Procesos de fracaso empresarial. Identificación y contrastación empírica. Cristina Abad. Ayudante. Universidad de Sevilla. [email protected] José Luis Arquero. Profesor Titular de Universidad. Universidad de Sevilla. [email protected] Sergio M. Jiménez. (Director) Profesor Titular de Universidad. Universidad de Sevilla. [email protected] Dirección para correspondencia: José Luis Arquero Montaño Ramón y Cajal, Nº 1 Facultad de Ciencias Económicas y Empresariales Departamento de Contabilidad y Economía Financiera Universidad de Sevilla 41018 Sevilla Tel. 954557604. Fax. 954557569. Área temática: Información financiera. (Análisis de estados financieros). Palabras clave. Fracaso empresarial, calidad de la información financiera, síndromes de fracaso. Este trabajo ha sido realizado en el marco de la 2º Edición de Ayudas a la Investigación en Contabilidad y Administración de Empresas y del sector Público. AECA. Procesos de fracaso empresarial. Identificación y contrastación empírica. RESUMEN La investigación sobre fracaso empresarial pretende diseñar modelos capaces de predecir qué empresas fracasarán en el futuro. Los modelos obtenidos no han sido aplicados en la práctica, al mostrar inestabilidad y tasas de éxitos inadecuadas en contextos diferentes a los iniciales. Para explicar esto, se ha sugerido que (I) las empresas con problemas manipulan la información contable para maquillar su imagen, (II) las técnicas estadísticas, en ausencia de una teoría del fracaso, sobreajustan los modelos predictivos, y (III) no existe un único proceso de fracaso. Así, los objetivos del trabajo son investigar, para un conjunto de empresas fracasadas españolas: (I) la calidad de su información contable, (II) las diferencias entre empresas fracasadas y sanas, y (III) la existencia de diferentes síndromes que conducen al fracaso. - 1 - Procesos de fracaso empresarial. Identificación y contrastación empírica. 1. Introducción A finales de los sesenta Altman publicó su famoso Z-score, que mide la proximidad de una empresa al fracaso financiero. El Z-score es un modelo multivariante lineal elaborado explotando las diferencias estadísticas observadas entre las empresas pertenecientes a dos muestras distintas (fracasadas y no fracasadas), emparejadas por tamaño y sector. Su éxito al pronosticar el fracaso (superior al 90% en la muestra de control, al 80% en una muestra de empresas de bajo rendimiento y al 70% dos años antes del fracaso) supuso una revolución en la investigación contable que, en aquellos momentos, se estaba planteando “la eliminación del análisis mediante ratios como técnica analítica para evaluar el rendimiento de las empresas” (Altman, 1968, p. 589). A pesar de su éxito predictivo, Altman advirtió que el Z-score ni explica por qué algunas empresas fracasan ni reproduce la estrategia de decisión de los analistas, aunque permite aumentar la eficiencia del esfuerzo de análisis, al reducir el tiempo dedicado a las empresas con una probabilidad de quiebra muy alta o muy baja y aumentar el dirigido a evaluar las que se encuentran en la “zona gris”. Durante los siguientes 30 años, el esfuerzo dirigido a la mejora del Z-score fue impresionante. El diseño experimental de Altman se aplicó a otros períodos, sectores y países, empleando técnicas estadísticas, variables, horizontes temporales y diseños muestrales idénticos o levemente diferentes1 . Sin embargo, no sufrieron alteraciones sustanciales ni el diseño experimental ni el enfoque instrumental que lo sustentaban. Sistemáticamente se compararon muestras de empresas fracasadas y no fracasadas y se calificaban como aceptables los modelos que proporcionasen un éxito clasificatorio comparable al obtenido por el Z-score. La elección del modelo y de las variables discriminantes se consideraron asuntos empíricos, que debían resolverse siempre en favor de aquellos que mostrasen un mayor éxito clasificatorio. Durante todos estos años, parece que los investigadores creyeron que la identificación del modelo predictivo definitivo estaba tan próxima que podía justificarse el empleo de técnicas estadísticas inadecuadas, de “minería de datos” o la ausencia de una teoría del fracaso (Belkaoui, 1980). El modelo definitivo surgiría al emplear otras variables, otras técnicas estadísticas o muestras más homogéneas. En 1982, la confianza en lograr un modelo predictivo definitivo era tan grande que se jugaba con la idea de sustituir los criterios profesionales (o directamente a los profesionales) por modelos matemáticos (Ashton, 1982 y Libby y Lewis, 1982). Ciertamente, la crisis del diseño experimental típico (evidente si observamos la reducción de la literatura sobre el tema) no sobrevino por ninguna de las razones expuestas en el párrafo anterior, sino por ser incapaz de proporcionar modelos estables (los propuestos por cada investigador para cada período, sector o país son diferentes) y con tasas de éxito adecuadas en muestras de control. En estas circunstancias el fin instrumental se incumple, debido al riesgo que entraña el empleo sistemático y automático de los modelos en decisiones en las que sólo resulta admisible una pequeña tasa de error. Desde luego, tampoco contribuye a su popularidad entre los profesionales el que las decisiones propuestas no puedan justificarse, ni en base a la doctrina financiera ni empleando las políticas de decisión usualmente aceptadas en las instituciones financieras. 1 Pueden encontrarse revisiones de la literatura en Altman (1983), Zavgren (1983), Jones (1987), Laffarga (1993), García-Ayuso (1994) y Laffarga y Mora (2002). - 2 - Obviamente, la necesidad de contar con instrumentos que permitan estimar el riesgo de fracaso no se ha reducido con la crisis del diseño experimental. Es más, los acuerdos de Basilea II parecen estar incrementando el interés de las instituciones financieras en contar con métodos rigurosos para evaluar la probabilidad de impago. La entidad que los posea, y permita el control de su estrategia de gestión de riesgos por el supervisor, puede obtener ventajas en el cálculo del capital mínimo. Por ello, parece justificado que intentemos superar los obstáculos que impiden el desarrollo de modelos estables con un éxito clasificatorio aceptable. Algunos autores alegan que uno de estos obstáculos estriba en la posibilidad de que algunas empresas, que están experimentando tensiones financieras o formas leves de fracaso, manipulen la información contable para aumentar la confianza del público (Beaver, 1968 y Wilcox, 1971), probablemente alterando las magnitudes más populares en el análisis financiero. Otros afirman que las técnicas estadísticas sobreajustan los modelos predictivos para alcanzar el máximo éxito clasificatorio en la muestra, reduciendo su validez externa (por ejemplo, Hair et al., 1999). Por último, se argumenta que las empresas parecen seguir diferentes procesos que desembocan en el fracaso financiero (Laitinen, 1991 y 1993). El problema de la fiabilidad podría resolverse empleando estados contables auditados (sin salvedades o ajustados por las salvedades). Esta restricción no supondría la modificación del diseño experimental típico, aunque: a) impediría el desarrollo de modelos aplicables a las empresas más pequeñas y el empleo de grandes bases de datos sin cuestionarse su fiabilidad, y b) exigiría que se depurasen los datos de las empresas fracasadas, que frecuentemente presentan informes de auditoría con salvedades. En nuestra opinión, esta restricción confinaría la aplicación del análisis contable o financiero a un contexto que nunca debería abandonar: aquél en el que se cuenta con información contable fiable. El objetivo de maximizar el éxito predictivo ha incentivado que los investigadores contrasten de forma sistemática, normalmente sin el adecuado soporte teórico, la capacidad predictiva de numerosas variables y modelos. En estas circunstancias, es probable que el modelo seleccionado esté significativamente influido por relaciones estadísticas espurias existentes en la muestra de empresas (Zavgren, 1983). Este problema, que se manifiesta en la escasa validez externa de los modelos predictivos, recibe el nombre de sobreajuste o sobreespecificación y sólo puede afrontarse eficazmente rechazando el instrumentalismo puro. Es decir, aceptando que las variables y/o los modelos contrastados deben estar soportados por teorías a priori del fenómeno. Según Laitinen (1991), parte de las inexactitudes de los modelos predictivos surgen de la hipótesis incorrecta, subyacente al diseño experimental típico, de que todas las empresas que fracasan siguen un proceso común. Si, por el contrario, las empresas siguieran diferentes procesos o síndromes conducentes al fracaso, el éxito clasificatorio de cada modelo, en el mejor de los casos, sólo podría reproducirse en muestras de control que contuvieran una combinación de procesos similar al de la muestra experimental. En el peor, y en nuestra opinión más probable, el intento de capturar, con un único modelo, diferentes procesos de fracaso, ocasionaría la elección de variables o modelos espurios. Aunque la idea de que el fracaso puede seguir diferentes procesos o síndromes aparece ya en Argenti (1976) y en Pérez Carballo (1983), no ha sido desarrollada por la literatura contable. Los objetivos de este trabajo son evaluar, para un conjunto de empresas españolas fracasadas: • La calidad de su información contable y, por lo tanto, si es razonable emplearla sin cuestionarse su fiabilidad. - 3 - • Las diferencias observadas entre empresas fracasadas y sanas. • Las razones del fracaso de cada empresa en particular y la existencia de diferentes procesos que conducen al fracaso. En el siguiente apartado se describe el proceso y criterios de selección de la muestra de empresas fracasadas. Posteriormente, en el apartado tercero, se estudia el efecto de las salvedades valoradas en los informes de auditoría de las empresas fracasadas sobre las variables típicamente empleadas en el análisis financiero. Una vez realizados los ajustes oportunos en la muestra de empresas fracasadas, en el cuarto apartado se compara la muestra de empresas fracasadas con una muestra de empresas sanas. A partir de los resultados del análisis de cada una de las empresas fracasadas, en el apartado quinto se identifican síndromes conducentes al fracaso, agrupando las empresas fracasadas. Este agrupamiento es confirmado, en el apartado sexto, mediante el uso de diferentes técnicas estadísticas. Por último, se presentan las conclusiones y la bibliografía relevante. 2. Selección de la muestra de empresas fracasadas A partir de los datos contenidos en las bases de datos de Baratz (resúmenes de noticias de prensa) y SABE (información comercial) se elaboró una lista de empresas españolas no financieras que habían suspendido pagos. Para formar parte de la muestra de empresas fracasadas, a las anteriores se les exigió los siguientes requisitos: • La suspensión de pagos debió solicitarse en el período 1996-1999. No se aceptaron posteriores con el objetivo de que, por cada empresa fracasada, pudiera identificarse una sana del mismo sector, tamaño y período que no hubiese suspendido pagos, quebrado o desaparecido tres ejercicios después del último empleado en el análisis. La fecha de solicitud de la suspensión de pagos se obtuvo de Baratz. Todas las restricciones fueron superadas por 46 sociedades, de las que 13 presentaron la solicitud de suspensión en 1996, 10 en 1997, 13 en 1998 y 10 en 1999. • Que se dispusiera de los datos contables de los tres ejercicios publicados inmediatamente antes de que se solicitase la suspensión de pagos. A estos efectos, se consideró que los datos contables habían sido publicados con anterioridad a la suspensión de pagos si se referían a un período cerrado al menos seis meses antes de la fecha de la solicitud. Estos requisitos hacían aconsejable eliminar a todas las empresas que presentaron la solicitud de suspensión de pagos antes de 1996, puesto que los datos contenidos en SABE anteriores a 1992 son escasos. Recordemos que hasta 1992 las empresas no estaban obligadas a depositar sus cuentas anuales en el Registro Mercantil en los formatos actuales. En la muestra, el último ejercicio económico se cerró, de media, 11 meses antes de solicitar la suspensión de pagos (mínimo de 6 meses y máximo de 17 meses). • Que hubiese constancia de la existencia de informes de auditoría que nos permitieran evaluar la calidad de la información contable proporcionada por el balance y la cuenta de pérdidas y ganancias. Este dato es proporcionado por SABE, aunque también puede obtenerse en el Registro Mercantil. • Que Baratz o los informes de auditoría de los ejercicios precedentes, no informen de otras suspensiones de pagos, quiebras o interrupciones de actividad de la sociedad anteriores a la suspensión de pagos que se estudia. El objetivo de este requisito es evitar la contaminación de la muestra, lo que se produciría si no pudiésemos identificar indubitadamente el momento en el que se produce el fracaso. - 4 - • Que en el momento de la suspensión de pagos o, si Baratz no proporcionaba este dato, al final del ejercicio precedente, los pasivos ajenos reconocidos fuesen relevantes (arbitrariamente se estableció un límite inferior de 6 millones de euros). 3. Calidad de la información: Efectos de los ajustes de auditoría sobre las variables descriptivas de la muestra de empresas fracasadas La muestra de empresas fracasadas presenta una frecuencia inusualmente elevada de informes de auditoría con salvedades e incertidumbres (48%) y con opiniones negativas o sin opinión (15%). De las 138 observaciones (tres por cada una de las 46 empresas de la muestra), 26 (aproximadamente el 20%) tenían informes de auditoría con salvedades valoradas, es decir, párrafos intermedios que cuantificaban el efecto sobre los estados contables de los errores o incumplimientos de las normas y principios de contabilidad. Las salvedades valoradas permiten ajustar los estados contables y estudiar el efecto de los errores o incumplimientos sobre los indicadores más populares del análisis financiero. Para evaluar el efecto de los ajustes sobre estas 26 observaciones se elaboró una serie de variables descriptivas. En la tabla 1 se observa que los ajustes afectaron al valor medio de la mayoría de estas variables (todas las tablas se encuentran al final del documento). De 58, sólo 7 variables no se vieron alteradas por los ajustes. Estas son el activo extrafuncional (V06), la financiación negociada a corto plazo (V07), la tesorería (V10), el período medio de maduración de sumistradores (V22), el ratio anticipo a proveedores/proveedores (V24), los gastos financieros por intereses (V34) y los otros gastos de explotación (V71). En alguno de los casos, el efecto de los ajustes parece ser significativo a primera vista. El patrimonio neto medio (V30), que era positivo en los estados contables originales, se convierte en negativo tras los ajustes (el número de observaciones con patrimonio neto negativo pasa de 1 a 11 tras los ajustes). Este cambio de signo afecta tanto al ratio de apalancamiento (V63) como a las rentabilidades financieras (V53, V55, V56). En el caso de las rentabilidades financieras (rentabilidad financiera neta-V53, rentabilidad financiera bruta-V55 y rentabilidad financiera bruta ordinaria -V56), puede observarse que la media pasa de ser negativa a positiva, debido al cambio del signo de los fondos propios. En la muestra ajustada es más frecuente que la rentabilidad financiera sea positiva por el simple hecho de que los resultados y los fondos propios son ambos negativos (por ejemplo aunque las observaciones con pérdidas pasan de 19 a 21, la rentabilidad financiera neta pasa de ser negativa en 18 observaciones a ser negativa sólo en 13). Algo similar ocurre con las coberturas flujo de los pasivos ajenos no espontáneos (V18, V39 y V40), cuyo valor medio es difícil de interpretar debido a que parte de la muestra presenta fondos generados ordinarios negativos (13 antes de los ajustes y 15 después). A continuación, aplicamos test de Wilcoxon (por parejas, o paired) para contrastar la significatividad estadística de las diferencias observadas entre los valores originales y los ajustados. Se prefirió un test no paramétrico, que evita presumir que la distribución de las variables es normal y puede emplearse en muestras más pequeñas. Los resultados obtenidos se muestran igualmente en la tabla 1. Entre las variables más relacionadas con la liquidez (de V01 a V25), se encontraron diferencias estadísticamente significativas en las siguientes: activo circulante (V01; sig: 0,001), activo circulante funcional (V05; sig: 0,001), fondo de maniobra (V11; sig: 0,001), capital circulante típico - 5 - (V12; sig: 0,001), ratio de circulante (V13; sig: 0,001), ratio quick (V15; sig: 0,001), fondos generados ordinarios (V17; sig: 0,009) y ratio defensivo (V25; sig: 0,001). En todas estas variables, los rangos negativos son iguales o superiores al 50% de las observaciones, indicando que estas variables parecen ser sistemáticamente manipuladas para proporcionar valores más altos. También se encontraron diferencias significativas en el período medio de maduración de clientes (V20; sig: 0,012). De nuevo, el porcentaje de rangos negativos señala que los valores ajustados son menores, aunque la frecuencia con la que es manipulado es menor (30,8% de las 26 observaciones). Entre las variables más relacionadas con la solvencia (de V26 a V43), se encontraron diferencias estadísticamente significativas en las siguientes: activo total (V26; sig: 0,000), patrimonio neto (V30; sig: 0,000), activo / pasivo ajeno (V36; sig: 0,000) y cobertura de intereses (V41; sig: 0,020). Todos ellos muestran una proporción elevada de rangos negativos (superior al 75% en los tres primeros casos), indicando que estas variables parecen ser sistemáticamente manipuladas para proporcionar valores más altos. También se aprecian diferencias en dos variables relacionadas con las amortizaciones (la proporción de inmovilizado amortizado; V42, sig: 0,028 y el porcentaje de amortización; V43, sig: 0,011). Ambos valores son mayores tras los ajustes, aunque la frecuencia con la que estas magnitudes son modificadas es menor (aproximadamente el 30%). Entre las variables más relacionadas con la rentabilidad (de V46 a V73), se encontraron diferencias estadísticamente significativas a un 5% en las siguientes variables: resultado del ejercicio (V46), resultado antes de impuestos (V47), resultados ordinarios (V48) y BAIT (V50). Como consecuencia, también se aprecian diferencias significativas para algunas rentabilidades: la rentabilidad económica (V57; sig: 0,014), la rentabilidad de las actividades típicas (V59; sig: 0,016), las rotaciones sobre activos funcionales (V62; sig: 0,000) y el diferencial rentabilidad económica menos coste medio del pasivo (V73; sig: 0,017). En las variables anteriores, excepto en las rotaciones, los rangos negativos son altos y muy superiores a los positivos (son siempre superiores al 45% y, al menos, triplican a los positivos). Al contrario de lo que ocurría en las variables citadas en los dos párrafos anteriores, en estas también aparecen rangos positivos. La única variable en la que se aprecia diferencias significativas y rangos mayoritariamente positivos (77%) es la rotación sobre activos funcionales (V62). Estos rangos positivos indican que las rotaciones ajustadas son superiores a las originales. Este fenómeno, dada la escasa variación de los ingresos de explotación, parece deberse al mayor valor de los activos en las variables originales. No se aprecian diferencias estadísticamente significativas en la rentabilidad financiera neta (V53), en la rentabilidad financiera bruta (V55) y en la rentabilidad financiera bruta ordinaria (V56), probablemente debido a que el ajuste (reducción) de los beneficios se compense con el ajuste (reducción e incluso cambio de signo) del patrimonio neto. Por último, debemos destacar la dificultad de interpretar algunas variables. Este es el caso de la rentabilidad financiera en aquellas empresas cuyo patrimonio neto es negativo. La incidencia de este efecto es escasa en el año –3 (en el que sólo 2 de los 41 elementos muestra un patrimonio neto negativo), pero aumenta de forma significativa conforme se aproxima la fecha de la suspensión de pagos. Así, en el año –2 son 8 y en el año –1 son 10. La consecuencia es que la rentabilidad financiera carece de sentido económico en una proporción creciente de las empresas fracasadas. Si deseamos continuar empleando esta variable en el análisis debiéramos considerar su valor en estas observaciones como valores perdidos. El problema es que, al hacer esto, perdemos un volumen de información importante. Para resolver parcialmente este problema se desarrolló la variable 73 (rentabilidad económica – coste medio del pasivo ajeno) que, si bien no tiene una interpretación tan - 6 - clara como la rentabilidad financiera, evita sus problemas y nos proporciona una idea de la eficiencia con la que se emplean los recursos. 4. Comparación empresas sanas / fracasadas De las 46 sociedades que constituían la muestra hasta este momento, se desecharon cinco porque sus informes de auditoría eran de no opinión o de opinión negativa en, al menos, dos de los tres ejercicios anteriores a la suspensión de pagos. Estos elementos no se eliminaron por considerar que no era rentable invertir en ellos, sino por evitar que sus datos, probablemente manipulados, afectaran a la investigación. A partir de este momento, se emplearán los datos ajustados de las observaciones que habían recibido salvedades valoradas. Tras estas modificaciones, la muestra estaba formada por 41 empresas fracasadas, de las cuales 9 solicitaron suspensión de pagos en 1996, 9 en 1997, 13 en 1998, y 10 en 1999. Por cada empresa fracasada se eligió una empresa que cumpliese las siguientes restricciones: • Fuese del mismo sector, es decir, coincidiera en los primeros cuatro dígitos del CNAE93. • Tuviese similar tamaño, medido por el activo total y la cifra de negocios. • Los estados contables de los ejercicios que se comparan estuviesen auditados sin salvedades y disponibles en SABE. • No hubiesen suspendido pagos, quebrado o desaparecido en los tres ejercicios siguientes al último empleado en la comparación2. Se identificaron 40 empresas que cumpliesen estas condiciones. Para una de las empresas fracasadas fue imposible encontrar otra sana que cumpliese con las características anteriores. Una parte importante de las variables utilizadas hasta el momento eran valores absolutos expresados en unidades monetarias. Su uso en un análisis comparativo, o en una prueba estadística, introduciría un efecto tamaño que haría difícil la interpretación de los resultados obtenidos. Para evitar este problema, todas las variables descriptivas fueron convertidas en ratios. El siguiente paso es comparar, para este conjunto de ratios, si existen diferencias entre las empresas fracasadas y las empresas sanas. Del amplio elenco de pruebas estadísticas disponibles, consideramos de nuevo que el test de Wilcoxon por parejas es la prueba adecuada. Puesto que las diferencias entre las empresas sanas y fracasadas pueden manifestarse sólo temporalmente, se efectuaron diferentes segmentaciones. En la tabla 2, se presenta el valor de significación del test para cada distancia y ratio. Considerando a la vez todos los períodos, los resultados indican diferencias significativas para la práctica totalidad de ratios (sólo para 8 no se obtuvieron diferencias significativas). De ellos, los más interesantes son los que muestran de forma consistente diferencias significativas (resaltados en negrita en la tabla 2). Mostraron consistentemente diferencias significativas los siguientes ratios: R02 (pasivo circulante / activo total), R05 (financiación negociada a corto plazo / activo total), R08 (fondo de maniobra / 2 Puesto que las últimas suspensiones estudiadas se produjeron en 1999, no se analizó ningún ejercicio posterior a 1998. Ello nos permite confirmar que las empresas sanas emparejadas con las últimas en suspender seguían presentando, a final de 2001, sus cuentas anuales y seguían siendo consideradas activas por SABE en esa fecha. En agosto del 2002 Baratz tampoco contenía información de la suspensión de pagos de ninguna de las empresas consideradas sanas. - 7 - activo total), R10 (activo circulante / pasivo circulante), R13 (tesorería / pasivo circulante), R14 (fondos generados ordinarios (tras impuestos) / ingresos de explotación), R15C (ratio de cobertura de deuda a corto plazo modificado3), R17 (periodo medio de maduración de clientes), R23 (patrimonio neto / activo total), R24 (financiación negociada / activo total), R28C y R29C (ratios de cobertura de la deuda modificados3), R30 (ratio de cobertura de intereses), R39 (rentabilidad económica), R41 (rentabilidad económica de las actividades típicas), R43 (margen sobre ventas), R53 (otros gastos de explotación / ingresos de explotación) y R54 (rentabilidad económica – coste medio pasivo). Puede observarse que los ratios que fueron corregidos (R15C, R28C y R29C) muestran diferencias significativas y consistentes. En sus valores originales, las variables R15, R28 y R29 sólo mostraban diferencias significativas para el periodo completo. También es de destacar que el diferencial rentabilidad económica-coste medio del pasivo ajeno mostró mejores propiedades que las rentabilidades financieras, probablemente perjudicadas por la aparición de patrimonios netos negativos en algunos elementos de la muestra de empresas fracasadas. A continuación, analizamos si, en los ratios que mostraban una diferencia sistemática y consistente en la prueba de Wilcoxon, las diferencias estaban sesgadas en una u otra dirección. Para ello, calculamos el porcentaje de veces que la diferencia entre el valor del ratio para la empresa fracasada menos el correspondiente a su pareja sana tenía uno u otro signo. En la tabla 3 aparecen estos resultados, calculados, en primer lugar, para el conjunto de todos los años y, luego, para cada una de las distancias a la suspensión. El análisis de los rangos indica que, en todos los casos, predominan las diferencias con el signo esperado. Además, los signos esperados son más frecuentes cuando nos acercamos al momento de la suspensión de pagos excepto para las siguientes variables: ratio de tesorería (R13), el período medio de maduración de clientes (R17) y la proporción de otros gastos de explotación (R53). Por ejemplo, de forma sistemática, el ratio pasivo circulante / activo total (R02) es mayor para las empresas fracasadas que para sus emparejadas, diferencia que crece de forma constante a medida que nos acercamos a la fecha de la suspensión hasta llegar a ser superior en el 85 % de los casos el ejercicio anterior a la suspensión de pagos. Lamentablemente, los valores que presentan los rangos en la mayoría de las variables indican que no es posible distinguir entre empresas sanas y fracasadas sobre una base univariante. De hecho, sólo en ocho variables el signo esperado fue similar o superior al 85 %. Estas variables son: los fondos generados ordinarios (tras impuestos) / ingresos de explotación (R14), el patrimonio neto / activo total (R23), la cobertura de gastos financieros (R30), el diferencial entre rentabilidad económica y coste medio del pasivo ajeno (R54) y las variables R15C, R28C y R29C. 5. Análisis de casos y agrupamientos: síndromes 3 Los ratios de cobertura de deudas pueden tomar valores sin sentido económico, bien negativos, bien positivos debidos a que el numerador y el denominador sean negativos. Para evitar este problema, que podría distorsionar el análisis, corregimos estos ratios. En los valores anómalos (negativos) derivados de la existencia de activos suficientes para cubrir la deuda y los fondos generados son positivos, se considera 0. Si el denominador (fondos generados) es negativo y el numerador positivo, las empresas no pueden cubrir con sus fondos generados los compromisos, por lo que se sustituyó el valor anómalo por el mayor valor no anómalo de la muestra. Cuando numerador y denominador son negativos, la empresa es capaz de cubrir de forma inmediata sus pasivos ajenos no espontáneos actuales, pero sus fondos generados son negativos y requieren financiación adicional. La combinación de información “buena” y “mala” en un mismo ratio nos ha llevado a considerar estos casos como valores perdidos - 8 - Como indicamos en la introducción, la literatura ha reconocido tres posibles obstáculos al desarrollo de modelos estables con un éxito clasificatorio aceptable: a) la manipulación de la información contable, b) el empleo de técnicas estadísticas que, en ausencia de teoría, sobreajustan los modelos predictivos y c) el que las empresas sigan diferentes procesos que desembocan en el fracaso financiero. El primer problema lo hemos intentado evitar empleando información contable de calidad. Es decir, balances y cuentas de pérdidas y ganancias con informe de auditoría limpio o ajustados, en los casos en que los informes de auditoría contuviesen salvedades valoradas. A efectos de identificar diferentes procesos, se analizó individualmente cada una de las empresas fracasadas. Necesariamente, la organización del análisis requirió que contásemos con una concepción del fracaso que permitiera organizar el proceso. A pesar de la amplitud de la literatura existente, es realmente difícil encontrar una concepción teórica del fracaso en los artículos o libros que tratan el tema. De hecho, sólo conocemos el modelo de Beaver (1966). Para este autor, la empresa es una reserva de activos líquidos, en la que hay flujos de entrada y de salida de tesorería. La reserva sirve como colchón que permite salvar diferencias temporales entre estas entradas y salidas. En estos términos, la solvencia se define en función de la probabilidad de que la reserva se agote hasta un punto en el que la empresa sea incapaz de atender a sus obligaciones al vencimiento. Nuestra concepción del fracaso difiere levemente de la propuesta por Beaver (1966). En nuestra opinión, el fracaso financiero (suspensión de pagos) se produce cuando el deudor es incapaz de atender a sus compromisos. Puesto que cualquier acreedor estaría dispuesto a aplazar el cobro de una deuda (o a conceder un préstamo) si se le compensa suficientemente y se le garantiza el reembolso, podría decirse que las empresas no fracasarían si los agentes externos confiasen en su capacidad para cumplir con sus compromisos en el futuro. Esto sería cierto incluso cuando parte de los acreedores prefiriesen cancelar sus créditos, ya que la empresa siempre podría recurrir a los que siguen confiando en ella. Las expectativas favorables no sólo aumentarían la capacidad de endeudamiento, también atraerían a los inversores. Por lo tanto, el fracaso financiero sólo se produciría al deteriorarse la confianza de los agentes externos. En nuestra opinión, esta confianza se basa en los siguientes datos: • El patrimonio neto. La diferencia entre el activo real y el pasivo ajeno es la última garantía del cumplimiento de las obligaciones con los acreedores. Las expectativas de pérdidas degrada esta garantía. Se consideraran variables representativas de esta garantía el valor del patrimonio neto, del ratio patrimonio neto / activo total y de la rentabilidad. • Los activos extrafuncionales actuales, los fondos generados esperados y la capacidad de captar financiación adicional (de inversores y acreedores). Todos ellos constituyen recursos que pueden ser empleados para atender los compromisos representados por la financiación ajena no espontánea, las previsibles inversiones necesarias de renovación o ampliación y el aumento previsto del capital circulante típico. Se consideraran variables representativas de estos recursos y compromisos: la cifra de fondos generados ordinarios, el ratio (financiación ajena no espontánea - activos extrafuncionales)/fondos generados ordinarios (tras impuestos), el ratio amortización acumulada/inmovilizado amortizable (indicador de la necesidad de inversiones de renovación) y el incremento esperado del capital circulante típico. Dada la importancia de las deudas no espontáneas, se consideró que la cobertura de los gastos financieros (BAIT/gastos financieros) era una variable que proporcionaba información sobre la garantía del cobro del servicio de la deuda. - 9 -