2.4.4. MODELO EDMISTER (1972)

Robert Edmister elaboró su tesis doctoral en la Universidad de Purdue y la Universidad Estatal de Ohio en 1970, y dos años después publicó un artículo sobre su trabajo empírico que trataba sobre el desarrollo de un número de métodos de análisis financieros basados en ratios para las pequeñas empresas, partiendo de la idea de que no todos los métodos ni todos los ratios pueden ser predictores de quiebras.

Partiendo de los fundamentos de Beaver (1966), en cuanto a la importancia estadística para predecir una quiebra, realizó un análisis multivariable aplicando el MDA para tratar de predecir el fracaso empresarial sólo en las pequeñas empresas, ya que los estudios realizados hasta antes de 1972 en este campo, únicamente se habían enfocado a empresas de tamaño mediano y grande (Beaver, 1966; Altman, 1968; y Deakin, 1972).

Para Edmister los estudios anteriores le indicaban que se podían realizar combinaciones con pocos ratios con el objetivo de construir una función discriminante con alto grado de exactitud, siempre y cuando se aplicase en bases de datos similares que hubieran sido utilizadas para determinar la función. Por otra parte, consideraba que algunos ratios son mejores predictores que otros, aunque aclaró que en ciertos casos no siempre los mismos ratios son los mejores predictores para todos los estudios. Para él, esto le indicaba que la función discriminante podía aplicarse exactamente igual sólo en situaciones muy similares bajo las que se genera dicha función. Con base en lo anterior su estudio lo enfocó únicamente a las pequeñas empresas por lo que advirtió que su función sería sólo de importancia para el análisis de este tipo de empresas.

Con esto se volvía a insistir en que los modelos predictivos presentan problemas de sesgos muestrales, validaciones alternativas de los resultados y problemas de comprobación de la estabilidad en las relaciones establecidas en el modelo.

Edmister siguiendo a Beaver, sugirió que era importante que se incluyera en la base de datos el estado de flujos de fondos. Sin embargo, en esa época, tanto Beaver, Edmister como otros muchos investigadores, consideraban este concepto tan complejo como la simple suma de los beneficios netos más las amortizaciones, depreciaciones y provisiones .

Para su base de datos utilizó estados financieros de la “Small Business Administration” que fueron proporcionados por “Robert Morris Associates”, con una unidad temporal de tres años previos a la quiebra y considerando como unidad temporal el período 1954-1969. Estos datos pertenecían a una muestra de 21 "recipientes" de pequeñas empresas que eventualmente habían “quebrado” y 21 "recipientes" de empresas pequeñas que no estaban en quiebra.

La anterior información tenía la característica de ser poco confiable dada la falta de obligación para llevar a cabo auditorías a los estados financieros en las empresas pequeñas, lo que presuponía desde el inicio serias reservas en cuanto a los resultados que se obtendrían. Al considerar esto, Edmister optó por no entrar en el análisis de cuestiones metodológicas, explicaciones semánticas sobre el fracaso como variable dependiente o en la problemática de la selección de la muestra, y concentró sus esfuerzos en los resultados del modelo.

Sin embargo, con relación a la muestra advirtió que ante la tendencia y las inestabilidades de algunos parámetros de las muestras, era importante reflejar ambos fenómenos en las variables independientes, transformándolas de continuas a dicotómicas. Esto lo llevó a cabo estimando los coeficientes del modelo a través de una regresión. De esta forma Edmister combinó los niveles de los ratios con sus tendencias a través de la dicotomización de las variables independientes.

Para su investigación entendió simplemente que el “éxito empresarial” era para aquellas empresas que no tenía pérdidas. En cambio el “fracaso empresarial” se daba en aquellas que reportaban pérdidas. Pero en el caso del sector que él analizaba (empresas financieras para sus decisiones de crédito) consideró que el fracaso de una empresa se presentaba por el simple incumplimiento para devolver un préstamo a su vencimiento .

Para el desarrolló de su investigación Edmister se basó en cuatro hipótesis que fueron las siguientes:

La H1 establecía que el nivel del ratio representa poder predictivo para una quiebra en las pequeñas empresas, sin importar el sector o el país en donde se ubique la firma.

La H2 se basó en que la tendencia experimentada por el ratio durante tres años consecutivos, representa un poder predictivo de quiebra para las empresas pequeñas. Para él, generalmente la tendencia se definía estadísticamente como la relación significativa entre la variable dependiente y el tiempo. Además, hizo una interesante observación que se refería a que la tendencia podía ser entendida de muchas maneras. Por ejemplo, decía, si tenemos una tendencia en los últimos tres años de 2/1, 3/1 y 4/1; la tendencia está obviamente definida. Sin embargo, si la tendencia fuera de 2/1, 4/1 y 3/1; se puede inferir que no existe dicha tendencia.

A partir de esto consideró que se podía crear una variable ficticia (“dummy”) con tendencia creciente (“up-trend”) cuyo valor sería “1” al incrementarse y “0” al disminuir. Por otra parte, también se podían crear variables ficticias con tendencia decreciente (“down-trend”), en donde el valor sería “1” al disminuir y “0” al incrementarse la tendencia.

La H3 establecía que el promedio “tri-anual” de un ratio es un predictor de quiebra para las empresas pequeñas y éste es más efectivo con respecto a sólo un promedio anual.

La H4 estableció que la combinación entre la tendencia relativa y el nivel relativo de la industria para cada ratio, era un predictor de quiebras para los pequeños negocios. Según Edmister esta hipótesis nunca antes había sido utilizada.

Con respecto a los métodos seleccionados para el análisis de las variables independientes, Edmister observó que el poder predictivo de los ratios parecía depender de la selección de los métodos de análisis, así como de la selección de los ratios. A partir de esto sugirió una técnica que consistió en dividir el ratio entre su respectivo promedio industrial. De esta forma, cinco de las siete variables fueron divididas entre su promedio.

Edmister consideraba que el poder predictivo de los ratios era acumulativo dado que un ratio individual no predecía tan bien como un pequeño grupo de estos. Además, algunos ratios no le indicaron buenas predicciones por sí mismos, pues estos sólo incrementaron su capacidad discriminatoria cuando se sumaron a una función. Sin embargo, cuando los ratios se adicionaban sin considerar el análisis de los otros ratios ya incluidos en la función, el poder predictivo real del análisis no se incrementaba. Esto se debía al efecto ilusorio de la multicolinealidad que había sido ya evidente en varias investigaciones con muestras “uni-anuales”.

Este investigador pareció entender que, tanto en la práctica como en la teoría, la fiabilidad de las funciones se conformaba mejor sobre un conjunto de predictores o variables independientes. Así, la tendencia de los ratios era muy similar al contenido de su información y por eso había que tener mucho cuidado para seleccionar un grupo que fuera lo más diverso posible, ya que este dominio de la información tenía una implicación muy importante para el análisis del ratio. Para él, las máximas ventajas se obtenían al seleccionar un ratio para cada una de las diferentes características. Anteriores investigaciones le habían confirmado que un reducido número de ratios seleccionados cuidadosamente eran más útiles en comparación con la utilización de un gran número de ratios sin ningún previo y riguroso método de selección.

Como variables independientes seleccionó 19 ratios considerando dos criterios que fueron: a) Por su popularidad, y b) Con base en sus resultados positivos en investigaciones anteriores (a excepción del ratio de Margen de Operación Neto). Posteriormente, utilizó los ratios más significativos de previos estudios y también consideró el valor del ratio en relación al porcentaje de la industria (estándares). Los ratios fueron convertidos a variables dicotómicas para compararlos con el valor individual del ratio para los cuartiles de la industria: si el valor individual del ratio era menor que el cuartíl más bajo para la industria se le designaba el valor de "1", por el contrario, si este era mayor se le designaba el valor de "0".

Con respecto a las variables independientes finales, Edmister las definió de la siguiente manera:

X1= Flujo de Fondos Anuales / Pasivo Circulante. Edmister entendió al flujo de fondos como los beneficios netos antes de impuestos más la depreciación.

X2= Capital Contable / Ventas. Este ratio dividido entre el respectivo ratio estandarizado de “Robert Morris Associates” (RMA) indicaba que si X2 = 1 entonces era menor que .07; y si X2 = 0, entonces era mayor que .07; Según Edmister, la quiebra estaba más cerca cuando las empresas presentaban una base de capital contable más pequeña para sus ventas, con independencia de su clasificación industrial.

X3= Capital de Trabajo / Ventas. Aquí la X3 = 1 si era menor que .02; y X3 = 0 si era mayor que .02 .

X4= Pasivo Circulante / Capital Contable. Este ratio dividido entre su respectivo ratio de RMA indicaba que: X4 = 1 si era menor que .48; y X4 = 0 si era mayor que .48. Esto le confirmaba que un pasivo bajo con respecto al capital contable reducía la probabilidad de quiebra.

X5= Inventarios / Ventas. Este ratio dividido entre su respectivo ratio estandarizado de RMA indicaba que un prestamista muy endeudado y con una rotación de inventarios baja en los promedios industriales de “Robert Morris Associates”, tenía un alto potencial de fracaso.

X6= Ratio de Circulante. Aquí X6 = 1 si era menor que .34; y X6 = 0, si era mayor que .34. Este ratio dividido entre su respectivo ratio de RMA, indicó sólo en dos casos la característica de que su disminución lleva a la quiebra.

Resultados con Z-Scores por debajo de .47 fueron obtenidos sólo para empresas en quiebra. En cambio Z-Scores sobre .53 fueron obtenidas sólo para empresas sin quiebra. La zona gris, similar a la zona de ignorancia de Altman, la determinó entre .47 y .53. Tanto las empresas en quiebra como las empresas sin quiebra exhibieron Z-Scores sin esta zona gris. Los análisis de la zona gris indicaron un punto de corte de .52; representando esto la mejor exactitud de clasificación global que fue del 93%

Sus resultados le indicaron que la certeza de los ratios individuales o de pequeños grupos de ratios fueron efectivos para predecir quiebras. Edmister notó que estudios previos podían no coincidir sobre un conjunto común de ratios. Esto le sugirió que las funciones discriminantes pueden únicamente ser aplicadas relativamente a situaciones similares para aquellas de las cuales la función fue desarrollada, y por consiguiente, los resultados de estudios previos no pueden ser generalizados para pequeñas empresas en lo que se refiere a la predicción de la quiebra.

Para Edmister el MDA le proporcionó en su estudio un medio de selección para un conjunto óptimo de ratios y métodos. También le permitió asignar las ponderaciones o “pesos óptimos” de cada uno de los coeficientes dentro de la función lineal. Aunque este método no lo consideraba el más exacto, era sin embargo una técnica más eficiente para su modelo con respecto a aquellos procesos subjetivos que en ese tiempo se practicaban.

Utilizando el MDA Stepwise encontró que sus métodos de análisis fueron útiles para los siguientes aspectos:

1. La clasificación de los ratios de endeudamiento dentro de cuartiles relativos a otros deudores de la muestra. Para él la clasificación de las distribuciones de los ratios por cuartiles podía ser importante para la interpretación de los resultados.

2. Le permitía observar la tendencia (a la baja y a la alta) durante un período de tres años.

3. Podía llevar a cabo un análisis combinatorio de la tendencia de los ratios y de sus niveles más recientes.

4. Podía calcular el promedio “tri-anual”, ya que consideraba que para poder desarrollar funciones discriminantes con alto poder predictivo, las bases de datos deberían ser superiores a un año.

5. Era posible dividir los ratios entre sus correspondientes promedios industriales. En este caso consideró los promedios de “Robert Morris Associaties”, ya que la división de los valores de los ratios entre los valores medios del sector industrial le ayudaron a compensar el efecto inevitable de la heterogeneidad poblacional.

Su función discriminante le demostró una alta capacidad de discriminación, al igual que aquellas funciones aplicadas a las grandes empresas como las de Altman, Beaver y Blum.

La exactitud de la función lineal discriminó correctamente 39 de los 42 casos. Esto significó alcanzar un porcentaje del 93% de exactitud predictiva. Z-Scores menores de .520 indicaban “predicción de quiebra”; en cambio Z-Scores mayores de .520 indicaban “predicción de no quiebra”. Otros indicadores interesantes que obtuvo Edmister fueron los que se muestran en el siguiente cuadro:

El estudio de Edmister confirmó los descubrimientos de Altman: de que un grupo pequeño de ratios tienen mejor precisión o exactitud de predicción que cualquier ratio único. Edmister también concluyó que estandarizando los ratios a través de su división por promedios industriales, y posteriormente convirtiéndolos de variables continúas a variables dicotómicas, sumaban significancía al modelo.

En cuanto al análisis del ratio, sugirió que podía ser descrito en términos de las presentes condiciones y de futuros eventos. En cuanto a los algoritmos, éstos se presentaron altamente complejos en su trabajo. Consideró que cada ratio es un método analítico óptimo al promediarse o dividirse entre su estándar industrial.

El MDA que utilizó para derivar la función discriminante intentó clasificar a las empresas como empresas en quiebra y empresas sin quiebra, y el procedimiento de selección fue utilizado para limitar la multicolianilidad. Este procedimiento excluyó cualquier variable del modelo si el coeficiente de correlación de una variable excedía el .31. Este indicador fue producto de la regresión por etapas “Stepwise”, la cual consistió en eliminar del modelo ratios con correlaciones superiores a un número previamente definido. Aquí el problema ha radicado en establecer el límite de forma objetiva a través de los modelos estadísticos. De cualquier forma, lo que buscó Edmister fue mantener el poder predictivo de los ratios a través del tiempo, pues como ya se apuntó, consideraba que dicho poder era acumulativo siempre y cuando se estimaran las funciones discriminantes con variables independientes que tuvieran poca multicolianilidad.

En general los resultados de su estudio fueron mixtos: la exactitud de la función discriminante basada sobre datos de un año previo a la quiebra no pudo determinarla. La validación de la prueba de las funciones resultó en una capacidad de predicción pobre y los mejores resultados que obtuvo fueron con la base de datos de tres años previos a la quiebra.

Edmister concluyó su investigación con una idea muy interesante acerca del problema potencial que se da con la técnica de ratios, afirmaba que, a través de esta técnica las relaciones suelen ser complejas, pues por ejemplo, si una relación es de –1:2 y otra es de 1:-2; en ambos casos las relaciones serán equivalentes computacionalmente, pues darán como resultado una proporción de -.5:1 y esto por supuesto que tiene un significado totalmente diferente, aunque rara vez se presentan estas magnitudes en la práctica.