1.3. PROBLEMAS Y LIMITACIONES DE LOS MODELOS PARA PREDECIR QUIEBRAS

Es importante señalar que este tipo de trabajos carece de potencialidad heurística, pues por su contenido difícilmente se pueden derivar pautas normativas. Sin embargo, y como apunta Gabas (1990: p.11), estas investigaciones pueden presentar potencialidad descriptiva y explicativa importante.

Los modelos para predecir quiebras requieren un conjunto de elementos o componentes, cuya definición conceptual y aplicación técnica debe tender a ser precisa con el fin de obtener resultados empíricos verdaderamente válidos. Según afirman los especialistas en este campo, si se logran obtener estos elementos entonces es posible integrarlos a todos ellos en una segunda fase, en donde a través de la aplicación de una metodología se puede llegar a obtener, “ex-post”, ciertos porcentajes de capacidad y exactitud predictiva sobre un posible fracaso empresarial. A lo largo de los años y de las diversas investigaciones llevadas a cabo, se ha observado que los elementos básicos o fundamentales a los que se refieren los especialistas son los siguientes:

La obtención y estructuración de las bases de datos.

La definición de la variable dependiente.

La selección y definición de las variables independientes.

La unidad de análisis.

La unidad geográfica.

La unidad temporal.

La selección de la muestra.

Con respecto a la obtención y estructuración de las bases de datos se puso especial interés porque a pesar de que ha sido mencionada su problemática en la mayoría de las investigaciones, su tratamiento teórico y empírico se ha limitado sólo a aspectos genéricos. Desde nuestro punto de vista este elemento constituye una de las principales claves para llevar a cabo adecuadamente las estimaciones y obtener correctamente los indicadores cuantitativos de un modelo predictivo. Por lo tanto dicho elemento es uno de los que se analizó en la investigación con más detenimiento y profundidad a través de tres diferentes e importantes matices que son los siguientes:

a) El problema que existe para obtener las bases de datos ante la práctica del denominado efecto “window dressing” que afecta negativamente la utilidad del sistema contable.

b) El problema que se presenta para la comparación de las bases de datos entre las diferentes empresas de la muestra seleccionada, considerando las diferentes tendencias que se dan en la presentación de los estados financieros, así como las limitaciones que presentan actualmente las propuestas para obtener nuevos modelos de homogeneización o armonización a escala mundial para la elaboración de los estados financieros básicos.

c) El problema de la estructuración de las bases de datos ante los diferentes criterios de actualización de las cifras, bien sea mediante la revelación o a través de la reexpresión de los estados financieros. Como sabemos la actualización es necesaria para conservar la validez, confiabilidad y comparabilidad de la información contable a lo largo de los años. Sin embargo, a la fecha existe una controversia en cuanto al método para actualizar dichas cifras pues cada uno de estos da diferentes resultados.

En la práctica continúan generándose gran cantidad de investigaciones cuya característica en común es un excesivo enfoque estadístico y una falta de nuevas proposiciones para las fases de diseño de los trabajos teóricos y empíricos. Tal vez esta circunstancia esta motivada por la mayor preocupación que el investigador da frecuentemente a la fase empírica, la cual se ha entendido erróneamente que consiste en una serie de complejas estimaciones estadísticas ya probadas y aceptadas. Esta tendencia aunque se reconoce que es de suma importancia, en definitiva no es suficiente para obtener los indicadores globales con poder predictivo real.

Hemos de apuntar que hasta la fecha al no haberse logrado definir u obtener mejor los elementos que integran al modelo predictivo con la validez y confiabilidad suficiente, el complejo proceso de análisis financiero ha dado en numerosos casos sólo resultados basados en rigurosos procesos estadísticos, pero en definitiva no han contribuido significativamente a la evolución de la teoría de la solvencia y a la predicción “ante-facto” sobre el éxito o fracaso de la empresa.

La aplicación de un modelo predictivo no es tarea fácil en ningún sentido. A lo largo de la exposición teórica de esta investigación veremos algunos de los principales problemas, alcances y limitaciones para obtener los elementos necesarios que requieren los modelos predictivos. Posteriormente, también estudiaremos con detalle los problemas relativos a la técnica estadística del factorial, pero sin olvidar que el éxito de su aplicación depende en gran medida de la calidad que proporcionan las bases de datos derivadas de los estados financieros y sus respectivos ratios.

El factorial se aplica frecuentemente en los modelos predictivos para la reducción de datos, de ahí que hayamos incluido una breve reseña sobre los trabajos más clásicos que se han desarrollado en torno al tema dentro de la predicción del fracaso empresarial, cuya característica principal es su casi total contenido estadístico.

Con respecto a la clase de problemas que presenta cada uno de los elementos, estos los hemos clasificado en términos generales en tres grupos: a) los problemas que presentan una combinación tanto de tipo conceptual como técnico; b) los problemas de tipo conceptual; y por último, c) los problemas de tipo técnico. (Ver cuadro 1.1.).

Referente al desarrollo de posibles soluciones para los problemas de los modelos predictivos, su tratamiento se asocia siempre con el término del análisis de la solvencia empresarial, y así lo utilizan algunos investigadores para sus modelos cuyo objetivo central es maximizar la exactitud de predicción de los decisores. Según Jiménez (1996) para alcanzar este objetivo se requiere establecer y alcanzar varios “sub-objetivos” que resume en tres:

a) Desarrollar modelos con gran exactitud predictiva. Esto se logra a través de la obtención de los siguientes elementos: a) contar con un modelo óptimo que indique cuáles son las variables predictivas (especificando su ponderación) para informar sobre la forma en que deben ser agregadas; b) el modelo debe permitir la evaluación del rendimiento del decisor y la implantación de programas de mejora; y, c) el modelo tiene que poder ser evaluado por la exactitud de sus predicciones, así como por su estabilidad y por su factibilidad para que pueda ser replicado por los decisores.

b) Identificación de los modelos utilizados por los decisores. Normalmente la inestabilidad de los modelos predictivos se debe a las relaciones empíricas entre los ratios. Además, también existe en muchos casos una falta de homologación entre los términos, así como una deficiente delimitación del concepto y del ámbito dentro del análisis financiero.

c) Determinación de los procedimientos de aprendizaje más adecuados. Se busca aproximar el modelo utilizado al modelo óptimo.

Siguiendo con Jiménez (1996), este autor también considera como elementos básicos para poder validar la capacidad predictiva del modelo a los siguientes tres factores: la utilidad relativa de los ratios, las relaciones empíricas entre los ratios y las limitaciones generales de la investigación sobre predicción de quiebras

Actualmente el enfoque más aceptado sobre los modelos predictivos es aquel que los divide en modelos univariables y modelos multivariables. Los primeros comprimen la extensa información financiera en una única variable o ratio que conduce regularmente a limitaciones importantes para una correcta predicción. Esto es porque la información financiera intenta medir al mismo tiempo no sólo un evento, sino todo un conjunto de transacciones distintas y todas ellas importantes para la existencia y desarrollo de la empresa. Por eso Lizarraga (1993: p.90) considera a los estados financieros como documentos multivariables que deben analizarse desde una “óptica multivariable” para llegar a mejores predicciones.

No obstante, la validación de los modelos predictivos multivariables presentan serios problemas por el bajo nivel teórico que existe sobre la solvencia, además de las múltiples deficiencias metodológicas contenidas en los modelos, así como la falta de obtención de verdaderos resultados predictivos en empresas que se dirigen hacia la quiebra. Recordemos que el principal objetivo de los modelos de predicción es la detección oportuna de empresas que quebrarán en el futuro y su utilidad práctica sólo es patente cuando dichos modelos son capaces de distinguir entre empresas que “no fracasan” y tiene éxito (aunque presenten síntomas de fracaso empresarial) y empresas que sí fracasan (aunque no quiebren).

Otro inconveniente relacionado con los modelos predictivos y que a llamado también nuestra atención, es el constatar que a la fecha la mayoría de las investigaciones no aplican nuevos modelos económicos en la fase de diseño del trabajo empírico, pues se interesan más en la aplicación de las técnicas estadísticas, que como apunta Jiménez (1996): “...tratan de ser más elegantes”. Sin embargo, para el trabajo del analista financiero siempre es más importante la exactitud del modelo predictivo que la contrastación de una hipótesis o la validación rigurosa de una teoría que sólo busca demostrar una compleja habilidad en el empleo de técnicas informáticas y estadísticas que se apartan de ambientes reales.

Lizarraga (1993) también coincide con la idea anterior pues considera que la sofisticación metodológica, aunque imprescindible en el avance de la técnica, transforma en ocasiones a los investigadores en sólo “especuladores estadísticos”, que fundamentados en buenos resultados tras largos procesos de contrastación de variables, no tienen en cambio una base teórica y carecen de interpretaciones económicas convincentes.

Ya Lev (1978: p.314) afirmó hace más de dos décadas que algunos modelos son inadecuados y cuando se emplean presentan generalmente el síntoma de la falta de una teoría base, desvirtuando en experimentos excesivos con gran número de variables y de modelos matemáticos cuyos datos y resultados son difíciles de generalizar. Con respecto a esto, Lizarraga (1993: p.103) recomienda que en la interpretación y validación de los resultados exista una interpretación económica para dar un sentido lógico a las causas del fracaso empresarial, y no sólo interpretaciones en términos estadísticos que se caracterizan frecuentemente por una ausencia de juicios económicos del investigador.

Jiménez (1996) refuerza también la anterior idea al criticar la existencia de “una curiosa obstinación” por parte de algunos investigadores para demostrar que los modelos multidiscriminantes lineales, que son los más utilizados, tienen una capacidad predictiva superior o equivalente a otras técnicas avanzadas. Para él en estos trabajos se nota una falta de interés con respecto a si las variables utilizadas cumplen con los requisitos de dichos modelos o con la real exactitud predictiva.

En parte la inercia de este fenómeno esta influida por el exceso de preocupación por parte de ciertos investigadores para seleccionar sólo aquellos artículos que son los más citados en las investigaciones de revistas prestigiosas. Normalmente su constante práctica busca evaluar un área para cumplir con los objetivos propuestos, olvidando a su vez recopilar otra información que pudiera dar un nuevo enfoque. Esta inercia sólo permite extender y verificar aquellos resultados que condicionan significativamente el comportamiento del investigador por el arraigo de sus convicciones defendidas y elimina los supuestos que puedan contrariar a sus hipótesis (Jiménez: 1996, p. 462).

Es importante considerar que la evaluación de una área del conocimiento como la que nos ocupa, requiere la identificación de sus objetivos y “sub-objetivos” tal como se señaló líneas atrás. Posteriormente, para evaluar la capacidad de la investigación empírica con base al cumplimiento del objetivo principal, tenemos que centrarnos en dos tópicos concretos que están presentes en todas las investigaciones sobre el análisis de la solvencia empresarial y que son: a) la investigación dirigida al desarrollo de modelos con gran exactitud predictiva tiene que ser capaz de predecir la quiebra; y b) las técnicas de reducción de datos tienen que ser eficientes.

Continuando con la investigación documental que realizó Jiménez (1996: p.460) sobre el estado actual de esta línea de investigación, sus resultados le indicaron una escasa utilidad de la investigación desarrollada a lo largo de los años, pues esta no cumplía con los dos objetivos antes mencionados y tampoco se logró cumplir con el objetivo central que es la de maximizar la exactitud predicitva de los decisores. Al observar los resultados de los trabajos analizados, la conclusión a la que llegó este investigador fue que a pesar de apoyarse dichos estudios en datos objetivos obtenidos a través de rigurosos procedimientos cuantitativos, estos presentaban en general la característica de ser insuficientes y sesgados para “concluir sobre una cuestión, debiendo generalmente ser replicados o matizados a la luz de otros”.

Esta limitación que impide maximizar la capacidad predictiva de los decisores, causa que la dirección de la investigación se desvíe a la replica y extensión de los resultados obtenidos en alguno de los pequeños círculos de investigaciones que pretenden justificar algún logro, pero que en realidad es distinto al objetivo central, y por tanto, la evaluación de dicha investigación se presenta negativa.

Por otra parte, para otros investigadores que cuestionan la utilidad de los modelos predictivos resulta significativo constatar que a largo de más de tres décadas de numerosas investigaciones, hasta la fecha ningún trabajo académico sobre este tema ha informado sobre la aplicación de los modelos de predicción en programas de evaluación o mejora en la toma de decisiones en empresas que fueron muestreadas. Además, también es significativo observar que gran número de investigaciones, con metodologías tan detalladas y rigurosas en el uso de las herramientas estadísticas, continúan caracterizándose por una total ausencia de información en sus resultados sobre quienes y cómo se están aplicando los modelos predictivos en los diferentes ambientes reales de las empresas de diversas partes del mundo.