONCEPTO IMPORTE
Total empresas con incidencias 33
Nº incidencias 646
Nº medio de incidencias por empresa 20
Importe total de las incidencias 6.359.359
Importe medio de las incidencias 192.708
Valor máximo 1.100.952
Valor mínimo 266
Porcentaje de incidencias sobre el total de la muestra 4,80%
Del informe (tabla 3) destacamos que el 4,8% de las empresas han tenido
incidencias en pagos, con un importe medio de 192.708 euros por incidencia.
2
El informe completo Badexcug se encuentra en el anexo 1.1.
54
A continuación (tabla 4) se muestra un resumen de los informes en don-

de se reflejan las incidencias judiciales3 de las empresas pertenecientes a la
muestra.
TABLA 4.
RESUMEN INCIDENCIAS JUDICIALES SOBRE LA MUESTRA
CONCEPTO IMPORTE
Nº incidencias 4.340
Valor mínimo 0
De ellas conviene destacar que tanto los importes medios por incidencia
(803.908 euros) como el número de empresas con incidencias (87) son muy
superiores al resto de los informes de incidencias, situándose el porcentaje de
incidencias judiciales en el 12,66% sobre el total de la muestra.
Registro de aceptaciones impagadas (RAI) posteriores a 01-01-20084. En el
fichero del RAI únicamente se tratan datos concernientes a personas jurídicas.
En concreto, se recoge la información relativa a aquellos impagados de cuantía
igual o superior a 300 euros, que se produzcan por documentos en los que
conste la firma del deudor-persona jurídica reconociendo la deuda, sean de
uso en masa en el sistema bancario y tengan fuerza ejecutiva. Asimismo, se
recogen aquellos recibos que suplen a las letras de cambio en los que conste
la aceptación del deudor con su firma y que cumplan los restantes requisitos
antes señalados, salvo el de la fuerza ejecutiva. El plazo de prescripción de la
información contenida en el RAI es de 30 meses.
3
El informe completo de incidencias judiciales se encuentra en el anexo 1.2.
4
Informe completo en anexo 1.3.
55
TABLA 5.
RESUMEN RAI SOBRE LA MUESTRA
CONCEPTO IMPORTE
Nº incidencias 2.336
Valor mínimo 300
En el informe resumen RAI (tabla 5) se constata que el porcentaje de inci-

dencias respecto al total de la muestra se sitúa en el 9,17% ocupando de esta
manera el segundo lugar de los tres informes presentados tanto en número
de incidencias, como en importe medio por incidencia (448.592 euros).
En función de los informes anteriormente descritos, se ha construido la
variable dependiente final. Para su determinación se analiza en los datos dis-
ponibles si una empresa ha tenido problemas de impagos tanto en el año 2008
como en 2009. Se ha considerado que una compañía ha tenido incidencias en
pago relevantes, en función del número de incidencias y del importe de las
mismas. Por un lado se considerará que ha habido incidencia de impago en el
caso en que una empresa tenga más de dos anotaciones en cualquiera de los
informes de incidencias utilizados por las entidades financieras, al constituir
una repetición en el corto plazo en salvedades de pago. Por otro, siempre
que el importe de la incidencia sea superior a los 10.000 euros también se ha
tomado como incidencia de impago.
Si la empresa ha experimentado una incidencia de impago la variable de-
pendiente tendrá el valor “1” en tanto que la no incidencia de impago se
representará por el valor “0” de la variable. De esta manera la variable depen-
diente se define como una variable dicotómica, lo que implica y exige una
determinada metodología de trabajo.
Al disponer de datos correspondientes a dos años consecutivos y definir
la variable dependiente para cada uno de ellos, se han desarrollado dos
aplicaciones del modelo de probabilidad de impago con la misma muestra.
El objetivo de los modelos de probabilidad de impago de 2008 y de 2009,
utilizando el periodo 2004-2007 para el cálculo de las variables indepen-
56
dientes, es analizar qué variables independientes explican mejor el compor-

tamiento de la variable dependiente, es decir, cuál es la fuerza explicativa
o significativa de dichas variables en la determinación de la incidencia de
impago.
Los datos aportados en la Tabla 6 son los valores finales de la variable
dependiente, obtenidos de acuerdo con los criterios anteriormente citados
sobre los diferentes informes de incidencias utilizados en esta investigación,
y en ella:
1. ID es el identificador de la empresa. Por aplicación de la ley de protec-
ción de datos no se muestra el nombre de las compañías.
2. R2008, son las incidencias reales de impago, de acuerdo con los crite-
rios previamente establecidos, de las compañías en el año 2008, toman-
do el valor “1” si ha tenido incidencias y el valor “0” en caso contrario.
3. R2009, son las incidencias reales de impago del año 2009, definidas de
forma análoga a las recogidas en el punto anterior.
TABLA 6.
VARIABLE DEPENDIENTE DEL MODELO SOBRE LA MUESTRA
ID R2008 R2009 ID R2008 R2009 ID R2008 R2009 ID R2008 R2009
6.058 0 0 3.278.131 0 0 4.082.164 0 0 4.252.651 0 0
37.461 0 0 3.278.345 0 0 4.082.732 0 0 4.256.007 0 0
39.042 0 1 3.278.915 0 0 4.083.144 0 0 4.256.013 0 0
39.093 0 0 3.279.366 0 0 4.083.387 0 0 4.256.037 0 0
41.451 1 1 3.279.441 0 0 4.090.866 0 0 4.256.046 0 0
42.262 0 0 3.279.473 0 0 4.090.899 0 0 4.256.059 0 0
42.328 0 0 3.285.901 1 1 4.092.703 0 0 4.256.066 0 0
43.128 0 0 3.300.343 0 0 4.095.778 0 0 4.256.095 0 0
43.900 0 0 3.302.218 0 0 4.101.596 0 0 4.256.100 0 0
44.813 0 0 3.304.889 0 0 4.101.627 0 0 4.256.112 0 0
44.864 0 0 3.317.691 0 0 4.104.397 0 0 4.256.128 0 0
53.140 0 0 3.333.442 0 0 4.104.597 0 0 4.256.139 0 0
61.095 0 0 3.335.426 0 0 4.109.168 0 0 4.256.177 0 0
61.195 0 1 3.338.575 1 1 4.111.152 0 0 4.256.211 0 0
66.401 0 0 3.361.209 0 0 4.111.578 0 0 4.256.218 0 0
67.461 0 0 3.361.649 0 0 4.113.290 0 0 4.256.229 0 0
68.300 0 0 3.363.524 0 0 4.113.329 1 1 4.256.248 0 0
69.665 1 1 3.377.951 0 0 4.113.373 0 0 4.256.249 0 0
71.176 0 0 3.390.444 0 0 4.113.726 0 0 4.256.264 0 0
72.017 0 0 3.392.618 1 1 4.113.922 0 0 4.256.277 0 0
72.018 0 0 3.422.144 0 0 4.114.886 0 0 4.256.335 0 0
57

2.655.782 0 0 3.422.737 0 0 4.115.722 0 0 4.256.379 0 0
2.672.230 0 0 3.422.957 0 0 4.116.551 0 0 4.256.423 0 0
2.672.922 0 0 3.423.105 1 1 4.121.659 0 0 4.256.425 0 0
2.734.775 0 0 3.423.569 0 0 4.124.828 0 1 4.256.451 0 0
2.844.107 0 0 3.423.990 0 0 4.127.100 0 0 4.256.547 0 0
2.844.122 1 1 3.513.865 0 0 4.136.312 0 0 4.256.578 0 0
2.845.247 0 0 3.544.538 0 0 4.139.024 0 0 4.256.610 0 0
2.845.828 0 0 3.559.176 0 0 4.146.079 0 0 4.256.620 0 0
2.846.880 0 0 3.581.334 0 0 4.147.687 0 0 4.256.624 0 0
2.848.013 0 0 3.584.203 0 0 4.152.229 0 0 4.256.625 0 0
2.848.061 0 0 3.592.114 0 0 4.162.776 0 0 4.256.652 0 0
2.848.150 0 0 3.629.717 0 0 4.164.134 0 0 4.256.725 0 0
2.848.582 0 0 3.669.810 0 0 4.169.527 0 0 4.256.738 0 0
3.021.324 0 0 3.703.694 0 0 4.196.038 0 0 4.256.739 0 0
3.022.715 0 0 3.733.514 1 1 4.207.098 0 0 4.256.753 0 0
3.030.943 0 0 3.734.784 0 0 4.215.652 0 0 4.256.861 0 0
3.033.894 0 0 3.734.791 0 0 4.220.344 0 0 4.258.211 0 0
3.102.559 1 1 3.787.580 0 0 4.221.765 0 0 4.258.213 0 0
3.117.300 1 1 3.831.151 0 0 4.222.077 0 0 4.258.220 0 0
3.177.243 1 1 3.908.364 0 0 4.223.467 0 0 4.258.230 0 0
3.217.665 0 0 3.960.805 0 0 4.225.145 0 0 4.258.247 0 0
3.227.456 0 0 3.983.985 0 1 4.225.161 0 0 4.258.306 0 0
3.235.967 0 0 3.994.012 0 1 4.225.182 1 1 4.258.370 0 0
3.259.020 0 0 4.000.295 1 1 4.225.952 0 0 4.263.789 0 0
3.271.507 0 0 4.037.090 0 0 4.226.194 0 0 4.263.799 0 0
3.276.158 0 0 4.044.209 0 0 4.227.091 0 0 4.267.072 0 0
3.276.962 0 0 4.049.977 0 0 4.228.293 0 0 4.267.083 0 0
3.277.056 0 0 4.053.042 1 1 4.229.479 0 0 4.268.055 0 0
3.278.036 0 0 4.081.568 0 0 4.239.655 0 0 4.268.829 0 0
4.269.383 1 0 4.429.408 0 0 4.511.166 0 0 4.650.032 0 0
4.269.690 0 0 4.429.458 0 0 4.511.179 0 0 4.650.056 0 0
4.274.111 0 0 4.429.536 0 0 4.511.259 0 0 4.650.235 0 0
4.275.181 1 0 4.429.697 0 0 4.511.305 0 0 4.650.257 0 0
4.281.237 0 0 4.437.679 0 0 4.511.389 0 0 4.651.759 0 0
4.311.038 0 0 4.438.887 0 1 4.511.465 0 0 4.656.038 0 0
4.322.744 0 0 4.440.888 0 0 4.511.506 0 0 4.657.118 0 0
4.322.957 0 0 4.456.556 0 0 4.511.535 0 0 4.657.843 0 0
4.323.892 0 0 4.459.445 0 0 4.511.633 0 0 4.660.559 0 0
4.332.485 0 0 4.459.781 1 1 4.511.634 0 0 4.661.124 0 0
4.340.317 0 0 4.462.570 0 0 4.511.641 0 0 4.662.246 0 0
4.344.632 0 0 4.463.223 0 0 4.511.690 0 0 4.666.048 0 0
4.344.659 0 0 4.466.792 0 0 4.511.703 0 0 4.668.900 0 0
4.348.987 0 0 4.467.345 0 0 4.512.084 0 0 4.669.939 0 0
58

4.349.492 0 0 4.467.759 0 0 4.512.244 0 0 100.009.259 0 0
4.366.599 0 0 4.468.843 0 0 4.521.273 0 0 100.009.331 0 0
4.379.211 0 0 4.468.862 0 0 4.523.455 0 0 100.009.720 1 1
4.379.259 0 0 4.469.632 0 0 4.524.796 0 0 100.010.291 0 0
4.379.538 0 0 4.483.696 0 0 4.527.791 1 1 100.010.314 0 0
4.379.896 0 0 4.491.391 0 0 4.531.142 0 0 100.010.347 0 0
4.380.106 0 0 4.494.090 0 0 4.531.785 1 1 100.010.454 0 0
4.380.338 0 0 4.494.204 0 0 4.557.278 0 0 100.011.031 0 0
4.380.710 0 0 4.497.248 0 0 4.557.815 0 0 100.011.109 0 0
4.381.400 0 0 4.497.497 0 0 4.557.937 0 0 100.011.632 0 0
4.382.115 0 0 4.497.500 0 0 4.557.988 0 0 100.011.655 0 0
4.390.615 0 0 4.497.657 0 0 4.559.127 0 0 100.011.794 0 0
4.393.234 0 0 4.499.708 0 0 4.560.156 0 1 100.012.009 0 0
4.393.357 1 0 4.500.907 0 0 4.566.476 0 0 100.012.133 0 0
4.405.219 0 0 4.501.219 0 0 4.568.900 0 1 100.013.425 0 0
4.407.744 0 0 4.501.922 0 0 4.570.085 0 0 100.014.430 0 0
4.408.259 0 0 4.502.807 0 0 4.572.008 0 0 100.015.434 0 1
4.408.269 0 0 4.503.292 0 0 4.578.656 1 1 100.015.467 0 1
4.408.275 0 0 4.506.683 0 0 4.583.206 0 0 100.015.551 0 0
4.408.975 0 0 4.507.110 0 0 4.589.151 0 0 100.015.605 0 0
4.410.365 0 0 4.508.254 0 0 4.607.446 0 0 100.015.653 0 0
4.412.851 0 0 4.508.333 0 0 4.612.768 0 0 100.015.869 0 0
4.412.991 0 0 4.508.668 0 0 4.618.858 0 0 100.016.164 0 0
4.423.843 0 0 4.509.110 0 0 4.624.570 0 0 100.016.251 0 0
4.423.870 0 0 4.509.303 0 0 4.626.830 0 0 100.016.470 0 0
4.424.953 0 0 4.509.318 0 0 4.627.487 0 0 100.016.475 0 0
4.428.697 0 0 4.509.585 0 0 4.637.378 0 0 100.016.600 0 0
4.429.166 0 0 4.509.639 0 0 4.637.559 1 1 100.016.687 0 0
4.429.186 0 0 4.509.701 0 0 4.637.949 0 0 100.016.940 0 0
4.429.189 0 0 4.509.820 0 0 4.637.965 0 0 100.017.168 0 0
4.429.208 0 0 4.510.108 0 0 4.640.211 0 0 100.017.283 0 0
4.429.269 0 0 4.510.156 0 0 4.647.067 0 0 100.017.506 0 0
4.429.318 1 0 4.510.295 0 0 4.649.780 0 0 100.017.519 1 1
4.429.319 0 0 4.510.763 0 0 4.649.928 0 0 100.017.859 0 0
4.429.320 0 0 4.510.836 0 0 4.650.015 0 0 100.018.437 0 0
4.429.396 0 0 4.510.933 0 0 4.650.023 0 0 100.018.672 0 0
100.018.809 0 0 100.035.994 0 0 100.049.845 0 0 100.074.658 0 0
100.018.864 0 0 100.036.002 0 0 100.050.552 0 0 100.075.319 0 0
100.019.331 0 0 100.036.456 0 0 100.050.878 0 0 100.075.430 0 0
100.019.451 0 0 100.036.461 0 0 100.051.188 0 0 100.076.306 0 0
59
100.019.545 0 0 100.036.785 0 0 100.051.946 0 0 100.076.553 0 0
100.019.877 0 0 100.037.022 0 0 100.052.259 0 0 100.076.727 0 0
100.020.453 0 0 100.037.034 0 0 100.052.260 0 0 100.077.931 0 0
100.020.788 0 0 100.037.426 0 0 100.052.300 0 0 100.077.934 0 0
100.021.400 0 0 100.037.629 0 0 100.052.312 0 0 100.078.676 0 0
100.021.566 0 0 100.037.713 0 0 100.052.751 0 0 100.079.579 1 1
100.021.575 0 0 100.038.058 1 1 100.053.093 0 0 100.079.607 0 0
100.021.666 0 0 100.040.316 0 0 100.053.632 1 1 100.080.282 0 0
100.021.930 0 0 100.040.335 0 0 100.053.658 0 0 100.080.629 0 0
100.021.936 0 0 100.040.933 0 0 100.054.264 1 1 100.081.217 0 0
100.022.495 0 0 100.041.263 1 0 100.054.851 0 0 100.081.649 0 0
100.022.636 0 1 100.041.905 1 0 100.054.987 0 0 100.081.859 0 0
100.022.742 0 0 100.042.898 0 0 100.056.475 0 0 100.082.295 0 0
100.022.975 0 0 100.042.952 0 0 100.056.702 0 0 100.082.414 0 0
100.023.185 1 0 100.042.953 0 0 100.057.003 0 0 100.082.910 0 0
100.023.613 0 0 100.042.986 0 0 100.058.114 0 0 100.083.226 0 0
100.023.621 0 0 100.043.020 0 0 100.058.689 0 0 100.084.510 0 0
100.023.921 0 0 100.043.562 0 0 100.059.080 0 0 100.084.697 0 0
100.023.982 0 0 100.043.595 0 0 100.060.134 0 0 100.084.699 0 0
100.024.383 0 0 100.043.604 0 0 100.060.137 0 0 100.085.078 0 0
100.025.090 0 0 100.043.696 0 0 100.060.206 0 0 100.087.207 0 0
100.025.410 0 0 100.044.080 0 0 100.060.284 0 0 100.088.522 0 0
100.025.572 0 1 100.044.176 0 0 100.060.356 0 0 100.088.559 0 0
100.025.845 0 0 100.044.720 0 0 100.060.666 0 0 100.088.649 0 0
100.026.303 0 0 100.045.077 0 0 100.060.789 0 0 100.096.003 0 0
100.026.602 0 0 100.045.127 0 0 100.062.958 0 0 100.096.125 0 0
100.027.118 0 0 100.045.400 0 0 100.063.354 0 0 100.097.946 0 0
100.027.830 0 0 100.045.646 0 1 100.064.566 0 0 100.122.141 0 0
100.029.170 0 0 100.046.163 0 0 100.066.536 0 0 100.123.326 0 0
100.029.443 0 0 100.046.164 0 0 100.066.543 0 0 100.124.585 0 0
100.031.354 0 0 100.047.162 0 0 100.066.678 0 0 100.133.416 0 0
100.031.904 0 0 100.047.325 0 0 100.066.928 0 0 100.134.499 0 0
100.032.031 0 0 100.047.675 0 0 100.068.577 0 0 100.144.891 0 0
100.032.440 0 0 100.048.524 0 0 100.068.581 0 0 100.148.194 0 0
100.033.159 0 0 100.048.816 0 0 100.068.896 0 0 100.150.555 0 0
100.033.332 0 0 100.048.846 0 0 100.068.931 1 1 100.162.004 0 0
60
100.033.455 0 0 100.048.932 0 0 100.069.001 0 0 100.179.241 0 0
100.034.882 0 0 100.048.935 0 0 100.069.382 0 0 100.182.660 0 0
100.034.928 0 0 100.048.966 0 0 100.069.677 0 0 100.189.240 0 0
100.035.095 0 0 100.048.985 0 0 100.071.251 0 0 100.197.557 0 0
100.035.306 0 0 100.049.047 0 0 100.071.388 0 0 100.203.723 0 0
100.035.405 0 0 100.049.077 0 0 100.071.657 0 0 100.211.672 0 0
100.035.563 0 0 100.049.115 0 0 100.071.720 0 0 100.216.895 0 0
100.035.818 0 0 100.049.253 0 0 100.072.120 0 0 100.216.900 0 0
100.035.864 0 0 100.049.658 0 1 100.073.236 1 1 100.220.289 0 0
100.220.507 0 0 100.468.470 0 0
100.220.613 0 0 100.484.280 0 0
100.221.655 0 0 100.500.131 0 0
100.223.574 0 0 100.516.527 0 0
100.234.930 0 0 100.517.182 0 0
100.236.016 0 0 100.517.575 0 0
100.246.026 0 0 100.517.786 0 0
100.248.561 0 0 100.518.483 0 0
100.251.735 0 0 100.519.593 0 0
100.251.803 0 0 100.520.902 0 0
100.252.608 0 0 100.522.626 0 0
100.255.274 0 0 100.524.146 0 0
100.256.714 1 1 100.534.815 1 1
100.269.977 0 0 100.595.053 0 0
100.272.199 0 0 100.595.464 0 0
100.280.195 0 0 100.596.262 0 0
100.284.824 0 0 100.600.178 0 0
100.287.068 0 0 100.600.478 0 0
100.287.499 0 0 100.600.856 0 0
100.291.669 0 0 100.600.857 0 0
100.303.955 0 0 100.603.415 0 0
100.312.210 0 0 100.603.488 0 0
100.322.699 1 1 100.610.342 0 0
100.336.253 0 0 100.615.293 0 0
100.337.823 0 0 100.617.921 1 1
100.342.977 0 0 100.633.561 0 0
100.343.805 0 0 100.657.383 0 0
61
ID R2008 R2009 ID R2008 R2009
100.362.997 0 0 100.660.506 0 0
100.363.063 0 0 100.660.576 0 0
100.364.588 0 0 100.668.599 0 0
100.370.972 0 0 100.679.430 0 0
100.378.316 0 0 100.700.076 0 0
100.380.627 0 1 100.703.570 0 0
100.383.517 0 0 100.726.399 0 0
100.387.202 0 0 100.746.245 0 0
100.398.594 0 0 100.746.559 0 0
100.407.344 0 0 100.748.475 0 1
100.415.104 0 0 100.756.926 0 1
100.433.130 0 0 100.758.043 0 0
100.434.035 0 0 100.779.662 0 0
100.440.711 0 0
100.441.068 0 0
100.448.967 0 0
100.451.186 0 0
100.452.721 1 1
100.456.928 0 0
100.456.931 0 0
100.458.123 0 0
100.461.626 0 0
100.462.895 0 0
Los datos anteriores se resumen en la forma siguiente:

t &MOÈNFSPUPUBMEFFNQSFTBTQFSUFOFDJFOUFTBMBNVFTUSBTPCSFMBTRVF
ha sido posible recoger esta información, es de 686. Se ha eliminado
una empresa en la que no se disponen de todos los datos necesarios
para su inclusión en el modelo.
t &OFMBÁP TFDPOUBCJMJ[BOVOOÈNFSPUPUBMEFFNQSFTBTRVF
han presentado impago. Esta cantidad permite, mediante la estimación
de la probabilidad de impago a través de la frecuencia relativa de la
presentación del suceso, establecer un punto de corte de aproximada-
mente 44/686 = 6,41% para la obtención de la clasificación resultante
del modelo. Es decir, si de acuerdo con el modelo la probabilidad de
impago estimada para una empresa es superior al 6,41% se considerará
62
que el modelo clasifica a dicha empresa como “1”. Este valor de corte
habrá de ajustarse posteriormente en función del total de empresas que
ciertamente integren la muestra para la construcción del modelo.
t 1BSBFMBÁP FMOÈNFSPEFFNQSFTBTRVFIBOUFOJEPJODJEFODJBT
en pagos es de 58, lo que supone una estimación de la probabilidad de
corte en 7,14%. Al igual que en el ejercicio 2008, este valor se ajustará
posteriormente en función del total de empresas que formen parte de
la muestra definitiva.
t &MOÈNFSPEFFNQSFTBT EFMUPUBMEFMBNVFTUSB RVFIBOUFOJEPJODJ-
dencias en los dos años consecutivos es de 32.
4. VARIABLES EXPLICATIVAS DEL MODELO
Una vez establecida la concepción del impago, la definición y selección de las

variables independientes del modelo vendrá guiada por la búsqueda de toda la
información que, según se considera en esta investigación, se debe incorporar
para lograr una mejor explicación y realismo en el análisis de los estados finan-
cieros de una empresa que permita una mejor medida de la probabilidad de
impago, entendido éste como señal inicial de un posible fracaso empresarial.
Para la determinación de las variables explicativas del modelo de probabi-
lidad de impago se partirá de las siguientes características que deben recoger
las variables seleccionadas, y que se toman al mismo tiempo como criterios
de selección y definición de las variables:
a) Dinamismo: la introducción de variables de flujo de caja es relevante al
incorporar información dinámica de los estados financieros. Asimismo,
estas variables permiten determinar la generación de fondos que posi-
bilitará afrontar el pago del pasivo con coste financiero.
b) Rentabilidad: la estimación de la rentabilidad, tanto de la explotación
del negocio como la rentabilidad financiera de las empresas, es un dato
muy relevante al objeto de verificar los resultados que realmente se han
obtenido de las inversiones de la empresa.
c) Eficacia en la gestión del circulante y su cuantificación relativa: una de
las situaciones que puede predecir y, en la mayoría de los casos, de-
terminar el impago es la incapacidad de financiación del circulante.
La gestión de éste se halla íntimamente relacionada con la gestión del
periodo medio de maduración o ciclo de transformación de tesorería.
d) Estructura de la deuda.
e) Temporalidad: la consideración de ciertas variables en un momento
determinado (análisis estático) no permite recoger la evolución de las
mismas en periodos sucesivos, siendo importante la observación y me-
63
dición de su evolución en el tiempo (análisis dinámico). Asimismo, de-

terminadas variables presentan efectos con un cierto retardo temporal,
por lo que su análisis requiere disponer de valores consecutivos de las
mismas.
Todas las variables se han definido en forma de ratio para evitar de este
modo el efecto del tamaño. Posteriormente se pueden ajustar los resultados
obtenidos por cada una de las variables a una escala, siendo así fácilmente
comparables e interpretables.
Las variables que finalmente se han seleccionado son, o bien modificacio-
nes de variables utilizadas por otros autores los cuales, como ya hemos des-
crito en el capítulo dos, estudian el fracaso empresarial en fases diferentes a la
que aquí se ha elegido, o nuevas variables, pretendiendo con ello incrementar
el valor predictivo, al suponer una mejor captación de información relevante
para la determinación de la probabilidad de impago.
La clasificación de las variables explicativas se ha realizado en seis grupos,
cuatro de los cuales se han formado atendiendo a su significado financiero y a
los criterios anteriormente descritos (variables de flujo de caja, ratios económi-
cas, ratios de circulante y ratios de endeudamiento), mientras que los otros dos
grupos (variables al cuadrado e interacciones entre variables) aglutinan variables
que se obtienen a partir de las anteriores y resultan necesarias para la mejora del
modelo, tanto por incorporar efectos debidos a la consideración conjunta de al-
gunas de ellas como por exigencias del propio modelo matemático utilizado.
4.1. Variables de Flujo de Caja
Al introducir variables de flujo de caja se atiende principalmente al primer

criterio enunciado dado que, de este modo, se ajusta la cuenta de resultados
de las empresas con las inversiones o desinversiones efectuadas por las mis-
mas en la explotación del negocio, mediante la variación de determinadas
partidas de los balances de situación.
Las variables flujo de caja que se utilizarán y definirán a continuación, a
diferencia de Beaver, no son el beneficio neto más las amortizaciones y provi-
siones, puesto que en este caso no se contemplan determinados movimientos
de dinero como son las inversiones en la explotación del negocio, tanto en el
largo como en el corto plazo.
Al ser el objetivo propuesto analizar la probabilidad de impago habrá de
compararse la capacidad que tiene una empresa de generar fondos con las
deudas contraídas por ésta. En consecuencia, se considera que la variable be-
neficio neto más amortizaciones y provisiones no permite definir totalmente
el flujo monetario generado por la empresa.
64
Por ello, en esta investigación se partirá de diferentes concepciones de

beneficio o pérdida y se ajustará con determinadas variaciones del balance
de situación, como son las inversiones o desinversiones en la explotación del
negocio tanto a corto como a largo plazo.
1. Cálculo de la variable (FCL/CP) 5

Al introducir esta ratio (flujo de caja libre/deudas a corto plazo) se persigue
conocer la capacidad que tiene una empresa para hacer frente a sus pagos a
corto plazo con los fondos generados por la explotación de su negocio, sin
tener en cuenta la estructura financiera de la compañía.
Si la ratio tomara valores negativos, implicaría que el flujo de caja libre
(FCL) es negativo. Por consiguiente no se podría hacer frente a las obligacio-
nes contraídas por la empresa en el corto plazo, afectando negativamente a la
probabilidad de impago, que se verá incrementada. Esta situación requeriría
de financiación ajena a la explotación del negocio. Si, por el contrario, la ratio
tomase valores superiores a la unidad, las probabilidades de impago se redu-
cirían al verse afectadas de manera positiva, ya que esta situación revela una
capacidad para afrontar los pagos a corto plazo. Sin embargo, no es suficiente
solo considerar que la ratio tome valores superiores a la unidad, sino que es
oportuno analizar las causas que han motivado que el FCL sea superior a las
deudas a corto plazo (CP), dado que por ejemplo si el FCL fuese positivo por
desinversiones en el activo fijo de explotación a largo plazo (CAPEX) podría
ser coyuntural y no mantenerse en el tiempo. Por este motivo se introduce
más adelante una ratio de flujo de caja, pero sin tener en cuenta las posibles
inversiones y desinversiones en CAPEX. Si, por último, el valor de la ratio se
situara entre cero y uno, ello afectará negativamente a la probabilidad de im-
pago, siendo mayor este impacto cuanto más se aproxime la ratio a cero.
Para el cálculo del FCL se han utilizado los siguientes componentes:
Beneficio antes de intereses y impuestos modificado (BAIT*). Se introduce
en la denominación de la variable un asterisco, para destacar una modificación
del BAIT contable. Se ha calculado como el beneficio o pérdida de explotación
más los ingresos de participaciones de capital. La inclusión de los ingresos de
participaciones de capital se justifica por considerar que éstos son el resultado
de las inversiones en participaciones en empresas del grupo y en empresas
asociadas, las cuales deben o pueden considerarse como inversiones en la
explotación de la empresa en el largo plazo.
IMPUESTO DE SOCIEDADES. Se ha utilizado una tasa impositiva del 35%,
aplicada al BAIT*.
5
Utilizada por DEMIROVIC y THOMAS (2007) pero partiendo del BAIT contable sin modifica-
ciones.
65
AMORTIZACIONES Y PROVISIONES. Se han sumado al BAIT* todas aque-

llas amortizaciones y provisiones que han afectado al resultado del BAIT*
eliminando de esta manera las partidas contables que no implican una salida
directa de fondos.
NECESIDADES OPERATIVAS DE FONDOS (NOF). Se calculan como di-
ferencia entre aquellas partidas del activo circulante y pasivo circulante que
sean de la propia explotación de la empresa y que no impliquen ni ingreso ni
gasto financiero (Existencias brutas + deudores brutos + tesorería + ajustes
por periodificación – acreedores comerciales – administraciones públicas –
deudas representadas por efectos a pagar – otros deudores – remuneracio-
nes pendientes de pago – ajustes por periodificación). Obtenidas las NOF, se
analizará su variación entre dos años consecutivos: si las NOF se incrementan
ello implicará que la empresa está invirtiendo en la explotación del negocio
a corto plazo. En caso contrario estaría desinvirtiendo, lo cual afectará a los
fondos generados por la propia empresa en el periodo analizado.
INVERSIONES EN ACTIVO FIJO (CAPEX). Se calculan como la variación en-
tre dos periodos consecutivos de tiempo de las siguientes partidas del balan-
ce: inmovilizado material bruto, inmovilizado inmaterial bruto, participaciones
en empresas del grupo y participaciones en empresas asociadas.
De este modo el flujo de caja libre incorporado en el numerador de esta
ratio se obtiene como:
FCL= BAIT*- 35%BAIT* + Amortizaciones y provisiones +/- NOF +/- CAPEX
Para el cálculo de las deudas a corto plazo (CP) se ha utilizado la cuenta

contable acreedores a corto plazo.
2. Cálculo de la variable (FCL/ (CP + LP)) 6

La diferencia de esta ratio con la anterior radica en la inclusión en el deno-
minador de acreedores a largo plazo (LP), de forma que será posible medir la
capacidad de la empresa de atender a sus pagos, tanto a corto como a largo
plazo, con los fondos generados por la explotación del negocio, sin tener en
cuenta la estructura financiera de la empresa.
3. Cálculo de la variable (FCL*/DCP)

Se introduce una variable que, representada por FCL*, se define como
una modificación del FCL calculado anteriormente. Tal modificación supone
6
Utilizada por DEMIROVIC y THOMAS (2007); GONIS y TAYLOR (2009). Aquí se introduce a partir
de BAIT*.
66
agregar los incrementos o disminuciones de las deudas con coste financiero,

tanto a largo como a corto plazo, sustrayendo los gastos financieros.
FCL* = FCL +/- deudas con coste financiero a LP +/- deudas con coste financiero
a CP – gastos financieros
La razón de esta propuesta es la determinación de los fondos disponibles,

una vez realizados los pagos de explotación y financieros de la empresa, para
proceder a su comparación con las deudas financieras de vencimiento a corto
plazo.
El denominador de la ratio (DCP) se calcula como la suma de deudas con
entidades de crédito a corto plazo, emisiones de obligaciones y otros valores
negociables a corto plazo.
Esta ratio trata de medir la capacidad que tiene una empresa para atender
los compromisos contraídos con los aportantes de fondos con coste finan-
ciero en el corto plazo (DCP), con los fondos generados en un año por la
explotación del negocio de una empresa teniendo en cuenta la financiación
ajena con coste financiero.
Si la ratio tomara valores positivos y menores que uno, ello se explicaría
porque:
t &MJNQPSUFUPUBMEFMPTQS¹TUBNPTBBNPSUJ[BSFOFMDPSUPQMB[PTFBTV-
perior al FCL* y consecuentemente no se podrá atender a los compro-
misos de deuda financiera con la explotación del negocio. De persistir
el mismo nivel de compromiso de amortización de deuda y si no se
produjeran cambios en la explotación del negocio, la probabilidad de
impago aumentará.
Si la ratio tomara valores positivos y mayores que la unidad ello se expli-

caría porque:
t '$-ZMBBNPSUJ[BDJÂOEFMPTQS¹TUBNPTGVFTFJOGFSJPSBMGMVKPEF
caja. Si los compromisos de amortización de la deuda financiera y la ge-
neración de dinero de la explotación del negocio no varían en el corto
plazo, la probabilidad de impago se verá reducida.
Si la ratio tomara valores negativos ello se explicaría porque:

t '$- MPRVFQSPWPDBS²RVFTFJODSFNFOUFFMSJFTHPEFQSPCBCJMJEBE
de impago al no poder hacer frente a la totalidad de la explotación del
negocio, ni a la deuda financiera.
67
4. Cálculo de la variable (FCL*/DCP+DLP)

La diferencia de esta ratio con la anterior es la inclusión de las deudas
con entidades financieras a largo plazo y emisiones de obligaciones y otros
valores a largo plazo (DLP). Con esta ratio se mide la capacidad de cubrir los
compromisos con coste financiero tanto en el corto como en el largo plazo,
con los fondos generados en un año por la explotación del negocio teniendo
en cuenta la financiación ajena con coste.
5. Cálculo de la variable (FCL* SIN CAPEX /DCP)

El cálculo del numerador parte del FCL*, definido previamente, al cual se
le deduce el efecto de las inversiones o desinversiones en el activo fijo de la
explotación, al considerar que éstas no son siempre recurrentes en el tiem-
po. De esta manera se obtienen los fondos generados por la explotación del
negocio en el corto plazo teniendo en cuenta la financiación ajena con coste
financiero y con independencia de las políticas de inversión a largo plazo.
Esta ratio, trata de medir la capacidad que tiene una empresa para atender
los compromisos contraídos con aportantes de fondos con coste financiero
en el corto plazo, con los fondos que se han generado por la explotación del
negocio en el corto plazo, sin tener en cuenta inversiones y desinversiones en
CAPEX y teniendo en cuenta la financiación ajena con coste.
Si la ratio tomase valores negativos, el riesgo de impago de la empresa sería
elevado en el corto plazo, obligando a la empresa bien a realizar desinversio-
nes en CAPEX, bien a una reestructuración de la explotación de su negocio o
a financiarse con ampliaciones de capital y/o incrementos de deuda financiera.
En este sentido, la restructuración es la vía más segura para disminuir la pro-
babilidad de impago en el medio plazo, dado que las otras medidas son de
carácter corto placista y de liquidez inmediata.
En el caso de que la ratio tomara valores superiores a la unidad, la proba-
bilidad de impago sería baja salvo en empresas donde la necesidad de invertir
en CAPEX fuese constante en el tiempo.
Si los valores de la ratio están comprendidos en el intervalo (0;1) se define
una zona de indeterminación, con probabilidades de impago mayores cuanto
menor sea la ratio y más próximo esté al valor cero.
6. Cálculo de la variable (FCL* SIN CAPEX /DCP + DLP)

Con esta ratio se mide la capacidad que tiene una empresa para atender
los compromisos contraídos con aportantes de fondos con coste financiero
tanto en el largo como en el corto plazo, con los fondos generados en un año
por la explotación del negocio y teniendo en cuenta la financiación ajena con
coste financiero.
68
4.2. Ratios económicas
En este grupo de variables se atiende al segundo criterio de selección, el de

rentabilidad. Por ello se utilizarán ratios económicas, que analizan los resultados
económicos y financieros del negocio de la empresa. El objetivo final de una
compañía, como es bien sabido, es generar riqueza para los accionistas. Para ello
es condición necesaria que la organización sea capaz de generar beneficios, lo
que conlleva necesariamente realizar proyectos de inversión (activo) para ob-
tener resultados. Si los resultados obtenidos por la empresa son negativos y se
mantienen en el tiempo, el riesgo de incurrir en impagos será muy alto.
7. Cálculo de la variable ROA 7

Con esta ratio se mide la rentabilidad de los activos sin tener en cuenta la
estructura del pasivo. La partida que se utiliza en el numerador será el BAIT*,
dado que es el resultado de los proyectos de inversión (activo) sin tener en
cuenta la estructura del pasivo. En el denominador se toma el activo total
medio, obtenido como la media de dos años o periodos consecutivos en el
tiempo. Su estudio permitirá conocer la evolución y los factores que inciden
en la rentabilidad de los proyectos de inversión de la empresa.
ROA= BAIT*/ Activo total medio
8. Cálculo de la variable ROE 8

Por medio de la variable ROE se incorpora al modelo la rentabilidad finan-
ciera de la empresa y para su cálculo se define la relación entre el resultado fi-
nal de la compañía y los fondos propios medios de la empresa, determinando
así la rentabilidad de la financiación propia de la organización.
ROE= Beneficio Neto/ Fondos propios medios
9. Cálculo del índice de apalancamiento

Con esta variable es posible analizar el efecto que tiene en la empresa su
estructura financiera. En una primera aproximación, el apalancamiento finan-
ciero tendrá un efecto positivo cuando el uso de la deuda permita aumentar
la rentabilidad financiera. Si el ROE es mayor al ROA ello significará que la es-
tructura financiera de la compañía implica efectos positivos sobre la misma.
7
Utilizada por autores como: ALTMAN (1968); GILBERT, MENON y SCHARWARTZ (1990); GARCÍA, AR-
QUÉS y CALVO-FLORES (1995); SHARMA e ISELIN (2003); BEAVER, CORREIA y MCNICHOLS (2008), partiendo
del BAIT contable.
8
Variable utilizada por autores como: LAFFARGA, MARTÍN y VÁZQUEZ (1985); LÓPEZ, MORENO y
RODRÍGUEZ (1994); LIZARRAGA (1997); DEMIROVIC y THOMAS (2007).
69
INDICE DE APALANCAMIENTO= ROE/ ROA
10. Cálculo del margen de BAIT*9

Con esta variable se incorpora el resultado obtenido de la explotación del
negocio por unidad de venta. El BAIT* definido en el grupo de variables flujo
de caja, es la base para su cálculo, y la observación e incorporación de su mar-
gen en el modelo se considera relevante. Si el margen disminuye y la cifra de
ventas de la empresa se mantiene constante, la base del flujo de caja disminui-
rá y, como consecuencia, la probabilidad de impago aumentará.
Es importante subrayar que un margen del BAIT* negativo continuado en
el tiempo aumentará la probabilidad de impago de la empresa y existirá una
probabilidad muy alta de que ésta entre en quiebra.
MARGEN BAIT*= BAIT*/ Ventas
11. Cálculo del margen del beneficio neto 10

Con esta variable se incorpora el resultado total del negocio por unidad
de venta. La obtención de beneficios en el tiempo se considera una condición
necesaria pero no suficiente para la supervivencia de una empresa, dado que
la obtención de beneficios no implica necesariamente conseguir flujos de ca-
ja positivos, los cuales son necesarios para la supervivencia financiera de la
compañía.
MARGEN BN= BN/ Ventas
12. Cálculo del porcentaje de costes fijos 11

Las estructuras de costes fijos por su propia característica tienen gran im-
portancia dentro de los resultados (beneficio o pérdida) de las empresas,
dado que con estructuras de costes fijos altos la exposición ante una caída en
la cifra de ventas tiene un mayor impacto en la disminución de los beneficios
y con ello, un incremento en la probabilidad de impago.
Porcentaje de costes fijos = Costes fijos/ Ventas
9
Autores como LIZARRAGA (1977); DEMIROVIC y THOMAS (2007) utilizan esta variable pero cal-
culado el BAIT sin tener en cuenta los ingresos por participaciones de capital.
10
Variable utilizada por BEAVER (1966); DEMIROVIC y THOMAS (2007); GONIS y TAYLOR (2009).
11
Autores como LIZARRAGA (1997); RODRÍGUEZ LÓPEZ (2001) han utilizado (gastos de personal
+Amortizaciones)/ Valor añadido.
70
4.3. Ratios de circulante
Tal como se reflejó en el tercer criterio o característica que deben tener

las variables predictivas del modelo, interesa incluir la medida de eficacia
de gestión del circulante. Para contrastar el efecto que tiene dicha gestión
en la probabilidad de impago de una compañía, se considerarán las ratios
de circulante y de gestión del mismo. Con ellas se introducen aquellas
partidas de la explotación del negocio, contabilizadas en el balance, de las
que se espera obtener liquidez en el corto plazo así como las obligaciones
contraídas en la explotación del negocio con vencimientos inferiores al
año.
13. Evolución de los periodos medios de maduración (PMM)

Se considera que el estudio del PMM, entendido éste como el tiempo que
transcurre desde que se invierte una unidad monetaria en la explotación del
negocio hasta que ésta se recupera, reviste gran interés, ya que es, en la con-
sideración de esta investigación, una de las variables claves que determinan la
estructura del circulante de las compañías.
En el modelo propuesto, no aparecerá como variable el PMM de un solo
ejercicio, sino su evolución temporal. Si el PMM se incrementa con el paso
del tiempo, ello implicará que la empresa tendrá que realizar inversiones
en circulante (considerando estables las ventas y la estructura de costes), y
con ello la generación de caja de la explotación del negocio se verá afectada
negativamente.
La evolución del PMM se define en términos de incremento en días de
los periodos medios de maduración de dos años consecutivos. En los datos
muestrales se han observado rangos de variación muy altos de dichos incre-
mentos (en algunos casos el aumento era de cientos de días). Para comprimir
esta escala se ha incorporado la variable en el modelo, transformada por su
logaritmo. De este modo, además de comprimir la escala de variación, se evita
la asimetría producida por la existencia de muchos valores no muy grandes, si
bien hay algunos muy elevados de escasa frecuencia.
14. Variable de ALTMAN

Las incidencias en pagos pueden venir, o no, seguidas por un procedimien-
to concursal y finalmente es posible que se presente la situación de quiebra.
De este modo, no todas las empresas que tienen incidencias acaban llegando
a la situación de quiebra, si bien un porcentaje elevado de las que presentan
una situación de quiebra habrán tenido, muy posiblemente, una incidencia en
pagos en algún momento anterior.
71
Como es conocido, el Z-score, variable de Altman, se construyó con el fin

de explicar la quiebra. Se propone su inclusión en el modelo de esta investiga-
ción, trasformándola en una variable de tipo discreto, que tomará el valor “1”
en caso de banca rota probable y “0” para los otros dos escenarios planteados
por Altman. Su inclusión tiene el objetivo de mejorar el carácter predictivo del
modelo. Por otro lado, tal como se comentó en el capítulo anterior, las apor-
taciones hechas por Xu y Zhang (2009) llevan a pensar en el interés de incor-
porar o unir distintos modelos a fin de lograr una capacidad predictiva mayor.
Y ésta es una segunda razón para la inclusión de esta ratio en el modelo.
15. Ratio de las necesidades operativas de fondos (NOF)

La incorporación de las magnitudes asociadas a las necesidades operativas
de fondos, esto es los bienes y derechos del corto plazo que no impliquen in-
greso financiero y las obligaciones de pago en dicho plazo, que no impliquen
gasto financiero, es una información necesaria para el estudio del circulante
de la empresa.
Con esta ratio se comparan ambas magnitudes y el resultado, positivo o
negativo, no implica necesariamente problemas o no de liquidez en el corto
plazo. Su inclusión junto con otras ratios que se consideran en el modelo,
como el periodo medio de maduración, entre otras, aporta mayor explicación
a la probabilidad de impago.
NOFr= Activo circulante de la explotación/ Pasivo circulante de la explotación
16. Ratio de las NOF en relación al pasivo total 12

Se añade esta variable en el modelo a fin de completar la ratio anterior y
recoger el peso que tienen las NOF sobre el total de las fuentes de financia-
ción de la empresa.
17. Riesgo de liquidez

Con esta variable se ponen en relación los periodos medios de maduración
de una compañía con sus NOF, considerando que si los PMM son positivos y
las NOF negativas, el riesgo de liquidez de la empresa aumenta y si los PMM
son negativos, cualquiera que sea el signo de las NOF, no incrementará el
riesgo de liquidez.
Para su inclusión en el modelo se ha definido como una variable dicotómi-
ca, al tratar de recoger si existe (1) o no (0) riesgo de liquidez, en función de
la consideración conjunta de las dos componentes mencionadas, esto es, el
12
Autores como BEAVER (1966); LIZARRAGA (1997); SHARMA y ISELIN (2003) han utilizado Fondo
de maniobra / Total activo.
72
1..ZMBT/0'4FBTJHOBS²FMWBMPSVOPFODBTPEFTFS1..Z/0'
lo que afectará a un incremento de la probabilidad de impago y el valor cero
FOFMDBTPEF1..DPO/0'UBOUPQPTJUJWBTDPNPOFHBUJWBT JNQMJDBOEP
una disminución de la probabilidad de impago.
18. BAIT* / Pasivo circulante

Con esta variable en el modelo se mide el peso que tienen los resultados
de la explotación de la empresa sobre las deudas contraídas en el corto plazo.
Cuanto mayor sea esta ratio, menor será, teóricamente, el riesgo de incurrir
en impagos por parte de la compañía.
4.4. Ratios de endeudamiento
El cuarto grupo de variables integra los indicadores tomados del pasivo del
balance de situación. Las llamadas ratios de endeudamiento son imprescindi-
bles en el análisis de la situación financiera de las empresas. Las diferentes par-
tidas que componen el pasivo de una empresa tienen características diferentes
tanto en su coste como en los plazos y obligación de devolución de su principal
y el peso de las mismas sobre el total de financiación será clave a la hora de
determinar el riesgo existente en la capacidad de devolución de la deuda.
19. Total deudas a CP / Total deudas a CP + LP

Esta variable permite introducir el peso que tienen las deudas a corto pla-
zo con coste financiero sobre el total de deudas financieras adquiridas por la
empresa, analizando así parte de su estructura financiera y sus vencimientos.
20. Total deudas a LP / Total deudas a CP + LP

Para incorporar al modelo el peso que tienen las deudas a largo plazo con
coste financiero sobre el total de deudas financieras adquiridas por la empre-
sa, se incluye esta variable que aporta información sobre parte de la estructura
financiera y sus vencimientos.
4.5. Variables al cuadrado
Tal como se comentó al inicio de la descripción de las variables explicati-

vas, se ha considerado este quinto grupo de variables que recoge los cuadra-
dos de las variables anteriormente descritas. El motivo de esta inclusión es
la necesidad, desde el punto de vista matemático, de captar no linealidades
en el modelo así como de incrementar el nivel de explicación de las variables
tomadas en su valor real.
73
4.6. Interacciones entre algunas variables
Al tratar de recoger el comportamiento conjunto de las variables selec-

cionadas previamente, surge la necesidad de definir las llamadas variables
interacción de las variables incluidas en los cuatro primeros grupos. Como
es habitual en estos modelos, al considerar que el efecto es multiplicativo, se
toma el producto de valores de las variables cuyo impacto conjunto se desea
analizar. Aplicada esta consideración en el modelo de esta investigación, el
mayor interés se centra en recoger y analizar el efecto conjunto de una deter-
minada variable a lo largo del intervalo de tiempo considerado, para lo cual
se tomará la interacción de dicha variable con los valores de la misma en años
consecutivos.
Todas las variables independientes se calcularán con los datos contables
disponibles de los años 2004, 2005, 2006 y 2007, introduciendo de esta ma-
nera la evolución de las mismas en el tiempo y el posible retardo de algunas
de ellas.
5. METODOLOGÍAS UTILIZADAS PARA EL DESARROLLO DEL MODELO
Dentro de los modelos de regresión con variables discretas y particular-

mente con variables dicotómicas (ver apartado 2.4.3) se encuentran los mo-
delos llamados de respuesta cualitativa, es decir aquellos en los que la variable
dependiente o explicada es de tipo cualitativo. En estos modelos se pretende
estimar la probabilidad de ocurrencia de un suceso o de una decisión.
El problema inicial que se desea resolver es un problema de clasificación:
definir dos categorías de empresa, esto es, las que no tienen problemas de
pago a la que representaremos por el valor “0” y las que sí lo tienen que toma-
rán el valor “1”. Inicialmente se planteó un análisis discriminante, siguiendo
las pautas de los trabajos de Altman, pero finalmente se descartó este tipo de
análisis por las restricciones en las hipótesis de partida, tales como la homo-
cedasticidad y la normalidad de las variables independientes. En un análisis
discriminante no es posible utilizar variables de tipo cualitativo porque éstas
nunca siguen una distribución normal al ser discretas. En el modelo de pro-
babilidad de impago construido en esta investigación existen dos variables de
tipo discreto (la ratio o variable de Altman y la ratio denominada riesgo de
liquidez) que impiden utilizar el análisis discriminante.
El modelo que se propone trata de analizar qué variables y en qué forma
inciden en la probabilidad de impago. Al enfrentar el problema de cómo esti-
mar una variable dependiente que toma el valor cero y uno (variable dicotó-
mica), tal y como se ha definido previamente en este caso, es habitual utilizar
el modelo de regresión lineal simple, eliminando aquellos valores que están
74
por debajo de cero o por encima de uno. Esta situación se ve subsanada a

través de una metodología de análisis que utiliza como modelo subyacente
el de una distribución logística en lugar de una regresión lineal. La variable
explicada es la probabilidad de un suceso determinado (varía en el intervalo
[0;1]) y mediante ciertas transformaciones el modelo sigue siendo lineal. La
variable explicada en dicho modelo, que recibe el nombre de Logit, es el lo-
garitmo de la razón de probabilidades, probabilidad del suceso contemplado
y probabilidad de su complementario. Se construye una relación lineal tanto
en las variables independientes, Xi, como en los parámetros a estimar, habi-
tualmente representados por bi.
Por lo tanto el objetivo es clasificar empresas en dos grupos a partir de las
variables explicativas descritas en el apartado anterior y las posibles técnicas
serían:
t %JTDSJNJOBOUF MBDVBMTFIBEFTDBSUBEPQPSTVTIJQÂUFTJTNVZSFTUSJDUJ-
vas que en el modelo no se cumplen.
t 3FHSFTJÂONÈMUJQMF UJFOFFMQSPCMFNBEFRVFQVFEFBSSPKBSQSFEJDDJP-
nes en la variable dependiente por encima de 1 o por debajo de cero.
El modelo planteado busca la determinación de la probabilidad de un
suceso, el impago, y en consecuencia sus valores deben estar acotados
entre 0 y 1.
t .PEFMPTEFWBSJBCMFEFQFOEJFOUFCJOBSJB-PHJUZ1SPCJU&OUSFBNCPTMB
diferencia es pequeña, según que se considere una distribución para las
perturbaciones del modelo de tipo normal (Probit) o de tipo logístico
(Logit) y sólo se produce en las colas de la función de distribución corres-
pondiente. Por otro lado, los datos muestrales disponibles hacen aconse-
jable la utilización del modelo Logit. Como será detallado más adelante,
se incorporan al modelo 50 variables explicativas, de modo que al ser el
tamaño muestral superior en más de 10 veces al número total de pará-
metros a estimar, puede considerarse de aplicación el análisis Logit.
Se expone a continuación, de manera breve, la construcción del modelo y

las interpretaciones de algunos de sus elementos, que más tarde se recogerán
al evaluar los resultados obtenidos de la aplicación del modelo a la base de
datos utilizada.
Sea P la probabilidad del suceso que se desea estimar, en este caso, la
probabilidad de impago (suceso “1”), y 1-P la probabilidad del suceso comple-
mentario (suceso “0”). Al tratarse de una variable dicotómica o de Bernouilli,
el valor medio o esperanza matemática de dicha variable Y que representa el
resultado aleatorio contemplado (impago o no), es igual a la probabilidad de
que la variable tome el valor “1”, es decir, E[Y/Xi] = P, donde Xi representa las
llamadas variables independientes, explicativas o regresoras.
75
En los modelos lineales se supone que la función que determina el valor

de P es lineal en las variables Xi. En el modelo Logit, la función que se supone
para la explicación de P es de tipo logístico, es decir
y, con ello,
De este modo, si se toma el cociente de la probabilidad del suceso y la

probabilidad de su complementario, Odds-ratio o ventaja o cociente de pro-
babilidades, se deduce que
Logit
Así, se tiene una relación lineal tanto en las variables independientes Xi

como en los parámetros bi (i= 1,2,…, k).
Las características de este modelo son:
t "NFEJEBRVFFMWBMPSEFP varía de 0 a 1, Logit varía entre – @ y + @
t "VORVF-PHJUFTMJOFBMFOMBTXi, la probabilidad del suceso contemplado
no lo es.
t 4FQVFEFDBMDVMBSEJSFDUBNFOUFFMWBMPSEFMBQSPCBCJMJEBEP, a partir de
valores concretos de los regresores, mediante la expresión dada por la
función logística, recogida anteriormente.
t 4FQVFEFPCUFOFSVOBFYQSFTJÂORVFGBDJMJUBMBWBSJBDJÂOEFMBQSPCBCJ-
lidad a medida que varía cada una de las variables independientes, para
cada observación, ya que, según puede deducirse, la derivada del valor
estimado de P en función del nivel de Xi es:
t &MFGFDUPNBSHJOBMEFDBEBXi en la probabilidad de impago no es cons-
tante, como en un modelo lineal, sino que depende de los valores de
las variables Xi. Sin embargo, el coeficiente bi, mide el logaritmo del
Odds-ratio o ventaja de impago ante variaciones unitarias en Xi, supues-
to que se mantienen constantes las restantes variables. Dicho de otro
modo, la variación unitaria de una variable Xi, produce un impacto en
la ventaja de la situación de impago frente al no impago medido por
eb i (EXP (B)). Esta expresión será utilizada en adelante para medir el
impacto de cada variable explicativa.
t 6OBEFMBTNFEJEBTEFCPOEBEEFMBKVTUFN²TVUJMJ[BEBTFOMPTNPEFMPT
Logit, es el porcentaje de casos correctamente predichos. El modelo,
76
estima la probabilidad P (probabilidad de impago en este caso) para

cada individuo de la muestra. Y, como esta variable no es observable,
se denomina variable latente en la observación del suceso. La variable
que se observa es si se ha producido (1) o no (0) el impago. Para calcu-
lar el número y el porcentaje de aciertos del modelo, se fija un umbral
de la probabilidad, de forma que, si se denomina U a dicho umbral, se
considerará que el modelo predice
- 1 si estimada mayor o igual al valor U
- 0 si probabilidad estimada menor que U
En consecuencia este modelo construye la variable dependiente, de la que

se deducirán las probabilidades buscadas, de forma análoga a la utilizada por
Ohlson (1980) y autores posteriores que han desarrollado los modelos Logit
para el análisis de las situaciones de fracaso empresarial.
6. DISCUSIÓN DE LOS RESULTADOS OBTENIDOS
Una vez realizada la definición del modelo a utilizar y de las variables que
se incluyen en el mismo, se ha estimado el modelo, es decir se han estimado
los distintos parámetros contenidos en el mismo, con base en los datos dis-
ponibles.
Obtenido el modelo, se ha procedido a aplicar el mismo a los datos corres-
pondientes de la variable dependiente, probabilidad de impago, en los años
2008 y 2009. A continuación, se plantea la discusión del modelo en sus dos
aplicaciones de acuerdo con el esquema siguiente:
t %JTDVTJÂOEFMBWBMJEF[FTUBE½TUJDBEFMNPEFMP NFEJBOUFU¹DOJDBTZ
coeficientes usuales en los modelos de regresión Logit. Esta discusión
incluye por un lado la verificación de la bondad del ajuste realizado y,
por otro lado, una vez comprobada ésta, la discusión y el análisis de la
significatividad de las variables explicativas.
t $PNQSPCBEBTMBTDBSBDUFS½TUJDBTEFWBMJEF[FTUBE½TUJDBEFMNPEFMP TF
analizará el resultado fundamental del mismo, la clasificación que pro-
duce, es decir se discutirá hasta qué punto el modelo es capaz de pre-
decir correctamente las empresas que han presentado impagos real-
mente y las que no han tenido dicha situación. Por último se discutirá
la robustez del modelo, es decir, si los resultados se modifican o no de
manera significativa al ser aplicado sobre muestras diferentes.
t 4FQSPDFEFS² FOÈMUJNPMVHBS BMBDPNQBSBDJÂOEFMNPEFMPFMBCPSBEP
con otros existentes que tienen por objeto el análisis del fracaso em-
presarial. El objetivo de este análisis comparativo es la verificación del
77
poder predictivo de las variables explicativas de dichos modelos frente

a la capacidad explicativa de las variables incluidas en el modelo de esta
investigación.
Se comparan de forma sucesiva los resultados obtenidos para cada uno

de los años en los que se ha aplicado el modelo, destacando las similitudes y,
fundamentalmente, las diferencias encontradas.
6.1. Discusión de la validez estadística del modelo de probabilidad de

impago aplicado a 2008 y 2009
Aplicado el modelo a los datos correspondientes para la estimación de la

probabilidad de impago de 2008 y 2009, se ha evaluado la validez de dichas
estimaciones mediante diferentes coeficientes y pruebas estadísticas.
En primer lugar, se determina la medida de la variabilidad observada de los
datos en términos del modelo estimado, mediante el coeficiente de determi-
nación R2. En segundo lugar, se procede a la discusión del ajuste del modelo
teórico a los datos empíricos disponibles mediante los contrastes de Hosmer
y Lemeshow. Una vez aceptada la validez, se estará en condiciones de analizar
el grado de significatividad y la capacidad explicativa de las variables indepen-
dientes. De este análisis se concluirá la importancia relativa de dichas variables
como predictoras de la probabilidad de impago.
6.1.1. Resultados R2
Para medir la bondad del modelo como herramienta de ajuste a los datos
empíricos disponibles, se utilizan, en general, distintos coeficientes cuya va-
lidez o posibilidad de aplicación, depende del tipo de modelo utilizado y de
las variables empleadas.
En el modelo elaborado, Logit, se ha elegido el análisis de uno de los
coeficientes que habitualmente se ofrecen como válidos: el coeficiente de de-
terminación R2 de Nagelkerke13 que permite interpretar la validez del modelo
en tanto que es capaz de explicar la variabilidad de los datos empíricos. Dicha
medida varía entre 0 y 1. La validez del modelo es tanto mayor cuanto mayor
sea el valor de R2, para muestras de un mismo tamaño.
Las tablas siguientes muestran los resultados obtenidos para cada uno de
los años considerados e incluyen además el valor de R2 de Cox y Snell, como
salida habitual del programa estadístico SPSS.
13
N. NAGELKERKE (1991), “A Note on a General Definition of the Coefficient of Determina-
tion”. Biometrica, vol. 78, no 3, pp 691-692.
78
TABLA 7.
RESULTADOS R2 MODELO 2008
Paso -2 log de la R cuadrado R cuadrado

verosimilitud de Cox y Snell de Nagelkerke
1 172,502ª ,170 ,474
a. La estimación ha finalizado en el número de iteración 10 porque se

han alcanzado las iteraciones máximas. No se puede encontrar una
solución definitiva.
TABLA 8.
RESULTADOS R2 MODELO 2009

1 242,009ª ,150 ,367
a. La estimación ha finalizado en el número de iteración 10 porque las

estimaciones de los parámetros han cambiado en menos de ,001.
Dado el tamaño de la muestra y las características metodológicas utilizadas,

el R2 de Nagelkerke ofrece un valor que puede considerarse muy alto (0,474)
en el modelo 2008 y algo inferior en 2009 (0,367). Esta diferencia entre los
valores alcanzados en los dos años es bastante explicable y lógica, ya que en
el modelo de 2009 se utiliza información de los años 2004 a 2007, situándose
la estimación de la probabilidad de impago dos años más tarde, sin haber
contado con datos de estados financieros más cercanos (2008).
El modelo tiene por tanto un importante grado de poder explicativo ve-
rificable. Esta afirmación será reiterada más adelante al verificar dos pruebas
adicionales: la prueba de Hosmer y Lemeshow del ajuste del modelo a los
datos empíricos y el índice de adecuación de la clasificación obtenida por el
modelo.
79
6.1.2. Resultados de la prueba de Hosmer y Lemeshow14 de bondad de

ajuste
En este contraste se discute la validez de la hipótesis que establece que
no hay diferencias entre los valores observados y los valores predichos por el
modelo15. Si el modelo no permitiera aceptar dicha hipótesis con una proba-
bilidad de error determinada (nivel de significación), se pondría de manifiesto
la no validez del modelo. Esta prueba, de uso generalizado para la discusión
de los ajustes de los modelos, es exigente, considerándose aceptable un nivel
de significación mínimo de 0,05.
TABLA 9.
RESULTADOS HOSMER Y LEMESHOW PROBABILIDAD DE IMPAGO 2008
Prueba de Homsmer y Lemeshow
Paso Chi-cuadrado gl Sig.

1 2,743 8 ,949
Tabla de contingencias para la prueba de Hosmer y Lemeshow
Riesgo año 2008 = ,00 Riesgo año 2008 = 1,00

Observado Esperado Observado Esperado Total
Paso 1 67 67,000 0 ,000 67
1 2 67 66,999 0 ,001 67
3 67 66,992 0 ,008 67
4 67 66,955 0 ,045 67
67
5 66 66,731 1 ,269
67
6 66 66,180 1 ,820
67
7 66 65,405 1 1,595 67
8 63 63,939 4 3,061 67
9 60 60,156 7 6,844 67
10 40 38,642 25 26,358 65
Fuente: Elaboración propia.
Se observa como resultado del modelo aplicado en 2008 que al presentar

un nivel de significación muy elevado (0,949), la hipótesis no es rechazada y
con ello verificamos la validez del modelo.
D. HOSMER, y S. LEMESHOW (1989), Applied Logistic Regression. John Wiley & Sons, INC.
14
15
Esta información se refleja en la tabla de contingencias para la prueba de Hosmer y Le-
meshow.
80
Por otro lado, en la tabla de contingencias se observa que, repartida la fre-

cuencia esperada en deciles a lo largo del total de la muestra, la diferencia en-
tre el valor esperado, según el modelo, del número de empresas sin impagos
(0) y con impagos (1) y el valor observado es muy pequeña, lo que corrobora
o confirma el resultado anterior medido por el nivel de significación.
TABLA 10.
RESULTADOS HOSMER Y LEMESHOW PROBABILIDAD DE IMPAGO 2009

1 4,276 8 ,831

Paso 1 67 66,988 0 ,012 67
1 2 67 66,928 0 ,072 67
3 66 66,793 1 ,207 67
4 66 66,434 1 ,566 67
67
5 66 65,781 1 1,219
67
6 65 64,991 2 2,009
67
7 63 63,496 4 3,504 67
8 60 61,122 7 5,878 67
9 59 57,077 8 9,923 67
10 40 39,391 25 25,609 65
En este segundo caso el grado de significación alcanzado es 0,831, lo que

implica al igual que en el año 2008, que el ajuste del modelo a los datos em-
píricos es altamente relevante, ya que los niveles de significación obtenidos
son excepcionalmente elevados en relación con los obtenidos por otros
modelos discutidos a través de esta prueba. Puede concluirse por tanto la
aceptación del modelo como representación válida de la variabilidad de los
datos empíricos.
6.1.3. Análisis de la multicolinealidad

Antes de abordar el análisis del grado de explicación que cada variable
aporta de manera independiente, debe discutirse la posible existencia de mul-
81
ticolinealidad entre ellas. En el supuesto de existencia de multicolinealidad

fuerte deberían sustituirse dichas variables por los denominados factores que
las agrupan o proceder a la eliminación de dichas variables. Si, por el contrario
la multicolinealidad es tolerable, el modelo utilizado es válido y tiene sentido
proceder al análisis individualizado de la significatividad de cada una de las
variables.
Por ello y para analizar la posible multicolinealidad de las variables expli-
cativas, pueden utilizarse algunos métodos incorporados al análisis factorial.
Con este tipo de análisis, puede detectarse la existencia de factores que agru-
pan un cierto número de variables, de forma que en el caso de que así fuera,
podrían sustituirse dichos grupos de variables por el denominado “factor” que
las agrupa. En el caso planteado en el modelo discutido en este capítulo, es
interesante llegar a concluir acerca de la existencia o no de multicolinealidad.
Si se comprueba la no existencia de multicolinealidad, el proceso consistente
en el análisis de regresión con todas las variables independientes es válido e
interpretable.
El objetivo del análisis factorial es discutir, por tanto, si las variables expli-
cativas están correlacionadas linealmente entre sí. Uno de los instrumentos
disponibles para discutir si es o no aplicable el análisis factorial, es decir si
existe o no un grado de multicolinealidad elevado entre las variables, es el
análisis realizado con el valor del índice Kaiser-Meyer-Olkin (KMO) 16. Este
índice es una medida de la adecuación del análisis factorial y sedefine como
el cociente
KMO =
donde: rij es el coeficiente de correlación lineal simple y aij es el coeficiente

de correlación parcial. De acuerdo con los valores de este coeficiente, puede
concluirse el grado de multicolinealidad, y en consecuencia la adecuación pa-
ra realizar un análisis factorial. A mayor valor del índice, se considera que las
variables explicativas estarán más relacionadas entre sí, siendo más adecuada
la aplicación de un análisis factorial.
16
El índice KMO es una relación por cociente, donde el numerador es la suma de los
coeficientes de correlación entre todas las variables al cuadrado y el denominador está formado
por la suma de coeficientes de correlación parcial al cuadrado y la suma de los coeficientes de
correlación al cuadrado.
82
TABLA 11. BAREMO DEL ÍNDICE KMO

1> KMO >0,90 Muy bueno
0,9> KMO >0,80 Meritorio
0,80> KMO >0,70 Mediano
0,7> KMO >0,60 Mediocre
0,60> KMO >0,50 Bajo
KMO Inaceptable
Fuente: Bisquerra Alzina.R (1989)
En el modelo, la aplicación del análisis factorial arroja los siguientes resulta-

dos. El índice KMO alcanza un valor de 0,695 en 2008 y 0,674 en 2009, lo que
constituye un dato positivo para llevar a cabo un análisis de regresión, ya que
demuestra que las variables no están altamente correlacionadas entre ellas.
Ello implica que no hay correlación perfecta sino imperfecta, y que su grado
de correlación es tolerable, no siendo descartable la aplicación e interpreta-
ción válida del modelo de regresión que incluya dichas variables.
TABLA 12. RESULTADOS ÍNDICE KMO17 2008
Matriz de correlacionesa
a. Determinante = 1,12 E-025
KMO y prueba de Barlett
Medida de adecuación muestral de ,695

Kaiser-Meyer-Olkin.
Prueba de esfericidad Chi-cuadrado 37311,891

de Barlett aproximado
gl 1225
Sig. ,000
17
La tabla que se incluye es una salida de SPSS y contiene además del índice KMO la prueba
de esfericidad de Barlett, en el que se prueba que la matriz de correlaciones se ajuste a la matriz
identidad (I), es decir ausencia de correlación significativa entre las variables.
83
TABLA 13. RESULTADOS ÍNDICE KMO 2009

Matriz de correlacionesa
a. Determinante = 1,67 E-030
KMO y prueba de Barlett
Medida de adecuación muestral de

Kaiser-Meyer-Olkin. ,674
Prueba de esfericidad Chi-cuadrado 44509,480

de Barlett aproximado
gl 1275
Sig. ,000
El complementario de la correlación parcial se denomina correlación anti-

imagen. Si en una matriz de correlación hay un elevado número de coeficientes
altos, es decir en la correlación anti-imagen se observaran valores bajos, debería
considerarse oportuna y adecuada la aplicación del análisis factorial.
Como resultado de los análisis precedentes, se ha descartado la existencia
de multicolinealidad relevante entre todas las variables. Es interesante, no obs-
tante, completar el estudio de las posibles interdependencias lineales entre
las mismas. Siguiendo a Bisquerra Alzina, R. (1989) en su libro “Introducción
conceptual al análisis multivariable”, el coeficiente de correlación parcial es
un indicador de la fuerza de las relaciones entre dos variables eliminando la
influencia de las otras. Si las variables comparten factores comunes, el coefi-
ciente de correlación parcial entre pares de variables deberá ser bajo puesto
que se eliminan los efectos lineales de las otras variables. Las correlaciones
parciales son estimaciones de los factores únicos y deberían ser próximas a
cero cuando se dan las suposiciones para la aplicación del análisis factorial.
La diagonal principal de la matriz anti-imagen 200818, es otra medida de
adecuación de la muestra (MSA), que se define y calcula para cada variable
de forma similar al índice KMO. En esta prueba se incluyen los coeficientes
correspondientes a las variables que se desean comprobar. Coeficientes MSA
altos desaconsejan la aplicación del análisis factorial, incluso se podría plan-
tear eliminar algunas variables si éstas presentasen valores bajos, con la inter-
pretación análoga a la del índice KMO.
18
Ver anexo 3.
84
6.1.4. Significación de las variables independientes

Como resultado de los análisis previamente realizados, se concluye la vali-
dez de proceder al estudio de la fuerza predictiva de todas las variables inclui-
das en el modelo. En consecuencia, se analizarán a continuación los resulta-
dos correspondientes a las variables independientes del modelo siguiendo el
esquema de agrupación de las mismas utilizado en las descripciones recogidas
en el apartado 3.3.
6.1.4.1. Significación de las variables de flujo de caja (grupo 1)

Dentro del primer grupo de variables analizadas, la variable flujo de caja
libre dividida por deudas a corto más deudas a largo plazo ha presentado
valores no significativos en el modelo de 2008 (tabla 14), por lo que se ha
descartado finalmente. El resto de variables del grupo son significativas re-
sultando de este modo que la introducción de estas variables en el modelo
mejora significativamente la capacidad de predicción del mismo.
Debe señalarse que, tal y como se han definido estas variables, la incorpo-
ración de modificaciones realizada con relación a la definición de variables de
flujo de caja en otros modelos existentes, se revela de gran interés, al mejorar
de forma notable su capacidad explicativa.
Por otro lado, y apoyándonos en la interpretación del Odds (Exp (B)19), se
observa que las dos variables de mayor influencia dentro de este grupo son el
FCL* / DCP y FCL SIN CAPEX* / (DCP + DLP).
TABLA 14. RESULTADO VARIABLES GRUPO 1, MODELO 2008
VARIABLES Sig. Exp(B)

FCL / CP 2005 0,326 2,37
FCL / CP 2006 0,024 0,03
FCL / CP 2007 0,05 0,07
FCL / (CP + LP) 2005 NO SIGNIFICATIVA
FCL*/DCP 2005 0,16 0,10
FCL*/DCP 2006 0,002 10.170,71
FCL*/DCP 2007 0,011 282,63
FCL*/(DLP+DCP) 2005 0,026 97,94
FCL*/(DLP+DCP) 2006 0,216 0,01
FCL*/(DLP+DCP) 2007 0,034 0,00
19
Recogida en el apartado 3.5.
85
FCL SIN CAPEX*/DCP 2006 0,043 0,01

FCL SIN CAPEX*/(DLP+DCP) 2005 0,007 0,01
FCL SIN CAPEX*/(DLP+DCP) 2006 0,584 9,61
FCL SIN CAPEX*/(DLP+DCP) 2007 0,056 4.905,55
INTERACCIÓN DE VARIABLES Sig. Exp(B)
FCL*/DCP INTERACCION 0,071 0,16
En el modelo aplicado a 2009 (tabla 15) tanto la variable FCL* sin CAPEX en-
tre deudas a largo plazo más deudas a corto plazo, como la variable flujo de caja
libre entre deudas a corto y largo plazo, han presentado valores no significativos
por lo que se han descartado finalmente. Esta última ha dado el mismo resulta-
do que en el modelo de 2008. El resto de variables del grupo son significativas,
por lo que su introducción en el modelo mejora la capacidad de predicción del
mismo. Observando los valores de la Odds (Exp (B)), las dos variables de mayor
influencia dentro de este grupo son el FCL*/DCP y FCL*/ (DLP+DCP).
VARIABLES 2009 Sig. Exp(B)

FCL / CP 2005 0,140 3,800
FCL / CP 2006 0,005 0,030
FCL / CP 2007 0,320 0,450
FCL*/DCP 2005 0,030 0,053
FCL*/DCP 2006 0,165 22,148
FCL*/DCP 2007 0,030 29,857
FCL*/(DLP+DCP) 2005 0,079 15,009
FCL*/(DLP+DCP) 2006 0,496 6,985
FCL*/(DLP+DCP) 2007 0,181 0,065
FCL SIN CAPEX*/DCP 2005 NO SIGNIFICATIVA
FCL SIN CAPEX*/DLP+DCP 2005 NO SIGNIFICATIVA
FCL*/DCP INTERACCIÓN 0,224 0,394
86
6.1.4.2. Significación de las variables de rentabilidad (grupo 2)

Las ratios económicas englobadas en el segundo grupo de variables, han
resultado ser significativas en su totalidad. Para 2008 (tabla 16) las variables
que más influyen son el ROA, margen BAIT* del 2007 y el porcentaje de costes
fijos. Las interacciones de estos dos últimos y del beneficio neto también son
variables muy influyentes dentro de este grupo, por lo que el comportamiento
conjunto de los costes fijos, margen de BAIT* y margen de beneficio neto de
los tres años anteriores a la incidencia en pago, se revelan como factores de
gran capacidad predictiva en el modelo.

ROA 2005 0,091 19.373.404,13
ROA 2006 0,212 0,00
ROE 2005 0,155 10,04
ROE 2006 0,489 0,44
ROE 2007 0,550 0,43
Índice Apalancamiento 2005 0,523 1,04
Margen de BAIT* 2007 0,007 >19.373.404,13
Margen Beneficio Neto 2006 0,144 0,00
Porcentaje costes fijos 2005 0,002 0,00
Porcentaje costes fijos 2006 0,002 > 19.373.404,13
%COSTES FIJOS INTERACIÓN 0,002 > 19.373.404,13
INTERACCIÓN MARGEN BAIT 0,376 > 19.373.404,13
INTERACCIÓN MARGEN BN 0,016 26.464,67
VARIABLES AL CUADRADO Sig. Exp(B)
Porcentaje costes fijos 2006 CUADRADO 0,011 0,00
Índice Apalancamiento 2005 CUADRADO 0,179 1,00
En la aplicación del modelo a 2009, y en el segundo grupo de variables

(tabla 17) han resultado ser significativas la agrupación de los tres años de
cada ratio. Las variables que más influyen son el ROA 2006, margen BAIT* del
87
2005 y 2007 y el porcentaje de costes fijos de 2006. Asimismo, dentro de este

segundo grupo de variables explicativas la interacción de los costes fijos es la
variable de mayor fuerza predictiva.

ROA 2005 NO SIGNIFICATIVA
ROA 2006 0,042 79.021,35
ROA 2007 0,010 0,00
ROE 2005 NO SIGNIFICATIVA
ROE 2006 0,062 0,217
ROE 2007 NO SIGNIFICATIVA
Margen de BAIT* 2005 0,094 36.728,319
Margen de BAIT* 2006
Margen de BAIT* 2007 0,056 109.689,99
Porcentaje costes fijos 2005 0,170 0
Porcentaje costes fijos 2006 0,042 >109.689,99
Porcentaje costes fijos 2007 NO SIGNIFICATIVA

%COSTES FIJOS INTERACIÓN 0,010 1,20561E+20
INTERACIÓN MARGEN BAIT 0,007 0
INTERACCION ROE 0,023 20,104
INTERACIÓN MARGEN BN 0,302 5,694

Porcentaje costes fijos 2006 CUADRADO 0,029 0
Índice Apalancamiento 2005 CUADRADO
Índice Apalancamiento 2007 CUADRADO
88
6.1.4.3. Significación de las variables de circulante (grupo 3)

Al analizar los resultados de las variables de circulante, se observa que para
2008 (tabla 18) son significativas en conjunto, si bien aparecen grados de signifi-
cación menores que en el resto de los grupos. No obstante, se ha comprobado
que la exclusión de algunas de estas variables con escasa significatividad, como la
ratio de Altman 2007 y evolución de los PMM 2005-2006 y 2006-2007, provocaba
en la aplicación del modelo una pérdida significativa de grado de explicación de la
variable dependiente, por lo cual, se ha optado por su inclusión en el modelo.
Las variables más influyentes de este grupo son las NOF entre el pasivo
total, las NOF en ratio al cuadrado y el BAIT* entre el pasivo circulante.

Evolución PMM 2005-2006 0,440 1,07
Evolución PMM 2006-2007 0,645 1,04
Ratio de Altman 2006 0,021
Ratio de Altman 2006 (1) 0,006 0,01
Ratio de Altman 2006 (2) 0,442 0,55
Ratio de Altman 2007 (1) 0,747 0,63
Ratio de Altman 2007 (2) 0,767 1,26
Ratio de las NOF NO SIGNIFICATIVA
NOF / Pasivo Total 2006 0,064 0,00
NOF / Pasivo Total 2007 0,226 655,06
Riesgo de Liquidez 2005 0,364 0,00
BAIT* / Pasivo Circulante 2005 0,040 0,00
INTERACCIÓN RATIO NOF 0,002 0,98
Evolución PMM cuadrado 2005 0,326 1,04
Ratio de las NOF cuadrado 2005 0,002 1,08
NOF / Pasivo Total cuadrado 2006 0,050 35.117,62
NOF / Pasivo Total cuadrado 2007 0,093 0,00
89
Al analizar los resultados de las variables de circulante en 2009 (tabla 19),

se observa que a diferencia del modelo 2008 no todas son significativas en su
conjunto, como por ejemplo la ratio riesgo de liquidez y la ratio de Altman
2007. En su conjunto presentan el menor grado de significación de los cuatro
grupos considerados. La variable más influyente dentro del grupo es la ratio
de las NOF entre el total pasivo 2006.

Evolución PMM 2005-2006 0,002 1,262
Evolución PMM 2006-2007 NO SIGNIFICATIVO
Ratio de Altman 2005 (1) 0,213 0,322
Ratio de Altman 2005 (2) 0,316 0,566
Ratio de Altman 2006 (1) 0,223 0,299
Ratio de Altman 2006 (2) 0,716 1,228
Ratio de Altman 2007 NO SIGNIFICATIVO
Ratio de Altman 2007 (1) NO SIGNIFICATIVO
Ratio de Altman 2007 (2) NO SIGNIFICATIVO
Ratio de las NOF 2005 0,205 1,283
Ratio de las NOF 2006 0,053 0,343
Ratio de las NOF 2007 0,012 3,174
NOF / Pasivo Total 2005 NO SIGNIFICATIVO
NOF / Pasivo Total 2006 0,094 1.156,546
NOF / Pasivo Total 2007 0,037 0,001
Riesgo de Liquidez 2005 NO SIGNIFICATIVO
BAIT* / Pasivo Circulante 2006 NO SIGNIFICATIVO
BAIT* / Pasivo Circulante 2007 NO SIGNIFICATIVO

NOF / Pasivo Total cuadrado 2006 0,003 33.353,655
90
Comparando los resultados de las variables en los años 2008 y 2009, se

observa un aumento del número de variables no significativas en el último.
Lógicamente, al tratarse de ratios de circulante, la información contenida en
ellas es predictiva en el corto plazo y no en el medio plazo.
6.1.4.4. Significación de las variables (grupo 4)

Las ratios de endeudamiento (tablas 20 y 21) son significativas en los dos
modelos en grado alto (inferiores a 0,2 en 2008 e inferiores a 0,1 en 2009) sal-
vo la ratio de TDL/ (TDL+TDC), que resultó no serlo individualmente, aunque
sí es significativa su interacción. Las variables más influyentes en ambos casos
han sido la ratio TDC/ (TDL+TDC) y la interacción de largo plazo.

TDC/(TDL+TDC) 2005 0,032 5.399.496,05
TDC/(TDL+TDC) 2006 0,130 74.932,27
TDC/(TDL+TDC) 2007 0,183 42.442,53
TDL/(TDL+TDC ) NO SIGNIFICATIVO

INTERACCIÓN TDC/(TDL+TDC) 0,054 0,00
INTERACCIÓN TDL/(TDL+TDC) 0,069 0,00

TDC/TDL+TDC 2005 0,027 196.103,81
TDC/TDL+TDC 2006 0,004 16.776.992,1
TDC/TDL+TDC 2007 0,023 407.646,728
TDL/TDL+TDC NO SIGNIFICATIVO

INTERACCIÓN TDC/TDL+TDC 0,005 0
INTERACCIÓN TDL/TDL+TDC 0,021 2,2267E+13
Con estos resultados, se refuerza la teoría de que la estructura de deuda

financiera dentro de las empresas, tiene una alta capacidad predictiva sobre los
impagos.
91
Una vez detallado el análisis por grupos de las variables del modelo de
probabilidad de impago, mediante la discusión de los valores presentados
por el nivel de significación de las mismas, se completa el estudio reco-
giendo en primer lugar todos los elementos del modelo de 2008 en la ta-
bla siguiente, en particular los valores de los coeficientes de las variables
independientes en el modelo (B) y, para concluir, se resume el análisis del
número de variables totales según el grado de significación considerado por
intervalos. Con ello, se facilita una visión global de las variables elegidas,
en términos de su significación, es decir de su importancia en el modelo
global.
TABLA 22. RESULTADOS VARIABLES EXPLICATIVAS,

MODELO DE PROBABILIDAD DE IMPAGO 2008
B E.T. Wald gl Sig. Exp(B)
GRUPO 1
FCL SIN CAPEX*/DCP 2006 -5,334 2,636 4,094 1 0,043 0,005
FCL SIN CAPEX*/DCP 2007 -5,400 3,205 2,839 1 0,092 0,005
FCL SIN CAPEX*/(DLP+DCP) 2005 -5,173 1,901 7,405 1 0,007 0,006
FCL SIN CAPEX*/(DLP+DCP) 2006 2,263 4,130 0,300 1 0,584 9,612
FCL SIN CAPEX*/(DLP+DCP) 2007 8,498 4,442 3,659 1 0,056 4.905,547
FCL*/DCP 2005 -2,317 1,648 1,976 1 0,160 ,099
FCL*/DCP 2006 9,227 3,027 9,294 1 0,002 10.170,706
FCL*/DCP 2007 5,644 2,219 6,472 1 0,011 282,632
FCL*/(DLP+DCO) 2005 4,584 2,065 4,930 1 0,026 97,940
FCL*/(DLP+DCO) 2006 -5,356 4,325 1,534 1 0,216 0,005
FCL*/(DLP+DCO) 2007 -5,956 2,804 4,513 1 0,034 0,003
FCL/CP 2005 0,861 0,877 0,963 1 0,326 2,366
FCL/CP 2006 -3,669 1,629 5,071 1 0,024 0,025
FCL/CP 2007 -2,681 1,369 3,839 1 0,050 0,068
GRUPO 2
PORCENTAJE COSTES FIJOS 2005 -27,252 8,904 9,368 1 0,002 0,000
PORCENTAJE COSTES FIJOS 2006 46,932 15,502 9,165 1 0,002 >500 Mm
INDICE DE APALANCAMIENTO 2005 0,040 0,063 0,408 1 0,523 1,041
INDICE DE APALANCAMIENTO 2006 -0,148 0,065 5,198 1 0,023 0,862
INDICE DE APALANCAMIENTO 2007 -0,043 0,043 1,007 1 0,316 0,958
MARGEN BAIT* 2007 21,232 7,858 7,301 1 0,007 >500 Mm
MARGEN BENEFICIO NETO 2006 -9,441 6,463 2,134 1 0,144 0,000
MARGEN BENEFICIO NETO 2007 -12,246 8,908 1,890 1 0,169 0,000
92
ROA 2005 16,779 9,920 2,861 1 0,091 >5 Mm
ROA 2006 -13,118 10,500 1,561 1 0,212 0,000
ROE 2005 2,307 1,624 2,018 1 0,155 10,043
ROE 2006 -0,815 1,178 0,478 1 0,489 0,443
ROE 2007 -0,856 1,434 0,357 1 0,550 0,425
GRUPO 3
BAIT*/PASIVO CIRCULANTE 2005 -7,121 3,461 4,233 1 0,040 0,001
BAIT*/PASIVO CIRCULANTE 2006 6,794 4,326 2,466 1 0,116 892,163
BAIT*/PASIVO CIRCULANTE 2007 -2,823 3,511 0,646 1 0,421 0,059
EVOLUCIÓN PMM 2006 0,065 0,085 0,597 1 0,440 1,068
EVOLUCIÓN PMM 2007 0,041 0,090 0,212 1 0,645 1,042
NOF/PASIVO TOTAL 2006 -8,836 4,768 3,435 1 0,064 0,000
NOF/PASIVO TOTAL 2007 6,485 5,356 1,466 1 0,226 655,059
RATIO DE ALTMAN 2006 7,748 2 0,021
RATIO DE ALTMAN 2006 (1) -4,700 1,722 7,450 1 0,006 0,009
RATIO DE ALTMAN 2006 (2) -0,606 0,788 0,591 1 0,442 0,546
RATIO DE ALTMAN 2007 0,480 2 0,786
RATIO DE ALTMAN 20067(1) -0,458 1,417 0,104 1 0,747 0,633
RATIO DE ALTMAN 20067(2) 0,230 0,777 0,088 1 0,767 1,259
RIESGO DE LIQUIDEZ 2005 -31,072 34,234 0,824 1 0,364 0,000
RIESGO DE LIQUIDEZ 2006 3,171 2,826 1,259 1 0,262 23,830
RIESGO DE LIQUIDEZ 2007 -1,609 2,529 0,405 1 0,524 0,200
GRUPO 4
TDC/(TDL+TDC)2005 15,502 7,232 4,594 1 0,032 >5 Mm
TDC/(TDL+TDC)2006 11,224 7,414 2,292 1 0,130 74.932,269
TDC/(TDL+TDC)2007 10,656 7,998 1,775 1 0,183 42.442,529
INTERACCIÓN FCL*/DCP -1,834 1,017 3,253 1 0,071 ,160
INTERACCIÓN COSTES FIJOS 76,898 25,177 9,329 1 0,002 >500 Mm
INTERACCIÓN MARGEN BAIT* 30,943 34,925 0,785 1 0,376 >500 Mm

INTERACCION MARGEN BENEFICIO NETO 10,184 4,216 5,835 1 0,016 26.464,670
INTERACCION RATIO NOF -0,025 0,008 9,417 1 0,002 0,975
INTERACCION TDC/(TDL+TDC) -17,394 9,042 3,701 1 0,054 0,000
INTERACCION TDL/(TDL+TDC) 33,535 18,426 3,312 1 0,069 >500 Mm
CUADRADO COSTES FIJOS 2006 -75,955 29,877 6,463 1 0,011 0,000
CUADRADO EVOLUCIÓN PMM 2005 0,039 0,039 0,965 1 0,326 1,039
93
CUADRADO INDICE APALANCAMIENTO 2005 -0,003 0,002 1,802 1 0,179 0,997
CUADRADO INDICE APALANCAMIENTO 2006 -0,006 0,003 3,601 1 0,058 0,994
CUADRADO INDICE APALANCAMIENTO 2007 0,001 0,001 3,327 1 0,068 1,001
CUADRADO RATIO DE LAS NOF 2005 0,073 0,023 9,785 1 0,002 1,075
CUADRADO RATIO DE LAS NOF 2006 0,061 0,042 2,141 1 0,143 1,063
CUADRADO NOF/PASIVO TOTAL 2006 10,466 5,331 3,855 1 0,050 35.117,615
CUADRADO NOF/PASIVO TOTAL 2007 -10,925 6,502 2,823 1 0,093 0,000
Constante -24,661 12,016 4,212 1 0,040 0,000
Para proceder al análisis de los grupos de variables que presentan una

significatividad análoga, se elige como mayor valor aceptable de nivel de
significación 0,4. Considerando este rango como indicador de mejor capa-
cidad explicativa de cada variable respecto de la probabilidad de impago
en las compañías analizadas, se concluye (tabla 23) que en el modelo de
2008, el 85,3% de las variables tienen un grado de significación bueno, un
9,6% bajo y un 4,8% realmente bajo 20; en 2009, el 89,48% de las variables
tienen un grado de significación bueno y el 10,53% restante un nivel de
significación bajo.
TABLA 23. RESUMEN INTERVALOS DE SIGNIFICACIÓN, MODELO 2008 Y 2009
AÑO 2008
Grado de significación Nº de variables Porcentaje sobre el total de variables

(0,0-0,1) 33 53,23%
(0,1-0,3) 14 22,58%
(0,3-0,4) 6 9,68%
(0,4-0,5) 3 4,84%
(0,5-0,6) 3 4,84%
(0,6-0,7) 1 1,61%
(0,7-0,8) 2 3,23%
TOTAL 62 100,00%
20
Las variables que se han mantenido en el modelo con un grado de significación bajo es
debido a la existencia de multicolinealidad tolerable en el modelo y su exclusión provocaba una
disminución en la capacidad predictiva del mismo.
94
AÑO 2009
Grado de significación Nº de variables Porcentaje sobre el total de variables

(0,0-0,1) 31 54,39%
(0,1-0,3) 14 24,56%
(0,3-0,4) 6 10,53%
(0,4-0,5) 6 10,53%
(0,5-0,6) 0 0,00%
(0,6-0,7) 0 0,00%
(0,7-0,8) 0 0,00%
TOTAL 57 100,00%
Existe, además, otra interpretación posible de uno de los elementos que

intervienen en el modelo, y que permite valorar la importancia de cada varia-
ble explicativa. Estos son los valores de los coeficientes asociados a cada va-
riable en el modelo. Dichos coeficientes, en el caso más general de regresión
lineal, se interpretan como la variación experimentada por la variable depen-
diente ante una modificación unitaria de la variable independiente asociada.
En el modelo Logit, la interpretación como se ha explicado en el epígrafe 3.5
es algo diferente, si bien, el valor de dicho coeficiente recoge el impacto de
la variable asociada, sobre la variable dependiente. El signo de dichos coefi-
cientes (positivo indica variación en el mismo sentido y negativo en sentido
contrario) carece en el modelo de excesiva interpretación. La razón de ello, se
encuentra en que al estar las variables recogidas en grupos de tres, la misma
variable retardada uno y dos periodos, es posible que los efectos de las mis-
mas consideradas de forma dinámica no sean iguales en el tiempo. Es decir,
quizá el efecto a largo plazo sí sea negativo y coincida con el signo esperado
desde un punto de vista teórico, pero existe la posibilidad de que en el corto
plazo se produzca un retardo que pueda ser positivo o negativo.
Por otra parte, al tener las variables conjuntas un cierto grado de multicolinea-
lidad, es posible que la estimación sea imprecisa, y por ello el signo de los coefi-
cientes individuales sea irrelevante en el análisis de las conclusiones del modelo.
6.2. Análisis de las clasificaciones producidas por el modelo
6.2.1. Porcentaje de casos correctamente predichos

Este es uno de los resultados de mayor importancia del modelo, una vez ve-
rificada su validez estadística. Una de las principales consecuencias en la correc-
95
ta clasificación del fracaso empresarial, tal y como se detalló en el capítulo dos

(epígrafe 2.5), es la disminución de los errores tipo I y tipo II. En el modelo, se
pretende disminuir la probabilidad de cometer estos errores por medio de una
correcta clasificación así como por el estudio de las incidencias en pagos, ante-
sala de la morosidad. La cuantificación de las consecuencias de estos errores es
relevante no solo por su importe sino además en las exigencias legales que, en
su caso, obliguen a las entidades financieras a dotar provisiones y pignorar fon-
dos. Esta es, precisamente, la situación en España, lo que afecta directamente
tanto a las cuentas de resultados como a la liquidez de dichas entidades.
Analizados los resultados que el modelo genera en 2008 (tabla 24), se aprecia
que el modelo obtiene una clasificación correcta del 82,5% de las empresas que
no presentan realmente impagos, pudiendo ajustar de esta manera las rentabi-
lidades exigidas en las operaciones de crédito y siendo posible incrementar el
volumen de negocio de las entidades en el tramo de menor riesgo. Respecto a las
empresas correctamente clasificadas con riesgo de impago se obtiene un 87,2%
de los casos. Este valor permite concluir que se disminuyen de manera notable los
errores tipo I, cuyas consecuencias son las de mayor gravedad para la entidad.
TABLA 24. TABLA DE CLASIFICACIÓN PROBABILIDAD DE IMPAGO 2008
Tabla de clasificación
Pronosticado
observado Riesgo año 2008
Porcentaje correcto
0 1
Paso 1 Riesgo año 2008 0 519 110 82,5
1 5 34 87,2
Porcentaje global 82,8
Fuente. Elaboración propia
En 2009 la clasificación es correcta de manera global en el 73,4% de la mues-

tra y en un 83,7% de los casos que han tenido impagos. La disminución respec-
to de los resultados de 2008, no debe considerarse negativa por las razones
siguientes: el riesgo de cometer el error tipo I ha aumentado en 4 puntos, pero
sigue alcanzando un valor inferior al 25 %, fijado como objetivo inicial: el por-
centaje correcto de empresas que no presentan problemas de pagos es menor
en 10 puntos, sin embargo esta disminución tiene una menor relevancia por
ser el error tipo II de menor peso. No obstante lo anterior, se debe considerar
un buen resultado ya que al tratarse de una predicción a dos años, parece ad-
misible y lógico que la clasificación correcta sea de un menor nivel al obtenido
por el año inmediatamente posterior a los datos disponibles.
96
TABLA 25. TABLA DE CLASIFICACIÓN PROBABILIDAD DE IMPAGO 2009
Pronosticado
observado Riesgo año 2009 Porcentaje
0 1 correcto
Paso 1 Riesgo año 2009 0 449 170 72,5
1 8 41 83,7
Fuente. Elaboración propia mediante salida de SPSS
6.2.2 . Resultados submuestras aleatorias

Para comprobar la robustez del modelo, esto es la consistencia de los resul-
tados al aplicar el mismo a distintas muestras, se han generado 105 submues-
tras aleatorias con el 80% de las empresas. Se ha realizado este estudio para
los datos correspondientes al 2008, obteniéndose los resultados que se mues-
tran a continuación.
TABLA 26. TABLA DE CLASIFICACIÓN DE SUBMUESTRAS
Pronosticado
observado Riesgo año 2008 Porcentaje

correcto
0,00 1,00
Paso 1 Riesgo año 2008 0,00 519 110 82,5
1,00 5 34 87,2
a, El valor de corte es 0,56
Porcentaje correcto 0 1 Global
Valor máximo 90,33 94,12 90,35
Valor mínimo 80,57 78,57 80,84
Desviación típica 2,19 3,45 2,12
Media 85,32 86,59 85,40
Los resultados alcanzados demuestran que el modelo tiene un comporta-

miento muy estable ante cambios en la muestra. Tanto los valores máximos
97
como los mínimos obtenidos están dentro de un intervalo muy próximo al va-
lor resultante con la muestra total. La media es superior en más de dos puntos
en el caso de porcentaje correcto de clasificación de empresas sin problemas
de pagos, al igual que el porcentaje global de la muestra, y por otro lado las
desviaciones típicas están en el intervalo de 2,12 y 3,45, por lo que las medias
obtenidas pueden considerarse suficientemente estables.
Se recogen en la tabla 27 las clasificaciones individuales obtenidas por el mo-
delo para cada una de las 105 muestras aleatorias en las que se ha aplicado, indi-
cándose los porcentajes de acierto, es decir, de casos correctamente predichos.
TABLA 27. CLASIFICACIONES INDIVIDUALES DE LAS SUBMUESTRAS
0 1 Global 0 1 Global 0 1 Global 0 1 Global
84,23 87,50 84,42 83,58 80,00 83,39 86,13 88,88 86,27 83,09 85,71 83,23
83,49 84,84 83,57 84,77 87,50 84,94 87,04 93,10 87,36 84,69 91,17 85,10
86,08 85,18 86,03 86,25 81,25 85,95 88,82 81,48 88,46 84,47 86,66 84,60
85,87 86,20 85,89 83,91 84,37 83,94 83,89 81,25 83,73 85,74 91,66 86,13
87,57 90,00 87,71 82,08 88,23 82,47 89,50 84,61 89,26 85,88 80,64 85,58
83,03 83,87 83,08 83,49 87,09 83,70 84,14 87,50 84,35 84,69 83,87 84,64
87,67 87,09 87,64 84,76 90,00 85,05 83,59 91,17 84,06 81,78 83,87 81,90
89,07 86,20 88,91 86,46 86,20 86,45 82,51 81,81 82,47 84,97 89,28 85,19
86,97 87,50 87,00 84,92 83,33 84,83 81,15 87,50 81,53 84,81 87,50 84,98
86,63 81,48 86,36 85,22 84,37 85,17 86,85 86,66 86,84 87,92 93,54 88,25
85,43 87,87 85,58 82,99 83,33 83,01 84,85 83,33 84,77 86,97 87,50 87,00
83,65 94,11 84,29 87,24 89,65 87,38 83,26 85,29 83,39 87,10 93,10 87,43
88,46 78,57 87,95 85,63 87,50 85,74 80,57 84,84 80,84 85,74 87,50 85,84
86,00 87,50 86,09 89,58 86,66 89,42 87,10 93,54 87,47 90,32 89,65 90,29
85,07 87,87 85,24 81,65 85,71 81,91 85,45 87,09 85,55 86,82 84,37 86,67
85,68 90,32 85,95 84,35 82,35 84,22 88,31 81,48 87,97 88,36 93,10 88,61
82,77 87,50 83,05 84,37 83,33 84,30 89,87 89,28 89,84 88,62 87,50 88,56
90,14 93,54 90,34 85,32 87,50 85,45 85,74 83,87 85,63 87,17 88,88 87,26
84,10 91,42 84,58 83,26 91,17 83,76 83,63 88,23 83,93 85,77 83,33 85,63
83,10 81,81 83,02 86,12 80,00 85,77 83,95 84,84 84,00 83,13 84,37 83,20
86,99 85,71 86,92 83,49 87,09 83,70 81,11 87,09 81,46 85,14 83,33 85,04
83,53 85,29 83,64 81,22 85,29 81,48 83,10 86,20 83,27 86,57 81,48 86,31
81,56 88,88 82,0 86,61 90,62 86,85 89,60 90,00 89,62 84,89 83,87 84,83
86,42 86,66 86,44 83,63 86,66 83,81 86,40 89,65 86,57 82,56 81,81 82,52
85,43 87,50 85,55 86,12 92,85 86,47 85,99 85,71 85,98 82,57 83,87 82,64
86,17 90,32 86,41 86,94 86,20 86,90 83,40 87,09 83,62 84,87 82,75 84,75
88,18 87,09 88,12
98
Se incluye a continuación un resumen gráfico del comportamiento de las

submuestras en la clasificación de impagos y se observa que predicen co-
rrectamente un porcentaje de casos que se mueve fundamentalmente en el
intervalo 80%-95%, siendo para el total de la muestra del 87,2%.
FIGURA 4. CLASIFICACIÓN DE IMPAGOS
ROBUSTEZ EN CLASIFICACIÓN DE IMPAGO
50
45
40
35
30
25
20
15
10
5
0
<75 75-80 81-85 86-90 91-95 96-100
Respecto a la clasificación de pagos, las submuestras predicen correcta-

mente un porcentaje de casos que se mueve en el intervalo de 80%-90%,
coincidiendo con la clasificación del total de la muestra que es del 82,5%.
99
FIGURA 5. CLASIFICACIÓN DE PAGOS
ROBUSTEZ EN CLASIFICACIÓN DE PAGO
50
60
50
40
30
20
10
0
<75 75-80 81-85 86-90 91-95 96-100
6.3. Comparativa del modelo propuesto con otros modelos de probabili-

dad de fracaso empresarial
Para finalizar la evaluación del modelo propuesto y la validez de sus resul-

tados, en lo relativo a la capacidad predictiva de las variables incluidas, se pro-
pone llevar a cabo una comparación con el modelo que resultaría de sustituir
éstas por las variables explicativas recogidas en otros modelos existentes.
Los pasos que se van a seguir en esta comparativa son los mismos que se
han utilizado para analizar los resultados de esta investigación:
t %JTDVTJÂOEFMBWBMJEF[FTUBE½TUJDBEFMNPEFMPDPNQBSBEP DPUFKBOEP
las diferencias en los resultados de los tests utilizados.
t $PNQSPCBEBTMBTDBSBDUFS½TUJDBTEFWBMJEF[EFMPTNPEFMPT TFDPNQB-
rarán las tablas de clasificación obtenidas por los diferentes modelos.
La finalidad perseguida con este análisis será la de establecer qué distinta

capacidad explicativa tienen las variables independientes utilizadas por otros
autores y entidades que estudian el fracaso empresarial frente a las incluidas
en el modelo propuesto como predictores de la probabilidad de impago, va-
riable dependiente elegida en el modelo de esta investigación. Los modelos
100
elegidos para hacer este análisis son por un lado un modelo que se aplica
actualmente en la entidad financiera que ha aportado la muestra y por otro
dos modelos de reconocido prestigio en el ámbito científico académico como
son el modelo de Beaver et. al (2008) y el modelo de Demirovic y Thomas
(2007).
6.3.1. Comparativa modelo propuesto de probabilidad de impago para

2008 y 2009 y modelo de probabilidad de impago de la entidad fi-
nanciera
Para realizar la comparación del modelo diseñado y presentado en esta in-
vestigación con el modelo utilizado por la entidad financiera, se han aplicado
las variables independientes que emplea dicha entidad financiera (tabla 28) a
la misma muestra, misma variable dependiente y misma metodología que se
ha utilizado en el modelo de esta investigación.
Las variables independientes utilizadas por la entidad financiera son cinco,
de las cuales dos de ellas se basan en las aportaciones de Beaver, al introdu-
cir el flujo de caja como beneficio + amortizaciones (variables denominadas
como CD71A y R51A por la entidad financiera). Esta ratio es comparada por
un lado con los acreedores a corto plazo más provisiones a corto plazo, inten-
tando con ello medir desde un punto de vista teórico la capacidad que tiene
la empresa para hacer frente a sus compromisos a corto plazo. La inclusión de
este tipo de variables no incorpora el componente dinámico de generación
de fondos dado que como se ha expuesto en capítulos anteriores el beneficio
ajustado con las amortizaciones y provisiones no recoge los fondos generados
por la empresa. Por otro lado se compara dicha ratio con la cifra de ventas
midiendo de esta manera el margen de beneficio ordinario, ajustado con las
amortizaciones y extraordinarios, obtenido por cada unidad vendida.
El resto de variables utilizadas miden el peso de los resultados financieros
en la cuenta de pérdidas y ganancias (PG12), la liquidez inmediata de la em-
presa (LIQ2) y el peso de los recursos ajenos sobre el total de los proyectos
de inversión (B5A).
101
TABLA 28. VARIABLES INDEPENDIENTES EN EL MODELO DE LA ENTIDAD FINANCIERA
Nombre de la
Numerador Denominador
variable
Acreedores a C.P.+ Provisiones para Total Activo - Acc. por des. exigidos -
B5A riesgos y gastos a C.P. + Acreedores Acc. por des. no ex. - Acc. propias- Acc.
a LP. propias a C.P.
Resultado Ordinario + Dotaciones pa-

CD71A ra Amortizaciones del Inmovilizado + Acreedores a C.P. + Provisiones C.P.
Resultados extraordinarios negativos
Acreedores a C.P + provisiones para

LIQ2 Tesorería
riesgos y gastos a C.P.
PG12 Gastos Fin. Tot. - Ing. Fin. Tot. Ventas
Resultado Ordinario + Dotaciones pa-

R51A ra Amortizaciones del Inmovilizado + Ventas
Resultados extraordinarios negativos
Fuente: Entidad financiera
Desde el punto de vista que fundamenta esta investigación, las variables

independientes de este modelo presentan ciertas carencias, tales como la no
inclusión de variables que recojan el carácter dinámico de los negocios o la
generación de fondos como son los flujos de caja. Otro de los déficits es que
se utilizan variables solo del año anterior al cálculo de la probabilidad de im-
pago. Para neutralizar o minimizar esta limitación, en el modelo de esta inves-
tigación se ha introducido la misma variable con retardos de hasta tres años,
dado que el comportamiento de una variable en el tiempo tendrá influencias
en la probabilidad de impago, mientras que una ratio considerada de manera
puntual facilita lógicamente mucha menos información que la evolución de
la misma.
A continuación se exponen los resultados obtenidos y su comparación
con los del modelo desarrollado en esta investigación, siguiendo la misma
estructura de discusión presentada en el epígrafe anterior.
6.3.1.1. Resultados R2
Se observa directamente la diferencia alcanzada en el R2 de Nagelkerke
utilizado como medida de la bondad de los modelos, entre los casos compa-
rados.
102
TABLA 29. RESUMEN R2 MODELO ENTIDAD FINANCIERA 2008

Resumen de los modelos
1 256,705ª ,002 ,007

TABLA 30. RESUMEN R2 MODELO INVESTIGACIÓN 2008


1 172,502ª ,170 ,474

El coeficiente R2 del modelo de la entidad financiera consigue unos valores

realmente bajos (0,007 en 2008) frente al valor significativamente más elevado ob-
tenido por el modelo propuesto en esta investigación (0,474) en el mismo año.
TABLA 31. RESUMEN R2 MODELO ENTIDAD FINANCIERA 2009

1 310,304ª ,012 ,031

103
TABLA 32. RESUMEN R2 MODELO INVESTIGACIÓN 2009


1 242,009ª ,150 ,367

Respecto a los valores del coeficiente R2 para el ejercicio 2009, el modelo de

la entidad financiera consigue de nuevo un valor bajo (0,031 en 2009) frente al
valor significativamente más alto obtenido por el modelo propuesto (0,367).
Se concluye, en consecuencia, que la introducción de las variables predic-
tivas del modelo de la entidad financiera en el modelo desarrollado en esta
investigación no alcanza la capacidad explicativa de la variabilidad de los datos
empíricos lograda por las variables independientes empleadas en el modelo
de esta investigación.
6.3.1.2. Significación de las variables utilizadas por la entidad financiera

Las variables independientes utilizadas por la entidad financiera no son
significativas con una metodología Logit para explicar la variable dependiente
utilizada en el modelo investigación, tal y como podemos observar en la tabla
38 correspondiente al año 2008 (columna Sig.). Los niveles de significación
alcanzan valores superiores a 0,40 en todas las variables, y para la práctica
totalidad de las variables en 2009 (tabla 34).
TABLA 33. RESULTADOS VARIABLES INDEPENDIENTES ENTIDAD FINANCIERA 2008

Variables en la ecuación
Paso b5a7 ,735 ,987 ,555 1 ,456 2,086
1ª cd71a7 ,099 ,551 ,032 1 ,858 ,906
liq7 ,187 ,229 ,670 1 ,413 1,206
pg127 ,007 ,019 ,128 1 ,721 1,007
r51a7 ,002 ,007 ,111 1 ,739 1,002
Constante -3,342 ,738 20,525 1 ,000 ,035
a. Variable(s) introducida(s) en el paso 1: b5a7, cd71a7, liq7, pg127, r51a7
104
TABLA 34. RESULTADOS VARIABLES INDEPENDIENTES ENTIDAD FINANCIERA 2009

Variables en la ecuación
Paso b5a7 2,024 ,884 5,249 1 ,022 7,571
1ª cd71a7 -0,14 ,534 ,001 1 ,979 ,986
liq7 ,186 ,250 ,554 1 ,457 1,204
pg127 ,009 ,018 ,267 1 ,606 1,009
r51a7 ,003 ,006 ,293 1 ,588 1,003
Constante -3,906 ,691 31,921 1 ,000 ,020
a. Variable(s) introducida(s) en el paso 1: b5a7, cd71a7, liq7, pg127, r51a7
Se puede concluir que las variables utilizadas por la entidad financiera no

son válidas estadísticamente para explicar la probabilidad de impago medida
ésta como las incidencias de impago registradas por las entidades financieras,
apoyándonos tanto en el R2 de Nagelkerke que alcanza valores muy bajos,
como en la escasa significación de las variables independientes.
6.3.1.3. Porcentaje de casos correctamente predichos

La correcta clasificación de las empresas es uno de los resultados de mayor
importancia del modelo, como se ha venido señalando. Se efectúa a continua-
ción la comparación de las clasificaciones correspondientes derivadas de los
dos modelos base de este análisis.
TABLA 35. RESUMEN TABLA CLASIFICACIÓN MODELO ENTIDAD FINANCIERA 2008
Pronosticado
Porcentaje correcto
0 1
Paso 1 Riesgo año 2008 0 356 234 60,3
1 17 16 48,5
105
TABLA 36. RESUMEN TABLA CLASIFICACIÓN MODELO INVESTIGACIÓN 2008
Pronosticado
Porcentaje correcto
0 1
Paso 1 Riesgo año 2008 0 519 110 82,5
1 5 34 87,2
Los resultados en las tablas de clasificación de los dos modelos reflejan cla-
ras diferencias. En primer lugar, se ha constatado que el modelo desarrollado
en esta investigación tiene un nivel de acierto muy superior en la clasificación
para empresas con impagos. Concretamente, el modelo investigación obtiene
en 2008 (tablas 35 y 36) un nivel del 87,2% frente al 48,5% del modelo utili-
zado por la entidad financiera, mientras que para 2009 (tablas 37 y 38) estos
datos son del 83,7% y 70,5% respectivamente.
TABLA 37. RESUMEN TABLA CLASIFICACIÓN MODELO ENTIDAD FINANCIERA 2009
Pronosticado
Porcentaje correcto
0 1
Paso 1 Riesgo año 2009 0 246 333 42,5
1 13 31 70,5
106
TABLA 38. RESUMEN TABLA CLASIFICACIÓN MODELO INVESTIGACIÓN 2009
Pronosticado
Porcentaje correcto
0 1
Paso 1 Riesgo año 2009 0 449 170 72,5
1 8 41 83,7
Como se puede observar, el modelo investigación mejora la clasificación

en 47 y 30 puntos respectivamente en los años considerados, por lo que su
utilización reducirá muy sensiblemente las consecuencias del llamado error
tipo I (error que supone clasificar como empresas con capacidad de pago,”0”,
a empresas que ciertamente no lo son, “1”) que supone entre otros un coste
estimado21 en el 70% del importe financiado. En segundo lugar, el modelo in-
vestigación facilita la mejora en los costes de oportunidad derivados del error
tipo II (error que supone clasificar como empresas con problemas de pago,
“1”, cuando realmente no tienen esta situación, “0”) al elevar en 22 puntos
en 2008 y en 30 puntos para 2009 la clasificación correcta de las empresas sin
incidencias de pago, obteniendo un nivel de acierto en esta clasificación del
82,5% frente al 60,3% de la entidad financiera el primer año y el 72,5% frente
al 42,5% en el segundo.
Se concluye, que el modelo desarrollado en esta investigación tiene una
mayor validez desde el punto de vista estadístico y unos mejores resultados,
medidos éstos por la correcta clasificación de la variable dependiente, que el
modelo desarrollado por la entidad financiera, lo que aconseja finalmente la
utilización de las variables independientes del modelo investigación frente a
las variables utilizadas por la entidad financiera para estudiar la variable de-
pendiente incidencias en pago.
6.3.2. Comparativa modelo propuesto de probabilidad de impago 2008 y

2009 y modelo de Beaver, Correia y McNichols
Para realizar la comparación del modelo investigación con el modelo uti-
lizado por Beaver, Correia y McNichols (2008), se han aplicado, al igual que
en el análisis anterior, las variables independientes que han utilizado en su
21
Se toma como valor de referencia el determinado por Altmann et.al (1997), ya mencio-
nado en las conclusiones del capítulo dos.
107
modelo22 a la misma muestra con la que se ha trabajado en esta investigación,

misma variable dependiente y misma metodología.
Se desarrollan a continuación los resultados obtenidos y su comparación
con los del modelo investigación, siguiendo la estructura de discusión presen-
tada en el epígrafe anterior.
TABLA 39. RESULTADOS R2 MODELO BEAVER, CORREIA Y MCNICHOLS 2008


1 286,614ª ,026 ,074

TABLA 40. RESULTADOS R2 MODELO INVESTIGACIÓN 2008


1 172,502ª ,170 ,474

El R2 de Nagelkerke, utilizado como medida de bondad de ajuste de los

modelos, ofrece valores realmente bajos (0,074) frente a los valores significati-
vamente superiores obtenidos por el modelo propuesto en esta investigación
(0,47) para el año 2008.
22
Ver Tabla 1. Resumen de ratios utilizadas capítulo dos de la presente investigación.
108
TABLA 41. RESULTADOS R2 MODELO BEAVER, CORREIA Y MCNICHOLS 2009


1 337,535ª ,030 ,073

TABLA 42. RESULTADOS R2 MODELO INVESTIGACIÓN 2009


1 242,009ª ,150 ,367

De igual manera en 2009, el coeficiente R2 que presenta el modelo de Beaver,

Correia y McNichols alcanza el mismo valor que en 2008 y se observa una dife-
rencia de 29 puntos con el logrado en el modelo de esta investigación.
Se concluye de esta manera que la comparativa de los dos modelos por
medio del R2 de Nagelkerke, como una medida de la bondad de los mismos,
arroja unos resultados muy superiores para los dos periodos en el modelo
desarrollado en esta investigación.
6.3.2.2. Prueba de bondad del ajuste de Hosmer y Lemeshow

En este contraste, como se expuso anteriormente, se discute la validez
de la hipótesis consistente en que no hay diferencias significativas entre los
valores observados y los valores predichos por el modelo. En ambos casos,
en la discusión de esta prueba para 2008, se concluye que la hipótesis nula es
aceptada, lo que confirma la validez estadística de dicho modelo.
109
TABLA 43. PRUEBA DE HOSMER Y LEMESHOW MODELO BEAVER, CORREIA Y MCNICHOLS 2008
1 5,095 8 ,747

Paso 1 69 68,506 0 ,494 69
1 2 67 67,706 2 1,294 69
3 67 66,946 2 2,054 69
4 66 66,261 3 2,739 69
5 67 65,618 2 3,382 69
6 67 64,951 2 4,049 69
7 62 64,153 7 4,847 69
8 65 63,236 4 5,764 69
9 60 62,270 9 6,730 69
10 56 56,353 9 8,647 65
TABLA 44. PRUEBA DE HOSMER Y LEMESHOW MODELO INVESTIGACIÓN 2008

1 2,743 8 ,949

Paso 1 67 67,000 0 ,000 67
1 2 67 66,999 0 ,001 67
3 67 66,992 0 ,008 67
4 67 66,955 0 ,045 67
5 66 66,731 1 ,269 67
6 66 66,180 1 ,820 67
7 66 65,405 1 1,595 67
8 63 63,939 4 3,061 67
9 60 60,156 7 6,844 67
10 40 38,642 25 26,358 65
110
Respecto al año 2008 (tablas 43 y 44) se puede observar que tanto el nivel
de significación obtenido por las variables del modelo investigación, como
el análisis de las tablas de contingencia ofrecen unos resultados superiores.
En efecto, el nivel de significación en el modelo de Beaver, Correia y McNi-
chols resulta 20 puntos inferior al obtenido por el modelo investigación y las
diferencias entre las frecuencias esperadas y empíricas en el modelo de esta
investigación son visiblemente inferiores, demostrando un mayor ajuste del
modelo a los datos observados.
TABLA 45. PRUEBA DE HOSMER Y LEMESHOW MODELO BEAVER, CORREIA Y MCNICHOLS 2009
1 9,229 8 ,323

Paso 1 69 68,177 0 ,823 69
1 2 67 67,171 2 1,829 69
3 66 66,229 3 2,771 69
4 64 65,431 5 3,569 69
5 66 64,671 3 4,329 69
6 67 63,937 2 5,063 69
7 63 63,033 6 5,967 69
8 60 61,990 9 7,010 69
9 56 60,865 13 8,135 69
10 58 54,497 7 10,503 65
111

1 4,276 8 ,831

Paso 1 67 66,988 0 ,012 67
1 2 67 66,928 0 ,072 67
3 66 66,793 1 ,207 67
4 66 66,434 1 ,566 67
5 66 65,781 1 1,219 67
6 65 64,991 2 2,009 67
7 63 63,496 4 3,504 67
8 60 61,122 7 5,878 67
9 59 57,077 8 9,923 67
10 40 39,391 25 25,609 65
Al analizar los resultados de los modelos para el año 2009 se constata que
el modelo desarrollado por Beaver et. al no resulta ser significativo al tener un
nivel de significación inferior al 0,5 considerado este como aceptable (0,323).
En consecuencia esta prueba no valida estadísticamente el modelo de Beaver,
et. al y sí el modelo desarrollado en esta investigación.
TABLA 47. RESULTADOS TABLA DE CLASIFICACIÓN MODELO DE BEAVER,

CORREIA Y MCNICHOLS 2008
Pronosticado
Porcentaje correcto
0 1
Paso 1 Riesgo año 2008 0 381 265 59,0
1 10 30 75,0
112
TABLA 48. RESULTADOS TABLA DE CLASIFICACIÓN MODELO INVESTIGACIÓN 2008

Pronosticado
Porcentaje correcto
0 1
Paso 1 Riesgo año 2008 0 519 110 82,5
1 5 34 87,2
Los resultados en las tablas de clasificación de los dos modelos reflejan

claras diferencias, por un lado en el año 2008, el modelo desarrollado en
esta investigación consigue una mejora en el porcentaje global de acierto de
aproximadamente 23 puntos. Respecto al nivel de acierto en la clasificación
para empresas con impagos el diferencial es de 12 puntos al situarse en el
87,2% frente al 75% del modelo utilizado por Beaver, Correia y McNichols,
de esta manera con el modelo investigación se reducirán considerablemente
las consecuencias de los errores tipo I. Por otro lado, se mejoran los costes
de oportunidad como consecuencia de elevar más en de 22 puntos la clasi-
ficación correcta de las empresas sin incidencias de pago, ya que se puede
observar que esta clasificación obtiene un nivel de acierto del 82,5% frente al
59% del modelo de Beaver, Correia y McNichols.
TABLA 49. RESULTADOS TABLA DE CLASIFICACIÓN MODELO DE BEAVER,

CORREIA Y MCNICHOLS 2009
Pronosticado
Porcentaje correcto
0 1
Paso 1 Riesgo año 2009 0 340 296 53,5
1 14 36 72,0
113

Pronosticado
Porcentaje correcto
0 1
Paso 1 Riesgo año 2009 0 449 170 72,5
1 8 41 83,7
Ambos modelos aplicados al 2009 aportan variaciones poco significativas

respecto a las tablas de clasificación obtenidas en el modelo de 2008. Aun así
los datos obtenidos en el modelo desarrollado en esta investigación siguen
mejorando los modelos comparados. Por un lado presenta una mejora en
el porcentaje global de aciertos de aproximadamente 20 puntos. El modelo
investigación mejora en 11 puntos el nivel de acierto en la clasificación para
empresas con impagos con respecto al modelo utilizado por Beaver, Correia
y McNichols, al situarse en el 83,7% frente al 72% del modelo, reduciéndose
notablemente las consecuencias de los errores tipo I. Por otro lado se mejoran
los costes de oportunidad como consecuencia de incrementar en 20 puntos
la clasificación correcta de las empresas sin incidencias de pago al obtener un
nivel de acierto en esta clasificación del 72,5% frente al 53,5% del modelo de
Beaver, Correia y McNichols.
6.3.3. Comparativa modelo propuesto de probabilidad de impago 2008 y

2009 y modelo de Demirovic y Thomas (2007)
Para realizar la comparación del modelo investigación con el modelo uti-
lizado por Demirovic y Thomas (2007), se han aplicado las variables inde-
pendientes que han sido utilizadas en su modelo23 a la misma muestra que
la utilizada en esta investigación , misma variable dependiente del modelo y
misma metodología.
Los resultados obtenidos en los diferentes análisis efectuados han sido los
siguientes:
23
Ver Tabla 1. Resumen de ratios utilizadas capítulo dos de la presente investigación.
114
TABLA 51. RESULTADOS R2 DE NAGELKERKE MODELO DEMIROVIC Y THOMAS 2008


1 255,256ª ,069 ,192

TABLA 52. RESULTADOS R2 DE NAGELKERKE MODELO INVESTIGACIÓN 2008

1 172,502ª ,170 ,474

Al igual que en los análisis anteriores el R2 de Nagelkerke del modelo de-

sarrollado en esta investigación presenta valores superiores al del modelo de
Demirovic y Thomas, el cual obtiene unos valores realmente bajos (0,192)
por lo que su validez estadística por medio de esta medida es inferior al del
modelo investigación.
115
TABLA 53. RESULTADOS R2 DE NAGELKERKE MODELO DEMIROVIC Y THOMAS 2009


1 326,556ª ,044 ,107

TABLA 54. RESULTADOS R2 DE NAGELKERKE MODELO INVESTIGACIÓN 2009


1 242,009ª ,150 ,367

Respecto a los datos de los modelos aplicados al 2009 se observa que las
diferencias de los valores en el R2 se mantienen próximas a las observadas en
el modelo de 2008, si embargo debe destacarse que el valor alcanzado por el
coeficiente R2 en el modelo de Demirovic y Thomas en 2009 es significativa-
mente muy bajo (0,107).
6.3.3.2. Prueba de bondad del ajuste de Hosmer y Lemeshow

La aplicación del test de ajuste en el modelo de Demirovic y Thomas para
el año 2008, determina que la hipótesis nula no es aceptada al no superar el
nivel de significación de 0,5 (0,475), por lo que el modelo no debe ser consi-
derado como válido en el año 2008, lo cual se corrobora con las variaciones
en la tabla de contingencias.
116
TABLA 55. PRUEBA DE HOSMER Y LEMESHOW MODELO DEMIROVIC Y THOMAS 2008

1 7,587 8 ,475

Paso 1 68 67,995 0 ,005 68
1 2 67 67,821 1 ,179 68
3 67 66,954 1 1,046 68
4 67 66,094 1 1,906 68
5 67 65,480 1 2,520 68
6 66 64,837 2 3,163 68
7 63 64,089 5 3,911 68
8 61 62,987 7 5,013 68
9 63 61,109 5 6,891 68
10 49 50,636 17 15,365 66

1 2,743 8 ,949

Paso 1 67 67,000 0 ,000 67
1 2 67 66,999 0 ,001 67
3 67 66,992 0 ,008 67
4 67 66,955 0 ,045 67
5 66 66,731 1 ,269 67
6 66 66,180 1 ,820 67
7 66 65,405 1 1,595 67
8 63 63,939 4 3,061 67
9 60 60,156 7 6,844 67
10 40 38,642 25 26,358 65
117
Se concluye que la hipótesis nula es aceptada para el modelo elaborado en

esta investigación (2008), grado de significación (0,949) frente a la no acepta-
ción estadística de la hipótesis nula del modelo comparado.
TABLA 57. PRUEBA DE HOSMER Y LEMESHOW MODELO DEMIROVIC Y THOMAS 2009


1 6,263 8 ,618

Paso 1 68 67,706 0 ,294 68
1 2 66 66,409 2 1,591 68
3 65 65,270 3 2,730 68
4 67 64,319 1 3,681 68
5 62 63,769 6 4,231 68
6 64 63,265 4 4,735 68
7 63 62,667 5 5,333 68
8 59 62,006 9 5,994 68
9 59 60,572 9 7,428 68
10 55 52,017 11 13,983 66
En 2009 la hipótesis nula es aceptada para los dos modelos (tablas 57 y

58) aunque con diferentes niveles de significación y dispersión de los valores
observados y esperados. Las diferencias encontradas, respecto a la significa-
ción, son de 22 puntos, significación de 0,618 para el modelo de Demirovic
y Thomas frente al 0,831 del modelo propuesto. No obstante son variaciones
suficientemente relevantes que ponen en evidencia la mayor validez estadís-
tica del modelo desarrollado en esta investigación tanto para el 2008 como
para el 2009.
118

1 4,276 8 ,831
Paso 1 67 66,988 0 ,012 67
1 2 67 66,928 0 ,072 67
3 66 66,793 1 ,207 67
4 66 66,434 1 ,566 67
5 66 65,781 1 1,219 67
6 65 64,991 2 2,009 67
7 63 63,496 4 3,504 67
8 60 61,122 7 5,878 67
9 59 57,077 8 9,923 67
10 40 39,391 25 25,609 65

Finalizamos este análisis comparativo con la presentación de las tablas de
clasificación obtenidas.
TABLA 59. RESULTADOS TABLA DE CLASIFICACIÓN MODELO DE DEMIROVIC Y THOMAS 2008
Pronosticado
Porcentaje correcto
0 1
Paso 1 Riesgo año 2008 0 447 191 70,1
1 10 30 75,0
119

Pronosticado
Porcentaje correcto
0 1
Paso 1 Riesgo año 2008 0 519 110 82,5
1 5 34 87,2
Los resultados en las tablas de clasificación de los dos modelos reflejan

diferencias menores que en el caso de la entidad financiera y el modelo de
Beaver, Correia y McNichols. El modelo desarrollado en esta investigación,
alcanza un porcentaje global de acierto superior al modelo desarrollado por
Demirovic y Thomas, pues lo supera en aproximadamente 12 puntos.
Respecto al nivel de acierto en la clasificación para empresas con impa-
gos en 2008, mejora en 12 puntos al situarse en el 87,2% frente al 75% del
modelo utilizado por Demirovic y Thomas, reduciéndose así significativa-
mente las consecuencias de los errores tipo I. Respecto de los costes de
oportunidad se aprecia una mejora en 2008 como consecuencia de elevar
en 12 puntos la clasificación correcta de las empresas sin incidencias de
pago, obteniendo un nivel de acierto en esta clasificación del 82,5% frente
al 70,1%.
TABLA 61. RESULTADOS TABLA DE CLASIFICACIÓN MODELO DE DEMIROVIC Y THOMAS 2009

Pronosticado
Porcentaje correcto
0 1
Paso 1 Riesgo año 2009 0 360 268 57,3
1 14 36 72,0
120

Pronosticado
Porcentaje correcto
0 1
Paso 1 Riesgo año 2009 0 449 170 72,5
1 8 41 83,7
Los datos análogos para 2009 suponen también una mejora al aumentar
en 15 puntos la clasificación correcta de las empresas sin incidencias de pago
al obtener un nivel de acierto en esta clasificación del 72,5% frente al 57,3%.
Los porcentajes correctos en pagos en los dos modelos sufren una caída de
10 puntos (modelo investigación) y de 13 (modelo Demirovic y Thomas) res-
pecto a 2008, si bien las probabilidades de acierto obtenidas en el modelo
investigación proporciona unos valores claramente elevados.
De esta manera se concluye que la utilización de las variables independien-
tes del modelo de Demirovic y Thomas en el modelo investigación, provocaría
una menor validez estadística (medido por medio del R2 de Nagelkerke y por
el test de Hosmer y Lemeshow), así como una pérdida en el poder predictivo
del mismo (tabla de clasificación).
De los precedentes análisis detallados del modelo de probabilidad de im-
pago propuesto, elaborado y contrastado, se destacan las siguientes caracte-
rísticas y resultados:
t -BFMFDDJÂOEFMBWBSJBCMFEFQFOEJFOUF JODJEFODJBTFOQBHP DPNPTJ-
tuación inicial en la escala del fracaso empresarial.
t -BTWBSJBCMFTFYQMJDBUJWBTTFMFDDJPOBEBT BMHVOBTEFMBTDVBMFTJODMVZFO
modificaciones en ratios conocidas y utilizadas en otros modelos que
se aplican al estudio de fases posteriores del fracaso empresarial.
t &MNPEFMPQSPQVFTUPIBSFTVMUBEPTJHOJGJDBUJWP-PTEJGFSFOUFTUFTUT
realizados sobre el mismo han demostrado su validez estadística, su
robustez y su capacidad de correcta clasificación tanto en el caso de
empresas que realmente han tenido impagos, como en el caso de las
empresas que realmente no han tenido impagos.
t -PTSFTVMUBEPTEFMNPEFMP FOU¹SNJOPTEFMBDPSSFDUBDMBTJGJDBDJÂORVF
efectúa de las empresas de la muestra que han tenido impagos son res-
pectivamente del 87,2% para el año 2008 y del 83,7% para el año 2009
(dos años posteriores a la información contenida en las variables inde-
121
pendientes), lo que implicará una disminución de las consecuencias de

cometer los errores de tipo I.
t -PTSFTVMUBEPTFOMBTUBCMBTEFDMBTJGJDBDJÂOSFTQFDUPBMBTFNQSFTBT
que no han tenido impagos y que han sido correctamente clasificados
son de un 82,5% para el año 2008 y de un 72,5% para el 2009, lo que
posibilitará una mejora en los costes de oportunidad de las entidades
financieras derivadas del error tipo II y una mejor adecuación tanto en
las rentabilidades exigidas a las operaciones de financiación, como en
las garantías solicitadas para la minimización del riesgo de crédito.
t -BDPNQBSBDJÂOSFBMJ[BEBDPOPUSPTNPEFMPTQPSNFEJPEFMBWBMJEF[
estadística y de la correcta clasificación, pone de manifiesto que las
variables independientes seleccionadas en el modelo investigación po-
seen una mayor capacidad predictiva y validez estadística que las selec-
cionadas por otros autores, dentro del modelo propuesto.
122
CAPÍTULO 4
CONSTRUCCIÓN DE UN MODELO PARA LA

DETERMINACIÓN DEL VOLUMEN DE ENDEUDAMIENTO
SIN RIESGO A CORTO PLAZO
1. INTRODUCCIÓN
En el estudio de los elementos que intervienen en la decisión de conceder

créditos por parte de las entidades financieras se hace necesaria la utilización
de dos tipos de análisis conjuntamente explicativos o indicativos de una situa-
ción final conducente, en su caso, a la concesión del crédito. Por un lado, un
análisis que podemos calificar de análisis cualitativo, que permita clasificar a
las empresas en función del riesgo de impago, esto es, en función de la capaci-
dad o no de atender a los pagos futuros. Por otro lado, un análisis cuantitativo
que facilite la determinación de la cuantía que la entidad considera oportuno
conceder en respuesta a la solicitud de crédito.
El primero de los análisis ha sido objeto del modelo desarrollado en el ca-
pítulo tres, donde se propuso un método basado en la utilización de variables
que recogen información pasada y presente de las empresas, para llegar a la
clasificación de las mismas en función de la probabilidad de impago estimada
por el modelo propuesto y contrastado.
Parece indiscutible que no es suficiente concluir que la empresa presenta
un bajo riesgo de impago. Además, y en función de dicho nivel de riesgo pre-
viamente determinado o estimado, es necesario determinar qué cuantía se
puede conceder finalmente.
En este cuarto capítulo se aborda la discusión, análisis y propuesta de un
modelo que permita cuantificar el importe a financiar. Este modelo es de
carácter novedoso ya que, como se comentó en la descripción de los objeti-
vos de esta investigación, se ha constatado la no existencia de modelos aná-
logos. Se considera de gran importancia la posibilidad de que las entidades
123
financieras puedan disponer de una herramienta que permita homogeneizar

el análisis y las condiciones de determinación del importe final a financiar,
con base en las características económico-financieras de las empresas, como
complemento no solo de garantías reales sino de la propia capacidad de de-
volución de deuda. Así, en consecuencia, se formulará y desarrollará un nuevo
modelo de análisis que determine el monto total de crédito sin riesgo a corto
plazo que se puede conceder a una compañía, por parte tanto de una entidad
financiera como de una empresa que financie sus ventas.
Las características de la propuesta que vamos a formular son:
t (SBOQPTJCJMJEBEEFBQMJDBDJÂOQS²DUJDBEFMNPEFMP
t %FTBSSPMMPEFMNPEFMPBQBSUJSEFMBHFOFSBDJÂOEFDBKBQSFTFOUFEFMBFN-
presa analizada, así como de la evolución pasada de determinadas varia-
bles que afectarán a la capacidad de generación de fondos en la empresa y
consecuentemente a la capacidad de devolución de las deudas contraídas.
Dichas variables se obtendrán exclusivamente a partir de la información
contenida en los propios estados financieros de las empresas pertenecien-
tes a la muestra. Para lograr la determinación del volumen de endeuda-
miento, debería tomarse como punto de partida, fundamentalmente, las
proyecciones futuras de caja de la empresa con las restricciones presentes
de sus estados financieros. Sin embargo para ello debería ser posible co-
nocer de antemano las proyecciones de cada empresa y esa información
no se contiene en los estados financieros, sino en los acuerdos y decisio-
nes del consejo de administración o junta directiva de las compañías.
2. ELECCIÓN DEL MODELO
2.1. Introducción
El volumen de endeudamiento según lo explicado en el apartado 4.1 se

determinará por dos componentes: el primero será la base de estimación de
los fondos que la empresa podría generar en el corto plazo y el segundo com-
ponente, que modificará al primero, tendrá en cuenta la evolución pasada de
un conjunto de variables consideradas como determinantes de la capacidad
de devolución final de la deuda contraída.
Para el desarrollo del modelo se ha analizado una muestra seleccionada
aleatoriamente de los estados financieros correspondientes a 2201 empresas
1
Tamaño muestral determinado para garantizar un error no superior a 5.000` con un
nivel de significación del 0,05, supuesto un muestreo sin reemplazamiento o irrestrictamente
aleatorio. La selección de las empresas se ha realizado manteniendo los mismos pesos de los
subsectores económicos descritos en el apartado 3.2.
124
CONSTRUCCIÓN DE UN MODELO PARA LA DETERMINACIÓN DEL VOLUMEN …
pertenecientes a la base de datos, correspondientes al periodo 2004-2007. Se

ha determinado la cuantía de financiación que se aceptaría conceder inicial-
mente a cada una de las 220 empresas en el corto plazo. Una vez determina-
do el importe a financiar se han identificado y, posteriormente, modelizado
las variables que han servido de fundamento en la toma de dicha decisión.
Finalmente, el volumen de endeudamiento se ha fijado en función de dos
elementos: por un lado, el componente que se denominará F definido como
la generación de caja estimada en el corto plazo y, por otro lado, el coeficiente
denominado r, que es la ratio o coeficiente de rectificación, que incorpora la
información de variables determinantes, y, que en último término, será la pon-
deración/penalización de la cuantía F previamente determinada. Matemática-
mente, para la determinación de dicho coeficiente de penalización se constru-
ye un modelo lineal que se ajustará por mínimos cuadrados ordinarios.
2.2. Determinación de la cuantía F
La cuantía F debe facilitar una aproximación a la capacidad de devolución

de deuda nueva que tiene una empresa en el año inmediatamente posterior
al de la determinación de F.
Sea X el año en el que se determina F de acuerdo con la información con-
table disponible. Para su cálculo se han seleccionado y utilizado las siguientes
variables:
2.2.1. BAIT*
Se utilizará el BAIT* del año X, definido en el capítulo tres, al considerarla
el punto de partida para la generación de caja de explotación de la empresa,
dado que es el resultado de la explotación del negocio sin tener en cuenta la
estructura financiera de la misma.
2.2.2. Amortizaciones y provisiones del año X

La incorporación de las amortizaciones y provisiones afectas al BAIT* per-
mite eliminar aquellas cuentas de gasto que no implican una salida de caja y
que se deducen en el cálculo del BAIT*.
2.2.3. Deudas a corto plazo con coste financiero del año X

Con la inclusión de esta variable, se incorpora el pago del principal de las
deudas contraídas a corto plazo que hay que realizar a bancos y mercados
financieros, lo que minora la capacidad de financiación en el corto plazo.
125
2.2.4. Gastos financieros del año X

Se incluye el coste de la deuda financiera contraída, suponiendo que los
gastos financieros se mantendrán constantes en el corto plazo, periodo ele-
gido en este modelo.
2.2.5. Deudas con coste financiero a corto plazo con empresas del grupo
año X
Para no considerar el total del principal de los préstamos, ya que en la vida
real el principal de estas deudas suele refinanciarse en función de las necesi-
dades del grupo, en el modelo se evaluará esta variable con el 50% del importe
total del principal. Los gastos financieros generados por estos préstamos están
incluidos en el punto 4.2.2.4.
Por todo ello, la expresión que se ha utilizado para la determinación de F
viene dada en la forma siguiente:
F = BAIT*+AMORTIZACIONES Y PROVISIONES–DEUDA A CP CON

COSTE FINANCIERO–GASTOS FINANCIEROS–0,5x DEUDAS CON COS-
TE FINANCIERO CON EMPRESAS DEL GRUPO
Así definida, F será una aproximación a los fondos que será capaz de ge-
nerar una compañía en el año X+1 con la explotación de su negocio, una vez
deducidos los pagos de las deudas contraídas con coste financiero y con la
restricción de no inversiones en CAPEX en el corto plazo2.
No se han considerado las variaciones en las NOF directamente en el
cálculo de F, porque en el coeficiente de ponderación r, que se describe más
adelante, se incluyen las variaciones previas observadas en los periodos me-
dios de maduración. Esto responde a la consideración de que si los periodos
medios de maduración no sufren variaciones y las ventas se mantienen cons-
tantes, no deberían producirse inversiones o desinversiones en las NOF.
El impuesto de sociedades y los imprevistos no se han deducido directamen-
te de F. En su lugar al considerar que el 30% de F es un porcentaje destinado
habitualmente al pago del impuesto de sociedades y el 20% de F se reserva para
el pago de posibles extraordinarios que pueda tener la compañía en X+1, se ha
decidido limitar los valores del coeficiente r entre 0 y 0,5. De este modo, al ser
la mayor penalización posible para F de un 50%, se adopta una política conser-
vadora que limita consecuentemente el riesgo de impago futuro.
2
Si la empresa fuera a realizar inversiones o desinversiones en CAPEX y necesitase finan-
ciación con coste financiero, la operación debería analizarse de manera independiente, utilizan-
do instrumentos como el valor actual neto, el payback descontado entre otros.
126
2.3. Determinación del coeficiente de penalización r
Tal como se ha indicado anteriormente, se estudia la determinación de

un porcentaje o coeficiente de penalización que reducirá el valor de F previa-
mente determinado.
Dicho coeficiente ha de integrar la evolución experimentada por variables
consideradas clave para la apreciación pretendida, con base en la información
pasada, de la capacidad futura de devolución de deuda financiera en el corto
plazo.
La determinación del coeficiente, una vez elegidas las variables que se ex-
plicarán más adelante, responde a un modelo lineal en el que se incorporarán
ciertas modificaciones, habida cuenta de las características y aspectos mate-
máticos de las variables.
Así, al ser el coeficiente r la variable que pretende explicarse, variable en-
dógena o dependiente, se ha elegido su inclusión en el modelo mediante la
siguiente transformación:
Y=
La propuesta del modelo que se acaba de establecer, responde a distintas

necesidades formales:
t &OMBBQMJDBDJÂOEFVOQSJNFSNPEFMPFOFMRVFEJSFDUBNFOUFTFJODPSQP-
ró como variable dependiente al coeficiente buscado r, surgieron valores
negativos para dicha variable. Para evitar este problema se eligió transfor-
mar la variable r, mediante un logaritmo tal como se ha indicado.
t "MFMFHJSMBUSBOTGPSNBDJÂOMPHBS½UNJDB QPES½BEBSTFMBTJUVBDJÂOEF
un valor de r=0, y en consecuencia la no determinación finita del
logaritmo en el caso de cualquier valor posible de r. De ahí la suma
de la constante 0,0001, que apenas modifica el valor de la variable Y,
que para el caso de r=0, resultaría, con toda lógica, con un valor prác-
ticamente nulo. De este modo, al evitar la posible no definición del
logaritmo (si r=0) mediante la suma de la constante 0,0001, es posible
utilizar la muestra completa, de manera que el número de grados de
libertad del modelo sea máximo al hacer uso de toda la información
disponible y con ello se aumenta la posibilidad de generalización del
modelo.
t 1BSBBDPUBSFMWBMPSN²YJNPEFSFO TFIBPQUBEPQPSUSBCBKBSDPO
el cociente . La interpretación de esta nueva variable, relación por
127
cociente entre la ratio r y su complementaria, sigue siendo semejante

a la inicial. De este modo el modelo propuesto arrojará resultados ne-
HBUJWPTQBSB:TJS ZFMWBMPSQS²DUJDBNFOUFOVMPQBSBS ZBRVF
t 6OBWF[PCUFOJEPFMWBMPSEF: TFEFEVDFFMWBMPSDPSSFTQPOEJFOUFEFM
coeficiente de penalización r =
Aún cuando haber acotado a 0,5 el coeficiente de penalización, se soporta

en una actitud o valoración prudente de la posible situación futura de impago
ante incrementos en partidas extraordinarias o cambios de tendencia de los
negocios, no ignoramos la hipótesis subyacente del modelo, según la cual la
cuantía F determinada, se fija bajo la hipótesis de estabilidad en el corto plazo
de las variables que lo componen.
Por otro lado, las políticas de dividendos a corto plazo que fije la compañía
a la que se otorgue la financiación, tendrán una incidencia directa en la salida
de caja, de forma que sería aconsejable que la entidad financiera llegase a
convenir con la compañía una política de fijación de dividendos en el corto
plazo para que de ese modo la capacidad de devolución de deuda no se vea
mermada por una salida de caja, vía dividendos, superior en un 50% a la cuan-
tía concedida.
3. ELECCIÓN DE LAS VARIABLES EXPLICATIVAS DEL MODELO
Una vez establecido el modelo que permite la determinación de la ratio,

en cuanto a la variable dependiente se refiere, se procede a la definición y
selección de las variables independientes del modelo que deberán recoger
toda la información que debe incorporarse para lograr una mejor explicación
y realismo a la hora de conceder crédito a las empresas.
Para la selección de las variables explicativas se ha partido de los siguientes
criterios que deben acoger las mismas:
t %JOBNJTNPMBJOUSPEVDDJÂOEFWBSJBCMFTGMVKPEFDBKBFTSFMFWBOUFBM
incorporar información dinámica de los estados financieros. Asimismo,
estas variables permiten obtener la generación de fondos que posibili-
tará afrontar el pago del pasivo con coste financiero.
t 3FOUBCJMJEBETFJODPSQPSBMBFWPMVDJÂOEFEFUFSNJOBEBTWBSJBCMFTRVF
componen las cuentas de resultados de las compañías así como los
márgenes de estas variables.
t &GJDBDJBFOMBHFTUJÂOEFMDJSDVMBOUFTFJODMVJS²OFWPMVDJPOFTUBOUPEFMBT
NOF, como de los periodos medios de maduración y sus componentes.
128
t 5FNQPSBMJEBEBMJHVBMRVFFOFMNPEFMPEFTDSJUPFOFMDBQ½UVMPUSFT
la consideración de ciertas variables en un momento determinado
(análisis estático) no permite recoger la evolución de las mismas en
períodos sucesivos, siendo importante la observación y medición de
su evolución en el tiempo (análisis dinámico). Por otro lado, al pre-
sentar determinadas variables efectos con un cierto retardo tempo-
ral, es preciso disponer de la información de valores consecutivos de
las mismas, a fin de completar la información y el análisis de dichas
variables.
Todas las variables se han definido en forma de ratio para evitar de este
modo el efecto del tamaño. Posteriormente se pueden ajustar a una escala los
resultados obtenidos para cada una de las variables, siendo así más fácilmente
comparables e interpretables.
Como se detalla en los epígrafes siguientes, las variables finalmente se-
leccionadas para su incorporación en este modelo, se han clasificado en seis
grupos. Los cuatro primeros se definen atendiendo al significado financiero de
las variables que lo integran en relación a la variable que se pretende explicar,
r, y a los criterios anteriormente descritos.
Los otros dos grupos adicionales de variables aparecen al agregar varia-
bles que son modificaciones de las anteriores y resultan necesarias para la
mejora del modelo, tanto por incorporar efectos debidos a la consideración
conjunta de algunas de ellas como por exigencias del propio modelo mate-
mático utilizado. Así, se incorporarán transformaciones de algunas variables
como son sus cuadrados y sus cubos. La razón fundamental de estas incor-
poraciones está en la necesidad de buscar y detectar la posible no lineali-
dad en la relación existente entre las variables independientes y la variable
dependiente. Por ello, y, previa la aceptación del modelo, se ha discutido
la posible existencia de multicolinealidad entre las variables incorporadas
finalmente. Verificada la no existencia de multicolinealidad en las mismas,
puede procederse a la interpretación en el modelo de todas y cada una de
ellas de manera separada.
3.1. Variables pertenecientes a la cuenta de pérdidas y ganancias
Los resultados de las empresas se muestran en la cuenta de pérdidas y ga-

nancias y éstos son la base para la generación presente de fondos. Consecuen-
temente, la inclusión en el modelo de la evolución pasada de los resultados de
las compañías resulta clave para la estimación de la capacidad de generación
de fondos en el corto plazo.
129
VENTAS
La primera partida considerada para su inclusión en el modelo de determi-
nación del coeficiente r son las ventas, en tanto que son la consecuencia de
las inversiones que hacen las compañías. Evidentemente éstas son condición
necesaria pero no suficiente para la generación de beneficios.
En relación a esta partida se ha considerado, al igual que sucederá con el
resto de variables que se explicarán más adelante, su evolución en los cuatro
últimos años.
Para medir la evolución de las ventas se han tomado las tasas de variación
de un año con respecto al anterior (TVi/i-1, i=1,2,3,4), y a continuación se
define:
t 5BTBEFWBSJBDJÂOEFMBTWFOUBTFOMPTEPTÈMUJNPTBÁPT4FEFOPUBS²QPS
TV4/3.
t .FEJBTJNQMFEFMBTUBTBTEFWBSJBDJÂOEFMPTBÁPTBOUFSJPSFT EFOPNJ-
nada como TV1/3 = ½ (TV3/2 + TV2/1).
t 6OBNFEJBEFMBTEPTUBTBTEFWBSJBDJÂOBOUFSJPSFTQPOEFSBEBTBMZ
30% respectivamente, 0,7* TV4/3 +0,3* TV1/3, dando de esta manera un
mayor peso a las ventas del último año frente a las anteriores.
COSTES FIJOS
El diseño de la estructura de costes fijos determina de manera fundamental
el mayor o menor riesgo en los resultados de las compañías ante disminu-
ciones en las cifras de ventas, y en consecuencia se decide su inclusión en el
modelo. Así, por ejemplo, ante una caída de la cifra de ventas el margen del
BAIT sufrirá una reducción más que proporcional respecto de la variación de
las ventas, siempre y cuando la estructura de costes no se reduzca.
BENEFICIO ANTES DE INTERESES E IMPUESTOS (BAIT*)

Es una de las partidas determinantes en la generación de caja de explota-
ción de la empresa y es la misma variable que se incorporó en el modelo de
probabilidad de impago, siendo una modificación del BAIT contable con los
ingresos en participaciones de capital.
La evolución de esta partida tanto en valores absolutos como en márgenes
es de gran importancia, entre otros motivos, por la inclusión en la determina-
ción de la cuantía F del BAIT* en el año X (epígrafe 4.2.2.1).
Las variables que se incluirán en el modelo son: las diferencias en valor
absoluto de los tres últimos años, las diferencias en los márgenes del BAIT*
manteniendo el peso de las diferencias en un 30% y 70%, y por último los
logaritmos neperianos de ambas variables.
130
BENEFICIO ANTES DE INTERESES, IMPUESTOS, PROVISIONES Y AMOR-

TIZACIONES MODIFICADO (BAITDA*)
La evolución del BAITDA* parte para su cálculo de la modificación utiliza-
da sobre el beneficio antes de intereses e impuestos (BAIT*). La importancia
de esta variable radica en que recoge el beneficio o pérdida generada por la
explotación del negocio sin tener en cuenta aquellas partidas que no implican
movimiento de dinero.
Las variables que se van a incluir son: las tasas de variación de las diferen-
cias en los márgenes del BAITDA* de los tres últimos años, manteniendo el
peso de las diferencias en un 30% y 70%, y sus logaritmos neperianos.
BENEFICIO NETO
La consideración de esta variable tiene por objeto contemplar el resultado
final de las inversiones de la empresa teniendo en cuenta tanto su estructura
financiera como aquellas partidas de ingreso o gasto extraordinarios. Para su
inclusión en el modelo, se calcularán las tasas de variación de los tres últimos
años y el peso de las diferencias se determina de manera análoga a las varia-
bles anteriores.
3.2. Variables de gestión del circulante
La estructura del circulante así como su gestión serán determinantes en

la capacidad de pago de una compañía en el corto plazo. Si, por ejemplo, los
periodos medios de maduración empeoran (aumentan en el caso de ser posi-
tivos o disminuyen en el caso de ser negativos), la empresa estará realizando
inversiones en su circulante (bajo el supuesto de mantenimiento de la cifra
de ventas y de la estructura de costes) lo que supondrá una salida de caja,
afectando a los flujos de caja futuros y su capacidad de endeudamiento se verá
modificada negativamente.
La inclusión de las variaciones en las NOF así como de los componentes
de los periodos medios de maduración, reflejará la evolución en la gestión
del circulante y penalizará a F en el caso de evoluciones negativas para la
compañía. Se incluirán las variaciones de los tres últimos años con los mismos
pesos que se han definido en las variables anteriores, así como los logaritmos
neperianos de las diferencias.
3.3. Variables flujo de caja
Con el fin de atender a la característica de dinamismo del modelo se in-

troducen las variaciones de los flujos de caja libre de la compañía producidas
131
en los tres últimos años, analizando así cómo ha evolucionado la creación de

fondos por la explotación del negocio.
3.4. Variable de Altman para la predicción de quiebra
A partir de las categorías obtenidas por el modelo de Altman, bancarrota

probable, bancarrota no probable y zona gris, se define una nueva variable
que indique en qué categoría se sitúan las empresas de la muestra utilizada.
Esta variable es denominada en el modelo como D ALTMAN: Los valores que
puede tomar son tres, 0, 1 ó 2. Si la empresa ha sido clasificada como ban-
carrota probable en el 2007 (último año de la muestra) tomará el valor 1, si
a la bancarrota probable3 del 2007 se le añade una evolución negativa en la
clasificación en los últimos años (por ejemplo que pase de no probable a
bancarrota probable de un año a otro) entonces se dará el valor 2 y cuando
no se de ninguno de los casos anteriormente detallados el valor que tomará
la variable será cero.
Una vez descritas las variables del modelo, la determinación del volumen
de endeudamiento a corto plazo sin riesgo (V), vendrá dada por el producto
de F y r, esto es,
V= F. r
donde F se calcula mediante la expresión ya descrita:
F = BAIT* + amortizaciones y provisiones – deuda a corto plazo con cos-

te financiero – gastos financieros – 0,5x deudas con coste financiero con
empresas del grupo
y r se determina a partir del modelo de regresión lineal definido como:

Y=
donde las variables Xi (i=1,2,…,k) son la variables explicativas definidas an-

teriormente.
La estimación por Mínimos Cuadrados Ordinarios (M.C.O) de este modelo,
arroja los resultados recogidos en la siguiente tabla:
3
La explicación de las clasificaciones de la ratio fueron recogidas en el apartado 2.4.2.
132
TABLA 63. MODELO 2: MCO (N=220)

Coeficiente Desv. Típica Estadístico t Valor p
const. -4,48 0,97 -4,6049 ***
ln_DBAIT*_ -0,97 0,22 -4,4569 0,00001 ***
ln_DFCL 0,40 0,13 2,9829 0,00323 ***
Daltman -2,01 0,44 -4,5314 0,00001 ***
ln_DMgEBITDA 0,63 0,20 3,1886 0,00167 ***
DMARGENBAIT* -0,03 0,01 -3,7453 0,00024 ***
Dbn 0,01 0,00 6,0788 ***
ln_DVENTAS 1,03 0,23 4,5526 ***
sq_ln_DBAIT*_ 0,24 0,08 3,1478 0,00191 ***
sq_DBAIT* -0.00 0,00 -4,7534 ***
sq_DFCL 0.00 0,00 3,6600 0,00033 ***
sq_ln_DPMM 0,20 0,04 5,6646 ***
sq_DPMM -0.00 0,00 -7,3905 ***
sq_ln_DPMA -0,20 0,08 -2,4598 0,01480 **
sq_DPMMalmc 0,00 0,00 2,6072 0,00986 ***
sq_ln_DPMC -0,18 0,04 -4,1170 0,00006 ***
sq_ln_DMgEBITDA 0,14 0,05 2,6686 0,00828 ***
sq_ln_DMgBAIT* -0,21 0,10 -2,2133 0,02807 **
sq_DMARGENBAIT* 0,00 0,00 3,6896 0,00029 ***
sq_ln_DMgBN -0,17 0,05 -3,1263 0,00205 ***
sq_Dbn -0,00 0,00 -3,8960 0,00014 ***
sq_ln_DVENTAS -0,41 0,09 -4,4827 0,00001 ***
DBAIT3 0,00 0,00 5,2887 ***
LNDFCL3 -0,00 0,00 -1,7936 0,07448 *
DPMM3 -0,00 0,00 -7,2799 ***
DPMMALMC3 -0,00 0,00 -2,2315 0,02682 **
LNDCF3 0,03 0,02 1,8028 0,07301 *
LNDMGEBITDA3 -0,02 0,00 -3,4775 0,00063 ***
DMARGENebitda3 -0,00 0,00 -3,7485 0,00024 ***
ln_DMgBAIT*3 0,05 0,02 2,5446 0,01174 **
Dbn3 0,00 0,00 2,7316 0,00690 ***
De esta tabla se desprende que las variables que presentan un mayor ni-
vel de significación, son por un lado las referentes a partidas incluidas en la
cuenta de pérdidas y ganancias, evolución del beneficio neto, del BAIT mo-
dificado, de las ventas, tanto en valor absoluto como medido a través de sus
133
márgenes y por otro lado las evoluciones tanto de los flujos de caja y como
los periodos medios de maduración y sus componentes Se pone de relieve en
consecuencia que las variaciones en las políticas de gestión del circulante así
como los resultados de los proyectos de inversión y la generación de caja de
los mismos, afectan y determinan la capacidad de endeudamiento en el corto
plazo de las empresas.
4. DISCUSIÓN DE LOS RESULTADOS OBTENIDOS POR EL MODELO
Para analizar la bondad del modelo se comenzará por realizar una discusión
de la validez estadística del modelo, por medio del coeficiente de determina-
ción R2. Una vez aceptada la validez del modelo, se realizará el análisis de los
resultados obtenidos, esto es a qué empresas se concede nueva financiación
por medio del modelo desarrollado en este capítulo, observando cuales de
ellas han tenido impagos reales tanto para el periodo de concesión de crédito
(2008) como para el inmediatamente posterior (2009).
Por último, y como complemento del análisis de estos resultados, se
mostrará y discutirá la significación de las variables consideradas dentro del
modelo.
4.1. Resultados R2
A diferencia del modelo de probabilidad de impago, en el que se utilizó la

metodología de regresión Logit, en este modelo se ha utilizado una regresión
lineal, lo que permite hacer uso de la interpretación y significado del coefi-
ciente R2, siendo éste además una medida bastante comparable.
TABLA 64. RESULTADOS R2

Media de la vble. Dep. -7,777767 D.T. de la vble. Dep. 5,181885
Suma de cuad. Residuos 3429,420 D.T. de la regresión 4,259704
R-cuadrado 0,416822 R-cuadrado corregido 0,324254
Log-verosimilitud -614,2836 Criterio de Akaike 1290,567
Criterio de Schwarz 1395,770 Crit. De Hannan-Quinn 1333,051
Se puede considerar el resultado aceptable (0,42). Al tratarse de un mode-

lo de corte trasversal o de sección cruzada, el valor obtenido de R2, permite
asegurar la utilización del mismo para explicar a la variable r, a partir de su
expresión como Y= ,
134
Por otro lado, al haber trabajado con una muestra grande, el número de
grados de libertad, superior a doscientos, es suficientemente elevado como
para generalizar conclusiones fuera de la muestra. Estas características permi-
ten la utilización del modelo para determinar el volumen V de endeudamiento
final a partir de los valores de r obtenidos teóricamente.
4.2. Resultados del modelo versus impagos
Para contrastar los resultados obtenidos por el modelo se han analizado

las incidencias reales de impago con aquellas empresas a las que se otorgaría
financiación (volumen de endeudamiento >0).
La siguiente tabla recoge la cuantía final de nueva financiación a conceder,
según el modelo, y se añaden las incidencias (1) o no (0) en pago que han
tenido lugar en los años 2008 y 2009 para las empresas pertenecientes a la
muestra.
TABLA 65. TABLA DE RESULTADOS MODELO VOLUMEN DE ENDEUDAMIENTO E IMPAGOS
ID volumen Impago08 Impago09 ID volumen Impago08 Impago09
6.058 297.187 0 0 4.049.977 139.617 0 0
37.461 4 0 0 4.081.568 2.552 0 0
39.042 378 0 1 4.082.732 247.722 0 0
39.093 1.882 0 0 4.083.144 85.233 0 0
42.262 155.362 0 0 4.090.866 25.039 0 0
44.813 5.480 0 0 4.090.899 265.652 0 0
44.864 53.053 0 0 4.101.596 1.348 0 0
53.140 1.382.693 0 0 4.104.597 2.524 0 0
61.195 0 0 1 4.111.152 58.859 0 0
66.401 125.201 0 0 4.111.578 763 0 0
2.655.782 4.211 0 0 4.113.290 1.190 0 0
2.672.230 713.812 0 0 4.113.726 35.818 0 0
2.672.922 8.304 0 0 4.114.886 15.208 0 0
2.734.775 251.452 0 0 4.115.722 48 0 0
2.845.828 551.846 0 0 4.116.551 4.557 0 0
2.846.880 18.226 0 0 4.136.312 6.345 0 0
2.848.061 0 0 0 4.196.038 4.083 0 0
2.848.150 33.824 0 0 4.215.652 64.742 0 0
3.030.943 321.754 0 0 4.222.077 434.572 0 0
135
3.102.559 5.849 1 1 4.225.145 88.222 0 0
3.117.300 50 1 1 4.225.952 136.867 0 0
3.278.036 1 0 0 4.226.194 3.105 0 0
3.278.131 20.513 0 0 4.228.293 1.089.745 0 0
3.278.345 2.609.123 0 0 4.229.479 71.965 0 0
3.279.366 223 0 0 4.256.007 239.178 0 0
3.279.473 1.490.055 0 0 4.256.013 18 0 0
3.300.343 2.962 0 0 4.256.037 64.161 0 0
3.302.218 20 1 0 4.256.046 11.598 0 0
3.304.889 3.088.571 0 0 4.256.139 1.164 0 0
3.317.691 3.299 0 0 4.256.229 353 0 0
3.390.444 7 0 0 4.256.264 354 0 0
3.422.144 92 0 0 4.256.379 6 0 0
3.422.957 4.700 0 0 4.256.425 70 0 0
3.423.569 546 0 0 4.256.620 73.143 0 0
3.592.114 593 0 0 4.256.652 37.035 0 0
3.734.791 1.310 0 0 4.256.725 5.184 0 0
3.787.580 362.738.635 0 0 4.258.211 473.785 0 0
4.037.090 1.006.637 0 0 4.258.220 1.886.017 0 0
4.044.209 17.307 0 0 4.258.247 10.298 0 0
4.258.370 9.173 0 0 4.501.922 3.233 0 0
4.263.789 261.869 0 0 4.502.807 1.430 0 0
4.263.799 91.894 0 0 4.508.254 8.241 0 0
4.267.083 68 0 0 4.508.333 75.794 0 0
4.268.055 502 0 0 4.508.668 16.346 0 0
4.269.383 8.604 1 0 4.509.303 12 0 0
4.281.237 1.363 0 0 4.509.318 3 0 0
4.322.957 209.336 0 0 4.509.585 474.166 0 0
4.332.485 5.210.541 0 0 4.509.639 8.238 0 0
4.340.317 374 0 0 4.509.820 0 0 0
4.344.659 2.567.194 0 0 4.510.108 683 0 0
4.348.987 6.608 0 0 4.510.156 6 0 0
4.349.492 1.316 0 0 4.510.295 13.605 0 0
4.379.211 41.846 0 0 4.510.763 2.817 0 0
4.379.538 22.388 0 0 4.510.836 1.543 0 0
4.379.896 97 0 0 4.510.933 128 0 0
4.380.106 227.971 0 0 4.511.166 88.297 0 0
136
4.380.338 2.662 0 0 4.511.305 517.029 0 0
4.380.710 3.517 0 0 4.511.389 53 0 0
4.381.400 434 0 0 4.511.535 1.017 0 0
4.393.234 206.583 0 0 4.511.633 20.564 0 0
4.407.744 4.603 0 0 4.511.641 104.988 0 0
4.408.259 536.052 0 0 4.511.690 70.343 0 0
4.408.275 16 0 0 4.511.703 68.907 0 0
4.408.975 2 0 0 4.512.084 2.933.341 0 0
4.410.365 365 0 0 4.521.273 403.810 0 0
4.412.851 93 0 0 4.523.455 40.623 0 0
4.423.843 14.236 0 0 4.572.008 24.403.685 0 0
4.429.166 144.546 0 0 4.578.656 33 0 0
4.429.186 822.984 0 0 4.583.206 194.481 0 0
4.429.208 729 0 0 4.589.151 87 0 0
4.429.320 23.425 0 0 4.607.446 1.606 0 0
4.429.396 44.988 0 0 4.637.378 4.343.298 0 0
4.429.408 0 0 0 4.637.965 696 0 0
4.429.458 151.170 0 0 4.647.067 26 0 0
4.437.679 2.396 0 0 4.649.780 64 0 0
4.440.888 169 0 0 4.650.015 5.373 0 0
4.456.556 16 0 0 4.650.023 53.982 0 0

4.459.445 9.600 0 0 4.650.056 50.069 0 0
4.462.570 50.522 0 0 4.650.257 167.896 0 0
4.463.223 332.353 0 0 4.656.038 588 0 0
4.466.792 43.263 0 0 4.657.118 94.819 0 0
4.467.345 743 0 0 4.662.246 14.840 0 0
4.491.391 1 0 0 4.668.900 77.964 0 0
4.494.204 462.741 0 0 4.669.939 2.686.430 0 0
4.497.248 37.795 0 0 100.010.291 14.556 0 0
4.497.497 169 0 0 100.010.454 5 0 0
4.497.500 23.925 0 0 100.015.467 92.489 0 1
4.500.907 16 0 0 100.015.653 19.386 0 0
100.016.164 23.363 0 0 100.056.702 31.799 0 0
100.016.470 617 0 0 100.059.080 1.830 0 0
100.016.475 67 0 0 100.060.134 3.351 0 0
100.016.600 410 0 0 100.060.137 788 0 0
100.018.864 784 0 0 100.060.356 1.997 0 0
137
100.019.545 786 0 0 100.062.958 118.528 0 0

100.019.877 3 0 0 100.066.536 2.750.072 0 0
100.021.400 278 0 0 100.068.577 0 0 0
100.021.566 1.201 0 0 100.068.931 1.241.305 1 1
100.021.575 2.802 0 0 100.069.001 7.680 0 0
100.021.930 26.616 0 0 100.069.677 745.881 0 0
100.022.495 6.783 0 0 100.075.430 0 0 0
100.023.185 5.934.615 1 0 100.076.306 18 0 0
100.023.621 376 0 0 100.077.931 4.017 0 0
100.023.982 7.637 0 0 100.077.934 8.156 0 0
100.025.090 129.765 0 0 100.078.676 4.908.030 0 0
100.025.845 21.733 0 0 100.080.282 241.164 0 0
100.026.602 5 0 0 100.080.629 55 0 0
100.027.118 1.279 0 0 100.081.217 1.954 0 0
100.027.830 246.841 0 0 100.081.859 2.781.183 0 0
100.029.170 2.920 0 0 100.082.295 126.525 0 0
100.033.455 36.816 0 0 100.082.910 736.147 0 0
100.034.882 73 1 0 100.084.697 526.331 0 0
100.034.928 96.364 0 0 100.088.559 579.959 0 0
100.035.405 69.570 0 0 100.122.141 6 0 0
100.035.818 28.412 0 0 100.124.585 0 0 0
100.035.864 280 0 0 100.133.416 0 0 0
100.040.316 2.106.469 0 0 100.162.004 42.528 0 0
100.040.335 10.553 0 0 100.189.240 1.333 0 0
100.041.905 14.124.500 1 0 100.197.557 42 0 0
100.043.562 9.944 0 0 100.203.723 6.083 0 0
100.043.595 35.421 0 0 100.220.507 34.565 0 0
100.045.127 15.620 0 0 100.220.613 1.020 0 0
100.045.646 49 0 1 100.223.574 29.728 0 0
100.046.163 757 0 0 100.234.930 451 0 0
100.046.164 7 0 0 100.236.016 790 0 0
100.047.325 354.328 0 0 100.246.026 0 0 0
100.047.675 83 0 0 100.251.735 26.830 0 0
100.048.816 2 0 0
100.048.966 137 0 0
100.049.047 20.005 0 0
100.049.077 1.611 0 0
138
100.049.658 755.799 0 0
100.050.878 116 0 0
100.052.259 3.202 0 0
100.052.260 36.184 0 0
100.053.658 303.345 0 0
100.054.851 1.322.742 0 0
100.056.475 1.192 0 0
100.256.714 2.686 1 1
100.303.955 21.921 0 0
100.337.823 3 0 0
100.342.977 17.736 0 0
100.343.805 256 0 0
100.364.588 42.843 0 0
100.383.517 169 0 0
100.433.130 8.717 0 0
100.434.035 0 0 0
100.440.711 0 0 0
100.448.967 0 0 0
100.456.928 1.982.328 0 0
100.456.931 386.783 0 0
100.458.123 15 0 0
100.461.626 40.080 0 0
100.520.902 1.418 0 0
100.524.146 37.391.000 0 0
100.534.815 112 1 1
100.595.464 1.530 0 0
100.600.178 21.701 0 0
100.600.856 42.370 0 0
100.600.857 530 0 0
100.633.561 70.564 0 0
100.660.506 440.434 0 0
100.679.430 30.021 0 0
De la tabla anterior se desprende que el valor máximo y el valor medio de

financiación que concedería el modelo y que han tenido impagos en el 2008
es de 14.124.500 euros y 2.131.768 euros respectivamente. Respecto a los
139
impagos en 2009 estos valores disminuyen significativamente hasta 1.241.305

euros y 167.864 euros. La razón de esta diferencia tan amplia en los resul-
tados de 2008 y 2009, se encuentra en una sola empresa, la de número de
identificación ID 100.041.905, señalada en la tabla anterior, a la que el modelo
asigna una cifra de endeudamiento de 14.124.500` y presenta impago solo
en 2008.
Un análisis detallado de esta tabla tanto en el número de empresas como
en función del volumen de endeudamiento, permite valorar los aciertos y
errores en las decisiones que siguen a los resultados del modelo y que se
resumen a continuación.
Si se atiende, en primer lugar, al número de empresas (tabla 66), el resul-
tado obtenido por el modelo de volumen de endeudamiento en términos
del número total de las empresas a las que se otorgaría financiación (V>0)
sobre el total de la muestra es de 272 empresas. De éstas, en el año 2008, han
tenido impago diez. Estas cifras suponen, en consecuencia, un nivel de error
de la clasificación resultante del modelo del 3,68%, y de acierto del 96,32%.
Respecto a las incidencias de pago en 2009, el número de empresas a las que
se concedería financiación y que ha tenido impagos es de 9, lo que implica un
nivel de acierto del 96,69%. Al analizar cuántas son las empresas que han te-
nido impagos en 2008 y en 2009, vemos que la clasificación mejora al obtener
un nivel de acierto del 98,16%.
TABLA 66. TABLA DE CLASIFICACIÓN EN FUNCIÓN DEL NÚMERO DE EMPRESAS

Nivel Nivel
EN FUNCIÓN DEL NÚMERO DE EMPRESAS Nº de de
error acierto
Nº empresas con Vol. Endeudamiento > 0 272
Nº empresas con Vol. Endeudamiento > 0, con impago 2008 10 3,68% 96,32%
Nº de empresas con Vol. Endeudamiento > 0, con impago 2009 9 3,31% 96,69%
Nº de empresas Vol. Endeudamiento > 0, con impago 2008 y 2009 5 1,84% 98,16%
En la siguiente gráfica (Figura 6) se reflejan los resultados obtenidos para

el número de empresas a las que se concedería financiación de acuerdo con
el resultado del modelo (V>0) y que han tenido impagos en el 2008 y 2009,
respectivamente.
140
FIGURA 6. NIVEL DE ACIERTO VOLUMEN DE ENDEUDAMIENTO 2008 Y 2009
300 272 Empresas 272 Empresas
280
260
240
220 Niel de Niel de
acierto acierto
200
180 262 Empresas 96,32% 263 Empresas 96,69%
160
140
120
100
80
60
40
0
2008 2009
En la siguiente gráfica (figura 7) se observan los resultados obtenidos para

el número de empresas a las que se concede financiación y que han tenido
impagos en el 2008 y también en 2009.
FIGURA 7. NIVEL DE ACIERTO VOLUMEN DE ENDEUDAMIENTO, IMPAGO EN 2008 Y 2009
300 272 Empresas
280
260
240
220 Niel de
acierto
200
180 267 Empresas 98,16%
160
140
120
100
80
60
40
20 5 Empresas
0
2008 y 2009
141
Al considerar, en segundo lugar, los resultados de la clasificación en térmi-

nos del volumen de financiación que de acuerdo con los resultados del mode-
lo se otorgaría a las empresas de la muestra (tabla 67), vemos que el volumen
total de financiación asciende a 510.367.977 euros, del cual el importe de
impago en el 2008 de las compañías a las que se otorgaría inicialmente crédito
ha sido de 21.317.815 euros, lo que supone un nivel de acierto del 95,82%4.
Consecuentemente, el nivel de error es del 4,18%. Respecto al volumen de
impago en 2009 de las empresas a las que se otorgaría crédito, éste ha sido de
1.342.918 euros, lo que implica un nivel de casos correctamente predichos del
99,74%. Analizando, por último, aquellas compañías que han tenido impagos
en los dos años 2008 y 2009, el nivel de acierto en la clasificación efectuada
por el modelo aumenta hasta el 99,76%.
TABLA 67. TABLA DE CLASIFICACIÓN EN FUNCIÓN DEL VOLUMEN DE FINANCIACIÓN A OTORGAR

Nivel de
EN FUNCIÓN DEL IMPORTE CONCEDIDO Importe nivel de error
acierto
Empresas con Vol. Endeudamiento > 0 510.367.977
Empresas con impago en 2008 21.317.815 4,18% 95,82%
Empresas con impago en 2009 1.342.918 0,26% 99,74%
Empresas con impago en 2008 y 2009 1.250.002 0,24% 99,76%
Los niveles de acierto, anteriormente comentados, de un 95% a un 99% (fi-

guras 8 y 9) son realmente elevados, lo que permite afirmar que la utilización
del modelo puede implicar una disminución sustantiva de las consecuencias
derivadas de los errores tipo I5.
4
Si no se tiene en cuenta el caso de la empresa anteriormente citada, el nivel de acierto
alcanza un 98,55%.
5
Definido en el capítulo tres.
142
FIGURA 8.
NIVEL DE ACIERTO VOLUMEN DE ENDEUDAMIENTO 2008 Y 2009
510.367.977 E 510.367.977 E
550.000
500.000
450.000
Niel de Niel de
400.000 acierto acierto
350.000 489.050.162 E 95,82% 509.025.059 E 99,74%
300.000
250.000
200.000
150.000
100.000
50.000 21.317.815 E 1.342.918 E
0
2008 2009
FIGURA 9.
NIVEL DE ACIERTO VOLUMEN DE ENDEUDAMIENTO CON IMPAGO CONJUNTO 2008 Y 2009
510.367.977 E
550.000
500.000
450.000
Niel de
400.000 acierto
350.000 509.117.975 E 99,76%
300.000
250.000
200.000
150.000
100.000
50.000 1.250.002 E
0
2008 y 2009
143
4.3. Significación de las variables independientes
Se analiza, en último lugar, los resultados relativos a las variables indepen-

dientes del modelo siguiendo el mismo esquema de agrupación utilizado en
las descripciones recogidas en el punto 4.3. Se destacará la significación de
aquellas variables para las que el valor p sea menor al 8%.
4.3.1. Significación de las variables pertenecientes a la cuenta de pérdidas

y ganancias (grupo 1)
El análisis de las variables del primer grupo, las comprendidas en la cuenta
de pérdidas y ganancias, evidencia que la totalidad de ellas son significativas,
bien en su expresión lineal (nivel de significación menor al 2%) o en sus cua-
drados (solo en una de ellas el nivel de significación es mayor al 2%) o cubos
o logaritmo neperiano (solo en una de ellas es mayor al 2%).
TABLA 68. RESULTADO GRUPO 1

VARIABLES Coeficiente Estadístico t Valor p
ln_DVENTAS 1,03 4,5526 ***
ln_DBAIT_ -0,97 -4,4569 0,00001 ***
DMARGENBAIT -0,03 -3,7453 0,00024 ***
ln_DMgEBITDA 0,63 3,1886 0,00167 ***
Dbn 0,01 6,0788 ***
CUADRADOS DE LAS VARIABLES Coeficiente Estadístico t Valor p
sq_ln_DBAIT_ 0,23 3,1478 0,00191 ***
sq_DBAIT -0,00 -4,7534 ***
sq_ln_DMgEBITDA 0,13 2,6686 0,00828 ***
sq_ln_DMgBAIT -0,21 -2,2133 0,02807 **
sq_DMARGENBAIT 0,00 3,6896 0,00029 ***
sq_ln_DMgBN -0,17 -3,1263 0,00205 ***
sq_Dbn -0.00 -3,8960 0,00014 ***
sq_ln_DVENTAS -0,42 -4,4827 0,00001 ***
CUBO DE LAS VARIABLES Coeficiente Estadístico t Valor p
DBAIT3 0.00 5,2887 ***
LNDCF3 0,03 1,8028 0,07301 *
LNDMGEBITDA3 -0,02 -3,4775 0,00063 ***
DMARGENebitda3 -0.00 -3,7485 0,00024 ***
ln_DMgBAIT3 0,05 2,5446 0,01174 **
Dbn3 0.00 2,7316 0,00690 ***
144
En consecuencia incorporar los resultados de las inversiones, por medio

de sus variaciones anuales y modificaciones matemáticas realizadas sobre las
mismas, resulta altamente significativo como elemento corrector del volumen
de financiación que podría concederse en el corto plazo.
4.3.2. Significación de las variables pertenecientes a la gestión del circulan-

te (grupo 2)
Dentro del segundo grupo de variables analizadas, las incluidas para el
control de gestión del circulante, han resultado ser significativas aquellas que
componen el periodo medio de maduración, tanto en sus cuadrados como
en sus cubos.

VARIABLES
CUADRADOS DE LAS
Coeficiente Estadístico t Valor p
VARIABLES
sq_ln_DPMM 0,20 5,6646 ***
sq_DPMM -0.00 -7,3905 ***
sq_ln_DPMA -0,20 -2,4598 0,01480 **
sq_DPMMalmc 0,00 2,6072 0,00986 ***
sq_ln_DPMC -0,18 -4,1170 0,00006 ***
DPMM3 -0.00 -7,2799 ***
DPMMALMC3 -0.00 -2,2315 0,02682 **
Con ello se pone de manifiesto que las evoluciones de los periodos me-
dios de maduración y de las variables que lo componen (PM de almacén o de
cobros por ejemplo) son básicas para la determinación de una parte de los
niveles de explotación del negocio a corto plazo y consecuentemente afecta-
rán a la capacidad de financiación ajena en dicho plazo.
4.3.3. Significación de las variables flujo de caja (grupo 3)

Dentro del tercer grupo de variables analizadas, la variable evolución flujo
de caja libre con la que se incorpora cómo evoluciona la generación de fon-
dos de la explotación de las empresas a lo largo del tiempo, ha resultado ser
significativa. En consecuencia, la inclusión de esta variable permite corregir la
posible coyunturalidad de los FCL.
145

ln_DFCL 0,40 2,9829 0,00323 ***
CUADRADOS DE LAS VARIABLES Coeficiente Estadístico t Valor p
sq_DFCL 0.00 3,6600 0,00033 ***
LNDFCL3 -0,00 -1,7936 0,07448 *
4.3.4. Significación de la variable D Altman (grupo 4)

La variable DAltman, considerada en el grupo cuarto, ha resultado ser sig-
nificativa. Al igual que en el modelo de probabilidad de impago, la inclusión de
los resultados obtenidos por otros modelos como variable explicativa dentro
del modelo que se ha propuesto, resulta significativa.

Daltman -2,01 -4,5314 0,00001 ***
Con el fin de resumir los análisis efectuados y señalar las características del
modelo propuesto, destacamos:
t -BW½BTFHVJEBQBSBMBEFUFSNJOBDJÂOEFMBDVBOU½BBGJOBODJBSIBTJEP
diseñada con el fin de homogeneizar y normalizar los fundamentos de
la toma de decisión sobre el importe a conceder por parte de las enti-
dades financieras.
t -BMJNJUBDJÂOEFMDPFGJDJFOUFSFOUSFZ TFIBFGFDUVBEPDPOFMGJO
de disminuir el riesgo de crédito aplicando criterios conservadores, ya
que se ha previsto un margen de 0,3 para el pago del impuesto de so-
ciedades y un 0,2 para gastos extraordinarios. Es evidente que a través
de la acotación del coeficiente r, en otros valores diferentes, se abre la
posibilidad de que en el modelo se incorporen criterios que, a juicio de
cada entidad financiera, sean más próximos a la realidad y a la informa-
ción derivada de su experiencia.
t &MEJTFÁPZDPOTUSVDDJÂOEFFTUFTFHVOEPNPEFMPUSBUBEPEFNBOFSB
independiente al modelo de probabilidad de impago, permitirá tanto
cuantificar el volumen de financiación que se puede conceder a una
146
empresa, como disminuir significativamente el error tipo I, dado que

el nivel de error para el 2008 y 2009 es inferior al 2% (1,84%) analizado
por medio del número de empresas que según el modelo son consi-
deradas aptas para recibir financiación y han tenido impagos; de modo
análogo, en función del volumen concedido, según el modelo, el 0,24%
del importe total ha resultado adjudicado a empresas que han tenido
impagos en 2008 y en 2009.
147
CAPÍTULO 5
UTILIZACIÓN CONJUNTA DE LOS MODELOS

DE PROBABILIDAD DE IMPAGO Y VOLUMEN
DE ENDEUDAMIENTO
1. INTRODUCCIÓN
El objetivo principal de esta investigación, como se ha indicado desde el

comienzo, es la búsqueda y elaboración de una herramienta eficaz para la ayu-
da en la toma de decisiones de concesión de crédito a corto plazo por parte
de entidades financieras o de otras empresas que financien sus ventas.
En los capítulos expuestos hasta ahora se ha desarrollado, en primer lugar,
un modelo de cálculo de probabilidad de impago (capítulo tres) aplicable a
los dos años posteriores a la fecha de los datos muestrales; asimismo, se ha
elaborado un segundo modelo de cálculo del volumen de endeudamiento
financiero a corto plazo (capítulo cuatro). Dichos modelos han atendido, en
consecuencia, a la determinación de elementos básicos que unidos a la infor-
mación sobre la situación económica del entorno vía sector o vía mercado,
entre otras, permiten abordar la toma de decisión sobre la concesión de un
crédito.
Un método que pueda calificarse de útil y eficaz como apoyo a dicha deci-
sión, deberá favorecer, ya que no asegurar, el control del riesgo de las posibles
consecuencias negativas asociadas a dicha decisión. Si la entidad financiera
decidiera conceder el crédito y éste entrara en una situación de morosidad
(error tipo I asociado a la decisión), las consecuencias se reflejarán tanto en
la cuenta de pérdidas y ganancias vía incremento del gasto contable, como en
los balances de las entidades con un deterioro en la liquidez de las mismas. Si
la decisión fuese contraria a la concesión del crédito, la entidad podrá incurrir
en un coste de oportunidad, siempre y cuando la empresa receptora de dicha
149
financiación no incurriera en impago posteriormente (error tipo II asociado

a la decisión).
El objetivo de este capítulo quinto es, finalmente, poner en valor la inter-
sección de los dos modelos propuestos en esta investigación. Por la construc-
ción realizada de ambos modelos, en su concepción y posibilidad de aplica-
ción, son independientes, si bien, y éste es el desarrollo de este capítulo, su
consideración conjunta se revela como herramienta potente para alcanzar
los fines propuestos. Integrar el análisis que puede denominarse cualitativo
(modelo del capítulo tres) con el cuantitativo (modelo del capítulo cuatro)
produce unos resultados que permiten alcanzar una disminución muy signifi-
cativa del riesgo subyacente a la toma de decisiones relativas a las operaciones
de financiación con coste a empresas.
2. ANÁLISIS DE LOS RESULTADOS OBTENIDOS
Para analizar la validez de trabajar conjuntamente con los dos modelos de-
sarrollados, en la toma de decisión de otorgar o no financiación a una empre-
sa, se ha procedido a estudiar los diferentes resultados que surgen al aplicar,
por un lado la clasificación de las empresas en términos de ser o no receptoras
de financiación, es decir, empresas donde según el modelo de endeudamien-
to la cuantía finalmente otorgada es mayor o menor que cero, y por otro, la
clasificación producida por el modelo de probabilidad de impago.
De este modo, cada empresa será definida a partir de ahora por dos ele-
mentos o componentes: el valor de la cuantía de crédito concedida teórica-
mente (V) y la probabilidad de impago estimada. En el caso del modelo de
probabilidad de impago, al ser el punto de corte el valor de la probabilidad de
impago, asignado por el modelo, que permite clasificar a las empresas como
“1” (empresa con problemas de pago) o “0” (empresa que no presenta proble-
mas de pago), parece lógico suponer que será fijado de forma diferente por
cada entidad en función de la política de riesgos que aplique. Por ello y para
poder llevar a cabo el análisis objeto de estudio, se ha optado inicialmente por
elegir como punto de corte el 6%, que resulta de ajustar en dos decimales el
ya determinado en el capítulo tres, que fue de un 5,6% en el modelo aplicado
a 2008 y de 6,1% en el modelo de 2009.
Con la intersección de las clasificaciones obtenidas por los dos modelos,
realizadas de acuerdo con los valores de punto de corte elegidos (V=0 y pro-
babilidad de impago=6%), se determinan cuatro zonas diferentes en relación
con los niveles de riesgo que suponen para la entidad financiera. En cada una
de las zonas se estudiarán dos características: las consecuencias de los errores
tipo I y tipo II, y el número de empresas con impagos reales en las mismas.
150
UTILIZACIÓN CONJUNTA DE LOS MODELOS DE PROBABILIDAD DE IMPAGO …
– Zona 1: delimitada por V>0 y probabilidad de impago inferior al punto

de corte elegido, 6%. Es la zona óptima para la concesión del crédito da-
dos los niveles de riesgo determinados por los modelos. En este caso, al
ser la decisión la de otorgar el crédito, se valora el único error posible
que está en función de que las empresas finalmente presenten impagos
(error tipo I). Por ello, los modelos serán consistentes en el caso de que
las empresas con incidencias en esta zona sean lo menor posible, tanto
en número como en volumen total de financiación concedido.
– Zona 2: delimitada por V>0 y probabilidad de impago superior al punto
de corte elegido, 6%. Inicialmente es una zona de cierta indetermina-
ción en el momento de la toma de decisión, que variará en función
del riesgo que la entidad considere admisible. El error de no conceder
financiación, al ser la probabilidad de impago mayor que el punto de
corte elegido, vendrá determinado por el coste de oportunidad aso-
ciado a dicha decisión en el caso de que las empresas no presenten
finalmente impagos (error tipo II). Por ello, el resultado de los modelos
deberá arrojar un número de incidencias pequeño, aunque mayor que
en la zona 1 previsiblemente tanto en número de empresas como en
volumen de financiación.
o ;POBEFMJNJUBEBQPS7ZQSPCBCJMJEBEEFJNQBHPJOGFSJPSBMQVOUP
de corte elegido, 6%. En este caso, no se concedería financiación ya
que, aun siendo la probabilidad de impago muy baja, la generación
de fondos a corto plazo determinada por el modelo de volumen de
endeudamiento no sería suficiente para un incremento de la deuda. El
número de incidencias en esta zona no debería ser excesivamente ele-
vado al contener empresas con una probabilidad de impago estimada
menor que el punto de corte. El posible error en esta zona es, como en
la zona anterior, el error tipo II.
o ;POBEFMJNJUBEBQPS7ZQSPCBCJMJEBEEFJNQBHPTVQFSJPSBMQVOUP
de corte elegido, 6%. Resulta evidente que esta zona deberá contener
el mayor número de incidencias en impagos reales.
El modelo de volumen de endeudamiento desarrollado considera el año

2008 como el periodo de concesión del crédito, al haber partido de la infor-
mación de los estados financieros de las empresas en el periodo 2004-2007.
De este modo, la devolución del mismo, puede producirse a lo largo de 2008
y de 2009, no coincidiendo el período de riesgo de impago con el año natural.
Por ello, y para aprovechar toda la información de los modelos elaborados, se
estudiará en todas y cada una de las zonas anteriormente descritas, los resul-
tados obtenidos por el modelo de probabilidad de impago tanto si se trabaja
solo con los resultados obtenidos para 2008, solo con resultados de 2009 y
con los resultados conjuntos de 2008 y 2009.
151
La definición de las zonas que acaba de presentarse, está en función del

punto de corte elegido para la probabilidad máxima de impago que permite
clasificar a una empresa teóricamente sin incidencias en pagos. Por esta razón,
se abordará posteriormente el análisis de la sensibilidad en la aplicación de los
dos modelos ante variaciones de los puntos de corte, o dicho de otro modo,
ante otra definición de las zonas anteriores. Mediante cambios en los puntos
de corte en el modelo de probabilidad de impago, se atiende a las modifica-
ciones que la entidad financiera pueda plantear en función de los riesgos que
considere admisibles. Con ello, se permite que dicha entidad pueda fijar un
escalado de rentabilidad exigida acorde a los riesgos determinados.
2.1. Zona 1
El volumen total de financiación concedido, de acuerdo con la previa de-

terminación de la cuantía F y de su penalización o ponderación determinada
según el modelo, asciende a 510.367.976 euros. De esta cuantía, solo se con-
templará la parte destinada a las empresas que hayan obtenido una probabili-
dad de impago menor del 6%, y en consecuencia, hayan resultado clasificadas
como empresas que no tienen problemas de pagos (empresas denominadas
“0” en el modelo de probabilidad de impago).
Como se ha indicado previamente, se analizarán los resultados obtenidos
para esta zona tanto en función del volumen de endeudamiento (tabla 72)
como en función del número de empresas (tabla 73), y para aprovechar la
información recogida en todos los modelos de probabilidad de impago, se es-
tudiarán las diferentes combinaciones posibles como son: la intersección del
modelo de probabilidad de impago 2008 y V>0 (intersección I), intersección
del modelo de probabilidad de impago 2009 con V>0 (intersección II) y por
último modelos de probabilidad de impago de 2008 y 2009 conjuntamente
con V>0 (intersección III), discutiendo en cada una de ellas la disminución o
incremento en los errores tipo I y el número de incidencias en pagos.
152
TABLA 72. RESULTADOS ZONA 1

Volumen de endeudamiento
510.367.976,66 `
Probabilidad de
Probabilidad de Probabilidad de
impago 2008 y
impago 2008 <6% impago 2009 <6%
2009 <6%
Importe total a financiar 486.946.660,23 ` 496.453.451,21 ` 480.784.154,81 `
I II III
5.943.312,52 ` 20.067.812,52 ` 5.943.312,52 `
Con impago en 2008
1,22% 4,04% 1,24%
92.866,91 ` 1.334.171,62 ` 92.866,91 `
Con impago en 2009
0,02% 0,27% 0,02%
0,00 ` 1.241.304,71 ` 0,00 `
Con impago en 2008 y 2009
0,00% 0,25% 0,00%
En términos del volumen de financiación se observa, en primer lugar, que

la consideración de empresas en las que la probabilidad de impago es me-
nor que el 6%, en cualquiera de los tres casos, supone una reducción seme-
jante de la cuantía total a financiar, que oscila entre el 2,8% (496.453.451,21
/ 510.367.976,66) para la segunda intersección y el 5,8% (480.784.154,81 /
510.367.976,66) de la tercera.
Las diferencias entre los tres casos o intersecciones, son mayores al incor-
porar los impagos reales en cada uno de ellos y la cuantía total de pérdida
estimada. Así, se puede observar que el mayor volumen de impago correspon-
de a la intersección II, en el que se usa la información del modelo aplicado a
2009. En los casos I y III, los porcentajes estimados de volumen de impago
son como máximo del 1,22% y 1,24%, determinados al contrastar con los im-
pagos reales en 2008. En ambos casos, I y III, el porcentaje se reduce hasta 0,
al comparar con impagos reales en 2008 y 2009.
En consecuencia las intersecciones I y III son las que logran un menor
error tipo 1, con unos valores totales muy reducidos, de 1,24% (1,22% +
0,02%) a 1,26% (1,24% + 0,02%) y las empresas que incurren en impagos
pueden clasificarse como de buena calidad al no encontrarse ninguna de ellas
con impagos en dos años consecutivos (tabla 72 y figura 11).
153
FIGURA 10.
NIVELES DE ACIERTO AÑOS 2008 Y 2009 (III)
480.784.154,80 E 480.784.154,80 E
550.000
500.000
450.000
Niel de Niel de
400.000 acierto acierto
350.000 474.840.842,3 E 98,76% 480.691.287,9 E 99,98%
300.000
250.000
200.000
150.000
100.000
50.000 5.943.313 E 92.867 E

0
2008 2009
Estos niveles de predicción de error tipo I, permiten aventurar una dismi-

nución del riesgo de incurrir en una situación de morosidad, fase siguiente
en la secuencia de fracaso empresarial, al reducirse tanto la probabilidad de
soportar unos costes estimados del 70%1 del importe del impago, que en este
caso ascenderán a 4.225.325,60 euros, ((5.943.312,52+92.866,91) x 0,7)), co-
mo la de enfrentar problemas en la liquidez de las entidades financieras, que
se verían obligadas a provisionar y pignorar fondos en caso de morosidad, al
ser la tasa de morosidad inicial en esta zona del 0,87%-0,88% con la utilización
conjunta de los modelos (intersección I y III).
En resumen, se puede afirmar que la información de mayor calidad para
obtener un nivel de riesgo menor en la concesión del crédito, es la contenida
en el modelo de probabilidad de impago aplicado a 2008 (I) y en el uso con-
junto de los modelos de probabilidad de impago aplicados a 2008 y 2009 (III),
ya que la cuantificación del error tipo I en términos de volumen de endeuda-
miento que estará sometido a posibles impagos disminuye de forma notable,
alcanzando valores muy reducidos.
No obstante la afirmación anterior, no debe rechazarse la información re-
sultante en la intersección II. En efecto, al hacer uso del modelo de probabi-
1
Se toma como valor de referencia el determinado por ALTMANN et.al (1997), ya menciona-
do en las conclusiones del capítulo dos.
154
lidad de impago aplicado a 2009, los resultados son peores que en los otros
dos casos. Pero no pueden calificarse de malos resultados. Así, por ejemplo,
la cuantificación estimada del error tipo 1 es del 4,06% del volumen total de
financiación concedido, cifra ésta muy inferior a las actuales cifras de moro-
sidad. Por otro lado esta diferencia es coherente, ya que en la aplicación a
2009 se está utilizando la información contenida en los estados financieros
de dos años anteriores a la estimación de la probabilidad de impago y no se
incorporan las posibles situaciones de impago del primer año de concesión
del crédito.
FIGURA 11.
NIVELES DE ACIERTO AÑOS 2008 Y 2009 CONJUNTAMENTE (III)
480.784.154,81 E
550.000
500.000
450.000
Niel de
400.000 acierto
350.000 480.784.154,81 E 100%
300.000
250.000
200.000
150.000
100.000
50.000 0E
0
2008 y 2009
155

Número de empresas con V>0
280
Probabilidad de
impago 2008 y
impago 2008 <6% impago 2009 <6%
2009 <6%
I II
III
250 237 231
4 5 4
Con impago en 2008
1,60% 2,10% 1,70%
2 3 2
Con impago en 2009
0,80% 1,20% 0,80%
0 1 0
0,00% 0,04% 0,00%
Se completa el estudio de la zona 1 analizando los datos análogos en tér-

minos del número de empresas (tabla 73). Se comprueba que el total de
empresas en las que el resultado del modelo de volumen de endeudamiento
es positivo, ha sido de 280, de las cuales 250 han tenido una probabilidad
de impago estimada por el modelo en 2008 menor al 6% lo que supone un
89,28%. Este resultado ya pone de manifiesto que con la intersección de los
dos modelos (incluso antes de contemplar los impagos reales) se mejoran los
resultados de la utilización individual del modelo de probabilidad de impago
del año 2008.
Al incorporar la información de cuántas de dichas empresas han tenido
impagos reales en el 2008 y contemplando las intersecciones I y II, observa-
mos que son 4 empresas de las 250, siendo por tanto un nivel de acierto de
un 98,54% (tabla 73 y figura 12), disminuyendo a solo 2 con impagos en 2009
y a cero con impagos en los dos años. Este último resultado da unas mayores
garantías en la concesión de crédito, dado que las operaciones planteadas por
el modelo de volumen de endeudamiento son a corto plazo y obtener un nivel
de acierto tan elevado para dos años posteriores a la información muestral re-
forzará la operación de crédito y abrirá la posibilidad de prórrogas y carencias
en el caso de cambios en la actividad de la empresa.
156
FIGURA 12.
NIVELES DE ACIERTO AÑOS 2008 Y 2009, INTERSECCIÓN III
300
260
240
220
200 Niel de Niel de
227 Empresas
acierto 229 Empresas
acierto
180
160 98,30% 99,20%
140
120
100
80
60
40
0
2008 2009
En relación a los resultados de la intersección I, los niveles de incidencias

observados se mantienen constantes en la tercera y aumentan en la segunda,
de forma análoga a lo sucedido en el análisis realizado en términos del impor-
te de endeudamiento.
Por último, y con el objetivo de validar esta zona 1, se recoge el número de
empresas con impagos en esta zona, respecto del número total en la muestra,
y se concluye que el número de incidencias medido sobre el total de ellas en
la muestra es relativamente bajo, siendo de un 10% las incidencias de 2008
(4 sobre 40), de un 4,7% las de 2009 (2 sobre 42) y de un 0% las incidencias
conjuntas de 2008 y 2009.
Esta última característica, como se apuntó al describir la zona 1, pone de
relieve la validez y consistencia de los modelos aplicados al resultar un núme-
ro de incidencias pequeño, lo que unido a un porcentaje reducido del volu-
men de endeudamiento en riesgo, permite afirmar la calidad en la solvencia
de las empresas a las que se otorgaría financiación.
157
FIGURA 13.
NIVELES DE ACIERTO AÑOS 2008 Y 2009 CONJUNTAMENTE, INTERSECCIÓN III
300
280 231 Empresas
260
240
220
200 Niel de
231 Empresas
acierto
180
160 100%
140
120
100
80
60
40
20 0 Empresas
0
2008
2.2. Zona 2
Atendemos en esta zona a aquellas empresas que, por superar el punto de

corte de la probabilidad estimada de impago, no serán financiadas inicialmente,
aun cuando el modelo de volumen de endeudamiento les asigna una cuantía.
Podría suceder que, aun siendo este el caso, la entidad decidiera finalmente
conceder crédito en función del riesgo que esté dispuesta a soportar y esta es
la razón que llevó a establecer que esta zona presenta una indeterminación,
que se discutirá más adelante, dependiendo del nivel de riesgo admisible.
El análisis, no obstante, se llevará a cabo en forma análoga a lo ya realiza-
do en la zona anterior aunque el riesgo en esta zona es diferente al valorar
las consecuencias posibles de la decisión de no conceder crédito y que esta
decisión resultara errónea porque realmente las empresas no hubieran pre-
sentado impagos, es decir, cuantificando en términos de volumen de endeu-
damiento el coste de oportunidad en el que la entidad financiera pudiera
incurrir (error tipo II).
Nuevamente se discuten las tres intersecciones resultantes de utilizar solo
el modelo de probabilidad de impago de 2008 (I), el de 2009 (II) y conjunta-
mente los dos (III) tanto en términos de volumen de endeudamiento (tabla
74) que permitirá cuantificar el error tipo II, como en número de empresas
con incidencias en pagos (tabla 75).
158

510.367.976,66 `
Probabilidad de
impago 2008 y
impago 2008 > 6% impago 2009 > 6%
2009 > 6%
I II
III
23.421.316,44 ` 13.914.525,45 ` 7.752.020,03 `
15.374.502,12 ` 8.697,41 ` 8.697,41 `
Con impago en 2008
65,64% 0,06% 0,11%
1.250.051,11 ` 8.697,41 ` 8.697,41 `
Con impago en 2009
5,34% 0,06% 0,11%
1.250.002,12 ` 8.697,41 ` 8.697,41 `
5,34% 0,06% 0,11%
La determinación de las consecuencias erróneas de no conceder crédito a

estas empresas, vendrá dada por la cuantía de crédito asignada por el modelo
pero no concedida y que, supuesto que se hubiera concedido no hubiera
presentado problemas en su devolución.
Es inmediato observar que al comparar los escenarios I y III, el error tipo II
se estima en una ocurrencia mayor en la intersección III, que resulta en con-
secuencia ser el área más restrictiva, en tanto que hay una mayor probabilidad
(89%) de cometer ese error. Sin embargo, el coste de oportunidad podría
evaluarse en 6.899.327,4 euros, que corresponden al 89% del volumen total
no concedido. De acuerdo con la ponderación descrita por Altman, el 2% de
esta cantidad, asciende a 137.986,54 euros.
Surge la posibilidad de que la entidad se plantee si prefiere enfrentar este
coste de oportunidad o, por el contrario, si decide conceder el crédito, tal y
como lo indicaba la aplicación del modelo de volumen de endeudamiento. Pa-
ra ello, habrá de evaluarse el incremento en el error tipo I y sus consecuencias,
supuesto que concediera el crédito y posteriormente tuviera impagos, y com-
parar con el coste de oportunidad asociado a la no concesión de crédito.
Si se toman los resultados del escenario III, el más restrictivo al incorporar
la información de los tres modelos conjuntamente, el incremento en el error
tipo I, tendría como consecuencia una posible pérdida de la cuantía finalmen-
te concedida, esto es 8.697, 41 euros, y su estimación en coste del 70%, es
decir 6.088,187 euros. En este caso III, el error tipo II compensa al de tipo I,
y en consecuencia la decisión podría ser otorgar crédito a todas las empresas
con V>0, disminuyendo aún más las posibles tasas de morosidad. Esta deci-
sión sería consistente en entidades financieras que muestren poca aversión al
159
riesgo y aplicable a épocas expansionistas de crédito con el objetivo principal

de crecimiento en volumen con nivel de riesgo bajo.
No es ésta la conclusión en los otros escenarios. Así, en la intersección I,
las consecuencias del error tipo II se evalúan en 160.936,29 euros, y las de
incrementar error tipo I en 10.762.151,48 euros (15.374.502 euros x 0,7). Por
tanto, utilizar la información del modelo de probabilidad de impago de 2008,
llevaría a concluir, en general, que no hay compensación de dichos errores y,
no se otorgará crédito a las empresas de esta zona. Esta decisión será consis-
tente en entidades que presenten mayor aversión al riesgo. Sería aconsejable,
a fin de que las entidades financieras pudieran ajustar sus niveles de riesgo,
realizar un análisis en esta zona suponiendo la modificación en el punto de
corte de probabilidad de impago y evaluar de nuevo los errores de tipo I y
II. Esta información permitiría además ajustar las rentabilidades exigidas. El
interés de llevar a cabo este estudio, explica el análisis que se realizará más
adelante (5.2.5).

Número de empresas con V>0
280
Probabilidad de
impago 2008 y
impago 2008>6% impago 2009 >6%
2009>6%
I II
III
30 43 24
6 4 4
Con impago en 2008
20% 9,30% 16,67%
6 4 4
Con impago en 2009
20% 9,30% 16,67%
5 4 4
16,67% 9,30% 16,67%
Al observar los resultados en función del número de empresas (tabla 75),

se destaca que tanto en la intersección I como en III los porcentajes de empre-
sas con impagos son elevados y, superiores a los determinados en la zona I,
alcanzándose los valores mínimos en el 16,67% frente a los valores máximos
del 1,70% evaluados en la zona 1.
Si por último, se recoge el número de empresas con impagos en esta zona,
respecto del número total en la muestra, el número de incidencias medido
sobre el total de ellas en la muestra es nuevamente superior al observado en
160
la zona 1, siendo de un 10% las incidencias de 2008 (4 sobre 40), de un 9,5%

las de 2009 (4 sobre 42) y de un 18,18% las incidencias conjuntas de 2008 y
2009 (4 sobre 22).
Estos datos obtenidos en la zona 2, reafirma la validez de los modelos, ya
que al considerar que la probabilidad de impago es superior al 6%, lo que
llevaría a clasificar a estas empresas como sujetas a presentar incidencias en
pagos, es congruente que el número de incidencias aumente respecto de las
incidencias encontradas en la zona 1. De este modo la omisión de la infor-
mación aportada por el modelo de probabilidad de impago y la consecuente
concesión de crédito que se sigue de V>0, provocará un aumento en el nú-
mero de incidencias en pagos.
2.3. Zona 3
Los análisis de las zonas 3 y 4 son, ciertamente inmediatos, después de los

dos anteriores. No obstante se recogen las tablas análogas por mantener la
uniformidad en la presentación.
En la zona 3, se recogen en primer lugar los datos correspondientes a vo-
MVNFOEFFOEFVEBNJFOUP 7
FOMBTUSFTJOUFSTFDDJPOFT EFQFOEJFOEPEFM
modelo de probabilidad de impago utilizado (tabla 76) y a continuación los
resultados en número de empresas (tabla 77) en los mismos tres escenarios
o intersecciones. Si los modelos son consistentes, en esta zona los resultados
deberían ser reducidos simultáneamente en cuanto al número de incidencias
y del importe de las mismas.
De acuerdo con el modelo de volumen de endeudamiento a estas em-
presas no se les concedería financiación ya que, en términos generales, los
flujos de caja generados no son suficientes para esperar la devolución total
de la deuda presente y futura. Las cifras que se recogen en la primera tabla
deben interpretarse, en consecuencia, como el importe que las empresas no
lograrían saldar de su deuda presente.
161

-210.466.774,50 `
Probabilidad de
impago 2008 y
impago 2008 < 6% impago 2009 < 6%
2009 < 6%
-201.046.488,50 ` -190.737.036,03 ` -190.587.661,27 `
I II III
-35.814,66 ` -1.304,23 ` -49,43 `
Con impago en 2008
0,03% 0,00% 0,00%
-9.874,24 ` -2.931,63 ` -1.713,15 `
Con impago en 2009
0,01% 0,00% 0,00%
-7.467,17 ` -1.218,48 ` 0`
0,00% 0,00% 0%
El análisis de las incidencias en impagos reales en las distintas interseccio-

nes destaca que el número de ellas sobre el total en la muestra en el caso III es
muy bajo, al ser el máximo del 5% (2 sobre 40). Esta información unida al vo-
lumen total de dichas incidencias permite afirmar que la clasificación realizada
por el modelo de probabilidad de impago es válida ya que aún presentando
un volumen de endeudamiento negativo es en una cuantía muy reducida. La
decisión de no otorgar financiación en el corto plazo, no obstante, no implica
que las empresas no puedan hacer frente a sus deudas presentes. Es posible,
por otro lado, que si los flujos de caja mejoran estas empresas pudieran pasar
a medio y largo plazo a engrosar la zona 1.

Número de empresas con V<0
396
Probabilidad de
impago 2008 y
impago 2008 < 6% impago 2009 < 6%
2009 < 6%
294 236 214
I II III
6 5 2
Con impago en 2008
1,98% 2,04% 0,89%
11 3 2
Con impago en 2009
3,63% 1,22% 0,89%
3 1 0
0,99% 0,40% 0%
162
2.4. Zona 4
En esta zona, en la que se contienen las empresas que según los modelos
OPSFDJCJS½BOFOOJOHÈODBTPGJOBODJBDJÂOBMTFS7ZMBQSPCBCJMJEBEEF
impago mayor del 6%, se puede contemplar, de nuevo, la consistencia de los
modelos elaborados. Es indiscutible que no sólo han de aglutinarse empre-
sas en las que los flujos de caja estimados sean en valor absoluto de mayor
importe (tabla 78) sino las que presentan el mayor número de incidencias en
pagos (tabla 79).

-210.466.774,50 `
Probabilidad de
impago 2008 y
impago 2008 > 6% impago 2009 > 6%
2009 > 6%
-9.420.286,04 ` -19.729.738,52 ` -9.270.991,28 `

I II III
-6.341.283,35 ` -6.375.793,78 ` -6.340.028,82 `
Con impago en 2008
67,32% 32,32% 68,39%
-6.364.502,62 ` -6.371.445,23 ` -6.363.284,14 `
Con impago en 2009
67,56% 32,29% 68,64%
-6.337.237,42 ` -6.343.486,12 ` -6.336.018,94 `
67,27% 32,15% 68,34%
De la tabla anterior se deduce que el importe de las incidencias es un

porcentaje elevado del importe total estimado por el modelo de volumen
de endeudamiento, en la intersección I y en la III, llegando a ser de más del
67%. Así, la consideración conjunta de los dos modelos permite reconocer
a aquellas empresas clasificadas de alto riesgo en la capacidad de devolu-
ción de deuda financiera, obteniéndose resultados coincidentes en ambos
modelos.
163

Número de empresas con V<0
396
Probabilidad de
impago 2008 y
impago 2008 > 6% impago 2009 > 6%
2009 > 6%
102 160 80
I II III
24 25 21
Con impago en 2008
23,53% 15,63% 26,25%
23 31 22
Con impago en 2009
22,55% 19,38% 27,50%
19 21 19
18,63% 13,13% 23,75%
La prioridad en esta zona es que la intersección de los dos modelos pro-

porcione una correcta clasificación en el número de incidencias. Según se
refleja en la tabla 79 esta exigencia es cumplida por los modelos en cualquiera
de las intersecciones contempladas, consiguiendo detectar un porcentaje sig-
nificativo del total de empresas que han tenido impagos. Así, en 2008 de las
40 empresas que presentaron impagos en el total de la muestra, los modelos
conjuntamente logran detectar un 60% (I), 62,5% (II) y 52,5% (III). Para 2009,
donde el número de empresas con incidencias fue de 42, estos porcentajes
son del 54,7%, 73,8% y 52,4% respectivamente. Por último respecto de aque-
llas empresas con impagos en los dos años consecutivos, las cuales pueden
calificarse de baja calidad en la solvencia, los porcentajes anteriores resultan
del 86%, 95,4%, y 86%.
Es destacable, en consecuencia, la validez y consistencia de la utilización
conjunta de los modelos al recoger en esta zona el mayor número de inciden-
cias y, fundamentalmente, aquellas con un mayor nivel de riesgo por presen-
tar impagos de manera continuada.
Por último, para finalizar el análisis de la consideración simultánea de los
dos modelos desarrollados, tal como se ha expuesto al comienzo de este
capítulo, se estudia a continuación la sensibilidad en la aplicación de dichos
modelos ante variaciones en la definición del punto de corte de probabilidad
de impago, que delimita las diferentes zonas analizadas.
En el caso de que una entidad financiera decidiera asumir un mayor riesgo
al elevar el punto de corte utilizado en el modelo de probabilidad de impago
para la clasificación de las empresas, según ha quedado discutido en las zonas
164
1 y 2, es posible cuantificar el error tipo I y la posibilidad de su compensación

con el error tipo II. A fin de considerar esta eventualidad, se procede a analizar
los resultados de la aplicación de estos niveles superiores de probabilidad de
impago, consiguiendo de este modo una visión más amplia de la capacidad
de la intersección de los modelos sobre la muestra empleada. Se consideran
aquellas empresas a las que el modelo de determinación del volumen de en-
deudamiento otorgaría financiación y para las cuales la probabilidad de im-
pago estimada sea superior al 6%, fijando un primer análisis detallado para el
caso de los impagos en 2008, al ser éstos los que previsiblemente afecten en
mayor proporción a los créditos otorgados. Finalizado este estudio, se recoge-
rán de manera comparativa todos los resultados en función de los impagos de
2008, 2009 y en ambos años 2008 y 2009. En todos estos casos se contemplará
la llamada intersección I que resulta de hacer uso del modelo de probabilidad
de impago de 2008, al haber sido descartada la intersección II por presentar
niveles de error superiores y ya discutida la elevación en el punto de corte en
la intersección III.
2.5. Variaciones en el punto de corte en la intersección I
En este primer caso se analiza cómo afectará la decisión de elevar la pro-

babilidad de impago por encima del 6% a los resultados de la consideración
conjunta de los modelos. Para ello los elementos que se estudian son: resulta-
dos del modelo de volumen de endeudamiento mayores que cero, intervalos
de la probabilidad de impago de 2008 superiores 6% y empresas con impagos
reales en 2008.
TABLA 80. RESULTADOS INTERSECCIÓN I, VARIACIÓN EN EL PUNTO DE CORTE

En función del número de empresas Nº Nivel de error
Vol. endeudamiento>0 y P.I. (2008) > 6% 30
Vol. endeudamiento>0, P.I. (2008) entre 6% y 35% y con impago 2008 0 0,00%
Vol. endeudamiento>0, P.I. (2008) > 55% y con impago 2008 3 10,00%
Total empresas que han impagado en 2008 6 20,00%
De las 280 empresas en las que el resultado del modelo de volumen de

endeudamiento es mayor que cero, 30 de ellas (10,71%) tienen una proba-
165
bilidad de impago en 2008 superior al 6%, y de ellas 6 (20%) presentan im-

pagos reales. Así, al analizar por intervalos de riesgo (tabla 80 y figura 14),
se constata que al ir aumentando la probabilidad de impago, se incrementa
simultáneamente el número de empresas que presenta realmente impagos.
Este resultado permite verificar la coherencia de los resultados del modelo de
probabilidad de impago así como evidenciar y fortalecer la eficacia resultante
del análisis conjunto de los dos modelos.
FIGURA 14. NIVELES DE ERROR EN LA INTERSECCIÓN I AL VARIAR EL PUNTO DE CORTE (TABLA 80)
30
Niel de Niel de Niel de Niel de Niel de

error error error error error
0% 0% 6,67% 3,33% 10%
0 0 2 1 3
0
6% a 25% 25% a 35% 35% a 45% 45% a 55% >55%
Dentro de este mismo escenario, con los mismos criterios del párrafo
anterior, se observa del volumen inicialmente otorgado, que el volumen de
impago asciende al 65,64% de la cuantía total. Buscando el detalle de esta
incidencia constatamos que es debida fundamentalmente a una sola empresa
incluida en el intervalo de riesgo del 35%-45% (tabla 81 y figura 15).
166
TABLA 81. RESULTADOS INTERSECCIÓN I, VARIACIÓN EN EL PUNTO DE CORTE

Nivel de
EN FUNCIÓN DEL IMPORTE Importe
error
Vol. endeudamiento>0 y P.I. (2008) > 6% 23.421.316

Vol. endeudamiento>0, P.I. (2008) entre 6% y 25% y con impago
0 0,00%
(2008)
0 0,00%
(2008)
15.365.805 65,61%
(2008)
112 0,00%
(2008)
Vol. endeudamiento>0, P.I. (2008) > 55% y con impago (2008) 8.586 0,04%
IMPORTE TOTAL IMPAGADO EN 2008 15.374.502 65,64%
Al igual que en el análisis del número de empresas, las incidencias en los

pagos se producen en mayor volumen a medida que aumenta el riesgo de
impago, concretamente a partir del tercer intervalo de riesgo (35%-45%). Es
en esta franja en la que de acuerdo con los resultados del modelo, se concen-
tra el mayor volumen de impagos. No obstante, es conveniente advertir que
este aumento es causado en gran medida por la empresa reconocida por el ID
100.041.905, cuya probabilidad de impago en 2009, es menor al 6% y la empre-
sa finalmente no presentó ninguna incidencia de impago en dicho año.
FIGURA 15. ERROR EN VOLUMEN INTERSECCIÓN I ANTE VARIACIONES EN EL PUNTO DE CORTE

(TABLA 81)
23.421.316 E
15.365.805 E
Niel de Niel de Niel de Niel de Niel de

error error error error error
0% 0% 65,61% 0% 0,04%
0E 0E 112 E 8.586 E
0
6% a 25% 25% a 35% 35% a 45% 45% a 55% >55%
167
De esta manera se pone de manifiesto que la elevación del punto de corte

hasta el 35% no provocaría incrementos en las incidencias en pagos y lograría
aprovechar oportunidades de negocio al incrementar los volúmenes de finan-
ciación otorgados a empresas inicialmente sin problemas en la devolución,
tanto presente como a corto plazo, de la deuda financiera.
Con la finalidad de poder cuantificar los errores tipo I y II se analizarán
valores concretos de la probabilidad de impago pertenecientes a los distintos
intervalos anteriormente definidos: en primer lugar 15%, a continuación 35% y
100%. En todos ellos, además de contemplar (tabla 80 y tabla 81) los impagos
reales en 2008, se incorporarán todas las situaciones reales de impagos pro-
ducidas en los años de concesión del crédito, puesto que aunque el préstamo
está diseñado para el corto plazo es muy probable que su devolución coincida
en dos años naturales (2008 y 2009).
FIGURA 16. VALORACIÓN DE ERRORES PARA PUNTO DE CORTE 15% EN INTERSECCIÓN I
El primer punto de corte que se ha seleccionado es del 15% (figura 16) y se

puede constatar que esta elevación en el punto de corte consigue disminuir
el error tipo I en porcentaje, pasando del 0,87% (determinado en 5.2.1.) al
0,85%, dado que se mantiene el importe del mismo pero el volumen de finan-
ciación aumenta; por otro lado el error tipo II también disminuye pasando de
unos costes de oportunidad estimados de 137.986,54 euros para un punto de
corte del 6% a 33.589,30 euros con el nuevo punto de corte.
168
Se puede concluir que un incremento del punto de corte en la intersec-

ción I hasta el 15% consigue disminuir tanto el error tipo I como el II, lo que
conllevará efectos positivos para la entidad financiera.
El siguiente punto de corte seleccionado, 35% (figura 17), viene marcado
por el estudio inicial que se hizo al principio de este apartado, donde se com-
probó que a partir de una probabilidad de impago en 2008 superior al 35%
comenzaba a incrementarse el número de empresas con impagos. Este punto
de corte para la intersección I y con la muestra disponible, determina el punto
que maximiza la rentabilidad en la concesión de crédito dado que el error tipo
II es cero (el importe que se podría conceder en la zona 2 es igual al importe
de los impagos), y el error tipo I disminuye hasta el 0,854%.
Por último y a diferencia de lo discutido con la intersección III (epígrafe

5.2.1), una elevación del punto de corte hasta el 100% no sería aconsejable para
la entidad dado que los errores tipo I no compensarían a los errores tipo II, y
aumentarían hasta el 2,94%.
169
Con el fin de resumir los análisis efectuados y señalar las características de

la utilización conjunta de los modelos propuestos en esta investigación, se
destacan los siguientes:
t -PTSFTVMUBEPTPCUFOJEPTBDPOTFKBOFMUSBUBNJFOUPEFMPTEPTNPEFMPT
en forma complementaria y no sustitutiva, ya que al considerar conjun-
tamente ambos, es posible obtener unos niveles de correcta clasifica-
ción superiores a los generados por la utilización individual de cada uno
de dichos modelos.
t -BUPNBEFEFDJTJPOFTEFPUPSHBSGJOBODJBDJÂONFEJBOUFMBVUJMJ[BDJÂO
conjunta de los dos modelos planteados disminuye hasta valores prác-
ticamente nulos los errores tipo I, lo que provocará una mejora tanto
en las cuentas de resultados de las entidades como en sus ratios de
liquidez.
t -BDPOTJEFSBDJÂOEFMPTEPTNPEFMPTTJNVMU²OFBNFOUFIBEFNPTUSBEP
ser válida al clasificar correctamente, en función de las zonas definidas,
tanto el número de incidencias en pago, como el importe y calificación
de las mismas.
t -PTUSFTQPTJCMFTDBTPTSFTVMUBOUFTEFVUJMJ[BSMPTNPEFMPTFOEJGFSFOUFT
años, denominados intersecciones I, II y III, tratados como herramienta
base en la toma de decisiones en la concesión de crédito, arrojan unos
resultados iniciales muy positivos. En particular, las tasas de morosidad
estimadas en las decisiones apoyadas en dichos modelos, son inferiores
a las actuales. Teniendo en cuenta que el modelo de probabilidad de
170
impago califica a las empresas con impagos y éstos se han considerado

a lo largo de esta investigación como la antesala de la morosidad, si el
uso de los modelos permite anticipar el problema de los impagos, será
posible disminuir las tasas de morosidad para la entidad financiera.
t -BTJOUFSTFDDJPOFTRVFNFKPSTFIBODPNQPSUBEPTPOMB*Z*** TJFOEP
esta última la más restrictiva en el volumen concedido de financiación
(al utilizar la información de los modelos aplicados en 2008 y 2009 con-
juntamente) y con unos niveles de error tipo I del 1,26%, en tanto que
en la intersección I se logra un menor nivel de error (0,85%) si se
aumenta el punto de corte al 35%.
171
CAPÍTULO 6
CONCLUSIONES
1. CONCLUSIONES DE LA INVESTIGACIÓN EMPÍRICA DE LOS MODELOS
La problemática del fracaso empresarial, entendido éste en forma amplia,

ha sido objeto de una multiplicidad de análisis teóricos y empíricos por parte
de distintos autores preocupados por dicha situación. Si se concibe el fraca-
so como una secuencia de hechos en el tiempo, es posible agrupar dichos
análisis en función del momento o situación concreta que se desea estudiar y
predecir. En esta investigación, el punto de partida de los estudios llevados a
cabo, se encuentra en la consideración de una fase previa o precoz de dicho
fracaso, que puede ser diagnosticada a través de los impagos a corto y medio
plazo.
La situación financiera actual está poniendo de relieve las consecuencias de
una incorrecta política de financiación a empresas por parte de las entidades
financieras que, entre otras, se revelan en unas tasas crecientes de morosidad.
Estas tasas de morosidad pueden, en una gran mayoría de casos, constituirse
en el primer paso de un proceso conducente al fracaso empresarial.
El análisis de los elementos que intervienen en una operación de conce-
sión de crédito, permite abordar la elaboración de instrumentos eficaces para
controlar los riesgos inherentes a dicha operación. El objetivo de esta investi-
gación ha sido la concepción, desarrollo y contrastación de dos modelos que
se constituyan en herramienta útil de apoyo a la toma de decisión de conce-
sión de un crédito, tratando de dar respuesta tanto a la cuantía a financiar
como a la medida del riesgo de devolución del crédito.
En consecuencia se ha elaborado un modelo conducente a la clasificación
de empresas en función de la probabilidad estimada de impagos en el corto
y medio plazo, y un segundo modelo capaz de determinar del volumen de
endeudamiento que la entidad financiera está dispuesta a otorgar en función
173
de un conjunto de elementos obtenidos de los estados financieros de las em-

presas solicitantes del crédito. El desarrollo de ambos se ha llevado a cabo de
forma independiente, no solo debido a la distinta naturaleza de la variable que
se pretende predecir o estimar, sino también en cuanto a la metodología y las
variables predictivas utilizadas. No obstante, se han analizado los resultados
en el caso de la consideración conjunta de ambos modelos, constatándose
que ésta arroja unas conclusiones de mayor y mejor capacidad predictiva. Esta
afirmación se ha verificado a través de la cuantificación de los errores tipo I
(que se deriva de conceder un crédito a una empresa que finalmente presenta
impagos) y tipo II (el coste de oportunidad que se deduce de no haber con-
cedido crédito cuando la empresa finalmente podría haber respondido a su
devolución).
Se abordarán las conclusiones más destacables de esta investigación en
el mismo orden en el que se han presentado los modelos y se han analizado
sus resultados, insistiendo de nuevo en la mejora de los mismos obtenida
mediante la utilización conjunta de todos los modelos.
1.1. Conclusiones de los modelos de probabilidad de impago de 2008 y

2009
La valoración de las conclusiones de los modelos de probabilidad de impa-

go elaborados y contrastados ha de fundamentarse principalmente, como ya
se ha mencionado, en su poder predictivo. En concreto, una vez verificado el
ajuste altamente significativo de los mismos, la clasificación de las empresas
que dichos modelos generan es el resultado más relevante.
Así, destacamos que para el año 2008, año inmediatamente posterior a la
información disponible de los estados financieros (2004-2007), la clasifica-
ción global es correcta en el 82,8% de los casos, mientras que en los casos de
impago el 87,2% han sido correctamente clasificados. Y aún más, en el año
2009, dos años posteriores a los datos disponibles, es decir, sin el apoyo de
la información derivada de los estados financieros del año inmediatamente
anterior a la incidencia de pago, los resultados obtenidos pueden considerarse
altamente satisfactorios ya que arrojan una correcta clasificación de impagos
del 83,7% y de manera global del 73,4%. Estos resultados, ya recogidos en
el capítulo tres (tablas 24 y 25), se agrupan y muestran nuevamente en la
siguiente tabla.
174
CONCLUSIONES
TABLA 82. RESULTADOS CLASIFICACIÓN MODELO DE PROBABILIDAD DE IMPAGO
AÑO 2008 (X+1) AÑO 2009 (X+2)
Número Porcentaje Número Porcentaje
Total empresas de la muestra 668 100,0% 668 100,0%
Total empresas sin problemas de pago

629 94,2% 619 92,7%
(=0)
Total empresas con problemas de pago
39 5,8% 49 7,3%
(=1)
Empresas correctamente clasificadas sin
519 82,5% 449 72,5%
problemas de pago (=0)
Empresas correctamente clasificadas con
34 87,2% 41 83,7%
problemas de pago (=1)
De esta manera y en respuesta al objetivo inicialmente perseguido de una

clasificación correcta por encima del 75%, dicho objetivo ha sido superado al
alcanzar un 87,2% de clasificación correcta en empresas que han presentado
impagos para el año 2008 y del 83,7% para el 2009, este último dato tiene una
gran importancia al tratarse de una predicción dos años posterior a la utiliza-
ción de las variables explicativas (2004-2007).
La bondad predictiva del modelo no puede evidentemente separarse de
la bondad o calidad predictiva de las variables independientes incluidas en
el mismo. Las variables que se han seleccionado para explicar las incidencias
en los pagos de las empresas constituyen un conjunto de gran capacidad
predictiva.
Respecto a dichas variables, tal como se indicó oportunamente, no puede
afirmarse su poder explicativo de manera individual, y sin embargo, su con-
sideración conjunta revela una mayor potencia explicativa, de suerte que, al
eliminar alguna de ellas en el modelo, se ha constatado que se pierde una
gran cantidad de poder predictivo, debido sin duda a la existencia de multi-
colinealidad tolerable tal y como se ha estudiado en el capítulo tres. Por ello,
han de considerarse en conjunto, y se ha comprobado empíricamente que
la incorporación de variables retardadas, variables flujos de caja, variables de
circulante, interacción de variables y combinación con otros modelos, entre
otras, supone una innovación cuyo resultado final es muy positivo. Como re-
sumen del grado de importancia de cada variable, medido a través del Odds,
en la tabla 83 se recogen los grupos y variables más importantes. Se observa
que todos los grupos de variables son relevantes aunque en mayor medida
lo son las ratios económicas, seguidas de las ratios de endeudamiento y las
variables flujo de caja.
175
Como ya se ha analizado de forma detallada en el capítulo tres y acaba de

resumirse, es muy destacable la capacidad predictiva de las variables verificada
dentro del modelo.
La definición de dichas variables, con la incorporación de los criterios y de
la información que en los planteamientos de esta investigación se han consi-
derado relevantes a partir de los estados financieros de las empresas, supone
una aportación respecto de criterios anteriores y habitualmente utilizados por
otros estudios en esta área.
Destacamos en este sentido, la información contenida en determinadas
variables:
t #"*5 EFNPTUSBOEPRVFMBNPEJGJDBDJÂOTPCSFFM#"*5DPOUBCMFBMJO-
troducir los ingresos en participaciones de capital incorpora una in-
formación que se ha constatado como relevante para el estudio de la
probabilidad de impago, concluyendo que la incorporación de esa in-
formación es necesaria.
t 30" MBNPEJGJDBDJÂOEFFTUBSFOUBCJMJEBEQPSNFEJPEFMBJODMVTJÂO
del BAIT*, incorpora una mayor adecuación a la rentabilidad real de los
activos de la empresa permitiendo de esta manera obtener una mejor
clasificación en los impagos.
t '$-:'$-4*/$"1&9 BMJOUSPEVDJSDBNCJPTFOMBDPODFQDJÂODM²TJDB
de los flujos de caja libre se incorpora información dinámica y funda-
mental para el análisis de impagos.
Variables, todas ellas, que recogen otro tipo de información diferente a la

utilizada en modelos ya conocidos y analizados en el capítulo dos.
176
CONCLUSIONES
TABLA 83. RESULTADOS VARIABLES MÁS RELEVANTES DEL MODELO DE PROBABILIDAD DE IMPAGO
AÑO 2008 AÑO 2009
1
Sig . Odds Sig. Odds
VARIABLES FLUJO DE CAJA
FCL* / DCP 2006 0,002 10.170,7 0,165 22,1
FCL* / DCP 2007 0,011 282,6 0,030 29,9
FCL SIN CAPEX* / (DLP + DCP) 2007 0,056 4.905,6 0,181 0,1
RATIOS ECONÓMICOS
ROA* 2005 0,091 > 16.776.992 No significativa
ROA* 2006 0,212 0,0 0,042 79.021,4
MARGEN BAIT* 2007 0,007 > 16.776.992 0,056 109.690,0
Porcentaje costes fijos 2006 0,002 > 16.776.992 0,042 > 16.776.992
RATIOS DE CIRCULANTE
NOF / Pasivo Total 2007 0,226 655,1 0,012 3,2
BAIT* / Pasivo Circulante 2006 0,116 892,2 No significativa
RATIOS DE ENDEUDAMIENTO
TDC / (TDL + TDC) 2005 0,032 5.399.496,1 0,027 196.103,8
TDC / (TDL + TDC) 2006 0,130 74.932,3 0,004 16.776.992,1
TDC / (TDL + TDC) 2007 0,183 42.442,5 0,023 407.646,7
VARIABLES AL CUADRADO
NOF / Pasivo Total al cuadrado 2006 0,050 35.117,6 0,003 33.353,7
INTERACCIONES DE VARIABLES
INTERACCIÓN MARGEN BN 0,016 26.464,7 0,302 5,7
INTERACCIÓN MARGEN BAIT* 0,376 > 16.776.992 0,007 0
INTERACCIÓN COSTES FIJOS 0,002 > 16.776.992 0,010 > 16.776.992
INTERACCION TDL / (TDL + TDC) 0,069 0,0 0,021 > 16.776.992
Con el fin de ampliar la discusión de la validez de las variables predicti-

vas del modelo, se ha llevado a cabo la comparación con otros modelos. El
objetivo pretendido fue discutir hasta qué punto la consideración que se ha
efectuado de la probabilidad de impago como indicador de la posible situa-
ción de fracaso empresarial, anticipado en el tiempo, puede explicarse con las
variables utilizadas en otros modelos.
Al comprobar que las variables del modelo desarrollado en esta investiga-
ción incorporan una mayor capacidad de información respecto de la antici-
pación del fracaso empresarial, mediante la determinación de la probabilidad
177
de impago y la clasificación resultante de las empresas en función de su capa-

cidad para atender pagos futuros, puede concluirse que el modelo permite
finalmente una mejora del control de la morosidad al anticipar de una manera
significativa uno de los primeros estadios de ésta, y una mejora del ajuste del
riesgo por parte de las entidades financieras. Se entiende que este resultado
es muy positivo, al haber sido obtenido mediante la comparación con mode-
los utilizados en la práctica por una entidad financiera concreta así como con
otros modelos de reconocido prestigio en la literatura existente (tabla 84).
La siguiente tabla permite la valoración global de los resultados obtenidos
por dichos análisis comparativos. Destacan, sobre todo, las diferencias en la
correcta clasificación de impagos, que en el modelo de 2008 resulta superior
en 38 puntos al modelo utilizado por la entidad financiera y en 12 puntos a ca-
da uno de los otros dos modelos seleccionados. Estas diferencias son también
considerables si se observan los modelos aplicados a 2009, siendo la mejora
respecto del modelo de la entidad financiera de 13 puntos y de aproximada-
mente 12, nuevamente, respecto de los otros dos modelos.
178
TABLA 84. RESUMEN DE LOS DIFERENTES RESULTADOS MODELOS DE PROBABILIDAD DE IMPAGO
AÑO 2008 (X+1) AÑO 2008 (X+1) AÑO 2008 (X+1) AÑO 2008 (X+1)
MODELO BEAVER, CORREIA Y MCNI- DEMIROVIC Y

ENTIDAD FINANCIERA
INVESTIGACIÓN CHOLS THOMAS
Número Porcentaje Número Porcentaje Número Porcentaje Número Porcentaje

Total empresas de la muestra 668 100,0% 623 100,0% 686 100,0% 678 100,0%
Total empresas sin problemas de pago (=0) 629 94,2% 590 94,7% 646 94,2% 638 94,1%
Total empresas con problemas de pago (=1) 39 5,8% 33 5,3% 40 5,8% 40 5,9%
Empresas correctamente clasificadas sin problemas de
519 82,5% 356 60,3% 381 59,0% 447 70,1%
pago (=0)
Empresas correctamente clasificadas con problemas de
34 87,2% 16 48,5% 30 75,0% 30 75,0%
pago (=1)
R cuadrado de Nagelkerke 0,474 0,007 0,074 0,192
R cuadrado de Cox y Snell 0,17 0,002 0,026 0,069
Nivel de significación prueba de Hosmer y Lemeshow 0,949 N.D 0,747 0,475
179
AÑO 2009 (X+1) AÑO 2009 (X+1) AÑO 2009 (X+1) AÑO 2009 (X+1)
MODELO BEAVER, CORREIA Y MCNI- DEMIROVIC Y

CONCLUSIONES
ENTIDAD FINANCIERA
INVESTIGACIÓN CHOLS THOMAS
Número Porcentaje Número Porcentaje Número Porcentaje Número Porcentaje
Total empresas de la muestra 668 100,0% 623 100,0% 686 100,0% 678 100,0%
Total empresas sin problemas de pago (=0) 619 92,7% 579 92,9% 636 92,7% 628 92,6%
Total empresas con problemas de pago (=1) 49 7,3% 44 7,1% 50 7,3% 50 7,4%
Empresas correctamente clasificadas sin problemas de
449 72,5% 246 42,5% 340 53,5% 360 57,3%
pago (=0)
Empresas correctamente clasificadas con problemas de
41 83,7% 31 70,5% 36 72,0% 36 72,0%
pago (=1)
R cuadrado de Nagelkerke 0,367 0,031 0,073 0,107
R cuadrado de Cox y Snell 0,15 0,012 0,03 0,044
Nivel de significación prueba de Hosmer y Lemeshow 0,831 N.D 0,323 0,618

Por último, se ha demostrado la relación directa entre el aumento de la

probabilidad de impago estimada por el modelo y el aumento del número
de impagos reales. Ello permite caracterizar la validez y consistencia de los
resultados del modelo en tanto que queda a disposición de las entidades de
crédito la posibilidad de seleccionar el mayor valor de la probabilidad de impa-
go que lleva a considerar a una empresa como capaz de atender a sus deudas.
Así, la toma de decisión sobre la concesión del crédito solicitado, posee una
herramienta de ayuda que de manera eficaz permite ajustar dicha decisión a
la mayor o menor asunción de riesgo por parte de la entidad financiera.
1.2. Conclusiones del modelo de volumen de endeudamiento
El diseño y la elaboración de este modelo suponen una novedosa aporta-

ción fundamentalmente por el objetivo a explicar y por la posibilidad de su
cuantificación. Con ello ha sido posible incorporar una apreciación cuantitati-
va del volumen de financiación que se podría conceder a una empresa, logran-
do con ello tanto facilitar una vía de solución al problema en la cuantificación
de los niveles de deuda que se podrían conceder en el corto plazo con un
riesgo mínimo en la devolución del crédito, como construir una herramienta
útil para las entidades financieras, tal y como se pretendía desde el plantea-
miento de esta investigación.
Para poder determinar el volumen de financiación anteriormente comenta-
do se ha procedido a la construcción del modelo en dos pasos consecutivos.
En primer lugar se establece una fórmula para la determinación inicial de la
cuantía F que puede concederse. Para su cuantificación se han calculado parte
de los fondos generados por la empresa partiendo del BAIT contable modifi-
cado y ajustándolo con variables como la deuda financiera a corto plazo, gas-
tos financieros, entre otras. Determinado F, con el segundo paso seguido se
obtiene un coeficiente r, en donde las variables explicativas planteadas fueron
incorporadas por medio de sus evoluciones tanto en valores absolutos como
en márgenes, dicho coeficiente tendrá como objetivo determinar la limitación
en la capacidad de devolución de deuda financiera.
Del producto de r y F se determina la cuantía final V que se ha considerado
como libre de riesgo, recogiendo de esta manera la valoración de la entidad
financiera respecto de la capacidad de asumir el pago de la deuda financiera
nueva que se está estudiando conceder a la empresa que lo ha solicitado.
Las conclusiones finales, una vez analizados los resultados del modelo,
son relevantes tanto en función del número de empresas como en función
del volumen de financiación otorgado. Los niveles de acierto testados con los
impagos reales tanto en 2008 como en 2009, son muy destacables. Al conside-
rar empresas con problemas de impago en un solo año, 2008 (3,68%) ó 2009
(3,31%), los niveles de error son muy bajos, pero si se toman empresas con
180
CONCLUSIONES
impagos en los dos años consecutivos este nivel de error disminuye de mane-
ra apreciable, hasta alcanzar un 1,84% en el caso de número de empresas y un
0,24% en función del volumen de endeudamiento a otorgar (tabla 85).
TABLA 85. RESUMEN DE LOS DIFERENTES RESULTADOS DEL MODELO DE VOLUMEN DE

ENDEUDAMIENTO A CORTO PLAZO.
Nivel de Nivel de
Nº
error acierto
Nº de empresa Vol. endeudamiento >0 272
Nº de empresas con Vol. Endeudamiento >0 con

10 3,68% 96,32%
impago en 2008
Nº de empresas con Vol. Endeudamiento >0 con
9 3,31% 96,69%
impago en 2009
Nº de empresas Vol. Endeudamiento con impago
5 1,84% 98,16%
2008 y 2009
Nivel de Nivel de
Importe
error acierto
Importe de empresas con Vol. Endeudamiento
510.367.977
>0
21.317.815 4,18% 95,82%
>0, con impago en 2008
1.342.918 0,26% 99,74%
>0, con impago en 2009
1.250.002 0,24% 99,76%
>0, con impago en 2008 y 2009
Resulta oportuno, en este momento, volver a señalar dos aspectos funda-

mentales de este modelo, primero que la limitación del coeficiente r entre 0
y 0,5, se ha efectuado con el fin de disminuir el riesgo de crédito, aplicando
criterios conservadores, como fue discutido en el capítulo cuatro. Es evidente
que a través de la acotación del coeficiente r, en otros valores diferentes, se
abre la posibilidad de que en el modelo se incorporen criterios que, a juicio
de cada entidad financiera, sean más próximos a la realidad y a la informa-
ción derivada de su experiencia. Es decir, el modelo presenta una flexibilidad
aconsejable para su acomodación a los niveles de riesgo que la entidad esté
dispuesta a asumir. Un segundo aspecto importante a señalar es que la utili-
zación conjunta de los flujos de caja generados en el presente y de variables
explicativas como los periodos medios de maduración y sus componentes, la
estructura de costes fijos, los flujos de caja libre, todas ellas medidas por sus
evoluciones pasadas, reconoce a empresas a las que se concedió el crédito en
los que la previsión de impagos futuros se reduce notablemente.
181
1.3. Conclusiones del análisis conjunto de los dos modelos propuestos
La utilización conjunta de ambos modelos construidos de manera inde-

pendiente tanto en la metodología como en la variable explicada y variables
predictivas, da lugar a una disminución en el riesgo de concesión de crédito
al tratar de manera simultánea la información cuantitativa y la cualitativa con-
seguida por los modelos desarrollados. Al mismo tiempo, se han conseguido
resultados que suponen una verificación adicional de la capacidad predictiva
de ambos modelos, como se resume a continuación.
Del análisis e interpretación realizado en el capítulo cinco se destaca, que
el resultado relativo al importe que se podría financiar (V>0) a las empresas
que en el modelo de probabilidad de impago se clasifican como empresas
sin problemas de pago, estaría comprendida entre los 486 y los 480 millones
de euros, en función de que se utilice la información derivada del modelo de
probabilidad de impago de 2008 (intersección I) o de los modelos de 2008 y
2009 conjuntamente (intersección III).
Respecto del volumen total de financiación el error tipo I queda estable-
cido entre el 1,24% y el 1,26% (en la tabla 86 se recogen los resultados para
las zonas 1 y 2 en las que V>0, si bien el error tipo I solo puede determinarse
en la zona 1), siendo éstos, unos valores inferiores tanto a las tasas de moro-
sidad actuales como a las tasas obtenidas por los modelos desarrollados indi-
vidualmente en esta investigación (12,8% modelo de probabilidad de impago
y 4,18% modelo de determinación del volumen de endeudamiento a corto
plazo). También es destacable que la utilización conjunta de los modelos,
para las dos intersecciones señaladas anteriormente, clasifican perfectamente
aquellas empresas que tienen una peor calificación del riesgo medido éste
por la reiteración en dos años consecutivos en impagos, afirmando de esta
manera que no solo se logra disminuir la posible morosidad de los créditos
concedidos sino que los modelos tratados conjuntamente son válidos en la
clasificación del rango de la incidencia.
Es evidente que este resultado, no puede generalizarse más allá de la mues-
tra sobre la que se han contrastado los modelos. Si bien, como se ha men-
cionado, el tamaño muestral es suficientemente elevado para poder afirmar
estadísticamente este resultado, es posible que al aplicarlo a otras muestras
aparecieran resultados dispares. No es de esperar, en cualquier caso, dada
la alta significatividad estadística, que los resultados que puedan obtenerse
difieran mucho del nivel de acierto obtenido.
182
CONCLUSIONES
TABLA 86. RESUMEN DE LOS RESULTADOS EN LAS ZONAS CON VOLUMEN DE ENDEUDAMIENTO >0
510.367.976,66 `
Probabilidad de Probabilidad de Probabilidad de impago

impago 2008 <6% impago 2009 <6% 2008 y 2009 <6%
ZONA 1
486.946.660,23 ` 496.453.451,21 ` 480.784.154,81 `
I II III
5.943.312,52 ` 20.067.812,52 ` 5.943.312,52 `

Con impago en 2008
1,22% 4,04% 1,24%
92.866,91 ` 1.334.171,62 ` 92.866,91 `

Con impago en 2009
0,02% 0,27% 0,02%
Con impago en 2008 0,00 ` 1.241.304,71 ` 0,00 `

y 2009 0,00% 0,25% 0,00%
Probabilidad de Probabilidad de Probabilidad de impago

impago 2008 > 6% impago 2009 > 6% 2008 y 2009 > 6%
ZONA 2
I II III
23.421.316,44 ` 13.914.525,45 ` 7.752.020,03 `
15.374.502,12 ` 8.697,41 ` 8.697,41 `

Con impago en 2008
65,64% 0,06% 0,11%
1.250.051,11 ` 8.697,41 ` 8.697,41 `

Con impago en 2009
5,34% 0,06% 0,11%
Con impago en 2008 1.250.002,12 ` 8.697,41 ` 8.697,41 `

y 2009 5,34% 0,06% 0,11%
De la observación de los resultados que se han obtenido en las cuatro

zonas definidas en el capítulo cinco y que vienen determinadas por los dos
modelos simultáneamente, se deducen tanto la validez de las intersecciones
de los modelos denominadas I, II y III, como su capacidad para disminuir los
costes estimados del error tipo I y tipo II.
Se resumen a continuación (figura 19) todos los resultados obtenidos en
al análisis detallado de la intersección I en las cuatro zonas, recogido en el
capítulo cinco. De este modo, se deducen de forma directa las conclusiones
más relevantes.
183
FIGURA 19. INTERSECCIÓN I EN LAS DIFERENTES ZONAS ESTUDIADAS
En esta intersección se puso de relieve que tanto el número de impagos

como el importe de financiación sin riesgo son consistentes con los objetivos
iniciales planteados para cada una de las cuatro zonas, dado que el mayor nú-
mero de empresas con impagos se sitúan fuera de la zona inicial de concesión
(zona 1), principalmente, y por este orden, en la zonas 4 y 3 y el importe de
los impagos en la zona de concesión asciende al 1,24% del importe total, fijado
un punto de corte del 6%.
Al estudiar las consecuencias de la variación en el punto de corte para la
probabilidad de impago en esta intersección, se constató que la sucesiva ele-
vación hasta el 35% permite minimizar tanto los errores tipo I como II (que
llega a ser nulo). Sin duda, la elección del punto de corte, y la consiguiente
estimación de los posibles errores, dependerá del nivel de aversión al riesgo
que tenga la entidad que concede la financiación.
De forma análoga se recogen (figura 20) todos los resultados obtenidos en
al análisis detallado de la intersección III en las cuatro zonas.
184
CONCLUSIONES
FIGURA 20. INTERSECCIÓN III EN LAS DIFERENTES ZONAS ESTUDIADAS
La intersección III ha resultado ser la más restrictiva de las tres al utilizar toda
la información de los modelos desarrollados y obtiene una correcta clasifica-
ción, al igual que la intersección I, en lo que respecta al número de incidencias y
a la calificación de las mismas. Sin embargo, es destacable que en este caso, aun
manteniendo el punto de corte en el 6%, el importe de financiación resultante
en la zona 1 es del 98,41% del importe sobre el total de las zonas 1 y 2, y con un
nivel de error tipo I del 1,26%. Esta situación es indudablemente beneficiosa pa-
ra la entidad ya que al ser el volumen a financiar asignado a la zona 2 del 1,59%
del total, la variación sucesiva en el punto de corte no afectará negativamente a
los errores tipo I y sí afectará positivamente a los errores tipo II.
Como conclusión final se puede afirmar que para el estudio de una opera-
ción de concesión de crédito se hace necesario la utilización conjunta de los
modelos desarrollados en esta investigación, para ello nos basamos en:
t -BVUJMJ[BDJÂODPOKVOUBEFMPTNPEFMPTJODPSQPSBJOGPSNBDJÂOUBOUP
cuantitativa como cualitativa, validada tanto estadísticamente como por
sus resultados.
t 4FMPHSBEJTNJOVJSFMFSSPSUJQP*QPSEFCBKPEFMBTUBTBTBDUVBMFTEFNP-
rosidad y con unos valores realmente bajos (1,24%). En consecuencia
185
se logrará afectar positivamente tanto a la cuenta de pérdidas y ganan-

cias por medio de las disminuciones en las provisiones, como al ratio
de solvencia y por último a la liquidez de las entidades financieras por
la reducción en las pignoraciones de fondos exigidas por las tasas de
morosidad.
t 4FSFEVDFFMFSSPSUJQP**QFSNJUJFOEPEFFTUBNBOFSBEJTNJOVJSMPTDPT-
tes de oportunidad y aprovechar oportunidades de negocio con riesgo
reducido.
t -BDPSSFDUBEFUFSNJOBDJÂOEFMSJFTHPEFJNQBHPQFSNJUJS²PQUJNJ[BS
el binomio rentabilidad exigida – riesgo percibido de la operación de
crédito.
Se abren a priori una serie de posibles futuras vías de investigación. Los

modelos desarrollados parten de la información contenida en los balances y
en la cuenta de pérdidas y ganancias, información que en el caso de empresas
no cotizadas tiene obligación de depósito anual. Sería deseable controlar el
riesgo tanto en importe como en probabilidad de impago en períodos inter-
medios a lo largo del año. El problema surge al no disponer, en la mayoría
de los casos, de las anteriores informaciones contables correspondientes a
esos períodos. En consecuencia, una vía posible de investigación sería la que
contemplase el análisis de sensibilidad de los modelos elaborados en esta in-
vestigación tomando como base la cifra trimestral de ventas de las compañías.
La razón de ello es doble: por una parte, este es un dato al que mayor facilidad
de acceso tienen las entidades financieras, al disponer de la información sobre
el impuesto del valor añadido de las empresas de manera trimestral; por otra
parte, con la información de dicha variable se podrían construir estimaciones
de las variables que componen los modelos.
El resultado de los modelos desarrollados en esta investigación, permite
valorar el riesgo de impago a corto plazo de una empresa, con base en los
estados financieros de la misma. No obstante, ésta no es la única variable a
contemplar por las entidades financieras a la hora de conceder un crédito,
que necesariamente incluyen la valoración del riesgo de mercado, el riesgo
sectorial y otros tipos de riesgos. Si, una vez que éstos han sido determinados,
se plantea la necesidad de determinar un único coeficiente que represente el
riesgo de pago de la empresa, la búsqueda de un modelo que permita cuanti-
ficar los coeficientes de ponderación o reparto de los distintos componentes
del riesgo total, supone una vía de investigación de gran interés y aplicabilidad
en la gestión del riesgo.
La línea de investigación que acabamos de plantear podría ser complemen-
tada con la inclusión de determinadas variables macroeconómicas como son,
entre otras, la evolución en la concesión de crédito, las tasas de morosidad y
los procedimientos de disolución empresarial. El estudio se debería plantear
186
CONCLUSIONES
con un enfoque econométrico de datos de panel. La importancia de estas

variables radica en que son indicadores sensibles de la capacidad de pago de
las empresas: la contracción del crédito por parte de las entidades financieras
tiene relación directa con el aumento de la morosidad y el riesgo de la situa-
ción que exige un procedimiento concursal.
Aún más, si fuera posible disponer de datos reales relativos a las inciden-
cias de impago de las cuotas de un préstamo en sus primeras fases (primera
y segunda cuota), y de las cuantías realmente otorgadas por la entidad, cabría
plantear el contraste de los modelos anticipándose en el tiempo a la necesidad
por parte de las propias entidades de refinanciar sus créditos.
187
BIBLIOGRAFÍA
ABAD, M.C.; ARQUERO, J.L. y JIMÉNEZ, S.M. (2010), “Procesos de fracaso empresarial en
PYMES: identificación y contrastación empírica.” Revista Internacional Peque-
ña y Mediana Empresa, 1 (2), pp. 64-67. http://www.revistainternacionalpyme.
org /volúmenes/volumenuno/vol1num2/articulos/pyme2%20art4.pdf. Fecha de
acceso: diciembre 2010.
ACOSTA, E. y FERNÁNDEZ, F. (2007), “Procesos de fracaso empresarial. Identificación y con-
trastación empírica”, X Encuentro de Economía Aplicada, Logroño, 14-15-16 de
junio http://www.unirioja.es/dptos/dee Departamento de Economía y Empresa.
ALTMAN, E.I. (1968), “Financial ratios, discriminat analysis and the prediction of corpo-
rate bankruptcy”, The Journal of Finance, vol. 23 no. 4, pp. 568-609.
ALTMAN, E.I.; HALDEMAN, R.G. and NARAYANAN, P. (1977), “Zeta Analysis: a new model to
identify bankruptcy risk of corporations”, Journal of Banking and Finance,
vol. 1, no. 1, pp. 29-51.
ALTMAN, E.I.; MARCO, G. and VARETTO, F. (1994), “Corporate distress diagnosis: compari-
sons using linear discriminant analysis and neural networks (the Italian experien-
ce)”, Journal of Banking and Finance, vol. 28, no. 3, pp. 505-529.
ALTMAN, E.I.; EOM, Y.H. and KIM, D.W. (1995), “Failure prediction: Evidence from Korea”,
Journal of International Financial Management and Accounting, vol. 6, no.
3, pp. 231-249.
ALTMAN, E.I. and SAUNDERS, A. (1998), “Credit risk measurement: developments over the
last 20 years”, Journal of Banking and Finance, vol. 21, no. 11-12, pp. 1721-1742.
ALTMAN, E.I. y SABATO, G. (2007), “Modeling credit risk for SMEs: Evidence from the U.S.
market”, Abacus, vol. 43, no. 3, pp. 332-357.
BACK, B. (2005), “Explaining financial difficulties based on previous payment behaviour,
Management background variables and financial ratios”, European Accounting
Review, vol. 14, no. 4, pp.839-868.
BALCAEN, S. and OOGHE, H. (2006), “25 years of studies on business failure: an overview
of the classic statistical methodologies and their related problems”, The British
Accounting Review, vol. 38, no. 1, pp. 63-93.
Banco de España (2008), Informe anual 2007. Madrid: Banco de España.
189

BARNES, P. (1983), “The consequences of growth maximisation and expense preference
policies of managers: evidence from UK building societies. A study of the causes
of profit insufficiency during a period of increased competition using 189 dis-
criminant analysis”, Journal of Business, Finance & Accounting, vol. 10, no. 4,
pp. 521-531.
BEAVER, W. (1966), “Financial Ratios as Predictors of Failure”, Journal of Accounting
Research (Supplement), vol. 4, no. 3, pp. 71-111.
BEAVER, W.H.; CORREIA, M. and MCNICHOLS, M. (2008), “Have Changes in Financial Repor-
ting Attributes Impaired Informativeness? Evidence from the Ability of Financial
Ratios to Predict Bankruptcy”, Working Paper, no 13. Rock Center for Corporate
Governance, Stanford University, December.
BEAVER, W.H.; MCNICHOLS, M. and RHIE, J. (2005), “Have financial statements become less
informative? Evidence from the ability of financial ratios to predict bankruptcy”,
Review of Accounting Studies, vol. 10, no. 1, pp 93-122.
BECHETTI, L. y SIERRA, J. (2003), “Bankruptcy risk and productive efficiency in manufactu-
ring firms”, Journal of Banking and Finance, vol. 27, no. 11, pp. 2099-2120.
BHARGAVA, M.; DUBELAAR, C. y SCOTT, T. (1998), “Predicting bankruptcy in the retail sec-
tor: an examination of the validity of key measures of performance”, Journal of
Retailing and Consumer Services, vol. 5. no. 2, pp. 105-117.
BELL, T.B.; RIBAR, G.S. and VERCHIO, J. (1990), “Neural nets versus logistic regression: A
comparison of each model’s ability to predict commercial bank failures”, Srivas-
tava, R.P. (ed), Auditing Symposium on Auditing Problems, pp. 29-53.
BISQUERRA ALZINA, R. (1989), Introducción conceptual al análisis multivariable. Vol
I. Madrid: PPY.
BLUM, M. (1974), “Failing company discriminant analysis”, Journal of Accounting Re-
search, vol. 12, no. 1, Spring, pp. 1-25.
CASEY, C. and BARTCZAK, N. (1985), “Using operating cash flow data to predict finan-
cial distress-Some extensions”, Journal of Accounting Research, vol. 23, no. 1,
pp. 384-401.
CHARITOU, A. and VENIERSIR, G. (1990), “The Need for Cash Flow Reporting: Greek Evi-
dence”, The British Accounting Review, vol. 22, no.2, pp. 107-117.
CHENG, C.S.A. and THOMAS, W.B. (2006), “Evidence of the abnormal accrual anomaly
incremental to Operating Cash Flows”, The Accounting Review, vol. 81, no. 5,
pp. 1151-1167.
CORREA A.; ACOSTA, M. y GONZÁLEZ, A.L. (2003), “La insolvencia empresarial: un análisis
empírico para la pequeña y mediana empresa”, Revista de Contabilidad, vol. 6,
no. 12, pp. 47-79.
DAS, S.J.; HANOUNA, P. and SARIN, A. (2009), “Accounting-based versus market-based
cross-sectional models of CDS spreads”, Journal of Banking and Finance,
vol. 33, no. 4, pp. 719-730.
DE ANDRÉS SUÁREZ, J. (2000), “Técnicas de Inteligencia Artificial aplicadas al análisis de la
solvencia empresarial”, Documento de Trabajo no. 206, Universidad de Oviedo,
Facultad de Ciencias Económicas.
DEAKIN, E.B. (1972), “A Discriminant Analysis of Predictors of Business Failure”, Journal
of Accounting Research, vol. 10, no. 1, pp. 167-179.
190
BIBLIOGRAFÍA
DEAKIN, E. (1976), “Distribution of Financial Accounting Ratios: some Empirical Eviden-

ce”, The Accounting Review, vol. 1, no 1, pp. 167-179.
DEMIROVIC, A. and THOMAS, D.C. (2007), “The Relevance of Accounting Data in the Mea-
surement of Credit Risk”, The European Journal of Finance, vol. 13, no. 3,
pp. 253-268.
DE SOLEY SANS, J. (2008), Basilea II: Una nueva forma de relación banca empresa.
(2ª Edición). Madrid: McGraw Hill. Interamericana de España.
DE LA TORRE, J.M.; GÓMEZ, M.E. y ROMÁN, I. (2005), “Análisis de sensibilidad temporal de
los modelos de predicción de solvencia: una aplicación a las pymes industriales”,
XIII Congreso AECA, Armonización y gobierno de la diversidad, 22 a 24 de
septiembre, Oviedo (recurso electrónico).
DEWAELHEYNS, N. and VAN HULLE, C. (2006), ”Corporate failure prediction modeling:
Distorted by business groups’ internal capital markets?”, Journal of Business
Finance & Accounting, vol. 33, no. 5-6, pp. 909–931.
EDMISTER, R. (1972), “An empirical test of financial ratio analysis for small business
failure prediction”, Journal of Financial and Quantitative Analysis, vol. 7
no. 2, pp. 1477-1493.
EDMISTER, R. (1988), “Combining human credit analysis and numerical credit scoring
for business failure prediction”, Akron Business and Economic Review, vol. 19,
no. 3, pp. 6-14.
EZZAMEL, M.; BRODIE, J. and MAR-MOLINERO, C. (1987), “Financial patterns of UK manu-
facturing companies”, Journal of Business, Finance & Accounting, vol. 14, no.
4, pp. 519-535.
FERNÁNDEZ TASCÓN, Mª T. y CASTAÑO GUTIÉRREZ, F. J., “Predicción del fracaso empresarial: Una
revisión”, Comunicación presentada en el XV Congreso de la Asociación Española
de Contabilidad y Administración de Empresas. Celebrada en Valladolid, del 23 al
25 de Septiembre de 2009. http://www.aeca.es/pub/online/comunicaciones xvcon-
gresoaeca/cd/63b.pdf. Fecha de acceso: febrero 2010.
FERRANDO, M. y BLANCO, F. (1998), “La previsión del fracaso empresarial en la Comunidad
Valenciana: aplicación de los modelos discriminante y logit”, Revista española
de Financiación y Contabilidad, vol. 27, no. 95, pp. 499-540.
FLAGG, J.C.; GIROUX, G.A. y WIGGINS, C.E. (1991), “Predicting Corporate Bankruptcy Using
Failing Firms”, Review of Financial Economics, vol. 1, no. 1, pp. 61-78.
FRYDMAN, H.; ALTMAN, E. y KAO, D. (1985), “Introducing Recursive Partitioning for Finan-
cial Classification: The Case of Financial Distress”, Journal of Finance, March,
pp. 269-91.
GALLEGO, A.M.; GÓMEZ, J.C. y YÁNEZ, L. (1997), “Predicción de quiebras en empresas no
financieras: una aplicación del modelo Logit”, Revista Europea de Dirección y
Economía de la Empresa, vol. 6, no. 3, pp. 129-138.
GALVARO, R.K.H.; BECERRA, V.M. and ABOU-SEADA, M. (2004), “Ratio selection for clas-
sification models”, Data Mining and Knowledge Discovery, vol. 8, pp. 151-
170.
GARCÍA, D.; ARQUÉS, A. y CALVO-FLORES, A. (1995), “Un modelo discriminante para evaluar
el riesgo bancario en los créditos a empresas”, Revista Española de Financia-
ción y Contabilidad, vol. 24, no. 82, enero-marzo, pp. 175-200.
191
GARCÍA-AYUSO, M. (1995), “La necesidad de llevar a cabo un replanteamiento de la inves-

tigación en materia de análisis de la información financiera”, Análisis financiero,
no. 66, pp. 36-61.
GARCÍA, V. y RUIZ, D. (2006), “El modelo económico-financiero y la identificación de las
causas contables de la insolvencia empresarial. Una síninvestigación”, Revista
AECA, no. 77, octubre-diciembre, 26-31.
GENTRY, J.; NEWBOLD, P. and WHITFORD, D. (1985), “Predicting bankruptcy, if cash flows
is not the bottom line, what is?”, Financial Analysts Journal, vol. 41, no.5,
pp. 47-55.
GILBERT, L.R.; MENON, K. and SCHWARTZ, K.B. (1990), “Predicting Bankruptcy for Firms
in Financial Distress”, Journal of Finance and Accounting, vol.17 (Spring),
pp. 161-171.
GOMBOLA, M. and KETZ, J.E. (1983), “A note on cash flow and classification patterns of
financial ratios”, The Accounting Review, vol. 58, no. 1, pp. 105-113.
GÓMEZ, M.A.; TORRE, J.M. y ROMÁN, I. (2008), “Análisis de sensibilidad temporal en los
modelos de predicción de insolvencia: una aplicación a las PYMES industriales”,
Revista Española de Financiación y Contabilidad, vol. 37, no. 137, enero-mar-
zo, pp. 85-111.
GONIS, E. and TAYLOR, P. (2009), “Changing credit rating standards in the UK: empiri-
cal evidence from 1999 to 2004”, Applied Financial Economics, vol. 19, no. 3,
pp. 213-255.
GRICE, J.S. and DUGAN, M.T. (2001), “The limitations of bankruptcy prediction mo-
dels: some cautions for the researcher”, Review of Quantitative Finance and
Accounting, vol.17, pp. 151-166.
GRUNERT, J.; NORDEN, L. and WEBER, M. (2005), “The Role of Non-Financial Factors
in Internal Credit Ratings”, Journal of Banking and Finance, vol. 29, no. 2,
pp. 509-531.
HILLEGEIST, S.A.; KEATING, E.K.; CRAM, D.P. y LUNDSTEDT, K.G. (2004), “Assessing the proba-
bility of bankruptcy”, Review of Accounting Studies, vol. 9, no. 1, pp. 5-34.
HOSMER, D.W. y LEMESHOW S. (1989), Applied Logistic Regression. New York: John Wiley
& Sons, Inc.
IRANZO, S. (2008), Delving into country risk. Madrid: Banco de España.
KARELS, G. and PRAKASH, A. (1987), “Multivariate Normality and forecasting of busi-
ness bankruptcy”, Journal of Business Finance & Accounting, vol. 14, no. 4,
pp. 573-592.
KALLUNKI, J.P.; MARTIKAINEN, T. and PERTTUNEN, J. (1996), “The proportionality of finan-
cial ratios: implications for ratios classifications”, Applied Financial Economics,
vol. 6, no. 6, pp. 535-541.
KLUGMAN, S.; PANJER, H. and WILLMOT, G. (2004), Loss Models: from Data to Decisions.
2nd Ed. New York: John Wiley & Sons Ltd.
KOH, H.C. (1991), “Model Predictions and Auditor Assessment of Going Concern Sta-
tus”, Accounting and Business Research, vol. 21, no. 84, pp. 331-338.
LAFFARGA, J.; MARTÍN, J. y VÁZQUEZ, J. (1985), “El análisis de la solvencia en las instituciones
bancarias: propuesta de una metodología y aplicaciones a la banca española”,
Esic-Market, no. 48, pp. 51-83.
192
BIBLIOGRAFÍA
LAFFARGA J.; MARTÍN, J.L. y VÁZQUEZ, M.J. (1991), “La predicción de la quiebra bancaria:
el caso español”, Revista Española de Financiación y Contabilidad, vol. 20,
no. 66, (enero-marzo), pp. 151-163.
LAITINEN, T. and KANKAANPÄÄ, M. (1999), “Comparative analysis of failure prediction me-
thods: the Finnish case”, European Accounting Review, vol. 8, no. 1, pp. 67-92.
LEE, S.H. y URRUTIA, J.L. (1996), “Analysis and Prediction of Insolvency in the Property-
Liability Insurance Industry: A Comparison of Logit and Hazard Models”, The
Journal of Risk and Insurance, vol. 63, pp. 121-130.
LIBBY, R. (1975), “Accounting ratios and the prediction of failure: Some behavioural
evidence”, Journal of Accounting Research, Spring, pp. 150-161.
LIOU, D.K. and SMITH, M. (2006), “Macroeconomic Variables in the Identification of Fi-
nancial Distress”, Working Paper. (May). Disponible en SSRN: http://ssrn.com/
abstract=900284
LIZARRAGA, F. (1997), “Utilidad de la información contable en el proceso de fracaso.
Análisis del sector industrial de la mediana empresa española”, Revista Española
de Financiación y Contabilidad, vol. 26, no. 93, pp. 871-915.
LLEO, S. (2009), “Risk management: a review”, Working Paper. The Research Founda-
tion of CFA Institute Literature Review.
LÓPEZ, J.; GANDÍA, J.L. y MOLINA, R. (1998), “La suspensión de pagos y en las PYMES: una
aproximación empírica”, Revista Española de Financiación y Contabilidad,
vol. 27, no. 94, pp. 71-97.
LÓPEZ, C.; GARCÍA, M. y TORRE, B. (2006), “Implicaciones financieras de la legislación
concursal: una comparativa europea”, Revista de Contabilidad, vol. 9, no. 18,
julio-diciembre, pp. 111-143.
LÓPEZ, D.; MORENO, J. y RODRÍGUEZ, P. (1994), “Modelos de predicción del fracaso em-
presarial. Aplicación a entidades de seguros en España”, Esic-Market, no. 84,
pp. 83-125.
MANZANEQUE, M.; BANEGAS, R. y GARCÍA, D. (2010), “Diferentes procesos de fracaso em-
presarial. Un análisis dinámico a través de la aplicación de técnicas estadísticas
cluster”, Revista Europea de Dirección y Economía de la Empresa, vol. 19,
no. 3, pp. 67-88.
MARAIS, M.; PATELL, J. y WOLFSON, M. (1984), “The Experimental Design of Classification
Models: An Application of Recursive Partitioning and Bootstrapping to Commer-
cial Bank Loan Classifications”, Journal of Accounting Research, (Supplement),
vol. 22, no. 1, pp. 87-118.
MCGURR, P.T. y DEVANEY, S.A. (1998), “Predicting business failure of retail firms: an
analysis using mixed industry models”, Journal of Business Research, vol. 43,
no. 3, pp. 169-176.
MENSAH, Y.M. (1984), “An examination of the stationary of multivariate bankruptcy
prediction models: A methodological study”, Journal of Accounting Research,
vol. 22, no. 1, pp. 380-395.
MERTON, R. (1974), “On the pricing of corporate debt: The risk structure of interest
rates”, Journal of Finance, vol. 29, no. 2, pp. 449-470.
MORA, A. (1994), “Los modelos de predicción del fracaso empresarial: una aplicación
empírica del Logit”, Revista Española de Financiación y Contabilidad, no. 78,
enero-marzo, pp. 203-233.
193
OHLSON, J. (1980), “Financial ratios and the probabilistic prediction of bankruptcy”,

Journal of Accounting Research, vol. 18, no. 1, pp. 109-131.
OOGHE, H.; JOOS, P. and DE BOURDEAUDHUIJ, C. (1995), “Financial distress models in Bel-
gium: the results of a decade of empirical research”, International Journal of
Accounting, vol. 30, no. 3, pp. 245-274.
PEEL, M.J., PEEL, D.A. y POPE, P.F. (1986), “Predicting Corporate Failure. Some Results for
the UK Corporate Sector”, The International Journal of Management Science,
no. 1, vol. 14, pp. 5-12.
PEEL, M.J. y Peel, D. A. (1987), “Some further empirical evidence on predicting private
company failure”, Accounting and Business Research, vol. 18, no. 69, pp. 57-66.
PÉREZ MÉNDEZ, J.A. (2004), “Los estados de flujos de fondos y su análisis”, Harvard
Deusto Finanzas y Contabilidad, no. 61, pp. 30-41.
PINA, V. (1989), “La información contable en la predicción de la crisis bancaria 1977-
1985 (estudio empírico)”, Revista Española de Financiación y Contabilidad,
no. 58, pp. 309-338.
PINA, V. (1992), “Estructura de la clasificación de ratios: principio de devengo vs. flujos
de caja”, Revista Española de Financiación y Contabilidad, vol. 21, no. 70,
pp. 9-27.
POSTON, M.A. y HARMON, W. (1994), “A Test Financial Ratios as Predictors of Turnaround
Versus Failure Among Financially Distressed Firms”, Journal of Applied Business
Research, vol. 10, no. 1, pp.41-57.
RIZZI, J.V. (1994), “Determining Debt Capacity”, Commercial Lending Review, vol. 9,
no. 2, pp. 25-34.
RODRÍGUEZ ACEBES, M.C. (1990), La Predicción de las Crisis Empresariales. Modelos
para el Sector de Seguros. Valladolid: Secretariado de Publicaciones, Universidad
de Valladolid.
RODRÍGUEZ FERNÁNDEZ, J.M. (1987), “Crisis en los bancos privados españoles: un modelo
logit”, II Jornadas de Economía Industrial, Madrid.
RODRÍGUEZ FERNÁNDEZ, J.M. (1989), “Análisis de las insolvencias bancarias en España: un
modelo empírico”, Moneda y Crédito, no. 189, pp. 187-227.
RODRÍGUEZ LÓPEZ, M. (2001), “Predicción del fracaso empresarial en compañías no finan-
cieras. Consideraciones de técnicas de análisis multivariante de corte paramétri-
co”, Actualidad Financiera, junio 2001, pp. 27-42.
ROMÁN, I.; De la Torre, J.M. y Zafra, J.L. (2001), “Análisis sectorial de la predicción del
riesgo de insolvencia: un estudio empírico”, XI Congreso AECA: Empresa, Euro
y Nueva Economía, Madrid, 26-28 septiembre (recurso electrónico).
RUBIO MISAS, M. (2008), “Análisis del fracaso empresarial en Andalucía. Especial
referencia a la edad de la empresa”, Cuadernos de CC.EE. Y EE., no. 54,
pp. 35-56.
SALKIND, N. (1998), Métodos de Investigación. New York: Prentice Hall.
SERRANO, C. y MARTÍN, B. (1993), “Predicción de la quiebra bancaria mediante el empleo
de redes neuronales artificiales”, Revista Española de Financiación y Contabi-
lidad, vol. 22, no. 74, pp. 153-176.
SHARMA, D.S. and ISELIN E.R. (2003), “The relative relevance of cash flow and accrual
information for solvency assessments: a multi-method approach”, Journal of
Business Finance & Accounting, vol. 30, no. 7 and 8, pp. 1115-1140.
194
BIBLIOGRAFÍA
SOMOZA, A. (2001), “La consideración de factores cualitativos, macroeconómicos y sec-

toriales en los modelos de predicción de la insolvencia empresarial. Su apli-
cación al sector textil y confección de Barcelona (1994-1997)”, Papeles de la
Economía Española, no. 89-90, pp. 402-426.
SOMOZA LÓPEZ, A. (2002), Modelos de predicción de la insolvencia: la incorporación
de otro tipo de variables en la gestión del riesgo de crédito. Madrid: AECA.
TAFFLER, R.J. (1982), “Forecasting Company Failure in the UK using Discriminant Analy-
sis and Finance Ratio Data”, Journal of the Roya1 Statistical Association, A 3,
pp. 342-358.
TAM, K.Y. and KIANG, M.Y. (1992), “Managerial Applications of Neural Networks: The
Case of Bank Failure Predictions”, Management Science, 38, pp. 926-947.
WARD, T.J. (1994), “Cash flow information and the prediction of financially distressed-
mining, oil and gas firms: a comparative study”, Journal of Applied Business
Research, vol. 10, no. 3, pp. 78-87.
WHALEN, G. (1991), “A Proportional Hazard Model of Bank Failure: An Examination of
its Usefulness as an Early Warning Model Tool”, Federal Reserve Bank of Cleve-
land Economic Review, pp. 21-31.
WHEELOCK, D.C. y WILSON, P.W. (2000), “Why do Banks Disappear? The Determinants
of U.S. Bank Failures and Acquisitions”, Review of Economics and Statistics,
vol. 82, pp. 127-138.
XU, M. and ZHANG, C. (2009), “Bankruptcy prediction: the case of Japanese listed com-
panies”, Review of Accounting Studies, Forthcoming.
ZAVGREN, C.V. (1985), “Assessing the vulnerability to failure of American industrial
firms: A logistic analysis”, Journal of Business, Finance and Accounting, Spring,
pp. 19-45.
ZHANG, G.P.; Hu, M.Y.; PATUWO, B.E. y INDRO, D.C. (1999), “Artificial neural networks in
bankruptcy predition: General framework and cross-validation analysis”, Euro-
pean Journal of Operational Research, vol. 116, no.1, pp. 16-32.
ZMIJEWSKI M, (1984), “Methodological Issues Related to the Estimation of Financia1
Distress Prediction Models”, Journal of Accounting Research, (supplement),
pp. 59-86.
195

Medición de Riesgo de Crédito. Desarrollo de Una Nueva Herramienta - Alvaro Caballo PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Medición de Riesgo de Crédito. Desarrollo de Una Nueva Herramienta - Alvaro Caballo PDF

Загружено:

Авторское право:

Доступные форматы

MEDICIÓN DE RIESGO

Esta editorial es miembro de la Unión de Editores Universitarias Españolas UNE,

© 2013 UNIVERSIDAD PONTIFICIA COMILLAS

© 2013 ÁLVARO CABALLO TREBOL

Impreso en España - Printed in Spain

ÍNDICE DE TABLAS ............................................................................................... 11

CAPÍTULO 1. INTRODUCCIÓN ........................................................................................ 19

CAPÍTULO 2. ANÁLISIS DE MODELOS DE FRACASO EMPRESARIAL ............................................ 27

CAPÍTULO 3. CONSTRUCCIÓN DE UN MODELO DE PREDICCIÓN DE IMPAGOS ........................... 49

4. Variables explicativas del modelo ............................................................. 63

6.3.3.1. Resultados R2 ........................................................... 115

CAPÍTULO 4. CONSTRUCCIÓN DE UN MODELO PARA LA DETERMINACIÓN DEL VOLUMEN DE

CAPÍTULO 5. U TILIZACIÓN CONJUNTA DE LOS MODELOS DE PROBABILIDAD DE IMPAGO

2.3. Zona 3 ................................................................................................ 161

CAPÍTULO 6. CONCLUSIONES ........................................................................................ 173

BIBLIOGRAFÍA ............................................................................................................. 189

Tabla 1. Resumen de ratios utilizadas ............................................................... 32

Tabla 27. Clasificaciones individuales de las submuestras ................................ 98

Tabla 61. Resultados tabla de clasificación modelo de Demirovic y Thomas

Figura 1. Distribución de las empresas de la muestra por sectores ............... 50

ASNEF: Asociación Nacional de Entidades de Financiación

RAI: Registro de Aceptaciones Impagadas

Esta investigación propone desarrollar dos modelos de análisis en el ries-

El objetivo perseguido con el primer modelo desarrollado en esta investi-

2. METODOLOGÍA UTILIZADA EN LA INVESTIGACIÓN

Para el desarrollo de esta investigación se ha realizado, en primer lugar,

FASE 1. OBTENCIÓN Y TRATAMIENTO DE DATOS EMPÍRICOS

son la base para la realización de la contrastación de ambos modelos y

FASE 2. DESARROLLO Y APLICACIÓN DEL MODELO DE PROBABILIDAD

y el modelo que resulta de incorporar las variables predictivas de los

La elección de los modelos propuestos para la comparación ha sido guiada

FASE 3. DESARROLLO Y APLICACIÓN DEL MODELO DE VOLUMEN DE

e importancia de las variables independientes así como la capacidad

FASE 4. ANÁLISIS CONJUNTO DE LOS DOS MODELOS PROPUESTOS

La estructura de la investigación se sigue de manera lógica de los objetivos

De modo análogo, el cuarto capítulo se dedica a la elaboración y desarrollo

ANÁLISIS DE MODELOS DE FRACASO EMPRESARIAL

Resulta fácil detectar una falta de consenso o de homogeneidad en todos

Una clasificación ya tradicional agrupa todos estos modelos en dos grandes

2. DIFERENTES INTERPRETACIONES DEL CONCEPTO DE FRACASO EMPRESARIAL

Uno de los aspectos básicos del problema tratado se encuentra en el con-

Una de las limitaciones que surgen al considerar el fracaso empresarial

3. VARIABLES EXPLICATIVAS EN LOS DIFERENTES MODELOS DE PREDICCIÓN DEL FRACASO

La falta de consenso al determinar la variable dependiente en los modelos

y a continuación se procede a enunciar algunos datos significativos en la evo-

Activo corto plazo

plazo) / Pasivo total

Altman et al. (1977)

Casey, Bartczak (1985)

Laffarga et al. (1985)

Frydman et al. (1985)

Rodríguez Fernández (1987 y 1989)

Gilbert et al.( 1990)

López et al. ( 1994)

Altman et al. (1995)

Kallunki et, al (1996)

Gallego et al. (1997)

Ferrando, Blanco (1998)

López et al. (1998)

Laitinen, Kankaanpää (1999)

Rodríguez López (2001)

Abad et al. (2003)

Sharma, Iselin (2003)