Modelo de Estimación de Quiebra en Las Empresas Colombianas

MODELO DE ESTIMACION DE QUIEBRA EN LAS EMPRESAS
COLOMBIANAS DEL SECTOR TEXTIL Y DE CONFECCIN
TRABAJO DE GRADO
INVESTIGACIN EMPRICA
Presentado por
Germn Alfredo Camacho Rubiano
Antonio Jos Salazar Henao
Claudia Bibiana Len Arias
Directores
Javier Bernardo Cadena Lozano
Miller Janny Ariza Garzn
COLEGIO DE ESTUDIOS SUPERIORES DE ADMINISTRACIN

MAESTRA EN FINANZAS CORPORATIVAS
31 de Octubre de 2013
0
TABLA DE CONTENIDO
1. INTRODUCCION .......................................................................................................... 6
2. ESTADO DEL ARTE ..................................................................................................... 9
2.1 MODELO Z DE ALTMAN.......................................................................................... 9
2.2 MODELO Z1 DE ALTMAN ...................................................................................... 14
2.3 MODELO Z2 DE ALTMAN ...................................................................................... 16
2.4 MODELO DE JORGE ROSILLO .............................................................................. 17
2.5 MODELO DE RICARDO PASCALE ....................................................................... 21
2.6 MODELO DE FULMER ............................................................................................ 22
3. MARCO TERICO ...................................................................................................... 24
3.1 QUIEBRA O ILIQUIDEZ ..................................................................................... 24
3.2 INDICADORES FINANCIEROS ......................................................................... 26
3.2.1 Indicadores de Rentabilidad ........................................................................... 27
3.2.2 Indicadores de Liquidez.................................................................................. 30
3.2.3 Indicadores de Eficiencia................................................................................ 32
3.2.4 Indicadores de Endeudamiento....................................................................... 34
3.2.5 Indicadores de Cobertura ................................................................................ 36
3.3 MODELO JERRQUICO .................................................................................... 37
3.4 MODELO DE SEGMENTACIN INDIVIDUAL ............................................... 39
3.5 MODELO DE ANLISIS DE CLUSTER K- MEDIAS ...................................... 42
3.6 MODELO DE ANLISIS DISCRIMINANTE .................................................... 44
3.7 PRUEBA CHI- CUADRADO ............................................................................... 45
3.8 MODELO DE REGRESIN LOGSTICA .......................................................... 47
1
3.9 MODELO MULTIVARIADO PARA LA PREDICCIN DE INSOLVENCIA
EMPRESARIAL ............................................................................................................... 50
3.10 ANLISIS PROBABILSTICO LOGIT (APL) ................................................... 52
4. METODOLOGA Y ANLISIS DE RESULTADOS ................................................. 54
4.1 ANALISIS MODELOS PREDICTORES DE QUIEBRA INVESTIGADOS...... 54
4.2 MODELACIN P-CAMACHO............................................................................ 61
5. CONCLUSIONES ............................................................................................................ 78
7. RECOMENDACIONES ............................................................................................... 85
BIBLIOGRAFA .................................................................................................................. 87
2
INDICE DE TABLAS
Tabla 1 Variables discriminantes del Modelo Z de Altman ................................................. 11
Tabla 2 Lmites de Referencia Modelo Z-Altman................................................................ 13
Tabla 3 Lmites de Referencia Modelo Z1-Altman .............................................................. 15
Tabla 4Lmites de Referencia Modelo Z3-Altman ............................................................... 17
Tabla 5 Coeficientes Modelo Jorge Rosillo ......................................................................... 19
Tabla 6 Coeficientes Modelo Jorge Rosillo Empresas Fuertes ............................................ 19
Tabla 7 Coeficientes Modelo Jorge Rosillo Empresas Dbiles ............................................ 20
Tabla 8 Resumen Indicadores Modelos Predictores de Quiebra .......................................... 55
Tabla 9 Ponderacin de los resultados para cada ao .......................................................... 56
Tabla10 Empresas en reestructuracin ................................................................................. 61
Tabla11 Determinacin de grupos ........................................................................................ 66
Tabla 12 Variables Relevantes Modelo P-Camacho ............................................................ 68
Tabla13 Determinacin de variables relevantes ................................................................... 69
Tabla14 Tabla de confusin o clasificacin. ........................................................................ 70
Tabla 15 Variables y ponderaciones Modelo P-Camacho ................................................... 71
Tabla 16 Rangos Modelo P-Camacho .................................................................................. 72
Tabla 17 Resultados Curva COR Modelo P-Camacho ........................................................ 74
Tabla 18 Prueba Kolmogorov-Smirnov Modelo P-Camacho .............................................. 76
Tabla 19 Prueba Modelo P-Camacho en Compaas en Quiebra ........................................ 77
Tabla 20 Resultados por cantidad de empresas para los Modelos Evaluados ...................... 77
Tabla 21 Resultados porcentuales de empresas para los Modelos Evaluados ..................... 77
3
INDICE DE GRAFICOS
Grfica 1 Distribucin Acumulativa Logit y Probit ............................................................. 52
Grfica 2 Resultados Modelo prediccin de quiebra Jorge Rosillo Empresas Textil y de

confeccin. ............................................................................................................................ 57
Grfica 3 Resultados Modelo de Ricardo Pascale Empresas Textil y de confeccin. ......... 58
Grfica 4 Resultados Modelo Z Altman Empresas Textil y de confeccin. ........................ 58
Grfica 5 Resultados Modelo Z1 Altman Empresas Textil y de confeccin. ...................... 59
Grfica 6 Resultados Modelo Z2 Altman Empresas Textil y de confeccin. ...................... 60
Grfica 7 Resultados Modelo H Fulmer Empresas Textil y de confeccin. ..................... 60
Grfica 8 Resultados rbol de Decisin CHAID. ................................................................ 72
Grfica 9 Prueba Curva COR ............................................................................................... 75
4
INDICE DE ANEXOS
ANEXO 1. EMPRESAS SECTOR TEXTIL Y CONFECCIN ......................................... 86
5
1. INTRODUCCION
El sector textil y de confeccin ha sido uno de los sectores de mayor tradicin y

reconocimiento en la economa Colombiana, especialmente por el impacto generado en el
empleo, la produccin, la internacionalizacin y el desarrollo econmico del pas. Pero este
sector se ha visto expuesto a una de las peores crisis por variables y contingencias que lo
han marcado como una rama de la economa Colombiana con la ms alta tasa de quiebras
en sus compaas, situacin que amerita el anlisis de modelos cuantitativos que permitan
anticipar dichas quiebras.
Para mostrar la importancia de la presente investigacin, contextualizaremos el sector

dentro de la economa del pas como un importante productor de prendas de vestir con una
capacidad de atender la demanda del mercado domstico casi en su totalidad (Planeacin,
2007). Tambien es proveedor de productos como filtros, materiales de aislamiento y de
techar, textiles para empaques, cuerdas, redes, alfombras y bandas transportadoras, entre
otros, a otros sectores de la economa (Planeacin, 2007).
Segn datos de la encuesta anual manufacturera de 2009 (Planeacin D. N., 2009) en ese
ao existan 450 fabricantes de textiles y 10.000 de confecciones los cuales generaron
aproximadamente 130 mil empleos directos y 750 mil empleos indirectos, con una
participaron del 8% del PIB manufacturero y el 3% del PIB nacional; tambin genera ms
del 5% del total de exportaciones del pas, lo que lo convierte en uno de los sectores ms
importantes del sector de exportaciones no tradicionales.
De acuerdo con los resultados de las empresas en 2012, la Superintendencia Financiera

confirm que el sector textil ha sido uno de los ms afectados por la crisis, siendo las 2
empresas ms tradicionales del pas, Coltejer y Fabricato, las que registraron las mayores
prdidas del sector, con $ 59.242 millones y $93.373 millones respectivamente.
6
La industria textil colombiana est concentrada en Medelln donde se encuentran las
principales y ms grandes empresas y en Bogot donde estn ubicadas varias empresas
medianas y pequeas que se dedican principalmente a la produccin de telas de algodn
(Planeacin, 2007).
Por otro lado, la informacin estadstica registrada en la Superintendencia de Sociedades

para el ao 2013 muestra que se encuentran en liquidacin obligatoria 26 empresas
textileras Colombianas, sobre las cuales, algunas de las causas son: altos niveles de
endeudamiento, incapacidad para el pago de sus obligaciones, ciclos operativos lentos,
entre otros.
Expuesta la anterior situacin y teniendo en cuenta que el sector textil representa el 2% del
PIB total, el 13% del PIB manufacturero y el 20% del empleo industrial, es pertinente
analizar las razones financieras y sus predictores de quiebra de uno de los sectores
tradicionales en la economa Colombiana (Benchmark, 2013).
Con la presente investigacin, se pretende cumplir con los siguientes objetivos:

Identificar un conjunto de variables e indicadores con sus ponderaciones que
permitan estimar la posible quiebra de empresas Colombianas del Sector Textil y
de Confeccin con ventas anuales superiores a $30.000 Millones de Pesos,
partiendo de los modelos predictores de quiebra existentes.
Describir los principales modelos de quiebra desarrollados para diferentes sectores
de la economa.
Especificar, estimar y evaluar un modelo de prediccin de quiebra aplicable a
empresas Colombianas del Sector Textil y de Confeccin con ventas superiores a
30.000 Millones de Pesos Anuales.
7
La investigacin pretende comprender que variables o indicadores financieros afectan el
comportamiento de las empresas del sector textil, de tal forma que aplicando un modelo
particular para riesgo de quiebra del sector, se puedan tomar decisiones oportunas y acordes
con las necesidades de las mismas y as se logre mitigar el riesgo de quiebra.
El producto de esta investigacin es un modelo para predecir la quiebra de empresas

colombianas del Sector Textil y de Confeccin con ventas superiores a $30.000 Millones.
Se parte de analizar los diferentes modelos desarrollados por Edward Altman y otros
desarrollados a partir de los aos 70.
Para el tratamiento de la informacin se cre una base de datos cuya identificacin se

realiz a travs de la verificacin exgena en la pgina de la superintendencia de
sociedades y de la herramienta de BPR Benchmarking de las empresas colombianas que
registraban este volumen de ventas. La base se caracteriza por incluir 58 compaas, con 34
variables, las cuales consisten en ratios financieros extrados de los estados financieros
histricos por 7 aos consecutivos (2006-2012).
Finalmente la presente investigacin, adems de esta introduccin, se organizar en los

siguientes captulos:
Marco terico: informacin terica disponible consultada para el desarrollo de la

investigacin.
Metodologa: descripcin de los pasos realizados para la aplicacin de modelos
matemticos y estadsticos en las empresas seleccionadas para el cumplimiento de
los objetivos planteados en la presente investigacin.
Conclusiones: resultados y resumen de la informacin recopilada en el captulo de
metodologa.
Bibliografa.
8
2. ESTADO DEL ARTE
Los modelos de prediccin de quiebra, tienen su origen en la necesidad de contar con

instrumentos analticos que puedan sustituir o cooperar en la tarea del analista de
diagnosticar la sostenibilidad, solvencia y situacin financiera de las empresas.
En general, el diagnstico econmico y financiero de empresas es efectuado por los

analistas utilizando el denominado Modelos de ratios, que se basa en la estimacin de
una serie de indicadores relevantes, originados a partir de los estados financieros de la
empresa, y que posteriormente son sometidos a una etapa de anlisis y comparacin, con la
cual el analista debe efectuar una serie de reflexiones y consideraciones acerca del estado
de una empresa.
Como parte de la investigacin realizada a los diferentes modelos de prediccin de quiebra,

a continuacin se describirn las principales caractersticas de los modelos ms utilizados
en la industria:
2.1 MODELO Z DE ALTMAN
En la poca de los sesenta, se desarroll un modelo que incluye anlisis financiero con
ratios y modelos multivariables. Con el estudio de Edward Altman, al aplicar el mtodo
Multiple Discriminant Analysis, se logr aportar significativamente a la capacidad de
prediccin previa a la quiebra financiera. A partir de ello, Altman cre un modelo de
evaluacin para medir la solvencia mediante un indicador conocido como Z-Score en el
ao 1977. Tambin adapt el modelo original de su Z Score para economas emergentes
con el fin de proponer un nuevo indicador global predictivo exclusivo para este tipo de
mercados. A este nuevo indicador lo denomin: Emerging Market Scoring Model (EMS
Model).
9
El modelo de Altman, est basado en un anlisis estadstico iterativo de discriminacin
mltiple, en el que se ponderan y suman cinco razones de medicin para clasificar las
empresas en solventes e insolventes. A la muestra que Edward Altman tom de 66
empresas de las cuales 33 haban quebrado durante los 20 aos anteriores a 1966 y 33
seguan operando en 1966. Calcul 22 razones financieras que clasific en cinco categoras
estndar: liquidez, rentabilidad, apalancamiento, solvencia y actividad, este modelo solo
aplicaba a empresas manufactureras que cotizaban en bolsa.
El resultado del modelo, se denomin predictor de quiebra y fue nombrado como Z-score.
Este combina varios de los indicadores Financieros ms significativos dentro de una
derivacin estadstica que fue publicada inicialmente por Edward Altman, y desarrollada
en una muestra de 50 empresas industriales. Desde entonces, el algoritmo se ha
perfeccionado hasta lograr un 95% de confiabilidad en la exactitud de la prediccin de
quiebra, con 2 aos de anterioridad a la situacin de insolvencia, modelo que es aplicable a
las empresas no industriales y que no coticen en bolsa (Len Valds, 2006).
El valor Z establecido por Edward Altman es un modelo lineal en el cual se establecen

ponderaciones a indicadores financieros con el fin de predecir si las empresas podran
acercarse a un problema de insolvencia (Len Valds, 2006).
Una vez obtenidos el valor Z, se puede comparar con los lmites de referencia, o valores de
corte, para obtener el diagnstico de la situacin de las empresas, de acuerdo con el
modelo. Las variables definitivas del modelo Z-score de Altman que mejor determinan la
fortaleza de una empresa se muestran en la siguiente tabla:
10
Tabla 1 Variables discriminantes del Modelo Z de Altman
Siglas Significado
AC Activos corrientes
AT Activos totales
VN Ventas netas
IN Gastos Financieros
PT Pasivos Totales
PC Pasivos Corrientes
VM Valor de Mercado
UAI Utilidad antes de impuestos
UR Utilidades Retenidas
Fuente:(Len Valds, 2006)
Con base en estas variables, Altman deriv las siguientes ecuaciones o indicadores que,
posteriormente, fueron utilizadas para la determinacin del indicador Z-Score.
X1= (AC PC) / AT: para Edward Altman, este es el menos significativo de los factores al
ser una medida de los activos lquidos netos de la empresa con respecto a sus activos totales
y se conoce como fondo de operaciones o capital neto de trabajo.
X2 = (UR / AT): es uno de los factores ms representativos, porque es una medida de largo
plazo frente a las polticas de retencin de utilidades; aunque sta cuenta puede ser
manipulada, de alguna manera, y podra crearse algn sesgo en sus resultados.
X3 = (UAI + IN) / AT: es el factor ms importante, pues la utilidad es el objetivo principal

de cualquier actividad econmica y de su volumen depende la fortaleza financiera. Los
gastos financieros se agregan a las utilidades pues este costo no disminuye la rentabilidad
de la empresa.
11
X4 = (VM/PT): seala la capacidad de la empresa de sufrir una declinacin en el valor de
los activos. En algunas ocasiones, el valor de mercado puede ser substituido por el
resultado de (AT-PT), es decir por el patrimonio contable registrado. Sin embargo, se
sostiene que no siempre el valor patrimonial es cercanamente equivalente al valor
comercial.
X5= VN/ AT: este es uno de los indicadores ms significativos, porque ilustra las ventas
que son generadas por la inversin total de la compaa representada por sus activos.
La funcin de la primera versin del valor de Z fue la siguiente:
Z = 1,2 X1 + 1,4 X2 + 3,3 X3 + 0,6 X4 + 0,99 X5
En esta funcin los ndices seleccionados conforman el valor de Z. Estos son:
X1 = Capital de trabajo neto / Activo total (en %)

X1 = Activos circulantes menos pasivos circulantes / Activos totales (en %)
X2 = Utilidades retenidas acumuladas / Activos totales (en %)
X3 = Ganancias antes de intereses e impuestos (GAII) / Activos totales (en %)
X4 = Valor de mercado del Patrimonio / Pasivos totales (en %)
X5 = Ventas / Activos totales (veces)
Al realizar el clculo de los ndices de la funcin Z con la informacin financiera de las

Compaas y de acuerdo con sus resultados se establecen los parmetros o lmites de
referencia para la separacin de los 2 grupos (empresas sanas y no sanas), para esta versin
del modelo Z- Score, as:
12
Tabla 2 Lmites de Referencia Modelo Z-Altman
Lmites Descripcin
Z 2.99 Baja probabilidad de quiebra; probablemente la empresa no tendr
problemas de solvencia en el corto y mediano plazo, aunque factores
tales como mala gestin, fraude, desaceleracin y otros podran causar
un cambio inesperado.
Z 1,81 Alta Probabilidad de quiebra, indica que la empresa prcticamente
incurrir en quiebra, normalmente una empresa no recupera su
solvencia si se encuentra con un resultado de esta naturaleza.
1.81 <Z < 2.99 Zona gris, seala alguna seguridad relativa, pero se sita dentro de un
rea de observacin (rea gris) y est debajo del umbral de ms alta
seguridad.
Fuente: (Len Valds, 2006)
Este modelo tiene mltiples aplicaciones, dado que puede ser usado para un grupo de
empresas o para una empresa individual. Si es para un grupo de empresas, se calcula cada
uno de los ndices contemplados en el modelo para cada empresa de la muestra que se
tome, y se calcula el valor promedio de cada ndice en el grupo y se sustituye en la funcin.
Si es para una empresa especfica, se calculan igualmente los ndices del modelo y el
resultado se sustituye en la funcin para obtener el valor de Z. Esto puede hacerse para el
ejercicio econmico actual o para uno proyectado. Pero puede tambin calcularse para una
serie histrica de mximo cinco aos o de 2 aos proyectados, lo cual permitir analizar la
tendencia y as tener una mejor visin de la situacin del grupo de empresas o de una
empresa especfica.
Ante las crticas al modelo en el sentido de que no todas las empresas son manufactureras
cotizables en el mercado de capitales y adicionalmente que existen empresas comerciales y
de servicio, y que cotizan o no en bolsa, las cuales no fueron consideradas en el modelo,
13
Altman realiz una revisin del modelo, lo que result en la obtencin de dos nuevas
versiones: Valor Z1 y Valor Z2.
El grado de confianza de los resultados puede ser evaluado estadsticamente, debido a que
su informacin bsica proviene de cifras calculadas con anterioridad, lo que permite que
sean ms fciles de usar e interpretar que las herramientas tradicionales de anlisis.
2.2 MODELO Z1 DE ALTMAN
En la segunda parte del anlisis realizado al predictor de quiebra conocido como Altman Z
Score se plantea la solucin al problema detectado en la ecuacin original, la cual inclua
nicamente empresas industriales inscritas en bolsa de valores. Surgen, de sta manera, los
indicadores Z1 y Z2 con el propsito de ampliar la aplicacin de este modelo.
Esta versin del modelo original se desarroll para que fuera aplicable a cualquier clase de
empresa y no solo aquellas industrias manufactureras inscritas en bolsa. Para poder cumplir
tal propsito se trabaj bsicamente con los factores integrantes de la variable X4,
sustituyendo el valor de mercado por el valor patrimonial en libros o valor del capital
contable.
Este valor es entonces til cuando las empresas son manufactureras no cotizables en el
mercado burstil; esto debe tenerse en cuenta al momento del anlisis para as ajustarse al
modelo y tener mayor confiabilidad en sus resultados.
Los ndices quedaron iguales, con excepcin del X4, donde se sustituy el numerador,
debido a que en vez de contemplar el valor de mercado del patrimonio, este se cambi por
el valor contable del patrimonio.
Es decir que X4 qued en la versin Z1 de Altman de la forma: X4 = Valor contable del

patrimonio / Pasivo total.
14
En esta funcin, los ndices seleccionados para conformar el valor Z1, son:

X1 = Activos circulantes menos pasivos circulantes / Activos totales (en %)
X3 = Ganancias antes intereses e impuestos (GAII) / Activos totales (en %)
X4 = Valor contable del Patrimonio / Pasivos totales (en %)
X5 = Ventas / Activos totales (veces)
As mismo, los coeficientes de la funcin se modificaron, quedando:
Z1 = 0,717X1 + 0,847X2 + 3,107X3 +0,420X4 + 0,998X5
El volumen de utilidades operativas contina siendo el factor ms importante en la

determinacin del indicador. De acuerdo con el cambio en las variables del modelo de Z
Score se interpreta como se describe en la siguiente tabla:
Tabla 3 Lmites de Referencia Modelo Z1-Altman
Lmites Descripcin
Z 2.90 Baja probabilidad de quiebra; probablemente la empresa no tendr
problemas de solvencia en el corto y mediano plazos.
Z 1,23 Alta Probabilidad de quiebra, indica que la empresa prcticamente
incurrir en quiebra, normalmente una empresa no recupera su
1.23 < Z < 2.90 Zona gris, corresponde a la zona gris defina por Edward Altman,
donde existe alguna probabilidad de quiebra, ms evidente entre ms
cercano est el resultado al lmite inferior determinado en la funcin.
15
Sin embargo, como el factor X5 otorga un peso relativo importante a la rotacin de activos
y es en las empresas manufactureras donde este indicador mantiene grandes volmenes, en
cierta forma se estara distorsionando el resultado para empresas comerciales y de servicios
que tienen menos inversin en activos fijos. Lo anterior gener un replanteamiento del
modelo Z1 los cuales generaron el modelo ajustado de Z2 de Altman.
2.3 MODELO Z2 DE ALTMAN
Frente a las crticas del modelo en las cuales se describa que los modelos anteriores no
eran aplicables a las empresas comerciales y de servicio, Altman realiz modificaciones en
su estudio y lleg a obtener el valor Z2, para ser aplicada por cualquier tipo de empresa
diferente a las contempladas Z y Z1.
Entonces Z2 debe aplicarse cuando la empresa es comercial o de servicios. Esta versin del
modelo, fue realiza para corregir la distorsin que podra presentarse, debido a que elimina
la razn de rotacin de activos (X5) y otorga un peso relativo an ms importante al factor
de generacin de utilidades en relacin al activo (X3).
Las modificaciones se realizaron principalmente, en los coeficientes de la funcin y en los

parmetros de referencia. De esta manera en Z2 se elimin X5 y manteniendo de esta
manera los dems ndices utilizados en la versin Z1.
El argumento para la eliminacin del X5 (ventas/activos totales), es que este ndice es

problemtico en el sentido de que vara significativamente de una a otra empresa de distinto
sector industrial, lo que trae distorsin y puede dar lugar a interpretaciones errneas que
distorsionan el modelo.
X3 = Ganancias ante intereses e impuestos (GAII) / activos totales (en %)
X4 = Valor contable del patrimonio / Pasivo Total (en %)
16
En cuanto a la funcin, esta quedo representada as:
Z2 = 6,56 X1 + 3,26 X2 + 6,72 X3 +1,05X4
Para aplicar este modelo se calculan los valores de cada ndice y se sustituye en la funcin
para hallar el valor de Z2. Los lmites o parmetros de referencia para anlisis de los
resultados del modelo, se interpretan como se describe en la siguiente tabla:
Tabla 4Lmites de Referencia Modelo Z3-Altman
Lmites Descripcin
Z2 2.60 Baja probabilidad de quiebra; probablemente la empresa no tendr
problemas de solvencia en el corto y mediano plazo.
Alta Probabilidad de quiebra, indica que la empresa prcticamente
Z2 1,10 incurrir en quiebra, normalmente una empresa no recupera su
Zona gris, es la zona definida por Altman, en la cual se presenta alguna
1.10< Z2< 2.60 probabilidad de quiebra, ms evidente en la medida en que el resultado
se encuentre ms cerca del lmite inferior calculado en la ecuacin.
2.4 MODELO DE JORGE ROSILLO
El modelo desarrollado por Jorge Rosillo define los indicadores financieros que permiten
predecir con mayor certeza una situacin financiera difcil o detectar preventivamente la
quiebra. Este modelo toma como base el modelo desarrollado por Edward Altman,
aplicndolo al caso colombiano, de manera que permite visualizar cuando una empresa se
encuentra en problemas y cmo puede un empresario tomar los correctivos adecuados
(Rosillo, 2002).
17
Los modelos utilizados por Edward Altman para predecir la quiebra de las empresas se
realizan utilizando el anlisis discriminante. De acuerdo a Jorge Rosillo el discriminante
tiene su origen en la regresin multivariable, pero a diferencia de esta, la variable
dependiente es categrica u ordinal, es decir, que sirve para clasificar una poblacin en
diferentes categoras, utilizando variables independientes cuantitativas. El punto de partida
es la definicin de las variables independientes cuantitativas y las variables que permitirn
discriminar la muestra. En el caso de Altman se utilizaron indicadores financieros; el total
de la muestra deber contener empresas fuertes y dbiles diagnosticadas con base en estos
indicadores (Rosillo, 2002).
El modelo desarrollado por Jorge Rosillo tom una muestra de 106 empresas de diferentes
sectores a las cuales se determin una posicin de acuerdo con indicadores financieros
promedio, tales como: razn corriente, prueba acida, razn de liquidez, endeudamiento,
das perodo de cobro, das de inventario, rotacin de activos, margen neto, rentabilidad del
patrimonio, rentabilidad del activo y apalancamiento a corto plazo.
Los resultados de los indicadores mencionados fueron la base para calcular la funcin
discriminante; inicialmente se haban asignado 12 indicadores para el clculo, el sistema de
estimacin paso a paso los redujo a tres y determin una constante de 1,563, dichos ratios
son: Endeudamiento, rentabilidad del patrimonio, apalancamiento y constante (1,563)
(Rosillo, 2002).
Los datos obtenidos de las 106 empresas de acuerdo con su posicin promedio en los
estados financieros son los siguientes (Rosillo, 2002):
18
Tabla 5 Coeficientes Modelo Jorge Rosillo
Indicador Valor
X Endeudamiento -7,165
X Rentabilidad del patrimonio 9,852
X Apalancamiento Largo Plazo 1,097
Constante 1,563
Fuente: (Rosillo, 2002)
Z = Funcin discriminante
Z = -7,165X + 9,852X + 1,097X + 1,563
Esta funcin define cuando una empresa es fuerte o dbil; inicialmente se analizaron los
resultados de los indicadores financieros de las 106 empresas y de acuerdo con los
parmetros considerados acerca de cundo un indicador es bueno o malo, se defini que de
las 106 empresas objeto de anlisis, las primeras 65 pueden considerarse financieramente
fuertes y el resto dbiles. De las 106 empresas se tom una muestra de 80 (50 fuertes y 30
dbiles) para calcular los promedios de las razones discriminantes (Rosillo, 2002).
Promedios Indicadores Financieros discriminantes empresas fuertes

De las primeras 65 empresas clasificadas como fuertes se tomaron 50 y luego promediaron
los indicadores obteniendo los siguientes resultados:
Tabla 6 Coeficientes Modelo Jorge Rosillo Empresas Fuertes

Indicador Valor
Endeudamiento 0,26017006
Rentabilidad del patrimonio 0,06113952
Leverage Largo Plazo 0,50273351
Constante 1,563
19
De acuerdo con los resultados presentados se calcul la funcin discriminante de las
empresas financieramente fuertes, obteniendo la siguiente funcin (Rosillo, 2002):
Z fuertes = -7,165(0,26017006) + 9,852(0,06113952) + 1,097(0,50273351) +1,563

Z fuertes= 0,85272677
Promedios Indicadores Financieros discriminantes empresas dbiles
De las 41 empresas que se consideraron dbiles dentro de las 106 consideradas, se

tomaron 30 y se calcularon los indicadores financieros promedio de la funcin
discriminante:
Tabla 7 Coeficientes Modelo Jorge Rosillo Empresas Dbiles
Indicador Valor
Endeudamiento 0,46342418
Rentabilidad del patrimonio -0,07814256
Leverage Largo Plazo 1,00787766
Constante 1,563
Z dbiles = -7,165(0, 46342418) + 9,852(-0,07814256) + 1,097(1,00787766) +1,563

Z dbiles= -1,42165289
Punto de corte Zoc
Con base en los resultados del Z para las empresas fuertes y dbiles obtenidos
anteriormente, se determina el Z que corresponde al punto de corte o en el que una
empresa fuerte pasa ser dbil.
20
Zoc = ((Zfuerte) (Nmero de empresas fuertes) + Dbiles (nmero de empresas dbiles)) /
Total de empresas
Zoc = ((50) (0,85272677) + 30(-1,42165289))/ 80 = -0,00016656
Las empresas que como resultado tengan funciones discriminantes mayores al Zoc son
fuertes, de lo contrario son dbiles.
De acuerdo con lo anterior se prob la clasificacin de las empresas de la muestra (80

empresas) y se obtuvo un 94% de aciertos para las fuertes y un 87% para las dbiles. El
modelo fue validado con 26 empresas (15 fuertes y 11 dbiles) que no hicieron parte de la
muestra para el clculo del Z discriminante y se obtuvo un 100% de aciertos para las
fuertes y 82% para las dbiles.
Dicho esto, el modelo permite predecir si una empresa es fuerte o dbil con los indicadores
financieros obtenidos a travs del anlisis discriminante, la cual puede ser utilizada como
un instrumento de pronstico, suponiendo los comportamientos del pasado van a mantener
en el futuro.
2.5 MODELO DE RICARDO PASCALE
En 1988, Ricardo Pascale desarroll un modelo que buscaba predecir la bancarrota de las
empresas en el contexto latinoamericano, con alta inestabilidad. Trabajando para la
industria uruguaya estim un modelo usando el anlisis discriminante mltiple,
estableciendo la siguiente formula (Mares, 2013):
Z = -3.70992+0.99418 X1 + 6.55340 X2 +5.51253 X3

Dnde:
X1= Ventas / Deudas totales
X2 = Ganancias ajustadas por inflacin / Activos totales
X3 = Deuda a largo plazo / Deuda total
21
Valor crtico: Z = 0 y la Zona Gris entre -1.05 < Z < 0.4
En las distintas pruebas de significacin, la clasificacin result correcta en un 92% para un

ao anterior a la quiebra y en un 82% para dos a tres aos antes a la quiebra.
Utilizando un modelo como el de Pascale para pases de Amrica Latina (Uruguay), los
resultados deben interpretarse en el siguiente sentido: Para el modelo de Pascale, si reporta
un valor de Z superior a cero (0), la empresa ser clasificada con caractersticas similares a
las empresa que no han presentado serios problemas financieros y aquellas que tienen un Z
menor que cero (0) como aquellas con caractersticas similares a las empresas que han
tenido serios problemas financieros (Mares, 2013).
2.6 MODELO DE FULMER
Al igual que los modelos creados por Altman, el indicador desarrollado por Fulmer en 1984
utiliza el anlisis iterativo de discriminacin mltiple, pero al contario de aquel simplifica
la interpretacin del resultado, el cual se presenta como una funcin dicotmica del tipo
verdadero o falso, dependiendo de si es mayor o menor que uno dicho resultado. (Leon
Valdez, 2000). En una muestra de 60 empresas, 30 solventes y 30 insolventes, Fulmer
calcul y evalu 40 razones financieras para elegir, finalmente, las siguientes nueve razones
ponderadas:
X1 = Utilidades retenidas /Activo Total
X2 = Ventas / Activo Total
X3 = Utilidad antes de impuestos / Capital contable (Patrimonio)
X4 = Flujo de caja / Pasivo Total
X5 = Pasivo Total / Activo Total
X6 = Pasivo Corriente / Activo Total
X7 = Activo total tangible
X8 = Capital de trabajo / Pasivo Total
X9 = Logaritmo de la utilidad de operacin / Gastos financieros
22
La ponderacin de estas nueve variables permite formular la siguiente ecuacin para hallar
el indicador de quiebra o insolvencia:
H = 5.528X1 + 0.212X2 + 0.073X3 + 1.270X4 + 0.120X5 + 2.335X6 + 0.575X7 + 1.083X8 +

0.894X9 - 6.075
Si H< 0 la empresa se considera insolvente y entre ms alto sea el numero positivo que se
obtenga entonces se podr afirmar que la compaa es ms slida desde el punto de vista
financiero.
El modelo de Fulmer alcanz un 98% de precisin aplicando la ecuacin con un ao de

anticipacin a la declaratoria de insolvencia y un 81% en periodos mayores a un ao.
23
3. MARCO TERICO
3.1 QUIEBRA O ILIQUIDEZ
De acuerdo con el objeto de estudio, lo principal es conocer que se entiende como Quiebra
o Insolvencia. A continuacin se describen las principales definiciones de otros
investigadores acerca de la quiebra e insolvencia de las empresas (Fernndez & J, 2012):
Beaver (1966), Marais et al. (1984), Gabs (1990), Garca, Arqus y Calvo-Flores, (1995) o
Westgaard y Wijst (2001), que definen el fracaso como la incapacidad de atender
obligaciones financieras a su vencimiento (Fernndez & J, 2012).
Wilcox (1971) se muestra crtico con autores como Beaver o Altman por su falta de marco
conceptual. Su intencin es desarrollar un modelo terico para explicar mejor los resultados
de Beaver y para generar hiptesis que llevaran a predictores de fallido potencialmente
mejores (Fernndez & J, 2012).
Para ello, adapta el clsico problema de la ruina del jugador fijndose en el valor de
liquidacin neto y los factores que causan su fluctuacin. El primero es simplemente un
nivel de dinero determinado por la entrada de liquidez y la tasa de salida. Asumiendo un
proceso estable, Wilcox postula que la probabilidad de que el valor de liquidacin neto se
reduzca a cero (interpretado como quiebra o fallido definitivo) es una funcin de tres
elementos: el valor de liquidacin neta actual o riqueza actual, la media ajustada del flujo
de efectivo, y la variabilidad del flujo de efectivo ajustado, medido por su varianza. El
propio autor reconoce que el modelo es una gran simplificacin, y sus desalentadores
resultados empricos le muestran el escaso significado de su probabilidad de fallido. Ms
tarde Wilcox (1976) abandona la estructura de la forma funcional y construye un modelo de
prediccin basado en las variables que sugera su primer modelo (Fernndez & J, 2012).
24
Deakin (1972), que considera fracaso empresarial a las empresas en quiebra, suspensin de
pagos o concurso de acreedores (Fernndez & J, 2012).
Argenti (1976) identifica en una primera fase los defectos de las empresas que les llevan a
cometer una serie de errores que desencadenan el fracaso. Estos defectos se producen por
una mala gestin, deficiencias en el sistema contable, o una mala adaptacin al cambio
(Fernndez & J, 2012).
En la segunda fase del modelo identificado por Argenti, los errores se producen por dejar
aumentar en exceso el apalancamiento, seguir con negocios que no generan beneficios, o
iniciar un gran negocio que una mala racha convierte en una gran carga. En la tercera fase
aparecen los sntomas, siendo los ms importantes los financieros (deterioro de liquidez,
aumento de apalancamiento, reduccin de ventas sobre activos, reduccin de tesorera
sobre deuda, reduccin de la cotizacin sobre beneficios, etc.), pero tambin el empleo de
contabilidad creativa para ocultar la realidad, seales no financieras sobre el
empeoramiento de la calidad, del mantenimiento de las instalaciones o de retrasos en el
suministro de los proveedores. Otras causas apuntan a la mala suerte, el fraude o las
restricciones impuestas desde diversos organismos pblicos o privados, (sindicatos,
gobierno, grupos de protesta, entre otros) (Fernndez & J, 2012).
Otro hallazgo importante de Argenti (1976) es que identifica tres clases bien distintas de
empresas que fracasan: las que nunca llegan a despegar despus de su creacin; las
individuales que crecen demasiado y resultan inabarcables para su creador; y las empresas
maduras que, sin una buena estructura de gestin, acaban quebrando tras varios aos de
deterioro gradual. Para estos tipos distintos de empresas los sntomas aparecen en diferente
orden y el proceso de deterioro tiene una duracin muy diferente (Fernndez & J, 2012).
Scott (1981), tras un anlisis comparativo de los modelos empricos propuestos hasta ese
momento, concluye que aunque los modelos no se basan en teora explcita, su xito sugiere
la existencia de una regularidad subyacente fuerte (Fernndez & J, 2012).
25
Keasey y Watson (1991) se apoyan en el trabajo de Argenti (1976) y sostienen que la
quiebra de una empresa depende no solo de sus deudas, sino tambin de los intereses
econmicos y el poder de sus partcipes (stakeholders), as como de la capacidad de los
gestores para superar las dificultades, para hacer frente a las deudas y para actuar con
independencia de los intereses de los partcipes (Fernndez & J, 2012).
Gazengel y Thomas (1992) consideran empresa fracasada aquella que genera cclicamente
ms carga financiera que ingresos (Fernndez & J, 2012).
Davydenko (2007) plantea que cuando la situacin patrimonial refleja un valor reducido en
los activos o una escasez de tesorera se puede desencadenar el fracaso empresarial
(Fernndez & J, 2012).
Rubio (2008) y Correa (2003) hablan de entidad fracasada cuando esta incurre en quiebra
tcnica, entendiendo como tal el patrimonio neto contable negativo (Fernndez & J, 2012).
3.2 INDICADORES FINANCIEROS
Los indicadores financieros son relaciones entre cuentas presentadas en el balance general,
estado de resultados y flujo de caja, permiten establecer comportamientos y tendencias que
reflejan la gestin de los recursos econmicos en la compaa y a su vez permiten la
comparacin de la misma con sus pares del sector.
Es importante resaltar que los indicadores permiten una visin objetiva de la empresa, dado
que establecen relaciones exactas (numricas) entre los diferentes rubros y por tal razn,
hacen parte del anlisis financiero cuantitativo.
26
Por ltimo, permiten a quien los interpreta hacer de lado cualquier juicio de valor que
pueda restarle validez a la situacin financiera de la empresa1.Los principales ndices
financieros se dividen de acuerdo con la informacin que proporcionan y estos son
(RINGELING PAPIC, 204):
Indicadores de Rentabilidad
Indicador de Liquidez
Indicadores de Endeudamiento
Indicadores de Operacin
Indicadores de Cobertura
3.2.1 Indicadores de Rentabilidad
Miden la capacidad de la compaa de generar utilidades a partir de los activos y/o el

capital aportado por los socios. Adicionalmente, permiten observar la eficiencia operativa
de la compaa para generar utilidades. Los principales indicadores son (Apergis, Sorros,
Artikis, & Zisis, 2011):
Margen Bruto: Proporcin de los ingresos que resulta despus de cubrir los costos de
fabricar un producto (manufactura) y/o realizar un servicio (empresas de servicios):
Utilidad Bruta
Margen Bruto = x100
Ingresos Totales
Ejemplo:
Ingresos: $100.000
- Costos: $30.000
= Utilidad Bruta: $70.000
Margen Bruto: ($70.000/$100.000)X100 =70%
1
Es importante aclarar que el conocimiento de la coyuntura de la compaa, as como la informacin de
administracin, proveedores y socios, es altamente relevante, de esto se ocupa el anlisis cualitativo.
27
De acuerdo con lo anterior, la compaa tiene una capacidad de generar una utilidad del
70% sobre sus ingresos luego de realizar su proceso productivo.
Margen Operacional: Proporcin de los ingresos que resulta despus de la Operacin de

la compaa. Aparte de descontar el costo de la operacin, incluye los gastos de operacin
(nmina administrativa, seguros, arrendamientos, etc.) y gastos de ventas (publicidad,
transporte, nmina empleados comerciales). Su importancia radica en que refleja la
eficiencia de la compaa para tener una operacin rentable.
Si se utiliza para comparar empresas de una misma industria, permitira establecer que
compaas son ms eficientes al realizar su operacin desde la ptica de maximizacin de
utilidades.
Por otra parte, se puede utilizar como un ndice de comparacin entre industrias, de forma
que permite establecer en que sectores se generan mayores utilidades con el mismo nivel de
ingresos:
Utilidad Operativa
Margen Operativo = x100
Ingresos Totales
Ejemplo:
Ingresos: $100.000
- Costos: $30.000
- Gastos: $20.000
= Utilidad Operacional: $50.000
Margen Operacional: ($50.000/$100.000)x100= 50%
Por cada peso que recibe la compaa, su operacin genera 50 centavos de utilidad
28
Margen Neto: Proporcin de los ingresos que quedan disponibles para la reparticin de
dividendos o acumulacin de utilidades. Se descuentan costos, gastos y otros rubros no
operativos como gastos de intereses o utilidades por recuperaciones y por ltimo impuestos:
Utilidad Neta
Margen Neto = x100
Ingresos Totales
Ejemplo:
Ingresos: $100.000
- Costos: $30.000
- Gastos: $20.000
= Utilidad Operacional: $50.000
- Otros Egresos: $2.500
+ Otros Ingresos: $500
- Impuestos (33%): $15.840
= Utilidad Neta: $32.160
Margen Neto: ($32.160/$100.000)x100= 32.1%
Por cada peso que ingresa a la compaa, a los socios le quedan 3.2 centavos para
distribuirlos como dividendos.
ROA (ReturnOnAsset): Retorno sobre Activos, Determina la capacidad productiva de los

activos para generar utilidades:
Utilidad Neta
ROA =
Activos Totales
Ejemplo:
Utilidad Neta: $32.160
Total Activos: $300.000
ROE: $32.160/$300.000= 0.17
Por cada peso invertido en activos, la compaa genera 17 centavos de utilidad neta.
29
ROE (ReturnOnEquity): Retorno sobre patrimonio, determina la rentabilidad del capital
que los socios han invertido en la compaa:
Utilidad Neta
ROE =
Patrimonio
Ejemplo:
Utilidad Neta: $32.160
Patrimonio: $150.000
ROE: $32.160/$150.000= 0.21
Por cada peso que los inversionistas tienen como recursos propios en la compaa, reciben
21 centavos.
3.2.2 Indicadores de Liquidez
El conjunto de ndices de liquidez, muestran la capacidad inmediata que tiene la compaa

para cumplir con sus obligaciones (RINGELING PAPIC, 204).
Capital de Trabajo: Es la diferencia entre el activo corriente y pasivo corriente. El

resultado es la generacin o dficit de capital generado por la operacin de la compaa:
Capital de Trabajo= Activos corrientes Pasivos Corrientes
Ejemplo:
Activos corrientes: $50.000
Pasivos Corrientes: $40.000
Capital de Trabajo: $10.000
30
Razn Corriente: Muestra la capacidad de la compaa de atender todos sus pasivos de
corto plazo con sus activos de corto plazo:
Activo Corriente
Razn Corriente =
Pasivo Corriente
Ejemplo:
Razn Corriente: $50.000/$40.000= 1.25
Si la compaa realizara la totalidad de sus activos corrientes, podra pagar 1.25 veces sus
pasivos de corto plazo.
Prueba cida: Es una relacin similar a la razn corriente, no obstante no tiene en cuenta
sus inventarios, de forma que se genera una simulacin donde la compaa depende de
otros activos corrientes como el efectivo, sus cuentas por cobrar e inversiones temporales:
Activo Corriente Inventarios

Prueba Acida =
Pasivo Corriente
Ejemplo:
Inventarios: $15.000
Prueba cida: ($50.000-15.000)/$40.000= 0.875
En un escenario donde la compaa no realizara sus existencias, podra atender 0.87 veces
sus pasivos de corto plazo con la venta de sus activos corrientes diferentes a inventarios.
31
3.2.3 Indicadores de Eficiencia
Este grupo de indicadores reflejan la capacidad operativa de la compaa para convertir sus
principales cuentas de operacin en efectivo. Se tienen en cuenta principalmente los
inventarios, las cuentas por cobrar comerciales y las cuentas por pagar a proveedores
(RINGELING PAPIC, 204).
Rotacin Cuentas por Cobrar: Refleja el periodo en das en que la empresa se demora en
convertir sus ventas a crdito en efectivo:
Ventas a Crdito
Rotacin de Cuentas por Cobrar = x360
Ingresos
Ejemplo:
Ventas Crdito (Cuentas por Cobrar)= $5.000
Ingresos= $100.000
Rotacin de cartera= $5.000/$100.000 X 360= 18
La empresa se demora 18 das en convertir sus cuentas por cobrar en efectivo.
Rotacin de Inventarios: Indicador que muestra cunto tarda la compaa en convertir sus
inventarios en efectivo y/o cuentas por cobrar:
Inventarios
Rotacin Inventarios = x360
Costos de Ventas
Ejemplo:
Inventarios = $10.000
Costos = $80.000
Rotacin de cartera= $10.000/$80.000 X 360= 45 das
La compaa tarda 45 das en realizar sus inventarios, convertirlos en cartera o cuentas por
cobrar y reponerlos.
32
Rotacin de Cuentas por Pagar: ndice que refleja los acuerdos de pago que la compaa
tiene con los proveedores dado que muestra los das promedio de crdito que le otorgan a la
empresa para la compra de inventarios y/o la prestacin de servicios:
Cuentas por Pagar

Rotacin Cuentas por Pagar = x360
Costo de Ventas
Ejemplo:
Cuentas X Pagar = $30.000
Costos = $80.000
Rotacin de cartera= $30.000/$80.000 X 360= 136 das
La empresa tiene 136 das para pagar sus obligaciones con proveedores de bienes y
servicios.
Ciclo Operativo: Los anteriores indicadores no dicen nada por si solos, por tal razn deben
ser integrados en un solo indicador. Dicho lo anterior, el ciclo operativo es el total de das
en que la compaa convierte sus inventarios en cuentas por cobrar, sus cuentas por cobrar
en efectivo y el efectivo en pago a proveedores:
Ciclo Operativo=Rotacin de Cuentas por Cobrar+ Rotacin de Inventarios Rotacin de

Cuentas por Pagar
Ejemplo:
Rotacin de Cartera: 18
Rotacin de Inventarios: 45
Rotacin de Proveedores: 136
Ciclo Operativo: 199 das
La compaa se demora 199 das en realizar sus inventarios, recaudar sus cuentas por
cobrar y pagar a proveedores.
33
Acerca del ciclo operativo, es importante resaltar que el ptimo o deber ser sera un ciclo
negativo, es decir que la rotacin de proveedores sea ms lenta que la sumatoria de las
rotaciones de inventarios y de cartera. De acuerdo con esto, la compaa esta con
excedentes de liquidez, dado que convierte sus cuentas por cobrar e inventarios en efectivo
y posteriormente, con el efectivo le paga a proveedores. El diferencial de das en que la
compaa recauda y paga, mantiene una liquidez que puede ser utilizada para inversiones u
otro tipo de necesidades.
En caso que el ciclo operativo sea positivo, se debe interpretar que la compaa necesita
recursos dado que debe pagar en un menor tiempo sus deudas con proveedores y esperar
para recibir efectivo por sus operaciones. Lo anterior no necesariamente es negativo, ms
bien se debe analizar en conjunto con el endeudamiento de la compaa.
3.2.4 Indicadores de Endeudamiento
Los indicadores de endeudamiento miden el compromiso de la empresa frente a terceros

diferentes a los accionistas. Este grupo est compuesto principalmente por Bancos,
Proveedores, Impuestos y compaas vinculadas (RINGELING PAPIC, 204).
Endeudamiento Total: Mide que tan comprometidos estn los activos totales de la
empresa con terceros:
Pasivo Total
Endeudamiento Total = x100
Activo Total
Ejemplo:
Total Activo: $100.000
Total Pasivo: $70.000
Endeudamiento Total: 70%
Para el sistema financiero Colombiano, el mximo nivel de endeudamiento aceptable de

una compaa es del 70%
34
Endeudamiento Financiero: Dado que el endeudamiento financiero incluye el pago de
intereses, es importante separar el componente del pasivo que cuesta del que no,
adicionalmente, por las condiciones legales de los contratos de crdito, son de mayor
exigibilidad y acarrean consecuencias penales ms fuertes en caso de incumplimiento.
Pasivo Financiero
Endeudamiento Financiero = x100
Activo Total
Ejemplo:
Total Pasivo Financiero: $20.000
Activo Total: $100.000
Endeudamiento Financiero: 20%
La compaa tiene endeudamiento financiero del 20%, lo que significa que solo este
porcentaje de deuda tiene costo mientras que apalanca su operacin con recursos con menor
costo.
Concentracin: Indica la proporcin del pasivo de corto plazo (exigible en un plazo menor
a 1 ao). Este Indicador se utiliza tambin para medir la liquidez de la compaa, ya que no
es considerado como favorable que la empresa amortice altos porcentajes de deuda en
periodos cortos de tiempo.
No obstante, se analizar el destino de los recursos, dado que no es positivo que usos de
largo plazo sean financiados con fuentes de corto y viceversa.
Pasivo de Corto Plazo
Concentracin =
Pasivo Total
Ejemplo:
Total Pasivo: $70.000
Total Pasivo de Corto Plazo: $20.000
Concentracin: 28,57%
La compaa debe pagar el 28.57% de sus obligaciones en un horizonte de tiempo menor a
un ao.
35
3.2.5 Indicadores de Cobertura
Indicadores que relacionan variables del flujo de caja tales como flujo de caja libre
operativo y EBITDA con el pago de amortizaciones e intereses de deuda financiera. Estos
indicadores son calculados principalmente por los bancos con el fin de analizar si la
compaa genera la caja suficiente para atender sus obligaciones financieras (RINGELING
PAPIC, 204).
Deuda Financiera/EBITDA: Mide cuantas veces el EBITDA del periodo est

comprometido frente a la deuda financiera. El EBITDA es la utilidad operacional del
periodo con los gastos no desembolsados, tales como las amortizaciones de diferidos,
intangibles y depreciacin de activos fijos.
Ejemplo:
EBITDA: $50.000
Deuda Financiera: $70.000
Deuda Financiera/EBITDA: $70.000/$50.000: 1,4 Veces.
La deuda financiera es 1.4 veces el EBITDA del Periodo
FCLO/Servicio Deuda: El flujo de caja libre operativo corresponde a los recursos

disponibles de la operacin de la compaa y que estn disponibles para la reparticin de
dividendos, amortizacin de deuda e inversin en activos productivos. Ahora bien, la
relacin mencionada, corresponde a las veces que el FCLO cubre el servicio de la deuda,
entendindose este ltimo como intereses ms amortizacin de principal.
Ejemplo:
FCLO: $250.000
Amortizacin de Capital: $40.000
Intereses: $15.000
Servicio de Deuda: $40.000+$15.000= $55.000
FCLO/Servicio Deuda: $250.000/$55.000= 4,54veces
36
La compaa genera un flujo de caja operativo suficiente para cubrir 4.5 veces el servicio
de la deuda del periodo.
3.3 MODELO JERRQUICO
Es un modelo estadstico que permite organizar la informacin y/o variables de un estudio

es orden descendente utilizando la estructura de rbol, donde existe Jerarquas o status y a
partir de estas se van desagregando hasta llegar a los elementos individuales. (Ortega & A.,
2002)
Este modelo permite aglomerar tanto casos como variables y elegir entre una gran variedad
de mtodos de aglomeracin y medidas de distancia de una forma Jerrquica.
El anlisis de conglomerados jerrquicos comienza con el clculo de la matriz de distancias

entre los elementos de la muestra (Casos o variables). Esa matriz contiene las distancias
existentes entre cada elemento y todos los restantes de la muestra. A continuacin se
buscan los dos elementos ms prximos (o sea los dos ms similares en trminos de
distancia) y se agrupan en un conglomerado. El conglomerado resultante es indivisible a
partir de ese momento, de ah toma el nombre de jerrquico asignado al procedimiento. De
esta manera se van agrupando los elementos en conglomerados cada vez ms grandes y ms
heterogneos hasta llegar al ltimo paso en el que todos los elementos mustrales quedan
agrupados en un nico conglomerado grupal.
En cada paso del proceso pueden agruparse casos individuales, conglomerados previamente
formados o un caso individual con un conglomerado previamente formado.
El anlisis de conglomerados jerrquico es una tcnica aglomerativa: Que parte de

elementos mustrales individualmente considerados, va creando grupos hasta llegar a la
formacin de un nico grupo o conglomerado constituido por todos los elementos de la
muestra (Ortega & A., 2002).
37
Este anlisis tambin permite apreciar que elementos o conglomerados se han unido en
cada paso y a que distancia se encontraban cuando se unieron. Con esto se permite valorar
la heterogeneidad de los conglomerados que se van uniendo y decidir en cul de ellas la
fusin de elementos incrementa excesivamente la heterogeneidad de los mismos.
El anlisis termina cuando se ha conseguido agrupar a todos los casos en un nico

conglomerado, y el objetivo del investigador o analista ser el de descubrir la existencia de
grupos homogneos naturales que puedan existir en el archivo de datos.
La ventaja de utilizar el modelo de conglomerado jerrquico, consiste en la posibilidad de

utilizar distintos tipos de medidas para estimar la distancia existente entre los casos o las
variables, la posibilidad de transformar la mtrica original de las variables y la posibilidad
de seleccionar de entre una variedad de mtodos de aglomeracin.
Una de las claves de anlisis de conglomerados Jerrquico es la eleccin de las medidas de

distancia que pueden ser Cuantitativas, Categricas y dicotmicas.
Con los modelos jerrquicos observa y analiza el comportamiento de las variables que
integran el fenmeno de estudio, en forma individual, colectiva y cruzada; y se hace uso de
las caractersticas de todas las variables en sus diferentes niveles (micro y macro); lo cual
distingue plenamente las particularidades de los sujetos y los elementos contextuales donde
se desarrollan, lo cual incluye el contexto de los sujetos (Ortega & A., 2002).
Para elaborar un anlisis con el mtodo jerrquico, se debe en primer lugar establecer la
distancia entre cada uno de los grupos, segundo, se forma la particin inicial:
/ = 01 2, 01 2, , 015 2
Luego, se determinan los grupos con menor distancia, ii,ij y se agrupan en un solo cluster,
por ltimo, se realiza la segmentacin:
/ = 01 2, 01 2, , 617 8 19 :, , 015 2
Por ltimo, se repite lo anterior el nmero de veces necesario y se obtiene el Clster final:
/; = 0<2
38
3.4 MODELO DE SEGMENTACIN INDIVIDUAL
La segmentacin Individual es el proceso de diferenciacin y divisin de una poblacin

total o heterognea, en un cierto nmero de subgrupos o segmentos uniformes obtenidos
mediante diferentes procedimientos estadsticos. Los segmentos deben ser homogneos
entre s en todos sus aspectos significativos, presentando caractersticas y necesidades
semejantes, y deben diferenciarse de los dems en cuanto a hbitos, necesidades y gustos de
sus componentes (KLOTER, ARMSTRONG, WONG, MIQUEL, & BIGNE, 2000).
La segmentacin individual es una filosofa que se basa en la identificacin y

caracterizacin de subgrupos de elementos mediante la aplicacin de tcnicas estadsticas, y
se dedica a la seleccin de aquellos segmentos que podran ser objeto de estudio con el fin
de determinar un comportamiento comn o variable recurrente con el nimo de identificar
tendencias y as determinar patrones de comportamiento. Mediante la segmentacin
individual se detectan y analizan segmentos que estn sin estudio, conocer las variables
comunes y adecuar polticas y toma de decisiones.
Por medio de la segmentacin Individual el investigador estar en condiciones de fijar sus

objetivos con ms fundamento ya que conocer mejor las necesidades de cada grupo
especfico, y tambin podr organizar mejor la implementacin de estrategias (KLOTER,
ARMSTRONG, WONG, MIQUEL, & BIGNE, 2000).
Concepto de segmento Individual
Un segmento individual conjunto cuyos componentes son suficientemente homognea

caractersticas en comn que son relevantes para comprender, predecir y modificar su
respuesta al estmulo de una estrategia que se presente (KLOTER, ARMSTRONG,
WONG, MIQUEL, & BIGNE, 2000).
39
Caractersticas (KLOTER, ARMSTRONG, WONG, MIQUEL, & BIGNE, 2000):
Ser intrnsecamente homogneos (similares): los elementos del segmento deben de

ser lo ms semejantes posible respecto de sus probables respuestas ante las variables de
la mezcla y sus dimensiones de segmentacin. Los elementos que integran el segmento
deben componentes o variables y reaccionar de modo parecido ante una mezcla de
comportamientos.
Heterogneos entre s: los elementos de varios segmentos deben ser lo ms distintos
posible respecto a su respuesta probable ante las variables de la mezcla de
comportamientos.
Bastante grandes: para poder garantizar la representatividad del segmento
Operacionales: Para identificar a los elementos y escoger las variables de la mezcla de
comportamientos.
Requisitos (KLOTER, ARMSTRONG, WONG, MIQUEL, & BIGNE, 2000):
Las variables a utilizar en un proceso de segmentacin individual deben responder a ciertas

condiciones tcnicas, estas son:
Mensurabilidad: Los elementos tienen que ser mesurables, es decir, medibles o

cuantificables. Tiene que tener datos accesibles, y los criterios de segmentacin deben
ser identificables. Por ejemplo, debe poderse determinar de una forma precisa o
aproximada aspectos como tamao, poder de compra lugar de residencia, edad, nivel
acadmico, etc. A veces se pueden tener en cuenta incluso variables de personalidad
que son fcilmente identificables. Todo esto permite identificar los perfiles de los
componentes de cada segmento.
Accesibilidad: Los elementos que componen el segmento deben ser identificables y
alcanzables. Implica que el segmento debe ser accesible mediante las instituciones que
suministren informacin estadstica o del sector-Tambin debe ser obtenible, para que
se puedan obtener datos, como por ejemplo clases sociales, estrato, etc.
40
Sustanciabilidad: Los segmentos deben ser sustanciales, lo cual significa que deben
ser los suficientemente grandes o rentables como para servirlos. Un segmento debe ser
el grupo homogneo ms grande posible al que vale la pena dirigirse con una estrategia
poder justificar la inversin que se va a llevar a cabo en la poltica de segmentacin.
Para ello la empresa debe disponer de recursos humanos, tcnicos y comerciales para
llevar a cabo la segmentacin. Esto supone llevar a cabo un detallado estudio
econmico de las acciones que se van a llevar a cabo.
Homogeneidad en el segmento: que implica que los elementos del segmento deben
ser lo ms semejantes posible entre s, respecto de sus probables respuestas ante las
variables de la mezcla de comportamientos y sus dimensiones de segmentacin.
Heterogeneidad entre segmentos: que implica que los elementos de varios segmentos
deben ser lo ms distintos posible respecto a su respuesta probable ante las variables de
la mezcla de comportamientos.
Pertinencia: implica que la o las variables utilizadas para participar en la investigacin
tengan sentido lgico.
Accionamiento: Tiene la relacin a la posibilidad de creacin o diseo de planes
adecuados y efectivos para el segmento en cuestin. Implica la posibilidad de formular
programas eficaces para atraer y servir a los segmentos. Para ello se deben utilizar
variables de segmentacin que la estrategia pueda alcanzar, y se debe identificar
elementos objetivo a los que se pueda llegar. Tambin deben establecerse polticas de
segmentacin ms o menos estables en el tiempo.
Las herramientas utilizadas son paquetes o programas estadsticos que realizan una
segmentacin de la muestra o poblacin, lo divide en grupos ms pequeos que comparten
atributos comunes.
41
3.5 MODELO DE ANLISIS DE CLUSTER K- MEDIAS
Este trmino surge para agrupar mediciones con similares caractersticas, tambin se les
denomina Clasificacin no supervisada (Gimenez, 2010).
Este tipo de segmentacin, busca agrupar una coleccin de datos, de manera que en cada
clster los datos que hacen parte de este, se encuentran ms relacionados entre s, que los
que no estn adentro del subconjunto o clster.
Un anlisis pertinente de clster debe utilizar el menor nmero de clsteres posibles y que
en cada clster se incluya el mayor rango de datos posibles y que sean importantes para el
anlisis.
El anlisis de Clster es usado en estadstica descriptiva para determinar si los datos hacen
parte o no de cada uno de los subgrupos a determinar. Lo ms relevante para realizar una
segmentacin de este tipo, es el establecer un grado de semejanza entre cada uno de los
datos que harn parte del clster.
De acuerdo con lo anterior, existen tres mtodos de agrupacin a saber:
1. Matrices de Proximidad: La matriz, se forma a partir de las semejanzas o diferencias

que existen entre los diferentes elementos. La estructura NxN, donde N es el nmero de
objetos y cada elemento dii, representa la proximidad entre el objeto i y el objeto i.
La mayora de los algoritmos presumen una matriz de semejanzas con enteros no

negativos y ceros en los elementos de la diagonal: dii = 0; i = 1; 2; ;N. Si los datos
originales son tomados como semejantes una adecuada funcin montona decreciente
puede convertirlos en semejantes. Por tanto, la mayora de los algoritmos asumen
matrices simtricas de semejantes, y si la matriz original D es no simtrica va a ser
reemplazada por (D+DT)/2 (Gimenez, 2010).
42
2. Desemejanzas por atributos: Los algoritmos del clster toman una matriz de
semejanzas como principal input (Gimenez, 2010), entonces, se construyen pares de
diferencias entre las observaciones. La de semejanza se define como dj(xij, xij)
(Gimenez, 2010).
Posteriormente, se define la ecuacin que determina la semejanza entre el objeto i ei:

D
D(X? , X ?) = B dC (X ?C , X ?C)
CE
Para las variables cuantitativas, se hace la representacin con valores reales continuos,
la representacin se define: d(xi, xi)= l(|xi xi|).
En tanto, las variables ordinales son representadas por nmeros enteros contiguos y los
valores son considerados en un conjunto ordenado (Gimenez, 2010).
Por ltimo, las variables categricas el grado de diferencia tiene que ser definido
explcitamente. Si la variable toma M valores distintos, entonces puede ser organizado
con una matriz simtrica de M x M con elementos Lrr = Lrr; Lrr = 0; Lrr>0: La eleccin
ms comn es Lrr = 1 para todo r diferente de r, porque la prdida de la igualdad puede
ser usada para enfatizar ms un error que otro (Gimenez, 2010).
Algoritmo de K-Medias:
Se utiliza principalmente en situaciones donde las variables son cuantitativas. En este
caso, la medida de diferencia entre los objetos, se define como:
D

d(X ? , X ?) = BFX?C X ?CG = X ? X ?
CE
Ntese que los pesos en la distancia Euclidea pueden ser usados redefiniendo los
valores xij . Los puntos de dispersin pueden ser escritos como:
43
L
W(C) = B B B X ? X ?
KE J(?)EK J(?)EK
L
MMMK
W(C) = B NK B X ? X
KE J(?)EK
MMMK es el vector de medias asociado con el k-esimo clster, y NK =

Donde X? X
O
?E I(C(?) = k). As, el criterio es asignar las N observaciones a los K clsteres de
modo que dentro de cada clster el promedio de las diferencias de cada observacin a
la media del clster, definido por los puntos del clster, sea mnima (Gimenez, 2010).
3.6 MODELO DE ANLISIS DISCRIMINANTE
El Anlisis Discriminante es una tcnica que ayuda a identificar las caractersticas que
identifican un individuo o muestra de otro, en adicin genera una funcin clasificatoria que
permite discriminar con la mayor validez posible a los objetos de cada grupo.
Con este modelo se pretende encontrar relaciones lineales entre las variables continuas que
mejor discriminen en grupos definidos a los objetos y construir una regla de decisin que
asigne un objeto, a uno de los grupos prefijados.
El anlisis discriminante parte de una tabla de datos de n individuos a los que se les ha
medido p variables cuantitativas independientes, que actan como perfil de caractersticas
de cada uno de ellos.
Una variable cualitativa adicional, dependiente o clasificatoria, con dos o ms categoras,

define el grupo al que cada individuo pertenece. Es pues una tabla nx(p+1) en que cada
caso figura con un perfil y una asignacin a un grupo.
44
A partir de la tabla, se obtendr un modelo matemtico discriminante contra el cual ser
contrastado el perfil del nuevo individuo cuyo grupo se desconoce para, en funcin de un
resultado numrico, ser asignado al grupo ms probable.
Modelo Matemtico:
El anlisis discriminante implica un valor terico como combinacin lineal de dos o ms

variables independientes, discrimine entre los grupos definidos a priori.
La combinacin lineal o funcin discriminante, toma la siguiente forma:
Q1 = R + <1T1, 1 + <2T2, 1 + . . . +<WTW, 1
Dnde:
Di: Es la puntuacin discriminante (grupo de pertenencia) del individuo i-esimo;
a es una constante;
Wj es la ponderacin de la variable j-esima
El objetivo principal del modelo discriminante es clasificar las observaciones de la muestra

en grupos, a partir de la informacin suministrada por un conjunto de variables as:
Un conjunto de variables explicativas o criterio (variables clasificadoras)
Una variable categrica sealando los grupos (variable dependiente)
3.7 PRUEBA CHI- CUADRADO
Este modelo es de especial utilidad por que relaciona las variables objeto de estudio con
otras de acuerdo con su importancia lo cual para esta investigacin presenta especial
relevancia porque de acuerdo con las variables financieras existentes nos muestran cuales
tienen relacin entre s.
45
La prueba chi-cuadrado es el nombre de una prueba de hiptesis que determina si dos
variables estn relacionadas o no. La hiptesis nula de la prueba Chi-cuadrado define una
distribucin de probabilidad totalmente especificada como el modelo matemtico de la
poblacin que ha generado la muestra (Barcelona, 2010).
Para realizar esta prueba se deber disponer de los datos en una tabla de frecuencias. Para
cada valor o intervalo de valores se indica la frecuencia absoluta observada o emprica (X7 ).
A continuacin, y suponiendo que la hiptesis nula es cierta, se calculan para cada valor o
intervalo de valores la frecuencia absoluta que cabra esperar o frecuencia esperada
(Y7 =nZ7 donde n es el tamao de la muestra y Z7 la probabilidad del i-simo valor o
intervalo de valores segn la hiptesis nula). El estadstico de prueba se basa en las
diferencias entre la X7 ). yY7 y se define como (Damodar N Gujarati, 2010):
\

(X7 Y7 )
[ =B
Y7
7E
Este estadstico tiene una distribucin Chi-cuadrado con k-1 grados de libertad si n es
suficientemente grande, es decir, si todas las frecuencias esperadas son mayores que 5. En
la prctica se tolera un mximo del 20% de frecuencias inferiores a 5.
Por lo general, el nivel de significancia utilizado para realizar las pruebas es del 0.05.
Si existe concordancia perfecta entre las frecuencias observadas y las esperadas el

estadstico tomar un valor igual a 0; por el contrario, si existe una gran discrepancia entre
estas frecuencias el estadstico tomar un valor grande y, en consecuencia, se rechazar la
hiptesis nula. As pues, la regin crtica estar situada en el extremo superior de la
distribucin Chi-cuadrado con k-1 grados de libertad (Damodar N Gujarati, 2010).
Prueba de Bondad de Ajuste: consiste en determinar si los datos de cierta muestra

corresponden a cierta distribucin poblacional.
46
En este caso es necesario que los valores de la variable en la muestra y sobre la cual
queremos realizar la inferencia est dividida en clases de ocurrencia, o equivalentemente,
sea cual sea la variable de estudio, se debe categorizar los datos asignado valores a
diferentes clases o grupos (Barcelona, 2010).
Prueba de Independencia: consistente en comprobar si dos caractersticas cualitativas estn

relacionadas entre s.
3.8 MODELO DE REGRESIN LOGSTICA
Es un instrumento estadstico de anlisis bivariado o multivariado, de uso tanto explicativo

como predictivo. Resulta til su empleo cuando se tiene una variable dependiente
dicotmica (un atributo cuya ausencia o presencia se ha puntuado con los valores cero y
uno, respectivamente) y un conjunto de m variables predictoras o independientes, que
pueden ser cuantitativas (que se denominan covariables o covariadas) o categricas. En este
ltimo caso, se requiere que sean transformadas en variables ficticias o simuladas
(dummy) (Silva C, 2007).
El propsito del anlisis de informacin con un modelo de Regresin Logstica es:
Predecir la probabilidad de que a alguien le ocurra cierto evento: por ejemplo, estar
desempleado =1 o no estarlo = 0;
Determinar qu variables pesan ms para aumentar o disminuir la probabilidad de

que a alguien le suceda el evento en cuestin.
Esta asignacin de probabilidad de ocurrencia del evento a un cierto sujeto, as como la

determinacin del peso que cada una de las variables dependientes en esta probabilidad, se
basan en las caractersticas que presentan los sujetos a los que, efectivamente, les ocurren o
no estos sucesos.
47
Por ejemplo, la regresin logstica tomar en cuenta los valores que asumen en una serie
de variables (edad, sexo, nivel educativo, posicin en el hogar, origen migratorio, etc.) los
sujetos que estn efectivamente desocupados (= 1) y los que no lo estn (= 0). En base a
ello, predecir a cada uno de los sujetos independientemente de su estado real y actual
una determinada probabilidad de ser desocupado (es decir, de tener valor 1 en la variable
dependiente). Es decir, si alguien es un joven no amo de casa, con baja educacin y de sexo
masculino y origen emigrante (aunque est ocupado) el modelo le predecir una alta
probabilidad de estar desocupado (puesto que la tasa de desempleo del grupo as definido es
alta), generando una variable con esas probabilidades estimadas y proceder a clasificarlo
como desocupado en una nueva variable, que ser el resultado de la prediccin. Adems,
analizar cul es el peso de cada uno de estas variables independientes en el aumento o la
disminucin de esa probabilidad (Silva C, 2007).
Ejemplo:
Cuando aumenta la educacin disminuir en algo la probabilidad de ser desocupado. En

cambio, cuando el sexo pase de 0 = mujer a 1 = varn, aumentar en algo la
probabilidad de desempleo porque la tasa de desempleo de los jvenes de sexo masculino
es mayor que la de las mujeres jvenes. El modelo, obviamente, estima los coeficientes de
tales cambios. Cuanto ms coincidan los estados pronosticados con los estados reales de los
sujetos, mejor ajustar el modelo (Silva C, 2007).
Entre los requisitos y etapas de la regresin logstica se encuentran:
Recodificar las variables independientes categricas u ordinales en variables

ficticias o simuladas y de la variable dependientes en 0 y 1;
Evaluar efectos de confusin y de interaccin del modelo explicativo.
Evaluar la bondad de ajuste de los modelos.
Analizar la fuerza, sentido y significacin de los coeficientes, sus exponenciales y
estadsticos de prueba (Wald).
48
El estadstico de Wald
Contrasta la hiptesis de que un coeficiente aislado es distinto de 0, y sigue una

distribucin normal de media 0 y varianza 1. Su valor para un coeficiente concreto viene
dado por el cociente entre el valor del coeficiente y su correspondiente error estndar. La
obtencin de significacin indica que dicho coeficiente es diferente de 0 y merece la pena
su conservacin en el modelo. En modelos con errores estndar grandes, el estadstico de
Wald puede proporcionar falsas ausencias de significacin (es decir, se incrementa el error
tipo II). Tampoco es recomendable su uso si se estn empleando variables de diseo (Silva
C, 2007).
Tipos de modelos de regresin logstica (Silva C, 2007)
Modelo logstico Univariante simple
^[Z (R + _[)
]=
1 + ^[Z(R + _[)
Modelo Logstico Univariante Mltiple
^[Z(`1, 0 + `1 [1 + `1[1 + `1, 2[2 . `1, a[a)

]=
1 + ^[Z(`1, 0 + `1 [1 + `1[1 + `1, 2[2 . `1, a[a)
Modelo Logstico Multivariante Simple
^[Z (R + _[)
]1 =
1 + ^[Z(R + _[)
Modelo Logstico Multivariante Mltiple
exp(i, 0 + 1 xi + ixi + i, 2x2 . i, k x k)

yi =
1 + exp(i, 0 + 1 xi + ixi + i, 2x2 . i, k x k)
49
Interpretacin del modelo logstico
Los parmetros del modelo son:
o=La ordenada en el origen.
i= (1,2,k).
exp(1) y exp(2) Parmetros tambin llamados Odds Ratios de probabilidades.
3.9 MODELO MULTIVARIADO PARA LA PREDICCIN DE INSOLVENCIA

EMPRESARIAL
En la actualidad hay herramientas que brindan un juicio objetivo sobre la prediccin de

insolvencia de las empresas, como es el caso de los modelos Anlisis Discriminante
Multivariado ADM y el anlisis probabilstico Logit-APL. Las tcnicas utilizadas por estos
modelos parten del desarrollo de mtodos analticos que utilizan los ratios econmicos
financieros calculados de los estados contables de las empresas y que representan las
variables explicativas del modelo, los cuales se encuentran apoyados en la estadstica. As,
se especifica un mecanismo a partir del cual es posible separar un grupo de empresas con
mayor probabilidad de fracaso de aquellas con mayor probabilidad de xito (Villamil
Bolvar, 2006).
Los objetivos principales de estos modelos son:

Establecer relaciones estadsticas entre los resultados de los ndices financieros y la
solvencia o insolvencia de la empresa, reflejando en un solo parmetro su nivel de
riesgo.
Prever el fracaso empresarial y por tanto, asistir a los usuarios en toma de decisiones.
50
Se basa en evaluar cules son los factores que determinan que un conjunto de elementos se
agrupe en dos o ms grupos previamente establecidos. El ADM aplicado a la prediccin de
la insolvencia consiste en obtener una funcin que combine linealmente un conjunto de
variables independientes, en este caso los indicadores financieros, de tal forma que a travs
de esta funcin se obtenga un valor global de prediccin de posible solvencia o insolvencia
de una empresa (Villamil Bolvar, 2006).
Este valor se obtiene reemplazando los indicadores en la funcin estimada:
dea = fg + f1T1ea + f2T2ea + . . +fZTZea"
Dnde:
Zgk: valor o puntuacin de la funcin discriminante, para la observacin K del grupo g.
Bi: coeficiente discriminante de la variable Xi en la funcin (parmetros a estimar).
Xigk: valor de la variable discriminante Xi para la observacin K en el grupo g.
Sea Xi = (X1, ., Xp) los indicadores financieros, los cuales se utilizan para discriminar
entre los G grupos anteriores, mediante clculos matemticos denominados funciones
discriminantes.
El ADM presenta la imposibilidad de realizar una interpretacin individual de los

coeficientes que definen al Z. Sin embargo, es relevante el ordenamiento que permite hacer
de las variables independientes en funcin de la determinacin de Z. En efecto, la matriz de
estructura pxr contiene, por filas, los coeficientes de correlacin de las funciones
discriminantes con las variables originales, de esta forma es posible interpretar el
significado utilizando aquellas variables con las que est ms correlacionada y los
coeficientes estandarizados reflejan las variables ms influyentes en la estimacin de
observaciones para el grupo 1 de acuerdo con su mayor valor.
El modelo supone la distribucin normal de variables independientes y la igualdad de

matrices de varianzas y covarianzas de las variables analizadas en los diversos grupos.
51
Para validar estos propsitos se suele utilizar el test de M de Box, este toma como hiptesis
nula de la homocedasticidad disminuya la regla de clasificacin afecta la validez de los test
de significacin. Sin embargo, esto no es un problema fundamental en el anlisis debido a
que depende de si el porcentaje de predicciones correctas es satisfactorio y en general,
existe una buena separacin de los grupos en el espacio discriminante (anlisis de
centroides) (Villamil Bolvar, 2006).
3.10 ANLISIS PROBABILSTICO LOGIT (APL)
El APL se aplica para la obtencin de la probabilidad de que una observacin pertenezca a

un conjunto determinado, en funcin del comportamiento de las variables independientes,
en este caso, la variable dependiente puede tener un valor de 0 (solvente) y 1 (insolvente).
Las restricciones que tiene la aplicacin del ADM han dado lugar al desarrollo de otras
tcnicas que intentan eliminarlas o reducirlas. Por esta razn, se desarrolla el Anlisis de
Probabilidad Condicional (APC). Los modelos lineales de Probabilidad (MLP), LOGIT y
PROBIT son las especificaciones de modelos de APC ms utilizados, siendo el segundo de
stos el ms citado en la literatura sobre prediccin de la solvencia empresarial (Villamil
Bolvar, 2006).
La grfica1 permite analizar que uno se acerca a cero a tasas cada vez ms lentas a medida
que Xi se hace muy grande (Villamil Bolvar, 2006).
Grfica 1 Distribucin Acumulativa Logit y Probit
52
Fuente: (Villamil H., Modelos multivariados para la Prediccin de Insolvencia
Empresarial)
En relacin con la preferencia entre Logit y Probit, Guajarati plantea que desde una
perspectiva terica, son bastantes comparables, siendo la principal diferencia que la Logt
tiene colas ligeramente ms planas, es decir, la FDA normal (curva normal) o probit, se
acerca a los ejes ms rpidamente que la curva logstica.
Cualitativamente los modelos tienen resultados similares, aunque las estimaciones de los
parmetros de los modelos no son directamente comparables. La seleccin entre los dos
obedece a conveniencia matemtica y disponibilidad del programa de computador, siendo
utilizado con preferencia el modelo Logit sobre el Probit.
La estimacin se escribe as:
j1 = jW [/1/(1 /1)] = d = f1 + f2T1 + . + faTW
Para facilidad de prediccin, la FDA logstica se representa as:
/ = Y ( n = 1 o T1) = 1/(1 + ^ (_1 + _2[1 + + faTW)) = ^p / (1 + ^p)
Equivalente a, / = 1/ (1 + ^ p)
De esta forma, se obtiene la probabilidad de pertenencia a uno de los dos grupos en los que
est clasificada la poblacin. Es importante precisar la interpretacin de los coeficientes,
porque aunque Z es lineal en X, las probabilidad en s mismas no lo son; en el Logit, por
ejemplo B2 es la pendiente, que mide el cambio en Z ocasionado por un cambio unitario en
X, es decir, dice como el logaritmo de las probabilidades cambia a medida que el indicador
cambia en una unidad. Sin embargo, para una interpretacin ms clara, en el APL se utiliza
el anlisis de los efectos marginales de los coeficientes.
53
4. METODOLOGA Y ANLISIS DE RESULTADOS
4.1 ANALISIS MODELOS PREDICTORES DE QUIEBRA INVESTIGADOS
Con el fin de dar cumplimiento al objetivo del presente trabajo, se procedi a identificar a
travs de la verificacin exgena en la pgina de la superintendencia de sociedades y de la
herramienta de BPR - Benchmarking las empresas colombianas que registraban un
volumen de ventas > 30.000 Millones de pesos para el cierre del ao 2012.
De esta manera, se identificaron 58 empresas del sector textil y de confeccin que cumplen
con la caracterstica anterior. Para cada una de ellos se consult y consolido la informacin
financiera relacionada en el balance general, estado de prdidas y ganancias, flujo de caja y
los principales indicadores financieros para un periodo de 7 aos iniciando desde el ao
2006 al 2012 (Ver Anexo 1).
De acuerdo con la informacin consultada para cada una de las compaas, se procedi a
consolidar una matriz con la informacin en Excel, identificando en las columnas los
resultados de cada uno de los aos, y en las filas, cada una de las 58 empresas,
conformando de esta manera una matriz multidimensional para cada compaa.
Una vez se organizada la base de datos y de acuerdo con el marco terico investigado, para
los modelos de quiebra desarrollados en la literatura, se inici con la identificacin de los
indicadores aplicables para cada uno de los 6 modelos a probar.
A continuacin, en la Tabla 8, se identifican para cada uno de los modelos las variables e
indicadores empleados:
54
Tabla 8 Resumen Indicadores Modelos Predictores de Quiebra
Z Z1 Z2 P-
INDICADORES FINANCIEROS Fulmer Rosillo Pascale
Altman Altman Altman Camacho
(Activos Corrientes-Pasivos
Corrientes)/Activos Totales X X X
Utilidades Retenidas/Activos Totales X X X X X
(Utilidad Antes de Impuestos+Gastos
Financieros)/Activos Totales X X X
Patrimonio/Pasivos Totales X X X
Ventas Netas/Activos Totales X X X X X X
Utilidad Antes de
Impuestos/Patrimonio X X
Flujo de Caja/Pasivo Total X
Pasivo Total/Activo Total X X X
Pasivo Corriente/Activo Total X
Activo Total Tangible X
Capital de Trabajo/Pasivo Total X
Logaritmo de la Utilidad de la
operacin/Gastos Financieros X
Activo Corriente / Pasivo Corriente X X
(Activo Corriente-Inventarios)/Pasivo
Corriente X
(Caja + Bancos)/Pasivo Corriente X
(Cuentas X Cobrar/Ventas)*360 X
(CuentasX Pagar/Costo de
Ventas)*360 X
(Inventarios / Costo de ventas)*360 X
Utilidad Neta/Ventas X
Utilidad Neta/patrimonio X
Pasivo corriente/patrimonio X
Total Pasivo/Patrimonio X
Pasivo Largo Plazo/Pasivos Totales X
ROA X
Utilidad Antes de X
55
Z Z1 Z2 P-
INDICADORES FINANCIEROS Fulmer Rosillo Pascale
Altman Altman Altman Camacho
Impuestos/Patrimonio
Incremento/Decrecimiento en Ventas X
Fuente: Construccin Propia
Una vez identificadas las variables descritas en la anterior tabla, se procedi a validar el
resultado de cada uno de los seis modelos, con el fin de validar si la empresa para cada uno
de los aos seleccionados y de acuerdo con los rangos establecidos en la literatura podra
estar en riesgo de quiebra o por el contrario no registra ningn antecedente de acuerdo con
la informacin recopilada.
Una vez consolidada la informacin para cada empresa por ao y por modelo, se procedi a
realizar un promedio ponderado (por cada modelo) asignando un mayor peso a los datos
histricos ms recientes y un menor peso a los datos ms antiguos de la siguiente manera:
W
Ponderacin = 7 n , W = 1, ,7.
1
Tabla 9 Ponderacin de los resultados para cada ao
Ao Peso de Ponderacin
2012 25%
2011 21%
2010 18%
2009 14%
2008 11%
2007 7%
2006 4%
A continuacin se muestra los resultados de la aplicacin de cada uno de los modelos

utilizados:
56
Modelo de prediccin de quiebra Jorge Rosillo
Para este modelo el 88% de las empresas se encuentran en una situacin financiera
difcil, mientras que el 12% registran como empresas fuertes en su operacin, a
continuacin los resultados grficos:
Grfica 2 Resultados Modelo prediccin de quiebra Jorge Rosillo Empresas Textil y

de confeccin.
Z- Rosillo
Promedio
88%
100%
Dbil
50% 12% Gris
0%
Fuerte
0%
Dbil Gris Fuerte
Fuente: Construccin propia
Modelo de Ricardo Pascale
Para este modelo el 24% de las empresas se encuentran con una probabilidad ms alta
de caer en bancarrota, mientras que el 33% registran como empresas fuertes en su
operacin, por otra parte el 43% de las empresas se encuentran en zona gris, a
continuacin los resultados grficos:
57
Grfica 3 Resultados Modelo de Ricardo Pascale Empresas Textil y de confeccin.
Z- Pascale
Promedio
43%
50% 33% Dbil
24%
Gris
0% Fuerte
Dbil Gris Fuerte
Modelo Z Altman
Para este modelo el 17% de las empresas se encuentran con una probabilidad ms alta
de quiebra, mientras que el 19% registran como empresas fuertes en su operacin, por
otra parte el 64% de las empresas se encuentran en zona gris, a continuacin los
resultados grficos:
Grfica 4 Resultados Modelo Z Altman Empresas Textil y de confeccin.
Z- Score
Promedio
100%
64% Dbil
50% 17% 19% Gris
Fuerte
0%
Dbil Gris Fuerte
58
Modelo Z1 Altman
Para este modelo el 9% de las empresas se encuentran con una probabilidad ms alta de
quiebra, mientras que el 17% registran como empresas fuertes en su operacin, por otra
parte el 74% de las empresas se encuentran en zona gris, a continuacin los resultados
grficos:
Grfica 5 Resultados Modelo Z1 Altman Empresas Textil y de confeccin.
Z1- Score
Promedio
100% 74%
Dbil
50% 9% 17% Gris
0% Fuerte
Dbil Gris Fuerte
Modelo Z2 Altman
Para este modelo el 7% de las empresas se encuentran con una probabilidad ms alta de
quiebra, mientras que el 71% registran como empresas fuertes en su operacin, por otra
parte el 22% de las empresas se encuentran en zona gris, a continuacin los resultados
grficos:
59
Grfica 6 Resultados Modelo Z2 Altman Empresas Textil y de confeccin.
Z2 - Score
Promedio
100% 71% Dbil

50% 22% Gris
7%
0% Fuerte
Dbil Gris Fuerte
Modelo de Fulmer
Para este modelo el 74% de las empresas se encuentran insolventes, mientras que el
26% registran como empresas solventes en su operacin, ninguna empresa se
encuentran en zona gris, a continuacin los resultados grficos:
Grfica 7 Resultados Modelo H Fulmer Empresas Textil y de confeccin.
H - Fulmer
Promedio
74% Dbil
100%
26%
0% Gris
0% Fuerte
Dbil Gris Fuerte
60
4.2 MODELACIN P-CAMACHO
El modelo P-Camacho es el nombre propuesto para el modelo resultante de esta

investigacin. Se le dio esta denominacin con el objeto de identificarlo de otros modelos
existentes y por el apellido de unos de los investigadores.
Con el fin de construir un modelo predictor de quiebra para empresas del sector textil y
confeccin en Colombia con ventas superiores a 30.000 millones de pesos colombianos, se
ejecut la siguiente metodologa:
1. Consolidacin de informacin relevante para el sector textil y de confeccin para

los aos del 2006 al 2012, especialmente para 34 indicadores financieros relevantes
de acuerdo con la investigacin realizada en el marco terico. Para detalle de la
recopilacin de informacin ver seccin 4.1 Anlisis Modelos Predictores De
Quiebra Investigados del presente documento.
2. Identificacin de la variable dependiente para las 58 empresas seleccionadas para el

desarrollo del presente trabajo de investigacin, esta variable se identific a partir
de la informacin exgena de la Superintendencia de Sociedades, consultando las
empresas que se encontraban en liquidacin, empresas en procesos de re-
estructuracin o empresas que salieron del procesos de re-estructuracin en el 2013;
identificando 5 empresas, las cuales se listan a continuacin:
Tabla10 Empresas en reestructuracin
Identificacin
N Empresas
Fiscal
1 890900308 TEXTILES FABRICATO TEJICONDOR S.A. EN REESTRUCTURACIN
2 890900259 COMPAIA COLOMBIANA DE TEJIDOS S.A.
3 830116487 WORLDTEX CARIBE LIMITED SUCURSAL COLOMBIA
4 810001350 C.I. COLOR SIETE S.A.S.
5 860054749 TEXTILES KONKORD S.A. EN ACUERDO DE REESTRUCTURACIN
61
Dado que la variable dependiente para el total de la muestra de 58 empresas
identifica 5 empresas en quiebra (8,6%), porcentaje que es bajo en comparacin
con el total de compaas analizadas y existentes en el mercado para el sector textil
y confeccin. No obstante, se debe a que la muestra est acotada por el nivel de
ventas anuales de las compaas. Lo anterior, podra inferir que el modelo P-
Camacho est sesgado a las variables analizadas y que el clculo de los parmetros,
as como su peso y la constante del modelo presentaran un alto porcentaje de error.
De acuerdo con lo expuesto y conociendo el posible error se procedi a analizar la

muestra de 58 empresas y de acuerdo con el anlisis jerrquico a dividir en 10
grupos para identificar las empresas en quiebra de las cuales resultaron 5 grupos.
Este segmento se analiaz travs de Clster K Medias, las variables ms relevantes
para este grupo validando caractersticas similares entre las variables.
Lo anterior disminuye la probabilidad de error. Sin embargo, todos los estudios

estadsticos como el analizado a lo largo del presente estudio, depende de las
caractersticas de la muestra, el comportamiento de las variables y el tamao de la
misma. No obstante, al contar con un tamao de muestra de 58 empresas el cual es
superior a 30 observaciones, se puede inferir que el modelo es aplicable para esta
industria y que representa adecuadamente las empresas analizadas, adems de
acuerdo con los resultados financieros para el ao 2012 corresponda al total de
compaas del sector textil y de confeccin con ventas superiores a 30.000 millones
de pesos colombianos.
3. Identificacin de las variables crticas para el modelo, de acuerdo con la

informacin recopilada y la experiencia propia de los investigadores se definieron
de las 37 variables identificadas inicialmente 17 variables que son relevantes para
determinar los niveles de riesgo de las compaas.
62
4. Construccin del Modelo de Quiebra P- Camacho.
Las siguientes metodologas se utilizaron para definir los grupos y adicionalmente

la relacin entre cada variable. Los pasos metodolgicos para determinar el modelo
propuesto como investigadores fueron:
Anlisis Jerrquico: se utiliz para definir el nmero de grupos ms riesgosos

y relevantes. Este anlisis permiti identificar dentro de la muestra que grupos
en distancias pequeas cuales cuentan con caractersticas comunes.
Clster conglomerado K-Medias: se realiz una clasificacin de acuerdo con
las similitudes identificadas en cada grupo.
Pruebas para identificar el ajuste del modelo a los datos recopilados: se
realizaron pruebas estadsticas para verificar el ajuste del modelo P- Camacho a
los datos en la herramienta estadstica, tales como de Kolmorogov-Smirnof y
Curva COR.
5. Definicin de rangos del Modelo propuesto de quiebra P Camacho a partir del

rbol de decisin de CHAID (chi-squareautomaticinteractiondetection), con el fin
de establecer los rangos para empresas fuertes, en posible alerta de quiebra o en una
zona de indecisin.
6. Aplicacin del Modelo P- Camacho para las 58 empresas del sector textil y de
confeccin seleccionadas para el estudio de la presente investigacin, identificando
para cada compaa de acuerdo con los rangos definidos si la empresas es fuerte, se
encuentra ante una posible alerta de quiebra o est en una zona de indecisin.
Se muestra a continuacin el paso a paso de la elaboracin del modelo P- Camacho:
Debido a que se identificaron pocas empresas en quiebra y conociendo que es necesario

para la modelacin identificar cules son las empresas que se encuentran en riesgo, se
procedi de acuerdo con la segmentacin y al anlisis de los indicadores financieros a
dividir las compaas en varios grupos, con el fin de identificar aquellos (que a criterio se
pueden clasificar finalmente en dos) que presentan caractersticas que los vinculan con alto
63
riesgo, posibilidad de debilidad o quiebra. Para evaluar estos grupos se tuvo en cuenta el
conjunto de empresas que ya estaban en quiebra, para obtener otro indicador que permitiera
definir el conjunto final de empresa en riesgo.
Se procedi a graficar a travs del Dendrograma el producto del anlisis de Jerrquico

realizado previamente, para observar los grupos resultantes utilizando una vinculacin
media entre los grupos.
64
Grfica 8 Resultados Dendograma
65
Utilizando el anlisis Jerrquico con una distancia de 5 (Distancia Euclidea) que es la
normal o bsica, se identificaron como resultado 10 grupos y como relevantes para la
investigacin de acuerdo con los indicadores seleccionados los grupos 1, 5, 6, 8 y 10, como
se identifican en la tabla 11.
Tabla11 Determinacin de grupos
Variable dependiente empresas en

Reestructuracin / Liquidacin
0 1
Nmero inicial de casos
Recuento Recuento
1 0 1
2 1 0
3 11 0
4 1 0
5 8 1
6 0 1
7 30 0
8 0 1
9 2 0
10 0 1
La columna 1 Recuento, corresponde a las empresas identificadas como riesgosas y la

Columna 0 Recuento corresponde a las empresas clasificadas como no riesgosas. Las filas
resaltadas en amarillo, son los grupos que se identificaron y cuyas variables mantenan
relacin entre s.
A partir del anlisis de Clster de K-Medias que como se describi en el marco terico es
un procedimiento estadstico que parte de un conjunto de datos que contienen informacin
especfica y que corresponden al conjunto dado por las variables financieras claves de las
empresas y la variable dependiente de las empresas quebradas. Posteriormente, se procedi
a reorganizar la informacin en grupos relativamente homogneos a los que se les
denomina conglomerados o clsteres.
66
La identificacin de los sub-grupos en los cuales se realizaron las primeras clasificaciones
de los clsteres para el grupo de empresas, se realiz a priori de acuerdo con el criterio de
los investigadores y asesores para identificar en donde se clasifican las 5 empresas
quebradas.
La particin inicial de los sub-grupos tuvo un procedimiento para asegurar que las variables
similares se clasifican adecuadamente, a partir de este punto de partida del nmero de sub-
grupos seleccionados (10), se identificaron las caractersticas similares entre de las
variables de las empresas para los grupos y as posteriormente seleccionar 5 de estos sub-
grupos. En este punto inicial, los sub-grupos afectarn el resultado de todas las pruebas y
anlisis que en adelante se ejecuten, dado que el Mtodo de K-Clster no es convergente y
por consiguiente los resultados dependern de este punto de partida.
Al depender del punto de partida y de los sub-grupos seleccionados podra inferirse que
podra presentarse un error. Sin embargo, al contar en cada sub-grupo con al menos 1 de las
compaa que se encuentran en quiebra mitiga el riesgo de analizar clster que no son
relevantes para la investigacin, adems como se ver ms adelante para el modelo P-
Camacho.
Una vez identificados los grupos se realiz el anlisis de Clster K Medias y utilizando la
tcnica de los conglomerados con un intervalo de 5% de confiabilidad, se definieron las
variables preponderantes de los 5 grupos relevantes, las variables seleccionadas fueron
aquellas que por su nivel de significancia cercana a cero (0) rechazaban la hiptesis nula y
establecan mayor discriminacin entre los grupos. En la tabla 12 se observan las variables
relevantes que se identificaron:
67
Tabla 12 Variables Relevantes Modelo P-Camacho
ANOVA
Conglomerado Error
Indicadores Media Media F Sig.
gl Gl
cuadrtica cuadrtica
Tasa de Crecimiento de
109,9 9,0 80,5 48,0 1,4 0,2
Ventas
Incremento /
Decrecimiento en 60,7 9,0 114,1 48,0 0,5 0,8
Activos
Incremento /
Decrecimiento en 1.749.971,8 9,0 771,9 48,0 2.267,0 0,0
Utilidades Netas
Incremento en
2.271,2 9,0 147,7 48,0 15,4 0,0
Patrimonio
Ingresos Netos / Ventas
258,6 9,0 40,0 48,0 6,5 0,0
Netas
Retorno de Activos 86,0 9,0 6,8 48,0 12,6 0,0
Utilidades Netas /
414,1 9,0 99,3 48,0 4,2 0,0
Patrimonio Neto
Utilidad Operacional /
101,7 9,0 15,9 48,0 6,4 0,0
Ventas
Endeudamiento 1.010,9 9,0 298,9 48,0 3,4 0,0
Razn Corriente 0,6 9,0 0,5 48,0 1,1 0,4
Razn Acida 0,3 9,0 0,4 48,0 0,8 0,6
Utilidades retenidas /
0,3 9,0 0,0 48,0 28,9 0,0
Total Activos
Flujo de Caja / Total
0,4 9,0 5,7 48,0 0,1 1,0
Pasivos
Utilidades antes de
impuestos / Patrimonio 15,8 9,0 39,2 48,0 0,4 0,9
Neto
Activos Tangibles /
0,0 9,0 0,1 48,0 0,4 0,9
Total Activos
Pasivo Corriente / Total
1.136,5 9,0 347,4 48,0 3,3 0,0
Pasivos
Margen de Ebitda 0,0 9,0 0,0 48,0 3,0 0,0
Se categorizaron las hiptesis a revisar as:
0 = Empresas Riesgosas (Malas)
1 = Empresas No Riesgosas (Buenas)
68
Por medio de la regresin Logstica se fueron incluyendo las variables relevantes por pasos,
dando como resultado un modelo con 6 variables.
En la siguiente tabla se identifican los 6 pasos utilizados y el resultado final donde se

determinan las 6 variables relevantes, adems de los Betas asociados para cada una de las
variables y una constante dada para el modelo:
Tabla13 Determinacin de variables relevantes
Pasos B Significancia Exp(B)

Paso 1a Retorno de Activos ,643 ,002 1,902
Constante ,788 ,060 2,199
b
Paso 2 Incremento / Decrecimiento en Utilidades Netas
,009 ,101 1,009
Retorno de Activos ,422 ,056 1,524

Constante 1,196 ,018 3,306
c
,009 ,106 1,009

Endeudamiento ,037 ,206 1,038
Constante -,766 ,623 ,465
d
,008 ,122 1,008

Razn Corriente 1,528 ,209 4,608
Constante -6,017 ,177 ,002
Paso 5e Incremento / Decrecimiento en Utilidades Netas
,007 ,165 1,007

Utilidades antes de impuestos / Patrimonio Neto
,488 ,887 1,629
Constante -7,510 ,139 ,001

f
,010 ,094 1,010
69
Pasos B Significancia Exp(B)
Utilidades retenidas / Total Activos 8,226 ,199 3738,126
Utilidades antes de impuestos / Patrimonio Neto
4,020 ,053 55,699
Constante -8,586 ,111 ,000

El modelo P- Camacho construido a travs de la herramienta estadstica, presenta como

resultado que existe una probabilidad del 84.5% para identificar las empresas malas y un
97.8% para identificar las empresas buenas. Con un nivel de confianza del 94.8%, es decir
de certeza para identificar las empresas buenas o malas, es decir un nivel de confianza
acertado para el modelo propuesto, con el cual se da cumplimiento al objetivo de la
investigacin.
Con estos resultados se observa un modelo que se ajusta con un alto nivel de confianza para
identificar las empresas buenas o malas para el sector textil y de confeccin con ventas
superiores a 30.000 millones de pesos anuales, como se observa en la siguiente tabla:
Tabla14 Tabla de confusin o clasificacin.
Tabla de clasificacina
Pronosticado
Observado Ydef
Porcentaje correcto
,00 1,00
Paso 6 Ydef ,00 11 2 84,6
1,00 1 44 97,8
Porcentaje global 94,8
a. El valor de corte es ,500
De acuerdo con los resultados obtenidos a travs de la modelacin en la herramienta

estadstica y cumpliendo con el objetivo de la presente investigacin, se determin el
siguiente modelo propuesto por los investigadores para identificar las empresas con una
mayor probabilidad de quiebra, otras que son fuertes o que de acuerdo con su informacin
70
financiera deben estar en anlisis para definir su estado final. El modelo propuesto es el
siguiente:
d = 0,00965(tR;1Ru1gW ^W t^WvRw) + 0,406608(zX{) + 0,11515(YW|^8|R}1^Wvg)

z^v^W1|Rw
+ 2,2938(zRpgW ~g;;1^Wv^) + 8,2263397(v11|R|^w )
{uv1gw gvR^w
o}Z8^wvgw
+ 4,0199955(v11|R|^w {Wv^w |^ ) 8,58579
gvR /Rv;1}gW1g
Para identificar cada una de las variables que son indicadores dentro de la construccin del
modelo y las ponderaciones de las mismas se cuenta con la siguiente tabla resumen del
modelo:
Tabla 15 Variables y ponderaciones Modelo P-Camacho
Variable ndice Ponderacin

X1 Variacin en Ventas 0.00965641
X2 Retorno Sobre Activos (ROA) 0.40660852
X3 Endeudamiento 0.11515179
X4 Razn Corriente 2.2938381
X5 Utilidades retenidas/Activos totales 8.22633972
X6 Utilidad Antes de Impuestos/Total Patrimonio 4.01995578
Constante -8.58579042
DETERMINACION DE LOS CONJUNTOS DE RIESGO CON BASE EN EL Z
A partir del Z del modelo se utiliza la tcnica del rbol de Decisin CHAID para definir
el rango en el que una empresa se encuentra con probabilidad asociada con alto riesgo
(Roja), una zona donde puede caer en debilidad financiera o pasar a ser fuerte en su
operacin (Amarilla) y una zona donde la empresa es fuerte (Verde). Los resultados se
consolidan en la siguiente grfica 8:
71
Grfica 8 Resultados rbol de Decisin CHAID.
La tabla 16 describe la distribucin de las 58 empresas en niveles de riesgo de acuerdo con

los resultados del rbol CHAID.
Tabla 16 Rangos Modelo P-Camacho

Determinacin Z
Rango Z Zona No de empresas %
Menor a -0.239 Roja 10 18.50%
Entre -0.239 y 1.763 Amarilla 11 20.40%
Mayor a 1.763 Verde 37 61.10%
Totales 58 100.00%
Con el nimo de probar la fortaleza del modelo se efectuaron pruebas estadsticas tales
como: La curva COR y la prueba de Z de Kolmogorov-Smirnov.
72
La Curva COR:
Esta prueba es muy til para evaluar la realizacin de esquemas de clasificacin en los que
exista una variable con dos categoras por la que se clasifiquen los Sujetos. Para este caso
el inters es clasificar las empresas Textileras con riesgo y sin riesgo de quiebra.
Esta prueba est compuesta por variables de contraste las cuales son cuantitativas y que
suelen estar conformadas por probabilidades, resultantes de un Anlisis Discriminante o de
una Regresin Logstica. Tambin est conformada por una variable de estado que puede
ser de cualquier tipo e indicar la categora real a la que pertenece el sujeto. El valor de la
variable de estado indica la categora que se debe considerar positiva.
Tambin existen unos supuestos los cuales son:
1) Los nmeros ascendentes de la escala del evaluador representan la conviccin

de que el sujeto pertenece a una categora.
2) Los nmeros descendentes representan la conviccin de que el sujeto pertenece

a la otra categora.
3) El investigador debe elegir cual es la direccin positiva.
4) El investigador debe conocer la categora real a la que pertenece el sujeto
Para la presente investigacin la Curva de Caracterstica Operativa del Receptor (COR),

determina la efectividad de la clasificacin realizada en el modelo para cada una de las
Compaas, esta curva representa la relacin entre especificidad y susceptibilidad.
En este sentido, la susceptibilidad mide la capacidad del estimador para dar como positivos,
las compaas que realmente estn (o en algn momento estuvieron) en reestructuracin o
liquidacin, es decir la proporcin de compaas en quiebra identificadas correctamente.
Este anlisis, muestra la capacidad de la prueba para detectar el estado de quiebra en
empresas identificadas como tal.
73
Cuando el rea bajo la curva supera el 0.5, se puede determinar que la clasificacin es
buena y mejora an ms, al acercarse a 1. Esto significa que la clasificacin es altamente
efectiva al momento de determinar positivos y negativo (Quiebra y no Quiebra).
La tabla 17 se muestra que el rea bajo la curva es muy cercana a 1 (para el modelo P-
Camacho es 0.97) lo cual determina que el modelo P-Camacho discrimina bien.
Tabla 17 Resultados Curva COR Modelo P-Camacho
rea bajo la curva

Variables resultado de Probabilidad Intervalo de
contraste: pronosticada confianza
asinttico al 95%
Sig. Lmite Lmite
a b
rea Error tpo. asinttica inferior superior
.973 .020 .000 .934 1.000
a. Bajo el supuesto no paramtrico
b. Hiptesis nula: rea verdadera = 0,5
Adicionalmente la grfica nos muestra como es el rea bajo la curva del modelo, muy
cercana a 1, lo cual permite inferir que discrimina acertadamente en un alto porcentaje.
74
Grfica 9 Prueba Curva COR
La prueba de Kolmorogov-Smirnov (K-S)
Esta prueba se considera un procedimiento de bondad de ajuste, o sea que permite medir
el grado de concordancia existente entre la distribucin de un conjunto de datos y una
distribucin terica especfica. Su objetivo es sealar si los datos provienen de una
poblacin que tiene la distribucin terica especificada.
Mediante esta prueba se compara la distribucin acumulada de las frecuencias tericas (ft)
con la distribucin acumulada de las frecuencias observadas (f obs), se encuentra el punto
de divergencia mxima y se determina que probabilidad existencia de una diferencia de esa
magnitud se deba al azar.
Ecuacin Bsica:
D= Ift-fobsI
Se manejan dos hiptesis:
75
Hiptesis Alterna (Ha): Los valores observados de las frecuencias para cada clase son
diferentes de las frecuencias tericas de una distribucin normal.
Hiptesis Nula (Ho): Las diferencias entre los valores observados y los tericos de la
distribucin normal se deben al azar. Entonces:
D es la mayor diferencia absoluta entre la frecuencia observada y la frecuencia terica

obtenida a partir de una distribucin de probabilidad que se especifica como hiptesis nula.
De acuerdo a lo anterior y con lo encontrado en la prueba Kolmogorov-Smirnov, con un

valor de p = 0 (Sig. asintt. bilateral), como se expone en la tabla 18, hay una diferencia
significativa entre la distribucin entre las empresas clasificadas como riesgosas y no
riesgosas, usando la variable Z, lo que evidencia una buena discriminacin entre los grupos.
Tabla 18 Prueba Kolmogorov-Smirnov Modelo P-Camacho
Estadsticos de contrastea
Probabilidad pronosticada
Diferencias ms extremas Absoluta .911
Positiva 0.000
Negativa -.911
Z de Kolmogorov-Smirnov 2.894
Sig. asintt. (bilateral) .000
a. Variable de agrupacin: Ydef
Para finalizar las pruebas del modelo, se efectu la prueba con las cinco empresas que
desde el inicio de la investigacin se determinaron que estaban en quiebra de acuerdo con
la Superintendencia de Sociedades y le aplicamos el modelo P- Camacho construido, al
analizar los resultados se identific que las 5 empresas clasificaron en la zona roja, es decir
empresas con alta probabilidad de quiebra.
76
Tabla 19 Prueba Modelo P-Camacho en Compaas en Quiebra
Grupo pronosticado
,00 1,00
Recuento % de la fila Recuento % de la fila
Variable dependiente empresas en ,0 7 13.2% 46 86.8%
Reestructuracin / Liquidacin 1,0 5 100.0% 0 0.0%
En la tabla 20 se presenta un resumen comparativo con los otros modelos analizados

durante el desarrollo del presente trabajo de grado, en donde se puede identificar que todos
presentan variaciones significativas en la cantidad de empresas que ubican en cada una de
las zonas, lo anterior se atribuye a que los modelos existentes en la literatura fueron
diseados para otros tipos de industrias y que analizan otra informacin financiera relevante
para las mismas:
Tabla 20 Resultados por cantidad de empresas para los Modelos Evaluados
Z- Score Z1- Score Z2 - Score H - Fulmer Z- Pascale Z- Rosillo Z- Camacho

Clasificacin
Promedio Promedio Promedio Promedio Promedio Promedio Promedio
Dbil 10 5 4 43 14 51 10
Gris 37 43 13 0 25 0 11
Fuerte 11 10 41 15 19 7 37
Total 58 58 58 58 58 58 58
Los resultados consolidados de manera porcentual para cada uno de los modelos son los
siguientes:
Tabla 21 Resultados porcentuales de empresas para los Modelos Evaluados
Z- Score Z1- Score Z2 - Score H - Fulmer Z- Pascale Z- Rosillo Z- Camacho

Clasificacin
Promedio Promedio Promedio Promedio Promedio Promedio Promedio
Dbil 17% 9% 7% 74% 24% 88% 18,5%
Gris 64% 74% 22% 0% 43% 0% 20,4%
Fuerte 19% 17% 71% 26% 33% 12% 60,1%
77
5. CONCLUSIONES
El presente trabajo, permiti realizar el ejercicio emprico para el sector textil colombiano
con aquellas empresas con ventas superiores a COP 30.000 millones, observando diversos
resultados, permitiendo identificar semejanzas y diferencias que se presentan a
continuacin:
Primero, los modelos analizados (sin incluir P-Camacho) ms acertados de acuerdo con lo
observado son: Fulmer y Rosillo. Esta aseveracin se da gracias a que estos modelos
identificaron las compaas que estn contenidas en la muestra de en quiebra, crisis,
reestructuracin o liquidacin. (Fabricato, Coltejer, Worldtex, Color Siete y Textiles
Konkord).
En el caso de los modelos Z, Z1 y Z2 fallaron en el ejercicio con Fabricato, principalmente

porque le dan una mayor ponderacin al patrimonio total sobre el pasivo total, variable que
no se tiene en cuenta en los dems modelos dado que no es posible disponer del patrimonio
para cubrir el endeudamiento con terceros de manera inmediata.
Pascale, por otra parte, no tiene en cuenta la eficiencia de la compaa basada en el

rendimiento financiero de la empresa. En el caso de Fabricato, la compaa clasifica en
Zona Verde en 5 de siete periodos y esto gracias al volumen de ventas/ patrimonio, lo cual
deja de lado el desempeo de un ao a otro.
En segundo lugar, se encontr que el modelo Fulmer y el modelo P-Camacho, le dan la

mayor participacin a la variable Utilidades retenidas/ Activos totales, reflejando la
importancia de la retencin de utilidades como fuente de financiamiento para el crecimiento
de la compaa.
78
En tercer lugar, el modelo P-Camacho, incluye variables que si bien son asociadas a la
rentabilidad de la inversin y del patrimonio de la compaa, no son tenidas en cuenta en
los dems modelos, no obstante, gracias al trabajo elaborado se considera deben ser tenidas
en cuenta en el desarrollo de estimadores de este tipo, las variables son: ROA (Retorno
sobre Activos), Incremento o Decrecimiento de Ingresos y Utilidades Antes de Impuestos/
Patrimonio. Dicho lo anterior, el modelo P-Camacho, clasific seis indicadores financieros
de un total de 34, ponderndolos de acuerdo con su nivel de importancia en el modelo de
prediccin de quiebra empresarial realizado. El resultado del modelo es acorde con la
teora financiera en los ratios observados, dado que establece que las relaciones entre el
indicador riesgo, continan constantes.
Los indicadores, por nivel de importancia para el modelo P-Camacho son:
1. Retorno Sobre Activos (ROA): Como se revis en el marco terico, es el cociente

entre la utilidad neta y el total de los activos. Es la relacin entre el monto total
invertido frente a los resultados del ao. La relacin con el nivel de riesgo, es
inversa, dado que una mayor rentabilidad de los activos, supone una mayor
eficiencia de los mismos, por lo cual la inversin en activos no es ociosa y los
recursos destinados a CAPEX (Capital Expenditures) son generadores de utilidad.
Este indicador debe analizarse de forma conjunta con el detalle de los activos de la
compaa, dado que se desmiente la anterior creencia que un elevado nmero de
activos era positivo indistintamente de la naturaleza de los mismos.
En el caso del sector textil, la intensidad en activos es elevada por la calidad

requerida en los productos finales y por la competencia de bienes importados con
caractersticas similares a los productos locales. En este caso, un ROA elevado con
una alta concentracin de sus activos en propiedad planta y equipo, refleja la
eficiencia de la operacin.
79
Por ltimo, el ROA incluye el efecto del apalancamiento en la empresa, dado que
los activos son financiados con recursos de terceros y/o con patrimonio de socios,
por lo cual, es la medida de rentabilidad ms acorde a la situacin de la compaa.
2. Incremento/ Decrecimiento en la Utilidad Neta: Es el cociente de las utilidades del

periodo actual sobre las utilidades del periodo del ao anterior menos 1.
La finalidad de una compaa es la generacin de utilidades disponibles para la

distribucin de utilidades a sus socios, entonces, una compaa que genere
ganancias cumple con ciertos requisitos como eficiencias operativas, capacidad de
transmisin de sobrecostos a clientes, adecuado manejo del gasto financiero, control
de costos y gastos, ventajas competitivas, entre otros factores.
As como el ROA, el incremento y decrecimiento en utilidades, debe analizarse en

conjunto con lo observado en aos anteriores, identificando las oportunidades y/o
falencias que generaron dicho resultado.
Una empresa que no genere rentabilidad durante prolongados periodos de tiempo,

no es viable desde la perspectiva de los socios, por lo cual, los inversionistas no
continuarn inyectando capital y los acreedores financieros no realizarn nuevos
crditos, poniendo en riesgo la estabilidad de la misma.
La relacin con el riesgo es inversa, un decrecimiento en la utilidad genera un

mayor riesgo y viceversa.
Como se mencion, este indicador no fue tenido en cuenta en los modelos de

Altman, Rosillo, Pascale y Fulmer, y de acuerdo con lo observado, estos modelos
no tienen en cuenta factores como ciclos econmicos, competencia de productos de
menor costo, prdida de mercados, entre otros, que pueden ser inferidos a travs del
anlisis del ROA
80
3. Endeudamiento: Es el cociente entre el pasivo total y el activo total. Como se
mencion anteriormente, los activos son financiados con recursos de terceros y con
capital de socios, las estructura ptima de capital, corresponde a la capacidad de la
compaa para el pago de sus obligaciones as como de las expectativas de
rentabilidad de los propietarios.
Una compaa intensiva en activos (como es el caso de las empresas que hacen
parte del sector textil nacional), requiere gran cantidad de recursos que financien las
inversiones, y las fuentes deben guardar un equilibrio que mantenga a los socios con
una participacin que de alguna forma los haga responsables por la gestin de la
compaa.
Un alto nivel de endeudamiento, significa que la exposicin recae sobre los

acreedores ms que en los propietarios y al ser terceros quienes tienen sufren un
mayor impacto, las decisiones de cmo recuperar o proteger su capital, no
necesariamente estn alineados con los objetivos de la empresa.
La relacin con el riesgo de quiebra es directa.
4. Razn Corriente: Es el principal indicador de liquidez, determinado como el

cociente entre el activo corriente y el pasivo corriente.
Si bien no es factible que en un periodo de un ao se haga exigible todo el pasivo de

corto plazo y de igual forma se realice todo el activo corriente, si es importante
como medida de capacidad de liquidez de la empresa para enfrentar una situacin
donde necesite recursos para cumplir con sus obligaciones de forma inmediata.
Los activos corrientes son los de ms fcil realizacin en un momento de crisis, por
lo cual deben estar alineados con las obligaciones de mayor exigibilidad. Una
81
compaa eficiente, tiene un indicador de razn corriente mnimo de 1 vez. Cuando
esto no sucede, se observa que la empresa hace rotacin de sus pasivos y comienza
a tomar nueva deuda para amortizar pasivos, pedir un incremento en la rotacin de
sus proveedores, alarga el ciclo de pago a empleados entre otros, generando en
muchas ocasiones aumento en costos (pej. Intereses financieros) y de esta forma,
afectando la utilidad de la compaa.
Este ratio tiene una relacin inversa con el riesgo.
5. Utilidad Antes de Impuestos(UAI)/ Patrimonio Total: A diferencia del ROE

(Retorno sobre patrimonio), la UAI/Patrimonio, elimina los efectos de la legislacin
tributaria sobre la rentabilidad de la compaa. En el caso de Colombia, las
empresas deben tributar aun cuando no hay utilidades en el periodo (clculo de
renta presuntiva), por tal razn presentan un pago de impuestos aun cuando la
operacin no fue rentable.
Los resultados del modelo realizado, eliminan el efecto del gasto tributario
principalmente porque si una empresa presenta prdidas durante un periodo y
posteriormente utilidades, el efecto del gasto de impuestos no puede ser comparable
de un ao a otro, dado que en el ao con utilidades el gasto por impuesto es
proporcional a la utilidad, mientras que en el ao de prdidas, es proporcional al
activo.
En adicin, la forma de financiacin de la compaa (deuda o patrimonio), incide en

la forma de tributacin, esto obedece a que el gasto por intereses financieros, es
decir el costo por financiarse con deuda o recursos financieros, genera un escudo
fiscal, que disminuye el gasto de impuestos. Por tal razn, este ratio asla el efecto
de dicho beneficio tributario, teniendo en cuenta la operatividad de la compaa, as
como otros rubros de operacin pero que no se relacionan con el objeto de la misma
(pej: intereses, recuperaciones, donaciones, entre otros.).
82
Dicho lo anterior, y eliminando cualquier efecto de la tributacin colombiana, este
ratio permite identificar el nivel de rentabilidad del patrimonio de la compaa. En
conjunto con el nivel de apalancamiento, se puede observar que las empresas con
mayor nivel de endeudamiento, pero con generacin de utilidades, son las que
tienen un retorno al capital ms elevado, reflejando la capacidad de la compaa
para operar de manera rentable.
Edward Altman plante un indicador similar, Utilidades Antes de impuestos +

Intereses/Total Patrimonio, no obstante este clculo desconoce el impacto del gasto
por intereses sobre el rendimiento de la compaa. Casos como Fabricato o Coltejer,
reflejan que el gasto de impuestos genera un alto impacto sobre la eficiencia de la
empresa.
Indicadores como este y el ROE, son incentivos a los accionistas para que inyecten
nuevos recursos a la empresa o que al menos continen con su compromiso para
mantener la rentabilidad de la misma. La relacin con el riesgo es inversa.
6. Utilidades Retenidas/ Total de Activos: La retencin de utilidades en las compaas,

son un claro indicador de la voluntad de los socios de mantener recursos en la
empresa para la inversin en activos fijos y as respaldar el crecimiento de la
empresa. De igual forma, una compaa que retiene utilidades, posee los recursos
necesarios para crecer orgnicamente, sin aumentos en el capital de socios, ni nueva
deuda y un menor pago de intereses.
Este ratio es un indicador de reinversin, es decir, por cada peso que se tiene en
activos, hay X pesos en utilidades retenidas y un resultado positivo es el ms
cercano a uno, su relacin es inversa al riesgo.
83
Al probar el modelo con las 58 empresas seleccionadas para el presente estudio se puede
concluir que se identificaron 10 empresas en zona roja es decir con mayor probabilidad de
quiebra o en riesgo correspondiente al 18,5% del total de empresas analizadas, por otra
parte se identificaron 11 empresas en zona amarilla, es decir estn en zona de indecisin o
anlisis para determinar si los indicadores financieras la ubican posteriormente en zona roja
o verde. Por otra parte, se identificaron 37 empresas en zona verde es decir que el 61,1% de
las empresas seleccionadas para este estudios son empresas que se encuentran slidas y no
cuentan con una alta probabilidad de quiebra.
Lo anterior nos permite rechazar la hiptesis inicial del presente trabajo de grado debido a
que de acuerdo con el mercado las empresas del sector manufacturero textil y de confeccin
con ventas superiores a 30.000 millones de pesos se encontraban en una alta probabilidad
de quiebra. Sin embargo, al analizar los datos identificados a travs del modelo propuesto
por los investigadores P-Camacho el 61,1% de las empresas se encuentran en una buena
situacin financiera y el 18,5% si se encuentran en zona roja y de alerta.
Por ltimo, se puede concluir que el indicador P-Camacho es efectivo para la estimacin de
un diagnstico de la situacin actual de la compaa a partir de la toma de datos financieros
histricos, no obstante, se recomienda para futuros estudios, ampliar su uso a otros sectores
manufactureros de la economa, especialmente a aquellos que han sufrido algn tipo de
amenaza similar a las que ha soportado el sector textil colombiano, dichos sectores pueden
ser el siderrgico, cafetero, cuero, calzado y plsticos y empaques.
84
7. RECOMENDACIONES
De acuerdo con las conclusiones planteadas se sugieren las siguientes recomendaciones

para futuras investigaciones sobre modelos de predictores de quiebra:
Aplicar el Modelo P-Camacho incluyendo ms periodos (aos), de tal manera que

se ample la muestra permitiendo con esto incluir empresas que han quebrado.
Utilizar otras metodologas de modelacin, de tal manera que permita contrastar la

validez de construir modelos similares para otros sectores, teniendo en cuenta las
caractersticas particulares de cada uno de los sectores.
Presentar el modelo P-Camacho a instituciones particulares y/o gubernamentales de

forma que sirva como herramienta para el anlisis de riesgos relacionados con la
operacin de las empresas del sector textil.
85
ANEXO 1. EMPRESAS SECTOR TEXTIL Y CONFECCIN
En el Excel adjunto al presente trabajo de grado identificar para las empresas listadas a
continuacin los modelos de quiebra e indicadores revisados para la construccin del
Modelo P- Camacho.
N EMPRESA N EMPRESA N EMPRESA
TEXTILES FABRICATO TEJICONDOR S.A.

1 EN REESTRUCTURACIN 26 COLOMBIANA DE HILADOS LTD 51 CASTILMODA S.A.S.
WORLDTEX CARIBE LIMITED
2 MANUFACTURAS ELIOT S.A. 27 NAFTALINA S.A.S. 52 SUCURSAL COLOMBIA
INDUSTRIA COLOMBIANA DE CONFECCIONES
3 VESTIMUNDO S.A. 28 S.A. INCOCO 53 ENCAJES S.A.
STUDIO F INTERNATIONAL FASHION C.I. MAQUILA INTERNACIONAL DE
4 CORPORATION S.A 29 CRISALLTEX S.A. 54 CONFECCION S.A.
5 PERMODA LTDA 30 FABRICA DE TEXTILES TEXTRAMA S.A. 55 C.I. COLOR SIETE S.A.S.
COMPAIA COLOMBIANA DE TEJIDOS
6 S.A. 31 CO & TEX S.A.S. 56 LUIS EDUARDO CAICEDO S.A.
DISTRIBUIDORA DE TEXTILES Y CHAIM PEISACH Y CIA HILANDERIA FONTIBON
7 CONFECCIONES S A 32 S.A. 57 INVERSIONES MAGEN S.A.S.
TEXTILES KONKORD S.A. EN ACUERDO
8 LAFAYETTE S.A. 33 FIGURAS INFORMALES S.A.S. 58 DE REESTRUCTURACIN
9 PROTELA S.A. 34 SUPERTEX S.A.

COLOMBIANA DE NO TEJIDOS Y ACOLCHADOS
10 FABRICA DE CALCETINES CRYSTAL S.A. 35 S.A.
11 MERCADEO Y MODA S.A.S 36 STOP S.A.S.
12 C.I. HERMECO S.A. 37 KENZO JEANS S.A.S.
13 INDUSTRIAS CANNON DE COLOMBIA S.A. 38 QUEST S.A.S.

COMERCIALIZADORA INTERNACIONAL
14 JEANS S.A. 39 AVANCE TEXTIL AVANTEX S.A.
PRODUCTORA DE TEXTILES DE
15 TOCANCIPA S.A. 40 TEJIDOS DE PUNTO LINDALANA S.A.S.
INDUSTRIA AMERICANA DE COLCHONES
16 ESTUDIO DE MODA S.A. 41 INDUAMERCOL S.A.
SOCIEDAD DE COMERCIALIZACION
17 TENNIS S.A 42 INTERNACIONAL FORMAS INTIMAS S.A.
18 TEXTILIA S.A.S. 43 RITCHI S.A.
19 TEXTILES MIRATEX S.A.S. 44 INDUSTRIA TEXTIL COLOMBIANA S.A.S.

HILANDERIAS UNIVERSAL S.A.S.
20 UNIHILO 45 INDUSTRIAS ST. EVEN S.A.
21 DANNY VENTA DIRECTA S A 46 TEXTILES SWANTEX S.A.

COMERCIALIZADORA INTERNACIONAL
22 EXPOFARO S.A.S 47 NICOLE S.A.S.
23 INDUSTRIA MERCADEO Y COLOR S.A.S. 48 EKA CORPORACION S.A.
24 COATS CADENA ANDINA S.A. 49 COMERCIALIZADORA RAGGED Y CIA. S.A.

PRODUCTOS Y MATERIALES DE CONFECCION
25 CIPLAS S.A. 50 S.A.S.
86
BIBLIOGRAFA
Apergis, N., Sorros, J., Artikis, P., & Zisis, V. (2011). Bankruptcy Probability and Stock
Prices: The Effect of Altman Z-Score Information and Stock Prices. Journal of Modern
Accounting and Auditing , 689-696.
Barcelona, U. d. (01 de 09 de 2010). Pruebas Econometricas. Recuperado el 15 de 10 de

2013, de www.ub.edu/aplica_infor/spss/cap5-2.htm
Benchmark. (2013). Informe por Sectores (Textiles, confecciones y afines) ISI. Bogota:
Benchmark.
Cidetexco, C. d. (2009). Informe Sectorial Junio a Agosto. Bogota: Cidextexco.
Congreso de la Repblica, d. C. (2006). Ley de insolvencia econmica Ley 1116. Bogota.
Damodar N Gujarati, D. C. (2010). Econometra (Quinta ed.). Mexico: Mc Graw Hill.
DANE, D. A. (2009). Estadisticas Sectoriales. Bogota : DANE.
Departamento Nacional de Planeacion . (2009). Encuesta anual manufacturera. Bogota:

DNP.
Departamento Nacional de Planeacion. (2007). Agenda Interna para la Productividad y la

Competitividad. Documento Sectorial Algodn, fibras, textiles y confecciones. Bogota:
Direccin Nacional de Planeacin.
Fernndez, T. M., & J, G. C. (2012). Variables y modelos para la identificacin y

prediccin del fracaso empresarial: Revisin de la Investigacin Emprica Reciente.
Espaa: Universidad de Len .
Gimenez, Y. (23 de Marzo de 2010). DEPARTAMENTO DE MATEMATICAS,

FACULTAD DE CIENCIAS EXACTAS Y NATURALES. UNIVERSIDAD DE BUENOS
AIRES. Recuperado el 20 de Octubre de 2013, de www.cms.dm.ar:
cms.dm.uba.ar/academico/carreras/licenciatura/tesis/2010/Gimenez_Yanina.pdf
87
IBM. (2013). IBM Software, SPSS Statistics. Recuperado el 20 de Octubre de 2013, de
IBM: www-01.ibm.com/software/co/analytics/spss/products/statistics
KLOTER, P., ARMSTRONG, G., WONG, V., MIQUEL, S., & BIGNE, E. Y. (2000).
Introduccin al Marketing . Madrid: Prentice-Hall.
Len Valds, C. A. (2006). El anlisis financiero como herramienta en la prediccin de

quiebra e insolvencia financiera. Bogota : Universidad Externado de Colombia.
Mares, A. I. (25 de 05 de 2013). Eumed.net. Obtenido de http://www.eumed.net/tesis-

doctorales/2010/aim/MODELO%20PASCALE.htm
Ortega, C. M., & A., C. D. (2002). Regresin Logstica no condicionado . Espaola Salud
Publica , 76,85-39.
Politcnico, S. F. (5 de 03 de 2013). HSBNoticias.com. Recuperado el 10 de 04 de 2013, de

http://hsbnoticias.com/vernoticia.asp?wplaca=36994
RINGELING PAPIC, E. A. (01 de Enero de 204). Tesis Electrnicas Universidad de Chile.

Recuperado el 1 de 05 de 2013, de Tesis Electrnicas Universidad de Chile:
www.tesis.uchile.d/tesis/uchile/ringeling_e/.../ringeling_e.pdf
Rosillo, J. (2002). Modelo de prediccin de quiebras de las empresas colombianas.

INNOVAR , 109-124.
Silva C, S. M. (2007). Modelos de regresin y correlacin III. Regresin logstica. Madrid:

Ciencia y trabajo.
Villamil Bolvar, H. H. (2006). Modelos Multivariados para la prediccin de insolvencia

empresarial. Una aplicacin al caso Colombiano. Bogota: Universidad Piloto de
Colombia.
88

Modelo de Estimación de Quiebra en Las Empresas Colombianas

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Modelo de Estimación de Quiebra en Las Empresas Colombianas

Încărcat de

Drepturi de autor:

Formate disponibile

MODELO DE ESTIMACION DE QUIEBRA EN LAS EMPRESAS

COLOMBIANAS DEL SECTOR TEXTIL Y DE CONFECCIN

COLEGIO DE ESTUDIOS SUPERIORES DE ADMINISTRACIN

2. ESTADO DEL ARTE ..................................................................................................... 9

2.1 MODELO Z DE ALTMAN.......................................................................................... 9

2.2 MODELO Z1 DE ALTMAN ...................................................................................... 14

2.3 MODELO Z2 DE ALTMAN ...................................................................................... 16

2.4 MODELO DE JORGE ROSILLO .............................................................................. 17

2.5 MODELO DE RICARDO PASCALE ....................................................................... 21

2.6 MODELO DE FULMER ............................................................................................ 22

3. MARCO TERICO ...................................................................................................... 24

3.1 QUIEBRA O ILIQUIDEZ ..................................................................................... 24

3.2 INDICADORES FINANCIEROS ......................................................................... 26

3.2.1 Indicadores de Rentabilidad ........................................................................... 27

3.2.2 Indicadores de Liquidez.................................................................................. 30

3.2.3 Indicadores de Eficiencia................................................................................ 32

3.2.4 Indicadores de Endeudamiento....................................................................... 34

3.2.5 Indicadores de Cobertura ................................................................................ 36

3.3 MODELO JERRQUICO .................................................................................... 37

3.4 MODELO DE SEGMENTACIN INDIVIDUAL ............................................... 39

3.5 MODELO DE ANLISIS DE CLUSTER K- MEDIAS ...................................... 42

3.6 MODELO DE ANLISIS DISCRIMINANTE .................................................... 44

3.7 PRUEBA CHI- CUADRADO ............................................................................... 45

3.8 MODELO DE REGRESIN LOGSTICA .......................................................... 47

3.10 ANLISIS PROBABILSTICO LOGIT (APL) ................................................... 52

4. METODOLOGA Y ANLISIS DE RESULTADOS ................................................. 54

4.1 ANALISIS MODELOS PREDICTORES DE QUIEBRA INVESTIGADOS...... 54

4.2 MODELACIN P-CAMACHO............................................................................ 61

Tabla 1 Variables discriminantes del Modelo Z de Altman ................................................. 11

Tabla 2 Lmites de Referencia Modelo Z-Altman................................................................ 13

Tabla 3 Lmites de Referencia Modelo Z1-Altman .............................................................. 15

Tabla 4Lmites de Referencia Modelo Z3-Altman ............................................................... 17

Tabla 5 Coeficientes Modelo Jorge Rosillo ......................................................................... 19

Tabla 6 Coeficientes Modelo Jorge Rosillo Empresas Fuertes ............................................ 19

Tabla 7 Coeficientes Modelo Jorge Rosillo Empresas Dbiles ............................................ 20

Tabla 8 Resumen Indicadores Modelos Predictores de Quiebra .......................................... 55

Tabla 9 Ponderacin de los resultados para cada ao .......................................................... 56

Tabla10 Empresas en reestructuracin ................................................................................. 61

Tabla11 Determinacin de grupos ........................................................................................ 66

Tabla 12 Variables Relevantes Modelo P-Camacho ............................................................ 68

Tabla13 Determinacin de variables relevantes ................................................................... 69

Tabla14 Tabla de confusin o clasificacin. ........................................................................ 70

Tabla 15 Variables y ponderaciones Modelo P-Camacho ................................................... 71

Tabla 16 Rangos Modelo P-Camacho .................................................................................. 72

Tabla 17 Resultados Curva COR Modelo P-Camacho ........................................................ 74

Tabla 18 Prueba Kolmogorov-Smirnov Modelo P-Camacho .............................................. 76

Tabla 19 Prueba Modelo P-Camacho en Compaas en Quiebra ........................................ 77

Tabla 21 Resultados porcentuales de empresas para los Modelos Evaluados ..................... 77

Grfica 1 Distribucin Acumulativa Logit y Probit ............................................................. 52

Grfica 2 Resultados Modelo prediccin de quiebra Jorge Rosillo Empresas Textil y de

Grfica 3 Resultados Modelo de Ricardo Pascale Empresas Textil y de confeccin. ......... 58

Grfica 4 Resultados Modelo Z Altman Empresas Textil y de confeccin. ........................ 58

Grfica 5 Resultados Modelo Z1 Altman Empresas Textil y de confeccin. ...................... 59

Grfica 6 Resultados Modelo Z2 Altman Empresas Textil y de confeccin. ...................... 60

Grfica 7 Resultados Modelo H Fulmer Empresas Textil y de confeccin. ..................... 60

Grfica 8 Resultados rbol de Decisin CHAID. ................................................................ 72

Grfica 9 Prueba Curva COR ............................................................................................... 75

ANEXO 1. EMPRESAS SECTOR TEXTIL Y CONFECCIN ......................................... 86

El sector textil y de confeccin ha sido uno de los sectores de mayor tradicin y

Para mostrar la importancia de la presente investigacin, contextualizaremos el sector

De acuerdo con los resultados de las empresas en 2012, la Superintendencia Financiera

Por otro lado, la informacin estadstica registrada en la Superintendencia de Sociedades