DISEÑO DE ESTRATEGIAS EN MOMENTOS DE INCERTIDUMBRE
Presentacion TFM 20.09.2011
1. Revisión de los Modelos de Previsión de Insolvencia (MPI) empresarial TFM – MGEPS2009/2011 Vicente J. Casanova
2. Índice Introducción Objetivos Modelos de Previsión de Insolvencia (MPI) Incorporación variables Cualitativas en los MPI Incorporación de la Variable Innovación en el MPI de Kanitz Conclusiones
5. Las repercusiones socioeconómicas que lleva asociadas el fracaso empresarial han generado un constante interés por tratar de encontrar indicadores que permitan anticipar las situaciones de crisis empresarial, de forma que se puedan tomar medidas correctoras que eviten el fracaso financiero y la desaparición de la empresa.4
6.
7. Las insolvencias judiciales alcanzaron su máximo trimestral en el segundo trimestre de 2009, que registró la presentación de 1.741 concursos.5
8.
9. A lo largo de los últimos treinta años han sido cuantiosos los intentos de construcción de un modelo que a partir de la información contable de la empresa permitiese anticipar estas situaciones.6
10.
11. Incluso se ha llegado a afirmar que los resultados obtenidos con técnicas de análisis y bases de datos cada vez más refinadas y complejas no han sido capaces de superar, en eficiencia, los resultados obtenidos en su día por Edward Altman(Altman, 1968) y Taffler (Taffler, 1982), los considerados padres de la previsión de insolvencia empresarial (Correa y Acosta, 2003)7
12.
13. Por ello ha incluido entre sus principales líneas de actuación el desarrollo de sistemas de alerta temprana del fracaso para la reducción de los concursos de empresas de la UE.8
15. 2. Objetivos El presente trabajo se enmarca dentro del Máster en Gestión de Empresas, Productos y Servicios (MGEPS), como Tesina Final de Máster y pretende cumplir con dos objetivos: Por una parte describir y valorar los métodos existentes de previsión de insolvencia, centrando nuestra atención en aquellos que utilizan modelos discriminantes múltiples y dejando patente la necesidad de incorporar variables cualitativas en estos modelos de previsión. Y en segundo lugar, demostrar que la precisión y la utilidad estos modelos de previsión de fracaso, aumentan al introducir en ellos variables cualitativas que explican mejor la naturaleza de la empresa y su situación. 10
16.
17. Art 2. Efecto de la incorporación de la variable INNOVACIÓN al Modelo de Kanitz para la previsión del fracaso empresarial11
19. 3. Modelos de Previsión de Insolvencia (MPI) Modelos de Previsión de Insolvencia (MPI) Concepto de Insolvencia o Fracaso Empresarial Modelos de Previsión de Insolvencia
20.
21. Cuando presenta concurso de acreedores, suspensión de pagos o quiebra (Lizarraga, 1997; Ferrando y Blanco, 1998; López et al., 1998; Román et al. 2001; Gómez et al., 2008)
22. Cuando en el plazo a partir de los tres meses del vencimiento de un crédito no se satisface el nominal y/o los intereses (García, Arqués y Calvo-Flores, 1995).
23. Cuando incurre en quiebra técnica (Rubio, 2008), entendiendo como tal el Patrimonio Neto contable negativo (Correa et al., 2003) es decir, técnicamente que el valor de su pasivo exigible supere, desde el punta de vista contable, al total de sus activos (fondos propios negativos) (Alicia Correa Rodríguez, Miguel Acosta Molina, 2003) 14
24.
25. Graveliney Kokalari (2008) mencionan tres grupos de conceptos: Una empresa fracasa o es fallida cuando:Deja de pagar una o varias de sus deudas, aunque sea de forma temporal. Reúne las condiciones previstas en la normativa vigente sobre quiebra (o procedimientos similares). Su situación patrimonial muestra un valor reducido en los activos o una escasez de tesorería que pueden desencadenar el fracaso. 15
26. 3. Modelos de Previsión de Insolvencia (MPI) Insolvencia o Fracaso Empresarial En las últimas definiciones se percibe una evolución de los trabajos hacia la predicción del fracaso empresarial o de las situaciones de insolvencia. Se vislumbra el objetivo de detectar en la situación patrimonial actual el origen del futuro fracaso. (Tascón, 2010) 16
27.
28.
29. El tiempo medio de reacción ante una crisis empresarial es de entre 12 y 18 meses desde que se dan los primeros síntomas (Gómez, 2002). En algunos casos es tiempo suficiente para que la situación sea irreversible. Contar con modelos de previsión de insolvencia o fracaso empresarial que hagan este periodo más amplio, dando mayores posibilidades de supervivencia a la empresa.
30. En caso de no actuar dentro de un margen razonable de tiempo, se corre el riesgo de crear una crisis interna complementaria a la externa y que lastraría todavía más a la empresa y la abocaría con mayor celeridad al fracaso.18
31.
32. Esta alternativa fue rápidamente sustituida por un enfoque multivariable que se adecuaba mejor al carácter multidimensional de la empresa.
33. A partir de ahí aparecieron los primeros modelos basados en el análisis discriminante múltiple que consiste en obtener, a través de un vector de atributos o variables explicativas, una puntuación o valor Z a partir de la cual se fija un punto que delimita la frontera límite entre empresas sanas y fracasadas19
34.
35. Le siguieron otros modelos similares, como el de Kanitz, Elisabetsky, Matia, Pereira, Fulmer, Springate, CA-SCORE, entre otros.20
47. X5 = VENTAS / ACTIVO TOTAL1BAIT = Beneficios Antes Intereses e Impuestos 22
48.
49. El modelo considera que si el resultado de Z se encuentra entre 1.82 y 2.98 las empresas se encuentran en una "zona gris" o zona de penumbra.SANAS INSOLVENTES ZONA GRIS 2,99 1,81 23
50.
51. 3. Modelos de Previsión de Insolvencia (MPI) Modelos de Previsión de Insolvencia Grado de Precisión de algunos de los Modelos de Previsión de fracaso presentados (elaboración propia) 25
55. A pesar de la apariencia de que el método matemático o estadístico o la técnica utilizada pueden ser la clave de estos métodos, realmente la selección de las variables más adecuadas para valorar el riesgo de insolvencia empresarial es la parte fundamental para alcanzar y validar resultados.
56. El problema radica en considerar variables significativas y relevantes que discriminen adecuadamente el objeto de estudio.28
57.
58.
59. En base al repaso a los trabajos más relevantes que han estudiado el fenómeno del fracaso empresarial se presentan indicadores agrupados en seis categorías: rentabilidad, estructura económica, estructura financiera, solvencia y liquidez, tasas de participación sobre valor añadido y productividad y crecimiento.
60. Sin embargo, numerosos estudios previos critican las variables financieras (endeudamiento, liquidez, rentabilidad, etc.) como la principal causa o consecuencia del fracaso de la empresa.30
61.
62.
63. Tal y como concluyó, los negocios exitosos contaban con un mayor uso de personal profesional externo y desarrollaban más planes de negocio específicos, mientras que los negocios fracasados aunque tenían mayor nivel formativo, tenían más dificultades con la gestión del personal cualificado.32
64.
65. 4. Incorporación variables Cualitativas en los MPI Estado de la subcontratación y las exportaciones (Becchetti y Sierra, 2002a) Existencia de una estrategia de negocio creíble a largo plazo (Lehmann, 2003) Experiencia de gestión (Lussier y Halabí, 1994), (Lehmann, 2003) Habilidades sociales y calidad de liderazgo (Lehmann, 2003) Motivación del propietario (Hall, 1996) Presencia de grandes competidores en la misma región (Becchetti y Sierra, 2003), Relación con los bancos (Hall, 1996) Subcontratación de estado (Becchetti y Sierra, 2002a) Nivel de diversificación, rentabilidad de la industria, tasa de crecimiento del sector, cuota de mercado y grado de diversidad de empresas (Sheppard, 1994). 34
66.
67. En el siguiente paso trataremos de demostrar este hecho, aplicándolo a un caso concreto: incorporando la variable Innovación en el Modelo de Previsión de Insolvencia de Kanitz, y valorando el efecto que este cambio supone en su precisión.35
71. Fruto de su trabajo junto a las empresas y el de su investigación, elaboró un modelo de previsión de fracaso empresarial, también llamado factor de falencia.
72. Se ha elegido este modelo porque la información financiera necesaria para su construcción se puede identificación claramente en los balances públicos de las empresas además tiene un ratio más que aceptable de precisión (74%).38
80. En aquella época, inicio de la década del 70, KANITZ aplicó su modelo en las 500 mayores y mejores empresas brasileras. La empresa seleccionada como la mejor del año presentaba un factor de fracaso (Y) igual a “10”, en tanto que otra con factor igual a “-2.6” pidió concurso de acreedores al año siguiente, con un factor de fracaso igual a “-7”.40
81.
82. Posteriormente, Se ha tomado como base la deconstrucción del Modelo de Kanitz llevada a cabo por Kassai (Kassai, 2007), que descomponía este modelo en las variables y coeficientes que conforman un modelo de regresión estadístico.
83. A partir de él introduciendo una nueva variable que representará la capacidad innovadora de la empresa gastos en innovación se ha procedido a reproducir un nuevo modelo, obteniendo una nueva clasificación de las empresas.41
84.
85. Después de algunas depuraciones se ha obtenido una muestra de 7079 empresas suecas con valores válidos para la variable “Gastos de Innovación” que figura en la información que ofrece la base de datos AMADEUS1 (estos valores incluían el valor cero).1 En realidad figura el ratio “R&D Expenditures/Revenues”, a partir del cual es sencillo extraer los gastos que la empresa dedica a Innovación. 42
86.
87. Tal y como predecía el marco teórico, la precisión del modelo de Kanitz ha sido del 72,30% 74% previsto.43
90. Es decir una mejora en la precisión de 4,53 puntos en el grado de precisión en (year-3), esto es, que el modelo clásico se comporta mejor a tres años vista de la situación de fracaso, lo cual da un mayor margen de reacción a los gestores de las empresas para tomar las acciones oportunas para corregir la tendencia.44
93. Es decir una reducción de 7,88 puntos en el grado de precisión. Es evidente que en este caso la introducción de la variable “Gastos de Innovación” no mejora la precisión del modelo.45
96. Es decir una mejora de 16,17 puntos en el grado de precisión.
97. Es evidente que en este caso la introducción de la variable Innovación mejora la precisión del modelo permitiendo acotar con mayor exactitud el foco de atención, y hacerlo con mayor horizonte temporal para tomar las medidas oportunas.
101. De hecho, los actuales sistemas de creditscoring utilizados por el sector bancario están desarrollados sobre la base de alguno de estos modelos de previsión de insolvencia.48
102.
103. La información no financiera es particularmente apropiada cuando se estudia la situación de una empresa y debe formar parte del conjunto de variables a analizar cuando se estudia el fracaso de cualquier compañía. Algunos estudios que combinan variables cualitativas y cuantitativas llegan a tasas de predicción de hasta el 90%.49