Análisis de la industria aeroespacial ... - educacion.gob.es

Universidad Rey Juan Carlos

Facultad de Ciencias Jurídicas y Sociales

Departamento de Economía de la Empresa

Tesis Doctoral

Análisis de la industria aeroespacial: estudio de un caso

Doctorando:

Rubén Elvira Herranz

Dirigida por:

Prof. Dr. D. Luis Tomás Díez de Castro

Prof. Dr. D. Pablo García Estévez

Prof. Dr. D. Jacinto Julio Alonso Pérez

Abril 2015


Rubén Elvira Herranz i

AGRADECIMIENTOS

La culminación de esta tesis doctoral es un importante hito que cierra una fase

académica y personal iniciada hace muchos años, cuyo germen se remonta a

mi época de E.G.B. Gracias al binomio formado por mis padres y mis

profesores, me descubrieron la pasión por el saber, así como el placer de

conseguir un objetivo tras un esfuerzo.

Me gustaría reconocer y agradecer, todos los esfuerzos y sacrificios, que han

realizado mis padres, Andrea y Guillermo, y mi hermana, Maria; para hacerme

llegar hasta aquí, ya que ha sido un viaje repleto turbulencias, pero que con

actitud y decisión hemos sabido navegar por él.

Me gustaría hacer una mención especial a mi nueva familia, por hacer posible

esta realidad. A Mónica por entenderme, apoyarme y complementarme

incondicionalmente; y a David por haberme dado el mayor baño de realidad y

las mejores lecciones que se pueden recibir, por haber simplificado y ordenado

mi vida, así como por todos los ánimos que me ha dado durante la realización

de la tesis.

También quiero acordarme de Maria José, quien estoy seguro se sentiría

orgullosa de este momento. Me gustaría agradecer a Gabino la decisión que un

día tomó sin dudar un momento. Gracias también al resto de mi familia política

por acogerme como un miembro más.

Que decir de mis amigos, los cuales mantengo desde preescolar. Han sido

esenciales en mi desarrollo personal y académico. Sólo puedo decirles gracias.

Gracias a mis tutores, por su dedicación, ayuda, apoyo, guía y consejos. Luis,

Pablo, Jacinto, muchas gracias.

Gracias también a todos los profesores, compañeros y amigos de la

Universidad Rey Juan Carlos y Universidad Carlos III que con sus consejos y

su ayuda desinteresada han contribuido a esta tesis doctoral.


Rubén Elvira Herranz ii

Me gustaría mencionar a mis compañeros de departamento y amigos de la

Universidad Politécnica de Madrid, a Jacinto, Daniel, Rafael, Alberto, Fernando,

Consolación y Carlos.

Por último y no por ello menos importante, debo agradecer a mis amigos de la

India, la oportunidad que me dieron de intercambiar opiniones sobre la tesis en

el momento en el que más turbulencias existían, gracias a Rahul, Ganesh,

Pramod, Ravi y Deepika, por hacer que me sintiera como en casa cada vez que

os visitaba en Bangalore, por hacer posible esta tesis y por compartir esos

maravillos filter coffee en el campus, solo puedo decir dhaniavad.

First they ignore you,

then they laugh at you,

then they fight you,

and then you win.

Mahatma Gandhi


Rubén Elvira Herranz iii

RESUMEN

La presente tesis doctoral analiza la industria aeroespacial en España y en

India, a través de las empresas que la conforman, en el periodo 2008-2013.

Persigue varios objetivos, siendo el primero de ellos exploratorio, poniendo de

manifiesto la estructura de dicha industria en ambos países, así como su

variación temporal. La estructura está formada por la eficiencia de las

empresas, su rendimiento, su estructura de activos, de liquidez y de capital. El

segundo objetivo que persigue este trabajo es descriptivo, identificando

longitudinalmente los factores clave de la estructura de la industria en ambos

países, determinando longitudinalmente los factores que diferencian a las

empresas más eficientes de la industria en cada país, comparando la industrias

de ambos países y comparando las empresas más eficientes de ambos

países. El tercer objetivo es predictivo, proponiendo un modelo que determine

la eficiencia de las empresas aeroespaciales en ambos países tomando como

punto de partida la estructura de las mismas a través de la información pública

disponible en el balance, cuenta de resultados. De los objetivos presentados se

han derivado una serie de hipótesis de investigación que se falsarán a lo largo

de este trabajo. Por ultimo persigue el objetivo de proponer una metodología de

análisis de la industria aeroespacial que sea aplicable en cualquier entorno,

para ello se utilizan variables comúnmente aceptadas en el mundo académico,

técnicas de análisis muy extendidas y con unos requerimientos para la muestra

razonablemente laxos, que confieren robustez, potencia, replicabilidad, y

comparabilidad de los resultados al método. En esta tesis se aplica en dos

entornos muy diferentes como son India (país BRIC, industria aeroespacial

poco madura) y España (país PIGS, industria aeroespacial madura).

El valor añadido que presenta esta tesis es el estudio holístico de un problema

de investigación, del que hasta la fecha, sólo existe información parcial (por

tamaño de la muestra y país) y de carácter anual. Otro de los aspectos en los

que añade valor es la muestra utilizada, tanto por número de empresas muy

cercanas a la población de la industria, como por la extensión del periodo en el

que se recogen datos (2008-2013), así como por la dificultad en la


Rubén Elvira Herranz iv

disponibilidad de los datos, ya que por un lado los datos de las empresas indias

del sector aeroespacial sólo son accesibles desde dicho país, y los datos

españoles pueden presentar dificultades de acceso para investigadores del

resto del mundo. Otro punto en el que se añade valor es haber recopilado los

datos directamente en India, así como haber visitado parte de las empresas en

India y España. Adicionalmente también es un valor añadido conocer

profesionalmente esta industria en ambos países, así como haber sido testigo

de su evolución en India con visitas regulares desde 2006 hasta 2014. Esto

último permite interpretar mejor los resultados obtenidos con las técnicas de

análisis.

La metodología que se ha utilizado está basada en el método científico con

objeto de dotar una mayor robustez a los resultados obtenidos. En la parte

exploratoria y descriptiva se han utilizado las técnicas de análisis de

componentes principales y análisis envolvente de datos (DEA), mientras para

en la predictiva se ha utilizado un modelo de red neuronal artificial (ANN).

Como resultado, se han falsado las hipótesis definidas inicialmente a excepción

de una y se han identificado las serendipias favorecidas por la aplicación de las

diferentes técnicas de análisis.


Rubén Elvira Herranz 1

ÍNDICE

PARTE I INTRODUCCIÓN................................................................................. 7

CAPITULO 1 INTRODUCCIÓN ...................................................................... 9

1.1 Motivación de la tesis ......................................................................... 9

1.2 Estructura ......................................................................................... 10

CAPITULO 2 PLANTEAMIENTO DEL PROBLEMA ..................................... 13

2.1 ANÁLISIS DEL ENTORNO GENERAL (P-E-S-T-E-L) ..................... 13

2.1.1 Político .......................................................................................... 14

2.1.2 Económico .................................................................................... 16

2.1.3 Sociocultural ................................................................................. 21

2.1.4 Tecnológico .................................................................................. 22

2.1.5 Ecológicos .................................................................................... 22

2.2 LA CADENA DE VALOR EN EL SECTOR AEROESPACIAL .......... 23

2.3 INDUSTRIA AEREOESPACIAL Y DE DEFENSA ........................... 24

2.4 ANÁLISIS DE LA INDUSTRIA (CINCO FUERZAS DE PORTER) ... 26

2.4.1 Poder negociador de los compradores ......................................... 33

2.4.2 Poder negociador de los proveedores .......................................... 40

2.4.3 Grado de rivalidad ........................................................................ 47

2.4.4 Entrada de nuevos competidores ................................................. 54

2.4.5 Existencia de productos sustitutivos ............................................ 60

2.5 DEFINICIÓN DEL PROBLEMA OBJETO DE ESTUDIO ................. 66

2.6 DESARROLLO DE HIPÓTESIS ...................................................... 72

PARTE II FUNDAMENTOS TEÓRICOS .......................................................... 77

CAPITULO 3 METODOLOGÍA DE LA INVESTIGACIÓN ............................. 79

3.1 METODOLOGÍA DE LA INVESTIGACIÓN ...................................... 79



CAPITULO 4 TEORIA ANÁLISIS FACTORIAL EXPLORATORIO

(COMPONENTES PRINCIPALES) ............................................................... 89

4.1 INTRODUCCION ............................................................................. 89

4.2 FUNCIONAMIENTO DE LA TÉCNICA ............................................ 91

4.3 BONDAD DEL MODELO FACTORIAL ............................................ 97

4.4 ROTACION DE FACTORES ............................................................ 99

CAPITULO 5 ANÁLISIS DE LA ENVOLVENTE DE DATOS ...................... 103

5.1 INTRODUCCIÓN ........................................................................... 103

5.2 TIPOS DE MODELOS DEA ........................................................... 107

5.2.1 CCR ............................................................................................ 108

5.2.2 BBC ............................................................................................ 112

5.2.3 Otros modelos ............................................................................ 113

5.3 LIMITACIONES DEL ANÁLISIS ENVOLVENTE DE DATOS ........ 114

CAPITULO 6 TEORÍA DE REDES NEURONALES ARTIFICIALES ........... 119

6.1 INTRODUCCIÓN A LAS REDES NEURONALES ARTIFICIALES 119

6.1.1 Modelo computacional de las Redes Neuronales Artificiales ..... 122

6.1.1.1 Neurona artificial ..................................................................... 122

6.1.1.2 Estructura básica de la red ...................................................... 124

6.1.1.3 Aprendizaje ............................................................................. 127

6.1.2 Evolución histórica de las Redes de Neuronas Artificiales ......... 130

6.2 PERCEPTRON MULTICAPA ......................................................... 134

6.2.1 Propagación de los patrones de entrada .................................... 136

6.2.2 Aprendizaje ................................................................................. 143

6.2.3 Algoritmo de retropropagación.................................................... 144

6.2.4 Evaluación de la capacidad de generalización ........................... 148



6.2.5 Limitaciones del algoritmo de aprendizaje .................................. 150

PARTE III DESARROLLO DEL MODELO Y REVISIÓN BIBLIOGRÁFICA .... 151

CAPITULO 7 DESARROLLO Y ESPECIFICACIÓN DEL MODELO ........... 153

7.1 MODELO DE MEDICIÓN DE “EFECTO DE LA EMPRESA” ......... 153

7.2 MODELO DE MEDICIÓN DE “ESTRUCTURA DE ACTIVOS” ...... 163

7.3 MODELO DE MEDICIÓN DE “ESTRUCTURA DE CAPITAL” ....... 171

7.4 MODELO DE MEDICIÓN DE “ESTRUCTURA DE LIQUIDEZ” .... 176

7.5 MODELODE MEDICIÓN DEL “RENDIMIENTO DE LA EMPRESA”

182

7.6 OTROS FACTORES ...................................................................... 220

7.6.1 Factor “EFECTO DE LA INDUSTRIA” ........................................ 220

7.6.2 Factor “EFECTO DEL PAÍS”....................................................... 223

7.7 DESCRIPCIÓN DEL MODELO COMPLETO ................................. 233

PARTE IV ANÁLISIS EXPLORATORIO DE DATOS ..................................... 241

CAPITULO 8 MUESTRA Y DATOS ............................................................ 243

8.1 DETERMINACIÓN DE LA MUESTRA ........................................... 243

8.2 DETERMINACIÓN DE LOS DATOS DE LAS EMPRESAS ........... 246

8.3 ANÁLISIS DE LOS VALORES PERDIDOS ................................... 249

8.3.1 España ....................................................................................... 251

8.3.2 India ............................................................................................ 256

8.4 DETERMINACION DE LOS CASOS ATÍPICOS ............................ 266

8.4.1 España ....................................................................................... 267

8.4.2 India ............................................................................................ 268

CAPITULO 9 ANÁLISIS FACTORIAL EXPLORATORIO (COMPONENTES

PRINCIPALES) ........................................................................................... 271

9.1 ESPAÑA ........................................................................................ 271



9.1.1 Año 2008 .................................................................................... 272

9.1.2 Año 2009 .................................................................................... 279

9.1.3 Año 2010 .................................................................................... 285

9.1.4 Año 2011 .................................................................................... 291

9.1.5 Año 2012 .................................................................................... 297

9.1.6 Año 2013 .................................................................................... 303

9.1.7 Análisis longitudinal 2008-2013 .................................................. 309

9.2 INDIA ............................................................................................. 310

9.2.1 Año 2008 .................................................................................... 310

9.2.2 Año 2009 .................................................................................... 317

9.2.3 Año 2010 .................................................................................... 323

9.2.4 Año 2011 .................................................................................... 330

9.2.5 Año 2012 .................................................................................... 337

9.2.6 Año 2013 .................................................................................... 343

9.2.7 Análisis longitudinal 2008-2013 .................................................. 350

CAPITULO 10 ANÁLISIS DE LA ENVOLVENTE DE DATOS .................... 351

10.1 ANÁLISIS POR LA POSICIÓN EN LA CADENA DE VALOR ........ 351

PARTE V MODELO PREDICTIVO ................................................................. 387

CAPÍTULO 11 MODELO DE RED NEURONAL ARTIFICIAL ..................... 389

11.1 ESPAÑA ........................................................................................ 389

11.2 INDIA ............................................................................................. 395

PARTE VI CONCLUSIONES Y FUTURAS LINEAS DE INVESTIGACIÓN.... 403

CAPÍTULO 12 CONCLUSIONES................................................................ 405

CAPÍTULO 13 FUTURAS LINEAS DE INVESTIGACIÓN ........................... 441

BIBLIOGRAFÍA .............................................................................................. 447



ÍNDICE DE FIGURAS .................................................................................... 465

ÍNDICE DE TABLAS ...................................................................................... 469

ANEXOS ........................................................................................................ 475

ANEXO I CÓDIGO MATLAB PARA DEA ....................................................... 477

ANEXO II CÓDIGO MATLAB PARA ANN ...................................................... 486



PARTE I INTRODUCCIÓN



CAPITULO 1 INTRODUCCIÓN

1.1 Motivación de la tesis

Esta tesis doctoral surge de la combinación profesional, académica y personal

que tanto esta industria, como los dos países objeto de estudio, representan

para mí.

En el terreno profesional he tenido la suerte de poder conocer de primera mano

la industria aeroespacial tanto en España como India, al haber estado

relacionado con el área de la Calidad en la Cadena de Suministro de una gran

multinacional. He visitado numerosas empresas en ambos países entre los

años 2007 y 2013, por lo que he sido testigo de la evolución que han sufrido y

del efecto del entorno en las mismas. Me motiva estudiar si aquello que he

visto y he juzgado subjetivamente comparte algún tipo de vínculo con los

resultados obtenidos aplicando la metodología del método científico.

Adicionalmente los resultados obtenidos me resultan útiles a nivel particular

puesto que sigo vinculado en mi vida profesional a la industria aeroespacial en

una empresa multinacional líder que opera en muchos países y en particular en

España e India.

En el aspecto académico me encuentro vinculado laboralmente a la Escuela de

Ingeniería Aeroespacial con mayor historia y recorrido que existe en España, y

mi docencia además está relacionada con el área de conocimiento de esta

tesis doctoral. Desde esta óptica me motiva la realización de esta tesis ya que

es una buena forma de mostrarles a los alumnos un esbozo de la industria en

la que ellos también se desarrollarán, así como compartir como se pude aplicar

la metodología de la investigación en cualquier ámbito de la ingeniería

aeroespacial, como por ejemplo en la vertiente de administración de empresas.

Por último en lo personal conocer con mayor profundidad la industria en la que

me he desarrollado y he crecido, y en la que tantas amistades guardo tanto en

lo académico, profesional y personal.



Todas estas motivaciones juntas me indujeron a plantear un estudio que

analizara la industria aeroespacial en ambos países y en un periodo temporal

en el que he vivido de primera mano casi todos los hechos que han marcado

1.2 Estructura

Se ha utilizado un estudio de un caso, frente a otros tipos de investigaciones

como la experimental u otros de tipos de investigaciones no experimentales

(trasversal o longitudinal) puesto que, se utilizan los procesos de investigación

cuantitativa, se analiza en profundidad una unidad como son las empresas del

sector aeroespacial en India y España, para responder a planteamiento del

problema, falsar las hipótesis y explorar y describir un problema del que no

existe excesiva información.

Está dividida en 6 partes, y a su vez cada parte en varios capítulos. La primera

parte (Parte I Introducción) versa sobre una introducción a la tesis doctoral

partiendo desde la motivación de la misma y su estructura, como un análisis del

entorno tanto general como especifico que permitan comprender al lector las

condiciones de contorno a las que están sometidas las empresas que operan

en el sector aeroespacial tanto en España como en India. Posteriormente se

delimita el problema objeto de estudio y se operacionaliza con hipótesis que se

falsarán a lo largo del desarrollo de este trabajo.

La siguiente parte (Parte II Fundamentos Teóricos) tiene como principal

objetivo realizar una descripción de los fundamentos teóricos de las técnicas

que se utilizarán durante en análisis de la muestra. En ningún momento se ha

tomado como objetivo de esta parte la descripción del 100 % de la teoría, ni la

demostración de cada una de las variantes existentes. Se describe sólo lo que

se va a utilizar, ya que el interés de la tesis doctoral no es el desarrollo teórico,

sino la aplicación práctica de técnicas existentes a una muestra y condiciones

de contorno novedosas.

El siguiente bloque (Parte III Desarrollo del Modelo y Revisión Bibliográfica) se

esboza el modelo que se va a utilizar para analizar las empresas de industria



aeroespacial, quedando representado dicho modelo por una serie de factores

(conceptos abstractos difícilmente medibles) que es necesario operacionalizar

mediante variables cuantificables y observables. También se presenta dicha

operacionalización. Se introduce el concepto de resiliencia empresarial y se

hace una revisión bibliográfica de este concepto incipiente y frugal en términos

de producción científica.

Una vez que se ha definido el modelo se procede a su aplicación a una

muestra determinada y haciendo uso de una serie de técnicas acordes a los

objetivos e hipótesis que se pretenden falsar. Todo este proceso se recoge en

el siguiente bloque temático (Parte IV Análisis exploratorio de datos).

Entre los objetivos se encuentra el desarrollo de un modelo exploratorio y un

modelo predictivo. De la misma forma que se ha determinado un bloque para el

correspondiente al exploratorio se determina otro para el predictivo (Parte V

Modelo predictivo).

Por último se desarrolla otro bloque (Parte VI Conclusiones y futuras líneas de

investigación) en el que se exponen todas las conclusiones, tanto la falsación

de hipótesis, como las serendipias. Asimismo se incide sobre las futuras líneas

de investigación que pueden dar continuidad a este trabajo y conformar una

línea de investigación.



CAPITULO 2 PLANTEAMIENTO DEL PROBLEMA

Tras introducir las motivaciones y la estructura de la tesis doctoral, el siguiente

paso consiste en esbozar el planteamiento del problema de una manera muy

somera, así como las condiciones de contorno del mismo, con el objeto de

poco a poco ir constriñendo el alcance del mismo hasta formular el enunciado

final del problema del que derivarán las hipótesis. En los siguientes puntos se

va a presentar un análisis del entorno general para acercar y comprender las

condiciones que afectan a las empresas en España e India y en particular las

del sector aeroespacial, así como del entorno específico o industrias, de la

cadena de valor, y de la industria de defensa. Una vez que el lector conoce las

particularidades de la industria y su entorno se enuncia el problema de estudio

y se operacionaliza en hipótesis.

2.1 ANÁLISIS DEL ENTORNO GENERAL (P-E-S-T-E-L)

El principal de este análisis del entorno general es presentar las condiciones de

contorno en las que las empresas se van a desenvolver. Este entorno general

afecta por igual a todas las empresas que operan en él, ya sean de la industria

aeroespacial o no. Este marco genérico determina la prosperidad y el bienestar

de la economía, lo que puede afectar al potencial de rentabilidad de la empresa

y fenómenos derivados de la misma (Guerras Martín & Navas López, 2009).

Debido al dinamismo del entorno es conveniente estudiarlo longitudinalmente,

siendo en el caso de esta tesis doctoral el periodo el comprendido entre 2008 y

2013. Se va a utilizar una aproximación muy extendida en la Administración de

Empresas y la Economía como es el análisis P-E-S-T-E-L por las dimensiones

que lo conforman (Política, Económica, Sociocultural, Tecnológica y Legal). No

se trata de realizar un análisis muy detallado de cada uno, sino de presentar las

condiciones de contorno que afectan a las empresas y ayudar a entender las

conclusiones que se van a establecer. Para la realización de este análisis se

han utilizado los informes de Economist Intelligence Unit correspondientes a



España e India (The Economist, 2013) (The Economist, 2012) (The Economist,

2011) (The Economist, 2010) (The Economist, 2009) (The Economist, 2008)

2.1.1 Político

La dimensión política trata de recoger todo lo relacionado con la estabilidad del

gobierno y las políticas que lleva a cabo.

España

La forma de gobierno es la monarquía parlamentaria. Hay dos cámaras, el

Senado con 264 miembros y el Congreso de los Diputados con 350 miembros.

Está conformado por 17 comunidades autónomas con ciertas competencias

transferidas desde el gobierno central.

Los ministerios que existen son: Asuntos Exteriores y cooperación, justicia,

defensa, haciendo y administraciones públicas, interior, fomento, educación-

cultura y deporte, empleo y seguridad social, industria-energía y turismo,

agricultura-alimentación y medio ambiente, economía y competitividad,

sanidad-servicios sociales e igualdad.

Existe cierta inestabilidad política con crisis y cambios en cada uno de los

partidos tradicionales. Han aparecido desde 2008 numerosos escándalos de

corrupción de políticos, que ha hecho descender la confianza de la población

en el sistema.

India

La forma de gobierno es la república federal, con 28 estados y 7 regiones. El

presidente de la india fue elegido en 2012 mientras que el primer ministro lo fue

en 2009 volviendo a repetirse las elecciones generales en 2014. El Gobierno

está compuesto por dos cámaras, la cámara baja (Lok Sabha) con 545

miembros y la cámara alta (Rajya Sabha) con 245 miembros.

Los principales partidos son: Indian National Congress; Bharatiya Janata Party

(BJP); Trinamool Congress (TMC); Dravida Munnetra Kazhagam (DMK);



Samajwadi Party (SP); Rashtriya Janata Dal (RJD); Janata Dal (United);

Bahujan Samaj Party (BSP); All India Dravida Munnetra Kazhagam (AIADMK);

Biju Janata Dal (BJD); Rashtriya Lok Dal (RLD); Nationalist Congress Party

(NCP); Communist Party of India (Marxist), or CPI (M).

Los principales ministerios que existen son: Agricultura, Aviación Civil, Carbón,

Comercio e Industria, Comunicaciones y de justicia, defensa, asuntos

exteriores, finanzas, asuntos interiores, petróleo y gas natural, energía,

ferrocarril, desarrollo rural, desarrollo urbano.

En el periodo 2008-2013 la escena política india se ha caracterizad por los

escándalos políticos, así como por las divisiones dentro de los principales

partidos. Esto ha tenido su reflejo en la economía y la sociedad.

Desde 2012 el Gobierno de India ha puesto en marcha políticas para tratar el

déficit fiscal, mejorar el ecosistema industria y crear más puestos de trabajo.

Estas medidas incluyen los esfuerzos para relanzar la inversión directa

extranjera, así como reducir la burocracia y los tiempos de aprobación de los

proyectos de infraestructuras. Tratan de liberalizar más sectores para favorecer

el crecimiento del país. En el año 2013 es año de campaña electoral al

convocar elecciones en 2014. El coalición que gobierna (United Progressive

Alliance – UPA) se ha visto inmersa en varios escándalos por corrupción

durante los últimos tres años, así como también se ha visto debilitada por una

economía aletargada. El poder político real lo sigue ostentando Sonia Gandhi a

pesar de que formalmente el primer ministro sea Manmohan Singh. Esta

coalición no tiene mayoría absoluta por lo que tiene que gobernar con el apoyo

partidos regionales minoritarios. Existe un partido, el Bharatiya Janata Party

(BJP) con un líder carismático Narendra Damodardas Modi y de ideología

nacionalista e Hindú. Este miembro del gobierno ha demostrado solvencia en la

aplicación de políticas económicas en la región de Gujarat con unos buenos

resultados. De salir elegido podría ser un buen revulsivo para hacer que la

economía India continúe creciendo, así como velar por los intereses Indios.



En el terreno internacional se ha conseguido una cierta calma con Pakistán en

2013 que se prevé continúe en los próximos años. Asimismo aumentan y se

fortalecen las relaciones con otra de las grandes economías mundiales como

es la China.

2.1.2 Económico

En lo referente a esta dimensión se trata de analizar las principales magnitudes

macroeconómicas que afectan a las empresas, por el objeto de esta tesis

doctoral, de entre todas las posibles, se considera útil mostrar la evolución del

PIB del país, la tasa de desempleo, las importaciones y exportaciones

correspondientes a la industria aeroespacial y defensa y por último el índice de

competitividad. Adicionalmente se hace una breve reseña de la crisis

económica mundial de 2008, la de deuda soberana de 2010 en Europa y la de

India de 2012. (Asociación Española de Empresas Tecnológicas de Defensa,

Aeronaútica y Espacio (TEDAE), 2014) (World Economic Forum, 2015)

(International Monetary Fund, 2015) (Eurostat, 2015) (Indian Ministry of

Commerce & Industry, 2015) (The World Bank, 2015).

Crisis económica global de 2008

Tiene su origen en el mercado inmobiliario estadounidense. Dicho mercado

comenzó a desinflarse en 2005, pero aun así los precios continuaron subiendo

manteniendo la creencia de que no importaba y que el prestatario podría pagar

el préstamo siempre y cuando los precios siguieran subiendo. En el mismo

tiempo los tipos de interés de los mercados financieros internacionales eran

bajos, lo que favorecía el endeudamiento. Esto llevó a una situación de euforia

financiera, exponiendo a mayores riesgos a todos los participantes en los

mercados. De repente estalló la burbuja inmobiliaria y surgió un fenómeno de

desconfianza entre los stakeholders de los mercados financieros que se

propagó a nivel mundial y que paralizó los mercados. El principal instrumento

gracias al cual se propagaron sus efectos eran los instrumentos financieros



complejos que estaban repartidos sin saber en qué cantidad y de que calidad

(en términos de riesgos).

Los autores Mangir y Erdogan (2011) en su artículo hablan sobre el comienzo

de la crisis económica en el año 2007 en Estados Unidos con el colapso del

sector de las hipotecas sub-prime. Posteriormente golpeó el oeste de Europa

debido, entro otros motivos, a la influencia de los activos financieros de alto

riesgo, al formar parte de su sistema financiero. Durante Septiembre-Octubre

de 2008, los bancos comenzaron a mostrar señales de problemas, y

empezaron a requerir medidas urgentes de los gobiernos. En el caso particular

de España una de sus conclusiones es que comenzó a notarse en la

macroeconomía en 2009.

En el mismo trabajo se menciona que esta es la peor crisis mundial desde la

Gran Depresión de los años 30. Debido principalmente a la globalización de la

economía y las operaciones de las empresas.

La crisis no solo ha afectado la macroeconomía de los países, sino también su

competitividad. El autor Matysek-Jedrych (2012) ha estudiado la relación

existente entre la crisis y la competitividad de los países en la región de los

países Bálticos (Estonia, Lituania, Letonia)

Los autores Adidam, et al. (2012) basan su artículo en el efecto de la aplicación

de la inteligencia competitiva a los resultados de las empresas en la India.

Dentro del mismo hacen algunas reseñas sobre India y su economía y posición

en los mercados que son útiles para esta tesis doctoral. En su artículo

mencionan que el papel que juega India en la economía mundial está

creciendo, en dos sentidos, por un lado las empresas que se internacionalizan

allí, y por otro lado las empresas indias que se internacionalizan. Con las

condiciones económicas, y geopolíticas mundiales resulta complicado afirmar

como se desarrollará la economía y los mercados en India, así como en los que

participe India, motivo por el cual es importante desarrollar estrategias de

inteligencia competitiva para detectar las señales que llegan del macroentorno



y microentorno en el que operan las empresas para anticipar cualquier acción

en el plano estratégico y no táctico.

El investigador Theodore (2011) en su trabajo pone de manifiesto una

característica de la economía mundial como es el incremento de la volatilidad.

Además también subrayan que la frecuencia con la que ocurren las crisis está

creciendo y que cada vez se solapan más los ciclos de las diferentes crisis

(monetaria, bancaria, monetaria-bancaria)

El impacto de la crisis mundial en la India puede dividirse con carácter general

en tres aspectos diferentes: (1) el impacto directo inmediato sobre su sector

financiero; (2) un impacto indirecto sobre las actividades económicas; y (3) las

potenciales implicaciones geopolíticas a largo plazo (Vashisht & Pathak, 2009)

Por tratarse de una economía emergente (BRIC) pudo sortear el primer efecto

descrito ya que sus bancos no estaban muy expuestos a los productos

financieros basados en los créditos subprime. No obstante el segundo efecto

ha golpeado a India con una gran intensidad, y se une el hecho de que las

exportaciones del mundo occidental son inferiores.

Crisis de deuda soberana europea 2010

Las autoridades europeas trataron de establecer de nuevo la confianza en la

zona euro, pero la mala situación de Grecia e Irlanda, los rescates… hicieron

que existirán dudas fundadas sobre la confianza en la solidez de las finanzas

públicas de estos dos países. Unido a que no existía un mecanismo de

restructuración ordenada de deuda pública como el que se crearía

posteriormente (Unión Monetaria Europea – UME), potenciaron el riesgo de

contagio a otros miembros de la Unión Europea como España y Portugal,

presagiando un colapso de los países de la zona euro y de la propia Unión

Europea. Esto tuvo su impacto negativo en la deuda soberana emitida por los

países y por lo tanto su capacidad de financiación (Garmendia Ibañez, 2010).



Desaceleración de 2012 en India

Se produce una situación en India durante 2012 , en la que en la dimensión

fiscal mala lastra el crecimiento de la economía, una tasa de inflación alta que

también afecta al crecimiento, se liberaliza el comercio exterior para favorecer

el crecimiento mediante la inversión extranjera y la exportación, aparece una

crisis energética en el país. Esto hace que la economía del país se comience a

contraer y sufra su particular crisis que hace que las empresas se vean también

afectadas. En función del sector y de la empresa esta acción será más o

menos acusada (Accenture, 2012)

España

Fuente: Elaboración propia

Tabla 1 Magnitudes macroeconómicas en España durante 2008-3013

A la vista de las tendencias mostradas en la tabla 1, España ha sufrido una

crisis muy profunda desde el año 2008, agravada por la explosión de la burbuja

inmobiliaria, así como un sector financiero en reestructuración con algunas

entidades fuertes, pero otras muy frágiles. El consumo decae año a año desde

2008, así como aumenta el desempleo y disminuye el PIB. La política fiscal ha

incrementado la carga impositiva. La tasa de inflación está dentro de unos

márgenes controlada.

En lo que se refiere a las importaciones y exportaciones del sector aeroespacial

se observa que ambas crecen por lo que en principio parece que la crisis no

afecta demasiado a este sector, por lo menos hasta el punto de contraer su

actividad interior y exterior. Aunque la tendencia de crecimiento de las



exportaciones. Con respecto a la competitividad, se observa como esta

aumenta, aunque globalmente descendió con respecto a niveles anteriores a la

crisis económica mundial. El año fiscal en España coincide con el año juliano,

del 1 de Enero al 31 de Diciembre.

India


Tabla 2 Magnitudes macroeconómicas en India durante 2008-2013

Tal y como muestra la tabla 2, el déficit del Gobierno de India aumentó entre

2008 y 2013, llevando a doblarse. Asimismo la rupia sufrió un desplome en

Junio-Agosto de 2013. También subió la inflación. El Banco de India (Reserve

Bank of India) ha puesto en marcha políticas para luchar contra la inflación, así

como recuperar el desplome de la rupia. El año fiscal india discurre entre el 1

de Abril y el 31 de Marzo

El PIB sufrió un crecimiento muy elevado al ser una economía emergente, no

obstante desde el año 2010 ha venido sufriendo una desaceleración. La tasa

de desempleo ha ido descendiendo y se mantiene en valores bajos, aunque los

últimos años parecen haber revertido la tendencia. En relación a las

importaciones y las exportaciones del sector aeroespacial se observa que en

2008 había una presión importadora muy grande en comparación con las

exportaciones, en cambio en 2013 prácticamente están equilibrados. Esto

muestra que en particular el sector aeroespacial está ganando en

competitividad al existir países extranjeros que compran, así como se



autoabastecen al haber reducido las importaciones de material aeroespacial

entre 2008 y 2013.

En relación a la competitividad del país se observa que prácticamente es

constante con pequeñas perturbaciones.

2.1.3 Sociocultural

En esta dimensión se recogen muchos aspectos que impactan de manera

directa o indirecta a las empresas como son: valores, creencias, condiciones

culturales, demográficas, religiosas, educativas…

España

Ha descendido la renta per capita durante el periodo 2008-2013,

adicionalmente se ha generado un clima de crispación y desconfianza hacia la

clase política fundamentado por los escándalos de corrupción acaecidos. La

población envejece, se plantean reformas educativas aprobando una nueva

Ley denominada (LOMCE)

India

Con el crecimiento de la clase media y de la juventud se están incrementando

las protestas sociales por la frustración existente con los políticos, la

corrupción, la inflación… Estas protestas se llevan a cabo tanto en las calles

como en las redes sociales.

En India cohabitan varias religiones, lo que en ocasiones da lugar a ciertas

tensiones entre grupos hindúes (representan aproximadamente el 80,5% según

el censo de 2001) y musulmanes que representan el 13,4% (según el censo de

2001), el resto están conformado por cristianos, sijs, budistas.

Aunque ya no existe un sistema de castas sigue presente en la sociedad en el

día a día dificultando el desarrollo del país. Se están incrementando la tasa de

divorcios, cada vez existen menos matrimonios concertados, y las parejas

están comenzando a convivir antes del matrimonio.



2.1.4 Tecnológico

La dimensión tecnológica hace mención a las políticas de I+d+i, las

infraestructuras disponibles, la aplicación de nuevas tecnologías, la

transferencia del conocimiento (por ejemplo offsets).

2.1.5 Ecológicos

En relación a la dimensión ecológica se recogen aspectos como la política

medioambiental, el tratamiento de residuos, el consumo de energía.

España

Cada vez más empresas velan por los aspectos medioambientales. Además

existe una fuerte presión normativa y reguladora en materia de medioambiente.

Un gran número de empresas del sector aeroespacial están certificadas ISO

14000, asimismo se ha implantado la normativa relacionada con rEACh en el

sector aeroespacial.

India

Existe una gran preocupación por los aspectos ambientales en India, por

ejemplo se ha impulsado un plan de cambio de los actuales taxis (Auto

rickshaws) impulsados mediante gasolina por otros impulsados por gas líquido

(LPG), en ciudades grandes se trata de impulsar el transporte público… Todo

ello encaminado a la reducir los niveles de contaminación.

Cada vez las empresas y la sociedad tienen una mayor conciencia de los

aspectos ambientales. Por ejemplo, en la base de datos PROWESS ® del

CMIE utilizada en esta tesis doctoral se ha comprobado como aparecen

reportadas todas las emisiones y consumos energéticos de las empresas.

También se ha podido comprobar durante la realización de esta tesis doctoral

como hay una cada vez más estudios sobre aspectos ambientales de las

empresas y cadenas de suministro indias, en bases de datos como Elsevier ®,

Web of Knowledge ®, Scopus ®, Springer ®,ProQuest ®.



Legales

Esta dimensión enmarca los factores legales y reguladores en material laboral,

seguridad, comercio…

España

El sistema legal español se basa en la constitución de 1978.

India

El sistema legal se basa en la constitución de 1950 y las leyes del Reino Unido.

Está empezando a cobrar relevancia la regulación en materia de consumo de

energía, residuos y de seguridad y salud laboral.

2.2 LA CADENA DE VALOR EN EL SECTOR AEROESPACIAL

La cadena de valor del sector aeroespacial está representada por los

eslabones que aparecen en la figura 1:

Fuente: (Frost & Sullivan, 2013)

Figura 1 Cadena de valor del sector aeroespacial

Hay dos tipos de empresas, las que se especializan en un determinado eslabón

de la cadena de valor como puede ser la ingeniería, la fabricación de

componentes, el montaje de componentes, los servicios y el MRO & Upgrades.

O por el contrario las que cubren varios eslabones porque se han integrado

verticalmente hacia delante o detrás. Siendo las combinaciones más comunes

las siguientes:

Diseño e Ingenieria

• Investigación y Desarrollo

• Infraestructura y servicios de diseño

• Infraestructura y servicios de ensayos

• Ensayos en vuelo

•Otros servicios de ingenieria

Fabricacion de componentes

• Suministradores Tier I

• Suministradores Tier II

• Suministradores Tier III

Montaje de componentes

• Ensamblaje subconjuntos

• Ensayos de subconuntos

Servicios financieros

• Financiación de adquisiones

• Financiacion de ventas

• Leasing

Distribucion y ventas

•Oficinas comerciales

Servicios de MRO & Up

•Repuestos

•Mantenimiento

• Inspecciones

•Mejoras de sistemas

• Servicios

• Formación









Ingeniería, fabricación, montaje, y servicios.

Ingeniería, fabricación, montaje, servicios y MRO

2.3 INDUSTRIA AEREOESPACIAL Y DE DEFENSA

El sector aeroespacial globalmente con una alta rivalidad entre los

competidores tanto en el sector defensa como en el comercial. Estando el

sector de defensa representado por las industrias de la defensa electrónica y

militar, mientras que el comercial está formado por la industria de la aviación

comercial y del espacio. La gran mayoría de los ingresos provienen de los

fabricantes de equipos, componentes y servicios de MRO. Geográficamente el

sector se divide en las siguientes áreas:

América del Norte – Canadá, Méjico y Estados Unidos

América del Sur – Argentina, Brasil, Chile, Colombia y Venezuela.

Europa – Austria, Bélgica, República Checa, Dinamarca, Finlandia,

Francia, Alemania, Grecia, Irlanda, Italia, Holanda, Polonia, Portugal,

Rumania, Rusia, España Suecia, Suiza, Turquía, Ucrania, Reino Unido.

Asia-Pacifico – Australia, China, India, Indonesia, Japón, Malasia, Nueva

Zelanda, Paquistán, Filipinas, Singapur, Corea del Sur, Taiwán y

Tailandia.

Oriente Medio (MEA) – Egipto, Israel, Kuwait, Nigeria, Arabia Saudí,

Sudáfrica y Emiratos Arabes Unidos.

En la tabla 3 se muestra la evolución del sector aeroespacial a nivel mundial,

así como en España e India (países que forman parte del objetivo de esta tesis

doctoral).



Fuente: (Marketline, 2014) (Marketline, 2012)

Tabla 3 Evolución del sector aeroespacial en España e India entre 2008-2013

Como se puede ver en el análisis longitudinal que comprende el periodo 2008-

2013 por el CAGR (Compound Annual Growth Rate) en España el sector se

contrae, mientras que en India crece muy por encima de la evolución mundial.

Asimismo aunque en india el crecimiento es positivo, este se desacelera,

mientras que en España aunque es negativo se acelera. Como se puede ver

siguen patrones diferentes. A nivel mundial ha tenido dos grandes picos de

crecimiento coincidentes aproximadamente con la crisis económica mundial de

2008 y la de deuda soberana de 2010.

La previsión de crecimiento hasta 2018 es la que se muestra en la tabla 4:

Fuente: (Marketline, 2014) (Marketline, 2012)

Tabla 4 Previsión del crecimiento del sector aeroespacial en España e India entre 2008-2013



Si se segmenta el mercado en civil y militar, el crecimiento que ha

experimentado cada uno de ellos tanto a nivel global como en cada país queda

recogido en la tabla 5. Donde además de representar dicho crecimiento en

valores absolutos de couta de mercado se hace como tasa de crecimiento.

Fuente: (Marketline, 2014) (Marketline, 2012) (Institute for defense studies and analyses, 2015)

Tabla 5 Evolución del sector civil y de defensa en España, India y Global entre 2008-2013

2.4 ANÁLISIS DE LA INDUSTRIA (CINCO FUERZAS DE PORTER)

A continuación se va a realizar un análisis del atractivo de la industria utilizando

la herramienta de las cinco fuerzas de Porter (Guerras Martín & Navas López,

2009). El objetivo es evaluar el poder negociador de los compradores (“Buyer

power”), el poder negociador de los proveedores (“Supplier power”), la

existencia de productos sustitutivos (“Substitutes”), amenaza de entrada de

nuevos competidores (“New entrants”) y el grado de rivalidad de los

competidores actuales (“Degree of rivalry”). Estas dimensiones van a dar una

orientación sobre el atractivo de la industria, así como de las oportunidades y

amenazas existentes en el entorno. Al contrario que el análisis del entorno

general (PESTEL) era aplicable a cualquier empresa, fuera o no del sector



aeroespacial, este tipo de análisis lo es solo para el sector. En las figuras 2, 3 y

4 se muestra este análisis para la industria aeroespacial global en varios años.

Fuente: (Marketline, 2014)

Figura 2 Cinco fuerzas de Porter en 2013 de la industria aeroespacial global







En la industria global en el año 2013 existe una fuerte rivalidad entre

organizaciones de gran tamaño compitiendo por contratos en el sector civil y de

defensa. Los competidores existentes son empresas multinacionales

integradas, que están tendiendo a la consolidación de sus diferentes unidades

de negocio. Esta característica de escala actúa de barrera de entrada al ser

necesaria una elevada inversión inicial, así como durante la operación. Otra

barrera de entrada que presenta el sector es la necesidad de un conocimiento

técnica muy alto y específico. El tamaño de las empresas aeroespaciales

también ejerce un cierto poder negociador sobre los compradores y

suministradores, si bien en el sector defensa se ve bastante diluido este poder

al ser los clientes los gobiernos. Asimismo los suministradores consiguen

contrarrestar este poder al tener que producir bienes o servicios muy exclusivos

y altamente tecnológicos, de alta calidad, que en cierta manera les dan la

capacidad de negociar y ejercer poder con respecto a los fabricantes.



India

Siguiendo el mismo esquema y objetivos se muestra en las figuras 5, 6 y 7 el

análisis de las 5 fuerzas de Porter para India en varios años.


Figura 5 Cinco fuerzas de Porter en 2013 de la industria aeroespacial en India







En India hay muchas empresas del sector aeroespacial que entran a competir

en el mercado de manera conjunta con alguna empresa local como por ejemplo

Hindustan Aeronautics Limited o Bharat, formando Joint Ventures (JV). India

tradicionalmente ha sido un mercado importador de material aeroespacial y de

defensa, en particular la industria armamentística ha realizado numerosas

importaciones de empresas rusas. Existe una cooperación entre India y Rusia

para el desarrolla de un avión de caza de quinta generación con tecnología

stealth (caza PAK). Además en 2013 el gobierno indio ha firmado un contrato

de exportación entre la Fuerza Aérea India y Dassault Aviation valorado en

20b$ en el año 2013, dentro el tender del MMRCA (Medium MultiRole Combat

Aircraft). Adicionalmente el mercado está creciendo por lo que resulta muy

atractivo para los competidores existentes así como para atraer a nuevos

competidores. Entorno al año 2011 la Fuerza Aérea India está comenzando a

lanzar nuevos contratos de modernización de sus capacidades (sistemas,

armamento, plataforma…). En el sector de la defensa, al existir una amenaza

de terrorismo cada vez mayor favorece el gasto de los gobiernos para su

mitigación. En el año 2009 India fue el mayor importador de armas a nivel

mundial lo que sugiere a las empresas que hay un mercado que se puede

satisfacer desde India y en consecuencia la rivalidad entre las empresas



productoras se elevará, como asimismo habrá nuevas empresa que tratarán de

entrar a competir en ese entorno.

España

En el sector civil y defensa se ve favorecida la presencia de Airbus Group en

alguno de estos países al ser una empresa europea. No obstante en lo que al

sector defensa respecta, la crisis económica de 2008 ha golpeado más

duramente los presupuestos de defensa de la zona euro por lo que las

empresas han tenido que salir a competir fuera para contrarrestar la pérdida de

ingresos de los mercados tradicionales, lo que ha desembocado en una mayor

rivalidad tanto en los países de origen como en los nuevos países donde

pretenden entrar. En España muchos de los contratos de defensa son

ejecutados por Airbus Group tras ganarlos en concurso público o por

procedimiento negociado sin publicidad según corresponda y de acuerdo

siempre a la legalidad vigente. Durante los últimos años la Unión Europea ha

lanzado un nuevo esquema de emisiones, afectando tanto a los compradores

como a los fabricantes de productos aeroespaciales. La situación no óptima de

la economía española (País perteneciente al grupo de los PIGS) hace que no

sea demasiado atractivo para nuevas empresas que deseen entrar en el

mercado. En España los productos sustitutivos como por ejemplo el tren de alta

velocidad y las buenas infraestructuras para el transporte por carretera, hacen

que en determinados destinos si existe un sustitutivo real, representando una

amenaza real para sector de la aviación civil. La crisis económica, ayudada por

la subida de los precios de combustible ha significado una amenaza para las

aerolíneas que han sufrido importantes pérdidas. A nivel gubernamental se ha

impulsado el sector aeroespacial a través del Plan Estratégico para el Sector

Aeroespacial (2008-2016) con el objetivo de que en 2016 el 1% del PIB

provenga del sector aeroespacial. Adicionalmente como parte de este plan

hacia el año 2011 se impusieron restricciones a las empresas extranjeras sobre

la estructura y porcentaje de propiedad de las empresas aeroespaciales del

sector de defensa, lo que representan una barrera de entrada para nuevos



competidores a favor del desarrollo de las empresas locales. Asimismo por el

aumento de la amenaza global del terrorismo ha impulsado las ventas de

material de defensa y por tanto las exportaciones para compensar en cierta

medida la falta de ingresos debida a la adecuación de los presupuestos de

defensa por la crisis financiera de 2008. A continuación en las figuras 8, 9 y 10

se muestra el análisis de las 5 fuerzas de Porter para España en varios años.


Figura 8 Cinco fuerzas de Porter en 2013 de la industria aeroespacial en España







2.4.1 Poder negociador de los compradores

A continuación en las figuras 11, 12 y 13 se muestra el análisis pormenorizado

de la fuer “Poder negociador de los compradores” en la industria aeroespacial a

nivel global. Los factores estructrurales analizados en esta fuerza son:

Capacidad de integración hacia detrás – Es decir si los compradores

tienen la capacidad de ocupar el eslabón de la cadena de valor en el que

las empreas aeroespaciales se encuentran.

Grado de independiencia de los compradores – Existe algún tipo de

organización de los compradores, por ejemplo las alianzas de las

aerolíneas (OneWorld, Star Alliance…).

Tamaño de los compradores – Se trata de compradores pequeños o por

el contrario tienen un tamaño igual o superior a la media de la industria.

Fortaleza financiera – Tienen un estado financiero que les permite

absover riesgos si se materializan, retrasos en los pagos, les confiere

capacidad de pago…

Bajo coste de cambio de proveedor – Es decir, si en lugar de adquirir los

bienes y servicios de las empresas actuales tienen la capacidad de



adquirirlos de otras de manera rápida y sin que ello les suponga un

elevado coste. En pricipio para este sector si es importante este factor,

puesto que se tiende a estandarizar las flotas para reducir los costes de

operación de la misma (formación de tripulaciones y personal de

mantenimiento, coste de repuestos…)

Existe amaneza de oligopsonio – Es decir un mercado en el que haya

muchos oferentes y pocos compradores.

Sensibilidad al precio – Los cambios de precio que las empresas del

sector aeroespacial afectan de manera importante a los clientes. En

principio en este sector si puesto que si se trata del mercado de defensa,

los gobiernes tienen un presupuesto ajustado y cada vez más por los

efectos de la crisis mundial, y si se trata de aerolíneas también porque

encarece el precio de los billetes y por lo tanto podría hacer que la

demanda de transporte aéreo descienda.

Indispensabilidad del producto – Esta factor analiza si el grado de

necesidad del producto.

Tendencia al cambio – Evalua la tendencia de los compradores a

cambiar de empresa aeroespacial. Si ha cierta tendencia, que en sector

civil va encaminada a estandarizar flotas y en el de defensa

principalmente está movido por objetivos estratégicos del país hacia los

proveedores de los bienes y servicios.

Diferenciaciónd el producto – Este factor analiza si el producto que

proporcionan las empresas aeroespaciales está difenciado. En el sector

defensa lo está puesto que cada fabricante ofrece productos

prácticamente únicos para cada cliente por las implicaciones de

seguridad que plantea. En el sector civil también porque cada fabricante

ha apostado por configuraciones de aviones diferentes.




Figura 11 Poder negociador de los compradores en 2013 de la industria aeroespacial global







El sector civil está dominado por dos grandes empresas como son The Boeing

Company y Airbus Group, matizado por algunas empresas de algunos países

como la italiana Finmeccanica y la brasileña Embraer. El sector de defensa

muestra las mismas tendencias oligopolísticas, aunque moderado por el efecto

de las compañías locales que actúan por motivos estratégicos. La elección de

los compradores es limitada. Las empresas fabricantes compiten diferenciando

el producto lo que disminuye el poder negociador de los compradores. Los

fabricantes se están concentrando y por lo tanto haciéndose mayores (en

tamaño y en la cadena de valor). Las empresas fabricantes potencialmente

pueden ejercer un algo poder negociador sobre los compradores. No obstante

los compradores del sector aeroespacial tienen también un musculo financiero

potente, especialmente en el sector de defensa, al tratarse de gobiernos,

aunque en el civil los bancos, instituciones de leasing y aerolíneas también son

empresas multinacionales de un tamaño comparable. Normalmente las

empresas fabricantes no sólo entregan un producto y están presentes en una

actividad de la cadena de valor de los compradores, sino que en muchas

ocasiones ocupan varios eslabones, como por ejemplo en la parte de servicios

o incluso de ingeniería y ofrecen una solución integral al cliente. Esto hace que



los costes de cambio de proveedor para los compradores sean muy altos y en

consecuencia el poder negociador de los compradores decrece.

Como resultado en el sector aeroespacial el poder negociador de los

compradores es moderado.

India

En las siguientes figuras 14, 15 y 16 se muestra el análisis de la fuerza “Poder

negociador de los compradores” para la industria aeroespacial India en varios

años, en concreto en 2013, 2011 y 2010.


Figura 14 Poder negociador de los compradores en 2013 de la industria aeroespacial en India



España

De manera análoga se muestra en las figuras 17, 18 y 19 el análisis de la

fuerza “Poder negociador de los compradores” para la industria aeroespacial

española en varios años, en concreto en 2013, 2011 y 2010.


Figura 17 Poder negociador de compradores en 2013 de la industria aeroespacial en España







2.4.2 Poder negociador de los proveedores

A continuación en las figuras 20, 21 y 22 se muestra el análisis pormenorizado

de la fuerza “Poder negociador de los proveedores” en la industria aeroespacial

a nivel global. Los factores estructrurales analizados en esta fuerza son:

Diferenciación del suministro – Evalua si el producto o servicio

suministrado a las empresas del sector aeroespacial está diferenciado.

Teniendo en cuenta que aparecen mezclados los diferentes eslabones

de la cadena de valor. Es decir, una pieza elemental o un conunto,

pueden entregarlo multitud de empresas, al igual que un servicio de

MRO, siempre y cuando cumplan con los requisitos regulatorios.

Capacidad de integración hacia delante – Es la capacidad que tienen las

empresas de realizar las operaciones propias de eslabones de la cadena

de valor que se encuentran delante (por ejemplo de una empresa que se

dedica a la fabricación y montaje de subconjutnos que comience a

ensamblar aviones).



Importancia de la calidad/coste – Es el grado de impacto que tiene un

problema de calidad de un suministro en el producto final y en el coste.

En este tipo de industria que tiene unos estándares tán ambiciosos,

cualquier error que no se detecte a tiempo supone grandes sumas de

dinero y graves problemas de calidad y en ocaciones de seguridad.

Productos sustitutivos de los suministros – En la industria aeroespacial

es difícil la existencia de productos sustitutivos para los que actualmente

se suministran, debido a que se requieren largos y costosos procesos de

calificación del suministrador y el proceso. Ademas los productos deben

cumplir una serie de especificaciones técnicas y funcionales muy

ambiciosas por el impacto que puede tener en la industria aeroespacial.

Amenaza de oligopolio – Es decir pocos oferentes (suministradores)

frente a muchos demandantes (empresas del sector aeroespacial).

Indispensabilidad de suministro – Los productos y/o servicios

suminsitrados son indispensables para poder entregar el producto

completo al cliente final (ya sea una aeronave, una revisión de

mantenimiento…)

Independiencia del proveedor – Evalúa la independencia que tiene la

empresa aeroespacial con respecto al proveedor. En esta industria con

los requisitos tan estrictos de calificación del proveedor, del producto y

del proceso la dependiencia del proveedor es muy alta. Además es

recíproco porque el proveedor ha tenido que realizar grandes

inversiones tanto en ingeniería como en equipos de ensayo, y por lo

tnato también tiene dependencia de la empresa aeroespacial.

Tamaño del proveedor – El tamaño del proveedor afecta la capacidad de

negociación, pero no es un elemento clave, ya que más que el tamaño lo

que condiciona el poder es la calidad que ofrezca, la fiabilidad, que no

existan disrupciones en la producción que generan paradas de la

cadena de producción…

Costes de cambio de proveedor – Es la influencia económica que puede

tener un cambio de proveedor para una empresa del sector



aeroespacial, que como se ha mencionado con anterioridad, tienen que

ver con la perdida de calidad en el proceso de cambio, las disrupciones

por la incapacidad de entrega de productos que cumplan las

especificacioens, los costes de calificación del proveedor, del producto y

del proceso, el tiempo necesario durante el cual es necesario mantener

dos fuentes de suministro para reducir riesgos…


Figura 20 Poder negociador de los proveedores en 2013 de la industria aeroespacial global







Los componentes que suministran los vendedores a los fabricantes del sector

aeroespacial se caracterizan por tener una alta calidad, una alta especificidad

técnica, unos costes de calificación muy altos… De manera que cualquier

degradación de un componente suministrado pone en peligro los costes y la

calidad del producto final de las empresas fabricantes. Debido a la

diferenciación técnica de los productos, los altos costes de calificación, y la

importancia de mantener un estándar de calidad, los costes de cambio de

proveedor son muy elevados. En este sentido los suministradores

potencialmente tienen un alto poder de negociación.

No obstante los la evolución de los precios de las materias primas tienen un

impacto significativo en los beneficios de los suministradores que normalmente

tienen firmados contratos en los que el precio es fijo con los fabricantes del

sector aeroespacial. Por lo que el poder que pueden ejercer los fabricantes

sobre los suministradores en los precios les resta poder de negociación.

Globalmente el poder negociador de los suministradores es moderado.



India

A continuación se muestra en las figuras 23, 24 y 25 el análisis de la fuerza

“Poder negociador de los proveedores” para la industria aeroespacial india en

varios años, en concreto en 2013, 2011 y 2010.


Figura 23 Poder negociador de los proveedores en 2013 de la industria aeroespacial en India

Fuente; (Marketline, 2012)






España

Análogamente se muestra en las figuras 26, 27 y 28 el análisis de la fuerza

“Poder negociador de los proveedores” para la industria aeroespacial española

en varios años, en concreto en 2013, 2011 y 2010.


Figura 26 Poder negociador de los proveedores en 2013 de la industria aeroespacial en

España




Figura 27 Poder negociador de los proveedores en 2011 de la industria aeroespacial en

España


Figura 28 Poder negociador de los vendedores en 2010 de la industria aeroespacial en España



2.4.3 Grado de rivalidad

Esta fuerza analiza la rivalidad que existe entre las empresas aeroespaciales

exsitentes y que actualmente compiten entre ellas. Para este análisis se utilizan

diferentes variables estructurales que lo descomponen, siendo estas

diemensiones:

Tamaño del competidor – Evalúa el tamaño de los competidores,

jugando un papal importante en el gradod de rivalidad. De hecho esta es

una de las variables que se ha tenido en cuenta en el modelo de

análisis.

Facilidad de expansión – Analiza la facilidad de las empresas para

expandirse. En el sector aeroespacial la tendencia es a concentrarse en

las actividades consideradas como “core” y especializarse en ellas.

Facilidad de salida – Evalúa la facilidad de abandonar la industria

aeroespacial. En este sector al ser tan específico no es facil, incluso con

algunas restricciones legales (patentes, responsabilidad legal frente a

terceros…)

Falta de diversidad – Analiza la diversidad en los competidores, la cual

no es muy grande. Es decir no hay mucha diversidad es previsible que

existe gran competencia.

Coste cambio – Analiza los costes en los que se incurre por cambiar de

sector. Muchas de las empresas no trabajan solo para el sector

aeroespacial (en sus dos vertientes, la civil y de defensa), sino que lo

hacen en otros para diversificar riesgos y aprovechar las economías de

escala que les ofrece disponer de unos medios productivos y un know-

how que les confiere adicionalmente una ventaja competitiva en otros

sectores.

Estructura de costes fijos – Evalúa la existencia de costes una estructura

de costes fijos elevada (Algo indeseable para las empresas). Esta

dimensión también se ve reflejada en el modelo que se utiliza en esta



tesis doctoral, a través de la evaluación de la estructura de activos,

donde se comparar los corrientes y los no corrientes (Fijos).

Número de competidores existentes – Esta dimensión estructural pone

de manifiesto si la rivalidad se aproxima a las hipótesis de mercado

perfecto o por el contrario hacia el oligopolio y/o monopolio.

Coste de almacenaje – Los productos aeroespaciales para ser

almacenados requieren unas condiciones muy particulares tanto

ambientales, como de manipulación, de espacio, de transporte.

Adicionalmente al tratarse de productos con un coste muy elevado, su

almacenaje es un coste indeseable para las empresas, puesto que ha

adquirido materias primas, han invertido horas en su producción y

todavía no lo han vendido por lo que no puden en principio facturarlo. E

decir, incurren en costes y no pueden contabilizar la venta.

Grado de diferenciación del producto – Analiza si el producto que

ofrecen esta diferenciado. En cierta manera si lo está, pero también es

necesario conocer que existen unas regulaciones internacionales que

favorecen que si las empresas las cumplen puedan ofrecer productos

y/o servicios más homogéneos.

Juego de suma cero – Evalúa la capacidad de las empreas del sector

aeroespacial para buscar estrategias de suma cero, es decir, que lo que

gana uno de ellos lo pierde otro, pero que en cualquier momento o en

otra dimensión la situación es la contraria.

A continuación en las figuras 29, 30 y 31 se muestran los valores agregados

para la industria aeroespacial a nivel global en varios años, como son el 2013,

2011 y 2010.




Figura 29 Grado de rivalidad de empresas existentes en 2013 de la industria aeroespacial

global



global





global

La industria aeroespacial y de defensa está dominada por empresas de gran

tamaño, algunas de las cuales están muy diversificadas en cuanto a producto,

eslabones de la cadena de valor cubiertos y presencia geográfica se refiere. Es

decir son “jugadores globales”. Esto hace que se reduzca la dependencia de un

mercado en particular por lo que se reduce un poco el grado de rivalidad en un

mercado en particular aunque puede aumentar a nivel global al coincidir en

varios mercados.

Aun así hay muchas empresas que todavía tienen una alta dependencia de un

mercado en particular (el aeroespacial y de defensa). El hecho de que los

presupuestos de defensa se han reducido en muchos países ha hecho que la

competencia aumente a través de un mayor grado de rivalidad, por el contrario

en otros países como los emergentes, ha ocurrido que los presupuestos han

aumentado y en consecuencia las empresas para tratar de incrementar los

ingresos que no estaban obteniendo en los países tradicionales compitan con

un alto grado de rivalidad en estas economías emergentes (incluye alguno de

los países BRICS).



En el sector civil la rivalidad de las empresas que tratan de ofrecer aeronaves

cuyo consumo de combustible sea cada vez menor, sea incrementado, ya que

las aerolíneas han realizado grandes inversiones para modernizar las flotas y

reducir los costes de combustible, al haber aumentado este paulatinamente sus

precios. Es la defensa que han tenido los compradores.

Globalmente la rivalidad existente entre las empresas presentes en el mercado

es fuerte.

India

A continuación se muestra en las figuras 32, 33 y 34 el análisis de la fuerza

“Grado de rivalidad” para la industria aeroespacial india en varios años, en

concreto en 2013, 2011 y 2010.


Figura 32 Grado de rivalidad de empresas existentes en 2013 de la industria aeroespacial en India




Figura 33 Grado de rivalidad de empresas existentes en 2011 de la industria aeroespacial en India


Figura 34 Grado de rivalidad de empresas existentes en 2010 de la industria aeroespacial en

India



España

De igual manera se muestra en las figuras 35, 36 y 37 el análisis de la fuerza

“Grado de rivalidad” para la industria aeroespacial española en varios años, en

concreto en 2013, 2011 y 2010.



España



España





España

2.4.4 Entrada de nuevos competidores

Esta fuerza evalúa la amenaza de entrada de nuevos competidores en el sector

aeroespacial. Se descompone en una serie de dimensiones o factores

estructurales, los cuales se van a detallar a continuación y se va a representar

su evolución temporal en los años 2013, 2011 y 2010 en las figuras 38, 39 y 40.

Las dimensiones de esta fuerza son:

Accesibilidad a los canales de distribución – Evalua la capacidad de uso

de los canales de distribución establecidos para los competidores

actuales, por lo nuevos competidores. En el sector aeroespacial

cualquier proveedor logístico puede ofrecer estos servicios.

Raccion de los competidores establecidos – La reacción de los

competidores actuales no tiene demasiada repercusión ya que no

pueden bloquear ningún proveedor ni pueden actuar en contra por las

leyes de competencia existentes.

Existencia de propiedad industrial e intelectual – Existen fuertes

derechos de propiedad industrial e intelectual en forma de patentes, si



bien pueden utilizarlos. Por lo que el grado de fuerza que otorga es

pequeño para esta industria.

Barreras regulatorias – Las barreras regulatorias no son demasiado

grandes, a pesar de ser una industria fuertemente regualada, cualquier

competidor potencial puede cumplir con los requerimientos siempres y

cuando haga las inversiones adecuadas para tecnificarse y alcanzar los

estándares. No supone una barrera al poder tener acceso cualquiera.

Estructura de costes – La estructura de costes fijos juega un papel

importante pudiendo ser una barrera de entrada de existir unos costes

fijos elevados. No obstante las empresas que quieren entrar en el sector

aeroespacial que provienen de otros sectores también tecnificados ya

disponen de gran contindad de estos activos necesarios por lo que no

supone una barrera muy grande.

Coste de cambio – Los costes de cambio si son elevados. Es decir la

empresas tienen que realizar inversiones para cambiar a este sector,

razonablemente elevadas.

Crecimiento del mercado – El mercado está en crecimiento por lo que

atrae a competidores potenciales buscando una parte de cuota de

mercado en expansión.

Economía de escala – No es excesivamente importante para las

empresas que quieren entrar en el sector aeroespacial, si bien puden

utilizan activos que ya poseen.

Accesibilidad a la cadena de suministro – Los nuevos competidores

tienen a priori la misma facilidad que las empresas actuales para

acceder a la cadena de suministro existente.

Diferenciación del producto – Como se ha comentado anteriormente en

otras fuerzas el producto en el sector aeroespacial está diferenciado, si

bien la regulación y la calificación, permiten disminuir este efecto y

hacerlo más homogéneo (por ejemplo un servicio de MRO será a priori

el mismo en cualquier parte del mundo puesto que cumple con la

regulación en materia de seguridad).



Poca importancia de la marca – La marca juega un papel importante,

pero no el que más, aunque la evolución es a que si lo juegue. Lo que

existe son unos requerimientos de diseño y funcionales y aquella

empresa que sea capaz de suministrarlo y al menor coste suele

seleccionarse para tal tarea.


Figura 38 Amenaza de entrada de nuevos competidores en 2013 de la industria aeroespacial

global



global





global

Las empresas existentes tienen un tamaño tan grande y una estructura de

costes nada apropiada para la entrada de un nuevo competidor. Asimismo al

ser un sector muy específico y tecnológico las capacidades y conocimiento

necesarios son muy apreciadas y un intangible que las empresas existentes

utilizan de barrera de entrada. Están cambiando el sector y las empresas

fabricantes existentes están concentrando sus negocios formándose cada vez

menos competidores pero de un tamaño superior, lo que a su vez actúa de

nuevo de barrera de entrada para nuevos competidores.

Se trata de un sector altamente regulado en materia de seguridad nacional,

comercio exterior (importaciones/exportaciones), impuestos, seguridad en

vuelo, calidad, contabilidad, ética y cumplimiento… Esto actúa de barrera de

entrada para nuevas empresas que quieran penetrar en esta industria.

Globalmente la amenaza de entrada de nuevos competidores es baja.



India

En las diguras 41, 42 y 43 se muestra el análisis de la fuerza “Entrada de

nuevos competidores” para la industria aeroespacial india en varios años, en

concreto en 2013, 2011 y 2010.



en India



en India





en India

España

De la misma manera en las figuras 44, 45 y 46 se muestra el análisis de la

fuerza “Entrada de nuevos competidores” para la industria aeroespacial

española en varios años, en concreto en 2013, 2011 y 2010.



en España





en España



en España

2.4.5 Existencia de productos sustitutivos

Los productos sustitutivos son aquellos que para el cliente tienen la misma

utilidad y cumplen la misma funcionalidad. Para analizarla se descompone en

diferentes dimensiones las cuales se van a presentar a continuación y se



analizan longitudinalmente para los años 2013, 2011 y 2010, para la industria

aeroespacial global en las figuras 47, 48 y 49. Dichas dimensiones son:

Existencias de alternativas más beneficiosas – Analiza si hay alguna

alternativa a las existentes que presenten una mayor utilidad para el

cliente manteniendo la funcionalidad. Dada la especificad de la industria

aeroespacial en algunas ocasiones pudiera existir algún producto

alternativo, pero desde luego no en el caso de los productores de

aeronaves, de componentes aeroespaciales, de mantenimiento

aeronaútico, de formación aeronaútica…

Existencia de alternativas más baratas – La falta de alternativas hacen

que las pocas que puedan existir no sean más baratas por lo que el

papel de esta dimensión no será excesivamente importante.

Costes de cambio bajos – Los costes de cambio hacia otras alternativas

son elevados, puesto que hay que desarrollarlas al no existir mucha

disponibilidad de las mismas.


Figura 47 Amenaza de productos sustitutivos en 2013 de la industria aeroespacial global







En el sector aeroespacial, tanto civil como de defensa, debido a la

diferenciación de producto no hay productivos sustitutivos reales, aunque en el

sector civil hay diferentes aviones que se pueden comprar y realizarían en

principio la misma función, quizá en defensa con los aviones pasa lo mismo

(aunque el modelo a utilizar está muy ligado a la estrategia del país

correspondiente). No representa una amenaza para los fabricantes existentes.



En el sector civil quizá en algunas ocasiones puede existir algún producto

sustitutivo como el tren de alta velocidad, pero no está tan desarrollado y no

llega a tantos puntos como la aviación comercial. No representa un la

actualidad una amenaza.

Globalmente la amenaza de los productos sustitutivos es débil.

India

En las figuras 50, 51 y 52 se muestra el análisis de la fuerza “Existencia de

productos sustitutivos” para la industria aeroespacial india en varios años, en

concreto en 2013, 2011 y 2010.


Figura 50 Amenaza de productos sustitutivos en 2013 de la industria aeroespacial en India



España

En las figuras 53, 54 y 55 se muestra el análisis de la fuerza “Existencia de

productos sustitutivos” para la industria aeroespacial india en varios años, en

concreto en 2013, 2011 y 2010.


Figura 53 Amenaza de productos sustitutivos en 2013 de la industria aeroespacial en España







2.5 DEFINICIÓN DEL PROBLEMA OBJETO DE ESTUDIO

Como se ha esbozado en los puntos anteriores las características del entorno

general, así como las del específico sufren una variación longitudinal entre los

años 2008 a 2013, en España, India y a nivel mundial. También son distintas

entre España e India, así como comparativamente con la evolución mundial de

la industria, cuando se realiza la comparación de manera transversal para cada

año.

Parece lógico suponer que las empresas que operan en ese entorno (España e

India) tengan diferentes factores estructurales que afecten a su rendimiento, y

que además estos factores varíen con el tiempo en forma e intensidad.

Los autores Türel, et al. (2012) han estudiado las características de las

empresas con mejor rendimiento en Turquía antes y después de la crisis.

Aunque se trata de un enfoque que pudiera ser interesante, el objetivo de esta

tesis doctoral no es cuantificar, ni esgrimir los efectos de la crisis económica

global de 2008, de la crisis europea de deuda soberana de 2010, o de la crisis

india de 2012, sobre el rendimiento de las empresas. Como tampoco lo es

extrapolar los resultados de lo que ocurra en España a todos los países PIGS,



de la misma manera que todo lo que ocurra en India a todos los BRICS. Estos

enfoques son dos de las futuras líneas de investigación que podrían

complementar esta tesis. Uno de los objetivos de la tesis es esbozar una

metodología de carácter exploratorio, descriptivo y predictivo, que permita su

aplicación, en diferentes entornos, en ocasiones muy dispares. Por este motivo

se ha seleccionado a India y España como países para el caso de estudio, por

presentar estas características tan diferentes. En España la industria

aeroespacial es una industria madura, y pertenece a uno de los países más

golpeados perteneciendo al grupo de los PIGS. En cambio la India es una

economía emergente que pertenece al grupo de los denominados BRICS,

además la industria aeroespacial está en su etapa inicial de crecimiento.

Los autores Delen, et. al. (2013) en su trabajo hacen un estudio de los

indicadores financieros que mejor representan el desempeño y/o rendimiento

de una empresa, para posteriormente utilizarlos para hacer una prognosis

sobre rendimiento futuro utilizando la evolución de los indicadores financieros.

Este planteamiento es muy similar al utilizado en esta tesis doctoral a nivel

metodológico. Una primera etapa en la que se hace un análisis exploratorio y

descriptivo, seguido de una segunda etapa de prognosis basada en los

resultados de la primera. En nuestro caso se pretende hacer un análisis sobre

los elementos estructurales y su evolución en el tiempo que más influyen en el

rendimiento de las empresas, así como su influencia en la eficiencia de la

misma. Posteriormente todo lo anterior será utilizado en un modelo de

prognosis de la eficiencia empresarial.

El investigador Arinovic-Barac (2011) en su artículo hacen un análisis de los

indicadores financieros que mejor recogen la evolución del desempeño y/o

funcionamiento de las empresas para posteriormente realizar un modelo

predictivo utilizando las Redes Neuronales para ello. Esta aproximación

metodológica es de nuevo muy similar a la que se pretende seguir en esta tesis

doctoral. Es decir, una primera etapa exploratoria y descriptiva, seguido de una

segunda etapa predictiva.



Para definir correctamente desde una óptica metodológica el problema a

continuación se van a esbozar una serie de características, las cuales se

detallarán con mayor precisión en el capítulo 3.

2.2.1 Propósito del estudio

El propósito de esta tesis doctoral es triple. Por un lado se trata de un estudio

exploratorio y descriptivo debido a que no hay demasiada información o

estudios previos sobre el problema que se pretende analizar de los factores

estructurales que afectan al rendimiento y la eficiencia de las empresas en la

industria aeroespacial, y en particular en dos países como son España e India.

Desde este enfoque es exploratorio y descriptivo. Se generarán una serie de

hipótesis a priori, basadas en la literatura existente o en la experiencia, que se

falsarán a lo largo del desarrollo de este trabajo.

Un segundo propósito es predictivo, ya que en un entorno dinámico tiene más

valor si además de comprender lo que ha ocurrido se pude esbozar lo que

potencialmente puede ocurrir, con objeto de establecer los planes de acción

correspondientes y permitir a las empresas ser más agiles y robustas si aplican

este proceso de manera sistemática reduciendo el riesgo de vulnerabilidad ante

fenómenos o decisión estratégicas de gestión determinados.

Por último el tercer propósito es formular una metodología de aplicación en

cualquier entorno (país, industria, tiempo).

2.2.2 Problema específico para ser investigado

La definición de un problema de investigación debe cumplir al menos las

siguientes características. Debe ser relevante, viable e interesante.

En relación a la relevancia del problema, se va a analizar en detalle en el punto

2.2.4, la relevancia para el mundo empresarial y académico. Es necesario

hacer esta distinción, ya que podría ser muy relevante para uno y muy poco

para otro. En este caso como se trata de un tipo de investigación aplicada, es

importante la relevancia para el mundo empresarial para ofrecer información y



una nueva metodología; tanto para el mundo académico para mostrar si

trabajos y estudios que se han realizado siguen siendo falsables ante un

cambio de condiciones de contorno, así como aportar un nuevo conocimiento

derivado de la muestra utilizada (Industria aeroespacial en España e India)

Desde una óptica académica tiene interés determinar dichos factores para una

industria, como es la aeroespacial poco estudiada, y en particular para dos

países como son España e India. En el caso de India no se ha evidenciado

ningún estudio similar sobre este sector y que además utilice una muestra

cercana al tamaño de la población. Como hecho destacable para la muestra de

este país, el acceso a la información es sólo posible si se visita algún centro

académico o profesional en el que se pueda acceder a una base de datos sólo

para “indian eyes”. Además del añadido de utilizar una muestra muy amplia, y

sobre la que no se ha visto otra de similar tamaño en toda la bibliografía

consultada para la realización de este trabajo. Adicionalmente, tiene especial

valor también la posibilidad de utilizar los informes de inteligencia de negocio

generados por MarketLine, normalmente con un precio muy elevado por

informe y que han podido obtenerse gracias a la subscripción de un centro

académico indio, al que se ha tenido acceso.

Asimismo otro valor añadido desde un enfoque académico es la aplicación de

una misma metodología basada en el método científico, a dos entornos muy

diferentes. No sólo se puede encontrar el valor añadido en los resultados

obtenidos, sino en la propuesta de una metodología que sea extrapolable a

otros países y otros sectores de manera que los haga comparables, abriendo

infinidad de oportunidades de investigación. Asimismo añade valor al tratarse

de la primera etapa de una línea de investigación sustentando el comienzo de

la misma y dando continuidad, es decir, no se trata de un trabajo con un inicio y

un final en términos absolutos abandonando posteriormente los hallazgos y el

potencial de investigación.

Si el enfoque es el empresarial, presenta valor añadido y novedad, al poner al

servicio de las empresas una herramienta aplicable a cualquier entorno y



cualquier industria, que desgrana los factores que actúan como factores

determinantes que influyen en el rendimiento y eficiencia de las empresas. Es

más, también será capaz de predecir la eficiencia utilizando información pública

de las empresas, siendo un tipo de información muy básica. Puede utilizarse

para formular joint ventures con el socio adecuado, analizar el riesgo de una

determinada operación, servir de criterio de selección de eslabones de la red

de suministro.

Otra de las características que debe cumplir es la viabilidad. Es decir, si se

puede diseñar una investigación apropiada estudiar el problema. Para ello

deben estar disponibles la teoría, recursos, información, tiempo… necesarios.

Para el problema objeto de estudio de esta tesis doctoral es viable, puesto que

se dispone de la teoría, recursos económicos, acceso a la información y tiempo

para plantear una investigación en relación al problema de estudio. En relación

a esta característica es destacable que en el entorno indio, la información sólo

esta accesible desde una institución india. Gracias a dos estancias estivales en

una institución académica de primer nivel, ha sido posible la aplicación al caso

indio.

La última característica que debe cumplir es que sea de interés para el

investigador y le motive. En este caso se cumple también esta característica

puesto que me encuentro vinculado laboralmente a una empresa líder del

sector aeroespacial y he tenido contacto con la industria aeroespacial española

e india a través de las funciones que he desempeñado o desempeño en la

misma, así como a nivel académico también me encuentro vinculado

laboralmente a la universidad en la Escuela que imparte Ingeniería

Aeroespacial más antigua de España. Es decir, tiene interés a nivel

académico, así como empresarial.

2.2.3 Alcance del estudio

El alcance de esta tesis doctoral son las empresas de la industria aeroespacial

(civil y defensa) en España e India entre los años 2008 y 2013.



2.2.4 Relevancia del estudio

En relación a la relevancia del problema, desde una óptica empresarial debe

ser un problema que existe y tiene impacto en las empresas. El que se estudia

en esta tesis doctoral lo es, puesto que propone una metodología de selección

de aquellas empresas del sector aeroespacial que más eficientes son, y que

por lo tanto es más seguro y apetecible trabajar con ellas.

Si se analiza la relevancia desde una óptica académica, algo es relevante si no

hay mucho conocimiento alrededor de ello, o existe dicho conocimiento pero

diseminado sin una hilo conductor que lo integre, si hay resultado total o

parcialmente contradictorios sobre el mismo asunto, y por último si se las

conclusiones obtenidas no son válidas bajo ciertas condiciones. No se ha

encontrado en la bibliografía consultada artículos que desgranen los factores

estructurales que afectan al rendimiento y eficiencia de las empresas del sector

aeroespacial, y todavía en menor proporción si se trata de España o India.

Estos son los elementos que añaden valor a esta tesis doctoral, también

conforman los elementos novedosos añadidos.

2.2.5 Diseño del estudio

Muestra

Para el diseño de la muestra se van a tomar las empresas del sector

aeroespacial en India y España.

Obtención de los datos datos

Los datos de extraen de bases de datos, es decir, de una fuente secundaria.

Dichas bases de datos son SABI para España, PROWESS para India y las del

WEF y FMI para los aspectos macroeconómicos.



Selección de la técnica de análisis de datos

Se verifica la validez de los datos (valores perdidos y casos atípicos), y

posteriormente se utiliza una técnica adecuada al objetivo del estudio

(Exploratorio, descriptivo y predictivo), así como a las hipótesis que se pretende

falsar. Si la técnica que se utiliza no proporciona el tipo de resultado que se

requiere las conclusiones no serán válidas para falsar las hipótesis. Para la

parte exploratorio y descriptiva se utilizan las técnicas de análisis de

componentes principales y análisis envolvente de datos. En el área predictiva

se hace uso de una red neuronal artificial.

2.2.6 Marco temporal

El marco temporal que se contempla es el comprendido entre 2008 y 2013. El

motivo de haber elegido este intervalo es debido a que durante este periodo el

entorno general y específico han acontecido una serie de hechos que han

introducido cierta turbulencia y dinamismo en el mismo de manera asimétrica,

como por ejemplo la crisis económica mundial de 2008, la crisis de deuda

soberana de 2010 en Europa, la crisis de 2012 en India, el lanzamiento y

consolidación de nuevos programas aeronáuticos (A350 XWB, A380, A400M,

B787 Dreamliner…)

2.6 DESARROLLO DE HIPÓTESIS

Una hipótesis es una explicación tentativa de la relación entre dos o más

constructos o variables. Las hipótesis deben (Hernández , et al., 2010):

Referirse a una situación real

Sus términos (constructo o variable) deben ser comprensibles, precisos

y concretos.

Los términos deben estar definidos a nivel conceptual y operacional

Las relaciones entre los términos deben ser claras y verosímiles

Los términos deben ser observables y medibles, bien porque sean una

variable o porque se puedan operacionalizar mediante variables.



En la figura 56 se muestra una clasificación de los diversos tipos de hipótesis

que se pueden formular.

Tipos de

hipótesis

- De investigación

- Descriptiva

- Correlacional

- De diferencia de grupos

- Causales - Bivariadas

- Multivariadas

- Nulas

- Alternativas

- Estadísticas


Figura 56 Tipos de hipótesis existentes en una investigación

Hipótesis de investigación

Las hipótesis de investigación son proposiciones tentativas de las posibles

relaciones entre dos o más variables

En función del objetivo del estudio tiene sentido formular hipótesis o no, así

como el tipo de hipótesis formuladas. En un estudio de carácter exploratorio no

tiene sentido formular hipótesis, puesto que se está examinando un problema o

fenómeno del que no se tiene excesiva información. En cambio si el estudio es

descriptivo si se formulan pronosticando un hecho o un dato. También se

pueden formular hipótesis de la diferencia entre grupos si la finalidad es

comparar grupos, si no se dispone de bases suficientes para suponer a favor

de qué grupo será la diferencia, o en caso de disponerlas se establece la

direccionalidad de la diferencia entre ellos. Si el objetivo es correlacional se

formulan hipótesis correlacionales que especifiquen relaciones entre dos o más

variables. Por último en los enfoques explicativos se formulan hipótesis de tipo

causal en las que no sólo se establece que existe relación entre dos o más



variables sino que además se expone la manera en la que se manifiestan y el

sentido de las mismas. A su vez este tipo de hipótesis causales se dividen en:

Hipótesis causales bivariadas – Plantean una relación entre una variable

independiente y otra dependiente o un constructo exógeno con otro

endógeno.

Hipótesis causales multivariadas – Plantean una relación entre varias

variables independientes y una dependiente, o una independiente con

varias dependientes, o varias independientes con varias dependientes.

Lo mismo es válido si en lugar de variables son constructos, asociando

las variables independientes con los constructos exógenos y las

variables dependientes con los constructos endógenos.

Las hipótesis de investigación que se formulan para estudiar un problema se

designan mediante 𝐻𝑖, ∀ 𝑖 ∈ ℕ.

Hipótesis nulas

También existen otro tipo de hipótesis denominadas nulas, que son muy

similares a las de investigación, comentadas anteriormente pero con la

salvedad que niegan o refutan la relación que se ha planteado, de ahí reciben

la designación de nulas. Se designan como 𝐻0. En ocasiones para refutar la

hipótesis de investigación se falsa la hipótesis nula.

Hipótesis alternativas

Por último existen las hipótesis alternativas que son posibilidades diferentes de

las hipótesis de investigación y nulas. Se designan como 𝐻𝑎.

Formulación de hipótesis de la tesis doctoral

Las hipótesis de esta tesis doctoral que se pretenden falsar son de tipo

descriptivo y de diferencia entre grupos, y son las siguientes:



H1 Existen diferentes factores estructurales de la empresa que afectan al

rendimiento en las empresas del sector aeroespacial en India y España.

H2 Los factores estructurales de la empresa que afectan al rendimiento de las

empresas del sector aeroespacial en España contribuyen con diferente

intensidad entre 2008 y 2013.


empresas del sector aeroespacial en España no varían en su

operacionalizacion entre 2008 y 2013.


empresas del sector aeroespacial en India contribuyen con diferente intensidad

entre 2008 y 2013.


empresas del sector aeroespacial en India no varían en su operacionalizacion

entre 2008 y 2013.

H6 Las empresas del sector aeroespacial líderes en eficiencia en España

siguen un patrón en relación a los índices del efecto de la emprea, estructura

de activos, estructura de capital, estructura de liquidez y rendimiento.

H7 Las empresas del sector aeroespacial líderes en eficiencia en India siguen

un patrón en relación a los índices del efecto de la emprea, estructura de

activos, estructura de capital, estructura de liquidez y rendimiento.

El hecho de que inicialmente la tesis doctoral esté enfocada, en lo que a la

selección de las técnicas, a falsar las hipótesis que se acaban de presentar, no

significa que en dicha aplicación aparezcan serendipias que serán tratadas en

las conclusiones. Es decir, cuando se plantea una investigación se buscan

unos objetivos, pero no quiere decir, que no se encuentren por azar otros

igualmente útiles y válidos, pero que no estaban recogidos entre los objetivos

iniciales. En la ciencia se pueden encontrar ejemplos de serendipias, como la

penicilina, el celuloide, teflón ®…



PARTE II FUNDAMENTOS TEÓRICOS



CAPITULO 3 METODOLOGÍA DE LA INVESTIGACIÓN

3.1 METODOLOGÍA DE LA INVESTIGACIÓN

En este capítulo se va a describir la metodología que fundamenta esta tesis

doctoral. Cuando se plantea un trabajo de investigación es muy importante

determinar las condiciones de contorno bajo las cuales se ha estudiado el

problema, así como las fases y su validez. Ya que sin esta argumentación

metodológica el resultado obtenido no puede falsar las hipótesis de partida, ni

las serendipias cobran sentido

Se ha tomado como guía el trabajo de varios autores (Sekaran & Bougie,

2011), (Sierra, 2007) (Hernández , et al., 2010).

Todos ellos coinciden en la definición de investigación como el proceso

organizado, sistemático, basado en datos, crítico, objetivado, para proponer

soluciones o dar respuestas a un problema específico.

El tipo de soluciones buscadas al problema específico hacen que la

investigación sea básica o aplicada. Es decir, cuando se genera un cuerpo de

conocimiento tratando de comprender como ciertos problemas ocurren en las

organizaciones y pueden resolverse, se trata de investigación básica. En

cambio cuando, se obtiene la solución a un problema concreto con el

conocimiento existente mediante su aplicación se trata entonces de

investigación aplicada. Esta tesis doctoral es investigación aplicada puesto que

se utiliza la teoría existente para estudiar un problema con unas condiciones de

contorno determinadas en el entorno de las ciencias sociales.

La utilización del método científico en el estudio de un problema determinado,

implica una serie de características que hacen que sea adecuado para poder

falsar los resultados que se obtengan (Sekaran & Bougie, 2011):

Intencionalidad, rigor, verificabilidad, replicabilidad, precisión y confianza,

objetividad, generalización, frugalidad en la definición.



Dicho método científico está basado en el método hipotético-deductivo que

consta de las siguientes fases:

Identificar el área del problema (Cap.2 y 3)

Definir el enunciado del problema (Cap.2 y 3)

Desarrollar hipótesis (Cap.2 y 3)

Determinar el modelo de medición (Cap.7)

Recopilar datos (Cap. 8)

Analizar datos (Cap. 9, 10, 11)

Interpretar datos (Cap. 12)

Entre paréntesis se relacionan los capítulos que corresponden con cada una de

estas fases del método.

En esta tesis doctoral en la aplicación del método hipotético deductivo se parte

de la aplicación de la teoría general y técnicas generales para falsar un caso

específico, es decir, falsar hipótesis. Los autores Sekaran y Bougie (2011)

proponen un esquema como el de la figura 57 para organizar el diseño de la

investigación que es el que se va a seguir en esta tesis doctoral.

Fuente: (Sekaran & Bougie, 2011)

Figura 57 Elementos para el diseño de una investigación

Enunciado del problema

Metodo recopilacion de datos Análisis de datos

Objetivo del estudio Unidad de análisis

Tipo de investigación Diseño del muestreo

Grado de interferencia Horizonte temporal

Preparación del estudio Medición



Cada una de las partes de las que consta el diseño de la investigación: (1)

Determinar el enunciado del problema, (2) Detalles del estudio, (3) Medición,

(4) Análisis de datos, será tratada de manera conjunta con el contenido de la

misma. Para ejemplificar lo anterior, en lugar de hacer una reseña teórica de

cómo debe determinarse un modelo de medición al comienzo de la tesis

doctoral en este capítulo de metodología, se realizará en el capítulo 7,

correspondiente a la determinación de la medición, donde se recopilan las

variables y se explican. Con esta aproximación se tiene la ventaja de que teoría

y aplicación están juntas y por lo tanto se puede observar mejor la relación

entre ellas.

La primera parte del enunciado del problema ha sido tratada en el capítulo 2 y

3. La parte de diseño de la medición será tratada en posteriores capítulos, en

concreto en el 7. Asimismo la parte de análisis de datos se describirá en los

capítulos 9, 10, 11.

En relación a los detalles del estudio, a continuación se van a tratar las

características básicas de la investigación planteada en esta tesis doctoral, en

este capítulo de metodología.

Objetivo del estudio

El objetivo de las investigaciones puede ser: Exploratorio, descriptivo,

correlacional o explicativo (Hernández , et al., 2010). En la tabla 6 se describe

cada uno de ellos atendiendo a su próposito y al valor añadido. Uno de los

primeros pasos es determinar el objetivo de la investigación de tal forma que

las hipótesis formuladas sean acordes al mismo, como también las técnicas de

análisis aplicadas y las conclusiones obtenidas. Debe ser una aproximación

holística. Dicho resumen es el mostrado en la siguiente tabla:



Alcance Propósito de la investigación Valor añadido

Exploratorio Examinar un tema o problema de

investigación poco estudiado, del cual se

tienen muchas dudas o no se ha abordado

antes.

Ayuda a familiarizarse con fenómenos desconocidos,

obtener más información para realizar una

investigación más completa de un contexto particular,

investigar nuevos problemas, identificar conceptos o

variable predictivas, establecer prioridades para

investigaciones futuras, o sugerir afirmaciones y

postulados.

Descriptivo Especificar las propiedades, las

características y los perfiles de personas,

grupos, comunidades, procesos, objetos o

cualquier otro fenómeno que se someta a

un análisis

Es útil para mostrar con precisión los ángulos o

dimensiones de un fenómeno, suceso, comunidad,

contexto o situación.

Correlacional Conocer la relación o grado de asociación

que exista entre dos o más conceptos,

categorías o variables en un contexto en

particular

Tiene un valor explicativo, aunque parcial, ya que el

hecho de saber que dos conceptos o variables se

relacionan aporta cierta información explicativa

Explicativo Responder a las causas de los eventos y

fenómenos físicos o sociales, se enfoca en

explicar por qué ocurre un fenómeno y en

qué condiciones se manifiesta, o por qué se

relacionan dos o más variables.

Está más estructurado que las demás investigaciones

(de hecho implico los propósitos de estas); además de

que proporciona un sentido de entendimiento del

fenómeno a que hacen referencia.

Fuente: (Hernández , et al., 2010)

Tabla 6 Tipos y características de los objetivos de una investigación

Un mismo estudio no tiene por qué focalizarse sólo en un objetivo, sino que

puede cubrir varios. Igualmente una línea de investigación puede pasar por

varias fases, siendo cada fase un estado de agregación en cuanto a objetivo se

refiere, generalmente será superior, aunque no está limitdo dependiendo de la

investigación planteada. Como se ha comentado anteriormente esta tesis

doctoral se trata de un estudio con un doble propósito. Por un lado exploratorio,

ya que no existe demasiada información sobre el problema planteado en esta

tesis doctoral. Por otro predictivo, debido a que se muestra una técnica para

predecir determinadas características de las empresas. En la figura 58 se

muestran los diferentes objetivos, así como la línea de investigación que abre

esta tesis doctoral, y su encuadramiento en lo referente a objetivos. También

se representa en la misma figura los siguientes pasos para progresar en la

línea de investigación y los objetivos que cubrirían.




Figura 58 Línea de investigación de la tesis doctoral y segmentación en objetivos

Tipo de investigación

En relación al tipo investigación y manteniendo la concordancia con los

objetivos se trata de una investigación de tipo exploratorio, descriptivo y

predictivo. En esta primera fase de la línea de investigación propuesta, no se

realiza ningún tipo de investigación correlacional y/o causal, quedando estas

para las posteriores fases.

Grado de interferencia

Hay tres tipos de interferencia del investigador: Mínima, moderada y excesiva

(Sekaran & Bougie, 2011). Va a estar muy ligado al objetivo y tipo de

investigación que se lleve a cabo. Por ejemplo en una investigación de tipo

causal el investigador en alguna ocasión interfiere sobre el valor de las

variables con objeto de tener información sobre esa cuasalidad haciendo un

análisis de sensibilidad.

Predictivo

Exploratorio Descriptivo Correlacional Explicativo

Tesis doctoral

BRICS vs PIGS

Resiliencia



En esta tesis doctoral la interferencia del investigador es mínima, debido a que

se basa en datos secundarios obtenidos a través de bases de datos

especializadas (SABI, PROWESS, WEF, Elsevier…) y en ningún momento se

interfiere en las empresas ni en su funcionamiento con el objetivo de evaluar el

efecto que producen esas alteraciones en las variables del modelo.

Preparación del estudio

De acuerdo a los autores Sekaran y Bougie (2011) el estudio puede prepararse

de manera natural (estudio de campo) o artificial (experimento en laboratorio).

Por ejemplo la gran mayoría de los estudios correlacionales son estudios de

campo que no requieren de ningún tipo de preparación artificial, mientras en los

de tipo causal es más frecuente que se prepare de manera artificial para aislar

la causa y efecto, evitando cualquier tipo de contaminación por ruido y/o

efectos espúreos. En este trabajo se trata de una preparación de tipo natural, o

sin preparación artificial, puesto que no es necesario preparar de manera

artificial ningún entorno bajo el cual se desarrolla el estudio. En este caso se

desarrolla durante las operaciones de las empresas en el intervalo temporal,

países e industria mencionados, pero no es necesario crear artificialmente

ningún entorno.

Unidad de análisis

La unidad de análisis se refiere al estado de agregación de la recolección y

análisis de los datos (Individuos, parejas, grupos, organizaciones, culturas). En

esta tesis doctoral para la recolección y análisis de datos dicha unidad es el

“individuo”, entendiendo como tal cada empresa de la que se obtienen datos,

serán tratadas como unidades decisoras (DMU – Decision Making Unit).

No obstante para falsar las hipótesis y la muestra de serendipias, la unidad

sería el “grupo”. Debido a que se realizarán los análisis por grupos de

empresas pertenecientes al mismo eslabón de la cadena de valor y país. Para

analizar y evaluar las diferencias de grupo entre ellas.



Diseño del muestreo

Para el diseño de la muestra se van a tomar las empresas del sector

aeroespacial en India y España. Por lo tanto habrá una muestra por país. Para

poder operar en el sector aeroespacial las empresas deben tener su Sistema

de Gestión de Calidad certificado bajo la norma EN/AS/JIS 9100 (Sistema de

Gestión de Calidad del sector aeroespacial), por lo tanto la muestra de esta

tesis doctoral partirá de todas las empresas que posean dicha certificación.

Para poder determinar dichas empresas se accede a la base de datos OASIS

del IAQG (International Aerospace Quality Group) y mediante los filtros que se

pueden aplicar se obtiene el listado con los nombres y direcciones de las

empresas de la muestra. No sólo las empresas certificadas trabajan en esta

industria, hay empresas que por la naturaleza de los productos y/o servicios

que ofrecen no necesitan esta certificación pudiendo tener su sistema de

gestión de calidad certificado ISO 9001 (Sistema de Gestión de Calidad). Para

localizar este tipo de empresas se ha accedido a los asociaciones de

fabricantes y aeronáuticas de España (TEDAE) e India (The Aeronautical

Society of India), así como a los clusters aeroespaciales en ambos países. Con

esta contribución se ha enriquecido la muestra original.

Horizonte temporal

Existen dos tipos de estudios, los transversales que estudian para un periodo

temporal varios entornos y los longitudinales que por el contrario estudian la

evolución en el tiempo del mismo entorno. La investigación llevada a cabo en

esta tesis es longitudinal, puesto que se obtienen datos de las variables del

modelo, en múltiples instantes temporales. En particular se toman datos con

una periodicidad anual en el intervalo de 2008-2013. Es decir existirán datos

correspondientes a 6 instantes temporales diferentes. Se hace coincidir con el

año fiscal (En España del 1 de Enero al 31 de Diciembre, y en India del 1 de

Abril al 31 de Marzo). Los estudios longitudinales son especialmente

adecuados cuando se pretende explorar, describir y predecir un fenómeno



Medición

La medición es la asignación de números u otros símbolos a atributos u objetos

de acuerdo a un conjunto de reglas establecido (Sekaran & Bougie, 2011). Hay

algunas variables que son fácilmente medibles utilizando los instrumentos

adecuados, pero otros es más complicado y hay que operacionalizarlas

utilizando a su vez otras que resulten más fácilmente medibles. En este trabajo

los conceptos de rendimiento de la empresa, estructura de activos, estructura

de liquidez, estructura de capital y efecto de la empresa se han

operacionalizado mediante el uso de ratios o índices que los representan. Por

ejemplo el rendimiento se operacionaliza mediante los índices ROE, ROCE y

ROS.

Una vez que está operacionalizada, la siguiente decisión del investigador es

determinar la escala en la que se mide cada variable. Existen cuatro tipos

diferentes de escalas: Nominal, Ordinal, Intervalo y de Razón (ratio). La mayor

parte de las variables del modelo propuesto en este trabajo son de escala tipo

ratio. Salvo la variable “Value Chain Possition” que es de tipo nominal al

clasificar cada empresa en un grupo diferente y la variable “Company age” que

es de tipo ordinal, ya que el ser más antigua o más joven establece un cierto

orden y jerarquía.

Una vez determinada la escala hay que determinar cómo se valora cada

variable en su escala, es decir: dicotómica, categórica, numérica, Likert,

diferencia semántica… Todas las variables del modelo utilizan una valoración

de tipo numérica salvo la variable “Value Chian Posstion” que es de tipo

categórica.

Las mediciones deben cumplir las asunciones de:

Fiabilidad – Consistencia sobre como un instrumento de medida, mide el

concepto que se está midiendo.

Validez – Como de bien un instrumento de medida, mide el concepto

que se está midiendo.



En este trabajo los datos son tomados de bases de datos reconocidas, cuyo

uso está extendido en la investigación por lo tanto no parece que planteen una

restricción respecto a fiabilidad y validez. No obstante todos los datos se han

extraído de la misma base de datos para España y para India, por lo que el

sesgo que hayan podido cometer en caso de existir es el mismo para todas las

empresas, y por lo tanto las diferencias relativas que es lo que se va

explorando se mantendrían.

Método de recopilación de datos

Las fuentes de los datos pueden ser primarias si son generadas por el

investigador o secundarios si ya existen y el investigador los toma de ellas. En

el caso del presente estudio las fuentes de datos son de tipo secundario. Una

vez determinadas las empresas de la muestra en ambos países, se utilizan dos

bases de datos donde se encuentran los estados financieros de las mismas. En

el caso de las empresas españolas se accede a SABI ® y en el caso de las

indias a PROWESS ®. Mientras que para los datos macroeconómicos se utiliza

la base de datos del WEF (World Economic Forum) y del IMF (International

Monetary Fund).

Respecto al método de recopilación de datos, se utilizará el observacional.

Existen otros como por ejemplo las entrevistas, los cuestionarios… Algunas de

las ventajas que presenta este método son: que los datos son obtenidos de los

fenémenos tal cual ocurren sin ningun tipo de sesgo, es más fácil que los datos

presenten la influencia del entorno, es más fácil obtener información de

individuos que mediante otro método no se obtendría. No todo son ventajas,

por ejemplo es necesario que el investigador esté presente para su recopilación

(como ocurre en el caso de la base de datos PROWESS ® de India), es un

método lento y poco eficiente… (Sekaran & Bougie, 2011).

Una vez que dichos datos de partida están disponibles se procesan utilizando

MS Excel ® para obtener las variables con las cuales se aplicarán las

diferentes técnicas de análisis exploratorio, descriptivo y predictivo.



Análisis de datos

Debido a que esta tesis doctoral tiene dos partes diferenciadas, una

exploratoria y descriptiva, así como otra predictiva, se utilizaran las técnicas de

análisis adecuadas a los objetivos.

Previo a la aplicación de estas técnicas, se realiza un análisis de la validez de

los datos para el tipo de variable que representan, así como de los valores

perdidos y casos atípicos. El objeto de este paso previo es comprobar que el

tipo de dato que se utilizará es metodológicamente correcto para la técnica a

utilizar. Si este paso previo no se realizara no se podría tener confianza en los

resultados obtenidos por no tener seguridad sobre los datos de partida.

Posteriormente se utilizará para la parte exploratoria un modelo factorial

exploratorio con método de extracción de componentes principales, así como

análisis envolvente de datos (DEA). Por último para la parte predictiva se

utilizará un modelo de redes neuronales artificiales.

Los paquetes de software utilizados son:

MS Excel ® 2010 – Se utiliza en la generación de las bases de datos,

así como en el procesamiento de los resultados

MatLab ® R2014 – Se utiliza para el análisis envolvente de datos (DEA)

y el modelo de redes neuronales artificiales.

IBM SPSS ® v.19 – Se usa en el análisis de la validez de los datos

(Valores perdidos y valores atípicos), así como en el análisis de

componentes principales.



CAPITULO 4 TEORIA ANÁLISIS FACTORIAL

EXPLORATORIO (COMPONENTES PRINCIPALES)

4.1 INTRODUCCION

En el estudio que se plantea se van a analizar las relaciones simultáneas

existentes entre varias variables. En concreto se pretende determinar las

relaciones que existen entre un cierto tipo de variables ampliamente

extendidas, como son los ratios de DuPont y algún otro adicional, para

conformar la estructura de los motivos subyacentes que impulsan y determinan

el comportamiento de la industria aeroespacial en España e India. Por la

naturaleza tan variopinta de dicha industria en función del entorno elegido, así

como, por el ánimo de generalización perseguido, se hace necesario utilizar

una técnica exploratoria que revele y haga visible que la estructura subyacente

de dicha industria. Es por este motivo por el que se opta como primer punto de

análisis por una técnica multivariante. En particular debe ser una técnica con

carácter exploratorio.

Las técnicas multivariantes se clasifican en técnicas de dependencias cuando

el objetivo buscado es relacionar una serie de variables consideradas como

independientes con una o varias variables dependientes. Entre estas técnicas

se encuentran: Regresión lineal múltiple, análisis discriminante, análisis de

correlación canónica, MANOVA, ecuaciones estructurales. En segundo tipo son

las técnicas de análisis de interdependencias, cuando no es posible o resulta

difícil separar las variables en dependientes e independientes y lo que interesa

es determinar cómo y por qué las variables están relacionadas entre ellas.

Entre estas últimas se encuentran el análisis de componentes principales, el

análisis factorial, análisis de conglomerados, análisis de escalamiento

multidimensional y el análisis de correspondencias.



Por los objetivos de esta tesis doctoral, se aplicarán las técnicas de análisis de

interdependencias, y entre todas ellas el análisis de componentes principales.

Esta técnica trata de reducir los datos mediante las combinaciones lineales de

las variables originales, de tal forma que expliquen la mayor parte posible de la

información recogida en dichas variables originales (Uriel Jiménez & Aldás

Manzano, 2005). Es decir, se partirá de una serie de variables originales y se

tratará de agruparlas de forma que expliquen la mayor parte posible de la

varianza original, y mediante dicha agrupación se tratará de determinar las

causas latentes que provocan la covariación de los datos. Se pasa de una

estructura en la que la información no es visible a priori por están correladas las

variables entre si en mayor o menor grado, a otra estructura en la que se puede

evaluar el papel que juega cada variable en el fenómeno estudiado, e incluso

permite ordenarlas de acuerdo a la información que llevan incorporada. Esta

nueva estructura conformará la estructura de la industria. La medida que se

utiliza para medir la cantidad de información existente en una componente es la

varianza. Asimismo la ordenación de las componentes mencionada atenderá a

la varianza que explique cada una, en orden decreciente.

Otra técnica de análisis de interdependencias existentes y que podrían

utilizarse sería el análisis factorial con carácter exploratorio, al tratarse de una

técnica de reducción de datos y que también agrupa variables. El interés de

esta técnica es establecer las causas latentes o factores que pueden causar la

correlación entre las variables originales observadas. Hasta este punto parece

similar al análisis de componentes principales. El único matiz que no incorpora

y que por la naturaleza de los objetivos e hipótesis planteados en esta tesis

doctoral, es la capacidad de clasificar de manera ordenada los factores, como

si hace el análisis de componentes principales.

Asimismo, también podría utilizarse el análisis de conglomerados, cuyo objetivo

es la agrupación y reducción de dimensiones del problema. Este análisis de

interdependencia busca agrupar observaciones que se parezcan lo más posible

atendiendo a todas las variables presentes. Es decir agruparíamos empresas



en lugar de variables originales que es nuestro objetivo para determinar la

estructura subyacente de la industria. Por este motivo no se va a aplicar en

esta tesis doctoral, pero podría ser un punto de partida para futuras

investigaciones que tengan este otro enfoque mencionado.

Se suele recomendar utilizar esta técnica sobre variables tipificadas en lugar de

sobre variables totales, para minimizar el efecto de escala. En el caso de esta

tesis doctoral se realiza sobre ratios por lo que se consigue este efecto

beneficioso (Uriel Jiménez & Aldás Manzano, 2005).

Cada combinación lineal se extrae bajo el objetivo de estar lo más incorreladas

posible con el resto. Es más si las variables originales estuvieran muy

correladas la mayor parte de su variabilidad se podría explicar con muy pocas

compontes, por el contrario si estuviera extremadamente incorreladas

prácticamente coincidiría con el número de variables originales, careciendo de

aplicabilidad esta técnica al no ofrecer información adicional. Al contrario que

otras técnicas que exigen a los datos como hipótesis de partida que los datos

no estén excesivamente correlados, en ese caso, es bueno que haya un cierto

grado de correlación para que la técnica ofrezca unos resultados satisfactorios.

Asimismo las combinaciones lineales representarán un factor. Estos factores

en ocasiones por el tipo de variables que albergan tienen un sentido en el

contexto del problema. En el caso estudiado en esta tesis doctoral se tratará de

dotar de una interpretación económico-financiera a dichos factores.

4.2 FUNCIONAMIENTO DE LA TÉCNICA

A continuación se va a proceder a mostrar el funcionamiento de este tipo de

análisis. Se parte de una situación en la que existen 𝑝 variables originales y 𝑛

observaciones. El conjunto de variables vendrá representado por 𝑋 =

{𝑋1, 𝑋2, … , 𝑋𝑝} . Las componentes 𝑍 se agrupan en el conjunto 𝑍 =

{𝑍1, 𝑍2, … , 𝑍𝑛}.



Las componentes se expresas como una combinación lineal de las variables,

como se detalla a continuación:

𝑍1𝑖 = 𝑢11𝑋1𝑖 + 𝑢12𝑋2𝑖 +⋯+ 𝑢1𝑝𝑋𝑝𝑖

Si se representa y generaliza para el conjunto de las 𝑛 observaciones se

obtiene una relación matricial como la mostrada continuación:

[

𝑍11𝑍12…𝑍1𝑛

] = [

𝑋11 𝑋21 … 𝑋𝑝1𝑋12 𝑋22 … 𝑋𝑝2…𝑋1𝑛

…𝑋2𝑛

⋯ ⋯… 𝑋𝑝𝑛

] [

𝑢11𝑢12…𝑢1𝑝

]

O, de forma abreviada

𝒛𝟏 = 𝑿𝒖𝟏

La restricción que se impone para extraer la primera componente es que la

varianza sea máxima y que la suma de los pesos 𝑢1𝑗 al cuadrado valga la

unidad. Adicionalmente la media muestral de 𝒛𝟏 vale 0 al estar tipificada.

Atendiendo a las condiciones de contorno expresadas se determina la varianza

del primer componente mediante la siguiente expresión:

𝑣𝑎𝑟(𝒛𝟏) =∑ 𝑍1𝑖

2𝑛𝑖=1

𝑛=1

𝑛𝒛′𝟏𝒛𝟏 =

1

𝑛𝒖′𝟏𝑿′𝑿𝒖𝟏 = 𝒖′𝟏 [

1

𝑛𝑿′𝑿] 𝒖𝟏

Como se ha dicho con anterioridad se trata de maximizar dicha expresión,

sujeta a varias restricciones:

max (𝑣𝑎𝑟(𝒛𝟏))

𝑠. 𝑎.

∑𝑢1𝑖2 = 𝒖′𝟏𝒖𝟏 = 1

𝑝

𝑗=1



Combinando ambas expresiones y formando el Lagrangiano se obtiene:

𝐿 =1

𝑛𝒖′𝟏𝑿′𝑿𝒖𝟏 − 𝜆(𝒖′

𝟏𝒖𝟏 − 1)

Con objeto de maximizar el valor del langrangiano con respecto a 𝒖𝟏 se deriva

e iguala a 0:

𝜕𝐿

𝜕𝑢1=2

𝑛𝑿′𝑿𝒖𝟏 − 2𝜆𝒖𝟏

Es decir:

(1

𝑛𝑿′𝑿 − 𝜆𝐼) 𝑢1 = 0

Donde 1

𝑛𝑿′𝑿 es:

La matriz de covarianzas muestral denominada por 𝑉 en el caso de que

las variables se expresen como desviaciones con respeto a la media

La matriz de correlaciones designada por 𝑅 si por el contrario las

variables originales están tipificadas.

Cuando se resuelva la ecuación |1

𝑛𝑿′𝑿 − 𝜆𝐼| = 0 se obtendrá 𝑝 raíces. Para la

primera componente principal se toma de todas esas raíces la mayor, es decir

la 𝜆1 mayor y se determina el vector característico asociado 𝑢1 (Uriel Jiménez &

Aldás Manzano, 2005).

Una vez, determinada la primera componente hay que seguir extrayendo más

componentes hasta que no se cumpla con el criterio de extracción impuesto, el

cual se expondrá tras mostrar el método de extracción de componentes. El

problema que hay que resolver de maximización para una componente

genérica 𝑧ℎ es el siguiente:



max (𝑣𝑎𝑟(𝒛𝒉))

𝑠. 𝑎.

∑𝑢ℎ𝑖2 = 𝒖′𝒉𝒖𝒉 = 1

𝑝

𝑗=1

𝒖′𝒉𝒖𝟏 = 𝒖′𝒉𝒖𝟐 = ⋯ = 𝒖′𝒉𝒖𝒉−𝟏 = 0

Como se puede observar ahora aparece una nueva restricción para el resto de

componentes. Es restricción impone que el vector característico de la

componente ℎ − é𝑠𝑖𝑚𝑎 sea ortogonal al resto de vectores determinados con

anterioridad. Mediante esta aproximación se pretende que las componentes

estén lo suficientemente diferenciadas como para poder ofrecer información

acerca de la estructura de variables que las conforman al estar las variables

originales con un grado de correlación tal que no permiten evidenciar su

agrupación.

Cada una de las componentes formadas, que a su vez agrupa un cierto número

de variables originales, tiene asociada una cierta varianza del problema. Es

decir, de la varianza total del problema explica un porcentaje de la misma. Una

situación muy favorable con este análisis es obtener un número pequeño de

componentes con un porcentaje asociado de varianza explicada alto. Esta

situación permitiría no perder casi información (al explicar casi toda la varianza)

con respecto a la situación descrita por las variables originales, y sin embargo

reducir la dimensión del problema. La expresión que determina la varianza de

la componente ℎ − é𝑠𝑖𝑚𝑎 es la siguiente:

𝑣𝑎𝑟(𝒛𝒉) =∑ 𝑍ℎ𝑖

2𝑛𝑖=1

𝑛=1

𝑛𝒛′𝒉𝒛𝒉 =

1

𝑛𝒖′𝒉𝑿′𝑿𝒖𝒉 = 𝒖′𝒉 [

1

𝑛𝑿′𝑿] 𝒖𝒉 = 𝜆ℎ



Es decir, que la varianza es igual a la raíz característica que tiene asociada

(Uriel Jiménez & Aldás Manzano, 2005). Tomando como medida de variabilidad

de las variables originales la suma de sus varianzas, y al estar en la diagonal

principal de 1

𝑛𝑿′𝑿 ésta podrá expresarse mediante:

𝑡𝑟𝑎𝑧𝑎 [1

𝑛𝑿′𝑿] = ∑𝝀𝒉

𝒑

𝒉=𝟏

Es decir que la suma de las varianzas de las componentes coincide con la

suma de las varianzas de las variables originales. Para determinar la

proporción de varianza explicada por la componente ℎ − é𝑠𝑖𝑚𝑎 bastará con

compararla con la varianza total del problema y obtener el porcentaje que

representa:

𝝀𝒉

𝑡𝑟𝑎𝑧𝑎 [1𝑛𝑿′𝑿]

=𝝀𝒉

∑ 𝝀𝒉𝒑𝒉=𝟏

En el caso de utilizar variables tipificadas, donde como se ha dicho con

anterioridad 1

𝑛𝑿′𝑿 es la matriz de covarianzas, la 𝑡𝑟𝑎𝑧𝑎 [

1

𝑛𝑿′𝑿] = 𝑝 . La

expresión que determina la proporción de varianza explicada por dicha

componente ℎ − é𝑠𝑖𝑚𝑎 viene dada por 𝝀𝒉

𝑝.

Este método de extracción permite ordenar las componentes conforme al

criterio de mayor varianza explicada. Siempre cada componente extraída con

anterioridad a otra expresará mayor porcentaje de la varianza total del

problema. Este matiz no es posible con otras técnicas como por ejemplo el

análisis factorial donde la extracción de factores no guarda esta relación.

Una vez que se han determinado y extraído las componentes principales hay

que determinar la correlación que existe entre cada variable y la componente a

la que pertenece. Para ello antes hay que determinar la covarianza entre cada

variable y las componentes. Este cálculo se va a mostrar para una variable

original genérica 𝑋𝑗 y una componente 𝑍ℎ. Siendo cada una de ellas:



𝑋𝑗 = [

𝑋𝑗1𝑋𝑗2…𝑋𝑗𝑛

] 𝑍𝑗 = [

𝑍ℎ1𝑍ℎ2…𝑍ℎ𝑛

]

La covarianza entre 𝑋𝑗 y 𝑍ℎ, es: 𝑐𝑜𝑣(𝑋𝑗, 𝑍ℎ) =1

𝑛𝑥′𝑗𝑍ℎ.

Asimismo se puede representar el vector 𝑥𝑗 en función de la matriz X, haciendo

uso de un vector 𝛿 de orden 𝑝 que tiene todas sus posiciones iguales a 0, salvo

la 𝑗 − é𝑠𝑖𝑚𝑎 que vale 1. La representación analítica de lo expresado es:

𝑥′𝑗 = 𝛿′𝑋 = [0 … 1 … 0]

[ 𝑋11 … 𝑋1𝑖 … 𝑋1𝑛… … … … …𝑋𝑗1…𝑋𝑝1

………

𝑋𝑗𝑖 … 𝑋𝑗𝑛… … …

𝑋𝑝𝑖 … 𝑋𝑝𝑛]

𝑐𝑜𝑣(𝑋𝑗, 𝑍ℎ) =1

𝑛𝛿′𝑋′𝑋𝑢ℎ = 𝛿′𝜆ℎ𝑢ℎ = 𝜆ℎ𝑢ℎ𝑗

La correlación que existe entre la variable original genérica 𝑋𝑗 y una

componente 𝑍ℎ se define por:

𝑟𝑗ℎ =𝑐𝑜𝑣(𝑋𝑗, 𝑍ℎ)

√𝑣𝑎𝑟(𝑋𝑗)√𝑣𝑎𝑟(𝑍ℎ)=

𝜆ℎ𝑢ℎ𝑗

√𝑣𝑎𝑟(𝑋𝑗)√𝜆ℎ

Si se utilizan variables originales tipificadas la correlación se expresa mediante:

𝑟𝑗ℎ =𝜆ℎ𝑢ℎ𝑗

√𝑣𝑎𝑟(𝑋𝑗)√𝜆ℎ= 𝑢ℎ𝑗√𝜆ℎ

Estos coeficientes son los que se dan en la matriz factorial en los paquetes de

software dedicados a estos análisis.

Por último tras calcular los coeficientes 𝑢ℎ𝑗 es posible obtener los valores de las

componentes que corresponden a cada observación, y que se representan por

𝑍ℎ𝑖. Analíticamente se determina mediante:



𝑍ℎ𝑖 = 𝑢ℎ1𝑋1𝑖 + 𝑢ℎ2𝑋2𝑖 +⋯+ 𝑢ℎ𝑝𝑋𝑝𝑖

∀ ℎ = 1,2, … , 𝑝 𝑖 = 1,2, … , 𝑛

Las puntuaciones se calcula tipificando los valores de las componentes,

obteniendo la componente tipificada, que para la componente ℎ − é𝑠𝑖𝑚𝑎, se

representa mediante 𝑌ℎ.La manera de tipificar es dividiendo entre la desviación

típica. De esto se desprende la siguiente expresión para su obtención:

𝑌ℎ =𝑍ℎ

√𝜆ℎ

Los paquetes de software habitualmente también ofrecen la posibilidad de

cálculo de esta magnitud.

Por último, una vez que todas las magnitudes anteriores han sido calculadas,

aparece la decisión de cuantas componentes tomar como representativas de

problema, atendiendo a que deben expresar una gran varianza del problema

(las buenas prácticas extendidas en la investigación multivariante aconsejan

que por lo menos deben representar el 70% de la varianza total del problema),

así como deben reducir el número de variables originales.

4.3 BONDAD DEL MODELO FACTORIAL

Para determinar la bondad del modelo factorial obtenido, se utilizan varios

contrastes. En concreto se van a utilizar el contraste de esfericidad de Barlett y

la medida de Kaiser, Meyer y Olkin (KMO).

El leiv motiv de este tipo de análisis es la existencia de variables originales

correlacionadas, ya que de lo contrario no tendría sentido utilizar esta técnica al

no existir factores comunes. El contrate de esfericidad de Barlett se utiliza para

este propósito. No tiene sentido aplicar una técnica multivariante si las

variables no están correlacionadas y por lo tanto pueden tratarse como

variables independientes y aplicar el análisis univariante.



La matriz de correlaciones poblacional 𝑅𝑝 donde aparecen todas las

correlaciones entre las variables originales del problema, y cuya representación

es la siguiente:

𝑅𝑝 =

[ 1 𝛿12𝛿21 1

… 𝛿1𝑗… …

… 𝛿1𝑝… 𝛿2𝑝

… …𝛿𝑗1 …

1 …… 1

… …… …

… …𝛿𝑝1 𝛿𝑝2

… …… …

1 …… 1 ]

Donde 𝛿𝑖𝑗 representa el coeficiente de correlación entre la variable 𝑖 y la

variable 𝑗. En caso de no existir correlación entre las variables 𝑖 y 𝑗, el 𝛿𝑖𝑗 = 0.

Si esto ocurriese con todas la variables la matriz 𝑅𝑝 = 𝐼 , por lo que su

determinante sería igual a 1. Para este contraste se plantean las siguientes

hipótesis a falsar:

𝐻0: |𝑅𝑝| = 1

𝐻1: |𝑅𝑝| ≠ 1

En este contraste buscaremos falsar la hipótesis alternativa y cuanto mayor sea

el contraste de esfericidad de Barlett mejor, ya que indicará que los índices de

correlación entre las variables originales son elevados.

Con independencia y de manera adicional al contraste que se ha descrito, se

matiza que el 𝛿𝑖𝑗 se descompone en dos términos uno que hace referencia a la

comunalidad, ℎ𝑗2, y otro a la especificidad 𝜔𝑗

2. Es decir la varianza poblacional

de una variable original 𝑋𝑗 , que aparece en la diagonal de la matriz 𝑅𝑝 se

representa mediante:

1 = ℎ𝑗2 + 𝜔𝑗

2

La comunalidad es la parte de la varianza debida a los factores comunes, es

decir, es la parte de la variable que comparte con otras variables del análisis,

siendo en cambio la especificidad la parte de la varianza debida a los factores



únicos y no puede explicarse por las correlaciones con otras variables (Hair, et

al., 2010).

El otro índice que se utiliza para establecer la adecuación muestral al modelo

factorial, está representado por el índice de Kaiser, Meyer y Olkin (KMO). Se

trata de un índice que evalúa la relación existente entre los coeficientes de

correlación de las variables originales y la suma de los coeficientes de

correlación de las variables originales y los coeficientes de correlación parciales

entre dichas variables originales. Donde los coeficientes de correlación

parciales representan la correlación existente entre pares de variables

descontando los efectos lineales de las otras variables. La situación óptima es

que estos coeficientes de correlación parciales sean nulos y por lo tanto la

relación planteada sea 1. Como dicha situación óptima es muy complicada que

se produzca, el criterio utilizado es que cuanto más cerca de 1 esté el KMO

mejor se adecua la muestra al modelo factorial. Está comúnmente aceptado

utilizar KMO > 0,5. Incluso utilizando ratios en lugar de variables absolutas se

acepta un valor ligeramente inferior KMO > 0,4 siempre y cuando el Test de

Esfericidad de Barlett y la significación estadística del mismo sean aceptables.

Este índice se calcula mediante la siguiente expresión:

𝐾𝑀𝑂 =∑∑ 𝛿𝑖𝑗

2𝑖≠𝑗

∑∑ 𝛿𝑖𝑗2

𝑖≠𝑗 +∑∑ 𝑎𝑖𝑗2

𝑖≠𝑗

Donde 𝛿𝑖𝑗 representa el coeficiente de correlación entre la variable original 𝑖 y

la variable original 𝑗 , y 𝑎𝑖𝑗 es el coeficiente de correlación parcial entre las

variables originales 𝑖 y 𝑗.

4.4 ROTACION DE FACTORES

En la aplicación de esta técnica los factores comunes deben tener una

interpretación que no lleve a confusiones. Hay ocasiones en las que los

factores comunes aunque estén correlacionados en la medida que corresponda

con las variables originales, al ir determinándolos consiguen separar las



variables de una manera clara. Para solucionar esto, se crean estas

metodologías en las que se trata de ir “rotando” ortogonalmente o de manera

oblicua los factores de forma que cada una de las variables originales tengan

una correlación lo más próxima posible a 1 con uno de los factores y más

próxima a 0 con el resto. Mediante este proceso, y al existir un mayor número

de variables originales que factores comunes, se agruparán dentro de cada

factor rotado aquellas variables que guarden relación y por lo tanto estén

altamente correlacionadas con él.

Una vez que las variables originales han sido agrupadas, hay que buscar los

rasgos comunes que presentan todas ellas. Si se consiguen encontrar se podrá

desvelar la naturaleza de las relaciones existentes y a la vez se habrá reducido

la dimensión del problema original.

La rotación ortogonal mantiene la incorrelación entre factores, es decir, lo ejes

que contienen a los factores continua siendo perpendiculares por lo que esto

será una restricción que se impone al modelo al rotarlo. Existen a su vez varios

métodos de rotación de factores como son el: VARIMAX, EQUAMAX,

QUARTIMAX, PROMAX. El más utilizado es el VARIMAX (VARiance

MAXimization). En este método los ejes se obtienen maximizando la función

formada por la suma de varianzas de las cargas factoriales al cuadrado en

cada factor. Mediante este método no se altera la varianza total explicada por

los factores ni la comunalidad de cada una de las variables. Es decir, define

mejor los factores al separar mejor las variables que más contribuyen en cada

uno, manteniendo la varianza total y comunalidad de las variables. En la figura

59 se muestra como trabaja este método. Se han representado los ejes

correspondientes a dos factores cualquiera en color negro, así como los ejes

rotados pero manteniendo la ortogonalidad en color azul. Se observa como la

proyección de las variables sobre los ejes rotados es más nítida que sobre los

originales




Figura 59 Ejemplo de rotación ortogonal de factores

Es posible también realizar una rotación oblicua de los factores, en la que no se

respete la ortogonalidad de los mismos, es decir, dejaran de estar incorrelados.

La única forma de compensar la perdida de incorrelación entre los factores es

que se consiga explicar de manera muy nítida que variables quedan

representadas por cada factor.

Como se ha comentado en el párrafo donde se expone la rotación ortogonal, es

la que más se utiliza, y en particular la oblicua.

+1,00 - 1,00

- 1,00

+1,00

- 1,00

- 1,00

+1,00

+1,00

V1

V2

Vn

Vi

Vi

Factor I

Factor II

Factor I

rotado

Factor II

rotado



CAPITULO 5 ANÁLISIS DE LA ENVOLVENTE DE

DATOS

5.1 INTRODUCCIÓN

Otra de las herramientas que se ha utilizado en el análisis de la muestra de

esta tesis doctoral es el análisis de la envolvente de datos, también conocida

como DEA por su nomenclatura inglesa (Data Envelopment Analysis).

Se trata de una técnica orientada, basada y dirigida por los datos, encaminada

a evaluar el desempeño de un conjunto de unidades decisoras (DMUs,

Decision Making Units) dedicadas a transformar un conjunto de entradas en un

conjunto de salidas (Cooper, et al., 2011).

Esta técnica ha tenido una gran acogida desde sus inicios formales hace

aproximadamente 30 años cuando fue planteada por los autores Charnes,

Cooper y Rhodes (1978), debido al potencial que exhibía su utilización. El cual

viene dado por no requerir grandes condiciones previas de los datos, facilidad

de uso, tampoco necesita establecer de manera explícita la relación existente

entre los inputs y los outputs proporcionando por el contrario información muy

útil sobre el desempeño de las DMUs que participan en el fenómeno que se

está explorando, permitiendo analizar los factores estructurales que hacen que

dichas unidades sobresalgan sobre el resto en términos de eficiencia.

Adicionalmente también permite establecer una clasificación de aquellas DMUs

que más eficientes son de acuerdo a un criterio previo establecido. Tiene una

aplicación muy amplia en diferentes ámbitos en los que tenga sentido hablar o

definir el concepto eficiencia. Incluso si ya se había evaluado problemas o

campos utilizando otras técnicas puede merecer la pena volver a ellos

aplicando esta técnica para obtener información adicional y complementaria a

lo ya encontrado.



Es una metodología está orientada a los límites, a las fronteras, en lugar de a

tendencias centrales. Por ejemplo no trata de buscar un plano de regresión que

deje el mismo número de datos a un lado y otro como pueda hacer un análisis

de regresión. Debido a este cambio de visión a la hora de aproximarse y

analizar los datos, permite descubrir relaciones en las regiones que mediante el

uso de otras metodologías de tendencia central pasaban desapercibidas.

Algunas definiciones útiles para comprender la metodología son las siguientes

(Cooper, et al., 2011):

Eficiencia – La definición clásica de eficiencia de Pareto dice que una

asignación es eficiente en el sentido de Pareto si no es posible mejorar a

una DMU sin que otra empeore. Se va a utilizar la definición extendida

de eficiencia dada por Pareto-Koopmans, estableciendo que una DMU

es 100% eficiente, si y solo si, no es posible mejorar alguno de sus

inputs/outputs sin empeorar otros inputs/outputs. La eficiencia de Pareto-

Koopmans permite la existencia de holguras por lo que es más

restrictivo este tipo eficiencia.

Eficiencia relativa – Una DMU será considerada como 100% eficiente en

base a la información disponible, si y solo si, comparándola con el

desempeño de otras DMUs similares no se puede evidencia que se

pueden mejorar los valores de los inputs/outputs sin empeorar otros

inputs/outputs.

No debe confundirse el término eficiencia con el de eficacia. Esta última tiene

su objetivo en la consecución de un objetivo, sin importar el coste asociado en

términos de consumo de recursos que lleve aparejado. En cambio la eficiencia

tiene su objetivo en la distribución correcta de los recursos para los fines

obtenidos.

La aplicación de esta técnica a los datos de esta tesis doctoral va a permitir

obtener información sobre la eficiencia relativa de unas empresas con respecto

a otras estableciendo una frontera de “mejores prácticas” con la que comparar

al resto. Asimismo va a permitir estudiar las características estructurales que



soportan a las empresas más eficientes. Por último permitirá establecer una

clasificación de las empresas basadas en el criterio de eficiencia.

La teoría económica de la eficiencia consiste en hacer bien las cosas, es decir,

asegurar una correcta distribución de los medios empleados en relación a los

fines obtenidos (Quindós Morán, et al., 2009). La situación ideal sería comparar

la actuación real de la DMU con lo que debería haber hecho para maximizar el

nivel de output. En muchas ocasiones esta aproximación puede presentar

dificultados puesto que existe asimetría de la información que rodea a este

hecho. No se dispone de toda la información del entorno de la DMU, así como

de la propia DMU (tecnología, procesos, intangibles…). Por este motivo en

lugar de recurrir al estudio de la eficiencia absoluta de cada DMU se propone

estudiar la eficiencia relativa entre DMUs similares operando bajo unas

condiciones de contorno similares. Debido a esta dualidad se dieron

anteriormente las dos definiciones de eficiencia.

El objetivo de esta técnica es determinar una frontera eficiente definida por la

manera de actuar de las “mejores” empresas en términos de eficiencia de

acuerdo a los datos de los que se dispone, y posteriormente se utiliza como

referencia para medir la eficiencia relativa de cada DMU comparándolas con

ella.

Es importante matizar la existencia de dos tipos de eficiencia (Quindós Morán,

et al., 2009), como son la técnica y la asignativa. La eficiencia técnica se basa

en la obtención del máximo nivel de output dada una combinación determinada

de inputs (si se utiliza un enfoque a outputs), o por el contrario en la obtención

de un determinado nivel de output minimizando el empleo de los inputs

(enfoque orientado a inputs). Es decir, que una DMU es eficiente en tanto en

cuanto, no es posible producir más nivel de outputs sin variar la cantidad de

inputs o no es posible consumir menos inputs para producir la misma cantidad

de outputs. También existe un modelo DEA no orientado o DEA orienta a

inputs-outputs cuyo resultado son medidas de eficiencia hiperbólica. Se busca

la reducción de la cantidad de inputs y la expansión equiproporcional de la



cantidad e outputs producida por la DMU, siendo controlables los inputs y

outputs (Guede Cid, 2011). Con independencia de la orientación del modelo

seleccionado, la frontera eficiente es la misma, aunque pude existir variación

en la medida de la eficiencia de las unidades ineficientes, al seleccionar una

aproximación u otra (Coelli, 1998).

En cambio la eficiencia asignativa trata de determinar la utilización de los inputs

condicionado al coste que tienen. Cuando se utiliza la eficiencia técnica se

trabaja con niveles de inputs/outputs mientras que si se hace con eficiencia

asignativa se trata con costes asociados a inputs/outputs. Adicionalmente

existe la eficiencia global, también conocida como eficiencia económica, siendo

el producto de ambas (técnica y asignativa).

Debido a la naturaleza del problema objeto de estudio en esta tesis doctoral,

cuando se habla de eficiencia en la aplicación del análisis DEA, se hace de la

eficiencia técnica.

Para el cálculo de la frontera eficiente es posible utilizar aproximaciones

paramétricas y no paramétricas (entre la que se encuentra el análisis DEA).

Las paramétricas están basadas en la programación matemática o técnicas

econométricas y calculan los parámetros asignado a la frontera a priori una

forma funcional determinada. Esta aproximación no permite realizar análisis en

los que existan varios outputs. En cambio las técnicas no paramétricas no

necesitan determinar una forma funcional de la frontera eficiente y permiten el

análisis en problemas donde existan varios outputs. En estos últimos se

determina la forma funcional de la frontera a partir de las observaciones de las

DMU objeto de evaluación (Guede Cid, 2011). No todo son ventajas, en su

contra cuentan con la alta sensibilidad a la presencia de outliers y la

imposibilidad de contrastar estadísticamente los resultados.

Por la naturaleza del problema a estudiar en esta tesis doctoral donde, existe

un carácter exploratorio al desconocer la información a priori y utilizar varios

outputs para el estudio de la eficiencia, se hará metodológicamente necesario



el uso de las técnicas no paramétricas. Respecto a las desventajas se pueden

tratar, puesto que para la aplicación de otras técnicas se ha realizado un

análisis de valores perdidos y outliers para depurar la muestra, en cuando al

contraste estadístico para eso se utilizan otras técnicas en esta tesis. Por estos

motivos metodológicamente queda sustenta la aplicación del análisis no

paramétrico de tipo DEA.

También puede establecerse una aproximación de tipo determinista o

estocástica de la frontera. La determinista no permite que existan

observaciones por encima de la frontera eficiente, mientras que la estocástica

si basándose en la existencia de elementos aleatorios en las DMUs que

pueden influir en su eficiencia puntualmente.

La frontera eficiente se obtiene mediante modelos de programación lineal,

partiendo de un conjunto de observaciones que se dividirán en el conjunto de

las entradas del proceso o inputs, y el de las salidas o outputs. Una vez

determinada la frontera eficiente, se calcula la eficiencia relativa de cada DMU

como la distancia entre el cociente de la suma ponderada de todos los outputs

entre la suma ponderada de todos los inputs, y la frontera eficiente. Dicho

modelo de programación lineal estará formado por una función objetivo a

optimizar y restricciones en relación a los inputs y outputs. Este modelo se

resuelve para cada DMU. Si la DMU es eficiente tendrá una medida de

eficiente de 1 mientras que si no lo es será inferior a dicha magnitud,

resultando que cuanto menor sea menos eficiente será.

5.2 TIPOS DE MODELOS DEA

Existen varios métodos a la hora de aplicar el análisis DEA, como son el: BBC,

CCR y Aditivo. A continuación se va a realizar una breve descripción de cada

uno de ellos, profundizando en el que se va a aplicar en el análisis. No se

pretende realizar un descripción divulgativa del análisis DEA, sino de presentar

la información necesaria para ilustrar las técnicas empleadas en esta tesis

doctoral.



5.2.1 CCR

Las iniciales CCR corresponden a los apellidos de sus desarrolladores

(Charnes, Cooper y Rhodes), teniendo se origen en el artículo desarrollado por

esos autores en 1978 (Charnes, et al., 1978). Se toma este modelo como la

primera formulación de la técnica DEA. Puede presentar orientación input o

output, trabaja con rendimientos constantes a escala (por este hecho también

se le conoce como CRS, Constant Returns to Scale). Una de las principales

particularidades de este método es que la comparación puede realizarse no

solo entre DMUs de escala similar sino también entre DMUs de escala más

grande o más pequeña.

El modelo CCR puede formularse de tres formas diferentes: fraccional,

multiplicativa y envolvente. La más habitual es expresarlo en su forma

envolvente (Coll Serrano & Blasco Blasco, 2006)

Una vez planteado el problema original mediante la función objetivo y las

restricciones asociadas, pude resolverse el problema primal o dual. Si se elige

este último se obtienen una serie de ventajas como por ejemplo (Guede Cid,

2011):

Menor número de restricciones que el problema primal (Por cada

restricción primal existe una variable dual y viceversa, una restricción

dual por cada variable primal)

La interpretación del resultado es más sencilla y directa, ya que las

soluciones son determinadas como inputs/outputs del problema original.

Identifica las unidades que pertenecen al conjunto de referencia y

permite establecer estrategias de mejora de las DMU no eficientes de

manera más clara.

De todas las posibles formulaciones se va a mostrar sólo la de envolvente, ya

que es la que presenta un mayor interés para esta tesis doctoral. El objeto es

mostrar la metodología de las técnicas que posteriormente se aplicarán al

conjunto de datos, en ningún caso se pretende desarrollar un capítulo que



explique la formulación de cada una de las técnicas si posteriormente no se

van a aplicar.

Modelo dual orientado a outputs con formulación de envolvente

𝑀𝑎𝑥𝜙0,𝜆 𝑧 = 𝜙0

𝑠. 𝑎:

∑𝜆𝑗𝑥𝑖𝑗

𝑛

𝑗=1

≤ 𝑥𝑖0 𝑖 = 1, … ,𝑚;

∑𝜆𝑗𝑦𝑟𝑗

𝑛

𝑗=1

≥ 𝜙0𝑦𝑟0 𝑟 = 1, … , 𝑠;

𝜆𝑗 ≥ 0 𝑗 = 1,… , 𝑛

Donde 𝜙0 es la eficiencia de la DMU0 y 𝜆𝑗 el peso que tiene cada DMU en el

conjunto de referencia de la unidad evaluada. 𝑥𝑖𝑗 es la cantidad de input 𝑖

consumido por la DMU 𝑗 − é𝑠𝑖𝑚𝑎 , así como 𝑦𝑟𝑗 es la cantidad de output 𝑟

producido por la DMU 𝑗 − é𝑠𝑖𝑚𝑎 . 𝑥𝑖0 representa la cantidad de input 𝑖

consumido por la DMU objeto de evaluación (DMU0), de igual forma 𝑦𝑟0

representa la cantidad de output 𝑟 producido por la DMU objeto de evaluación

(DMU0).

Resolviendo el problema dual se compara la DMU0 con todas las DMUs

existentes (ya sean reales o ficticias si se proyectan los valores sobre la

envolvente).

Mediante la restricción ∑ 𝜆𝑗𝑥𝑖𝑗𝑛𝑗=1 ≤ 𝑥𝑖0 𝑖 = 1,… ,𝑚; se compara la DMU0 con

todas las DMUs que consuman el mismo nivel de inputs o menos que la

unidad objeto de evaluación.



Con la restricción ∑ 𝜆𝑗𝑦𝑟𝑗𝑛𝑗=1 ≥ 𝜙0𝑦𝑟0 𝑟 = 1,… , 𝑠; se compara la DMU0 con

todas las DMUs que produzca el mismo nivel de outputs o más que la unidad

objeto de evaluación.

Las 𝑚 primeras restricciones ponen de manifiesto la presencia de alguna DMU

(real o ficticia) cuyo consumo de inputs sea igual o inferior a la unidad objeto de

evaluación. Si existe le asigna un peso 𝜆𝑗 distinto de cero.

El objetivo de las 𝑠 siguientes restricciones es mostrar la presencia de alguna

DMU (real o ficticia) cuya producción de outputs sea igual o superior a la

unidad objeto de evaluación. Si existe le asigna un peso 𝜆𝑗 distinto de cero.

Soluciones al problema dual orientado a outputs con formulación de

envolvente

- Si 𝜙0 = 1, la DMU0 es eficiente. No existen ninguna DMU distinta de la

evaluada (Real o ficticia) que satisfaga las dos restricciones. Por lo tanto

los valores de los diferentes parámetros serán: 𝜆0 = 1, 𝜆𝑗 = 0 \ 𝑗 ≠ 0.

Entonces las restricciones quedarían: 𝑥𝑖0 = 𝑥𝑖0 y 𝑦𝑟0 = 𝑦𝑟0.

- Si 𝜙0 > 1, existe alguna DMUj (Real o ficticia) que satisfaga las dos

restricciones y la DMU0 será considerada como ineficiente. Al estar

orientado a outputs existirá una actividad factible que para el mismo

nivel de inputs 𝑥𝑖0 de la DMU0 en todos sus componentes es capaz de

producir un mayor nivel de outputs. Es decir las restricciones

quedarían: 𝜆𝑗𝑥𝑖𝑗 = 𝑥𝑖0 y 𝜆𝑗𝑦𝑟𝑗 > 𝜙0𝑦𝑟0.

Este modelo no aprovecha toda la potencia de los métodos de programación

lineal, puesto que permiten la aplicación de holguras que en la formulación que

se acaba de presentar no están tenidas en cuenta. La formulación anterior es

la que se conoce como la formulación de Farrell y la eficiencia 𝜙0 que se

obtiene se denomina eficiencia de Debreu-Farrell, en honor a sus autores

(Farrell, 1957) (Debreu, 1951).



Modelo dual orientado a outputs con formulación de envolvente y

variables de holgura

La nueva formulación incluyendo las variables de holgura para evitar los

máximos duales será (Guede Cid, 2011):

𝑀𝑎𝑥𝜙0,𝜆 𝑧 = 𝜙0 + 휀 (∑𝑠𝑖−

𝑚

𝑖=1

+∑𝑠𝑟+

𝑠

𝑟=1

)

𝑠. 𝑎:

(∑𝜆𝑗𝑥𝑖𝑗

𝑛

𝑗=1

) + 𝑠𝑖− ≤ 𝑥𝑖0 𝑖 = 1,… ,𝑚;

(∑𝜆𝑗𝑦𝑟𝑗

𝑛

𝑗=1

) − 𝑠𝑟+ ≥ 𝜙0𝑦𝑟0 𝑟 = 1,… , 𝑠;

𝜆𝑗 , 𝑠𝑖−, 𝑠𝑟

+ ≥ 0 𝑗 = 1,… , 𝑛

Donde 𝜙0 y 𝜆𝑗 tienen el mismo significado que en la formulación sin holguras,

así como 𝑥𝑖𝑗 y 𝑦𝑟0.

Los términos nuevos que se han introducido son: 𝑠𝑖− que representa las

variables de holgura de los inputs y 𝑠𝑟+ que son las variables de holgura de los

outputs.

La DMU objeto de evaluación será eficiencia si 𝜙0 = 1 y 𝑠𝑖−, 𝑠𝑟

+ = 0. El criterio

de optimalidad visto en el modelo sin holguras no es suficiente, es decir 𝜙0 = 1

pero podría existir la posibilidad de que 𝑠𝑖−, 𝑠𝑟

+ ≠ 0 para algún 𝑖 o 𝑟. Esta nueva

formulación se resolverá en dos fases. En la primera se resuelve el problema

sin tener en cuenta las holguras obteniendo 𝜙0 y en la segunda se calcula el

valor de 𝑠𝑖−, 𝑠𝑟

+ fijando el valor de 𝜙0.



5.2.2 BBC

Sus iniciales provienen de los apellidos de sus desarrolladores (Banker,

Charnes y Cooper) cuyo origen se remonta el artículo escrito por esos tres

autores en 1984 (Banker, et al., 1984). Este modelo tiene una orientación hacia

los outputs al tratar de maximizar el nivel de outputs con el nivel de inputs

existente. Está basado en el postulado de convexidad (varios inputs/outputs

alcanzan un nivel de output/input, también lo hará una combinación lineal de

ellos), libre disponibilidad de inputs y outputs, rendimientos variables a escala

(aumento del nivel de outputs al incrementarse todos los niveles de inputs,

pudiendo ser a su vez crecientes o decrecientes en función de si el incremento

porcentual que sufren los outputs es superior o inferior al incremento porcentual

que sufren los inputs). Este método establece las comparaciones atendiendo

sólo a las ineficiencias debidas a la gestión de la DMU y además se hace entre

empresas de escala similar. Este modelo permite que los rendimientos que

caracterizan una actividad varíen. Debido a este matiz este modelo también se

denomina VRS (Variable Return to Scale) (Guede Cid, 2011)

El modelo BBC puede considerarse como una extensión del CCR, añadiendo la

siguiente restricción:

∑𝜆𝑗 = 1

𝑛

𝑗=1

Esta nueva restricción modifica la frontera, considerando que las DMUs operan

a rendimientos no constantes. La DMU de referencia es una combinación lineal

convexa del resto de otras DMUs, asegurando que la unidad de referencia es

de tamaño similar al de la unidad evaluada.

Incluyendo esta nueva restricción en la formulación del modelo dual orientado a

outputs con formulación de envolvente y variables de holgura quedará el

siguiente problema a resolver:



𝑀𝑎𝑥𝜙0,𝜆 𝑧 = 𝜙0 + 휀 (∑𝑠𝑖−

𝑚

𝑖=1

+∑𝑠𝑟+

𝑠

𝑟=1

)

𝑠. 𝑎:

(∑𝜆𝑗𝑥𝑖𝑗

𝑛

𝑗=1

) + 𝑠𝑖− ≤ 𝑥𝑖0 𝑖 = 1,… ,𝑚;

(∑𝜆𝑗𝑦𝑟𝑗

𝑛

𝑗=1

) − 𝑠𝑟+ ≥ 𝜙0𝑦𝑟0 𝑟 = 1,… , 𝑠;

∑𝜆𝑗 = 1

𝑛

𝑗=1

𝜆𝑗 , 𝑠𝑖−, 𝑠𝑟

+ ≥ 0 𝑗 = 1,… , 𝑛

En este nuevo modelo BBC donde se consideran rendimientos variables a

escala, que la orientación sea a inputs o a outputs, tiene influencia en las

medidas de ineficiencia obtenidas (Charnes, et al., 1997)

5.2.3 Otros modelos

Además de los modelos CCR y BBC se han desarrollado otros. Los más

conocidos son el aditivo y el multiplicativo. El primero de ellos combina la

orientación a inputs y a outputs. Mientras que el segundo aplica el modelo

aditivo sobre los logaritmos de los valores originales. (Charnes, et al., 1982)

(Charnes, et al., 1983). Además se han ido introduciendo desde sus comienzos

modificaciones y ampliaciones a los modelos mencionados hasta ahora,

obteniendo modelos multietápicos, incorporación de restricciones múltiples,

aplicación del modelo con distintos tipos de variables (incluyendo categóricas),

incorporación de la influencia de la variación de los datos, incorporación de

variables de entorno o no discrecionales, establecimiento de restricciones a los

pesos… (Guede Cid, 2011)



5.3 LIMITACIONES DEL ANÁLISIS ENVOLVENTE DE DATOS

Existen alguna publicaciones en las que se recopilan las limitaciones de este

métodos, incluso en para alguna de ellas hay autores que publicar formas de

superarlas (Dyson, et al., 2001). Se clasifican en 5 grupos:

Relacionados con la homogeneidad de las DMUs a analizar

El análisis DEA realiza una serie de hipótesis de homogeneidad de las DMUs.

La primera de ellas es considerar que las DMUs desempeñan actividades

similares y sus productos o servicios son comparables, así como la tecnología

que utilizan es también comparable, pudiendo definir un conjunto de outputs

común a todas ellas. La segunda asume que todas las DMUs disponen de un

conjunto de recursos similar. En tercer lugar asume que todas las DMUs

operan en un mismo entorno, dado que este tiene una gran influencia sobre su

eficiencia (Guede Cid, 2011).

Relacionados con la selección de inputs y outputs

Se asume que el conjunto de inputs y outputs que se utilizará en el análisis

DEA:

- Las variables seleccionadas representan la totalidad de los recursos

utilizados. Atendiendo a que cuanto mayor sea el conjunto de inputs y

outputs menor es el poder discriminatorio de la técnica. Una regla

práctica consiste en que el número de DMUs sea al menos el doble que

el producto del número de inputs y outputs.

- Existen datos correspondientes a todos los niveles de actividad y

medidas de comportamiento.

- Es el mismo para todas las DMUs.

- La influencia del entorno se ha cuantificado e introducido en el conjunto.

- Algunos inputs u outputs pueden estar correlados entre sí, pudiendo

prescindir de alguno de ellos. Es conveniente realizar algún tipo de



análisis exploratorio que determine factores que estén lo más

incorrelados que sea posible.

- La combinación de medidas de tipo ratio con medidas absolutas podría

derivar en distorsiones en la medida de eficiencia.

A la hora de plantear el análisis DEA se debe justificar como la preparación del

problema para no incorporar sesgos indeseados por estos motivos.

Relacionados con la medida de los factores

Es altamente recomendable la utilización de escalas de ratio en las que sea

posible identificar, clasificar y jerarquizar objetos y comparar los intervalos o

diferencias. El problema aparece cuando se mezclan las escalas de ratio con

otro tipo de escalas en las variables. Es altamente deseables utilizar un tipo de

escala, para lo cual o las variables se pueden medir en ella o se deben

operativizar para utilizar una nueva escala que sea homogénea en todas.

Adicionalmente se considera la isotomía de inputs y outputs (incrementos de

inputs reducen la eficiencia mientras que incrementos de outputs la

incrementan).

La incorporación de datos cualitativos supone una fuente de sesgo para el

método, por dos motivos, por un lado dichas variables pueden tener otra

definición para medir esa característica cualitativa por lo que podría influir en

los resultados de eficiencia de las DMUs, por otro lado se analizan como si de

datos cuantitativos se tratase.

En ocasiones hay inputs u outputs cuyos niveles no son deseables, por ejemplo

si uno de ellos es un determinado nivel a que partir de cierto nivel superior y/o

inferior es nocivo. Es decir estos modelos asumen un comportamiento isótono

de las variables.

En los modelos hay veces que se incorporar variables de carácter exógeno y

estocástico. Será necesario planificar la entrada de este tipo de variables

incorporando alguna restricción adicional al modelo por ejemplo.



No quiere decir que no puedan existir más causas, estas son las más comunes

(Guede Cid, 2011).

Relacionados con la flexibilidad de los pesos

La flexibilidad en la asignación de los pesos es una de las fortalezas del

análisis envolvente de datos, no obstante en ocasiones puede representar una

fuente de problemas si:

- la asignación de los pesos de manera lineal dejar de ser fiel a la

realidad.

- los pesos toman el valor de 0 puesto que permiten que esa variable se

elimine y podría afectar a la eficiencia de la DMU al no considerar en el

análisis ese input / output. Para ello se podría sustituir la inecuación de

no negatividad por otra en la que se iguale a un infinitésimo no-

arquímedeo.

- los inputs / outputs guardan algún tipo de relación, la asignación de

pesos no la respetará. Por lo que habrá que tratar este hecho si se

presenta introduciendo la restricción correspondiente.

Nuevamente resaltar que se trata de algunas de las principales limitaciones,

pero podrían darse más (Guede Cid, 2011).

Relacionados con las restricciones a los pesos

Tal y como se ha mencionado en el punto anterior la flexibilidad de la

asignación de pesos se soluciona introduciendo nuevas restricciones a los

mismos. Esta tarea no es sencilla, puesto que requiere información a priori

sobre el fenómeno puesto que la introducción de una restricción que sobre/sub-

restrinja el fenómeno va a dar lugar a una media de eficiencia no realista. Estas

restricciones pudieran no ser exportables de unos modelos a otros dentro de la

técnica de análisis envolvente de datos. Adicionalmente al haber introducido

nuevas restricciones la lectura que se realice de los resultados no va a coincidir

con los modelos puros que se estudian en la literatura disponible, hay que



prestar especial atención en esta interpretación. En la tabla 7 se presentan las

principales dificultades que presentan este tipo de modelos, así como las

soluciones que se recomiendan para cada tipo.

Fuente: (Guede Cid, 2011)

Tabla 7 Restricciones en la aplicación del análisis DEA

Dado que la introducción de nuevas restricciones relacionadas con los pesos

no parece la mejor solución, por lo menos a priori por las consecuencias que

acarrea, algunos autores plantean un método basado en la decisión

multicriterio para asignar pesos cuando no se dispone de información a priori

(de Vicente y Oliva, et al., 2008) utilizando dos métodos, el primero que hace

uso por un lado de la matriz de eficiencias cruzadas, y el segundo que utiliza

las distancias entre la solución global del DEA y la matriz de eficiencias

cruzadas.



CAPITULO 6 TEORÍA DE REDES NEURONALES ARTIFICIALES

6.1 INTRODUCCIÓN A LAS REDES NEURONALES ARTIFICIALES

Con el paso del tiempo, tanto ciencia como tecnología han ido avanzando y

algunos campos convergiendo. Uno de estos campos es la Inteligencia

Artificial. Dentro de la Inteligencia Artificial es posible diferenciar dos grandes

áreas:

Inteligencia Artificial Simbólica – Construcción de sistemas con

características “inteligentes”. Su objetivo es resolver un problema

previamente definido mediando los esquemas lógicos de la disciplina en

cuestión. Siguen una aproximación Top-Down al ser necesario disponer

de una solución aproximada y todo se diseña alrededor de la misma.

Inteligencia Artificial Subsimbólica – Obtención de un sistema

“inteligente” partiendo de un sistema genérico que evoluciona de manera

autónoma hacia el sistema final adaptado. Siguen una aproximación

Bottom-Up, es decir, parten de algo genérico y sencillo y poco a poco

van evolucionando hacia sistemas complejos mediante mecanismos de

aprendizaje definidos.

Las Redes Neuronales Artificiales (en inglés, Artificial Neural Networks – ANN)

pertenecen al grupo de la Inteligencia Artificial Subsimbólica (Isasi Viñuela &

Galván León, 2008).

Previo a describir las Redes Neuronales Artificiales desde una óptica técnica o

matemática, es necesario hacerlo desde una óptica biológica para entender su

funcionamiento. De esta forma se refuerza lo comentado en anteriormente de

que la técnica y la ciencia van convergiendo en algunos campos.

En los seres vivos como los humanos y animales existe un sistema encargado

de recoger información del entorno, ya sea interno o externo, distribuir esa

información a través de los canales adecuados a los puntos adecuados, se

analiza, procesa y elabora dicha información y posteriormente se almacena o



se vuelve a distribuir a los puntos adecuados. Este sistema es el sistema de

comunicación neuronal que está formado por:

Receptores – Son las células sensoriales encargadas de recoger la

información del entorno, ya sea exterior o interior al organismo

Sistema nervioso – Encargado de recibir la información de los

receptores a través de los canales adecuados, elaborarla, y

posteriormente almacenarla y/o distribuirla.

Efectores – Reciben la información y la interpretan en forma de acciones

concretas. Los efectores son por ejemplo los músculos, glándulas…

Dentro del sistema de comunicación neuronal la unidad funcional esencial es la

neurona, teniendo como funciones básicas (Isasi Viñuela & Galván León,

2008):

Recoger información de otras neuronas o de los receptores (llega en

forma de impulsos)

Integrar dicha información en un código de activación propio de cada

neurona.

Transmitir esa información codificada a través del axón (La codificación

se realiza mediante frecuencia de impulsos)

Distribuir espacialmente los mensajes a través del axón

Transmitir a través de sus terminales los impulsos a las neuronas

subsiguientes o los efectores.



Fuente: (Universidad de Valladolid, 2015)

Figura 60 Representación de una neurona biológica

En la figura 60 se aprecian las siguientes partes:

Cuerpo celular

Núcleo,

Axón – Ramificación de salida de la neurona cuya misión es propagar

impulsos electroquímicos

Dendritas – Ramificaciones de entrada que propagan la señal al interior

de la neurona.

El mecanismo de funcionamiento es el siguiente, a través del proceso de

sinapsis las neuronas recogen información de carácter electro-químico de las

otras neuronas y de los receptores mediante las dendritas. Posteriormente

dicha información es procesada en el núcleo y se transmite a través del axón

como señal única, que llega a las dendritas de las neuronas vecinas.

El proceso de sinapsis es el paso de las señales electro-químicas de una

neurona a la siguiente a través de un líquido con determinadas

concentraciones de iones (normalmente sodio y potasio, en la denominada

bomba de potasio) que le confiere la propiedad de la conductividad y que en

función de las señales y de la conductividad del mismo potenciará o inhibirá la

señal ( (Isasi Viñuela & Galván León, 2008).

Por lo tanto el sistema de comunicación neuronal, puede entenderse como una

enorme red que propaga señales de naturaleza electro-química elaboradas por

http://www.google.es/imgres?imgurl=http://www.lpi.tel.uva.es/~nacho/docencia/ing_ond_1/trabajos_04_05/io1/public_html/oidohumano_archivos/image026.jpg&imgrefurl=http://www.lpi.tel.uva.es/~nacho/docencia/ing_ond_1/trabajos_04_05/io1/public_html/oidohumano.htm&h=304&w=671&tbnid=QIVecnO872mDIM:&zoom=1&docid=0ZOV7X03zAX0TM&ei=JVSAU7-jFIHt0gWi6YCwDg&tbm=isch&ved=0CCAQMygYMBg4ZA&iact=rc&uact=3&dur=4601&page=6&start=110&ndsp=26



las neuronas y cuya propagación se va modificando en función de la

concentración de iones durante la sinapsis. Las neuronas no son elementos

lineales que propagan señales proporcionales a las recibidas, sino que son

elementos de saturación que cuando sobrepasan un umbral proporcional una

señal.

6.1.1 Modelo computacional de las Redes Neuronales Artificiales

Una vez expuesto el funcionamiento desde una óptica biológica se va a

exponer el modelo computacional que emula estos sistemas. Pudiendo definir

una red de neuronas artificiales como (Martín del Brío & Sanz Molina, 2009):

Un grafo dirigido con las siguientes propiedades:

A cada nodo 𝑖 se asocia una variable de estado 𝑥𝑖.

A cada conexión (𝑖, 𝑗) de los nodos 𝑖 y 𝑗 se asocia un peso 𝑤𝑖𝑗 ∈ ℝ .

A cada nodo 𝑖 se le asocia un umbral 𝜃𝑖.

Para cada nodo 𝑖 se define una función que depende de los pesos de

sus conexiones, del umbral y de los estados de los nodos 𝑗 a él

conectados. Esta función proporciona el nuevo estado del nodo.

Haciendo un paralelismo con los grafos, los nodos serían las neuronas y las

conexiones las sinapsis, donde:

Las neuronas de entrada y de salida son neuronas sin sinapsis

Las neuronas ocultas tiene sinapsis

Es una red unidireccional, al no tener bucles cerrados de conexiones

Es una red recurrente, al existir retroalimentación, es decir el flujo de

información tiene un bucle de atrás hacia adelante.

6.1.1.1 Neurona artificial

La neurona artificial es un dispositivo simple de cálculo, que a partir de un

vector de entrada procedente del exterior o de otras neuronas, proporciona una

única respuesta o salida (Martín del Brío & Sanz Molina, 2009). También puede



entenderse como un elemento que posee un determinado nivel de activación,

que mediante las señales que recibe le permiten cambiar de estado alcanzando

unas determinadas condiciones (Isasi Viñuela & Galván León, 2008).

Los estados posibles de la neurona se representan mediante en conjunto 𝑆

pudiendo ser este

dicotómico 𝑆 = {0,1}, donde 1 puede significar activo y 0 inactivo.

conjunto que tome más valores 𝑆 = {0,1, 2, 3, 4, 5, … , 𝑛} para representar

niveles de alguna variable.

conjunto continuo 𝑆 = [0,1] , pudiendo representar una variable

normalizada.

El cambio de estado, lo realizan las neuronas mediante una función de

activación, que les permite aglutinar las señales que reciben, procesarlas de

acuerdo a esta función de activación y si alcanzan el nivel de activación

cambiarán de estado. Es importante reflejar un matiz en relación al valor de

activación, este depende únicamente de las entradas recibidas y de los valores

sinápticos, pero en ningún momento de los valores de los estados de activación

pasados. (Isasi Viñuela & Galván León, 2008)

Para calcular el valor de activación primero es necesario calcular la entrada

total a la neurona representada por 𝐸𝑖 y se calcula como la suma ponderada de

todas las entradas por el peso sináptico 𝐸 = (𝑥1 ∗ 𝑤1) + (𝑥2 ∗ 𝑤2) + (𝑥3 ∗ 𝑤3) +

⋯+ (𝑥𝑛 ∗ 𝑤𝑛). Donde las entradas 𝑥1, 𝑥2, 𝑥3, … , 𝑥𝑛 se representan mediante un

vector �̅� y los pesos sinápticos 𝑤1, 𝑤2, 𝑤3, … , 𝑤𝑛 lo hacen por un vector �̅�. Las

entradas representan las señales de la sinapsis y el peso sináptico la

concentración iónica de la sinapsis. El funcionameinto de una neurona de este

tipo se esquematiza en la figura 61.




Figura 61 Esquema de funcionamiento de una neurona artificial

También se puede escribir la entrada total en notación matricial de la siguiente

forma: 𝐸 = 𝑋𝑇 ∗ 𝑊

Una vez calculada la entrada total, debe ser procesada por la función de

activación 𝐹 como se ha comentado con anterioridad para producir una salida

de la neurona 𝑆 . Es posible crear varios modelos de autómatas en

dependiendo del tipo que se escoja para dicha función:

Lineal: 𝑆 = 𝑘 ∗ 𝐸, donde 𝑘 es una constante.

Umbral: 𝑆 = {1 𝑠𝑖 𝐸 ≥ 𝜃0 𝑠𝑖 𝐸 < 𝜃

, siendo 𝜃 un umbral constante.

Función: 𝑆 = 𝐹(𝐼), donde 𝐹 es una función cualquiera.

6.1.1.2 Estructura básica de la red

La forma en la que las neuronas se conectan unas con otras se le conoce

como arquitectura de la red o patrón de conectividad. La estructura está

compuesta por los siguientes elementos (Martín del Brío & Sanz Molina, 2009):

Conjunto de procesadores elementales o neuronas artificiales

Patrón de conectividad o arquitectura.

Dinámica de activaciones.

Regla de aprendizaje

Entorno donde opera.

∑

f(∑)

Entradas Salidas

wj1

wj2

wjn



La estructura básica es la red multicapa, donde la más simple estaría formada

por una capa con las neuronas de entrada, a continuación una capa de

neuronas oculta y por último la capa de las neuronas de salida. Pudiendo existir

tantas capas ocultas como sean necesarias. A su vez el número de neuronas

por capa tampoco es algo que esté fijado.


Figura 62 Esquema de funcionamiento de una red de neuronas artificial de tipo MLP

A la vista de la figura 62 se define una Red de Neuronas Artificial como un

grafo cuyos nodos están formados por unidades de proceso idénticas, que

propagan la información a través de los arcos (Isasi Viñuela & Galván León,

2008).

El funcionamiento por tanto es el siguiente, se recibe la entrada en la capa de

entrada a través de las neuronas existentes, cada una de ellas transmite la

información a la capa oculta, donde cada neurona una vez recibida la totalidad

de sus entradas las procesa y genera la salida que se propaga por toda la red.

Al llegar la respuesta de la red a las neuronas de la capa de salida, estas

mediante el mismo mecanismo general la respuesta de la red.

Capa

entrada

Capa

oculta

Capa

salida

𝑊1 𝑊2



Si se toma como ejemplo el de la figura donde 𝑊1 y 𝑊2 representan los pesos

de la primera y segunda capa, siendo 𝐹 la función de activación y además la

misma para todas las neuronas, se puede calcular la salida mediante la

siguiente expresión:

𝑆= 𝐹(𝐹(�⃗�∗ 𝑊1) ∗ 𝑊2)

En el caso de que la función de activación que se utilice sea de tipo lineal

𝐹(𝑥) = 𝑘 ∗ 𝑥 se podría sustituir la arquitectura de tres capas por otra de dos

capas equivalente como muestra la figura 63:

𝑆= 𝑘 ∗ (𝐾 ∗�⃗�∗ 𝑊1) ∗ 𝑊2 = 𝑘2 ∗ 𝑊1 ∗ 𝑊2 ∗�⃗�


Figura 63 Esquema de una red neuronal artificial equivalente a una MLP de una capa oculta

Capa

entrada

Capa

salida

𝑘2 ∗ 𝑊1 ∗ 𝑊2



6.1.1.3 Aprendizaje

Según los autores Isasi y Galván (2008) la parte más importante de una Red de

Neuronas Artificial es la estrategia de aprendizaje, ya que ésta determinará el

tipo de problemas que será capaz de resolver. El conjunto de datos que se

utiliza para el aprendizaje debería cumplir las dos siguientes características:

Ser significativo – Número suficiente de ejemplos para que la red pueda

adaptar los pesos sinápticos durante esta fase.

Ser representativo – Diversidad en los datos, con objeto de que la red no

se especialice en un tipo de datos ya que esto podría crear un sesgo en

el aprendizaje.

Esta etapa tiene como objetivo determinar los valores de los pesos sinápticos

para todas las conexiones, de manera precisa, para dotar a la red de la

capacidad de resolución eficiente de un problema. Para ello se introducen

paulatinamente los ejemplos del conjunto de aprendizaje y se van modificando

los pesos sinápticos de acuerdo al esquema de aprendizaje elegido.

Posteriormente se verifica que se ha cumplido con el criterio de convergencia,

en caso positivo se validan los pesos sinápticos y en caso contrario se vuelven

a introducir modificando de nuevo los pesos. El criterio de convergencia

depende a su vez del tipo de red elegida y/o tipo de problema a resolver. Para

determinar la finalización del periodo de aprendizaje se puede realizar de

acuerdo a tres estrategias de parada:

Número fijo de ciclos – Se establece el número de veces que se

introduce el conjunto de datos utilizado para el entrenamiento.

Error inferior a un umbral – Se define una función de error y se

determinar el valor aceptable del mismo, de tal manera que cuando la

red produzca un valor de error inferior al que se ha fijado se detendrá el

aprendizaje. Esta estrategia de parada presenta una desventaja con

respecto a otras y es que si no baja por debajo de ese error nunca se



detendrá, por lo que hay que añadir una estrategia adicional

condicionada por el número de ciclos.

Modificación de los pesos sea irrelevante – Se analiza la variación

relativa de cada iteración en la introducción de datos y cuando la

variación con respecto a la anterior iteración sea inferior a un

determinado valor se detendrá.

En relación a la estrategia de aprendizaje existen varios tipos (Isasi Viñuela &

Galván León, 2008) (Martín del Brío & Sanz Molina, 2009):

Aprendizaje supervisado – Los datos utilizados poseen dos atributos, por

un lado los datos y por otro lado información relativa a la solución del

problema. En este tipo de aprendizaje se compara la salida de la red con

la salida real teórica proveniente de los datos y la diferencia entre ambas

influirá en cómo se modificarán los pesos. Dicho aprendizaje se

esquematiza en la figura 64.


Figura 64 Esquema de aprendizaje de una red neuronal supervisado

Aprendizaje no supervisado – En este caso no se suministra junto con el

valor de entrada un valor de salida relacionado. Es la propia red la que

determina los rasgos significativos, regularidades o redundancias de los

datos. Es decir, la red se ajusta dependiendo únicamente de los valores

que recibe como entrada. El esquema de funcionamiento es el que se

representa en la figura 65.

Pa

tró

n d

e e

ntr

ada

Sa

lida o

bte

nid

a

Pa

tró

n d

e s

alid

a

Red

neuronal

Δ




Figura 65 Esquema de aprendizaje de una red neuronal no supervisado

Aprendizaje por refuerzo – Es muy similar al aprendizaje supervisado.

No existe información del error cometido por la red para cada ejemplo,

sino que se determina si la salida es o no adecuada.

En relación con el aprendizaje no es bueno tampoco que la red tenga un ajuste

muy bueno del conjunto de aprendizaje ya que puede condicionar su capacidad

para predecir fuera de esa serie de aprendizaje. Este fenómeno se conoce

como sobreaprendizaje, y deteriora la capacidad de generalización de la red.

Para poder determinar si la red es capaz de proporcionar salidas adecuadas,

se aconseja dividir los datos de aprendizaje en dos submuestras. Una de ellas

para entrenamiento y otra para la validación. El error producido por tanto no se

medirá con respecto a los datos de entrenamiento sino con respecto a los

datos de validación que no han sido todavía utilizados. De esta forma se puede

evaluar la capacidad de generalización de la red. Para que este proceso sea

eficaz ambos conjuntos de datos (entrenamiento y validación) deben cumplir

las siguientes características:

Conjunto de validación independiente del de aprendizaje (sin sesgo en el

proceso de selección de los datos)

Conjunto de validación debe cumplir las mismas propiedades que el de

entrenamiento (significativo y representativo)

Pa

tró

n d

e e

ntr

ada

Sa

lida o

bte

nid

a

Red

neuronal



6.1.2 Evolución histórica de las Redes de Neuronas Artificiales

Las primeras investigaciones en relación a las Redes de Neuronas Artificiales

se dan a principios del S.XIX, y son llevadas a cabo por Freud durante sus

investigaciones del pre-psicoanálisis. La primera implementación de un

dispositivo basado en las redes neuronales fue un dispositivo hidráulico

introducido por Russell, en la década de los años 40.

Década de los 40 y 50

Durante esta época los trabajos más significativos fueron llevados a cabo por

McCulloch y Pitts (1943). Desarrollaron un modelo conocido con su nombre

“modelo McCulloch-Pitts” que se basaba en la operación de las neuronas por

impulsos binarios. Un aspecto importante que introdujo este modelo fue la

utilización de una función de paso por umbral. Otro autor posterior, Hebb

(1949) contribuyo en su libro con un procedimiento matemático de aprendizaje,

en la actualidad se conoce como aprendizaje “hebbiano”. Posteriormente

Marvin Minsky (1954) construyó una máquina que emulaba el comportamiento

de una rata buscando comida en un laberinto. Esta máquina estaba diseñada

con 40 neuronas. Para su construcción utilizaron tubos, motores y relés. Se

basó en los avances realizados por McCulloch y Pitts, así como de Hebb. El

investigador Albert Uttley (1956) desarrolló unas máquinas que se han utilizado

para la simulación de fenómenos atmosféricos y el reconocimiento adaptativo

de patrones. Dichas máquinas basaban su comportamiento en unos “informes”

que podían variar sus parámetros de entrada. Más tarde otro investigador

Frank Rosemblatt (1957) desarrollo el modelo de McCulloch-Pitts añadiéndole

la función de aprendizaje. A este modelo se le denomina Perceptron. Trabajo

con un modelo de dos capas aunque también realizó investigaciones en el

modelo de tres capas pero no consiguió buenos resultados. Posteriormente se

profundizará en el modelo perceptrón. Otro autor que realizó trabajos sobre

Redes Neuronales Artificiales en esa década fue Bernard Widrow (1959)

diseñó una red neuronal artificial muy parecida al perceptron que llamó

“Adaptative Linear Element” o Adaline. Ambos modelos son muy similares ya



que utilizar el error entre la salida deseada y la obtenida para corregir los pesos

entre la salida y la entrada. La principal diferencia radica en que el perceptron

lo hace de manera proporcional y el adaline mediante una función. Esta

pequeña diferencia hace que las aplicaciones para las que se utiliza la adaline

sean diferentes, como por ejemplo el procesamiento adaptativo de señales,

sistemas de control…

Década de los 60

Los autores Steinbuch y Piske (1963) que trabajaron en el desarrollo de la

codificación de la información en las redes neuronales. Sus avances se

emplearon en aplicaciones como el mantenimiento predictivo de máquinas,

control de procesos productivos, reconocimiento de escritura…. Posteriormente

Stephen Grossberg (1964) realizaron investigaciones sobre los fenómenos

psicológicos (mente) y biológicos (cerebro), así como la interacción entre

ambos. Una de las contribuciones que realizó fue desarrollar un método de

acceso directo a la información en tiempo real mientras era procesada.

Década de los 70 y 80

Un investigador de esta época que realizó una importante contribución es

Teuvo Kohonen (1972, 1974, 1977); que desarrolló un método de aprendizaje

competitivo denominado Learning Vector Quantization (LVQ). Su trabajo se

centró en las memorias asociativas y las matrices de correlación. Los

investigadores Terence Sejnowski y Geoff Hinton (1986), descubrieron el

algoritmo de la máquina de Boltzmann, así como fueron capaces de utilizar un

algoritmo de aprendizaje para una red de neuronas artificiales de tres capas.

También contribuyeron de manera importante al algoritmo de aprendizaje de

Backpropagation, para aplicaciones relacionadas con el reconocimiento de voz.

También los investigadores David Rumelhart y James McClelland (1982) se

unieron en la investigación de las redes neuronales artificiales aplicadas al

reconocimiento de voz, así como crearon un potente grupo de investigación

denominado Parallel Distributed Processing (PDP), y fueros los creadores de la

red MLP. Otro investigador importante en el campo de las redes de neuronas



artificiales fue, John Hopfield (1982), quien introduje una función de energía

que describía la actividad de una red neuronal artificial monocapa.

Cécula de McCulloch-Pitts

Este modelo fue desarrollado por Warren McCulloch y Walter Pitts (1943) en el

año 1943. En dicho trabajo modelaban la estructura y el funcionamiento de las

neuronas del cerebro. Sólo permitían dos posibles estados: apagado (0) y

encendido (1).

El esquema de funcionamiento de esta célula es el mostrado en la figura 66:


Figura 66 Esquema de funcionamiento de la célula de McCulloch-Pitts

𝑆 = {1 𝑠𝑖 ∑𝑥𝑖 ∗ 𝑤𝑖 > Θ

0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜

Para cada neurona, existe un conjunto de entrada de n valores 𝑋 =

{𝑥1, 𝑥2, … , 𝑥𝑛} y produce una única salida binaria. La célula se activará si la

suma de las entradas multiplicada por los pesos supera el umbral Θ, y tendrá

una salida de 1.

Si se parte de la neurona de McCulloch-Pitts y se forma una red de varias o

muchas neuronas de este tipo se tiene una red neuronal. En el libro de los

autores Viñuela y Galván (2008) se define red neuronal como: “Una colección

Entrada

s

Salida

w1

w2

wn

𝚺𝚯 X S



de neuronas de McCulloch-Pitts, todas con las mismas escalas de tiempos,

donde sus salidas están conectadas a las entradas de otras neuronas”.

Perceptrón

Este modelo fue desarrollado por Frank Rossenblatt (1957, 1958) en los años

50. Este modelo fue ideado como un sistema clasificador. Se le suministraba al

sistema información sobre diferentes clases, a través de patrones o

entrenamiento y el sistema iba determinando las superficies frontera entre las

diferentes clases con objeto de que cuando fuera presentada una nueva

entrada el sistema fuera capaz de mediante dichas superficies frontera

determinar a clase pertenecía.

El modelo de funcionamiento de este modelo es sencillo. Se trata de una red

monocapa, con varias entradas y varias salidas como la mostrada en la figura

67. Debido a la configuración monocapa cada una de las células de entrada

tiene conexión con todas las células de salida. Esas conexiones son las que

determinarán las superficies de discriminación.


Figura 67 Esquema de funcionamiento de perceptrón

El umbral Θ es el factor de comparación para producir la salida y habrá uno par

cada célula de salida de la red.

El esquema de funcionamiento es el siguiente. En primer lugar se obtiene la

activación de la célula de salida, 𝑦′ = ∑ 𝑥𝑖 ∗ 𝑤𝑖𝑛𝑖=1 . La salida definitiva, como se

w1

w2

x

1

y

x

2

∑

Θ



trata de un elemento clasificador, se obtiene mediante la función de activación,

que para estos casos es una función escalón del siguiente tipo, 𝑦 = 𝐹(𝑦′, Θ).

𝐹(𝑠, Θ) {1 𝑠𝑖 𝑠 > Θ

−1 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜

Las anteriores expresiones también se pueden escribir de la siguiente forma:

𝑦 = 𝐹 (∑𝑥𝑖 ∗ 𝑤𝑖

𝑛

𝑖=1

+ Θ)

Dónde:

𝐹(𝑠) {1 𝑠𝑖 𝑠 > Θ

−1 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜

6.2 PERCEPTRON MULTICAPA

Este tipo de redes se conoce también como red multicapa con conexiones

hacia adelante. Se trata de un modelo general que parte del Perceptron

desarrollado por Frank Rosenblatt (1957, 1958). Este tipo de arquitectura es

apropiada para tratar problemas no lineales. Puede obtenerse mediante la

combinación de varios perceptrones simples, pero con una regla de

aprendizaje modificada como es el Backpropagation, ya que no puede

aplicarse la misma regla del Perceptron simple. El principal motivo es la

dificultad de propagar los errores de salida hacia atrás, a través de la capa

oculta. El perceptrón multicapa con aprendizaje Backpropagation (BP) o alguna

de sus variantes es el modelo más empleado en las aplicaciones prácticas,

estimándose hace más de 10 años atrás que el 70% de los desarrollos con

redes neuronales hacen uso de alguna de sus variantes (Gedeon, et al., 1995)

Esta arquitectura es un aproximador universal de funciones (Funahashi, 1989)

(Funahashi & Nakamura, 1993) (Funahashi, 1998). Como principales ventajas

se pueden citar la potencia de este método para aproximar comportamientos

no lineales, facilidad de uso, aplicabilidad a multitud de problemas. Por el



contrario como desventajas se pude citar el proceso largo de aprendizaje, gran

número de ejemplos necesarios para el entrenamiento, dificultad de codificar

problemas reales mediante valores numéricos, dificultad en el análisis teórico

de la red debido a la existencia de alta conectividad y/o presencia de

componentes no lineales.

En relación a la arquitectura es como la que se muestra a continuación en la

figura 68:


Figura 68 Esquema de la arquitectura de un perceptrón multicapa

Como se puede ver en la figura esta arquitectura se caracteriza por tener una

capa de entrada, varias capas ocultas y una capa de salida; así como las

conexiones entre ellas siempre dirigidas hacia delante. Debido a esta

característica de las conexiones también se les denomina redes “feedforward”.

Cada capa está compuesta por neuronas de tipo perceptron. En cuanto al

número de capas y número de neuronas por capa, variarán en función de la

aplicación o en problema que se esté resolviendo.

𝑥1

𝑥𝑖

𝑥𝑛1

𝑦𝑛𝑐

𝑦1

𝑛1 𝑛2 𝑛3 𝑛𝐶−1 𝑛𝐶

Capa de

entrada

Capas

ocultas

Capa de

salida

. . .

. . .

. . . . . . . . . . . .

. . . . . . . . .

. . . . . . . . .



La particularidad de las neuronas de la capa de entrada es que actúan como

receptores de las señales exteriores para después propagarlas por el interior

de la red. Mientras que las de la capa de salida se encargan de proporcionar la

respuesta de la red para el patrón de entrada recibido. Las capas ocultas tiene

la misión de procesar de manera no lineal el patrón de entrada.

Cada neurona está conectada con todas las de la capa siguiente, aunque

pueden existir excepciones. Como por ejemplo conexiones de una neurona con

las capas no inmediatamente posteriores, o neuronas que no están conectadas

a capas posteriores. No existen estudios suficientes para falsar la hipótesis de

que utilizar este tipo de redes con la conectividad modificada den resultados

más precisos o economicen el tiempo de cálculo o la eficiencia de la red.

6.2.1 Propagación de los patrones de entrada

En este tipo de redes se establece una relación entre las entradas y las salidas,

componiendo las funciones individuales de cada perceptron. Esta relación para

un perceptron de manera aislada se explicó anteriormente.

El mecanismo es ir propagando las salidas hacia delante y como consecuencia

componiendo las funciones, de tal manera que al llegar a la última capa se

habrá relacionado la entrada de la red y la salida de la misma. La manera de

propagar la entrada es con el mecanismo de funcionamiento de un perceptron,

es decir, recibe las entradas del resto de neuronas a las cuales está conectada

de la capa anterior, y a través de su función de activación produce una salida

que se propagará a las neuronas a las cuales está conectada en la capa

siguiente. A continuación se va a explicar este mismo concepto de manera

analítica.

De acuerdo a la notación de los autores Viñuela y Galván (2008), sea una red

perceptron multicapa con:



𝐶 capas y 𝐶 − 2 capas ocultas

𝑛𝑐 neuronas en la capa 𝑐, en todas las capas 𝑐 = 1,2,3… , 𝐶

𝑊𝑐 = (𝑤𝑖𝑗𝑐 ) es la matriz de pesos sinápticos de las conexiones de la

capa 𝑐 con la 𝑐 + 1 para todas las capas 𝑐 = 1,2,3… , 𝐶 − 1 . Cada

elemento de la matriz 𝑤𝑖𝑗𝑐 representa la conexión de la neurona 𝑖 de la

capa 𝑐 con la neurona 𝑗 de la capa 𝑐 + 1.

𝑈𝑐 = (𝑢𝑖𝑐), es el vector de los umbrales de cada neurona 𝑖 de la capa 𝑐,

para todas las capas 𝑐 = 2, 3, … , 𝐶.

𝑎𝑖𝑐 representa la activación de la neurona 𝑖 de la capa 𝑐.

Respecto a la activación de las neuronas, se va a distinguir entre los siguientes

casos:

Capa de entrada 𝑎𝑖1

Estas neuronas son las encargadas de propagar el patrón de entrada hacia el

resto de neuronas. Dicho patrón es el vector 𝑋 = (𝑥1, 𝑥2, … , 𝑥𝑛1). La activación

para estos casos viene dada por:

𝑎𝑖1 = 𝑥𝑖 , ∀ 𝑖 = 1,2, … , 𝑛1

Capa oculta 𝑎𝑖𝑐

Las neuronas de la capa oculta procesan la información que llega de otras

neuronas para producir una salida de acuerdo con su función de activación que

se seguir propagando por la red. Es decir, se aplica la función de activación a

las entradas provenientes de las neuronas de otras capas, ponderadas por los

correspondientes pesos sinápticos y añadiendo el umbral de la neurona. Por lo

tanto el nivel de activación de una neurona 𝑖 de una capa 𝑐, será el siguiente:



𝑎𝑖𝑐 = 𝑓(∑ 𝑤𝑗𝑖

𝑐−1 ∗ 𝑎𝑗𝑐−1 + 𝑢𝑖

𝑐

𝑛𝑐−1

𝑗=1

) 𝑝𝑎𝑟𝑎 𝑖 = 1,2, … , 𝑛𝑐 𝑦 𝑐 = 2,3, … , 𝐶 − 1

Capa de salida 𝑎𝑖𝐶

Para las neuronas de esta capa la activación de las neuronas también se

obtiene mediante la aplicación de la función de activación a todas las entradas

que vienen de las neuronas de la capa anterior ponderadas por los pesos

sinápticos y añadiendo el umbral de la neurona.

𝑦𝑖 = 𝑎𝑖𝐶 = 𝑓(∑ 𝑤𝑗𝑖

𝐶−1 ∗ 𝑎𝑗𝐶−1 + 𝑢𝑖

𝐶

𝑛𝐶−1

𝑗=1

) 𝑝𝑎𝑟𝑎 𝑖 = 1,2, … , 𝑛𝐶

Se obtendrá por tanto el vector de salida de la red 𝑌 = (𝑦1, 𝑦2, … , 𝑦𝑛𝐶).

La función 𝑓 que aparece en el cálculo de las activaciones de las neuronas en

las expresiones anteriores es la función de activación y suele ser común a

todas las neuronas. Se pueden utilizar muchos tipos diferentes, pero las más

utilizadas son la función sigmoidal y la función tangente hiperbólica, cuyas

expresiones y representación gráfica se exponen en la figura 69 (Isasi Viñuela

& Galván León, 2008) (Martín del Brío & Sanz Molina, 2009):

Sigmoidal: 𝑓1(𝑥) =1

1+𝑒−𝑥

Tangente hiperbólica: 𝑓2(𝑥) =1−𝑒−𝑥

1+𝑒−𝑥

Ambas están relacionadas mediante 𝑓2(𝑥) = 2𝑓1(𝑥) − 1




Figura 69 Funciones de activación sigmoidal e hiperbólica

Como se puede ver en la representación gráfica la función sigmoidea presenta

dos asíntotas en los valores 0 y 1, mientras que la tangente hiperbólica lo hace

en -1 y 1. Como ambas están relacionadas la elección de una u otra dependerá

del recorrido que interese para la activación si entre [0,1] o [−1,1].

Estas funciones de activación podrán utilizarse cuando los datos de entra y de

salida se hayan normalizado, ya que si no es así, debe utilizarse la función

identidad.

Dependiendo del problema al que se aplique la red puede interesar dotar a las

neuronas de salida de la capacidad de producir otro tipo de salidas diferentes a

la que produciría la función sigmoidea o la función tangente hiperbólica. Las

funciones de activación que más suelen utilizarse más en la capa de salida son

la función identidad y la función escalón (Isasi Viñuela & Galván León, 2008)

(Martín del Brío & Sanz Molina, 2009). La función escalón, representado en las

figuras 70 y 71, se utiliza para salidas de la red binarias, activándose sólo

cuando se sobrepasa un cierto valor umbral de valor de salida. En relación a la



función identidad, que se muestra en la figura 72, es equivalente a no aplicar

ninguna función, es decir, el valor de la función es el valor de salida de red.

Función escalón 𝑓3(𝑥) = {1 𝑠𝑖 𝑥 ≥ 𝜃0 𝑠𝑖 𝑥 < 𝜃

siendo 𝜃 el umbral, también podría

ser del tipo 𝑓3(𝑥) = {1 𝑠𝑖 𝑥 ≥ 𝜃−1 𝑠𝑖 𝑥 < 𝜃

donde 𝜃 sigue representando el umbral.

Función identidad 𝑓4(𝑥) = 𝑥


Figura 70 Función de activación escalón entre [-1,1]




Figura 71 Función de activación escalón entre [0,1]


Figura 72 Función de activación identidad



Como resumen a la propagación de los patrones de entrada se puede decir

que una red neuronal de tipo perceptron multicapa, es una función continua no

lineal que relaciona los espacios de los patrones de entrada y el de los

patrones de salida ℜ𝑛1 ⟶ℜ𝑛𝐶 . Dicha función pude escribirse de manera

simplificada como 𝑌 = 𝐹(𝑋,𝑊). Donde 𝑌 representa el vector de salida, 𝑋 el

vector de entrada y 𝑊 es la matriz de los parámetros de la red (conteniendo los

pesos sinápticos y umbrales), y por último F es la función continua no lineal.

Con lo expuesto hasta ahora sobre la red de neuronas de tipo perceptron

multicapa, se puede observar que el diseño de una red implica varias

decisiones, como por ejemplo el número de capas de la red, el número de

neuronas de cada capa, y la función de activación.

Hay algunas cuestiones que pueden ayudar a simplificar estas decisiones de

diseño, como por ejemplo las siguientes: el número de neuronas de la capa de

entrada coincidirá con las variables independientes del problema objeto de

estudio, así como las de salida lo harán con las dependientes del problema. La

función de activación debe elegirse según el recorrido que deseemos tener por

la naturaleza del problema.

Lo anterior no resulta sencillo de llevar a la práctica puesto que no todas las

variables de entrada y/o salida tienen la misma importancia a la hora de aportar

información sobre el problema. Es decir, debe existir un trabajo previo para la

selección de las mismas con objeto de que sean representativas del problema

y no compliquen en exceso el aprendizaje de la red y/o comprometan la calidad

de los resultados. Esta selección de las variables normalmente se realiza

utilizando técnicas de optimización o de reducción de la dimensión mediante

análisis multivariante.

Respecto al número de capas o de neuronas por capa, no existe una regla fija.

En primer lugar se debe investigar si existe un problema similar resuelto con

redes neuronales y se debe comenzar con esa arquitectura, posteriormente se



puede hacer un análisis de sensibilidad variando las capas y/o número de

neuronas por capa.

6.2.2 Aprendizaje

El objetivo del aprendizaje es ajustar los parámetros de la red (pesos sinápticos

y umbrales), para que la red produzca las salidas deseadas ante los patrones

de entrada presentados. Para evaluar esta capacidad de la red se determina

una función error, 𝐸, que medirá de manera global el error cometido por la red

por la comparación del valor de salida con el valor de salida deseado ante un

patrón de entrada determinado.

El conjunto de muestras o de patrones de entrada se va a representar

mediante el vector 𝑋(𝑛) = (𝑥1(𝑛),… , 𝑥𝑛1(𝑛)) y el de las salidas deseadas

mediante 𝑆(𝑛) = (𝑠1(𝑛),… , 𝑠𝑛𝐶(𝑛)), el número total de patrones disponibles es

𝑁.

Regla 𝚫

Los pasos que deben seguirse durante el aprendizaje son (Isasi Viñuela &

Galván León, 2008):

Paso 1: Inicializar los pesos y umbrales de la red. Normalmente aleatoria y con

valores próximos a cero.

Paso 2: Tomar un patrón 𝑛 del conjunto de entrenamiento (𝑋(𝑛), 𝑆(𝑛)) . La

entrada 𝑋(𝑛) se propaga hacia la salida y se obtiene 𝑌(𝑛).

Paso 3: Evaluar el error cuadrático medio cometido por la red entre la salida

𝑌(𝑛) y la salida deseada 𝑆(𝑛).

Paso 4: Corregir los pesos y umbrales de la red con la información del error y

mediante la aplicación de la regla delta generalizada.



Paso 4.1 Calcular el valor 𝛿 para todas las neuronas de la capa de

salida.

Paso 4.2 Calcular el valor 𝛿 para el resto de neuronas de la red

comenzando desde la última capa oculta, retropropagando los valores

hacia la capa de entrada.

Paso 4.3 Modificar los pesos y umbrales de la red.

Paso 5: Repetir los pasos 2, 3 y 4 para todos los patrones de entrenamiento

hasta completar una iteración de aprendizaje.

Paso 6: Evaluar el error total E cometido por la red.

Paso 7: Repetir los pasos 2, 3, 4, 5 y 6 hasta que se alcance el mínimo del

error de entrenamiento, realizando 𝑚 iteraciones de aprendizaje.

El proceso de aprendizaje finalizará cuando la reducción del error que produce

la variación de los pesos y umbrales sea despreciable, que analíticamente se

escribe: 𝜕𝐸

𝜕𝑤≈ 0.

6.2.3 Algoritmo de retropropagación

A continuación se va a realizar una descripción del algoritmo de aprendizaje.

Se trata de un aprendizaje supervisado. Se denomina de retropopagación

porque se parte del error en la capa de salida y se va retropropagando a las

capas anteriores ajustando los valores de los parámetros de la red.

El error de la red al presentarle el patrón 𝑛 es el error medio cuadrito de la

diferencia entre la salida obtenida y la salida deseada. Se representa mediante

la expresión:

𝑒(𝑛) =1

2∑(𝑠𝑖(𝑛) − 𝑦𝑖(𝑛))

2

𝑛𝐶

𝑛=1



Cuando se trata del error total de la red es la suma del error de todos los

patrones, y viene representado por la siguiente expresión:

𝐸 =1

𝑁∑𝑒(𝑛)

𝑁

𝑛=1

Donde 𝑌(𝑛) = (𝑦1(𝑛), … , 𝑦𝑛𝐶(𝑛)) representa el vector de salida de la red para el

patrón 𝑛 y 𝑆(𝑛) = (𝑠1(𝑛),… , 𝑠𝑛𝐶(𝑛)) el vector de salidas deseadas para el

mismo patrón 𝐸.

Aunque el aprendizaje debe realizarse para minimizar el error total 𝐸 , no

obstante, también se puede realizar sobre el error de cada patrón 𝑒(𝑛).

Este tipo de aprendizaje trata de buscar el mínimo de la función error. Para ello

se utiliza la técnica del descenso del gradiente de la función error. Cuando se

aplica sobre el error de cada patrón, 𝑒(𝑛) se conoce como método del

descenso del gradiente estocástico. Por lo tanto cada parámetro de la red, 𝑤,

se modifica según la siguiente expresión, conocida como regla delta

generalizada:

𝑤(𝑛) = 𝑤(𝑛 − 1) − 𝛼𝜕𝑒(𝑛)

𝜕𝑤

Es decir el parámetro para el actual patrón (𝑤(𝑛)), será el valor del parámetro

para el patrón anterior (𝑤(𝑛 − 1)) menos la variación del error debido a la

modificación del parámetro (𝜕𝑒(𝑛)

𝜕𝑤), ponderada por la tasa de aprendizaje 𝛼.

La tasa o razón de aprendizaje influye de manera directa en la convergencia

del algoritmo de aprendizaje, al determinar la distancia que se desplaza el

algoritmo en el descenso de gradiente buscando el mínimo. Aunque parece

lógico relacionar una tasa de aprendizaje alta con una convergencia rápida,

esto no es así, ya que una tasa demasiado alta puede hacer que el algoritmo

oscile alrededor de un mínimo o que incluso un mínimo pase desapercibido y



el algoritmo se lo salte. Por el contrario valores muy pequeños van a dar una

gran precisión, pero la convergencia es muy lenta.

Para solucionar este asunto los autores Rumelhart, et al. (1986) propusieron

incluir un término que incluyera información sobre la inercia del algoritmo.

Dicho término, se conoce como momento y viene representado por la siguiente

expresión:

𝜂 ∗ Δ𝑤(𝑛 − 1)

Donde 𝜂 es un número positivo que controla la importancia que se le dio al

incremento anterior del parámetro 𝑤. El término Δ𝑤(𝑛 − 1) = 𝑤(𝑛 − 1) − 𝑤(𝑛 −

2) representa el incremento que sufrió el parámetro en la iteración anterior.

Por lo tanto la expresión general incluyendo el término de momento sería la

siguiente:

𝑤(𝑛) = 𝑤(𝑛 − 1) − 𝛼𝜕𝑒(𝑛)

𝜕𝑤+ 𝜂 ∗ Δ𝑤(𝑛 − 1)

En su aplicación hay que destacar dos casos diferenciados:

Caso 1: Pesos de la capa oculta 𝐶 − 1 a la capa de salida y los umbrales

de la capa de salida

Caso 2: Resto de pesos y umbrales de la red, es decir de la capa 𝑐 a la

capa 𝑐 + 1 y umbrales de las neuronas de la capa 𝑐 + 1 para 𝑐 =

1, 2, … , 𝐶 − 2.

Para el primer caso, la regla se aplicará sobre el parámetro 𝑤𝑗𝑖𝐶−1(𝑛) , que

representa el peso de la conexión de la neurona 𝑗 de la capa 𝐶 − 1 a la

neurona de la capa 𝑖 de la capa de salida. Se obtiene la siguiente expresión:

𝑤𝑗𝑖𝐶−1(𝑛) = 𝑤𝑗𝑖

𝐶−1(𝑛 − 1) − 𝛼𝜕𝑒(𝑛)

𝜕𝑤𝑗𝑖𝐶−1



Tras calcular cada uno de los términos de la anterior expresión se obtiene la

expresión particularizada para este caso, la cual se presenta a continuación

(Isasi Viñuela & Galván León, 2008):

𝑤𝑗𝑖𝐶−1(𝑛) = 𝑤𝑗𝑖

𝐶−1(𝑛 − 1) + 𝛼 ∗ 𝛿𝑖𝐶(𝑛) ∗ 𝑎𝑗

𝐶−1(𝑛)

para 𝑗 = 1, 2, … , 𝑛𝐶−1 y 𝑖 = 1, 2, … , 𝑛𝐶 . De esa expresión se deduce que para

modificar el peso sináptico es necesario considerar sólo la tasa de aprendizaje

(𝛼), el término 𝛿 de la neurona a la cual llega la conexión, que contiene el error

de la red, y por último la activación de la neurona de la que parte la conexión

Esta misma ley puede generalizarse para los umbrales de las neuronas que se

tratan como una conexión más con entrada constante e igual a 1.La expresión

para los umbrales quedaría de la siguiente forma:

𝑢𝑖𝐶(𝑛) = 𝑢𝑖

𝐶(𝑛 − 1) + 𝛼 ∗ 𝛿𝑖𝐶(𝑛), 𝑝𝑎𝑟𝑎 𝑖 = 1, 2, … , 𝑛𝐶

A continuación se va a plantear el mismo razonamiento para el segundo de los

casos planteados, es decir, la actualización de los parámetros para el resto de

las capas. Se va a exponer para las capas 𝐶 − 2 y 𝐶 − 1, y para ello se coje un

peso al azar denotado por 𝑤𝑘𝑗𝐶−2, que representa el peso de la neurona 𝑘 de la

capa 𝐶 − 2 a la neurona 𝑗 de la capa 𝐶 − 1. Utilizando la misma expresión del

descenso del gradiente para este caso se obtiene la expresión siguiente:

𝑤𝑘𝑗𝐶−2(𝑛) = 𝑤𝑘𝑗

𝐶−2(𝑛 − 1) − 𝛼𝜕𝑒(𝑛)

𝜕𝑤𝑘𝑗𝐶−2

Como ocurría en el caso anterior, tras calcular cada uno de los términos por

separado se llega a la siguiente expresión (Isasi Viñuela & Galván León, 2008):

𝑤𝑘𝑗𝐶−2(𝑛) = 𝑤𝑘𝑗

𝐶−2(𝑛 − 1) + 𝛼 ∗ 𝛿𝑗𝐶−1(𝑛) ∗ 𝑎𝑘

𝐶−2(𝑛)

para 𝑘 = 1, 2, … , 𝑛𝐶−2 y 𝑗 = 1, 2, … , 𝑛𝐶−1.



La expresión anterior es aplicable sólo a las neuronas de la capa 𝐶 − 2 y 𝐶 − 1.

Pero se puede escribir de la manera que se generalice para todas los casos de

la capa 𝑐 a la capa 𝑐 + 1, ∀ 𝑐 = 1, 2, … , 𝐶 − 2

𝑤𝑘𝑗𝑐 (𝑛) = 𝑤𝑘𝑗

𝑐 (𝑛 − 1) + 𝛼 ∗ 𝛿𝑗𝑐+1(𝑛) ∗ 𝑎𝑘

𝑐(𝑛)

para 𝑘 = 1, 2, … , 𝑛𝑐 , 𝑗 = 1, 2, … , 𝑛𝑐+1 y 𝑐 = 1, 2, … , 𝐶 − 2

El término 𝛿𝑗𝑐+1(𝑛) viene dado por la siguiente expresión (Isasi Viñuela &

Galván León, 2008):

𝛿𝑗𝑐+1(𝑛) = 𝑓′(

∑ 𝑤𝑘𝑗𝑐 ∗𝑎𝑘

𝑐+𝑢𝑗𝑐𝑛𝑐

𝑘=1 ) ∗ ∑ 𝛿𝑖𝑐+2(𝑛) ∗ 𝑤𝑗𝑖

𝑐

𝑛𝑐+1

𝑖=1

Si se generaliza y se aplica a los umbrales de la red, haciendo que la entrada

sea constante e igual a 1 se obtiene la siguiente expresión:

𝑢𝑗𝑐+1(𝑛) = 𝑢𝑗

𝑐+1(𝑛 − 1) + 𝛼 ∗ 𝛿𝑗𝑐+1(𝑛)

para 𝑗 = 1, 2, … , 𝑛𝑐+1 y 𝑐 = 1, 2, … , 𝐶 − 2

6.2.4 Evaluación de la capacidad de generalización

Una vez que ha finalizado la etapa de aprendizaje y se han ajustado todos los

pesos sinápticos y umbrales para obtener con una precisión determinada la

salida deseada para un patrón de entrada determinado, hay que evaluar la

capacidad de generalización de la red neuronal, utilizando patrones de entrada

diferentes a los de la etapa de entrenamiento.

Una red que ha aprendido de manera correcta, pero que no es capaz de

responder ante patrones nuevos de manera adecuada, no es útil para el

problema objeto de estudio. Durante el entrenamiento la red no sólo ha tenido

que ajustar los parámetros sino que ha debido de ser capaz de extraer las

características de las muestras para poder utilizarlas posteriormente ante

patrones nuevos. Esta capacidad se denomina capacidad de generalización.



La estrategia que se suele utilizar para evaluar esta capacidad, es dividir la

muestra en dos conjuntos de patrones. El primer conjunto para entrenar la red,

y por eso se denomina conjunto de entrenamiento. Un segundo conjunto para

validar la red, que se denomina conjunto de validación.

La distribución de los patrones en los dos conjuntos debe ser aleatoria para no

introducir ningún sesgo.

Según los autores Viñuela y Galván (2008) debe presentarse cada cierto

número de iteraciones los patrones del conjunto de validación a la red y

monitorizar el error de generalización de la red, en paralelo al error de

entrenamiento. Este estudio doble también va a condicionar el momento de

parada del entrenamiento.

Pueden darse dos situaciones al evaluar ambos errores de manera conjunta.

La primera de ellas es que los dos decrezcan y permanezcan estables, en cuyo

caso el aprendizaje habrá terminado puesto que el error de entrenamiento

muestra que los parámetros están ajustados y la red ha aprendido, y el error de

validación muestra que la red está dotada de la capacidad de generalización.

La segunda situación en la que el error de aprendizaje decrezca y permanezca

estable y el error de validación crezca o no permanezca estable. En esta

segunda situación se ha producido un sobreaprendizaje, es decir, la red ha

ajustado de manera precisa los parámetros de la red en detrimento de la

capacidad de generalización. Cuando se dan estas situaciones hay que

detener el aprendizaje cuando el error de validación comienza a crecer o deja

de ser estable.

El sobreaprendizaje puede tener diferentes orígenes. Puede deberse a

demasiados ciclos de aprendizaje o a la utilización de demasiadas neuronas en

las capas ocultas.



6.2.5 Limitaciones del algoritmo de aprendizaje

Aunque es algoritmo de aprendizaje es fiable y potente, hay que conocer

también las limitaciones que posee para aplicarlo correctamente y no introducir

ningún sesgo en los resultados del problema objeto de estudio. Las principales

limitaciones son las siguientes (Isasi Viñuela & Galván León, 2008):

Mínimos locales – Este algoritmo construye una superficie de error y

busca a través de ella por el método de descenso del gradiente el

mínimo. Dicho mínimo es el mínimo global. En alguna ocasión este

algoritmo puede detenerse en algún mínimo local interpretando que se

trata de un mínimo global. Para evitar este problema se propone

aumentar el número de neuronas ocultas para que la red tenga más

parámetros libres y el problema pueda estar mejor representado.

También sugieren utilizar una razón de aprendizaje decreciente con el

número de iteraciones, utilizar otra inicialización de los parámetros o

incluir ruido en el método con objeto de sacar el algoritmo de ese posible

mínimo local y que busque por otros lugares de la superficie, de tal

forma que si vuelve al mismo mínimo se trata de un mínimo global y no

local.

Parálisis – Este efecto se produce cuando la entrada total a una neurona

toma valores muy altos, pudiendo ser tanto positivos como negativos.

Dado que las funcione de activación normalmente poseen asíntotas,

cuando una neurona recibe una entrada muy alta, se satura y la función

de activación devuelve un valor de activación máximo o mínimo. Cuando

esto ocurre los parámetros de la red permanece inalterados y la suma

de los errores locales constante en el tiempo, por lo que puede presentar

síntomas de haber alcanzado un mínimo cuando no es así. Se sugiera

para solucionar este efecto comenzar con valores iniciales aleatorios

cercanos a cero.



PARTE III DESARROLLO DEL MODELO Y REVISIÓN

BIBLIOGRÁFICA



CAPITULO 7 DESARROLLO Y ESPECIFICACIÓN DEL

MODELO

En el presente trabajo se pretenden falsar una serie de hipótesis de partida, así

como identificar y presentar las serendipias que aparezcan. A tenor de los

objetivos expuestos, se van a realizar una revisión de los diferentes conceptos

y variables para operacionalizarlos, que se utilizan en relación a la estructura

de la empresa, entendida como estructura de activos, estructura de liquidez y

estructura de capital, así como del rendimiento de la misma. Por último se va a

esbozar el concepto de resiliencia empresarial. La metodología que se ha

seguido en este punto es la revisión bibliográfica en bases de datos

especializadas (por ejemplo, Elsevier ®, ScienceDirect ®, Springer ®, Web Of

Knowledge ®, Scopus ®, ProQuest ®….) buscando por las palabras clave de

cada uno de los conceptos o constructos mencionados.

7.1 MODELO DE MEDICIÓN DE “EFECTO DE LA EMPRESA”

Los autores Kayo y Kimura (2011) en su trabajo estudian el efecto entre otros

de la empresa en su estructura de capital. Para dicho estudio toman como

variables independientes para medir el constructo “Firm-level” las siguientes:

Variable Definición

Oportunidades de

crecimiento

(𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 − 𝑑𝑒𝑢𝑑𝑎 𝑓𝑖𝑛𝑎𝑛𝑐𝑖𝑒𝑟𝑎 + 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑟𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠)

𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠

Rentabilidad 𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠


Distancia a la

bancarrota

(modelo de

Altman)

3,3 (𝐸𝐵𝐼𝑇

𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠) + 1,0 (

𝑉𝑒𝑛𝑡𝑎𝑠


𝐵º 𝑅𝑒𝑡𝑒𝑛𝑖𝑑𝑜


𝐹𝑜𝑛𝑑𝑜 𝑚𝑎𝑛𝑖𝑜𝑏𝑟𝑎

𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠)

Tamaño log(𝑉𝑒𝑛𝑡𝑎𝑠)

Tangilibidad 𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠


Fuente: (Kayo & Kimura, 2011)

Tabla 8 Variables de medición del efecto de la empresa de Kayo y Kimura (2011)



Estos mismos autores utilizan las teorías de coste de oportunidad (trade-off

theory), agencia y jerarquía de preferencias de financiación (pecking order

theory) para dar soporte teórico a dichos indicadores como representantes de

los efectos de la empresa.

Muradoglu y Sivaprasad (2012) estudian en su trabajo sobre la relación de la

estructura de capital y el desempeño/rendimiento de la empresa, y el papel que

juega la industria en la misma, utilizan para operacionalizar el efecto de la

empresa la siguiente variable referenciada en la tabla 9:


Tamaño de la

empresa 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎

Fuente: (Muradoglu & Sivaprasad, 2012)

Tabla 9 Variables de medición del efecto de la empresa de Muradoglu y Sivaprasad (2012)

Los autores King y Santor (2008) analizan en su trabajo el efecto de la

estructura de propiedad en el rendimiento/desempeño de la empresa, así como

sobre su estructura de capital. La muestra seleccionada para el estudio

comprende 613 empresas Canadienses con datos entre los años 1998 y 2005.

Plantean también el efecto que las características de la firma tienen sobre

estas relaciones. Las variables utilizadas en este factor son las de la tabla 10:


Tamaño de la

empresa 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎

Crecimiento de

las ventas

(𝑉𝑒𝑛𝑡𝑎𝑠)𝑡 − (𝑉𝑒𝑛𝑡𝑎𝑠)𝑡−1(𝑉𝑒𝑛𝑡𝑎𝑠)𝑡−1

Índice Q de Tobin

de la industria 𝑄 𝑑𝑒 𝑇𝑜𝑏𝑖𝑛)𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎

Edad 𝐴ñ𝑜 𝑎𝑐𝑡𝑢𝑎𝑙 − 𝐴ñ𝑜 𝑓𝑢𝑛𝑑𝑎𝑐𝑖ó𝑛

Pertenencia al

índice TSE300 {1 𝑠𝑖0 𝑛𝑜

Fuente: (King & Santor, 2008)

Tabla 10 Variables de medición del efecto de la empresa de King y Santor (2008)



Los investigadores Margaritis y Psillaki (2010) en su artículo presentan la

relación entre la estructura de capital, el rendimiento/desempeño de la empresa

y la estructura de propiedad. Utilizan una muestra de empresas de tres

sectores (Químico, informático e I+D, textil), todas ellas francesas y entre los

años 2002-2005. En el estudio de dicha relación incluyen variables para

evaluar el efecto de la empresa en dicha relación, estas variables son las de la

tabla 11:


Rentabilidad 𝐸𝐵𝐼𝑇


Tamaño log (𝑉𝑒𝑛𝑡𝑎𝑠)

Estructura de

activos

𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑖𝑒𝑛𝑡𝑒𝑠 𝑡𝑎𝑛𝑔𝑖𝑏𝑙𝑒𝑠


𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑖𝑛𝑡𝑎𝑛𝑔𝑖𝑏𝑙𝑒𝑠

𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠

Oportunidades de

crecimiento


Estructura de

propiedad

𝐴𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑟𝑜𝑝𝑖𝑒𝑡𝑎𝑟𝑖𝑜𝑖𝐴𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠 𝑒𝑚𝑝𝑟𝑒𝑠𝑎

Tipo de

propiedad {𝐹𝑎𝑚𝑖𝑙𝑖𝑎𝑟 𝐼𝑛𝑠𝑡𝑖𝑡𝑢𝑐𝑖ó𝑛 𝑓𝑖𝑛𝑎𝑛𝑐𝑖𝑒𝑟𝑎𝑂𝑡𝑟𝑜𝑠 𝑡𝑖𝑝𝑜𝑠

Fuente: (Margaritis & Psillaki, 2010)

Tabla 11 Variables de medición del efecto de la empresa de Margaritis y Psillaki (2010)

Campello (2006) en su análisis sobre el efecto de la deuda sobre el

desempeño/rendimiento de las empresas utiliza una variable de control

relacionada con las características de la empresa. Mediante esta variable

pretende incluir el efecto de la empresa en la relación causal. Dicha variable es:


Tamaño de la

empresa 𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠

Fuente: (Campello, 2006)

Tabla 12 Variables de medición del efecto de la empresa de Campello (2006)



Los autores Caloghirou, et al. (2004) en su trabajo evalúan la relación entre la

industria, así como las características propias de la empresa en su

rendimiento/desempeño. Para ello utilizan una muestra de 1800 empresas

pertenecientes a diversos sectores productivos. Entre los resultados que han

obtenido falsan la relación positiva entre los efectos de empresa y de la

industria sobre el rendimiento/desempeño de las empresas. Siendo más

representativo para la muestra estudiada el efecto de la empresa que el de la

industria. Esta relación es válida tanto en PYMEs como en empresas de mayor

tamaño. Estos autores utilizan la visión tradicional de la Organización Industrial

para analizar esta relación, dicha óptica se basa en factores como por ejemplo

la concentración de la industria, las barreras de entrada, el ciclo de vida de la

industria. Bajo esta visión y haciendo uso de la cláusula ceteris paribus, es

decir, aislando el resto de efectos, y asumiendo que sólo este tiene variación, el

rendimiento/desempeño de las empresas estaría marcado por el atractivo y la

estructura de la industria.

Para operacionalizar el constructo denominado efecto de empresa, utilizan una

serie de variables que a continuación se relacionan en la tabla 13:

Activos de la empresa


Marketing

𝑅𝑒𝑝𝑢𝑡𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑐𝑎𝑙𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜/𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜

𝐼𝑚𝑎𝑔𝑒𝑛 𝑑𝑒 𝑚𝑎𝑟𝑐𝑎

𝑂𝑟𝑔𝑎𝑛𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑑𝑒𝑝𝑎𝑟𝑡𝑎𝑚𝑒𝑛𝑡𝑜 𝑑𝑒 𝑚𝑎𝑟𝑘𝑒𝑡𝑖𝑛𝑔

Producción

𝑀𝑒𝑗𝑜𝑟𝑎 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑝𝑟𝑜𝑐𝑒𝑠𝑜𝑠

𝑀𝑒𝑗𝑜𝑟𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑒𝑞𝑢𝑖𝑝𝑜𝑠 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑖𝑣𝑜𝑠

𝐺𝑟𝑎𝑑𝑜 𝑑𝑒 𝑎𝑢𝑡𝑜𝑚𝑎𝑡𝑖𝑧𝑎𝑐𝑖ó𝑛, 𝑜𝑟𝑔𝑎𝑛𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑦 𝑐𝑜𝑜𝑟𝑑𝑖𝑛𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑟𝑜𝑑.

Tecnología

𝐷𝑒𝑝𝑎𝑟𝑡𝑎𝑚𝑒𝑛𝑡𝑜 𝑒𝑓𝑖𝑐𝑎𝑧 𝑑𝑒 𝐼 + 𝐷

𝐶𝑜𝑜𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛 𝑐𝑜𝑛 𝑢𝑛𝑖𝑣𝑒𝑟𝑠𝑖𝑑𝑎𝑑𝑒𝑠/𝑖𝑛𝑠𝑡𝑖𝑡𝑢𝑡𝑜𝑠 𝑑𝑒 𝑖𝑛𝑣𝑒𝑠𝑡𝑖𝑔𝑎𝑐𝑖ó𝑛

𝑇𝑟𝑎𝑛𝑠𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑡𝑒𝑐𝑛𝑜𝑙𝑜𝑔í𝑎

Finanzas

𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑒𝑛𝑑𝑒𝑢𝑑𝑎𝑚𝑖𝑒𝑛𝑡𝑜

𝐺𝑒𝑠𝑡𝑖ó𝑛 𝑒𝑓𝑖𝑐𝑎𝑟 𝑑𝑒𝑙 𝑒𝑓𝑒𝑐𝑡𝑖𝑣𝑜

𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑟𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠 𝑝𝑎𝑟𝑎 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟 𝑛𝑢𝑒𝑣𝑎𝑠 𝑖𝑛𝑣𝑒𝑟𝑠𝑖𝑜𝑛𝑒𝑠



Capacidades dinámicas


Coordinación/

integración

𝐼𝑛𝑡𝑒𝑔𝑟𝑎𝑐𝑖ó𝑛 𝑦 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑟𝑜𝑐𝑒𝑠𝑜𝑠

𝐼𝑛𝑐𝑜𝑟𝑝𝑜𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎𝑠 ú𝑙𝑡𝑖𝑚𝑎𝑠 ℎ𝑒𝑟𝑟𝑎𝑚𝑖𝑒𝑛𝑡𝑎𝑠 𝑦 𝑡é𝑐𝑛𝑖𝑐𝑎𝑠 𝑑𝑒 𝑔𝑒𝑠𝑡𝑖ó𝑛

𝐼𝑚𝑝𝑙𝑒𝑚𝑒𝑛𝑡𝑎𝑐𝑖ó𝑛 𝑠𝑖𝑠𝑡𝑒𝑚á𝑡𝑖𝑐𝑎 𝑑𝑒𝑙 𝑝𝑙𝑎𝑛 𝑑𝑒 𝑛𝑒𝑔𝑜𝑐𝑖𝑜

Aprendizaje

𝑇𝑟𝑎𝑏𝑎𝑗𝑜 𝑒𝑛 𝑒𝑞𝑢𝑖𝑝𝑜

𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑟 "𝑜𝑛 − 𝑡ℎ𝑒 − 𝑗𝑜𝑏 − 𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔"

𝑀𝑜𝑛𝑖𝑡𝑜𝑟𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑒𝑛𝑡𝑜𝑟𝑛𝑜

𝐼𝑛𝑡𝑒𝑟𝑐𝑎𝑚𝑏𝑖𝑜 𝑑𝑒 𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑐𝑖ó𝑛 𝑐𝑜𝑛 𝑙𝑜𝑠 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑦 𝑠𝑢𝑚𝑖𝑛𝑖𝑠𝑡𝑟𝑎𝑑𝑜𝑟𝑒𝑠

Transformación

𝐶𝑎𝑚𝑏𝑖𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑎 𝑑𝑒 𝑎𝑐𝑡𝑖𝑣𝑜𝑠

𝐴𝑑𝑎𝑝𝑡𝑎𝑐𝑖ó𝑛 𝑎 𝑙𝑜𝑠 𝑐𝑎𝑚𝑏𝑖𝑜𝑠 𝑑𝑒 𝑙𝑎𝑠 𝑛𝑒𝑐𝑒𝑠𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠

𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎 𝑎 𝑙𝑜𝑠 𝑚𝑜𝑣𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑜𝑚𝑝𝑒𝑡𝑖𝑑𝑜𝑟𝑒𝑠

Fuente: (Caloghirou, et al., 2004)

Tabla 13 Variables de medición del efecto de la empresa de Caloghirou, et al. (2004)

Munisi y Randoy (2013) estudian la relación entre el gobierno corporativo y el

rendimiento/desempeño de las empresas. La muestra de su estudio utiliza 434

empresas correspondientes a 10 países subsaharianos, entre los años 2005 y

2009. Proponen que empresas de gran tamaño tienen un mejor

rendimiento/desempeño por optar a las economías de escala, aunque hay que

eliminar el efecto negativo que les confiere las estructuras más pesadas.

Utilizan como variables de control para caracterizar el factor empresa las

mostradas en la tabla 14:


Tamaño de la

empresa log(𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠)

Apalancamiento

financiero

(leverage)

𝑉𝑎𝑙𝑜𝑟 𝑒𝑛 𝑙𝑖𝑏𝑟𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑑𝑒𝑢𝑑𝑎 𝑡𝑜𝑡𝑎𝑙

𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎

Rentabilidad 𝑄 𝑑𝑒 𝑇𝑜𝑏𝑖𝑛

Crecimiento de

las ventas


Fuente: (Munisi & Randoy, 2013)

Tabla 14 Variables de medición del efecto de la empresa de Munisi y Randoy (2013)



Los autores Morgan, et al. (2009) estudian el efecto de la posesión de las

capacidades de orientación al mercado y marketing de las organizaciones

afectan a su rendimiento. Para ello utilizan una muestra de 231 empresas

estadounidenses de varios sectores. Para categorizar y como variables de

control de la heterogeneidad de las empresas y de las industrias utilizan las

siguientes mostradas enla tabla 15:


Intensidad de la

competencia 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑜𝑚𝑝𝑒𝑡𝑖𝑑𝑜𝑟𝑒𝑠)𝑡

Sector de

pertenencia {𝑃𝑟𝑖𝑚𝑎𝑟𝑖𝑜 𝑆𝑒𝑐𝑢𝑛𝑑𝑎𝑟𝑖𝑜𝑇𝑒𝑟𝑐𝑖𝑎𝑟𝑖𝑜

Tamaño de la

empresa 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠)𝑡

Disponibilidad de

liquidez 𝐹𝑙𝑢𝑗𝑜𝑠 𝑑𝑒 𝑐𝑎𝑗𝑎 𝑑𝑒𝑙 𝑏𝑎𝑙𝑎𝑛𝑐𝑒)𝑡

Fuente: (Morgan, et al., 2009)

Tabla 15 Variables de medición del efecto de la empresa de Morgan, et al. (2009)

Los autores Madrid-Guijarro, et al. (2011) en su trabajo sobre la desaceleración

de las empresas españolas proponen una serie de variables de control que

podrían ser aplicables a esta tesis doctoral. Dichas variables son las mostradas

en la tabla 16:


Tamaño 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠)𝑡

Crecimiento 𝑉𝑒𝑛𝑡𝑎𝑠𝑡 − 𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1

𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1

Edad 𝐴ñ𝑜 𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑎ñ𝑜 𝑑𝑒 𝑓𝑢𝑛𝑑𝑎𝑐𝑖ó𝑛

Fuente: (Madrid-Guijarro, et al., 2011)

Tabla 16 Variables de medición del efecto de la empresa de Madrid-Guijarro, et al. (2011)

Wang, et al. (2013) en su artículo que estudia la relación causal entre la

medición del funcionamiento de la empresa y su rendimiento proponen como

variables de control las relacionadas en la tabla 17:





ROS (Return on

sales)

𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜


PER (Price-to-

earning ratio)

𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑝𝑜𝑟 𝑎𝑐𝑐𝑖ó𝑛

𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜𝑠 𝑝𝑜𝑟 𝑎𝑐𝑐𝑖ó𝑛

Fuente: (Wang, et al., 2013)

Tabla 17 Variables de medición el efecto de la empresa de Wang, et al. (2013)

Los autores Liargovas y Skandalis (2010) han determinado la existencia de una

serie de factores no financieros que afectan el rendimiento de las empresas.

Dichos factores en el modelo de esta tesis doctoral corresponden a variables

de control. A continuación se detallan los mismos en la tabla18:



Edad 𝐴ñ𝑜 𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑎ñ𝑜 𝑑𝑒 𝑓𝑢𝑛𝑑𝑎𝑐𝑖ó𝑛

Localización 𝐴𝑟𝑒𝑎 𝑔𝑒𝑜𝑔𝑟á𝑓𝑖𝑐𝑎

Exportaciones 𝑉𝑜𝑙𝑢𝑚𝑒𝑛 𝑒𝑥𝑝𝑜𝑟𝑡𝑎𝑑𝑜)𝑡

Fuente: (Liargovas & Skandalis, 2010)

Tabla 18 Variables de medición del efecto de la empresa de Liargovas y Skandalis (2010)

Los investigadores Delen, el al. (2013) en su trabajo mencionan el efecto del

tamaño de la empresa en el desempeño y/o funcionamiento de la empresa.

Para caracterizarla utilizan la variable que se muestra en la tabla 19



Fuente: (Delen, et al., 2013)

Tabla 19 Variables de medición del efecto de la empresa de Delen, et al. (2013)

Mallick y Yang (2011) utilizan el tamaño de la empresa como variable de

control para su estudio de la influencia de la estructura de capital de la empresa

en su desempeño. La variable utilizada se muestra en la tabla 20:





Fuente: (Mallick & Yang, 2011)

Tabla 20 Variable de medición del efecto de la empresa de Mallick y Yang (2011)

Los autores Krishnan y Moyer (1997) en su trabajo sobre la relación entre la

estructura de capital y el desempeño/rendimiento de la empresa y la influencia

del país sobre la misma, han planteado el efecto que tienen las características

de la empresa sobre su rendimeinto/desempeño. En particular utilizan las

siguientes variables, relacionadas en la tabla 21:


Crecimiento 𝑉𝑒𝑛𝑡𝑎𝑠𝑡 − 𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1

𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1

Tamaño log (𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠)

Fuente: (Krishnan & Moyer, 1997)

Tabla 21 Variables de medición del efecto de la empresa de Krishnan y Moyer (1997)

Los autores Goddard, et al. (2009) estudian el efecto que tienen los efectos del

país, industria, grupo de pertenencia y de la empresa sobre el

rendimiento/desempeño de la empresa. Las muestras que utilizan

corresponden a empresas de 11 países de la Unión Europea, una de 13827

empresas y la otra de 7211. De todos estos efectos el más significativo para

esta muestra es el efecto de la empresa sobre su rendimiento/desempeño.

Para analizar este efecto utilizan el enfoque basado en los recursos (Resource-

Based View o RBV). Bajo esta óptica la empresa en función de los recursos y

capacidades, así como la gestión que haga de las mismas influye sobre el

rendimiento/desempeño de la misma.

El investigador Arend (2009) estudia los efectos de la industria y de las

características de empresa sobre su rendimiento/desempeño. Emplea una

muestra de 16918 empresas pertenecientes a 396 industrias entre los años

1998 y 2000. Para la muestra utilizada ha falsado que el efecto de las

características de la empresa tiene una mayor significación que el de la

industria, sobre el rendimiento/desempeño de las empresas. Aunque propone



que es estudio de ambos efectos debe ser llevado a cabo de manera conjunta

el existir sinergias entre ambos. Es decir el efecto total no es la suma del efecto

aislado de cada uno de ellos. La revisión bibliográfica que ha realizado el autor

se ha basado fundamentalmente en la óptica basada en recursos y

capacidades (Resource-Based View ó RBV). La ventaja competitiva y el mejor

rendimiento/desempeño están influenciados por los recursos y capacidades

que posee la empresa, así como la gestión que realiza de los mismos.

Los autores Claver, et al. (2002) en su trabajo analizan el efecto de la empresa

y de la industria sobre el rendimiento/desempeño de la empresa. Dicho

rendimiento hace referencia a la rentabilidad. Utilizan una muestra de 679

empresas españolas pertenecientes a 100 industrias diferentes, entre los años

1994-1998. El resultado han obtenido falsa que para la muestra utilizada

ambos efectos (empresa e industria) afectan al rendimiento/desempeño de la

empresa, si bien es más significativo es de la empresa. Estos autores también

se apoyan en la corriente de la teoría de recursos y capacidades (Resource-

Based View o RBV) de las empresas para argumentar teóricamente las

relaciones que falsan en su trabajo. Si varias empresas operan en la misma

industria y en el mismo país, y aun así el rendimiento/desempeño que obtienen

difiere, es debido a factores relacionados con la propia empresa (Posesión y

gestión de los recursos y capacidades).

Hawawini, et al. (2004) en su trabajo analizan el efecto de empresa, industria,

país, industria-país, año, país-año e industria año, sobre el

rendimiento/desempeño de la empresa. Utilizan una muestra de 1314

empresas correspondientes a 6 países de varios sectores industriales entre los

años 1993-1996. Los resultados que han obtenido indican que la importancia

del efecto del país sobre el rendimiento/desempeño es baja, siendo en cambio

el efecto de la empresa el que más influencia tiene; y por último en orden de

importancia estaría el efecto de la industria. Adicionalmente también han

obtenido como resultado que los efectos de la industria están cobrando cada

vez más importancia en detrimento de los efectos del país sobre el



rendimiento/desempeño de las empresas. Utilizan como fundamento teórico

para argumentar la relación existente entre el efecto de la industria y el

rendimiento/desempeño de las empresas las teorías de la Organización

Industrial, relacionadas con el atractivo de la industria como planteó Michael

Porter (1980) a través del modelo de las cinco fuerzas.

Eriksen y Knudsen (2003) en su artículo analizan la relación existente entre el

efecto de la industria y el rendimiento/desempeño de la empresa a través de su

rentabilidad. La muestra que utilizan para su trabajo está formada por 9809

PYMEs danesas. La principal aportación de este trabajo es la falsación de la

hipótesis de que la interacción entre la empresa y la industria afectan al

rendimiento/desempeño financiero de la empresa.

En base a la revisión bibliográfica realizada, a las entrevistas realizadas con

personal académico y profesional del sector aeroespacial tanto en India como

en España se van a incluir en el modelo como variables descriptivas de la

empresa las mostradas en la figura 73:

Efecto de la

empresa

X1 = Company age

X2 = Company size

X3 =Value chan position

X4 =Infra.&Resour. Intsty.


Figura 73 Variables de medición del efecto de la empresa del modelo



La operacionalización de cada una de ellas es la siguiente:

𝑋1 = 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑎𝑔𝑒 = 2013 − 𝐴ñ𝑜 𝑑𝑒 𝑓𝑢𝑛𝑑𝑎𝑐𝑖ó𝑛

𝑋2 = 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑠𝑖𝑧𝑒 = 𝑉𝑒𝑛𝑡𝑎𝑠𝑡

𝐹𝑎𝑐𝑡𝑢𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎 𝑎𝑒𝑟𝑜𝑒𝑠𝑝𝑎𝑐𝑖𝑎𝑙𝑡

𝑋3 = 𝑉𝑎𝑙𝑢𝑒 𝑐ℎ𝑎𝑖𝑛 𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛

{

1 = 𝐼𝑛𝑔𝑒𝑛𝑖𝑒𝑟í𝑎

2 = 𝑀𝐴𝐼𝑇 (𝑀𝑎𝑛𝑢𝑓𝑎𝑐𝑡𝑢𝑟𝑖𝑛𝑔, 𝐴𝑠𝑠𝑒𝑚𝑏𝑙𝑦, 𝑇𝑒𝑠𝑡 & 𝐼𝑛𝑡𝑒𝑔𝑟𝑎𝑡𝑖𝑜𝑛) 3 = 𝑆𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠 4 = 𝑀𝑅𝑂 5 = 𝐼𝑛𝑔𝑒𝑛𝑖𝑒𝑟í𝑎 + 𝑀𝐴𝐼𝑇 + 𝑆𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠

6 = 𝐼𝑛𝑔𝑒𝑛𝑖𝑒𝑟í𝑎 + 𝑀𝐴𝐼𝑇 + 𝑆𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠 + 𝑀𝑅𝑂

𝑋4 = 𝐼𝑛𝑓𝑟𝑎𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑒 𝑎𝑛𝑑 𝑟𝑒𝑠𝑜𝑢𝑟𝑐𝑒 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦 =𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠𝑡

𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠𝑡

No se va a tener en cuenta el número de empleados, puesto que esta variable

no es adecuada para el caso de India y España, al ser India un país intensivo

en mano de obra frente a España (más automatizado).

Asimismo se introduce una variable que no aparece en la literatura revisada

pero que para el estudio que se realiza es especialmente útil y relevante. Dicha

variable es la posición en la cadena de valor. Esta variable en principio puede

condicionar la estructura de liquidez, de activos, rendimiento…en función de los

eslabones de la cadena de valor al que pertenezcan las empresas. Va a

permitir hacer un estudio transversal y longitudinal por eslabón. Añade valor al

enfoque de esta tesis doctoral.

7.2 MODELO DE MEDICIÓN DE “ESTRUCTURA DE ACTIVOS”

Para analizar los estados financieros de las compañías pueden utilizarse

diferentes herramientas y métodos, aunque el más utilizado es el análisis

mediante KPIs (Key Performance Indicators) ó también conocidos como

Indicadores clave de funcionamiento.

Los autores Shue, et al. (2009) ponen de manifiesto en su artículo que existen

tres métodos para analizar los estados financieros: el análisis comparativo de

los estados financieros, el análisis de estados financieros del mismo tamaño y

el análisis de ratios. El primer método (análisis comparativo de los estados



financieros) hace una comparación de la magnitud del cambio y de la tendencia

de cada categoría individual. El segundo método (análisis de estados

financieros del mismo tamaño) trata de examinar la estructura interna de los

estados financieros analizando la proporción que representa un determinado

elemento con respecto a un grupo o subgrupo dentro de los estados

financieros. Tiene su objetivo puesto en determinar las fuentes de financiación,

así como la composición de las inversiones. El tercer método es el más

extendido y se basa en expresar relaciones entre varias magnitudes de los

estados financieros.

Los estados financieros están compuestos por diferentes documentos con

diferentes objetivos:

Balance de situación (Balance sheet) – Indica el valor de la empresa en

libros, en un momento puntal, presentando para ello la composición de

activos, pasivos y recursos propios

La Cuenta de Pérdidas y Ganancias (Income statement) – Indica los

ingresos de las ventas de los productos y servicios; así como los gastos

asociados. Por lo tanto muestra el beneficio que se obtiene de los

ingresos.

Cash Flow statement – Registra los costes e ingresos de las

transacciones.

El autor Arinovic-Barac (2011) en su artículo habla de la importancia de tomar

como fuentes de información los estados financieros de las empresas,

esgrimiendo como principales ventajas que están estandarizados, son

comparables, es una fuente oficial, son de acceso público y gratuito.

El análisis de los estados financieros permite investigar la situación pasada,

actual y futura de las empresas desde una óptica financiera, de utilización del

capital o de los ingresos de las mismas. Además es una de los métodos más

utilizados para el análisis de las empresas.



Hofmann y Lampe (2013) en su estudio sobre la influencia de los estados

financieros de los proveedores de servicios logísticos en su funcionamiento,

utilizan como variables para operacionalizar el constructo “Estructura de

activos” las mostradas en la tabla 22:


Intensidad de las

inversiones

𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠


Intensidad de

activos 1


𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠

Intensidad de

activos 2



Intensidad

continua



Tasa de rotación

de activos

𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛


Tasa de rotación

de activos

corrientes



Fuente: (Hofmann & Lampe, 2013)

Tabla 22 Variables de medición de la estructura de activos de Hofmann y Lampe (2013)

Los autores De Angelo, et al. (2002) han estudiado las estrategias seguidas por

una firma que en menos de diez años perdió todo su valor en Estados Unidos.

Uno de los aspectos de la empresa en los que se centra dicho estudio es la

estructura de liquidez y los indicadores que utilizan para su evaluación son los

mostrados en la tabla 23.




Efectivo sobre

activos totales

𝐶𝑎𝑗𝑎


Activos corrientes

sobre activos

totales



Capital circulante

sobre activos

netos

𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑐𝑖𝑟𝑐𝑢𝑙𝑎𝑛𝑡𝑒

𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑒𝑡𝑜𝑠

Fuente: (DeAngelo, et al., 2002)

Tabla 23 Variables de medición de la estructura de activos de DeAngelo, et al. (2002)

Los investigadores Norden y van Kampen (2013) en su trabajo analizar la

influencia de la estructura de activos en el apalancamiento de la empresa. En

su investigación identifican de entre todos los activos los relacionados con la

planta, la propiedad y los equipos como los más relevantes. Los índices que

utilizan en su estudio son los recogidos en la tabla 24.


Activos netos

PPE (Planta,

propiedad y

equipos)

𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑒𝑡𝑜𝑠 𝑃𝑃𝐸 (𝑃𝑙𝑎𝑛𝑡𝑎, 𝑝𝑟𝑜𝑝𝑖𝑒𝑑𝑎𝑑, 𝑒𝑞𝑢𝑖𝑝𝑜𝑠)

Activos brutos

PPE (Planta,

propiedad y

equipos)

𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑏𝑟𝑢𝑡𝑜𝑠 𝑃𝑃𝐸 (𝑃𝑙𝑎𝑛𝑡𝑎, 𝑝𝑟𝑜𝑝𝑖𝑒𝑑𝑎𝑑, 𝑒𝑞𝑢𝑖𝑝𝑜𝑠)

Nivel de

inventarios 𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠

Cuentas por

cobrar 𝐶𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟

Caja 𝐶𝑎𝑗𝑎

Fuente: (Norden & van Kampen, 2013)

Tabla 24 Variables de medición de la estructura de activos de Norden y van Kampen (2013)



Los autores Glantz y Mun (2011) en su libro proponen una serie de indicadores

para evaluar la estructura de activos de las empreas. Los cuaelless se

referencian en la tabla 25


Periodo promedio

de cobranza

𝐶𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟


Deuda alto riesgo

sobre ventas

𝐷𝑒𝑢𝑑𝑎 𝑑𝑒 𝑎𝑙𝑡𝑜 𝑟𝑖𝑒𝑠𝑔𝑜


Rotacion de

inventarios

𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠

𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜=


𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜

Rotación de

activos no

corrientes


𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑒𝑡𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠

Rotacion del

capital circulante



Rotación de

activos



Periodo medio de

pago

𝐶𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑝𝑎𝑔𝑎𝑟

𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑜𝑚𝑝𝑟𝑎𝑠 𝑑𝑖𝑎𝑟𝑖𝑎𝑠

Fuente: (Glantz & Mun, 2011)

Tabla 25 Variables de medición de la estructura de activos de Glantz y Mun (2011)

Los investigadores Etter, et al. (2006) en su artículo analizan la influencia de las

diferencias que existen en los principios contables, sobre los indicadores

financieros, en Estados Unidos y siete países de lationamérica, cubriendo el

periodo de 1987 a 1998.Los cuales se referencian en la tabla 26




Rotación de

activos

𝑉𝑒𝑛𝑡𝑎𝑠 𝑛𝑒𝑡𝑎𝑠

𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙

Rotación de

inventarios


𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜 𝑚𝑒𝑑𝑖𝑜

Rotación de

cuentas por

cobrar


𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟

Fuente: (Etter, et al., 2006)

Tabla 26 Variables de medición de la estructura de activos de Etter, et al. (2006)

Longinidis y Georgiadis (2011) en su trabajo proponen y aplican un modelo de

toma de decisiones en la cadena de suministro en condiciones de

incertidumbre de la demanda, que incorpora la incluencia financiera (estructura

de capital, estructura de liquidez, estructura de activos, rentabilidad). Para su

estudio utilizan el caso de una empresa del sector alimenticio y de los

productos para el cuidado personal y del hogar británica que tiene que cubrir la

demanda de un año, con plantas localizadas en diferentes países europeos.

Los indicadores que utilizan para evaluar la estructura de activos, en la tabla 27


Indice de rotación

de activos no

corrientes


𝐴𝑐𝑡𝑖𝑣𝑜 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒)𝑡

Indice de rotación

de cuentas por

cobrar


𝐶𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟)𝑡

Fuente: (Longinidis & Georgiadis, 2011)

Tabla 27 Variables de medición de la estructura de activos de Longinidis y Georgiadis (2011)



Kopaneli (2014) en analiza comparativamente el sector turístico de Grecia.

Utilizia una muestra que comprende los hoteles de cuatro y cinco estrellas de

Patras y Atenas. Su objetivo es determinar que ratios financieros son más útiles

para la gestión de las empresas de la muestra. Los indicadores que utiliza para

evaluar la estructura de activos, son los que se muestran en la tabla 28


Rotación de

inventarios



Rotación de

activos totales



Rotación de

activos no

corrientes



Periodo promedio

de recoleccion

365

𝑅𝑜𝑡𝑎𝑐𝑖𝑜𝑛 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟

Rotación de

cuentas por

cobrar



Periodo promedio

de pago

𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑝𝑎𝑔𝑎𝑟

𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑜𝑚𝑝𝑟𝑎𝑠 𝑑𝑖𝑎𝑟𝑖𝑎𝑠

Fuente: (Kopaneli, 2014)

Tabla 28 Variables de medición de la estructura de activos de Kopaneli (2014)

Chandra (2013) en su libro propone una serie de ratios financieros para evaluar

la estructura de activos y su gestión en una empresa. Dichos indicadores son

los que se muestran a continuación en la tabla 29:




Rotación de

inventarios



Rotación de

cuentas por

cobrar

𝑉𝑒𝑛𝑡𝑎𝑠 𝑛𝑒𝑡𝑎𝑠 𝑎 𝑐𝑟é𝑑𝑖𝑡𝑜


Periodo promedio

de recolección

365

𝑅𝑜𝑡𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟

Rotación de

activos totales



Rotación de

activos no

corrientes



Fuente: (Chandra, 2013)

Tabla 29 Variables de medición de la estructura de activos de Kopaneli (2014)

Atendiendo a la revisión bibliográfica realizada, así como las entrevistas con

profesionales del sector académico y profesional, se toman como variables

para operacionalizar el factor de “Estructura de Activos” las mostradas en la

figura 74:

Estructura de

activos

X5 = Asset intensity

X6 = Asset turnover rate

X7 = Current assets turnover rate


Figura 74 Variables de medición de la estructura de activos del modelo



La operacionalización de dichas varias es la siguiente:

𝑋5 = 𝐴𝑠𝑠𝑒𝑡 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦 =𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑖𝑒𝑛𝑡𝑒𝑠

𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠)𝑡

𝑋6 = 𝐴𝑠𝑠𝑒𝑡 𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟 𝑟𝑎𝑡𝑒 =𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛

𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠)𝑡

𝑋7 = 𝐶𝑢𝑟𝑟𝑒𝑛𝑡𝑠 𝑎𝑠𝑠𝑒𝑡 𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟 𝑟𝑎𝑡𝑒 =𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛


7.3 MODELO DE MEDICIÓN DE “ESTRUCTURA DE CAPITAL”

Los autores Hofmann y Lampe (2013) en su estudio sobre la influencia de los

estados financieros de los proveedores de servicios logísticos en su

funcionamiento, utilizan como variables para operacionalizar el constructo

“Estructura de capital” las mostradas en la tabla 30:


Debt-To-Equity 𝐷𝑒𝑢𝑑𝑎


Recursos propios 𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠

𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑡𝑜𝑡𝑎𝑙

Ratio de

endeudamiento

𝐷𝑒𝑢𝑑𝑎

𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑡𝑜𝑡𝑎𝑙


Tabla 30 Variables de medición de la estructura de capital de Hofmann y Lampe (2013)

Kayo y Kimura (2011) analizan el efecto que tiene la empresa, la industria y el

país en la estructura de capital de la empresa. Proponen como variables para

evaluar la estructura de capital las relacionadas en la tabla 31:




Apalancamiento

respecto al

mercado

𝐷𝑒𝑢𝑑𝑎 𝑎 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜

𝑉𝑎𝑙𝑜𝑟 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎

Apalancamiento

respecto a libros

𝐷𝑒𝑢𝑑𝑎 𝑎 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜

𝑉𝑎𝑙𝑜𝑟 𝑡𝑜𝑡𝑎𝑙 𝑒𝑛 𝑙𝑖𝑏𝑟𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎


Tabla 31 Variables de medición de la estructura de capital de Kayo y Kimura (2011)

El autor Pao (2008) estudia la estructura de capital de una muestra de

empresas tecnológicas en Taiwán entre los años 2000 y 2005. Dicho estudio

tiene como objetivo analizar los factores que afectan a dicha estructura de

capital, además de la propia estructura de capital. Toma como única variable

para explicar la estructura de capital la de la tabla 32:


Apalancamiento

respecto libros

𝐷𝑒𝑢𝑑𝑎 𝑎𝑙 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑙𝑖𝑏𝑟𝑜𝑠

𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠 𝑎𝑙 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑙𝑖𝑏𝑟𝑜𝑠

Fuente: (Pao, 2008)

Tabla 32 Variables de medición de la estructura de capital de Pao (2008)

Los autores Fenandes y Pires-Capobianco (2001) en su estudio analizan la

relación entre la estructura financiera de una aerolínea y el

desempeño/rendimiento de la misma. Para operacionalizar la estructura de

capital, utilizan la variable de la tabla 33:


Apalancamiento

financiero


𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠𝑥𝐸𝐵𝑇

𝐸𝐵𝐼𝑇

Fuente: (Fernandes & Pires-Capobianco, 2001)

Tabla 33 Variables de medición de la estructura de capital de Fernandes y Pires-Capobianco

(2001)



Guzhva y Pagiavlas (2003) en su trabajo examinan la relación existente entre la

estructura de capital y el rendimiento/desempeño de las aerolíneas

estadounidenses. Para operacionalizar el factor de estructura de capital utilizan

las siguientes variables relacionadas en la tabla 34:


Razón de

endeudamiento

total

𝑃𝑎𝑠𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙


Razón de

endeudamiento a

corto plazo

𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒


Razón de

endeudamiento a

largo plazo

𝑃𝑎𝑠𝑖𝑣𝑜 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒


Fuente: (Guzhva & Pagiavlas, 2003)

Tabla 34 Variables de medición de la estructura de capital de Guzhva y Pagiavlas (2003)

King y Santor (2008) en su estudio evalúan la relación existente entre la

estructura de propiedad y el rendimiento/desempeño de la empresa, así como

sobre su estructura de capital. La muestra utilizada para dicho análisis está

formada por 613 empresas Canadienses cuyos datos corresponden al periodo

1998-2005. Para evaluar el factor de estructura de capital de la empresa

utilizan las variables de la tabla 35:


Razón de

endeudamiento a

corto plazo



Razón de

endeudamiento a

largo plazo

𝑃𝑎𝑠𝑖𝑣𝑜 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒



Tabla 35 Variables de medición de la estructura de capital de King y Santor (2008)



Los autores Gleason, et al. (2000) evalúan la relación existente entre la

estructura de capital y el rendimiento/desempeño de la empresa, influenciado

por el efecto cultural del país, para una muestra de 14 empresas europeas del

sector de la distribución, utilizan como variables para operacionalizar el

constructo estructura de capital la de la tabla 36:


Apalancamiento 𝐷𝑒𝑢𝑑𝑎


Fuente: (Gleason, et al., 2000)

Tabla 36 Variables de medición de la estructura de capital de Gleason, et al. (2000)

Bhagat y Boltron (2008) en su estudio analizan la relación entre el gobierno

corporativo y el rendimiento/desempeño de las empresas. Para operacionalizar

el factor de gobierno corporativo, utilizan entre otros la estructura de capital, el

cual a su vez miden mediante la variable de la tabla 37:


Apalancamiento 𝐷𝑒𝑢𝑑𝑎 𝑎 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜 + 𝑝𝑜𝑟𝑐𝑖𝑜𝑛 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑑𝑒𝑢𝑑𝑎 𝑎 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜

𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙)𝑡

Fuente: (Bhagat & Boltron, 2008)

Tabla 37 Variables de medición de la estructura de capital de Bhagat y Boltron (2008)

Campello (2006) analiza el efecto de la deuda sobre el desempeño/rendimiento

de las empresas utiliza como variable para medir la estructura de capital la

identificada en la tabla 38:


Apalancamiento 𝐷𝑒𝑢𝑑𝑎 𝑎 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜



Tabla 38 Variables de medición de la estructura de capital de Campello (2006)

Los autores Pratap y Urrutia (2004) en su artículo hablan del balance de las

empresas como un mecanismo propagador de los efectos de las crisis

monetarias. También ponen de manifiesto que existe relación entre la



estructura del balance de las empresas y su efecto en la propensión a la

inversión.

Mallick y Yang (2011) analizan la estructura de capital de la empresa y su

efecto en el rendimiento de la misma. Estos mismos autores utilizan como

variables que para evaluar la estructura de capital de la empresa las siguientes

variables que se relacionan en la tabla 39:


Productividad de

un factor

𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛

𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑓𝑎𝑐𝑡𝑜𝑟

Ventas 𝑉𝑒𝑛𝑡𝑎𝑠

Índice de

préstamos de

banco sobre

ventas

𝑃𝑟𝑒𝑠𝑡𝑎𝑚𝑜𝑠 𝑑𝑒 𝑏𝑎𝑛𝑐𝑜𝑠


Índice de

préstamos no

bancarios sobre

ventas

𝑃𝑟𝑒𝑠𝑡𝑎𝑚𝑜𝑠 𝑛𝑜 𝑏𝑎𝑛𝑐𝑎𝑟𝑖𝑜𝑠


Debt-to-equity 𝐷𝑒𝑢𝑑𝑎


Índice de

beneficios

retenidos sobre

ventas

𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜𝑠 𝑟𝑒𝑡𝑒𝑛𝑖𝑑𝑜𝑠


Índice de

recursos propios

sobre ventas




Tabla 39 Variables de medición de la estructura de capital de Mallick y Yang (2011)



Atendiendo a la revisión bibliográfica y las entrevistas con profesionales del

sector académico y profesional, se toman como variables para operacionalizar

el factor de Estructura de Capital las mostradas en la figura 75:

Estructura de

capital

X8 = Debt-to-equity ratio

X9 = Leverage

X10 = Debt intensity


Figura 75 Variables de medición de la estructura de capital del modelo

La operacinalización de dichas variables es la siguiente:

𝑋8 = 𝐷𝑒𝑏𝑡 − 𝑇𝑜 − 𝐸𝑞𝑢𝑖𝑡𝑦 𝑟𝑎𝑡𝑖𝑜 =𝐷𝑒𝑢𝑑𝑎

𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠)𝑡

𝑋9 = 𝐿𝑒𝑣𝑒𝑟𝑎𝑔𝑒 =𝐷𝑒𝑢𝑑𝑎


𝑋10 = 𝐷𝑒𝑏𝑡 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦 =𝑃𝑎𝑠𝑖𝑣𝑜 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒

𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒)𝑡

7.4 MODELO DE MEDICIÓN DE “ESTRUCTURA DE LIQUIDEZ”

López Lubián y García Estévez (2005) en su libro comentan como la liquidez se

genera a través de cuatro fuentes: (a) la gestión de los aspectos operativos

relacionados con la cuenta de explotación de la empresa, (b) la gestión de los

aspectos operativos relacionados con el cirulante neto, (c) la gestión de los

aspectos relacionadso con las políticas de inversiones o desinversiones en

activos fijos y (d) la gestión de los aspectos relacionadso con las políticas de

obtención de capital y retribución de accionistas.





funcionamiento, utilizan como variables para operacionalizar el factor

“Estructura de liquidez” las que aparecen recogidas en la tabla 40:


Ratio de

cobertura A



Ratio de

cobertura B

𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠 + 𝐷𝑒𝑢𝑑𝑎 𝑎 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜


Prueba ácida

(quick ratio)

𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒 + 𝑅𝑒𝑎𝑙𝑖𝑧𝑎𝑏𝑙𝑒


Ratio corriente

(Current ratio)

𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒 + 𝑅𝑒𝑎𝑙𝑖𝑧𝑎𝑏𝑙𝑒 + 𝐼𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠 − 𝐴𝑛𝑡𝑖𝑐𝑖𝑝𝑜𝑠 𝑟𝑒𝑐𝑖𝑏𝑖𝑑𝑜𝑠



Tabla 40 Variables de medición de la estructura de liquidez de Hofmann y Lampe (2013)

Los investigadores Glantz y Mun (2011) en su libro proponen una serie de

indicadores para evaluar la estructura de activos de las empreas. Los cuales se

referencian en la tabla 41


Ratio corriente

(Current ratio)

𝐴𝑐𝑡𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒


Prueba ácida

(Quick ratio)

𝐶𝑎𝑗𝑎 𝑦 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟


Fuente: (Glantz & Mun, 2011)

Tabla 41 Variables de medición de la estructura de liquidez de Glantz y Mun (2011)

Los investigadores Hong, et al. (2014) en artículo analizan el calculo de los

índices de liquidez propuestos por la Convención de Basilea. Utilizan una

muestra de bancos comerciales estadounidenses y datos del periodo

comprendido entre 2001 y 2011. Los cuales se referencian en la tabla 42




Ratio de

cobertura de

liquidez (Liquidity

Coverage Ratio)

𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑎𝑐𝑡𝑖𝑣𝑜𝑠 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑚𝑒𝑛𝑜𝑟 𝑟𝑖𝑒𝑠𝑔𝑜

𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑓𝑙𝑢𝑗𝑜𝑠 𝑛𝑒𝑡𝑜𝑠 𝑑𝑒 𝑒𝑓𝑒𝑐𝑡𝑖𝑣𝑜 𝑒𝑛 𝑙𝑜𝑠 𝑝𝑟ó𝑥𝑖𝑚𝑜𝑠 30 𝑑í𝑎𝑠

Coeficiente de

financiación

estable neta (Net

Stable Funding

Ratio)

𝐹𝑖𝑛𝑎𝑛𝑐𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡𝑎𝑏𝑙𝑒 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒

𝐹𝑖𝑛𝑎𝑛𝑐𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡𝑎𝑏𝑙𝑒 𝑟𝑒𝑞𝑢𝑒𝑟𝑖𝑑𝑎

Fuente: (Hong, et al., 2014)

Tabla 42 Variables de medición de la estructura de liquidez de Hong, et al. (2014)

Los autores Etter, et al. (2006) en su trabajo evaluan la influencia de las

diferencias que existen en los principios contables, sobre los indicadores

financieros, en Estados Unidos y siete países de lationamérica, cubriendo el

periodo de 1987 a 1998.Los indicadores que utilizan para evalúan la estructura

de liquidez son los referencias en la tabla 43


Ratio corriente

(Current ratio)



Prueba ácida

(Quick ratio)

𝐶𝑎𝑗𝑎 + 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟 + 𝑂𝑡𝑟𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑛𝑒𝑔𝑜𝑐𝑖𝑎𝑏𝑙𝑒𝑠 𝑎 𝑐𝑜𝑟𝑡𝑜 𝑝𝑙𝑎𝑧𝑜


Fuente: (Etter, et al., 2006)

Tabla 43 Variables de medición de la estructura de liquidez de Etter, et al. (2006)

Los investigadores Lee y Chih (2013) en su artículo analizan el papel de la

regulación sobre la eficiencia y estabilidad de los bancos chinos, así como los

costes de oportunidad de ambos. Los indicadores que utilizan para evaluar la

estructura de liquidez de los bancos y que a su vez ha sido propuesta por la

Comisión Bancaria Reguladora China, en la tabla 44




Indice de

préstamos sobre

depósitos

𝑃𝑟é𝑠𝑡𝑎𝑚𝑜𝑠

𝐷𝑒𝑝ó𝑠𝑖𝑡𝑜𝑠

Ratio corriente

(Current ratio)



Ratio de

cobertura de

liquidez (Liquidity

coverage ratio)

𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑎𝑐𝑡𝑖𝑣𝑜𝑠 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑚𝑒𝑛𝑜𝑟 𝑟𝑖𝑒𝑠𝑔𝑜

𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑓𝑙𝑢𝑗𝑜𝑠 𝑛𝑒𝑡𝑜𝑠 𝑑𝑒 𝑒𝑓𝑒𝑐𝑡𝑖𝑣𝑜 𝑒𝑛 𝑙𝑜𝑠 𝑝𝑟ó𝑥𝑖𝑚𝑜𝑠 30 𝑑í𝑎𝑠

Coeficiente de

financiación

estable neta (Net

Stable Funding

Ratio)

𝐹𝑖𝑛𝑎𝑛𝑐𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡𝑎𝑏𝑙𝑒 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒

𝐹𝑖𝑛𝑎𝑛𝑐𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡𝑎𝑏𝑙𝑒 𝑟𝑒𝑞𝑢𝑒𝑟𝑖𝑑𝑎

Fuente: (Lee & Chih, 2013)

Tabla 44 Variables de medición de la estructura de liquidez de Lee y Chih (2013)

Los investigadores Longinidis y Georgiadis (2011) en su artículo proponen y

aplican un modelo de toma de decisiones en la cadena de suministro en

condiciones de incertidumbre de la demanda que incorpora la incluencia

financiera (estructura de capital, estructura de liquidez, estructura de activos,

rentabilidad). Utilizan el caso de una empresa británica del sector alimenticio y

de los productos del cuidado personal y hogar que tiene que cubrir la demanda

de un año, con plantas localizadas en diferentes países europeos. Los

indicadores que utilizan para evaluar la estructura de liquidez, en la tabla 45


Ratio Corriente

(Curren ratio)



Prueba ácida

(Quick Ratio)

𝐴𝑐𝑡𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒 − 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠


Razon de caja

(Cash ratio)

𝐶𝑎𝑗𝑎


Fuente: (Longinidis & Georgiadis, 2011)

Tabla 45 Variables de medición de la estructura de liquidez de Longinidis y Georgiadis (2011)



El investigador Forbes (2004) en su artículo evalua el efecto en las empresas

de todo el mundo de la crisis asiática de 1997 y rusa de 1998. La muestra está

formada por 10000 empresas de varios sectores y pertenecientes a 46 países.

Los indicadores que utiliza para evaluar la estructura de liquidez, son los que

se muestran en la tabla 46.


Ratio Corriente

(Curren ratio)



Prueba ácida

(Quick ratio)



Fuente: (Forbes, 2004)

Tabla 46 Variables de medición de la estructura de liquidez de Forbes (2004)

Kopaneli (2014) en su trabajo realiza un análisis comparativo en el sector

turístico de Grecia. En particular la muestra comprende los hoteles de cuatro y

cinco estrellas de Patras y Atenas. Su objetivo es determinar que ratios

financieros son más útiles para la gestión de las empresas de la muestra. Los

indicadores que utiliza para evaluar la estructura de liquidez, son los que se

muestran en la tabla 47


Ratio Corriente

(Curren ratio)



Prueba ácida

(Quick ratio)



Fuente: (Kopaneli, 2014)

Tabla 47 Variables de medición de la estructura de liquidez de Kopaneli (2014)

Los investigadores Dadenas y Garsva (2015) en su trabajo presentan y aplican

un modelo para evaluar el riesgo de crédito de las empresas. Utilizan una

muestra de empresas del sector de la producción (cuyo número varía entre 592

y 2624) de las que obtienen información de 51 ratios financieros entre los años

1999 y 2007 Los indicadores que utiliza para evaluar la estructura de liquidez,

son los que se muestran en la tabla 48.




Ratio Corriente

(Curren ratio)



Prueba ácida

(Quick ratio)



Fuente: (Dadenas & Garsva, 2015)

Tabla 48 Variables de medición de la estructura de liquidez de Dadenas y Garsva (2015)

Damodaran’s (2013) en su libro propone como ratios para evaluar la liquidez de

la empresas en el corto plazo los que se muestran en la tabla 49.


Ratio Corriente

(Curren ratio)



Prueba ácida

(Quick ratio)



Rotación de

cuentas por

cobrar



Rotación de

cuentas por

pagar

𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑜𝑚𝑝𝑟𝑎𝑠


Fuente: (Damodaran's, 2013)

Tabla 49 Variables de medición de la estructura de liquidez de Damodaran’s (2013)

De acuerdo a la revisión bibliográfica realizada y las entrevistas con


para operacionalizar el factor de Estructura de Liquidez las de la figura 76:



Estructura de

liquidez

X11 = Coverage ratio

X12 = Current ratio


Figura 76 Variables de medición de la estructura de liquidez del modelo

La operacionalizacion de las variables es la siguiente:

𝑋11 = 𝐶𝑜𝑣𝑒𝑟𝑎𝑔𝑒 𝑟𝑎𝑡𝑖𝑜 =𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠


𝑋12 = 𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝑟𝑎𝑡𝑖𝑜 =(𝐸𝑓𝑒𝑐𝑡𝑖𝑣𝑜 + 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑏𝑙𝑒 + 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑎𝑐𝑜𝑏𝑟𝑎𝑟 + 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠 − 𝑎𝑛𝑡𝑖𝑐𝑖𝑝𝑜𝑠 𝑟𝑒𝑐𝑖𝑏𝑖𝑑𝑜𝑠)


7.5 MODELODE MEDICIÓN DEL “RENDIMIENTO DE LA EMPRESA”

Los autores Düzakin y Düzakin (2007) en su trabajo analizan la evaluación del

rendimiento de las empresas. Esta métrica relacionada con el mundo

empresarial proporciona información muy importante para los accionistas,

gestores e inversores. Mediante estos análisis se pueden comprobar los

efectos de las decisiones tomadas en el pasado, así como la estructura

financiera de la empresa. Otro de los objetivos es determinar el grado de

eficiencia en el uso de los recursos por parte de la empresa, así como la

elección adecuada de las opciones financieras, para alcanzar los objetivos

operacionales y de rentabilidad. Utilizan en su artículo los datos que se pueden

extraer de los balances de situación de las empresas dedicadas a la fabricación



para determinar su desempeño. Las variables que utilizan en su modelo son las

que se identifican en la tabla 50:

Entrada al modelo


Activos netos 𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠 − 𝑑𝑒𝑝𝑟𝑒𝑐𝑖𝑎𝑐𝑖ó𝑛 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎

Número medio de

empleados 𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠)𝑡

Valor añadido

bruto

𝐼𝑛𝑔𝑟𝑒𝑠𝑜 𝑝𝑜𝑟 𝑓𝑎𝑐𝑡𝑜𝑟 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑖𝑣𝑜 − 𝑃𝑎𝑔𝑎𝑠 𝑦 𝑠𝑎𝑙𝑎𝑟𝑖𝑜𝑠 − 𝑖𝑛𝑡𝑒𝑟𝑒𝑠𝑒𝑠 𝑝𝑎𝑔𝑎𝑑𝑜𝑠

− 𝑟𝑒𝑛𝑡𝑎𝑠 𝑦 𝑑𝑒𝑝𝑟𝑒𝑐𝑖𝑎𝑐𝑖𝑜𝑛𝑒𝑠 − 𝑖𝑚𝑝𝑢𝑒𝑠𝑡𝑜𝑠 𝑑𝑖𝑟𝑒𝑐𝑡𝑜𝑠

+ 𝑠𝑢𝑏𝑣𝑒𝑛𝑐𝑖𝑜𝑛𝑒𝑠

Salida del modelo


Beneficios antes

de impuestos 𝐸𝐵𝑇

Ingresos de

exportación 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑙𝑎𝑠 𝑒𝑥𝑝𝑜𝑟𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠)𝑡

Fuente: (Düzakin & Düzakin, 2007)

Tabla 50 Variables de medición del rendimiento de la emprea de Düzakin y Düzakin (2007)

La utilización de los estados financieros da información histórica del

desempeño y la salud financiera de la empresa, y que pueden utilizarse como

fuentes de información básica acerca de las actividades de planificación,

financiación, inversión y operación de la empresa. A continuación se describen

cada una de las cuatro categorías que sugieren los autores Shue, et al. (2009)

para el estudio de la empresa a través de los estados financieros:

Actividades de planificación – Todas aquellas encaminadas a la

consecución de la estrategia, misión y visión; y que permite a los

gestores centrar los esfuerzos en las oportunidades y obstáculos.

Actividades de financiación – Todas aquellas encaminadas a la

obtención y gestión de medios financieros para llevar a cabo su plan

operativo.



Actividades de inversión – Todas aquellas encaminadas a la obtención y

mantenimiento de las inversiones en activos necesarias para llevar a

cabo la fabricación del producto o la prestación del servicio.

Actividades de operación – Todas aquellas encaminadas a transformar

las entradas al proceso productivo en el bien o servicio demandado por

cliente, de acuerdo al plan operativo.

No todas las empresas por sus características ofrecen o deben ofrecer el

mismo tipo de respuesta o desempeño, los autores Kolasa, et al (2010) hacen

una distinción entre las empresas como la que se expone en la tabla 51. En su

artículo y para algunas empresas de Polonia han encontrado que el tipo de

propiedad (Extranjera vs Doméstica), el tamaño y el sector de actividad afecta

al impacto de la crisis sobre las empresas.

Sector Posponibilidad

No fabricación Fabricación No postponible Postponible

Orientación a ventas

No exportadores

Exportadores

Estructura de propiedad

Domestica

Extranjera

Tamaño

Pequeño

Medio

Grande

Endeudamiento

Alto

Medio

Bajo

Fuente: (Kolasa, et al., 2010)

Tabla 51 Variables de medición del rendimiento de la empresa de Kolasa, et al. (2010)

Las variables que utilizan para medir el rendimiento son: Resultado de

operación, resultado del ejercicio.



Los autores Wang, et al. (2013) en su artículo señalan la importancia para las

empresas de medir el funcionamiento de las mismas como causa del

rendimiento. Utilizan una muestra de empresas del sector turístico de Taiwan

entre los años 2004 y 2008. Entre los aspectos más relevantes que muestran

están: su relación con la determinación de la estrategia corporativa, el

rendimiento operacional, y el sistema de recompensa de la dirección. También

comentan que la medición del rendimiento y/o funcionamiento de una empresa

es altamente dependiente de las métricas financieras, pero que las tendencias

actuales es a incluir otras dimensiones puesto que las métricas tradicionales

podrían estar muy encaminadas a los accionistas, aunque por el contrario para

stakeholders externos a la empresa la información disponible es la financiera y

es la que en mayor medida podría guiar sus decisiones por lo menos a corto

plazo. Estas dimensiones enumeradas junto con la financiera son parte de la

herramienta tradicional Balanced Scorecard (BSC). Pero la gran ventaja es que

se utilizarían datos públicos para evaluar estos otras tres dimensiones de

manera alternativa.

Delen, et al. (2013) en su artículo estudian como median el funcionamiento y/o

rendimiento de una empresa utilizando indicadores financieros. Este artículo

por lo tanto resulta especialmente interesante para esta tesis doctoral puesto

que uno de los factores utilizados es el desempeño de la empresa y ayuda a

operacionalizar mediante indicadores financieros el mismo. Aunque no hay un

número de indicadores considerado como universal para evaluar el rendimiento

de las empresas, sugieren que suelen variar entre aproximadamente 60 y 15

indicadores. Además dichos indicadores toman sus datos de los estados

financieros de las empresas. Estos mismos autores también mencionan que

otra de las ventajas que presentan el estudio del funcionamiento de las

empresas es predecir la desaceleración las mismas. Este concepto es similar al

que se pretende estudiar en esta tesis doctoral, no solo la desaceleración sino

la recuperación a través de la resiliencia de las mismas. Argumentan en su

trabajo que la gran ventaja que tiene utilizar indicadores económicos que

partan de los estados financieros es que se reduce el número de variables a



utilizar a la vez que se recoge mejor la información relevante de las empresas,

la cual es comparable entre empresas del mismo sector, de diferente sector o

entre países.

Para el propósito anterior existen diferentes tipos de ratios, los cuales pueden

clasificarse en dos categorías: financieros y no financieros.

Dentro de los financieros los autores Shue, et al. (2009) proponen dos tipos:

Estáticos y dinámicos.

Estáticos – Se calculan del balance de situación y representan una foto

puntual del negocio (Ejemplo de estos son el “Current ratio”, “Net worth

to total debt ratio”).

Dinámicos – Llevan implícita alguna o todas las magnitudes con carácter

dinámico (como por ejemplo “Sales to inventory ratio”, “Sales to

receivable ratio”).

En el mismo artículo se hace otra clasificación basada en la función que

representan:

Rentabilidad – Miden la capacidad de gestión de la empresa para

controlar los gastos y obtener beneficios con los recursos empleados.

Liquidez – Miden la capacidad de la empresa para cumplir con sus

obligaciones actuales.

Apalancamiento – Miden el grado de protección frente a la financiación a

largo plazo de los suministradores, así como la capacidad de la empresa

de contraer nueva deuda y pagar sus obligaciones a tiempo.

Eficiencia – Miden la efectividad con la que una empresa emplea sus

recursos.



Proponen el uso de las variables de la tabla 52:

Capacidad de reembolso en el corto plazo


Ratio corriente

(current ratio)



Ciclo operativo

𝑀𝑒𝑑𝑖𝑎 𝑡𝑒𝑚𝑝𝑜𝑟𝑎𝑙 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟

+ 𝑚𝑒𝑑𝑖𝑎 𝑡𝑒𝑚𝑝𝑜𝑟𝑎𝑙 𝑑𝑒 𝑟𝑜𝑡𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜

− 𝑚𝑒𝑑𝑖𝑎 𝑡𝑒𝑚𝑝𝑜𝑟𝑎𝑙 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑎 𝑝𝑎𝑔𝑎𝑟

Capacidad de reembolso en el largo plazo


Ratio de recursos

propios (equity

ratio)



Índice de interés

devengados

𝐸𝐵𝐼𝑇 + 𝐼𝑛𝑡𝑒𝑟𝑒𝑠 𝑝𝑎𝑔𝑎𝑑𝑜𝑠

𝐼𝑛𝑡𝑒𝑟𝑒𝑠 𝑝𝑎𝑔𝑎𝑑𝑜𝑠

Índice de

financiación a

largo plazo sobre

activos no

corrientes

𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠 + 𝑖𝑛𝑡𝑒𝑟𝑒𝑠 𝑙𝑎𝑟𝑔𝑜 𝑝𝑙𝑎𝑧𝑜 − 𝑝𝑎𝑠𝑖𝑣𝑜𝑠 𝑟𝑒𝑚𝑢𝑛𝑒𝑟𝑎𝑑𝑜𝑠

𝐴𝑐𝑡𝑖𝑣𝑜 𝑛𝑜 𝑐𝑜𝑟𝑖𝑒𝑛𝑡𝑒

Eficiencia operacional


Rotación activos 𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛


Rotación activos

no corrientes



Rotación de

cuentas por

cobrar

𝑉𝑒𝑛𝑡𝑎𝑠 𝑎 𝑐𝑟é𝑑𝑖𝑡𝑜

𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑐𝑜𝑏𝑟𝑜

Rotación de

inventario

𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑜𝑠 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 𝑣𝑒𝑛𝑑𝑖𝑑𝑜𝑠

𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒𝑙 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜



Rentabilidad


ROS (Retorno de

las ventas)



ROE (Retorno de

los recursos

propios)



ROA (Retorno de

los activos)

𝐸𝐵𝐼𝑇𝐷𝐴


Fuente: (Shue, et al., 2009)

Tabla 52 Variables de medición del rendimiento de la empresa de Shue, et al. (2009)

La utilización de ratios financieros para la medición del desempeño de las

empresas, permite analizar al pasado y presente de la empresa, pero también

planificar el futuro.

Existen diferentes grupos para clasificar las técnicas de análisis de la eficiencia

de las empresas: Análisis de ratios, métodos paramétricos y métodos no

paramétricos (Düzakin & Düzakin, 2007). En esta tesis doctoral la atención se

centrará en el análisis de ratios

Los autores Cohn, et al. (2014) analizan la eficiencia operativa de las empresas

pertenecientes a una industria. Una vez que obtuvieron resultados para el

conjunto de datos que utilizaron, realizan un análisis en el que trataron de

acotar el efecto de la industria sobre las empresas. Para ello definieron la

variación de la empresa ajustada por la industria como la variación de la

empresa en los índices seleccionados menos la media de la variación de la

industria en esos mismos índices, todo la el mismo periodo de tiempo. Con esta

aproximación como dicen estos autores en su artículo les permite controlar que

cambios en la industria induce cambios en la rentabilidad de las empresas. Las

variables que propusieron para evaluar la eficiencia operativa son las recogidas

en la tabla 53:




Pre-ROS (Pre-

interest ROS)

𝐸𝐵𝐼𝑇

𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑏𝑟𝑢𝑡𝑜𝑠

Pre-ROA (Pre-

interest ROA)

𝐸𝐵𝐼𝑇


Pre-EVA (Pre-

interest EVA) 𝐹𝑙𝑢𝑗𝑜 𝑑𝑒 𝑐𝑎𝑗𝑎 𝑙𝑖𝑏𝑟𝑒 − 𝑐𝑜𝑠𝑡𝑒 𝑑𝑒 𝑜𝑝𝑜𝑟𝑡𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑐𝑎𝑝𝑖𝑡𝑎𝑙

Fuente: (Cohn, et al., 2014)

Tabla 53 Variables de medición del rendimiento de la empresa de Cohn, et al. (2014)

El autor Schuermann (2013) examina cuanto capital y liquidez le hace falta a un

banco para soportar el riesgo de sus operaciones. Aunque las operaciones y en

consecuencias los estados financieros de un banco difieren de una empresa

dedicada a la producción dentro del sector aeroespacial, no obstante la utilidad

de este artículo radica en captar los matices y tipo de análisis que se pueden

incorporar a esta tesis doctoral para enriquecerla. Diferencia entre tres tipos

diferentes de capital y liquidez: El que tiene la empresa, el que necesita la

empresa para sus actividades y el que las instituciones reguladoras estiman

que necesita la empresa. Capital hace referencia a la parte derecha del

balance de situación, mientras que liquidez lo hace de la izquierda. Este mismo

autor sugiere en su artículo que hacer un análisis de stress en una compañía

da información sobre su resiliencia ante condiciones deterioradas del entorno.

En este mismo artículo se habla sobre la forma que puede presentar un análisis

de stress, ya sea de análisis de sensibilidad ante la variación de un elemento

manteniendo las condiciones de contorno, o de análisis de escenarios ante la

variación de las condiciones de contorno. En relación al riesgo de cada

empresa enmarcado dentro de los análisis de stress hay que modelar el

balance y la cuenta de pérdidas y ganancias normalmente de dos periodos

consecutivos.

En el artículo de los autores Riley Jr, et al. (2003) se examina el valor que dan

los inversores, a las métricas contables, una serie de métricas no financieras

del desempeño, así como de otras métricas financieras de la industria de las



aerolíneas. En el modelo de estos autores se tiene en cuenta la influencia de la

macroeconomía incluyendo un factor que pondera este peso medio de las

variables macroeconómicas.

Los autores Little, et al. (2011) en su trabajo estudian el efecto de la crisis y la

recesión en el rendimiento financiero de las empresas del sector de la venta al

por menor, diferenciando las que siguen una estrategia de liderazgo en costes

o en diferenciación de producto. Como variable para evaluar el rendimiento

financiero utilizan la mostrada en la tabla 54:


RONOA (Return

on Net Operating

Assets)

𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛

𝑉𝑒𝑛𝑡𝑎𝑠 𝑥 𝑅𝑜𝑡𝑎𝑐𝑖ó𝑛 𝑎𝑐𝑡𝑖𝑣𝑜𝑠

Fuente: (Little, et al., 2011)

Tabla 54 Variables de medición del rendimiento de la empresa de Little, et al. (2011)

Los autores Morgan, et al. (2009) en su artículo analizan el efecto de la

posesión de las capacidades de orientación al mercado y marketing de las

organizaciones afectan a su rendimiento. Para ello utilizan una muestra de 231

empresas estadounidenses de varios sectores. Lo interensante de este artículo

para esta tesis doctores es la forma de medir el rendimiento de las empresas,

así como las variables de control que utilizan, las cuales se recogen en la tabla

55.


ROI (Return on

Investment)

𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛 − 𝐶𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠


ROS (Return on

Sales)



Crecimiento

cuota de

mercado

respecto a la

competencia

(𝐶𝑢𝑜𝑡𝑎 𝑚𝑒𝑟𝑐𝑎𝑑𝑜𝑡 − 𝐶𝑢𝑜𝑡𝑎 𝑚𝑒𝑟𝑐𝑎𝑑𝑜𝑡−1

𝐶𝑢𝑜𝑡𝑎 𝑚𝑒𝑟𝑐𝑎𝑑𝑜𝑡−1)

(𝐶𝑢𝑜𝑡𝑎 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑐𝑜𝑚𝑝𝑒𝑡𝑒𝑛𝑐𝑖𝑎 𝑡 − 𝐶𝑢𝑜𝑡𝑎 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑐𝑜𝑚𝑝𝑒𝑡𝑒𝑛𝑐𝑖𝑎𝑡−1

𝐶𝑢𝑜𝑡𝑎 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑐𝑜𝑚𝑝𝑒𝑡𝑒𝑛𝑐𝑖𝑎𝑡−1)



Número de

clientes ganados

𝐶𝑙𝑖𝑒𝑛𝑡𝑒𝑠𝑡 − 𝐶𝑙𝑖𝑒𝑛𝑡𝑒𝑠𝑡−1𝐶𝑙𝑖𝑒𝑛𝑡𝑒𝑠𝑡−1

Incremento

ventas a los

clientes actuales

𝑉𝑒𝑛𝑡𝑎𝑠 𝑎 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑎𝑐𝑡𝑢𝑎𝑙𝑒𝑠𝑡 − 𝑉𝑒𝑛𝑡𝑎𝑠 𝑎 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑎𝑐𝑡𝑢𝑎𝑙𝑒𝑠𝑡−1𝑉𝑒𝑛𝑡𝑎𝑠 𝑎 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑎𝑐𝑡𝑢𝑎𝑙𝑒𝑠𝑡−1

Crecimiento de

las ventas

𝑉𝑒𝑛𝑡𝑎𝑠𝑡 − 𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1𝑉𝑒𝑛𝑡𝑎𝑠𝑡−1

ROA (Return on

Assets)



Fuente: (Morgan, et al., 2009)

Tabla 55 Variables de medición del rendimiento de la empresa de Morgan et al. (2009)

Tomas y Dimitric (2011) en su artículo realizan una revisión bibliográfica de

aquellos artículos que relacionan la macroeconomía y la microeconomía con el

rendimiento de las empresas. En dichas revisión bibliográfica han puesto de

manifiesto que las variables explicativas que se suelen utilizar en este tipo de

estudios para analizar el desempeño de las empresas se engloban en cinco

categorías diferentes: (1) Liquidez, (2) Eficiencia, (3) Efectividad-coste, (4)

Insolvencia, (5) Rentabilidad.

En el mismo trabajo también hablan sobre las diferencias del país que imprime

el país en las diferentes variables que se utilizan para medir el rendimiento de

las empresas. Ponen el ejemplo de un estudio realizado por Dvoracek, et al.

(2008) que utilizaba una muestra de la República Checa que utilizaba ocho

ratios financieros divididos en tres categorías según se refleja en la tabla 56:

Actividad del negocio


Indice de cuentas

por cobrar sobre

active corriente

𝐶𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑜𝑟 𝑐𝑜𝑏𝑟𝑎𝑟


Índice de

cobertura de

reservas

𝑅𝑒𝑠𝑒𝑟𝑣𝑎𝑠




Desarrollo económico


Índice de capital

sobre activo

𝐶𝑎𝑝𝑖𝑡𝑎𝑙


Estructura de capital


Índice de activos

no corrientes

𝐴𝑐𝑡𝑖𝑣𝑜 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒


Índice de activos

corrientes



Índice de cuentas

por cobrar

𝑉𝑒𝑛𝑡𝑎𝑠 𝑎 𝑐𝑟é𝑑𝑖𝑡𝑜

𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑑𝑒 𝑐𝑜𝑏𝑟𝑜

Índice de

beneficio

𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛


ROCE (Return on

capital employed)


𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜

Fuente: (Dvoracek, et al., 2008)

Tabla 56 Variables de medición del rendimiento de la empresa de Dvoracek, et al. (2008)

Otro ejemplo que proponen de otro estudio llevado a cabo por el autor Andreev

(2005), utiliza una muestra de España y los ratios que sugieren para el

rendimiento de las empresas son los de la tabla 57:


Variable 1 𝑃𝑎𝑠𝑖𝑣𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒


Variable 2 𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑐𝑖𝑟𝑐𝑢𝑙𝑎𝑛𝑡𝑒


Variable 3 𝑉𝑒𝑛𝑡𝑎𝑠

𝐸𝑓𝑒𝑐𝑡𝑖𝑣𝑜 𝑒𝑛 𝑐𝑎𝑗𝑎

Variable 4 𝐼𝑛𝑔𝑟𝑒𝑠𝑜 𝑏𝑟𝑢𝑡𝑜


Variable 5 𝑃𝑎𝑠𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙

𝐸𝑞𝑢𝑖𝑡𝑦

Fuente: (Andreev, 2005)

Tabla 57 Variables de medición del rendimiento de la empresa de Andreev (2005)



En el mismo artículo publican que los autores Ciampi y Gordini (2008)

realizaron un estudio en empresas del norte y centro de Italia, evaluando el

rendimiento de las mismas y para ello utilizaron como variables en su modelo

las mostradas en la tabla 58:


ROA (Return on

Assets)



ROE (Return on

Equity)



Margen neto

sobre créditos

𝐶𝑟é𝑑𝑖𝑡𝑜𝑠


Debt-to-equity 𝑃𝑎𝑠𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙


Ratio corriente

(Current ratio)



Fuente: (Ciampi & Gordini, 2008)

Tabla 58 Variables de medición del rendimiento de la empresa de Ciampi y Gordini (2008)

Los autores Appiah y Abor (2009) estudiaron una muestra de empresas en

Gran Bretaña que utilizaba como variables para evaluar el rendimiento de las

empresas las que a continuación se detallan en la tabla 59:


Debt-to-equity 𝑃𝑎𝑠𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙


ROCE (Return on

Equity)



ROS (Return on

sales)



Índice de activos

corrientes sobre

pasivos

corrientes



Fuente: (Appiah & Abor, 2009)

Tabla 59 Variables de medición del rendimiento de la empresa de Appiah y Abor (2009)



Los investigadores Tang y Ogunlana (2003) en su artículo estudian como la

crisis asiática afectó a las empresas de un sector (construcción) de un país

(Malasia). Relaciona la situación macroeconómica y microeconómica con el

rendimiento de las empresas de ese país y sector. Para evaluar el rendimiento

de dichas empresas utilizan los siguientes ratios clasificados en tres grupos

como muetra la tabla 60:

Liquidez


Ratio Corriente

(Current ratio)



Índice de pasivos

sobre beneficios


𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜 𝑛𝑒𝑡𝑜

Eficiencia operativa


Eficiencia

operativa 1



Eficiencia

operativa 2


𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑐𝑖𝑟𝑐𝑢𝑙𝑎𝑛𝑡𝑒 𝑛𝑒𝑡𝑜

Eficiencia operativa


ROA (Return on

Assets)



ROE (Return on

Equity)



Fuente: (Tang & Ogunlana, 2003)

Tabla 60 Variables de medición del rendimiento de la empresa de Tang y Ogunlana (2003)

Los autores Bhunia, et al. (2011) realizan un estudio sobre un modelo

predictivo de la desaceleración y/o bancarrota de las empresas en India. Estos

autores comentan en su artículo que la simple desaceleración de las empresas

en su aspecto financiero reduce su eficiencia y gestión, y en último término

para maximizar el valor de la empresa y del valor para los inversores y la

propiedad de la misma. Estos mismos autores matizan en su artículo que los

resultados que se han obtenido para las economías de los países desarrollados



no son extrapolables para los países emergentes como por ejemplo India.

Como variable dependiente del estudio han utilizado una dicotómica que podía

tomar los valores de: Bancarrota / No bancarrota. Aunque de todos estos ratios

utilizados para la muestra de empresas, tan solo dos han resultado

significantes del problema estudiado: Cash flow to sales (Flujo de caja respecto

a ventas), Days sales in receivable (Promedio de cuentas por cobrar).

En cambio como variables independientes han utilizado las que se muestran

en la tabla 61:

Fuente: (Bhunia, et al., 2011)

Tabla 61 Variables de medición del rendimiento de la empresa de Bhunia, et al. (2011)

Los autores Tehrani, el al. (2012) en su artículo estudian un modelo que

partiendo de información contenida en los estados financieros de las empresas

y utilizando ratios, sea capaz de evaluar el funcionamiento y desempeño de las

empresas. Este artículo resulta útil además de por qué relaciona de manera

causal dos de los constructos utilizados en el modelo de esta tesis doctoral,

también porque propone un modelo de medición para ambos constructos. Las



variables independientes las han dividido en tres grupos: Ratios liquidez, ratios

actividad, ratios apalancamiento. Mientras que las variables dependientes bajo

un único grupo: Ratios de rentabilidad. También les han otorgado diferentes

pesos a los ratios, tal y como recoge la tabla 62.

Fuente: (Tehrani, et al., 2012)

Tabla 62 Variables de medición del rendimiento de la empresa de Tehrani, et al. (2012)

El modelo global de medición que han planteado es el que se muestra en la

figura 77.



Fuente: (Tehrani, et al., 2012)

Figura 77 Variables de medición del rendimiento de la empresa de Tehrani, et al. (2012)

El autor Priyanto (2006) analiza mediante un modelo de ecuaciones

estructurales el grado en el que factores del entorno afectan al rendimiento de

las empresas productoras de tabaco en Indonesia. Este trabajo es útil ya que

una de las contribuciones que puede ofrecer a esta tesis doctoral es el modelo

de medición que utiliza para el factor de funcionamiento/rendimiento de las

empresas. Dicho modelo de medición está compuesto por las siguientes

variables de la tabla 63:


Productividad 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 ó 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜

𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑟𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑎

Beneficios sobre

recursos


𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑟𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑎

Variación de

precio

𝑃𝑟𝑒𝑐𝑖𝑜𝑡 − 𝑃𝑟𝑒𝑐𝑖𝑜𝑡−1𝑃𝑟𝑒𝑐𝑖𝑜𝑡−1

Fuente: (Priyanto, 2006)

Tabla 63 Variables de medición del rendimiento de la empresa de Priyanto (2006)



Madrid-Guijarro, et al. (2011) en su trabajo sobre la desaceleración de la

empresas españolas, han planteado una serie de variables para medir la

desaceleración de las empresas, esto es su funcionamiento y/o rendimiento.

Para ello han utilizado seis indicadores divididos en dos categorías: Liquidez y

obligaciones, y rentabilidad, tal y como muestra la tabla 64.

Liquidez y obligaciones


Ratio corriente

(Current ratio)



Índice de capital

circulante

(Working capital

ratio)



Índice de

autonomía

financiera



Rentabilidad


Capacidad de

generación de

recursos

𝐹𝑙𝑢𝑗𝑜 𝑑𝑒 𝑐𝑎𝑗𝑎


ROA (Return on

Assets)



ROE (Return on

Equity)



Fuente: (Madrid-Guijarro, et al., 2011)

Tabla 64 Variables del rendimiento de la empresa de Madrid-Guijarro, et al. 2011

Romero-Castro y Piñeiro-Chousa (2006) en su artículo realizan un estudio

sobre la relación entre el análisis financiero de las empresas y la creación de

valor a través de la sostenibilidad. Este artículo es útil para esta tesis doctoral

en la medición del rendimiento financiero de la empresa, ya que operacionaliza

este constructo a través de una serie de indicadores financieros. Los cuales

pueden ser utilizados total o parcialmente en el modelo de medición de esta



tesis doctoral. Estos autores en su publicación hacen algunas reflexiones en

relación a la medición del rendimiento financiero de una empresa a través de

indicadores, como por ejemplo que no todos tienen la misma importancia o

contribución, que solo muestran el efecto pero no la causa, que para entender

un indicador de este tipo es necesario entender cada uno de los elementos que

lo forman así como la relación con otros ratios, es decir, una visión holística de

los mismos. Proponen partir de la pirámide de indicadores DuPont de la figura

78

Fuente: (Romero-Castro & Piñeiro-Chousa, 2006)

Figura 78 Variables de medición del rendimiento de la empresa de Romero-Castro y Piñero-

Chousa (2006)



El autor Chen (2011) en su artículo compara los métodos tradicionales de

predicción de la desaceleración financiera de las empresas, como los métodos

menos convencionales como los derivados de la Inteligencia Artificial. Para ello

ha realizado experimentos empíricos utilizando 42 indicadores, de los cuales 33

eran financieros, 8 no financieros y 1 una combinación de indicadores

macroeconómicos. La importancia de este artículo para esta tesis doctoral es el

modelo de medición que utiliza para el constructo de desaceleración financiera.

Este autor ha categorizado los indicadores en cinco categorías: Rentabilidad,

liquidez, operación, apalancamiento y solvencia. Además han añadido dos

categorías adicionales de indicadores no financieros y macroeconómicos. Las

variables utilizadas se relacionan en la tabla 65.


Pretax margin 𝐹𝑙𝑢𝑗𝑜 𝑑𝑒 𝑐𝑎𝑗𝑎


ROA (Return on

Assets)



ROE (Return on

Equity)



EPS (Beneficios

por acción)

𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜 − 𝑑𝑖𝑣𝑖𝑑𝑒𝑛𝑑𝑜𝑠 𝑠𝑜𝑏𝑟𝑒 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠

𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠

Margen bruto 𝐼𝑛𝑔𝑟𝑒𝑠𝑜 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛 − 𝑐𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠


Fuente: (Chen, 2011)

Tabla 65 Variables de medición del rendimiento de la empresa de Chen (2011)

Los autores Teeratansirikool, et al. (2013) en su trabajo estudian el efecto

mediador de la medición del desempeño en la relación existente entre las

estrategias competitivas y el desempeño de la empresa, utilizando una muestra

de 101 empresas tailandesas. Dentro de su artículo resulta especialmente

interesante el modelo de medición que plantean para el factor de “Desempeño

y/o funcionamiento de la empresa”. Dicho modelo utiliza como variables para

evaluar el rendimiento las identificadas en la tabla 66.




Increase of sales

or revenues

𝑆𝑎𝑙𝑒𝑠 𝑜𝑟 𝑟𝑒𝑣𝑒𝑛𝑢𝑒𝑠𝑡 − 𝑆𝑎𝑙𝑒𝑠 𝑜𝑟 𝑟𝑒𝑣𝑒𝑛𝑢𝑒𝑠𝑡−1𝑆𝑎𝑙𝑒𝑠 𝑜𝑟 𝑟𝑒𝑣𝑒𝑛𝑢𝑒𝑠𝑡−1

Flujo de caja de

operaciones 𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠)𝑡

ROI (Return on

Investment)



ROE (Return on

Equity)



Cuota de

mercado


𝐹𝑎𝑐𝑡𝑢𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎

Desarrollo de

nuevos productos 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑛𝑢𝑒𝑣𝑜𝑠 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠)𝑡

Desarrollo de

negocio


Fuente: (Teeratansirikool, et al., 2013)

Tabla 66 Variables de medición del rendimiento de la empresa de Teeratansirikool, et al.

(2013)

Los investigadores Wang, et al. (2013) en su trabajo estudian la relación que

existe entre la medición del funcionamiento de la empresa con el rendimiento

de la misma. Utilizan una muestra de empresas del sector turístico de Taiwan

entre los años 2004 y 2008. Para ello utilizan para operacionalizar los

constructos las variables del Balanced Scorecard (BSC). De las cuatro

dimensiones de dicha herramienta resulta especialmente útil para esta tesis

doctoral la dimensión del funcionamiento financiero, que está compuesta por

las variables de la tabla 67:

Liquidez


Ratio corriente

(Current ratio)



Prueba ácida

(Quick ratio)

𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒 + 𝑅𝑒𝑎𝑙𝑖𝑧𝑎𝑏𝑙𝑒




Eficiencia en la utilización de activos


Rotación de

activos

𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖𝑜𝑛




Debt ratio 𝐷𝑒𝑢𝑑𝑎


Rentabilidad


Margen neto de

beneficio



Apalancamiento


Apalancamiento

operativo

∆𝐸𝐵𝐼𝑇 (%)

∆𝑉𝑒𝑛𝑡𝑎𝑠 (%)

Apalancamiento

financiero

∆𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜 (%)

∆𝐸𝐵𝐼𝑇 (%)

Rendimiento


ROA (Return on

assets)



ROE (Return on

equity)



Q de Tobin 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎

𝑉𝑎𝑙𝑜𝑟 𝑐𝑜𝑛𝑡𝑎𝑏𝑙𝑒 𝑑𝑒 𝑙𝑜𝑠 𝑎𝑐𝑡𝑖𝑣𝑜𝑠

Beneficio por

acción (EPS)



Fuente: (Wang, et al., 2013)

Tabla 67 Variables de medición del rendimiento de la empresa de Wang (2013)

Los autores Liargovas y Skandalis (2010) en su trabajo realizan un estudio

sobre los factores que afectan al rendimiento de las empresas. Toman para ello

una muestra de empresas griegas con datos que comprenden el periodo 1997-

2004. Tras realizar una revisión bibliográfica, seleccionan para su modelo de

medición del rendimiento de las empresas las variables de la tabla 68:




ROA (Return on

assets)



ROE (Return on

equity)



ROS (Return on

sales)



Fuente: (Liargovas & Skandalis, 2010)

Tabla 68 Variables de medición del rendimiento de la empresa de Liargovas y Skandalis (2010)

La autora Burja (2011) en su artículo estudia diferentes modelos de análisis del

funcionamiento y/o rendimiento de las empresas, así como de los factores que

tienen influencia (Indice de activos no corrientes, índice de endeudamiento,

apalancamiento financiero, resultado del ejercicio, ventas sobre recursos

propios, ventas sobre activo corriente…). Para operacionalizar el factor de

rendimiento de la empresa utiliza la variable mostrada en la tabla 69:


ROA (Return on

assets)



Fuente: (Burja, 2011)

Tabla 69 Variables de medición del rendimiento de la empresa de Burja (2011)

Türel, et al. (2012) en su investigación analizan los factores que identifican a

las empresas con altos rendimientos financieros. Para ello toman una muestra

141 empresas de Turquía y datos de las mismas entre los años 2005 y 2009.

En su estudio tratan de falsar la relación existente entre los elementos clave del

rendimiento de las empresas (gestión de activos, riesgo financiero, liquidez) y

su rendimiento. Las variables utilizadas para analizar el rendimiento son las

recogidas en la tabla 70:




ROA (Return on

assets)



ROE (Return on

Equity)



Crecimiento de

los ingresos de

explotación

𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛)𝑡 − 𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛)𝑡−1𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛)𝑡−1

Flujo de caja libre 𝐸𝐵𝐼𝑇𝑥(1 − 𝑡𝑖𝑝𝑜 𝑑𝑒 𝑖𝑛𝑡𝑒𝑟é𝑠) + 𝐷𝑒𝑝𝑟𝑒𝑐𝑖𝑎𝑐𝑖ó𝑛 𝑦 𝑎𝑚𝑜𝑟𝑡𝑖𝑧𝑎𝑐𝑖ó𝑛

− 𝑐𝑎𝑚𝑏𝑖𝑜𝑠 𝑒𝑛 𝑐𝑎𝑝𝑖𝑡𝑎𝑙 𝑐𝑖𝑟𝑢𝑙𝑎𝑛𝑡𝑒 − 𝑔𝑎𝑠𝑡𝑜𝑠 𝑑𝑒 𝑐𝑎𝑝𝑖𝑡𝑎𝑙

Ciclo de

conversión en

efectivo

𝑅𝑜𝑡𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑎 𝑐𝑜𝑏𝑟𝑎𝑟 + 𝑟𝑜𝑡𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜

− 𝑅𝑜𝑡𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑎 𝑝𝑎𝑔𝑎𝑟

Fuente: (Türel, et al., 2012)

Tabla 70 Variables de medición del rendimiento de la empresa de Türel, et al. (2012)

Los autores Sheikhi, et al. (2012) en su artículo estudian la desaceleración

financiera de las empresas, utilizando para ello un modelo en el que las

variables independientes provienen de los indicadores clásicos utilizados en

finanzas y cuyos datos de partida son los estados financieros de la empresa, y

que la variable dependiente es un índice de desaceleración. Resulta

especialmente útil para esta tesis doctoral el conjunto de variables que utilizan

los autores para evaluar la desaceleración de las empresas, que a continuación

se resumen en la tabla 71:



Fuente: (Sheikhi, et al., 2012)

Tabla 71 Variables de medición del rendimiento de la empresa de Sheikhi, et al. (2012)

Delen, et al. (2013) en su trabajo sobre los indicadores financieros que mejor

representan el funcionamiento y/o rendimiento de las empresas realizan una

revisión bibliográfica y comentan que la clasificación clásica de los mismos, los

divide en cuatro clases diferentes:

Liquidez - Los indicadores de liquidez evalúan la capacidad de una

empresa para pagar sus deudas a corto plazo

Rentabilidad – Miden la capacidad de crear rentabilidad basado en las

ventas, recursos propios y activos.

Solvencia a largo plazo – Ponen de manifiesto como de arriesgada en la

inversión en la empresa.



Utilización de los activos – Ponen de manifiesto la capacidad de las

empresa de generar beneficios a través de la utilización de los activos

para la venta de los inventarios.

En su trabajo Delen, et al. (2013) utilizan indicadores financieros para cada uno

de los bloques comentados. Si bien en este punto lo que se quiere poner de

manifiesto son las diferentes variables utilizadas para el análisis del

rendimiento de las empresas: han utilizado para su estudio los siguientes

indicadores financieros, recogidos en la tabla 72:


ROA (Return on

assets)



ROE (Return on

Equity)



Margen bruto de

beneficios

𝐼𝑛𝑔𝑟𝑒𝑠𝑜 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛 − 𝑐𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑣𝑒𝑛𝑡𝑎

𝐼𝑛𝑔𝑟𝑒𝑠𝑜 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛

Margen del

EBITDA



Margen neto de

beneficio



Índice de gastos

operativos

respecto a ventas

𝐺𝑎𝑠𝑡𝑜𝑠 𝑜𝑝𝑒𝑟𝑎𝑡𝑖𝑣𝑜𝑠


Índice beneficios

antes de

impuestos sobre

recursos propios

𝐸𝐵𝑇



Tabla 72 Variables de medición del rendimiento de la empresa de Delen,et al. (2013)

El desempeño y/o rendimiento de las empresas lo miden mediante el ROA y

ROE.



Como resultado han obtenido que las variables independientes que más

afectan al rendimiento de las empresas medido a través de la variable

dependiente ROA, el cual aparece representado en la figura 79:


Figura 79 Variables que más afectan al ROA según Delen, et al. (2013)



Por el contrario las variables independientes que más afectan al rendimiento de

las empresas medido a través de la variable dependiente ROE (por orden de

importancia) son las mostradas en la figura 80:


Figura 80 Variables que más afectan al ROA según Delen, et al. (2013)

Arinovic-Barac (2011) en su artículo trata de determinar para la muestra de

empresas croatas que utiliza si existen indicadores financieros que detectan

mejor que otros, el rendimiento financiero de las empresas y la sostenibilidad



de las mismas. Para su estudio han utilizado doce indicadores financieros

divididos en cuatro categorías, tal y como muestra la tabla 73:

Fuente: (Arinovic-Barac, 2011)

Tabla 73 Variables de medición del rendimiento de la emprea de Arinovic-Barac (2011)

Los autores Mallick y Yang (2011) en su trabajo sobre la estructura de capital

de la empresa y su efecto en el desempeño de la misma, establecen diferentes

maneras de medir dicho desempeño las cuales se recogen en la tabla 74:

Basados en el mercado


Retornos

ajustados por el

riesgo (RORAC)


𝑅𝑖𝑒𝑠𝑔𝑜 𝑑𝑒𝑙 𝑐𝑎𝑝𝑖𝑡𝑎𝑙 𝑎𝑠𝑖𝑔𝑛𝑎𝑑𝑜





Basados en la contabilidad


ROS (Return on

sales)



ROA (Return on

assets)



ROE (Return on

Equity)



Productividad


Productividad de

un factor


𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑓𝑎𝑐𝑡𝑜𝑟

Venta por

empleado


𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠


Tabla 74 Variables de medición del rendimiento de la empresa de Mallick y Yang (2011)



funcionamiento, utilizan como variables para operacionalizar el factor de

rendimiento de empresa las mostradas en la tabla 75, para la dimensión

rentabilidad operativa:


ROI (Return on

investment)



ROA (Return on

assets)



ROE (Return on

Equity)



Margen neto de

beneficio



Margen de

beneficios

operativos

𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛

𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑜𝑝𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠



PER (Price

Earnings Ratio)



Rentabilidad

sobre el EBIT


𝐸𝐵𝐼𝑇

Rentabilidad

sobre el EBITDA




Tabla 75 Variables de medición del rendimiento de la empresa de Hofmann y Lampe (2013)

Los autores Berger y Bonaccorsi (2006) (Berger & Bonaccorsi , 2006) en su

estudio sobre la relación causal existente entre la estructura de capital y el

rendimiento/desempeño de la empresa plantean como variables de medición

del rendimiento/desempeño de la empresa tres tipos diferentes: por un lado las

que se obtienen de los estados financieros de la empresa, por otro lado las que

se obtienen de los mercados y por último la mezcla de valor de mercado y valor

contable. Se recogen en la tabla 76.


ROE (Return on

Equity)



Índice de

recursos propios

sobre activos

totales



Fuente: (Berger & Bonaccorsi , 2006)

Tabla 76 Variables de medición del rendimiento de la empresa de Berger y Bonaccorsi (2006)

Krishnan y Moyer (1997) en su trabajo sobre la relación entre la estructura de

capital y el rendimiento/desempeño de las empresas teniendo en cuenta la

influencia del país, utilizaron como variables para operacionalizar el factor de

rendimiento de la empresa las identificadas en la tabla 77.




ROE (Return on

Equity)



ROIC (Return on

Invested Capital)

𝐸𝐵𝐼𝑇 ∗ (1 − 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑖𝑚𝑝𝑢𝑒𝑠𝑡𝑜𝑠)

𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑖𝑛𝑣𝑒𝑟𝑡𝑖𝑑𝑜

Margen de

operaciones



Rentabilidad de

las acciones



Fuente: (Krishnan & Moyer, 1997)

Tabla 77 Variables de medición del rendimiento de la empresa de Krishnan y Moyer (1997)

Los autores Muradoglu y Sivaprasad (2012) en su trabajo sobre el efecto de la

estructura de capital en los retornos de las empresas y la influencia de la

industria en dicha relación, utilizaran como variables para operacionalizar el

rendimiento/desempeño de las empresas del sector financiero las vairables



PER (Price-

earning ratio)



Media

acumulada de

resultados

anormales

∑𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑎𝑛𝑜𝑟𝑚𝑎𝑙𝑒𝑠


Tabla 78 Variables de medición del rendimiento de la empresa de Muradoglu y Sivaprasad

(2012)

Los investigadores Fernandes y Pires-Capobianco (2001) en su trabajo evalúan

la relación entre la estructura financiera de las aerolíneas y el

desempeño/rendimiento de las mismas. Para operacionalizar el

rendimiento/desempeño de la empresa utilizan las variables recogidas en la

tabla 79.




Margen neto 𝐸𝐵𝑇


Rotación de

activos



ROE (Return on

Equity)



Margen de

operaciones



Rotación de

activos netos


𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙 − 𝑃𝑎𝑠𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙

RONA (Return on

net assets)


𝐴𝑐𝑡𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙 − 𝑃𝑎𝑠𝑖𝑣𝑜 𝑡𝑜𝑡𝑎𝑙

Fuente: (Fernandes & Pires-Capobianco, 2001)

Tabla 79 Variables de medición del rendimiento de la empresa de Fernandes y Pires-

Capobianco (2001)

Guzhva y Pagiavlas (2003) en su trabajo evalúan la relación existente entre la


estadounidenses. Para operacionalizar el factor de rendimiento/desempeño

utilizan las variables de la tabal 80:


ROA (Return on

assets)



RPM (Revenue

passenger miles)

𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑎𝑠𝑎𝑗𝑒𝑟𝑜𝑠

𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎⁄


Tabla 80 Variables de medición del rendimiento de la empresa de Guzhva y Pagiavlas (2003)

Los autores King y Santor (2008) en su artículo estudian en efecto de la

estructura de propiedad sobre el rendimiento/desempeño de la empresa, así

como sobre su estructura de capital. Para ello toman una muestra de 613

empresas Canadienses comprendida entre los años 1998 y 2005. Para evaluar

el factor de rendimiento/desempeño de la empresa utilizan las variables

mostradas en la tabla 81.




ROA (Return on

assets)






Tabla 81 Variables de medición del rendimiento de la empresa de King y Santor (2008)

Gleason, et al. (2000) en su estudio sobre la relación entre la estructura de

capital y el rendimiento/desempeño de la empresa, bajo el efecto cultural del

país, en una muestra de 14 distribuidores europeos, utilizan como variables

para operacionalizar el rendimiento/desempeño las identificadas en la tabla 82:

Rendimiento financiero


ROA (Return on

assets)



Margen operativo 𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛


Rendimiento operativo


Ventas por

empleado


𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠

Crecimiento de

las ventas


Fuente: (Gleason, et al., 2000)

Tabla 82 Variables de medición del rendimiento de la empresa de Gleason, et al. (2000)

Los autores Bhagat y Boltron (2008) en su trabajo evalúan la relación entre el

gobierno corporativo y el rendimiento/desempeño de las empresas. Para

operacionalizar el factor de rendimiento/desempeño de la empresa utilizan las

variables de la tabla 83.




ROA (Return on

assets)



Retorno de las

acciones 𝑅𝑒𝑡𝑜𝑟𝑛𝑜 𝑐𝑜𝑚𝑝𝑢𝑒𝑠𝑡𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠 𝑖𝑛𝑐𝑙𝑢𝑦𝑒𝑛𝑑𝑜 𝑑𝑖𝑣𝑖𝑑𝑒𝑛𝑑𝑜𝑠 𝑡



Rendimiento de

los dos últimos

años

𝑅𝑂𝐴̅̅ ̅̅ ̅̅

𝑅𝑒𝑡𝑜𝑟𝑛𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅

𝑄 𝑑𝑒 𝑇𝑜𝑏𝑖𝑛̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅

Rendimiento de

la industria de los

dos últimos años

𝑅𝑂𝐴̅̅ ̅̅ ̅̅𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎

𝑅𝑒𝑡𝑜𝑟𝑛𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎

𝑄 𝑑𝑒 𝑇𝑜𝑏𝑖𝑛̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅̅ ̅𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎

Fuente: (Bhagat & Boltron, 2008)

Tabla 83 Variables de medición del rendimiento de la empresa de Bhagat y Boltron (2008)

El autor Campello (2006) en su artículo sobre el efecto de la deuda en el

rendimiento/desempeño de las empresas, utiliza como variable para

operacionalizar el constructo rendimiento/desempeño la identificada en la tabla

84:


Crecimiento de

las ventas

𝑆𝑎𝑙𝑒𝑠𝑡 − 𝑆𝑎𝑙𝑒𝑠𝑡−1𝑆𝑎𝑙𝑒𝑠𝑡−1


Tabla 84 Variables de medición del rendimiento de la empresa de Campello (2006)

Molina-Azorín, et al. (2010) en su estudio analizan el efecto de la empresa en

su rendimiento/desempeño. Para operacionalizar el constructo

rendimiento/desempeño utilizan tres grupos de variables, los cuales se recogen

en la tabla 85.




Crecimiento de

las ventas


ROI (Return on

Investment)



ROE (Return on

Equity)



ROS (Return on

Sales)



Beneficio por

acción (EPS-

Earnings per

share)



Fuente: (Molina-Azorín, et al., 2010)

Tabla 85 Variables de medición del rendimiento de la empresa de Molina-Azorín, et al. (2010)

Caloghirou, et al. (2004) analizan la relación existente entre los efectos de la

industria y empresa, sobre el rendimiento/desempeño de las empresas. Utilizan

una muestra de 1800 empresas griegas. Operacionalizan el constructo

rendimiento/desempeño mediante las variables de la tabla 86.


Margen de

beneficios

𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖ó𝑛 − 𝑐𝑜𝑠𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑣𝑒𝑛𝑡𝑎𝑠


Margen neto 𝐸𝐵𝑇


ROE (Return on

Equity)




Tabla 86 Variables de medición del rendimiento de la empresa de Caloghirou, et al. (2004)

Los autores Hawawini, et al. (2004) analizan los efectos de la empresa,

industria, país, industria-país, año, país-año e industria-año, en el



rendimiento/desempeño de la empresa. Para operacionalizar el factor

rendimiento/desempeño no son partidarios de utilizar indicadores contables

esgrimiendo como argumento que los mismos no miden los flujos de caja y los

retornos (Return on ….) no está ajustados con el riegos. Además el valor de los

activos puede haberse obtenido a su valor histórico en lugar del valor de

mercado actual. Por este motivo proponen otros indicadores para

operacionalizar el constructo como por ejemplo los recogidos en la tabla 87:


Beneficio

económico (𝐸𝐵𝐼𝑇 ∗ (1 − 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑖𝑚𝑝𝑢𝑒𝑠𝑡𝑜𝑠)

𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑖𝑛𝑣𝑒𝑟𝑡𝑖𝑑𝑜− 𝐶𝑜𝑠𝑡𝑒 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑎𝑝𝑖𝑡𝑎𝑙 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜) 𝑥 𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜

Valor de mercado

por unidad

monetaria

empleada

𝑅𝑒𝑐𝑢𝑟𝑠𝑜𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠 + 𝐷𝑒𝑢𝑑𝑎)𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜


Fuente: (Hawawini, et al., 2004)

Tabla 87 Variables de medición del rendimiento de la empresa de Hawawini, et al. (2004)

Munisi y Randoy (2013) en su artículo analizan el efecto del gobierno

corporativo sobre el rendimiento/desempeño de las empresas. Utilizan una

muestra de 434 empresas de 10 países subsaharianos, cuyas observaciones

están comprendidas entre los años 2005 y 2009. Para operacionalizar el factor

de rendimiento/desempeño utilizan las variables identificadas en la tabla 88.


ROA (Return on

Assets)





Fuente: (Munisi & Randoy, 2013)

Tabla 88 Variables de medición del rendimiento de la empresa de Munisi y Randoy (2013)



De acuerdo a la revisión bibliográfica realizada y las entrevistas con


para operacionalizar el factor de Rendimiento de la empresa las de la figura 81:

Rendimiento del

empresa

X13 = Return on Equity (ROE)

X14 = Return on Capital Employed (ROCE)

X15 = Return on Sales (ROS)


Figura 81 Variables de medición del rendimiento de la empresa del modelo

La operacionalización de las variables es la siguiente:

𝑋13 = 𝑅𝑂𝐸 (𝑅𝑒𝑡𝑢𝑟𝑛 𝑜𝑛 𝑒𝑞𝑢𝑖𝑡𝑦) =𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑐𝑖𝑜


𝑋14 = 𝑅𝑂𝐶𝐸 (𝑅𝑒𝑡𝑢𝑟𝑛 𝑜𝑛 𝑐𝑎𝑝𝑖𝑡𝑎𝑙 𝑒𝑚𝑝𝑙𝑜𝑦𝑒𝑑) =𝐸𝐵𝐼𝑇

𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜)𝑡

𝑋15 = 𝑅𝑂𝑆 (𝑅𝑒𝑡𝑢𝑟𝑛 𝑜𝑛 𝑠𝑎𝑙𝑒𝑠) =𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑜

𝑉𝑒𝑛𝑡𝑎𝑠)𝑡

Los autores Keterlhöhn y Quintanilla (2012) en su trabajo analizan los efectos

del país, industria, empresa y temporales en el rendimiento de las empresas.

La muestra que utilizan está formada por 263 empresas, pertenecientes a 33

industrias, en 7 países de centro América, obteniendo observaciones entre los

años 1999 y 2003. Los resultados que han obtenido muestran que efecto de la

empresa explica entre el 45%-50% de la varianza del ROA, el efecto industria

explica alrededor del 10%-17%, el efecto país entre un 5%-8%.

Arend (2009) en su trabajo analiza los efectos de la industria y de las

características de empresa en su rendimiento/desempeño. Utilizan una muestra



formada por 16918 empresas de 396 industrias entre los años 1998 y 2000.

Entre los hallazgos que han obtenido se encuentran la falsación para la

muestra empleada de la sobrestimación de los efectos de la industria sobre el

rendimiento/desempeño de la empresa. Así como la imposibilidad de separar

los efectos de la industria de los de las características de la empresa, puesto

que se trata de un efecto conjunto al existir sinergias. En su trabajo muestran

tras la revisión bibliográfica realizada que el efecto de las características de

empresa explica el 40% o más de la varianza del su ROA, así como el de la

industria explica entre un 4%-20% de dicha varianza del ROA. Utilizan como

base teórica entre el efecto de la industria sobre el rendimiento/desempeño de

la empresa la literatura tradicional de Organización Industrial.

Los investigadores Claver, et al. (2002) estudian los efectos de la empresa e

industria en el rendimiento/desempeño de la empresa. Utilizan como indicador

del rendimiento/desempeño la rentabilidad (ROA). La muestra está compuesta

por 679 empresas españolas de 100 industrias diferentes, siendo las

observaciones del periodo comprendido entre 1994-1998. Han falsado para su

muestra que los dos efectos (industria y empresa) tienen influencia sobre el

rendimiento/desempeño. Sin embargo el efecto que tiene un mayor impacto es

el de empresa. En la revisión bibliográfica llevada a cabo por estos autores, se

han centrado en la teoría clásica de la Organización Industrial para argumentar

teóricamente el efecto de la industria sobre el rendimiento/desempeño de la

empresa. Donde la estructura de la industria afecta a la conducta de las

empresas y en última instancia al rendimiento/desempeño (S-C-P, Structure-

Conduct-Performance). Es decir, que el tamaño y concentración de las

empresas de la industria, las barreras de entrada, las economías de escala,

diferenciación… conforman el atractivo de la industria, como enunció Michel

Porter (1981), y este a su vez la conducta de las empresas y su

rendimiento/desempeño.



7.6 OTROS FACTORES

Adicionalmente a los factores vistos, hay otros que también afecta a las

empresas, como son la industria y el país. En el estudio que se lleva a cabo en

esta tesis doctoral como el análisis se realiza anualmente, todas las empresas

están sometidas al mismo efecto de la industria y país, por lo que pueden

considerarse quasi-constantes y aplicando la cláusula céteris paribus, los

extraemos del análisis. No obstante en una segunda etapa de esta línea de

investigación se buscará la correlación entre estos factores y los utilizados en

este trabajo.

7.6.1 Factor “EFECTO DE LA INDUSTRIA”

Los autores Kayo y Kimura (2011) en su trabajo estudian el efecto entre otros

de la industria en la estructura de capital de una empresa. Para dicho estudio

toman como variables independientes para medir el factor “Industry-level” las

recogidas en la tabla 89:


Munificiencia 𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑔𝑟𝑒𝑠𝑖𝑜𝑛 𝑒𝑛𝑡𝑟𝑒 𝑡𝑖𝑒𝑚𝑝𝑜 − 𝑣𝑒𝑛𝑡𝑎𝑠 𝑒𝑛 5 𝑎ñ𝑜𝑠

𝑉𝑎𝑙𝑜𝑟 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠

Dinamismo 𝐸𝑟𝑟𝑜𝑟 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 𝑑𝑒 𝑙𝑎 𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑚𝑢𝑛𝑖𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑖𝑎

𝑉𝑎𝑙𝑜𝑟 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠

Indice HH ∑(𝐶𝑢𝑜𝑡𝑎 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜𝑖)2


Tabla 89 Variables de medición del efecto de la industria de Kayo y Kimura (2011)

Para estos mismos autores los estudios que incorporan variables relacionadas

con la industria, lo hacen como variables dummy, aunque en el suyo las

incorporaron como variables independientes.

Los investigadores Muradoglu y Sivaprasad (2012) en su trabajo sobre el

efecto de la estructura de capital en los retornos de las empresas y la influencia

de la industria en dicha relación, utilizaran como variables para operacionalizar

dicha influencia las mostradas en la tabla 90:




Grado de

concentración de

la industria

(índice de

Herfindahl)

𝐻𝑗 = ∑𝑆𝑖𝑗2

𝑗

𝑖=1

; 𝑑𝑜𝑛𝑑𝑒 𝑆𝑖𝑗 𝑒𝑠 𝑙𝑎 𝑐𝑢𝑜𝑡𝑎 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑖 𝑒𝑛 𝑗

Tipo de industria 𝐶ó𝑑𝑖𝑜 𝑆𝐼𝐶


Tabla 90 Variables de medición del efecto de la industria de Muradoglu y Sivaprasad (2012)

Caloghirou, et al. (2004) en su estudio analizan la relación entre el

rendimiento/desempeño de las empresas y el efecto de la empresa e industria.

Utilizan una muestra de 1800 empresas griegas de diferentes sectores. Utilizan

para operacionalizar el factor efecto de la industria, las variables de la tabla 91:


Grado de

concentración de

la industria


𝐹𝑎𝑐𝑡𝑢𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎

Diferenciación de

producto

𝐺𝑎𝑠𝑡𝑜 𝑒𝑛 𝑝𝑢𝑏𝑙𝑖𝑐𝑖𝑑𝑎𝑑 𝑡𝑜𝑡𝑎𝑙 𝑒𝑛 𝑙𝑎 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎

𝑉𝑒𝑛𝑡𝑎𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠 𝑒𝑛 𝑙𝑎 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎

Ciclo de vida {

𝐸𝑚𝑏𝑟𝑖𝑜𝑛𝑎𝑟𝑖𝑎𝐶𝑟𝑒𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜 𝑀𝑎𝑑𝑢𝑟𝑒𝑧 𝐷𝑒𝑐𝑙𝑖𝑣𝑒


Tabla 91 Variables de medición del efecto de la industria de Caloghirou, et al. (2004)

Los autores Gülnur y Sivaprasad (2012) en su trabajo analizan la relación entre

la estructura de capital y el rendimiento/desempeño a través de los retornos

obtenidos. Hacen uso de una muestra de 2673 empresas británicas que

aparecen en el London Stock Exchange entre los años 1965 y 2008. Para

caracterizar la industria utilizan las variables mostradas en la tabla 92:




Grado de

concentración de

la industria

(índice de

Herfindahl)

𝐻𝑗 = ∑𝑆𝑖𝑗2

𝑗

𝑖=1

; 𝑑𝑜𝑛𝑑𝑒 𝑆𝑖𝑗 𝑒𝑠 𝑙𝑎 𝑐𝑢𝑜𝑡𝑎 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑖 𝑒𝑛 𝑗

Tipo de industria 𝐶ó𝑑𝑖𝑜 𝑆𝐼𝐶

Fuente: (Gülnur & Sivaprasad, 2012)

Tabla 92 Variables de medición del efecto de la industria de Gülnur y Sivaprasad (2012)

Los autores Goddard, et al. (2009) analizan las fuentes de variación del

rendimiento/desempeño de la empresa. Entre las fuentes de variación se

encuentran los efectos del país, industria, grupo de pertenencia y de la

empresa. En su estudio utilizan dos muestras de empresas de 11 países de la

Unión Europea, una de 13827 empresas y la otra de 7211. Los efectos de la

industria principalmente son los derivados de la distribución de las empresas en

relación a su tamaño y número, las características del producto, la facilidad de

entrada o salida. Estas características afectarían a la conducta de las mismas y

en última instancia a su rendimiento/desempeño. La literatura clásica de

organización industrial utiliza el modelo de las cinco fuerzas de Michael Porter

(1980) para analizar el atractivo de la industria y el efecto que podrían tener en

el rendimiento/desempeño de la empresa. Las varaibles que podrían

incorporarse para introducir el efecto de la industria en el modelo son las que

se muestran en la figura 82.

Efecto de la industria

Y1 = Degree of competition

Y2 = Market demand

Y3 = Market atractiveness


Figura 82 Variables de medición del efecto de la industria que podrían incorporarse al modelo



La operacionalización de dichas variables es la que se muestra a continuación:

𝑌1 = 𝐷𝑒𝑔𝑟𝑒𝑒 𝑜𝑓 𝑐𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑖𝑜𝑛 = 𝑁𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑎𝑒𝑟𝑜𝑠𝑝𝑎𝑐𝑒 𝑐𝑜𝑚𝑝𝑎𝑛𝑖𝑒𝑠 𝑖𝑛 𝑡ℎ𝑒 𝑛𝑎𝑡𝑖𝑜𝑛𝑎𝑙 𝑚𝑎𝑟𝑘𝑒𝑡𝑡

𝑌2 = 𝑀𝑎𝑟𝑘𝑒𝑡 𝑑𝑒𝑚𝑎𝑛𝑑 = 𝑅𝑒𝑣𝑒𝑛𝑢𝑒𝑠 𝑜𝑓 𝑡ℎ𝑒 𝑠𝑒𝑐𝑡𝑜𝑟𝑡

𝑌3 = 𝑀𝑎𝑟𝑘𝑒𝑡 𝑎𝑡𝑟𝑎𝑐𝑡𝑖𝑣𝑒𝑛𝑒𝑠𝑠 = 𝑀𝑎𝑟𝑘𝑒𝑡 𝑔𝑟𝑜𝑢𝑤𝑡ℎ 𝑟𝑎𝑡𝑒𝑡

En el caso que nos ocupa este tipo de variables se analizan en la revisión

bibliográfica aunque después no se utilicen en el análisis, por aplicar la cláusula

ceteris paribus y al realizar un análisis por año, afectan de igual manera a todas

las empresas que operan en ese entorno. Además entre los objetivos de esta

tesis doctoral no se encuentra analizar la relación entre el efecto de la industria

y la estructura de las empresas y su rendimiento. Este último análisis se

propone como futura línea de investigación.

7.6.2 Factor “EFECTO DEL PAÍS”

Los autores Mangir y Erdogan (2011) realizan un estudio de la crisis financiera

global recientemente sufrida, así como de la recesión, en los países donde

aparentemente ha tenido unos efectos más severos (Italia, Grecia, España,

Portugal, Irlanda y Turquía). Aunque esta crisis se inició en Estados Unidos se

propagó con mayor o menor rapidez o impacto en las diferentes economías de

los países. Para este análisis han utilizado como variables de medición de la

evolución del estado de la macroeconomía de un país las relacionadas en la

tabla 93:




Crecimiento

económico 𝑃𝐼𝐵

Tasa de inflación 𝐼𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑃𝑟𝑒𝑐𝑖𝑜𝑠 𝑎𝑙 𝐶𝑜𝑛𝑠𝑢𝑚𝑜

Tasa de

desempleo

𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑𝑒𝑠𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜𝑠

𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛 𝑎𝑐𝑡𝑖𝑣𝑎

Balanza de

pagos

𝐸𝑥𝑝𝑜𝑟𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠 − 𝐼𝑚𝑝𝑜𝑟𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠

𝑃𝐼𝐵

Tasa del balance

presupuestario

𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 − 𝐺𝑎𝑠𝑡𝑜 𝑝ú𝑏𝑙𝑖𝑐𝑜

𝑃𝐼𝐵

Fuente: (Mangir & Erdogan, 2011)

Tabla 93 Variables de medición del efecto del país de Mangir y Erdogan (2011)

Los investigadores Adidam, et al. (2012) estudian el efecto la aplicación de la

inteligencia competitiva a los resultados financieros de las empresas en India.

La inteligencia competitiva (Competitive Intelligence en inglés) según este

artículo es un proceso evolutivo y continuo que cubre el descubrimiento,

análisis y utilización de la inteligencia en relación a los competidores, el entorno

empresarial general, utilizando fuentes de información no propietarias, y

convirtiendo esos datos en conocimiento de manera continua. Añaden algún

matiz más diciendo que si la inteligencia obtenida no puede utilizarse o no sirve

para tomar acciones, entonces no es inteligencia. En su artículo plantean un

constructo que tiene que ver con la influencia del entorno macro y micro

(Macro- and micro-environment drivers). Dicho constructo lo tratan a través de

varias dimensiones, pero sin proponer variables para operacionalizarlas:

Clientes, competidores, internacional, económico, tecnológico, suministradores,

regulatoria, socio-cultural.

Matysek-Jedrych (2012) en su artículo propone medir la competitividad de la

economía ante una crisis como la vivida en 2008 mediante las variables

macroeconómicas que se muestran en la tabla 94:




Crecimiento

económico 𝑃𝐼𝐵

Creimiento

económico por

ciudadado

𝑃𝐼𝐵

𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛

Tasa de inflación 𝐼𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑃𝑟𝑒𝑐𝑖𝑜𝑠 𝑎𝑙 𝐶𝑜𝑛𝑠𝑢𝑚𝑜

Tasa de empleo 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑡𝑟𝑎𝑏𝑎𝑗𝑎𝑑𝑜𝑟𝑒𝑠

𝑃𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛 𝑎𝑐𝑡𝑖𝑣𝑎

Crecimiento real

del coste de la

mano de obra

𝐶𝑜𝑠𝑡𝑒 𝑚𝑎𝑛𝑜 𝑑𝑒 𝑜𝑏𝑟𝑎𝑡 − 𝐶𝑜𝑠𝑡𝑒 𝑚𝑎𝑛𝑜 𝑑𝑒 𝑜𝑏𝑟𝑎𝑡−1𝐶𝑜𝑠𝑡𝑒 𝑚𝑎𝑛𝑜 𝑑𝑒 𝑜𝑏𝑟𝑎𝑡−1

Productividad de

la mano de obra

𝐼𝑛𝑔𝑟𝑒𝑠𝑜𝑠 𝑑𝑒 𝑒𝑥𝑝𝑙𝑜𝑡𝑎𝑐𝑖𝑜𝑛

𝐶𝑜𝑠𝑡𝑒 𝑙𝑎 𝑚𝑎𝑛𝑜 𝑑𝑒 𝑜𝑏𝑟𝑎

Balanza de

pagos

𝐸𝑥𝑝𝑜𝑟𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠 − 𝐼𝑚𝑝𝑜𝑟𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠

𝑃𝐼𝐵

Grupos del GCI

(Global

competitiveness

index)

12 𝑔𝑟𝑢𝑝𝑜𝑠 𝑑𝑒𝑙 𝐺𝐶𝐼

Fuente: (Matysek-Jedrych, 2012)

Tabla 94 Variables de medición del efecto del país de Matysek-Jedrych (2012)

Los autores Burstein Goldszmidt, et al. (2011) en su artículo tratan de falsar la

relación causal existente entre el efecto del país en el funcionamiento de la

empresa, como el efecto de la interacción país-industria también en el

funcionamiento de la empresa. Para refutar ambas relaciones causales utiliza

un modelo jerárquico lineal de tres niveles donde operacionaliza los constructos

del siguiente modo:

Funcionamiento de la empresa – Para operacionalizar este constructo

utiliza el ROA (Return-On-Assets)

Efecto del país y efecto país-industria – Para operacionalizar estos

constructos utiliza las variables “Funcionamiento medio de la empresa j-



ésima”, “Desviación de la media del funcionamiento de la empresa j-

ésima”, “Funcionamiento media de las empresas de la industria k-ésima

en el país l-ésimo”, “Desviación de la media del funcionamiento de la

industria k-ésima de la empresa j-ésima”, “Media del funcionamiento de

todas las empresas en todas las industrias en todos los países”, “Efecto

aleatorio de la contribución media de la industria k en todos los países”

“Efecto aleatorio de la contribución media del país l en todas las

industrias”, “Efecto aleatorio de la interacción de la industria k con el país

l”

El investigador Theodore (2011) en su trabajo trata de buscar indicadores

económicos que den información sobre la detección temprana de las crisis

macroeconómicas en los países. De la revisión de bibliográfica que este autor

ha realizado pone de manifiesto que los indicadores recogidos en la tabla 95

son los más utilizados:


Variación de la

divisa

𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑣𝑖𝑠𝑎𝑡 − 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑣𝑖𝑠𝑎𝑡−1𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑣𝑖𝑠𝑎𝑡−1

Retornos del

mercado de

valores

𝐼𝑛𝑑𝑖𝑐𝑒 𝑑𝑒𝑙 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑣𝑎𝑙𝑜𝑟𝑒𝑠

Variación del PIB

real

𝑃𝐼𝐵 𝑟𝑒𝑎𝑙 𝑡 − 𝑃𝐼𝐵 𝑟𝑒𝑎𝑙 𝑡−1𝑃𝐼𝐵 𝑟𝑒𝑎𝑙 𝑡−1

Variación de la

producción

industrial

𝐼𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖𝑜𝑛 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎𝑙 𝑡 − 𝐼𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖𝑜𝑛 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎𝑙 𝑡−1𝐼𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖𝑜𝑛 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎𝑙 𝑡−1

Uso de la

financiación del

FMI

𝑉𝑜𝑙𝑢𝑚𝑒𝑛 𝑝𝑟𝑒𝑠𝑡𝑎𝑑𝑜 𝑝𝑜𝑟 𝑒𝑙 𝐹𝑀𝐼

Fuente: (Theodore, 2011)

Tabla 95 Variables de medición del efecto del país de Theodore (2011)



También ha encontrado en esa revisión bibliográfica que hay otros indicadores

que son estadísticamente significativos: Reservas, Tipo de cambio, PIB,

Crédito, Balanza de pagos, suministro de dinero, importaciones, exportaciones.

Otros indicadores no se puede concluir su baja/alta significación como por

ejemplo: Tipo de interés e inflación. Como conclusión final de su estudio, pone

de manifiesto que las variables que mejor predicen la crisis económica en

Trinidad y Tobago son: Diferencial del tipo de interés y tipo de interés real. Se

podría asumir como hipótesis que si en una economía en principio más

encapsulada del mercado global que las estudiadas en esta tesis doctoral,

muestra una serie de variables, como predictoras de la crisis económica, este

comportamiento se repite en economías menos encapsuladas, incluso podría

magnificarse.

Yang y Mallick (2013) en su artículo estudian como las diferencias

macroeconómicas entre países afectan al rendimiento de las empresas y a su

capacidad exportadora. Proponen una serie de variables diferenciadoras entre

países que podrían ser tenidas en cuenta en el modelo de medición de este

constructo. Dichas variables son: Demanda externa, Precios relativos,

Crecimiento del PIB, Inflación, Apertura el comercio (trade openness), Inversión

directa exterior, Grado de reforma financiera, Crisis financiera en el país

Los autores Chiarella y Di Guilmi (2011) en su artículo examinan como se

propaga la crisis financiera a la economía real. Esa aproximación es útil para

esta tesis doctoral ya que pone de manifiesto aquellos indicadores que mejor

miden la economía real y que actúan como catalizadores de una crisis en un

sector determinado (en este caso el financiero) hacia el entorno en el que

operan las empresas de ese país. Las variables macroeconómicas y

microeconómicas que ha utilizado son: PIB, fluctuaciones del PIB,

capitalización del mercado, media de la capitalización del mercado, deuda de la

empresa, media de la deuda de las empresas, fluctuaciones en el PIB. Uno de

los resultados que han obtenido es la existencia de correlación en su muestra

(EEUU entre 1929 y 2008) entre los siguientes pares de variables:



Capitalización del mercado y PIB

Media de la capitalización del mercado y PIB

Deuda de la empresa y PIB

Media de la deuda de las empresas y PIB

Los investigadores Tomas y Dimitric (2011) en su artículo realizan una revisión

bibliográfica sobre los trabajos que incorporan variables microeconómicas y

macroeconómicas para predecir la desaceleración o los problemas financieros

en las empresas. En este mismo trabajo comentan que hay varios

investigadores que las variables que pueden predecir la desaceleración o la

bancarrota en las empresas varia de unos países a otros. Por lo que el efecto

del país influye sobre el rendimiento de las mismas. Este hecho soporta la

inclusión de esta variable en el modelo de esta tesis doctoral. Como resumen a

lo que estos autores han encontrado en la revisión bibliográfica que han llevado

a cabo la mayor parte de esos autores sugieren que para tener una mayor

precisión en la determinación de la influencia del macroentorno en el

funcionamiento de las empresas sería conveniente tener en cuenta las

siguientes variables macroeconómicas: Cambios en el PIB real, suministro de

dinero, tasa de desempleo, cambios en los tipos de interés, tipo de cambio de

divisa extranjera, índice de precios al consumo, número de nuevas empresas

creadas, balanza de pagos.

Jurlin, et al. (2011) en su artículo realizan una revisión bibliográfica sobre la

existencia de indicadores que sean capaces de poner de manifiesto la

desaceleración de una economía para anticipar una crisis económica. Al

estudio de este tipo de indicadores se le denomina Sistema de Alerta

Temprana (Early Warning System – EWS). Es importante incluir este tipo de

indicadores en esta tesis doctoral para medir la influencia del entorno en el

rendimiento de las empresas, en lugar de otros que aun siendo válidos, pero

aportarían menos valor al tener un matiz reactivo en lugar de proactivo con

estos. En este trabajo aparecen varias clasificaciones de los indicadores

macroeconómicos, como por ejemplo las que los divide en cuatro categorías:



(1) monetarios, (2) financieros, (3) fiscales, (4) macroeconómicos. También

mencionan un cuadro de mando de alerta temprana macroeconómica que la

Comisión Europea decide incluir como propuesta legislativa en 2010 y que

incluye los siguientes indicadores: balanza por cuenta corriente, tipo de cambio

efectivo real, deuda del sector privado, deuda del sector público

No obstante el modelo propuesto por la Comisión Europea no refleja la realidad

de manera apropiada según el estudio que realizó Heinen (2011) tomando una

muestra de los miembros de la Unión Europea entre los años 2006 y 2010.

Sólo los dos primeros indicadores de la tabla (balanza por cuenta corriente y

posición externa neta) mostraron signos de debilidad estando fuera de los

límites propuestos para Grecia, Irlanda, España y Portugal.

En el artículo de estos autores (Jurlin, et al., 2011) proponen otra clasificación

de los indicadores macroeconómicos utilizados para evaluar la salud financiera

del país, basada en los siguientes grupos: Cuenta corriente, cuenta de capital,

financiero, deuda, internacional, real, fiscal, institucional y político.

El estudio de los autores Frankel y Saravelos (2010) en el que analizan el

porcentaje de los estudios que identifican como estadísticamente significativo

diferentes indicadores macroeconómicos. Estos datos aparecen representados

en la figura 83.



Fuente: (Frankel & Saravelos, 2010)

Figura 83 Distribución de estudios que identifican varios indicadores macroeconómicos como significativos

Los autores Oral y Chabchoub (1996) en su artículo estudian la metodología

que se utiliza para elaborar la información del informe “World Competitiveness

Report” publicado por el Foro Económico Mundial (World Economic Forum –

WEF). Resaltan en numerosas ocasiones la importancia del entorno

competitivo en el funcionamiento y rendimiento de las empresas. En el informe

que publican aparecen 8 factores que engloban todos los aspectos que

consideran que miden la competitividad de un país. Dichos factores (podrían

considerarse equivalentes a constructos) son: Fortaleza de la economía

doméstica, internacionalización, gobierno, finanzas, infraestructura, gestión,

ciencia y tecnología, población. Por lo tanto si se quisiera incluir en esta tesis

doctoral la influencia de la competitividad se podría hacer a través del índice de

competitividad el país o bien descomponiéndolo en cada uno de los ocho

factores (cada uno tiene multitud de variables que son agregadas según

diversas reglas para producir un único índice por factor).



Priyanto (2006) en su artículo evalúa mediante un modelo de ecuaciones

estructurales aplicado a una muestra de empresas que cultivan tabaco en

Indonesia, la relación causal entre el entorno económico de un país y el

rendimiento y/o funcionamiento de las empresas de la muestra elegidas. Este

artículo resulta útil, además de por la relación causal que plantea, también por

el modelo de medición del entorno económico que propone, y cuyas variables

de medición son: Precio input / output, acceso a capital, estructura del

mercado, soporte del Gobierno al sector

Los autores Hofmann & Lampe (2013) en su estudio sobre la influencia de los


funcionamiento, utilizan como variables para operacionalizar el factor “Other

factors” las siguientes: Tendencia general económica, precio del pretróleo

Los investigadores Kayo y Kimura (2011) en su trabajo estudian el efecto entre

otros del país en la estructura de capital de una empresa. Para dicho estudio

toman como variables independientes para medir el factor “Country-level” las



Desarrollo del

mercado de

valores

𝐶𝑎𝑝𝑖𝑡𝑎𝑙𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑣𝑎𝑙𝑜𝑟𝑒𝑠

𝑃𝐼𝐵

Desarrollo del

mercado de

bonos

𝐶𝑎𝑝𝑖𝑡𝑎𝑙𝑖𝑧𝑎𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑑𝑒 𝑏𝑜𝑛𝑜𝑠 𝑝𝑢𝑏𝑙𝑖𝑐𝑜 𝑦 𝑝𝑟𝑖𝑣𝑎𝑑𝑜

𝑃𝐼𝐵

Sistema

financiero

(Mercado vs

Bancos)

{1 𝑠𝑖 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑓𝑖𝑛𝑎𝑛𝑐𝑖𝑒𝑟𝑜 𝑒𝑠𝑡á 𝑜𝑟𝑖𝑒𝑛𝑡𝑎𝑑𝑜 ℎ𝑎𝑐𝑖𝑎 𝑙𝑜𝑠 𝑚𝑒𝑟𝑐𝑎𝑑𝑜𝑠0 𝑠𝑖 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑓𝑖𝑛𝑎𝑛𝑐𝑖𝑒𝑟𝑜 𝑒𝑠𝑡á 𝑜𝑟𝑖𝑒𝑛𝑡𝑎𝑑𝑜 ℎ𝑎𝑐𝑖𝑎 𝑙𝑜𝑠 𝑏𝑎𝑛𝑐𝑜𝑠

Crecimiento del

PIB

𝑃𝐼𝐵𝑡 − 𝑃𝐼𝐵𝑡−1𝑃𝐼𝐵𝑡−1


Tabla 96 Variables de medición del efecto del país de Kayo y Kimura (2011)



Guzhva y Pagiavlas (2003) en su trabajo sobre la relación existente entre la


estadounidenses, introducen el efecto del país sobre la misma. Para

operacionalizar este efecto país, utilizan las variables mostradas en la tabla 97:


Cambios en el

PIB real

𝑃𝐼𝐵 𝑟𝑒𝑎𝑙 𝑡 − 𝑃𝐼𝐵 𝑟𝑒𝑎𝑙 𝑡−1𝑃𝐼𝐵 𝑟𝑒𝑎𝑙 𝑡−1

Índice de precios

al consumo del

año anterior

𝐼𝑃𝐶𝑡−1


Tabla 97 Variables de medición del efecto del país de Guzhva y Pagiavlas (2003)

Tras revisar la bibliografía y con las consultas realizadas a expertos

académicos y de la industria se han identificado las variables de la figura 84

como potencialmente utilizables si se quisiera incorporar el efecto del país al

estudio.

Efecto del pais

Y4 = PIB

Y5 = Tasa de desempleo

Y6 = Importaciones aeros.

Y7 = Exportaciones aeros.

Y8 = Competitividad


Figura 84 Variables de medición del efecto del país que podrían incorporarse al modelo



La operacionalización de estas variables es la siguiente:

𝑋4 = 𝑃𝐼𝐵𝑡

𝑋5 = 𝑇𝑎𝑠𝑎 𝑑𝑒 𝑑𝑒𝑠𝑒𝑚𝑝𝑙𝑒𝑜𝑡

𝑋6 = 𝐼𝑚𝑝𝑜𝑟𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒𝑙 𝑠𝑒𝑐𝑡𝑜𝑟 𝑎𝑒𝑟𝑜𝑒𝑠𝑝𝑎𝑐𝑖𝑎𝑙𝑡

𝑋7 = 𝐸𝑥𝑝𝑜𝑟𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒𝑙 𝑠𝑒𝑐𝑡𝑜𝑟 𝑎𝑒𝑟𝑜𝑒𝑠𝑝𝑎𝑐𝑖𝑎𝑙𝑡

𝑋8 = Í𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑐𝑜𝑚𝑝𝑒𝑡𝑖𝑡𝑖𝑣𝑖𝑑𝑎𝑑 𝑔𝑙𝑜𝑏𝑎𝑙 𝑑𝑒𝑙 𝑊𝐸𝐹𝑡

7.7 DESCRIPCIÓN DEL MODELO COMPLETO

Una vez que se han definido las áreas que se van a incluir en el modelo, así

como haciendo uso de la bibliografía se han seleccionado las variables para

operacionalizarlas y medirlas, se va a presentar en la tabla 98 el modelo

completo sobre el que se aplicarán las diferentes técnicas. No siempre estarán

presentes todas las variables aquí expuestas (por ejemplo la variable “Posición

en la cadena de suministro no se utiliza en el modelo predictivo con redes

neuronales artificiales, pero sin embargo es una variable muy importante en el

análisis DEA para dividir las empresas en grupos afines y sacar conclusiones

de los resultados por eslabón de la cadena de valor).

Efecto de la empresa

Variable Fórmula de cálculo

Company age 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑎𝑔𝑒 = 2013 − 𝐴ñ𝑜 𝑑𝑒 𝑓𝑢𝑛𝑑𝑎𝑐𝑖ó𝑛

Company size 𝑉𝑒𝑛𝑡𝑎𝑠𝑡

𝐹𝑎𝑐𝑡𝑢𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑑𝑢𝑠𝑡𝑟𝑖𝑎 𝑎𝑒𝑟𝑜𝑒𝑠𝑝𝑎𝑐𝑖𝑎𝑙𝑡

Value chain

position 𝑉𝑎𝑙𝑢𝑒 𝑐ℎ𝑎𝑖𝑛 𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛

{

1 = 𝐼𝑛𝑔𝑒𝑛𝑖𝑒𝑟í𝑎

2 = 𝑀𝐴𝐼𝑇 (𝑀𝑎𝑛𝑢𝑓𝑎𝑐𝑡𝑢𝑟𝑖𝑛𝑔, 𝐴𝑠𝑠𝑒𝑚𝑏𝑙𝑦, 𝑇𝑒𝑠𝑡 & 𝐼𝑛𝑡𝑒𝑔𝑟𝑎𝑡𝑖𝑜𝑛) 3 = 𝑆𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠 4 = 𝑀𝑅𝑂 5 = 𝐼𝑛𝑔𝑒𝑛𝑖𝑒𝑟í𝑎 + 𝑀𝐴𝐼𝑇 + 𝑆𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠

6 = 𝐼𝑛𝑔𝑒𝑛𝑖𝑒𝑟í𝑎 +𝑀𝐴𝐼𝑇 + 𝑆𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠 + 𝑀𝑅𝑂

Infrastructure

and resource

intensity

𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒𝑠𝑡𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠𝑡



Estructura de activos


Asset intensity 𝐴𝑐𝑡𝑖𝑣𝑜𝑠 𝑛𝑜 𝑐𝑜𝑟𝑖𝑒𝑛𝑡𝑒𝑠


Assets

turnover rate



Current assets

turnover rate





Debt-to-Equity

ratio

𝐷𝑒𝑢𝑑𝑎


Leverage 𝐷𝑒𝑢𝑑𝑎


Debt intensity 𝑃𝑎𝑠𝑖𝑣𝑜 𝑛𝑜 𝑐𝑜𝑟𝑟𝑖𝑒𝑛𝑡𝑒


Estructura de liquidez


Coverage

ratio



Current ratio (𝐸𝑓𝑒𝑐𝑡𝑖𝑣𝑜 + 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑏𝑙𝑒 + 𝑐𝑢𝑒𝑛𝑡𝑎𝑠 𝑎𝑐𝑜𝑏𝑟𝑎𝑟 + 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑠 − 𝑎𝑛𝑡𝑖𝑐𝑖𝑝𝑜𝑠 𝑟𝑒𝑐𝑖𝑏𝑖𝑑𝑜𝑠)


Rendimiento de la empresa


ROE (Return

on equity)



ROCE (Return

on capital

employed)

𝐸𝐵𝐼𝑇

𝐶𝑎𝑝𝑖𝑡𝑎𝑙 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑜)𝑡

ROS (Return

on sales)

𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑒𝑗𝑒𝑟𝑐𝑖𝑜

𝑉𝑒𝑛𝑡𝑎𝑠)𝑡

Rendimiento de la empresa


Company

efficiency 𝐸𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑖𝑎 𝐷𝐸𝐴


Tabla 98 Variables del modelo completo



Tras presentar el modelo completo y resumido, a continuación se va a motivar

el uso de cada variable, así como el valor añadido que aporta su utilización:

Company age – Mediante esta variable se pone de manifiesto la

antigüedad de la empresa. Potencialmente las empresas más antiguas

tienen más experiencia y por lo tanto podrían presentar un mayor

rendimiento. Las empresas más antiguas también pueden explotar la

ventaja de una mejor reputación o el activo intangible de la red de

contactos que pueden tener y conocimiento de la industria. Por el

contrario pueden presentar una serie de desventajas respecto a las de

menor edad, como son mayor inercia, más burocracia, menor enfoque a

la gestión del camino y por lo tanto peor adaptabilidad al mercado y

menos agilidad, es decir, más robustas pero menos ágiles.

Company size – Con esta variable se muestra el tamaño de las

empresas. Para ello se ha hecho uso de un índice que relaciona su

facturación con la facturación de la industria aeroespacial. Esta magnitud

no es la cuota de mercado puesto que una empresa puede trabajar para

varios sectores y su facturación es la suma de todos ellos. La

experiencia muestra que las empresas grandes presentan mayor

predisposición a la explotación de las economías de escala. Las

pequeñas en cambio potencialmente tienen menos poder que las

grandes y les puede resultar más complicado competir en mercados e

industrias globales. Por el contrario cuanto más grandes son las

empresas también pueden comenzar a ser más ineficientes al presentar

una mayor burocracia y procesos más complejos y lentos, donde las

pequeñas presentarían una ventaja y podrían resultar más ágiles.

Value chain position – Con esta variable se han categorizado las

empresas en función de la posición que ocupan dentro de la cadena de

valor del sector aeroespacial. Normalmente en esta industria hay dos

tipos de empresas, la que se dedican a un solo eslabón de la cadena de

valor y se especializan en él, y las que abarcan varios eslabones. Las

que son monoeslabón son las que se dedican a: Ingeniera, MAIT,



Servicios o MRO. Por el contrario en la combinación de varios eslabones

la empresas suelen cubrir: Ingeniería + MAIT + Servicios, o Ingeniería +

MAIT + Servicios + MRO abarcando toda la cadena de valor.

Infrastructure and resource intensity – Esta variable trata de mostrar

si las empresas son intensivas recursos no corrientes. Normalmente son

más costosos que los corrientes, ya que suelen requerir una inversión

mayor y es más difícil que la inversión se recupere (por ejemplo en los

inventarios se recupera cuando se vende el producto). Podría

representar una barrera de entrada de nuevos competidores a la

industria si la inversión en activos no corrientes es muy elevada. Cuando

mayor es mayor barrera de entrada presenta. Asimismo para las

empresas que ya están operando cuando mayor sea peor, puesto que

tendrán que realizar grandes inversiones pudiendo lastrar la rentabilidad

de la empresa.

Asset intensity – Evalúa la estructura de activos de corto y largo plazo.

Es decir, para el tipo de operaciones que realizan las empresas son más

intensivas en recursos del corto plazo o del largo plazo. Cuanto más

pequeño sea este índice mejor. Pero con un matiz, con respecto las

empresas que desempeñen el mismo de tipo de operación.

Assets turnover rate – La misión de esta variable es manifestar la

actividad de ventas de la empresa, es decir, cuantas veces es capaz de

vender la empresa un valor igual a la inversión realizada (la cual está

materializada por los activos). Otro enfoque puede ser la productividad

de los activos a la hora de generar ventas, es decir, por cada unidad

monetaria invertida en activos cuando va a mejorar las ventas de la

empresa. Siguiendo cualquiera de los dos enfoques cuanto mayor sea

esta variable más eficiente y productiva estará siendo la empresa.

Current assets turnover rate – La misión de esta variable es

manifestar la actividad de ventas de la empresa, es decir, cuantas veces

es capaz de vender la empresa un valor igual a la inversión realizada (la

cual está materializada por los activos). Otro enfoque puede ser la



productividad de los activos a la hora de generar ventas, es decir, por

cada unidad monetaria invertida en activos cuando va a mejorar las

ventas de la empresa. Siguiendo cualquiera de los dos enfoques cuanto

mayor sea esta variable más eficiente y productiva estará siendo la

empresa.

Debt-to-equity – Esta variable muestra la contribución relativa de los

acreedores y los inversores. Los recursos para la obtención de activos

necesarios para llevar a cabo las operaciones de la empresa se obtienen

principalmente de los acreedores y los inversores. Este índice pone de

manifiesto la proporción que guardan ambos. Cuanto mayor sea este

índice más protegidos y menos riego tienen por tanto los acreedores, lo

que a priori redundará en un menor coste de la deuda.

Leverage – Muestra la medida en la que los fondos prestados (deuda)

cubre la necesidad de activos. También puede entenderse como la

cantidad de deuda (financiación) que se necesita por cada unidad de

activo que se requiere para las operaciones de la empresa. Cuanto más

elevado sea el apalancamiento significa que es necesaria más

financiación para cubrir los activos requeridos

Debt intensity – Evalúa la estructura de pasivos de corto y largo plazo.

Es decir, para el tipo de operaciones que realizan las empresas son más

intensivas en deuda a corto plazo o del largo plazo. Cuanto más

pequeño sea este índice mejor. Pero con un matiz, con respecto las

empresas que desempeñen el mismo de tipo de operación.

Coverage ratio – Esta variable mide la capacidad de cubrir la necesidad

de activos no corrientes (los de largo plazo) con los recursos propios

proporcionados por los inversores. Puede entenderse como la capacidad

de cubrir las necesidades de activos de largo plazo sin recurrir a la

deuda. Un valor alto de esta variable indica una buena cobertura por

parte de los inversores de los activos no corrientes. Mientras que un

valor bajo es indicativo de una mayor necesidad de financiación por

parte de los inversores o de acreedores.



Current ratio – Se trata de una de las principales medidas de liquidez

que nos va a mostrar la proporción de deudas a corto plazo que son

cubiertas por elementos de activo, cuya conversión en dinero

corresponde aproximadamente al vencimiento de dichas deudas. Cuanto

mayor sea el valor esta variable mayor será la capacidad de la empresa

para hacer frente a sus deudas corrientes. Existe otra variante,

denomidada Quick Ratio, en la que se descuenta el efecto de la parte

menos líquida como son los inventarios para hacer este índice más

estricto, pero no se ha tenido en cuenta en esta tesis doctoral ya que por

el carácter de la misma con el Current ratio era suficiente, si bien no se

descarta incorporarlo en alguna de las futuras líneas de investigación

que se enuncian al final del documento.

ROE (Return on Equity) – Esta variable muestra el rendimiento de la

empresa con un enfoque hacia los inversores. Muestra la capacidad de

generación de beneficios por cada unidad monetaria que un inversor

pone en la empresa. Cuanto mayor sea este índice mejor rendimiento

presentará la empresa frente a los inversores. En cierta manera puede

dejar entrever si entre los objetivos estratégicos de la empresa se sitúa

la maximización de la utilidad del inversor. También puede servir a la

empresa para evaluar la capacidad de captación y retención de

inversores, comparando este índice con la rentabilidad libre de riesgo

que puede proporcionarle al inversor cualquier otro activo que ofrezca el

mercado (otras empresas de la misma industria, de otra industria,

activos financieros…), ya que si esta última fuera mayor los inversores

estarían tentados a desinvertir de la empresa. Esta variable mide la

rentabilidad financiera.

ROCE (Return on Capital Employed) – Esta variable está enfocada al

análisis del rendimiento de la empresa con respecto al desarrollo de sus

operaciones. Es la capacidad de la empresa para administrar de manera

eficaz y eficiente los recursos de los que dispone para generar

beneficios para la empresa, es decir, por cada unidad monetaria



empleada por la empresa que beneficio es capaz de obtener con las

operaciones que lleva a cabo. Por este motivo los beneficios que se

utilizan son descontando el efecto financiero y fiscal, puesto que se trata

en todo momento de evaluar las operaciones. Cuanto mayor sea esta

variable mejor se estará comportando la empresa a nivel operativo.Esta

variable mide la rentabilidad operativa.

ROS (Return on Sales) – Evalúa el rendimiento de la empresa

enfocado hacia el mercado. La capacidad de la empresa para generar

beneficios de cada unidad monetaria que es capaz de vender. Cuanto

mayor sea este índice mejor rendimiento tiene la empresa hacia el

mercado. Esta variable mide la rentabilidad de las ventas.

Company efficiency – Se evalua mediante un modelo de análisis de

envolvente de datos de tipo CCR y con orientación output. Se utilizar

como variables de salida los rendimientos (ROE, ROCE, ROS) y como

inputs el resto excepto “Value chain position”. Se trata de obtener el

máximo nivel de rendimiento para los inputs que se dan al modelo. Esta

variable no se utiliza en el análisis de componentes principales.

Las ventajas que ofrece este modelo:

Replicabilidad, mediante la aplicación cualquier empresas de cualquier

industria, entorno, país, horizonte temporal, lo que permite la

comparabilidad de los resultados.

Estabilidad, al utilizar unas variables cuyo uso está muy extendido,

probado y contrastado, así como existen otras investigaciones que las

han utilizado.

Utiliza un número no muy elevado de variables, lo que hace que los

cálculos no sean excesivamente pesados, reduciendo la capacidad de

cálculo necesaria. Aun así es capaz de cubrir y captar los efectos de la

estructura de capital, de liquidez y de activos de la empresa, así como la

rentabilidad enfocada a tres ejes estratégicos (inversor-mercado-

operativo).



Todas las variables son agrupables en categorías con un significado, lo

que facilita su interpretación si se agrupan por ejemplo en factores.

No todo son ventajas, ya por el hecho de haber decidido aprovecharlas,

también existen en una serie de desventajas en el modelo:

Perdida de las microparticularidades del sector, entorno o país donde se

aplique, puesto que para captarlas habría que introducir muchas más

variables y dejar que la técnica de análisis capte esto microefectos.

Imagen de simplicidad, cuando en realidad se torna en potencia del

modelo (facilidad de uso, comprensión, replicabilidad, estabilidad).



PARTE IV ANÁLISIS EXPLORATORIO DE DATOS



CAPITULO 8 MUESTRA Y DATOS

8.1 DETERMINACIÓN DE LA MUESTRA

La muestra corresponde a las empresas del sector aeroespacial en India y

España. Existe un requerimiento para trabajar en el sector aeroespacial, que

está extendido por todo el mundo, y que diferencia a las empresas que trabajan

en este sector de las que lo hacen en otros. Dicho requerimiento es la

certificación del Sistema de Gestión de Calidad de acuerdo a la serie

EN/AS/JIS 9100 (Sistema de Gestión de Calidad del sector aeroespacial).

Las empresas que no posean esta certificación y por ejemplo estén certificadas

de acuerdo a la serie ISO 9000, no significa que no realicen trabajos para el

sector aeroespacial, sino que los trabajos importantes y que en definitiva

añaden valor no los realizan ellas. Por lo tanto si se quisiera saber que

empresas trabajan en este sector habría que conocer las que están

certificadas. Esto es posible gracias al International Aerospace Quality Group

(IAQG) y su base de datos OASIS, donde todos los cuerpos de acreditación de

todo el mundo informan sobre las empresas certificadas. Se ha buscado en

dicha base de datos las empresas certificadas en India y España, obteniendo

los siguientes resultados: a) India – 347 empresas, b) España – 424 empresas.

A continuación se muestra en la figura 85 la interfaz gráfica de la página del

IAQG, donde el usuario debe registrarse y acceder a la base de datos.

Obteneniendo una nueva pantalla en la que poder buscar las empresas de

acuerdo a diferentes filtros, como por ejemplo, nombre, país, área, entidad

certificadora… tal y como muestran las figuras 86 y 87.



Fuente: (Society of Automotive Engineers, 2015)

Figura 85 Interfaz gráfica de la base de datos OASIS


Figura 86 Búsqueda de empresas en OASIS para India




Figura 87 Búsqueda de empresas en OASIS para España

Adicionalmente para el caso de España se han consultado las páginas web de

TEDAE (Asociación Española de Empresas Tecnológicas de Defensa,

Aeronáutica, Seguridad y Espacio) y los cluster aeroespaciales en busca de

más empresas. Los clusters consultados son:

AERA Cluster aeronáutico de Castilla La Mancha

AeroVC Cluster aeronáutico de la Comunidad Valenciana

Aerópolis Parque Tecnológico Aeroespacial de Andalucía

BAIE Cluster aeronáutica de Cataluña

Fundación Hélice Cluster aeronáutico de Andalucía

Hegan Cluster aeronáutico del País Vasco

Madrid Plataforma Aeronáutica y del Espacio Cluster aeronáutico de la

Comunidad de Madrid

Para el caso de India se ha accedido en busca de más empresas que

participen en el sector aeroespacial a la Aeronautical Society of India, así como

a los cluster (SEZ – Special Economic Zone) de:



Karnataka cluster

Hyderabad cluster

Adibatla cluster

Gujarat cluster (Delhi-Mumbai

El proceso completo de generación de la muestra, así como las fuentes se

muestra en el esquema de la figura 88.


Figura 88 Proceso de obtención de la muestra

8.2 DETERMINACIÓN DE LOS DATOS DE LAS EMPRESAS

Una vez conocidas las empresas de la muestra hay que obtener los estados

financieros de las mismas para poder determinar las variables de medición del

modelo de ecuaciones estructurales.

En el caso de las empresas españolas se ha utilizado la base de datos SABI ®

que contiene información de las empresas españolas y portuguesas. El tipo de

información disponible es por ejemplo, los estados financieros, indicadores

Spanish Aerospace

clusters

Indian aerospace

clusters

España

India

http://www.sae.org/iaqg/



financieros, estructura de propiedad, cotizaciones bursátiles cuando sea

aplicable, histórico de fusiones y adquisiciones…, etc. En la figura 89 se

muestra la interfaz gráfica de acceso a la misma. Los valores obtenidos son sin

anualizar.

Fuente: (Bureau Van Dijk, 2015)

Figura 89 Interfaz gráfica de la base de datos SABI

Para las empresas en India se utiliza una base de datos llamada Prowess ®

para obtener los estados financieros. Dicha base de datos es mantenida por el

Center for Monitoring Indian Economy (CMIE). Contiene información desde los

años 1989-1990. Para su acceso es necesario un software desarrollado para

este propósito. La información que incluye contempla por ejemplo los estados

financieros, ratios financieros, estructura de propiedad, información bursátil

cuando sea aplicable,…etc. Esta base de datos tiene 27.822 empresas en el

momento en el que se accedió para la elaboración de esta tesis doctoral. La

interfaz gráfica es la que se muestra en la figura 90. Los valores obtenidos son

en millones de euros y sin anualizar.



Fuente: (Center for Monitoring Indian Economy, 2015)

Figura 90 Interfaz gráfica de la base de datos PROWESS

La distribución de la muestra de empresas encontradas en sendas bases de

tados es la que se muestra en la tabla 99.


Tabla 99 Distribución de la muestra entre 2008-2013



Previo a la aplicación de las diferentes técnicas de análisis se antoja necesario

realizar un análisis sobre los propios datos (valores perdidos, valores atípicos),

ya que de lo contrario la falsación de las hipótesis y las serendipias podrían no

tener validez y sustento al esconder los datos de partida algún tipo de sesgo.

Como dicen Hair. et al. (2010) las técnicas de análisis le confieren un gran

poder al investigador pero también un gran reto para demostrar que los

resultados obtenidos no se ven comprometidos por no estar convenientemente

soportados teóricamente.

8.3 ANÁLISIS DE LOS VALORES PERDIDOS

Los valores perdidos son observaciones inexistentes dentro de la muestran que

podrían llegar a condicionar o sesgar los resultados tras aplicar una técnica

determinada. De hecho en todas las disciplinas están presentes si bien su

presencia es más acusada en las investigaciones relacionadas con las ciencias

sociales, poniendo en riesgo la generalización y bondad de los resultados

obtenidos. Por este motivo es necesario determinarlos y tratarlos

adecuadamente en función del número de ellos, y de su distribución. Existe una

regla comúnmente aceptada de que si los valores perdidos para una variable

son inferiores al 5% se pueden eliminar dichas observaciones sin que se

introduzca sesgo en las medidas de centralidad y dispersión. Otro aspecto a

tener en cuenta en el análisis de estos valores es la aleatoriedad de los

mismos, pudiendo estar distribuidos de manera completamente aleatoria

(MCAR-Missing Completely at Random), de manera aleatoria (MAR-Missing at

Ramdon), o de manera no aletaoria (MNAR-Missing not at Random) (Uriel

Jiménez & Aldás Manzano, 2005) (Hair, et al., 2010). El objetivo es identificar

los patrones que siguen los valores perdidos, así como las relaciones

existentes entre ellos, con el objeto de tratarlos y mantener en la medida de lo

posible la distribución original de los datos y en consecuencia perturbar lo

mínimo posible la muestra original.



Respecto al tratamiento que se puede realizar sobre los mismos, se puede:

Eliminar todas las observaciones con valores perdidos. A esta técnica

se le denomina Listwise. La principal desventaja es la pérdida de

información al reducir la muestra.

Eliminar casos por parejas, si aparecen dos valores perdidos en la

misma observación para dos variables diferentes. Esta técnica también

se llama Pairwise. De nuevo la principal desventaja es la pérdida de

información porque se reduce la muestra.

Imputar los valores perdidos. Se trata de sustituir los valores

inexistentes de las variables correspondientes. Para ello se puede

realizar una imputación simple, si se determina un solo valor, o la

imputación múltiple cuando se determinan varios tras iterar, y se

devuelve la media de los valores imputados. Las técnicas son variadas,

pueden imputarse mediante la media, regresión lineal, regresión no

lineal… La principal ventaja es que se pierde menos información.

Respecto al método de imputación, existen varios tipos, cada uno

especializado en función del tipo de distribución que presenten los

valores perdidos (MCAR, MAR, MNAR). Los autores Hair, et al. (2010)

proponen como regla general en caso de que los valores perdidos sean

inferiores al 10% de la muestra total utilizar cualquiera de los métodos.

Algunos fabricantes de software como IBM en concreto en su paquete

SPSS ®, sugieren en la documentación para usuarios la misma

aproximación, es decir, el uso de cualquiera de las técnicas disponibles

bien sean aplicables a MCAR, MAR o MNAR, debido a que el propio

software examina cual es la que proporciona mejores resultados en

cada caso de manera automática (siempre que los valores perdidos no

representen un porcentaje elevado). Todo lo anterior es válido siempre

y cuando no exista un patrón determinado que sugiera que tipo de

aproximación utilizar.



8.3.1 España

Para la determinación de los valores perdidos se va a utilizar el paquete de

software comercial SPSS ®. Para ello se importan los datos y a través de la

siguiente ruta se obtienen las frecuencias de valores perdidos (Analizar

Frecuencias)

Estadísticos

N

Válido Perdidos % Perdidos

Year 1754 0 0,00%

Company_age 1754 0 0,00%

Sales 1743 11 0,63%

Current_assets 1753 1 0,06%

Non_current_assets 1743 11 0,63%

Current_liabilities 1749 5 0,29%

Non_current_liabilities 1742 12 0,69%

Equity 1754 0 0,00%

Net_Income 1748 6 0,34%

ROCE 1749 5 0,29%


Tabla 100 Distribución de valores perdidos en España

A la vista de los resultados que aparecen recogidos en la tabla 100 se podrían

eliminar las observaciones con valores perdidos ya que son muy inferiores al

5% que está aceptado como límite para la eliminación (Listwise). Las variables

que no aparecen son porque no tienen valores perdidos.

Una vez determinada la cantidad de valores perdidos hay que evaluar la

distribución de los mismos con objeto de determinar si son (MCAR,MAR,

MNAR). Para ellos se calcula el coeficiente de Little. En SPSS la ruta a seguir

es: Analizar / Análisis de valores perdidos



Medias

marginales

estimadasa

Year 2010,86

Company_age 17,88

Sales 33710290,05

Current_assets 38010836,20

Non_current_assets 63695894,89

Current_liabilities 31657694,09

Non_current_liabilities 43085021,34

Equity 26973742,58

Net_income 3560728,18

ROCE 12,26782

a. Prueba MCAR de Little: Chi-cuadrado = 47,761, DF = 76, Sig. = ,995


Tabla 101 Medias marginales estimadas con valores perdidos en España

A la vista de los resultados de la tabla 101 el nivel de significación rechaza la

hipótesis nula al ser mayor de 0,05 y por lo tanto son MCAR (valores perdidos

completamente aleatorios). La ventaja de esta distribución es que no sesga la

muestra.

La distribución de los valores perdidos se muestra en la figura 91 y 92

(obtenida de SPSS)


Figura 91 Distribución de valores perdidos (variables, casos, valores) en España




Figura 92 Patrones de los valores perdidos en España

De nuevo al visualizar los valores perdidos en la figura 92 y 93 se observa que

no siguen ningún patrón, por lo que se puede inferir que son MCAR.


Figura 93 Histograma de valores perdidos en España



La opción seleccionada es la de imputar los valores perdidos para ellos el

SPSS hay que hacer uso de los siguiente menús: Ir a Transformar / Generar

números aleatorios

Como parece que hay un patrón en el método de imputación deberíamos

utilizar monótico. La forma en la que se han introducido las variables es en

función del número de casos perdidos (comenzando en primer lugar por los

que tienen un mayor número de casos). No obstante dejamos que SPSS elija y

marcamos automático.

Se hacen 5 iteraciones utilizando como método de cálculo la regresión lineal,

es decir, se reemplazan los valores perdidos 5 veces y se calcula la media

aritmética, procediendo a imputar ese valor.

A continuación en la tabla 102 se presentan los valores obtenidos para las

cinco imputaciones así como la media aritmética en la última columna (Será el

valor por el que se sustituya el valor perdido).

1 2 3 4 5 Σ/5

ROCE

2009

AERNNOVA AEROSPACE INTERNATIONAL INVESTMENTS SA

68,99126 26,63911 -50,14872 -10,40345 6,18819 8,25328

2009

FABRICACIONES Y MONTAJES MECANICOS SL

31,78018 8,89381 -12,95543 -30,47358 4,23377 0,29575

2010

INAER AVIATION INTERNATIONAL SA

29,09445 -12,46748 45,61799 41,67589 -51,68024 10,44812

2012

PRESCAL PREVENCION SOCIEDAD LIMITADA

42,87102 31,25359 -26,62101 58,07539 69,21623 34,95905

2009

TROQUELERIA DOVER SL

-36,79078 57,52102 23,52386 60,34807 30,14248 26,94893

1 2 3 4 5 Σ/5

Net_income

2009


14542369 35051123 -65052722 -45360448 17008919 -8762152

2010

NOVALTI SA -

100859055 -10449328 40785933 55274789 35279368 4006341

2012

SAPA PLACENCIA HOLDING SL

25527188 1864389 -46312788 -62304187 23079662 -11629147

2011


-32866738 34712319 14692478 -5585584 -46332445 -7075994

2010


-11036309 19730933 -12386011 -46215402 -31031063 -16187570

2009


-70108449 13046833 -44986033 23725523 -35169711 -22698368



1 2 3 4 5 Σ/5

Non_current_liabilities

2010 AERNNOVA ENGINEERING DIVISION SA

44525910 39825498 40885605 41629508 41541418 41681588

2009

CT INGENIEROS DE CATALUNYA AERONAUTICOS AUTOMOCION E INDUSTRIALES SL

40412855 41000131 39986418 38821074 39032727 39850641

2013

MONTEC MONTAJES TECNICOS SL

41599433 44230168 43003111 40039213 44600501 42694485

2012


43417134 43558540 42511661 42647974 42509288 42928920

2011


43467784 42554409 40957990 45612306 44141805 43346859

2010


45722422 41840866 43163147 38323957 45244337 42858946

2009

MONTEC MONTAJES TECNICOS SL 41835036 42421133 43721792 45702909 43689416

43474057

2009

PAMBIA AEROSPACE SL

40181547 43886873 41122543 45316645 46262734 43354068

2012

VANAIR PARTS AVIATION SL 44054006 46650078 42511984 42871870 46545330

44526654

2011


42796467

2010


44627254

2009


42609029

1 2 3 4 5 Σ/5

Current_liabilities

2012 AMI & CADD VENS CONSULTING SL

661345 238345 183674 227465 -601667 141832

2011

AMI & CADD VENS CONSULTING SL

-343842 17057 1267815 -644951 473648 153946

2010

AMI & CADD VENS CONSULTING SL

-298274 -107008 -121106 588297 259957 64373

2009

CT INGENIEROS DE CATALUNYA AERONAUTICOS AUTOMOCION E INDUSTRIALES SL

-40391834 -41136548 -40247774 -39450266 -38926018 40030488

2012


-48594 -21944 964044 197974 -373162 143663

1 2 3 4 5 Σ/5

Non_current_assets

2010

AERNNOVA ENGINEERING DIVISION SA

44620009 39848320 40707605 41241608 40908870 41465282

2013 MONTEC MONTAJES TECNICOS SL

41599433 44230168 43003111 40039213 44600501 42694485


43417134 43558540 42511661 42647974 42509288 42928920


43467784 42554409 40957990 45612306 44141805 43346859


45722422 41840866 43163147 38323957 45244337 42858946


41835036 42421133 43721792 45702909 43689416 43474057

2009 PAMBIA AEROSPACE SL

40236234 43165376 41488774 45935995 46384339 43442143

2012 VANAIR PARTS AVIATION SL

43719177 46720092 42237046 43001681 46513784 44438356


41650152 44860313 43552980 39803919 43374973 42648468


43712029 46422120 43648103 46417347 42066122 44453144


44571865 42981460 38608492 44313871 42445220 42584182



1 2 3 4 5 Σ/5

Current_assets 2009 SAPA PLACENCIA, SL -312868 -371145 456971 441648 90973 61116

1 2 3 4 5 Σ/5

Sales

2012


-42647251 -25588593 91883199 117888302 54238523 39154836

2011

AERNNOVA AEROSPACE INTERNATIONAL

INVESTMENTS SA

46313342 7524191 88671512 -44198118 101528583 39967902

2010


22035032 34921760 4259473 23392649 -55086973 5904388

2009


48568921 66224549 -28932025 26374299 37238341 29894817

2012 AERTEC INVESTMENTS SL

-42721523 52964337 77017472 62483540 -

114786440 6991477


101030765 135568252 32770119 55543755 -46867157 55609147


4232959 -6327962 -17072772 28357823 42401913 10318392


-74775633 -38265226 115380054 -6471198 11739265 1521452

2011

FLIGHTECH SYSTEMS EUROPE SA

-51095396 49837482 4373998 65855886 -589425 13676509

2010


117631639 83287770 56856209 -84610004 -62924561 22048210

2009


14149846 28584245 34423090 6106104 -58079336 5036790


Tabla 102 Imputación múltiple de las variables con valores perdidos en España

8.3.2 India

En el caso de India se procede la misma forma. En esta ocasión en lugar de

realizar el cálculo con las magnitudes del balance se realiza con los índices. En

primer lugar se analizan los datos para ver el número de observaciones que

tienen valores perdidos, a través del menú de SPSS Analizar / Frecuencias.

Los resultados se muestran en la tabla 103, donde se recogen las variables, el

número de observaciones válidas, el número de valores perdidos en las

observaciones, así como el porcentaje que representan.



Estadísticos

Variable N Válido n Perdidos % perdidos

Year 512 0 0,00%

Company_age 512 0 0,00%

Company_size 512 0 0,00%

Value_chain_position 512 0 0,00%

Infrastructure_and_resource_intensity 504 8 1,59%

Degreee_of_competition 512 0 0,00%

Market_demand 512 0 0,00%

Market_atractiveness 512 0 0,00%

GDP 512 0 0,00%

Unemployment_rate 512 0 0,00%

Aerospace_imports 512 0 0,00%

Aerospace_exports 512 0 0,00%

WEF_GCI 512 0 0,00%

Asset_intensity 502 10 1,99%

Asset_turnover_rate 504 8 1,59%

Current_asset_turnover_rate 502 10 1,99%

Debt_to_equity_ratio 512 0 0,00%

Leverage 504 8 1,59%

Debt_intensity 497 15 3,02%

Coverage_ratio 484 28 5,79%

Current_ratio 512 0 0,00%

ROE 512 0 0,00%

ROCE 512 0 0,00%

ROS 495 17 3,43%


Tabla 103 Distribución de valores perdidos en India

De manera análoga se calcula el coeficiente de Little para determinar si la

distribución es completamente aleatoria (MCAR). Este coeficiente aparece en

la tabla 104 (en la parte inferior). La ruta a seguir el SPSS es: Analizar /

Análisis de valores perdidos



A la vista de los resultados el nivel de significación no se rechaza la hipótesis nula y

por lo tanto no son MCAR, son MNAR. No obstante se pueden utilizar técnicas de

estimación MCAR y MAR, siendo los nuevos estadísticos univariantes son:

Variable Media

Medias

marginales

estimadasa

Year 2010,40

Company_age 16,36

Company_size ,09939490

Value_chain_position 2,51

Infrastructure_resource_intensity ,3829147

Degreee_competition 497,37

Market_demand 7218543099,96

Market_atractiveness 6,749500

GDP 1045111333063540,00

Unemploymentrate 20,0212

Aerospace_imports 1041101578,31

Aerospace_exports 4821774180,49

WEF_GCI 4,5828474

Asset_intensity 7,2625867

Asset_turnover_rate 1,0573056

Currents_asset_turnover_rate 1,9310387

Deb_to_equity_ratio 1,0868660

Leverage ,6562586

Debt_intensity 5,8187016

Coverage_ratio 4,4305785

Current_ratio 2,8847370

ROE -11,5288779

ROCE 14,3874492

ROS -3,9253631

a. Prueba MCAR de Little: Chi-cuadrado = 11979864262057543000000,000, DF = 196, Sig. = ,000


Tabla 104 Medias marginales estimadas con valores perdidos en India



Aunque se podrían eliminar las observaciones con valores perdidos por ser

casi todas ellas inferiores al 5% (Excepto una que excede hasta 5,79%), para

seguir una aproximación conservativa se imputan los valores perdidos con 5

iteraciones. A continuación en las figura 94 se represeta la distribución de los

valores perdidos, segmentado por variables, casos y valores:


Figura 94 Distribución de valores perdidos (Variables, casos, valores) en India


Figura 95 Patrones de los valores perdidos en India




Figura 96 Histograma de los valores perdidos en India

Como hay concentración de los valores en la parte inferior derecha de la figura

95 significa que los valores se concentran ahí y por lo tanto lo tanto parece que

pudiera ser MNAR. También se ha representado el histrograma de los valores

perdidos en la figura 96. Previo a la imputación de valores perdidos hay que

determinar el generador de números aleatorios en SPSS a través del menú: Ir a

Transformar / Generar números aleatorios (Marcar la opción de tornado de

Mersenne).

Como parece que hay un patrón en el método de imputación deberíamos

utilizar monótico. La forma en la que se han introducido las variables es en

función del número de casos perdidos (comenzando en primer lugar por los

que tienen un mayor número de casos). No obstante dejamos que SPSS elija y

marcamos automático.



A continuación en la tabla 105 se presentan los valores obtenidos para las

cinco imputaciones así como la media aritmética (Será el valor por el que se

sustituya el valor perdido), para aquellas variables con valores perdidos

1 2 3 4 5 Σ/5

ROS

2009

E T P Corporation Ltd.

31,34821 9,46944 -66,79419 139,74955 169,72551 56,6997063

2010


108,70719 57,45125 0,51468 -255,93041 -101,11710 -38,074877

2012


212,52101 -63,29319 174,39583 23,60745 -171,16951 35,2123195

2008

Hindalco Almex Aerospace Ltd.

-320,20965 -99,41194 -411,25155 -64,41087 -245,57917 -228,172635

2008

Mahindra Aerospace Pvt. Ltd.

5,19362 48,02764 21,38599 -130,73564 -68,95458 -25,0165931

2009


-159,58710 -172,42489 -236,59433 -269,66193 -288,42820 -225,33929

2010


120,34347 57,18885 -75,29093 -84,86365 -307,54479 -58,0334098

2010

IT Secure Software Pvt. Ltd.

253,49799 -65,87560 239,44960 -12,74227 -221,67023 38,5318996

2011


39,96273 -139,62362 -71,71613 171,41824 -41,25003 -8,2417611

2012


-124,52161 -16,61381 -99,48079 -156,70010 184,16300 -42,6306633

2011 Samtel India Ltd.

-807,86085 -525,31406 -645,14748 -765,05720 -1002,82120 -749,240155

2013

Satyam Computer Services Ltd. [Merged]

-175,97687 -330,31743 498,21776 -55,55198 -435,82020 -99,8897446

2008 Summit Infotech Ltd.

75,89694 -210,55662 220,72133 16,92679 -433,66663 -66,1356393


-132,56306 -130,26520 -163,38133 4,57135 36,36246 -77,0551565


-220,03229 -90,71686 -327,42471 -329,59644 -484,10035 -290,374129

2012

V T Industries Ltd.

-182,59697 339,73192 161,22356 -79,20484 -130,43279 21,7441758

2010

Wipro Airport I T Services Ltd.

-1375,71586 -1383,99504 -1283,97618 -1380,80856 -1477,93936 -1380,487

1 2 3 4 5 Σ

Coverage_ratio

2008 B S L Ltd. -13,06073 10,16225 -52,04689 51,07810 -19,89933 -4,75332018

2008

Carpenter Kalyani Special Alloys Pvt. Ltd.

114,83542 -50,47912 -2,00149 -13,99732 53,20455 20,312409

2009

Carpenter Kalyani Special Alloys Pvt.

39,46279 59,93395 54,38016 8,84190 -15,43441 29,4368789



Ltd.

2010


57,63798 -25,08225 59,33482 17,27001 63,30509 34,4931298

2009


-50,25547 77,65368 30,09906 -61,74506 84,83928 16,1182986

2010


-19,67813 -25,74813 30,79729 109,92792 89,64037 36,9878638

2011


-2,92600 57,44536 44,48811 -42,44094 -5,12401 10,2885041

2012


53,71678 112,19879 -64,31769 115,48054 27,79639 48,9749633

2013


41,70700 -42,65461 -46,64367 -98,40319 -30,28330 -35,2555554

2008

Kirloskar Pneumatic Co. Ltd.

17,98661 21,42281 -22,01290 98,22784 44,27963 31,9807961

2008

Lakshmi Machine Works Ltd.

-53,94443 -75,00779 -22,37319 2,88750 24,86466 -24,7146525

2008 Larsen & Toubro Ltd.

50,66154 61,51997 35,51930 64,03333 -47,33299 32,880229

2008


52,86723 26,49335 -1,81526 45,04631 8,38652 26,1956284

2008

Mahindra & Mahindra Ltd.

-36,99600 -3,07945 4,45766 -25,92137 -15,20420 -15,3486744

2008 Punj Lloyd Aviation Ltd.

-66,48642 29,88958 75,20479 5,50985 -18,94342 5,03487562


100,48425 173,78373 154,16328 61,80602 92,33088 116,513634


127,02540 155,26104 113,53741 30,11814 39,12958 93,0143132


38,75197 70,76712 76,19567 74,12999 -7,36170 50,4966101


40,29073 64,91071 26,10166 73,31088 -118,13312 17,2961718

2013


-4,98315 -16,62688 35,30838 -45,74536 77,25436 9,04146847


83,56075 -51,98000 -8,55977 10,52480 41,73968 15,0570932


47,77765 13,06106 -37,90454 59,36579 -8,10361 14,8392697


55,59806 28,94147 11,97350 72,50574 23,59790 38,5233328


56,52885 -2,23449 66,52785 106,59880 -7,19484 44,045236

2008

Titan Company Ltd.

23,04531 -10,48909 -26,75291 127,64235 19,50796 26,590722

2010


163,28957 153,85303 409,20296 182,57483 -20,17428 177,749222

2013


21,18148 3,27011 -11,66533 47,24563 67,95566 25,5975113

2008 Wipro Ltd. 65,49915 78,57569 -45,67036 -21,06440 -89,45991 -2,42396733



1 2 3 4 5 Σ

Debt_intensity

2008 B S L Ltd. -0,61935 -2,96953 5,48615 0,91068 -1,25242 0,31110672

2008


-5,29659 0,91971 -4,28419 -8,01053 -2,61991 -3,85830361

2009


-6,07229 -5,89815 -0,15737 -4,52918 -2,05112 -3,74162052

2010


-3,48178 -5,25523 -1,15168 -1,97941 -3,72204 -3,11802694

2008


2,35786 -1,49516 -1,34547 5,11073 1,11233 1,14805867

2008


-2,31032 3,26406 2,52274 2,88089 -4,05107 0,46126126


-1,35651 -6,02307 -1,62756 0,82797 -1,26159 -1,88815374

2008


-4,29941 -0,86056 0,10404 8,35843 -5,59334 -0,45816828

2009


1,01880 2,96171 7,47245 6,64053 3,79167 4,37703227

2010


12,17550 10,99315 12,04984 20,19923 8,86420 12,8563831

2011


2,14591 -2,22709 -4,91221 -0,95242 4,21313 -0,34653599

2012


-2,24213 5,10481 2,09149 0,74990 -1,71324 0,79816603

2013


-2,10258 5,92572 0,79112 6,72949 0,31433 2,33161433

2008

Titan Company Ltd.

1,84233 -9,35327 1,94777 -4,63262 -3,70140 -2,77943658

2008 Wipro Ltd. -2,07300 -7,41922 1,89285 5,26381 1,76456 -0,11420132

1 2 3 4 5 Σ

Leverage

2008 B S L Ltd. -0,55094 1,38005 3,41925 -1,20083 5,52352 1,71421071

2008


-0,60384 -0,70975 3,12688 1,45545 1,75459 1,00466497

2008


1,46950 1,15439 2,55832 4,12260 -1,21580 1,61780227


0,66958 -1,99156 0,43594 0,44928 -0,38427 -0,16420839

2008


0,38859 -2,37015 0,01996 5,35591 -1,48293 0,38227677

2013


1,42514 7,44600 -2,15400 1,45733 6,00441 2,83577568

2008

Titan Company Ltd.

4,39662 -3,81845 4,70125 1,55566 -5,73656 0,21970405

2008 Wipro Ltd. -2,69703 0,75795 0,81049 4,20979 2,82017 1,18027336



1 2 3 4 5 Σ

Current_ratio

2008 B S L Ltd. -5,94171 -6,58161 13,02308 4,04326 7,93716 2,49603899

2008


6,86429 17,34211 1,84480 -7,12246 -20,53970 -0,32219126

2008


-13,66380 13,72403 7,12002 -2,22216 -11,61776 -1,33193429


-13,66380 13,72403 7,12002 -2,22216 -11,61776 -1,33193429

2008


-14,96309 17,77297 -7,76449 18,84599 8,06582 4,39144086

2011


-1,10963 0,03889 -1,57070 -0,80265 -4,56686 -1,60219081

2012


6,84456 -0,87610 -0,57443 -0,92394 1,32124 1,15826591

2013


-6,72968 17,48701 15,36178 -11,19769 10,58840 5,10196207

2008

Titan Company Ltd.

-8,82656 -2,57834 20,78415 11,93232 1,15958 4,49422963

2008 Wipro Ltd. 9,42654 -12,66151 -17,88916 14,29282 14,56908 1,54755214

1 2 3 4 5 Σ

Asset_turnover_rate

2008 B S L Ltd. -1,49476 -1,64627 4,38649 0,69828 1,08190 0,60512829

2008


1,41637 4,76155 0,30553 -1,98854 -3,56898 0,18518499

2008


-2,04419 5,08907 0,57458 0,29263 -2,40767 0,30088375


-2,66811 4,86979 -1,76913 3,34181 2,33308 1,22149019

2008


-1,42388 -4,42521 -0,26931 0,13786 6,41439 0,0867691

2013


-3,25579 2,84452 4,33128 -2,48257 1,04818 0,49712716

2008

Titan Company Ltd.

-1,63019 -1,54127 4,98155 1,93883 1,31493 1,01276987

2008 Wipro Ltd. 2,51679 -2,97583 -3,50301 2,84901 3,54295 0,48598292

1 2 3 4 5 Σ

Asset_intensity

2008 B S L Ltd. 4,25308 -4,78848 5,22603 7,40263 5,55501 3,52965445

2008


-1,05531 -1,56998 1,57336 1,87376 3,85102 0,9345697

2008


6,75607 0,21614 10,26509 1,38988 -2,75084 3,17526987


1,66667 -1,59422 7,44926 1,38040 1,22072 2,0245651

2008


0,13921 -5,74739 7,65433 11,39921 4,97744 3,68455869

2011


14,75415 14,58766 6,96336 9,98331 13,34759 11,9272123

2012


9,03563 13,09852 9,00841 7,95252 11,08206 10,0354276



2013


6,08352 5,51389 2,84584 12,32493 -3,00750 4,75213695

2008

Titan Company Ltd.

7,23459 6,81173 -1,45375 -2,34338 3,84176 2,81818985

2008 Wipro Ltd. 9,36325 -1,62337 1,86338 8,56081 2,19869 4,07255325

1 2 3 4 5 Σ

Infrastructure_and_ resource_intensity

2008 B S L Ltd. 0,12900 -0,19802 0,95946 0,77948 0,21454 0,37689239

2008


0,18784 0,07113 0,27519 0,53855 0,27804 0,27014945

2008


0,39750 0,23973 1,13036 0,16624 0,54032 0,49483205


0,18218 0,49948 0,38459 0,46122 0,48386 0,40226392

2008


0,10810 -0,04491 0,39782 0,41537 0,28910 0,233095

2013


0,64522 0,30530 0,30865 1,03901 0,25634 0,51090427

2008

Titan Company Ltd.

0,34176 0,43661 0,58753 0,08254 0,26777 0,34324293

2008 Wipro Ltd. 0,54880 0,39603 0,15078 0,78358 0,48450 0,47273801

1 2 3 4 5 Σ

Current_asset_ turnover_rate

2008 B S L Ltd. -5,94171 -6,58161 13,02308 4,04326 7,93716 2,49603899

2008


6,86429 17,34211 1,84480 -7,12246 -20,53970 -0,32219126

2008


-13,66380 13,72403 7,12002 -2,22216 -11,61776 -1,33193429


-14,96309 17,77297 -7,76449 18,84599 8,06582 4,39144086

2008


-6,14732 -23,82895 3,84575 5,37178 28,59337 1,56692465

2011


-1,10963 0,03889 -1,57070 -0,80265 -4,56686 -1,60219081

2012


6,84456 -0,87610 -0,57443 -0,92394 1,32124 1,15826591

2013


-6,72968 17,48701 15,36178 -11,19769 10,58840 5,10196207

2008

Titan Company Ltd.

-8,82656 -2,57834 20,78415 11,93232 1,15958 4,49422963

2008 Wipro Ltd. 9,42654 -12,66151 -17,88916 14,29282 14,56908 1,54755214


Tabla 105 Imputación múltiple de las variables con valores perdidos en India



8.4 DETERMINACION DE LOS CASOS ATÍPICOS

Los outliters o casos atípicos son aquellos casos para los que una, dos o

múltiples variables toman valores extremos que los hace diferir en gran medida

del comportamiento del resto de la muestra y pueden inferir la idea de que han

sido generados por mecanismos distintos al resto. La presencia de casos

atípicos puede distorsionar el patrón de comportamiento de los datos y en

consecuencia introducir un sesgo, y por otro lado pueden afectar al

cumplimiento de las condiciones que se imponen a los datos para la aplicación

de algunas de las técnicas multivalentes (normalidad, linealidad,

homocedasticidad, multicolinealidad…). Las causas de la presencia de valores

atípicos en la muestra pueden ser múltiples: errores en la recogida y/o

introducción de los datos en la muestra, errores intencionados si se trata de

una recogida por muestreo, incluso valores atípicos inherentes a unas

condiciones excepcionales de una observación o de un evento. Incluso también

se pueden considerar outliers las combinaciones atípicas de los valores de las

variables incluso si estos están dentro de los valores normales para cada

variable, es decir, por separado no serían outliers pero al combinarlos si, por

serlo la combinación (Uriel Jiménez & Aldás Manzano, 2005) (Hair, et al., 2010)

La primera tarea es la detección, y posteriormente se tomarán las acciones

adecuadas para eliminarlos. Respecto a la detección se puede realizar de

manera univariante (una variable dada algunas observaciones toman valores

anormalmente diferentes) o multivariante (el vector de datos difiere del

centroide). Se ha tomado la detección de casos univariante. Para ello se ha

hecho uso de los límites establecidos por las bisagras de Tukey (Tukey &

Jones, 1986). Las cuales se establecen en los percentiles 25% (que se

denomina Q1) y 75% (denominada Q3). Existe un factor que en función del

número de datos la literatura y las buenas prácticas comúnmente aceptadas en

la investigación, varíen entre 1,5 y 2,2 en función de la cantidad de datos. En el

caso que nos ocupa como existe un número elevado de datos se utiliza un

margen de 2,2 para no ser demasiado estricto con los límites superior e inferior.



𝐿𝑖𝑚𝑖𝑡𝑒 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟 = 𝑄3 + [2,2 ∗ [𝑄3 − 𝑄1]]

𝐿𝑖𝑚𝑖𝑡𝑒 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 = 𝑄1 − [2,2 ∗ [𝑄3 − 𝑄1]]

Tras la detección de outliers, la siguiente decisión versa sobre el tratamiento

que se hace de los mismos, pudiendo mantenerlos o eliminarlos. Las ventajas y

desventajas de cada método son las mismas que las ya expuestas en los

valores perdidos. En esta tesis doctoral con ánimo de ser conservadores y

disminuir al máximo la influencia se eliminan.

8.4.1 España

En la tabla 106 se muestran para el caso de España, las variables, los

percentiles 25% y 75%, y los límites inferior y superior calculados de acuerdo a

las expresiones formuladas por Tukey (1986). Todo valor que esté por encima

de estos valores será considerado un caso atípico (outlier) y será eliminado de

la muestra.

Variable Q1 [25%] Q3 [75%] Límite inferior Límite superior

Company_size 0,00015 0,00159 0,00477 -0,00303

Infrastructure_resource_intensity 0,16288 0,57056 1,46744 -0,73400

Asset_intensity 0,19320 1,33598 3,85010 -2,32093

Asset_turnover_rate 0,58769 1,38518 3,13967 -1,16680

Currents_asset_turnover_rate 1,08898 2,18584 4,59893 -1,32411

Deb_to_equity_ratio 0,66913 3,84677 10,83759 -6,32170

Leverage 0,46965 0,80000 1,52677 -0,25711

Debt_intensity 0,11977 1,42406 4,29348 -2,74965

Coverage_ratio 0,47769 2,34341 6,44799 -3,62688

Current_ratio 1,08000 2,22800 4,75360 -1,44560

ROE 2,03308 23,70819 71,39343 -45,65217

ROCE 2,88400 21,37000 62,03920 -37,78520

ROS 0,39306 8,04687 24,88524 -16,44532


Tabla 106 Límite inferior y superior de las variables en la detección de casos atípicos en

España



8.4.2 India

De manera análoga, en la tabla 107 se muestran para el caso de India, las

variables, los percentiles 25% y 75%, y los límites inferior y superior calculados

de acuerdo a las expresiones formuladas por Tukey (1986).

Variable Q1 [25%] Q3 [75%] Límite inferior Límite superior

Company_size 0,0005101 0,0185863 -0,0392575 0,0583539

Infrastructure_and_resource_intensity 0,1264499 0,4776927 -0,6462842 1,2504269

Asset_intensity 0,1447541 0,9201045 -1,5610168 2,6258754

Asset_turnover_rate 0,0248745 0,1947045 -0,3487515 0,5683305

Current_asset_turnover_rate 0,0388680 0,3019622 -0,5399394 0,8807696

Debt_to_equity_ratio 0,0285000 0,9500000 -1,9988000 2,9773000

Leverage 0,5824918 0,9226347 -0,1658225 1,6709490

Debt_intensity 0,0507933 1,6444484 -3,4552479 5,1504896

Coverage_ratio 0,9844078 5,2334207 -8,3634206 14,5812491

Current_ratio 0,9295000 1,5905000 -0,5247000 3,0447000

ROE 2,7300000 23,8755857 -43,7902885 70,3958742

ROCE 1,5650000 18,7100000 -36,1540000 56,4290000

ROS 1,4710258 12,3706061 -22,5080508 36,3496827


Tabla 107 Límite inferior y superior de las variables en la detección de casos atípicos en India

Una vez que se han determinado los límites superior e inferior para cada

variable, se eliminarán todas aquellas observaciones que estén fuera de ese

intervalo. Una vez eliminados los casos atípicos, la muestra estaría disponible

para la aplicación de las diferentes técnicas. El porcentaje de empresas de las

cuales se dispone de datos (conveniente tradados en cuando a valores

perdidos y casos atípicos se refiere) aparece en la tabla 108, desglosado por

años y país. Como se observa en la última columna tanto para India como para

España la muestra final está entorno al 50% de la población en cada año.

Siendo incluso alguno de los años superior y tan sólo hay un año que baja al

33%. Este es importante porque pocas veces se puede trabajar con muestras

que representen la mitad de la población. Esto hace que las conclusiones

extraidas representen mejor a cada uno de los países.




Tabla 108 Distribución de muestra sin casos atípicos entre 2008-2013



CAPITULO 9 ANÁLISIS FACTORIAL EXPLORATORIO

(COMPONENTES PRINCIPALES)

Una vez que se ha adecuado la muestra para que los datos sean completos y

no contengan valores atípicos. Se puede proceder a aplicar la técnica descrita

en el capítulo 4. No se ha analizado ninguna de las asunciones sobre los datos

que en otros tipos de análisis multivariantes resultan esenciales para la

aplicación de la técnica correspondiente. Estas asunciones son: normalidad

(univariante y multivariante), linealidad, homocedasticidad, mulicolinealidad. En

el tipo de análisis que se realiza en esta tesis doctoral no es necesario que los

datos las cumplan, adicionalmente algunas reglas de oro presentadas por los

autores Hair, et al. (2010) muestran que no es necesario a tenor de los datos

de los que se dispone. Por ejemplo la normalidad tiene efectos importantes

para muestra pequeñas (inferiores a 50 casos) y este disminuye a medida que

aumenta la muestra, en este estudio la muestra es muy superior por lo que en

caso de no existir normalidad su efecto sería muy pequeño. Respecto a la

heterocedasticidad, normalmente es efecto de la normalidad, por lo que si

reduce el efecto de la falta de normalidad se estará mejorando la

heterocedasticidad y como ya se ha justificado por el tamaño de muestra el

efecto de la heterocedasticidad es pequeño. En relación a la linealidad, no se

busca en ningún caso encontrar relaciones lineales por lo que esta asunción no

tiene demasiada importancia. En este tipo de análisis la existencia de

multicolinealidad es en cierta manera deseable puesto que esta técnica está

preparada para trabajar bajo la existencia de multicolinealidad.

9.1 ESPAÑA

A continuación se va a proceder a realizar un análisis de componentes

principales en España para cada año de los expresados en el horizonte

temporal, es decir, 2008-2009-2010-2011-2012-2013. Se utilizarán las variables

referenciadas en el modelo del punto 7.7. El objetivo de este análisis es falsar

parte de las hipótesis de esta tesis doctoral.



9.1.1 Año 2008

En primer lugar se muestra a nivel informativo los estadísticos descriptivos de

las variables de la muestra utilizada para el año 2008 (Media, desviación típica

y observaciones disponibles). Esta información aparece resumida en la tabla

109


Tabla 109 Estadísticos descriptivos de las variables de España en 2008

El siguiente paso es realizar dos pruebas de la aplicabilidad del análisis de

componentes principales a la muestra. Estas dos pruebas son la de KMO y la

esfericidad de Bartlett, cuyos resultados aparecen resumidos en la tabla 110. El

KMO como es casi de 0,500 se considera aceptable la aplicación del análisis

de componentes principales, apoyado por el hecho de que la prueba de

esfericidad de Bartlett tiene un valor elevado y una significación inferior a 0,05

(Se rechaza la hipótesis nula de no correlación entre las variables). El hecho de

Estadísticos descriptivos

Media

Desviación

estándar N de análisis

Company_age 17,97 12,523 240

Company_size ,21027383 2,757091982 240

Infrastructure_resource_intensity ,3788942 ,19525062 240

Asset_intensity ,8162205 ,70221928 240

Asset_turnover_rate 1,0435543 ,49554468 240

Currents_asset_turnover_rate 1,7475340 ,73775936 240

Deb_to_equity_ratio 2,3964264 1,97774781 240

Leverage ,6300910 ,17758549 240

Debt_intensity ,6142524 ,65500129 240

Coverage_ratio 1,4664881 1,34569467 240

Current_ratio 1,6374792 ,77839347 240

ROE 13,0278316 15,08646470 240

ROCE 13,9200833 13,16482998 240

ROS 4,8058180 5,95181802 240



que se utilicen ratios como variables, en lugar de magnitudes absolutas puede

hacer en algunos casos en los que las variables están muy correladas (como el

caso que nos ocupa al estar muchas veces los ratios financieros relacionados

según el modelo de DuPont), que el KMO baje de 0,500 sin que ello descarte

por si mismo la aplicación del análisis de componentes principales. En este

caso habrá que evaluar la prueba de esfericidad de Bartlett para tomar la

decisión de si confiar en la aplicación de esta técnica o no. Que el índice KMO

baje de 0,500 significa que los coeficientes de correlación parcial entre

variables originales tiene al menos tanto peso como los coeficientes de

correlación observados entre varibles originales. La prueba de esfericidad de

Bartlett pone de manifiesto la existencia de una relación significativa en

términos de correlación entre las variables analizadas. Si es alto muestra que

existe y por lo que tendrá sentido aplicar el análisis de componentes principales

cuyo objetivo precisamente es tratar de establecer los grupos de variables que

más contribuyen en cada factor. Como se ha comentado en la explicación de la

técnica, no sería posible su utilización si no existiera un minimos de correlación

entre todas y cada una de las variables.

Prueba de KMO y Bartlett

Medida Kaiser-Meyer-Olkin de adecuación de muestreo ,495

Prueba de esfericidad de Bartlett

Aprox. Chi-cuadrado 2995,993

gl 91

Sig. ,000


Tabla 110 Prueba de KMO y Bartlett de España en 2008

El siguiente paso es mostrar para cada variable la comunalidad que presenta

de acuerdo a los componentes extraidos inicialmente. La varianza poblacional

de cada variable está compuesta de la comualidad que es la parte de esta

varianza que es debida a los factores comunes y la especificidad que es debida

a los factores únicos. La tabla 111 recoge para cada variable su comunalidad.



Comunalidades

Inicial Extracción

Company_age 1,000 ,436

Company_size 1,000 ,371

Infrastructure_resource_intensity 1,000 ,960

Asset_intensity 1,000 ,891

Asset_turnover_rate 1,000 ,940

Currents_asset_turnover_rate 1,000 ,926

Deb_to_equity_ratio 1,000 ,794

Leverage 1,000 ,850

Debt_intensity 1,000 ,724

Coverage_ratio 1,000 ,755

Current_ratio 1,000 ,885

ROE 1,000 ,871

ROCE 1,000 ,886

ROS 1,000 ,859

Método de extracción: análisis de componentes principales.


Tabla 111 Comunalidades de las variables de España en 2008

A continuación en la tabla 112 se muestran los componentes cuyo autovalor es

superior a 1, así como el porcentaje de la varianza original explicada y el

acumulado. Se observa que se pueden extraer 5 componentes que son

capaces de representar el 79,631% de la varianza original del problema. Esto

significa que con 5 grupos de variables queda representado el problema

original perdiendo sólo, aproximadamente el 20% de la varianza original del

problema. Es decir, en España en el año 2008 hay 5 compoentes que son

capaces de reflejar la estructura de las empresas del sector aeroespacial

guardando el aproximadamente 80% de la varianza original del modelo

completo.



Varianza total explicada

Componente

Autovalores iniciales Sumas de extracción de cargas al cuadrado Sumas de rotación de cargas al cuadrado

Total % de varianza % acumulado Total % de varianza % acumulado Total % de varianza % acumulado

1 3,707 26,481 26,481 3,707 26,481 26,481 3,166 22,614 22,614

2 2,299 16,421 42,902 2,299 16,421 42,902 2,545 18,176 40,790

3 2,180 15,572 58,473 2,180 15,572 58,473 2,430 17,358 58,148

4 1,821 13,009 71,482 1,821 13,009 71,482 1,810 12,930 71,078

5 1,141 8,149 79,631 1,141 8,149 79,631 1,197 8,553 79,631

6 ,942 6,731 86,363

7 ,766 5,472 91,835

8 ,400 2,855 94,690

9 ,305 2,177 96,868

10 ,182 1,304 98,171

11 ,164 1,169 99,340

12 ,040 ,289 99,629

13 ,031 ,220 99,848

14 ,021 ,152 100,000



Tabla 112 Autovalores y varianza total explicada de los componentes de España en 2008

De la misma manera que en la tabla 112 se observa como se extraen las

componentes con autovalores superiores a 1 de manera analítica, también se

puede representar gráficamente en el eje de ordenadas el valor de los

autovalores y de abcisas el número de componentes. Este gráfico se denomina

grafico de sedimentación y aparece representado en la figura 97. Se observa

en el mismo que a partir de un cierto número de componentes se vuelve

asintótico y hay muchas componentes con valores muy próximos de

autovalores. Otro criterio que también se utiliza para mantener el número de

componentes adecuado es el cambio de pendiente, cuando esta empieza a ser

moderada en ese punto es donde se debe establecer el límite de las

componentes que mantener.




Figura 97 Gráfico de sedimentación de la extracción de componentes de España en 2008

En la tabla 113 se muestra la matriz de componentes en la que se representan

en columnas las componentes que se han extraido en base el criterio mostrado

en la tabla 112 y figura 97, y el filas las variables del análisis. Los valores que

hay en cada celda son los coeficientes de correlación de las variables con las

componentes, aparecen ordenadas por valor de este coeficiente de mayor a

menor para cada componente. Se retendrean para cada componente aquellas

que sean suepriores en valor absoluto a 0,500.

1

2 3

4

5



Matriz de componentea

Componente

1 2 3 4 5

Coverage_ratio ,829 -,051 -,247 -,039 ,037

Infrastructure_resource_intensity -,817 ,510 ,000 ,143 -,105

Asset_intensity -,777 ,495 ,034 ,182 -,092

Current_ratio ,520 ,435 -,455 -,227 ,408

Debt_intensity -,484 ,474 -,062 -,194 ,473

ROS ,398 ,604 ,524 -,227 -,099

Leverage -,511 -,570 ,499 -,109 ,055

Deb_to_equity_ratio -,389 -,563 ,467 -,257 ,205

ROE ,345 ,371 ,780 -,026 ,070

ROCE ,553 ,243 ,713 ,077 -,085

Currents_asset_turnover_rate -,144 ,111 ,116 ,920 ,186

Asset_turnover_rate ,462 -,324 ,078 ,748 ,235

Company_age ,108 -,080 -,105 -,101 -,630

Company_size -,036 -,225 ,133 -,354 ,420


a. 5 componentes extraídos.


Tabla 113 Matriz de componentes originales de España en 2008

Con intención de separar más todavía las variables que mejor representan

cada componente se realiza una rotación ortogonal por el método de Varimax

con normalización de Kaiser, de los componentes por los valores mostrados en

la tabla 113 se modifican obteniendo los de la tabla 114. La cual si permite

establecer que variables se extraen para cada componente.



Spain_2008_Matriz de componente rotadoa

Componente

1 2 3 4 5

Infrastructure_resource_intensity ,975 ,029 -,086 ,015 -,017

Asset_intensity ,940 ,037 -,053 ,063 -,016

Coverage_ratio -,709 -,489 ,103 ,005 -,046

Debt_intensity ,588 -,127 -,033 -,172 ,575

Leverage ,078 ,911 -,061 -,025 ,099

Deb_to_equity_ratio -,049 ,839 -,034 -,133 ,262

Current_ratio -,249 -,787 ,033 -,188 ,408

ROE -,026 ,063 ,921 ,070 ,112

ROCE -,242 ,008 ,892 ,156 -,091

ROS ,047 -,244 ,870 -,204 -,011

Currents_asset_turnover_rate ,281 -,025 ,013 ,920 ,026

Asset_turnover_rate -,482 -,025 ,027 ,840 ,017

Company_age -,089 -,028 -,034 -,224 -,613

Company_size -,181 ,260 -,012 -,224 ,470


Método de rotación: Varimax con normalización Kaiser.

a. La rotación ha convergido en 6 iteraciones.


Tabla 114 Matriz de componentes rotados de España en 2008

Se extraen para cada componente las variables que aparecen coloreadas.

Aquellas cuyo coeficiente tiene un signo negativo, significa que la correlacion

es inversa.



9.1.2 Año 2009

Se muestra a nivel informativo los estadísticos descriptivos de las variables de

la muestra utilizada para el año 2009 (Media, desviación típica y observaciones

disponibles). Esta información aparece resumida en la tabla 115.


Media

Desviación


Company_age 18,53 12,666 232

Company_size ,21658672 2,729503283 232


Asset_intensity ,8218789 ,71067365 232

Asset_turnover_rate ,9791105 ,49528761 232



Leverage ,6034871 ,18519943 232

Debt_intensity ,6989424 ,74634908 232

Coverage_ratio 1,4767025 1,25441771 232

Current_ratio 1,7957802 ,86620593 232

ROE 9,8406952 14,73022539 232

ROCE 11,1360948 12,96414709 232

ROS 3,8867340 6,61560628 232






KMO es superior a 0,500, por lo se considera aceptable la aplicación del

análisis de componentes principales, apoyado por el hecho de que la prueba de


(Se rechaza la hipótesis nula de no correlación entre las variables).





Prueba de esfericidad de Bartlett Aprox. Chi-cuadrado 3036,440

gl 91

Sig. ,000


Tabla 116 Prueba de KMO y de Bartlett de España en 2009






Comunalidades

Inicial Extracción








Leverage 1,000 ,888




ROE 1,000 ,929

ROCE 1,000 ,912

ROS 1,000 ,891















completo.


Componente



1 3,724 26,597 26,597 3,724 26,597 26,597 3,135 22,391 22,391

2 2,603 18,590 45,187 2,603 18,590 45,187 2,631 18,791 41,182

3 2,188 15,631 60,818 2,188 15,631 60,818 2,614 18,669 59,851

4 1,709 12,205 73,024 1,709 12,205 73,024 1,770 12,641 72,492

5 1,130 8,068 81,092 1,130 8,068 81,092 1,204 8,600 81,092

6 ,906 6,469 87,560

7 ,804 5,742 93,303

8 ,315 2,249 95,552

9 ,247 1,763 97,314

10 ,180 1,288 98,602

11 ,096 ,686 99,288

12 ,040 ,286 99,574

13 ,032 ,229 99,803

14 ,028 ,197 100,000



Tabla 118 Autovalores y varianza total explicada de las componentes de España en 2009






autovalores y de abcisas el número de componentes. Este gráfico aparece

representado en la figura 98. Se observa en el mismo que a partir de un cierto

número de componentes se vuelve asintótico y hay muchas componentes con

valores muy próximos de autovalores. Otro criterio que también se utiliza para

mantener el número de componentes adecuado es el cambio de pendiente,

cuando esta empieza a ser moderada en ese punto es donde se debe

establecer el límite de las componentes que mantener.


Figura 98 Gráfico de sedimentación de la extracción de las componentes de España en 2009

1

2

3

4

5











Componente

1 2 3 4 5

Infrastructure_resource_intensity -,822 -,043 ,512 ,024 -,121

Asset_intensity -,775 -,046 ,510 ,105 -,077

Coverage_ratio ,771 -,389 -,146 ,095 ,097

ROCE ,610 ,597 ,414 -,077 -,074

Leverage -,375 ,731 -,447 -,103 ,052

Deb_to_equity_ratio -,342 ,676 -,449 -,122 ,230

ROE ,512 ,615 ,492 -,213 ,023

Current_ratio ,429 -,583 ,316 -,055 ,499

ROS ,460 ,364 ,616 -,404 -,067

Currents_asset_turnover_rate -,071 ,298 ,265 ,862 ,099

Asset_turnover_rate ,525 ,313 -,130 ,744 ,113

Company_size -,022 ,141 -,241 -,311 ,613

Debt_intensity -,521 -,039 ,404 -,005 ,565

Company_age ,114 -,200 -,203 -,228 -,257













Componente

1 2 3 4 5

Infrastructure_resource_intensity ,961 ,051 -,114 ,002 -,127

Asset_intensity ,919 ,018 -,123 ,089 -,112

Coverage_ratio -,697 -,547 ,025 ,024 ,010

Debt_intensity ,659 -,109 -,064 ,175 ,525

Leverage ,016 ,922 ,000 ,044 ,188

Deb_to_equity_ratio -,009 ,844 -,021 ,063 ,357

Current_ratio -,133 -,834 ,050 -,002 ,399

ROE -,095 ,051 ,948 ,124 ,055

ROS ,035 -,151 ,922 -,131 ,002

ROCE -,226 ,039 ,900 ,206 -,078

Currents_asset_turnover_rate ,172 ,033 ,005 ,926 -,166

Asset_turnover_rate -,534 ,016 ,102 ,805 -,113

Company_age -,201 -,039 -,089 -,364 -,176

Company_size -,117 ,170 -,008 -,104 ,705








es inversa.



9.1.3 Año 2010




121.


Media

Desviación


Company_age 18,38 12,666 248

Company_size ,03570859 ,497294506 248


Asset_intensity ,7867863 ,68038788 248




Leverage ,6202416 ,19015595 248

Debt_intensity ,7202402 ,76781763 248

Coverage_ratio 1,4772685 1,29170895 248

Current_ratio 1,8137218 ,93099865 248

ROE 11,6739186 14,04431254 248

ROCE 12,1929113 12,57677810 248

ROS 4,1733256 5,60502242 248















gl 91

Sig. ,000








Comunalidades

Inicial Extracción








Leverage 1,000 ,906




ROE 1,000 ,912

ROCE 1,000 ,876

ROS 1,000 ,888















completo.


Componente



1 3,804 27,168 27,168 3,804 27,168 27,168 3,161 22,579 22,579

2 2,809 20,064 47,233 2,809 20,064 47,233 2,635 18,819 41,398

3 1,978 14,132 61,364 1,978 14,132 61,364 2,386 17,040 58,438

4 1,510 10,782 72,147 1,510 10,782 72,147 1,845 13,176 71,615

5 1,109 7,923 80,069 1,109 7,923 80,069 1,184 8,455 80,069

6 ,969 6,925 86,994

7 ,686 4,903 91,897

8 ,417 2,980 94,877

9 ,295 2,111 96,988

10 ,179 1,282 98,269

11 ,124 ,889 99,158

12 ,059 ,421 99,579

13 ,037 ,265 99,844

14 ,022 ,156 100,000

















Figura 99 Gráfico de sedimentación de la extracción de los componentes de España en 2010

1

2

3

4

5











Componente

1 2 3 4 5

Infrastructure_resource_intensity -,851 ,072 ,453 -,059 ,164

Asset_intensity -,784 ,142 ,462 -,068 ,181

ROCE ,750 ,308 ,415 ,196 ,089

Coverage_ratio ,702 -,439 -,172 -,094 -,065

Asset_turnover_rate ,662 ,308 ,093 -,630 ,004

ROE ,622 ,356 ,551 ,309 ,012

Debt_intensity -,596 -,108 ,422 ,064 -,424

Leverage -,118 ,860 -,258 ,217 -,196

Current_ratio ,166 -,798 ,270 -,071 -,312

Deb_to_equity_ratio ,003 ,795 -,174 ,215 -,229

ROS ,405 -,186 ,657 ,489 ,132

Currents_asset_turnover_rate ,115 ,432 ,437 -,731 ,192

Company_size ,070 ,105 -,081 ,223 ,102

Company_age -,072 -,144 -,261 ,188 ,777













Componente

1 2 3 4 5

Infrastructure_resource_intensity ,971 -,049 -,138 ,012 -,005

Asset_intensity ,935 ,004 -,088 ,068 -,019

Coverage_ratio -,736 -,411 ,130 ,041 ,011

Debt_intensity ,627 -,121 -,058 -,219 ,519

Leverage ,046 ,946 -,017 -,011 ,092

Deb_to_equity_ratio -,021 ,856 ,088 ,013 ,144

Current_ratio -,152 -,802 ,076 -,177 ,371

Company_size -,062 ,157 ,116 -,130 -,154

ROE -,142 ,182 ,905 ,182 ,079

ROS ,042 -,300 ,876 -,165 -,033

ROCE -,316 ,136 ,827 ,270 -,017

Currents_asset_turnover_rate ,217 ,050 ,097 ,950 ,049

Asset_turnover_rate -,459 ,052 ,159 ,830 ,106

Company_age ,034 -,092 -,066 -,135 -,838








es inversa.



9.1.4 Año 2011




127.


Media

Desviación



Asset_intensity ,8809098 ,77785018 261




Leverage ,6245825 ,18197408 261

Debt_intensity ,7984582 ,78701049 261

Coverage_ratio 1,3466670 1,13869962 261

Current_ratio 1,7562375 ,82735443 261

ROE 10,4731752 13,89324875 261

ROCE 10,5373103 11,24501731 261

ROS 4,2020480 5,78783792 261















gl 66

Sig. ,000








Comunalidades

Inicial Extracción






Leverage 1,000 ,884




ROE 1,000 ,879

ROCE 1,000 ,844

ROS 1,000 ,864















completo.


Componente



1 3,472 28,931 28,931 3,472 28,931 28,931 3,255 27,124 27,124

2 2,587 21,556 50,487 2,587 21,556 50,487 2,544 21,201 48,325

3 2,317 19,305 69,792 2,317 19,305 69,792 2,393 19,944 68,269

4 1,538 12,816 82,608 1,538 12,816 82,608 1,721 14,340 82,608

5 ,813 6,772 89,380

6 ,426 3,550 92,930

7 ,327 2,721 95,651

8 ,237 1,973 97,624

9 ,163 1,359 98,983

10 ,053 ,443 99,426

11 ,043 ,357 99,783

12 ,026 ,217 100,000


















1

2

3

4











Componente

1 2 3 4

Infrastructure_resource_intensity ,879 -,272 ,247 ,191

Asset_intensity ,859 -,217 ,225 ,175

Coverage_ratio -,793 -,159 -,219 ,000

Debt_intensity ,683 -,306 ,164 ,046

Leverage ,346 ,812 -,010 -,325

Deb_to_equity_ratio ,235 ,761 ,088 -,304

Current_ratio -,366 -,726 -,007 ,145

ROE -,235 ,139 ,888 -,125

ROS -,262 -,340 ,811 -,149

ROCE -,417 ,187 ,797 -,010

Currents_asset_turnover_rate ,156 ,371 ,203 ,877

Asset_turnover_rate -,485 ,523 -,011 ,665













Componente

1 2 3 4

Infrastructure_resource_intensity ,970 -,017 -,041 ,023

Asset_intensity ,929 ,030 -,052 ,029

Debt_intensity ,755 -,061 -,045 -,116

Coverage_ratio -,735 -,401 ,011 -,022

Leverage ,034 ,938 -,052 -,004

Deb_to_equity_ratio -,020 ,854 ,068 ,014

Current_ratio -,110 -,806 ,067 -,126

ROE -,011 ,121 ,928 ,048

ROCE -,196 ,060 ,878 ,177

ROS ,069 -,303 ,860 -,169


Asset_turnover_rate -,474 ,066 ,043 ,848








es inversa.



9.1.5 Año 2012




133.


Media

Desviación



Asset_intensity ,9044898 ,75363715 246




Leverage ,6138089 ,18019215 246

Debt_intensity ,7650512 ,73743713 246

Coverage_ratio 1,3641683 1,21450572 246

Current_ratio 1,7441585 ,80266933 246

ROE 9,5844475 15,42427098 246

ROCE 9,6107236 12,14786777 246

ROS 3,9060322 6,12302956 246















gl 66

Sig. ,000








Comunalidades

Inicial Extracción






Leverage 1,000 ,928




ROE 1,000 ,910

ROCE 1,000 ,886

ROS 1,000 ,863















completo.


Componente



1 3,590 29,919 29,919 3,590 29,919 29,919 3,194 26,621 26,621

2 2,515 20,956 50,875 2,515 20,956 50,875 2,629 21,905 48,526

3 2,356 19,636 70,511 2,356 19,636 70,511 2,525 21,040 69,566

4 1,669 13,910 84,421 1,669 13,910 84,421 1,783 14,855 84,421

5 ,802 6,685 91,106

6 ,389 3,241 94,347

7 ,249 2,072 96,419

8 ,187 1,557 97,976

9 ,139 1,162 99,139

10 ,050 ,416 99,555

11 ,030 ,250 99,805

12 ,023 ,195 100,000


















1

2

3

4











Componente

1 2 3 4


Asset_intensity ,814 -,357 ,217 ,239

Coverage_ratio -,793 -,122 -,278 -,050

Debt_intensity ,608 -,345 ,281 ,020

Leverage ,420 ,805 ,149 -,285

Deb_to_equity_ratio ,354 ,738 ,173 -,328

Current_ratio -,475 -,675 -,062 ,023

ROE -,361 ,141 ,870 ,043

ROS -,339 -,296 ,806 -,108

ROCE -,483 ,135 ,789 ,108















Componente

1 2 3 4

Infrastructure_resource_intensity ,970 -,007 -,092 ,039

Asset_intensity ,939 ,003 -,100 ,037

Debt_intensity ,737 ,000 ,032 -,152

Coverage_ratio -,711 -,464 ,032 -,028

Leverage ,017 ,963 -,012 -,015

Deb_to_equity_ratio -,014 ,895 ,034 -,076

Current_ratio -,141 -,787 ,110 -,184

ROE -,057 ,096 ,944 ,074

ROCE -,168 ,008 ,915 ,144

ROS ,080 -,232 ,869 -,219

Currents_asset_turnover_rate ,217 ,047 -,026 ,960









es inversa.



9.1.6 Año 2013




139.


Media

Desviación



Asset_intensity ,8622825 ,73414033 178




Leverage ,6203890 ,16988386 178

Debt_intensity ,7267896 ,66715716 178

Coverage_ratio 1,3237302 1,15182074 178

Current_ratio 1,7160056 ,79728115 178

ROE 11,6025029 15,32334987 178

ROCE 11,0716966 12,42837791 178

ROS 4,3064875 5,28577654 178















gl 66

Sig. ,000








Comunalidades

Inicial Extracción






Leverage 1,000 ,854




ROE 1,000 ,910

ROCE 1,000 ,898

ROS 1,000 ,890












problema. Es decir, en España en el año 2013 hay 4 componentes que son



completo.


Componente



1 3,531 29,428 29,428 3,531 29,428 29,428 3,077 25,640 25,640

2 2,719 22,654 52,082 2,719 22,654 52,082 2,586 21,549 47,189

3 2,308 19,233 71,316 2,308 19,233 71,316 2,539 21,158 68,348

4 1,430 11,914 83,229 1,430 11,914 83,229 1,786 14,882 83,229

5 ,893 7,438 90,667

6 ,421 3,512 94,179

7 ,300 2,502 96,682

8 ,167 1,389 98,071

9 ,109 ,906 98,976

10 ,064 ,530 99,507

11 ,042 ,351 99,857

12 ,017 ,143 100,000


















1

2

3

4











Componente

1 2 3 4


Asset_intensity ,839 -,067 ,277 ,303

Coverage_ratio -,785 -,405 -,025 -,013

Debt_intensity ,608 -,172 ,319 ,167


Leverage ,340 ,735 -,271 -,352

Deb_to_equity_ratio ,217 ,663 -,245 -,344

ROE -,339 ,640 ,614 ,090

Current_ratio -,435 -,640 ,264 ,162

ROS -,223 ,260 ,879 ,000

ROCE -,474 ,563 ,590 ,090

Currents_asset_turnover_rate -,026 ,423 -,365 ,817




Tabla 143 Matriz de componentes originales de España de 2013









Componente

1 2 3 4

Infrastructure_resource_intensity ,967 ,085 -,100 -,006

Asset_intensity ,932 ,057 -,062 -,018

Debt_intensity ,709 -,069 -,020 -,147

Coverage_ratio -,650 -,597 ,025 -,017

Leverage ,003 ,923 ,025 ,021

Deb_to_equity_ratio -,084 ,809 ,049 ,011

Current_ratio -,165 -,806 ,033 -,127

ROE -,084 ,143 ,932 ,119

ROCE -,202 ,040 ,917 ,123

ROS ,107 -,153 ,900 -,215










es inversa.



9.1.7 Análisis longitudinal 2008-2013

En la tabla 145 se muestran las diferentes componentes para cada año, al igual

que las variables que las conforman, sus coeficientes de correlación con las

componentes. En las dos últimas columnas aparen la tendencia de cada una

de las variables y un histograma con la evolución de los valores. Por último en

la parte inferior de la tabla se muestra la varianza explicada por cada una de

las componentes en cada año.


Tabla 145 Análisis longitudinal de los componentes en España entre 2008-2013



9.2 INDIA

A continuación se va a proceder a realizar un análisis de componentes

principales en India para cada año de los expresados en el horizonte temporal,

es decir, 2008-2009-2010-2011-2012-2013. Se utilizarán las variables

referenciadas en el modelo del punto 7.7. El objetivo de este análisis es falsar

parte de las hipótesis de esta tesis doctoral.

9.2.1 Año 2008




146.


Media

Desviación


Company_age 26,35 16,933 65

Company_size ,0230355 ,04967456 65


Asset_intensity ,8608193 2,06065331 65


Current_asset_turnover_rate ,2599982 ,26753445 65

Debt_to_equity_ratio ,6296023 ,64968436 65

Leverage ,7924398 ,36911539 65

Debt_intensity 1,2023048 2,02848435 65

Coverage_ratio 3,6391277 4,76682421 65

Current_ratio 1,4097538 ,97791893 65

ROE 19,4478462 14,55324046 65

ROCE 14,0360000 12,16702739 65

ROS 8,4027079 6,77498515 65


Tabla 146 Estadísticos descriptivos de las variables de India en 2008






KMO como es casi de 0,500 se podría considerar aceptable la aplicación del
























gl 91

Sig. ,000


Tabla 147 Prueba de KMO y Bartlett de India en 2008








Comunalidades

Inicial Extracción






Current_asset_turnover_rate 1,000 ,883

Debt_to_equity_ratio 1,000 ,902

Leverage 1,000 ,708




ROE 1,000 ,805

ROCE 1,000 ,886

ROS 1,000 ,842



Tabla 148 Comunalidades de las variables de India en 2008







problema. Es decir, en India en el año 2008 hay 5 componentes que son



completo.




Componente



1 3,958 28,273 28,273 3,958 28,273 28,273 3,456 24,687 24,687

2 2,416 17,258 45,532 2,416 17,258 45,532 2,359 16,850 41,537

3 1,684 12,029 57,561 1,684 12,029 57,561 1,889 13,493 55,030

4 1,423 10,162 67,723 1,423 10,162 67,723 1,678 11,988 67,017

5 1,365 9,749 77,472 1,365 9,749 77,472 1,464 10,455 77,472

6 ,910 6,502 83,974

7 ,744 5,313 89,287

8 ,423 3,025 92,312

9 ,368 2,628 94,940

10 ,316 2,259 97,199

11 ,173 1,233 98,432

12 ,160 1,140 99,572

13 ,045 ,323 99,895

14 ,015 ,105 100,000



Tabla 149 Autovalores y varianza total explicada de los componentes de India en 2008















Figura 103 Gráfico de sedimentación de la extracción de los componentes de India en 2008








1

2

3

4 5




Componente

1 2 3 4 5

ROCE ,909 -,061 -,056 ,170 ,155

ROS ,847 ,211 ,265 ,053 ,084

Asset_turnover_rate ,834 ,121 -,229 ,137 ,064

ROE ,729 ,101 ,045 ,451 ,241

Debt_to_equity_ratio -,624 ,203 ,270 ,520 ,358

Infrastructure_resource_intensity -,304 ,810 -,027 -,114 ,087

Asset_intensity -,088 ,805 -,101 -,268 -,054

Current_asset_turnover_rate ,492 ,767 -,209 -,091 ,014

Coverage_ratio ,343 -,481 ,057 -,063 ,001

Current_ratio ,273 -,060 ,752 ,028 -,427

Debt_intensity -,334 ,283 ,586 ,441 ,286

Leverage -,176 -,241 -,561 ,257 ,488

Company_size ,337 -,039 ,388 -,499 ,444

Company_age -,082 -,185 ,225 -,539 ,659




Tabla 150 Matriz de componentes originales de India en 2008








India_2008_Matriz de componente rotadoa

Componente

1 2 3 4 5

ROCE ,891 -,193 -,219 ,022 ,073

ROE ,878 -,103 ,143 -,016 -,048

Asset_turnover_rate ,830 ,022 -,301 -,049 -,052

ROS ,826 ,051 -,078 ,345 ,180

Asset_intensity -,027 ,856 -,048 ,068 ,013


Current_asset_turnover_rate ,560 ,728 -,195 ,032 -,030

Coverage_ratio ,191 -,490 -,235 ,072 ,142

Debt_to_equity_ratio -,257 ,095 ,885 -,193 -,080

Debt_intensity -,034 ,109 ,875 ,173 ,053

Current_ratio ,128 -,212 ,115 ,867 -,008

Leverage ,010 -,184 ,089 -,816 -,028

Company_age -,145 -,068 ,046 -,153 ,875

Company_size ,216 -,012 -,064 ,191 ,790





Tabla 151 Matriz de componentes rotados de India de 2008



es inversa.



9.2.2 Año 2009




152.


Tabla 152 Estadísticos descriptivos de las varianzas de India en 2009









Media

Desviación


Company_age 28,99 18,138 76

Company_size ,0691701 ,37820340 76


Asset_intensity ,9830740 2,26726513 76


Current_asset_turnover_rate ,2015251 ,24191771 76

Debt_to_equity_ratio ,7208484 1,13626948 76

Leverage ,8135264 ,54101879 76

Debt_intensity 1,2912496 1,88295542 76

Coverage_ratio 3,2048174 3,49016520 76

Current_ratio 1,4019211 ,96367813 76

ROE 15,7467696 16,11611336 76

ROCE 11,6553947 12,61992947 76

ROS 7,0589228 7,65076745 76






gl 91

Sig. ,000








Comunalidades

Inicial Extracción








Leverage 1,000 ,803




ROE 1,000 ,874

ROCE 1,000 ,877

ROS 1,000 ,813















completo.


Componente



1 4,194 29,955 29,955 4,194 29,955 29,955 3,852 27,516 27,516

2 2,475 17,678 47,632 2,475 17,678 47,632 2,142 15,298 42,815

3 1,330 9,498 57,131 1,330 9,498 57,131 1,429 10,205 53,020

4 1,261 9,004 66,135 1,261 9,004 66,135 1,417 10,123 63,143

5 1,162 8,297 74,432 1,162 8,297 74,432 1,362 9,731 72,874

6 1,002 7,160 81,591 1,002 7,160 81,591 1,220 8,718 81,591

7 ,778 5,560 87,151

8 ,573 4,094 91,245

9 ,465 3,324 94,569

10 ,266 1,899 96,468

11 ,214 1,528 97,996

12 ,139 ,991 98,986

13 ,106 ,756 99,742

14 ,036 ,258 100,000



















1

2

3 4 5 6











Componente

1 2 3 4 5 6

ROCE ,919 ,071 ,025 ,120 ,066 -,086

Asset_turnover_rate ,885 ,150 ,142 ,065 -,042 ,093

ROS ,822 ,350 ,023 -,096 ,018 ,070

ROE ,809 ,178 -,237 ,315 ,180 -,014

Current_asset_turnover_rate ,670 ,454 ,243 ,106 -,161 ,179

Infrastructure_resource_intensity -,492 ,757 ,231 ,119 -,095 ,071

Coverage_ratio ,326 -,587 -,047 -,410 -,324 ,338

Asset_intensity -,297 ,569 ,331 ,103 -,470 ,057

Debt_intensity -,389 ,563 -,285 -,237 -,044 ,509

Current_ratio ,237 ,414 -,515 -,577 ,180 ,117

Debt_to_equity_ratio -,348 ,147 -,521 ,560 ,299 ,161

Company_size -,075 -,054 ,412 ,102 ,557 ,439

Company_age -,111 ,020 ,489 -,350 ,539 ,007

Leverage ,055 -,576 ,047 ,305 -,193 ,579













Componente

1 2 3 4 5 6

Asset_turnover_rate ,892 -,085 -,174 -,032 ,087 ,001

ROCE ,884 -,270 -,084 -,101 -,042 -,059

ROS ,859 -,030 -,158 ,204 -,082 -,005

ROE ,843 -,265 ,280 ,007 -,045 -,111

Current_asset_turnover_rate ,817 ,313 -,122 ,036 ,048 ,018

Asset_intensity -,042 ,854 -,085 -,036 -,058 -,117

Infrastructure_resource_intensity -,153 ,853 ,203 ,129 -,269 ,122

Debt_to_equity_ratio -,185 ,010 ,891 ,099 ,042 -,057

Current_ratio ,218 -,152 -,045 ,852 -,263 -,070

Debt_intensity -,194 ,484 ,211 ,735 ,083 ,047

Leverage -,034 -,144 ,067 -,207 ,856 ,040

Coverage_ratio ,043 -,395 -,542 ,152 ,590 -,133

Company_size ,019 ,021 ,160 -,052 ,204 ,787

Company_age -,106 -,044 -,243 ,023 -,257 ,725





Tabla 157 Matriz de componentes rotados de India en 2009



es inversa.



9.2.3 Año 2010




158.


Media

Desviación


Company_age 30,25 17,906 76

Company_size ,0631832 ,31114741 76


Asset_intensity ,7581723 1,13999154 76

Asset_turnover_rate ,4439011 2,73730175 76

Current_asset_turnover_rate 1,3772418 10,13475569 76


Leverage ,8170747 ,72136206 76

Debt_intensity 1,0046909 1,46723188 76

Coverage_ratio 3,3501012 3,71704031 76

Current_ratio 1,4581579 ,94006847 76

ROE 16,1961842 13,40295330 76

ROCE 12,1061842 10,78200278 76

ROS 7,7637873 7,93023783 76
































gl 91

Sig. ,000










Comunalidades

Inicial Extracción








Leverage 1,000 ,559




ROE 1,000 ,846

ROCE 1,000 ,919

ROS 1,000 ,738













completo.




Componente



1 3,398 24,273 24,273 3,398 24,273 24,273 2,864 20,459 20,459

2 2,581 18,437 42,711 2,581 18,437 42,711 2,389 17,062 37,521

3 1,531 10,933 53,644 1,531 10,933 53,644 2,005 14,320 51,841

4 1,397 9,979 63,623 1,397 9,979 63,623 1,540 10,999 62,840

5 1,057 7,549 71,171 1,057 7,549 71,171 1,166 8,332 71,171

6 ,988 7,055 78,226

7 ,870 6,212 84,438

8 ,723 5,162 89,600

9 ,593 4,239 93,839

10 ,482 3,444 97,283

11 ,232 1,660 98,943

12 ,111 ,790 99,733

13 ,037 ,267 99,999

14 ,000 ,001 100,000


























1

2

3 4

5




Componente

1 2 3 4 5

ROCE ,868 -,287 -,048 ,227 ,169

ROE ,836 -,200 ,015 ,284 ,163

ROS ,798 -,028 -,172 ,260 -,047

Asset_turnover_rate ,721 ,330 ,130 -,518 -,007

Current_asset_turnover_rate ,706 ,349 ,133 -,525 -,013

Infrastructure_resource_intensity ,024 ,931 ,098 ,190 -,093

Asset_intensity ,129 ,787 ,088 ,168 -,247

Coverage_ratio ,000 -,612 -,102 -,254 -,445

Debt_intensity -,338 ,491 -,287 ,023 -,062

Current_ratio -,009 -,027 -,800 ,118 ,050

Leverage -,220 -,281 ,589 -,278 ,086

Company_age -,129 -,010 ,478 ,482 -,144

Debt_to_equity_ratio -,304 ,215 -,142 -,253 ,744

Company_size ,024 -,023 ,345 ,369 ,380













Componente

1 2 3 4 5

ROCE ,928 -,158 ,170 -,041 -,033

ROE ,908 -,053 ,132 ,012 -,024

ROS ,788 ,104 ,186 -,198 -,179


Asset_intensity -,023 ,833 ,158 -,008 -,118

Coverage_ratio -,082 -,597 ,057 -,057 -,527

Debt_intensity -,389 ,415 -,056 -,327 ,093

Current_asset_turnover_rate ,290 ,190 ,885 ,098 -,009

Asset_turnover_rate ,310 ,176 ,882 ,097 -,010

Current_ratio ,055 -,075 -,122 -,793 ,063

Leverage -,234 -,319 ,042 ,630 ,061

Company_age ,084 ,228 -,448 ,456 -,175

Company_size ,270 ,094 -,307 ,351 ,319

Debt_to_equity_ratio -,265 -,036 ,075 -,110 ,829








es inversa.



9.2.4 Año 2011




164.












Media

Desviación


Company_age 31,87 18,329 70

Company_size ,0721961 ,35074892 70


Asset_intensity ,8217518 1,18160777 70




Leverage ,7695408 ,57197376 70

Debt_intensity 1,3180735 2,61310090 70

Coverage_ratio 3,7796260 5,68904017 70

Current_ratio 1,4919286 ,80865215 70

ROE 14,4898739 11,33695487 70

ROCE 11,0724286 10,46197150 70

ROS 6,8099912 7,70098059 70






















gl 91

Sig. ,000


Tabla 165 Prueba de KMO y Bartlett de India de 2011








Comunalidades

Inicial Extracción








Leverage 1,000 ,921




ROE 1,000 ,829

ROCE 1,000 ,842

ROS 1,000 ,777













completo.




Componente



1 3,296 23,544 23,544 3,296 23,544 23,544 3,069 21,918 21,918

2 3,004 21,457 45,001 3,004 21,457 45,001 2,775 19,823 41,742

3 2,134 15,241 60,242 2,134 15,241 60,242 2,356 16,832 58,573

4 1,404 10,029 70,272 1,404 10,029 70,272 1,451 10,364 68,937

5 1,068 7,625 77,897 1,068 7,625 77,897 1,254 8,960 77,897

6 ,950 6,786 84,683

7 ,808 5,770 90,453

8 ,606 4,329 94,781

9 ,309 2,207 96,988

10 ,216 1,539 98,528

11 ,109 ,776 99,304

12 ,052 ,374 99,678

13 ,045 ,321 99,999

14 ,000 ,001 100,000


























1

2

3

4

5




Componente

1 2 3 4 5

ROCE ,884 ,223 -,084 -,002 ,072

ROE ,834 ,314 -,078 ,062 ,155

ROS ,765 ,053 ,072 ,226 ,363

Coverage_ratio -,146 ,820 ,330 ,153 ,084

Infrastructure_resource_intensity -,245 -,791 ,367 -,057 ,198

Leverage -,325 ,790 ,399 -,129 ,123

Asset_intensity -,201 -,690 ,377 -,034 ,120


Current_asset_turnover_rate ,530 -,208 ,733 -,077 -,085

Asset_turnover_rate ,545 -,197 ,725 -,076 -,084

Current_ratio ,061 -,151 -,293 ,748 ,183

Company_age ,013 -,037 -,366 -,509 ,395

Company_size -,003 ,010 -,088 -,475 ,592

Debt_intensity -,365 -,197 ,180 ,493 ,501




Tabla 168 Matriz de componentes originales de India de 2011









Componente

1 2 3 4 5

ROE ,901 -,008 ,066 -,105 ,039

ROCE ,882 -,115 ,120 -,188 ,024

ROS ,804 -,088 ,253 ,232 ,071

Leverage -,055 ,945 -,043 -,131 ,078

Coverage_ratio ,168 ,880 -,107 -,004 -,134

Debt_to_equity_ratio -,291 ,879 ,032 ,146 -,027



Infrastructure_resource_intensity -,514 -,356 ,559 ,361 ,170

Asset_intensity -,453 -,296 ,536 ,294 ,090

Debt_intensity -,213 ,133 ,051 ,795 ,029

Current_ratio ,220 -,235 -,290 ,650 -,308

Company_size ,048 ,060 ,018 ,031 ,759

Company_age ,033 -,151 -,195 -,126 ,688








es inversa.



9.2.5 Año 2012




170.


Media

Desviación


Company_age 31,87 18,867 70

Company_size ,0733648 ,35833856 70


Asset_intensity ,8675287 1,45995693 70




Leverage ,7146568 ,31133917 70

Debt_intensity 1,1799963 2,49180591 70

Coverage_ratio 14,7216967 78,61205301 70

Current_ratio 1,5149143 ,87582562 70

ROE 14,3488571 13,95992770 70

ROCE 11,6934286 11,77045662 70

ROS 8,2143281 8,70435307 70















gl 91

Sig. ,000








Comunalidades

Inicial Extracción








Leverage 1,000 ,818




ROE 1,000 ,872

ROCE 1,000 ,900

ROS 1,000 ,657









capaces de representar el 81,020 % de la varianza original del problema. Esto


original perdiendo sólo, aproximadamente el 19 % de la varianza original del



guardando el aproximadamente 81 % de la varianza original del modelo

completo.


Componente



1 3,006 21,470 21,470 3,006 21,470 21,470 2,635 18,825 18,825

2 2,584 18,455 39,926 2,584 18,455 39,926 2,097 14,977 33,802

3 2,133 15,232 55,158 2,133 15,232 55,158 2,090 14,932 48,733

4 1,502 10,726 65,884 1,502 10,726 65,884 1,863 13,306 62,040

5 1,073 7,667 73,551 1,073 7,667 73,551 1,452 10,375 72,414

6 1,046 7,469 81,020 1,046 7,469 81,020 1,205 8,606 81,020

7 ,785 5,604 86,624

8 ,592 4,225 90,849

9 ,500 3,571 94,420

10 ,370 2,640 97,059

11 ,224 1,603 98,662

12 ,140 1,001 99,663

13 ,047 ,335 99,998

14 ,000 ,002 100,000



















1

2

3

4

5 6











Componente

1 2 3 4 5 6

ROCE ,868 -,284 ,110 ,053 ,172 ,148

ROE ,806 -,244 ,158 ,115 ,246 ,253

ROS ,743 -,107 ,080 ,240 ,145 -,095

Debt_to_equity_ratio -,651 ,201 ,354 -,039 ,360 ,224

Asset_intensity ,070 ,794 -,267 ,369 -,092 -,024

Infrastructure_resource_intensity -,009 ,782 -,147 ,475 -,106 ,056

Current_asset_turnover_rate ,433 ,706 ,132 -,490 -,003 ,114

Asset_turnover_rate ,455 ,692 ,135 -,490 ,000 ,113

Leverage -,239 -,074 ,797 -,332 -,029 -,091

Current_ratio -,030 -,235 -,796 -,049 ,072 ,334

Coverage_ratio -,176 -,166 -,531 -,524 ,001 ,302

Company_age -,012 -,202 ,433 ,356 -,305 ,233

Debt_intensity -,370 ,202 ,165 ,253 ,673 ,364

Company_size -,052 -,056 ,263 ,083 -,511 ,688













Componente

1 2 3 4 5 6

ROCE ,917 ,117 -,151 ,017 -,140 ,049

ROE ,914 ,106 -,115 ,013 ,012 ,108

ROS ,766 ,015 ,093 -,144 -,173 -,101

Current_asset_turnover_rate ,103 ,953 ,175 -,063 -,031 -,045

Asset_turnover_rate ,126 ,952 ,165 -,064 -,039 -,046

Infrastructure_resource_intensity -,109 ,165 ,900 -,089 ,107 ,059

Asset_intensity -,090 ,235 ,886 -,005 ,010 -,069

Current_ratio ,026 -,190 ,045 ,876 -,036 -,046

Coverage_ratio -,246 ,155 -,293 ,731 -,036 -,025

Leverage -,232 ,201 -,527 -,622 ,172 ,171

Debt_intensity -,021 -,079 ,134 ,002 ,910 -,028

Debt_to_equity_ratio -,443 ,028 -,093 -,179 ,727 ,072

Company_size -,038 ,066 -,016 ,057 ,011 ,898

Company_age ,109 -,252 -,019 -,322 ,007 ,569








es inversa.



9.2.6 Año 2013




176.


Media

Desviación


Company_age 34,73 19,594 56

Company_size ,1089984 ,49409082 56


Asset_intensity ,8949997 1,51328656 56




Leverage 1,0907612 2,64483790 56

Debt_intensity 1,5505646 3,79417181 56

Coverage_ratio 4,6386366 5,53990779 56

Current_ratio 1,4444464 ,79579440 56

ROE 12,1683929 13,69426645 56

ROCE 10,1203571 11,80919010 56

ROS 7,2425339 8,31812641 56
































gl 91

Sig. ,000


Tabla 177 Prueba de KMO y Bartlett de India de 2013








Comunalidades

Inicial Extracción








Leverage 1,000 ,673




ROE 1,000 ,928

ROCE 1,000 ,941

ROS 1,000 ,839







capaces de representar el 74,930 % de la varianza original del problema. Esto


original perdiendo sólo, aproximadamente el 25 % de la varianza original del



guardando el aproximadamente 75 % de la varianza original del modelo

completo.




Componente


Total

% de

varianza

%

acumulado

Total

% de

varianza

% acumulado Total

% de

varianza

%

acumulado

1 3,522 25,160 25,160 3,522 25,160 25,160 2,807 20,047 20,047

2 2,765 19,753 44,913 2,765 19,753 44,913 2,282 16,298 36,345

3 1,790 12,784 57,697 1,790 12,784 57,697 2,226 15,897 52,243

4 1,307 9,338 67,035 1,307 9,338 67,035 1,845 13,181 65,423

5 1,105 7,895 74,930 1,105 7,895 74,930 1,331 9,507 74,930

6 ,916 6,540 81,470

7 ,769 5,492 86,962

8 ,592 4,227 91,189

9 ,547 3,908 95,097

10 ,367 2,620 97,717

11 ,165 1,177 98,894

12 ,126 ,899 99,793

13 ,029 ,205 99,998

14 ,000 ,002 100,000



Tabla 179 Autovalores y varianza total explicada de los componente de India en 2013















Figura 108 Gráfico de sedimentación de la extracción de los componentes








1

2

3

4 5




Componente

1 2 3 4 5

ROS ,828 -,231 -,205 ,095 ,220

ROCE ,822 -,401 ,045 -,003 ,321

ROE ,800 -,373 ,011 ,023 ,386



Infrastructure_resource_intensity ,176 ,878 -,156 ,030 ,170

Asset_intensity ,219 ,770 ,052 ,127 ,215

Coverage_ratio -,107 -,625 ,448 ,290 ,001


Current_ratio ,126 -,030 -,604 ,377 -,289

Leverage -,484 -,207 ,537 ,048 ,324

Company_age -,167 -,014 -,280 -,702 ,167

Company_size -,085 ,013 -,059 -,609 ,221

Debt_intensity -,183 ,455 -,214 ,378 ,481












Matriz de componente rotadoa

Componente

1 2 3 4 5

ROE ,956 -,068 ,091 -,039 -,013

ROCE ,948 -,134 ,141 -,059 -,015

ROS ,854 ,035 ,064 -,312 -,078


Asset_intensity -,007 ,765 ,344 -,014 -,056

Debt_intensity -,045 ,717 -,304 ,163 -,158

Coverage_ratio ,148 -,561 -,085 ,445 -,380

Current_asset_turnover_rate ,124 ,135 ,932 ,027 -,100


Leverage -,157 -,159 -,092 ,783 -,034

Debt_to_equity_ratio -,395 ,204 -,195 ,681 -,058

Current_ratio ,009 ,061 -,333 -,620 -,328

Company_age -,066 -,026 -,156 -,062 ,771

Company_size ,011 -,003 -,003 ,092 ,650








es inversa.



9.2.7 Análisis longitudinal 2008-2013

En la tabla 182 se muestran las diferentes componentes para cada año, al igual

que las variables que las conforman, sus coeficientes de correlación con las

componentes. En las dos últimas columnas aparen la tendencia de cada una

de las variables y un histograma con la evolución de los valores. Por último en

la parte inferior de la tabla se muestra la varianza explicada por cada una de

las componentes en cada año.


Tabla 182 Análisis longitudinal de los componentes en India entre 2008-2013



CAPITULO 10 ANÁLISIS DE LA ENVOLVENTE DE

DATOS

10.1 ANÁLISIS POR LA POSICIÓN EN LA CADENA DE VALOR

La posición que las empresas analizadas pueden ocupar en la cadena de valor

del sector aeroespacial es variada. Se han utilizado las siguientes categorías

para su clasificación, las cuales aparecen representadas en la figura 109:

Ingeniería

Fabricación, montaje, integración y ensayos.

Servicios

MRO

Ingeniería, fabricación, montaje, integración y ensayos

Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO

Fuente: (Frost & Sullivan, 2013)

Figura 109 Clasificación de las empresas aeroespaciales en función de los eslabones de la

cadena de valor


• Investigación y Desarrollo

• Infraestructura y servicios de diseño

• Infraestructura y servicios de ensayos

• Ensayos en vuelo

•Otros servicios de ingenieria


• Suministradores Tier I

• Suministradores Tier II

• Suministradores Tier III


• Ensamblaje subconjuntos

• Ensayos de subconuntos


• Financiación de adquisiones

• Financiacion de ventas

• Leasing


•Oficinas comerciales


•Repuestos

•Mantenimiento

• Inspecciones

•Mejoras de sistemas

• Servicios

• Formación







Ingeniería

Fabricación, montaje, integración, ensayos

Servicios

MRO

Ingeniería, Fabricación, montaje, integración, ensayos

Ingeniería, Fabricación, montaje, integración, ensayos, servicios, MRO



La distribución de las empresas por eslabones, años y país es la que a

continuación se muestra en la tabla 183:


Tabla 183 Distribución de empresas aeroespaciales por eslabones, años y país entre 2008-

2013

El análisis llevado a cabo es de tipo CCR con formulación tipo envolvente y

orientación hacia outputs. Donde las variables de entrada y salida son:

INPUT OUTPUT

𝑥1 = 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑠𝑖𝑧𝑒𝑥2 = 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑎𝑔𝑒 𝑥3 = 𝐼𝑛𝑓𝑟𝑎𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑒 & 𝑅𝑒𝑠𝑜𝑢𝑟𝑐𝑒 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥4 = 𝐴𝑠𝑠𝑒𝑡 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥5 = 𝐴𝑠𝑠𝑒𝑡 𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟 𝑟𝑎𝑡𝑒𝑥6 = 𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝑎𝑠𝑠𝑒𝑡𝑠 𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟 𝑟𝑎𝑡𝑒𝑥7 = 𝐷𝑒𝑏𝑡 𝑇𝑜 𝐸𝑞𝑢𝑖𝑡𝑦 𝑟𝑎𝑡𝑖𝑜𝑥8 = 𝐿𝑒𝑣𝑒𝑟𝑎𝑔𝑒𝑥9 = 𝐷𝑒𝑏𝑡 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥10 = 𝐶𝑜𝑣𝑒𝑟𝑎𝑔𝑎 𝑟𝑎𝑡𝑖𝑜 𝑥11 = 𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝑟𝑎𝑡𝑖𝑜

𝑥12 = 𝑅𝑂𝐸𝑥13 = 𝑅𝑂𝐶𝐸𝑥14 = 𝑅𝑂𝑆

El hecho de utilizar como variables de entrada al modelo en una orientación de

tipo output, indicadores en los que un valor mayor significa una mejor posición

o gestión de la empresa, no debe malinterpretarse. En el enfoque que se ha

dado a este modelo, un menor valor del indicador para un rendimiento máximo

de la empresa, puede significar dos cosas: por una lado que la empresa está



mejor gestionada o que presenta una mayor fortaleza si un menor valor del

indicador proporciona mayor utilidad; por otro lado si un mayor valor del

indicador significa una mejor gestión o mayor forataleza, que aun siendo una

empresa mal gestionada o débil en el aspecto que se esté midiendo, es capaz

de obtener un rendimiento máximo, pudiendo ser síntoma de la robustez,

agilidad, resiliencia de la misma.

De acuerdo a dicha clasificación se han obtenido los valores medios por

posición en la cadena valor y año. Cada tabla que aparece a continuación

representa una variable de las que se han utilizado en el análisis. Por filas

aparecen representados el país y la posición de la cadena de valor, en cambio

por columnas se ha representado el valor medio agragado para el periodo

2008-2013 (bajo el título de la columna TOTAL), así como la media anual,

asimismo las últimas dos columnas corresponden a la tendencia y al gráfico de

barras de los años 2008-2013 de cada serie de datos. Las fechas verdes y

rojas no representa que un valor sea mejor que otro de manera absoluta, sino

que muestran si un valor es mayor que otro de manera relativa para que sea

más fácil identificar visualmente si un país tiene valores mayores o menores de

una determinada variable y en un grupo de la cadena de valor particular, así

como si se produce un cambio en esta tendencia. Por último las últimas dos

filas corresponden a los mismos datos que se han comentado en el párrafo

anterior, pero agregados por país. Las tablas 184, 185, 186, 187, 188, 189,

190, 191, 192, 193, 194, 195, 196, 197 y 198 recogen este análisis longitudinal,

donde cada tabla se refiere a una variable del modelo.



Fuente

: E

labora

ció

n p

ropia

Tab

la 1

84

Aná

lisis

lon

gitud

inal de “

Com

pan

y a

ge”

seg

menta

do p

or

esla

bones d

e la c

ad

ena

de v

alo

r



Fuente

: E

labora

ció

n p

ropia

Tab

la 1

85 A

ná

lisis

lo

ngitud

ina

l d

e “

Com

pan

y s

ize”

seg

menta

do p

or

esla

bones d

e la c

ad

ena

de v

alo

r



Fuente

: E

labora

ció

n p

ropia

Tab

la 1

86 A

ná

lisis

lo

ngitud

ina

l d

e “

Infr

astr

uctu

re a

nd r

esourc

e inte

nsity”

se

gm

enta

do p

or

esla

bo

nes d

e la c

adena

de v

alo

r



Fuente

: E

labora

ció

n p

ropia

Tab

la 1

87 A

ná

lisis

lo

ngitud

ina

l d

e “

Asset

inte

nsity”

seg

menta

do p

or

esla

bones d

e la c

ad

ena

de v

alo

r



Fuente

: E

labora

ció

n p

ropia

Tab

la 1

88 A

ná

lisis

lo

ngitud

ina

l d

e “

Asset tu

rno

ver

rate

” segm

enta

do p

or

esla

bon

es d

e la c

ade

na d

e v

alo

r



Fuente

: E

labora

ció

n p

ropia

Tab

la 1

89 A

ná

lisis

lo

ngitud

ina

l d

e “

Curr

ent

Assets

turn

over

rate

” segm

enta

do

por

esla

bones d

e la c

ad

ena

de v

alo

r



Fuente

: E

labora

ció

n p

ropia

Tab

la 1

90 A

ná

lisis

lo

ngitud

ina

l d

e “

Deb

t-to

-eq

uity r

atio

” segm

enta

do p

or

esla

bon

es d

e la c

ade

na d

e v

alo

r



Fuente

: E

labora

ció

n p

ropia

Tab

la 1

91 A

ná

lisis

lo

ngitud

ina

l d

e “

Le

vera

ge”

segm

enta

do p

or

esla

bo

nes d

e la c

adena

de v

alo

r



Fuente

: E

labora

ció

n p

ropia

Tab

la 1

92 A

ná

lisis

lo

ngitud

ina

l d

e “

Deb

t in

tensity”

se

gm

enta

do p

or

esla

bones d

e la c

ad

ena

de v

alo

r



Fuente

: E

labora

ció

n p

ropia

Tab

la 1

93 A

ná

lisis

lo

ngitud

ina

l d

e “

Co

vera

ge r

atio

” se

gm

enta

do p

or

esla

bon

es d

e la

cade

na d

e v

alo

r



Fuente

: E

labora

ció

n p

ropia

Tab

la 1

94 A

ná

lisis

lo

ngitud

ina

l d

e “

Curr

ent

ratio

” segm

enta

do p

or

esla

bo

nes d

e la

caden

a d

e v

alo

r



Fuente

: E

labora

ció

n p

ropia

Tab

la 1

95 A

ná

lisis

lo

ngitud

ina

l d

e “

RO

E”

segm

enta

do p

or

esla

bo

nes d

e la

cade

na d

e v

alo

r



Fuente

: E

labora

ció

n p

ropia

Tab

la 1

96 A

ná

lisis

lo

ngitud

ina

l d

e “

RO

CE

” se

gm

enta

do p

or

esla

bones d

e la c

ad

ena d

e v

alo

r



Fuente

: E

labora

ció

n p

ropia

Tab

la 1

97 A

ná

lisis

lo

ngitud

ina

l d

e “

RO

S”

segm

enta

do p

or

esla

bo

nes d

e la

cade

na d

e v

alo

r



Fuente

: E

labora

ció

n p

ropia

Tab

la 1

98 A

ná

lisis

lo

ngitud

ina

l d

e “

Com

pan

y e

ffic

iency”

segm

enta

do p

or

esla

bon

es d

e la c

ad

ena

de v

alo

r



Fuente

: E

labora

ció

n p

ropia

Tab

la 1

99 A

ná

lisis

lo

ngitud

ina

l d

e los f

acto

res d

el m

od

elo



La tabla 199 recoge la comparación longitudinal de las empresas más

eficientes en España e India. En particular para el caso de España el número

de empresas más eficientes (con un ratio de eficiencia de1 según el modelo

DEA) corresponde a 50 empresas y en India corresponde a 35 empresas. Las

variables aparecen agrupadas de acuerdo al modelo de la tesis doctoral

descrito en el apartado 7.7. Las fechas verdes y rojas no significan que un valor

sea mejor que otro, se trata de una comparación en términos relativos que

muestra de manera simple que valor es mayor y menor de cada par.

Tras revisar los resultados del panel de datos que conforman las tablas 184 a

198 se comparan longitudinalmente los resultados de la industria y de las

empresas más eficientes para cada variable con el ánimo de poner de

manifiesto las diferencias estructurales existentes las empresas eficientes y la

industria. El estudio se realiza para cada variable y se elabora una tabla y un

gráfico para mostrar los resultados y la tendencia de la variable en el tiempo,

en particular entre 2008 y 2013. Las tablas que recogen este análisis son la

200, 201, 202, 203, 204, 205, 206, 207, 208, 209, 210, 211, 212, 213 y 214.

Las figura que acompañan a cada tabla de las mencionadas son

respectivamente la 110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120, 121,

122, 123 y 124.




Tabla 200 Análisis comparativo longitudinal de “Company age” entre la industria y las

empresas más eficientes


Figura 110 Histograma de “Company age” para la industria y las empresas más eficientes

-10

-5

0

5

10

15

20

25

30

35

40

2008 2009 2010 2011 2012 2013

Company age

India industria

India eficientes

Delta india

España industria

España eficientes

Delta españa




Tabla 201 Análisis comparativo longitudinal de “Company size” entre la industria y las



Figura 111 Histograma de “Company size” para la industria y las empresas más eficientes

-0,1

-0,05

0

0,05

0,1

0,15

0,2

2008 2009 2010 2011 2012 2013

Company Size

India industria

India eficientes

Delta india

España industria

España eficientes

Delta españa




Tabla 202 Análisis comparativo longitudinal de “Infrastructure & Resource intensity” entre la

industria y las empresas más eficientes


Figura 112 Histograma de “Infrastructure & Resource intensity” para la industria y las empresas

más eficientes

-0,2

-0,1

0

0,1

0,2

0,3

0,4

0,5

2008 2009 2010 2011 2012 2013

Infrastructure & Resource intensity

India industria

India eficientes

Delta india

España industria

España eficientes

Delta españa




Tabla 203 Análisis comparativo longitudinal de “Asset intensity” entre la industria y las



Figura 113 Histograma de “Asset intensity” para la industria y las empresas más eficientes

-0,4

-0,2

0

0,2

0,4

0,6

0,8

1

1,2

1,4

2008 2009 2010 2011 2012 2013

Asset intensity

India industria

India eficientes

Delta india

España industria

España eficientes

Delta españa




Tabla 204 Análisis comparativo longitudinal de “Asset turnover rate” entre la industria y las



Figura 114 Histograma de “Asset turnover rate” para la industria y las empresas más eficientes

0

0,2

0,4

0,6

0,8

1

1,2

1,4

2008 2009 2010 2011 2012 2013

Asset turnover rate

India industria

India eficientes

Delta india

España industria

España eficientes

Delta españa




Tabla 205 Análisis comparativo longitudinal de “Current assets turnover rate” entre la industria

y las empresas más eficientes


Figura 115 Histograma de “Current assets turnover rate” para la industria y las empresas más

eficientes

-1

0

1

2

3

4

5

6

2008 2009 2010 2011 2012 2013

Current assets turover rate

India industria

India eficientes

Delta india

España industria

España eficientes

Delta españa




Tabla 206 Análisis comparativo longitudinal de “Debt-to-equity ratio” entre la industria y las



Figura 116 Histograma de “Debt-to-equity ratio” para la industria y las empresas más eficientes

MEDIA 2008 2009 2010 2011 2012 2013

Industria 0,650 0,624 0,721 0,711 0,687 0,537 0,619

Eficientes 0,512 0,435 0,592 0,585 0,659 0,395 0,405

Delta (E-I) -0,138 -0,189 -0,128 -0,126 -0,029 -0,142 -0,214

Industria 2,331 2,396 2,291 2,404 2,358 2,312 2,226

Eficentes 2,516 2,360 2,573 2,703 2,661 2,692 2,108

Delta (E-I) 0,185 -0,036 0,281 0,299 0,303 0,380 -0,117

India

España

Debt to equity ratio

-0,5

0

0,5

1

1,5

2

2,5

3

2008 2009 2010 2011 2012 2013

Debt to equity ratio

India industria

India eficientes

Delta india

España industria

España eficientes

Delta españa




Tabla 207 Análisis comparativo longitudinal de “Leverage” entre la industria y las empresas

más eficientes


Figura 117 Histograma de “Leverage” para la industria y las empresas más eficientes

-0,6

-0,4

-0,2

0

0,2

0,4

0,6

0,8

1

1,2

2008 2009 2010 2011 2012 2013

Leverage

India industria

India eficientes

Delta india

España industria

España eficientes

Delta españa




Tabla 208 Análisis comparativo longitudinal de “Debt intensity” entre la industria y las empresas

más eficientes


Figura 118 Histograma de “Debt intensity” para la industria y las empresas más eficientes

-0,5

0

0,5

1

1,5

2

2008 2009 2010 2011 2012 2013

Debt intensity

India industria

India eficientes

Delta india

España industria

España eficientes

Delta españa




Tabla 209 Análisis comparativo longitudinal de “Coverage ratio” entre la industria y las



Figura 119 Histograma de “Coverage ratio” para la industria y las empresas más eficientes

-1

0

1

2

3

4

5

6

7

8

2008 2009 2010 2011 2012 2013

Coverage ratio

India industria

India eficientes

Delta india

España industria

España eficientes

Delta españa




Tabla 210 Análisis comparativo longitudinal de “Current ratio” entre la industria y las empresas

más eficientes


Figura 120 Histograma de “Current ratio” para la industria y las empresas más eficientes

-0,5

0

0,5

1

1,5

2

2,5

2008 2009 2010 2011 2012 2013

Current ratio

India industria

India eficientes

Delta india

España industria

España eficientes

Delta españa




Tabla 211 Análisis comparativo longitudinal de “ROE” entre la industria y las empresas más

eficientes


Figura 121 Histograma de “ROE” para la industria y las empresas más eficientes

0

5

10

15

20

25

30

35

2008 2009 2010 2011 2012 2013

ROE

India industria

India eficientes

Delta india

España industria

España eficientes

Delta españa




Tabla 212 Análisis comparativo longitudinal de “ROCE” entre la industria y las empresas más

eficientes


Figura 122 Histograma de “ROCE” para la industria y las empresas más eficientes

0

5

10

15

20

25

30

2008 2009 2010 2011 2012 2013

ROCE

India industria

India eficientes

Delta india

España industria

España eficientes

Delta españa




Tabla 213 Análisis comparativo longitudinal de “ROS” entre la industria y las empresas más

eficientes


Figura 123 Histograma de “ROS” para la industria y las empresas más eficientes

0

2

4

6

8

10

12

14

2008 2009 2010 2011 2012 2013

ROS

India industria

India eficientes

Delta india

España industria

España eficientes

Delta españa




Tabla 214 Análisis comparativo longitudinal de “Company efficiency” entre la industria y las



Figura 124 Histograma de “Company efficiency” para la industria y las empresas más eficientes

0

0,2

0,4

0,6

0,8

1

1,2

2008 2009 2010 2011 2012 2013

Company efficiency

India industria

India eficientes

Delta india

España industria

España eficientes

Delta españa



PARTE V MODELO PREDICTIVO



CAPÍTULO 11 MODELO DE RED NEURONAL

ARTIFICIAL

La arquitectura que se ha utilizado en el modelo para la red de neuronas

artificiales es de tipo perceptrón multicapa (MLP), con una sóla capa oculta.

Tiene 13 neuronas de entrada y una sólo neurona de salida (Eficiencia de la

empresa). La función de activación de la capa oculta es de tipo sigmoidal entre

[-1,1] y la de la capa de salida es de tipo lineal. Se utiliza un entrenamiento de

tipo backpropagation (BP) utilizando al algoritmo de Levengerg-Marquardt. La

muestra de entrenamiento se ha dividido en 70% de las observaciones para

entrenaiento y el 30% restante para validación.

11.1 ESPAÑA

A continuación se muestra en la figura 125 y 126 la arquitectura y los

parámetros de resolución para el caso de España.


Figura 125 Resolución de la red neuronal artificial para España




Figura 126 Modelo de la red neuronal artificial para España

La representación analítia de la red neuronal es la siguiente, donde 𝑋

representa los pesos 𝑊𝐻𝐿 representan los pesos de la capa oculta, 𝑏𝐻𝐿 los

sesgos, 𝑓 la función de activación de la capa oculta, 𝑊𝑂𝐿 los pesos de la capa

de salida, 𝑏𝑂𝐿 los sesgos de la capa de salida, 𝑔 es la función de salida, y 𝑍 es la

salida de la red.

𝐻1 = 𝑋′𝑊𝐻𝐿 + 𝑏𝐻𝐿

𝑌 = 𝑓(𝐻1) = 𝑓(𝑋′𝑊𝐻𝐿 + 𝑏𝐻𝐿)

𝐻2 = 𝑌𝑊𝑂𝐿 + 𝑏𝑂𝐿

𝑍 = 𝑔(𝐻2) = 𝑔(𝑌𝑊𝑂𝐿 + 𝑏𝑂𝐿) = 𝑔[(𝑓(𝑋′𝑊𝐻𝐿 + 𝑏𝐻𝐿))𝑊𝑂𝐿 + 𝑏𝑂𝐿]

𝑓(𝐻1) =1

1 + 𝑒−ℎ1𝑖

𝑔(𝐻2) = 𝐻2



𝑋 =

(

𝑥1 = 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑠𝑖𝑧𝑒𝑥2 = 𝐼𝑛𝑓𝑟𝑎𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑒 & 𝑅𝑒𝑠𝑜𝑢𝑟𝑐𝑒 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥3 = 𝐴𝑠𝑠𝑒𝑡 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥4 = 𝐴𝑠𝑠𝑒𝑡 𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟 𝑟𝑎𝑡𝑒𝑥5 = 𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝑎𝑠𝑠𝑒𝑡𝑠 𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟 𝑟𝑎𝑡𝑒𝑥6 = 𝐷𝑒𝑏𝑡 𝑇𝑜 𝐸𝑞𝑢𝑖𝑡𝑦 𝑟𝑎𝑡𝑖𝑜𝑥7 = 𝐿𝑒𝑣𝑒𝑟𝑎𝑔𝑒𝑥8 = 𝐷𝑒𝑏𝑡 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥9 = 𝐶𝑜𝑣𝑒𝑟𝑎𝑔𝑒 𝑟𝑎𝑡𝑖𝑜𝑥10 = 𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝑟𝑎𝑡𝑖𝑜𝑥11 = 𝑅𝑂𝐸𝑥12 = 𝑅𝑂𝐶𝐸𝑥13 = 𝑅𝑂𝑆 )

𝑍 = (𝑧1 = 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑦)

𝑋′ = (𝑥1, 𝑥2, 𝑥3, 𝑥4, 𝑥5, 𝑥6, 𝑥7, 𝑥8, 𝑥9, 𝑥10, 𝑥11, 𝑥12, 𝑥13)

𝑏𝐻𝐿 = (𝑏1, 𝑏2, 𝑏3, 𝑏4, 𝑏5, 𝑏6, 𝑏7, 𝑏8, 𝑏9, 𝑏10, 𝑏11, 𝑏12, 𝑏13)

Los parámetros que se han obtenido tras haber convergido la red neuronal son

lo que se muestran a continuación:

𝑊𝐻𝐿 =

(

𝑤1,1 𝑤2,1 𝑤3,1

𝑤1,2 𝑤2,2 𝑤3,2

𝑤1,3 𝑤2,3 𝑤3,3

𝑤4,1 𝑤5,1 𝑤6,1

𝑤4,2 𝑤5,2 𝑤6,2

𝑤4,3 𝑤5,3 𝑤6,3

𝑤7,1 𝑤8,1 𝑤9,1 𝑤10,1𝑤11,1 𝑤12,1 𝑤13,1

𝑤7,2 𝑤8,2 𝑤9,2 𝑤10,2 𝑤11,2 𝑤12,2 𝑤13,2

𝑤7,3 𝑤8,3 𝑤9,3 𝑤10,3 𝑤11,3 𝑤12,3 𝑤13,3

𝑤1,4 𝑤2,4 𝑤3,4

𝑤1,5 𝑤2,5 𝑤3,5

𝑤1,6 𝑤2,6 𝑤3,6

𝑤4,4 𝑤5,4 𝑤6,4

𝑤4,5 𝑤5,5 𝑤6,5

𝑤4,6 𝑤5,6 𝑤6,6

𝑤7,4 𝑤8,4 𝑤9,4 𝑤10,4 𝑤11,4 𝑤12,4 𝑤13,4

𝑤7,5 𝑤8,5 𝑤9,5 𝑤10,5𝑤11,5 𝑤12,5 𝑤13,5

𝑤7,6 𝑤8,6 𝑤9,6 𝑤10,6𝑤11,6 𝑤12,6 𝑤13,6

𝑤1,7 𝑤2,7 𝑤3,7

𝑤1,8 𝑤2,8 𝑤3,8𝑤1,9

𝑤1,10𝑤1,11

𝑤1,12

𝑤1,13

𝑤2,9

𝑤2,10𝑤2,11

𝑤2,12

𝑤2,13

𝑤3,9

𝑤3,10𝑤3,11

𝑤3,12

𝑤3,13

𝑤4,7 𝑤5,7 𝑤6,7

𝑤4,8 𝑤5,8 𝑤6,8𝑤4,9

𝑤4,10𝑤4,11

𝑤4,12

𝑤4,13

𝑤5,9

𝑤5,10𝑤5,11

𝑤5,12

𝑤5,13

𝑤6,9

𝑤6,10𝑤6,11

𝑤6,12

𝑤6,13

𝑤7,7 𝑤8,7 𝑤9,7 𝑤10,7𝑤11,7 𝑤12,7 𝑤13,7

𝑤7,8 𝑤8,8 𝑤9,8 𝑤10,8𝑤11,8 𝑤12,8 𝑤13,8

𝑤7,9

𝑤7,10𝑤7,11

𝑤7,12

𝑤7,13

𝑤8,9

𝑤8,10𝑤8,11

𝑤8,12

𝑤8,13

𝑤9,9

𝑤9,10𝑤9,11

𝑤9,12

𝑤9,13

𝑤10,9

𝑤10,10𝑤10,11

𝑤10,12

𝑤10,13

𝑤11,9 𝑤12,9 𝑤13,9

𝑤11,10 𝑤12,10 𝑤13,10𝑤11,11

𝑤11,12

𝑤11,13

𝑤12,11

𝑤12,12

𝑤12,13

𝑤13,11

𝑤13,12

𝑤13,13)

𝑊𝐻𝐿 =

(

𝑤1,1 𝑤2,1 𝑤3,1

𝑤1,2 𝑤2,2 𝑤3,2

𝑤1,3 𝑤2,3 𝑤3,3

𝑤4,1 𝑤5,1 𝑤6,1

𝑤4,2 𝑤5,2 𝑤6,2

𝑤4,3 𝑤5,3 𝑤6,3

𝑤7,1 𝑤8,1 𝑤9,1 𝑤10,1𝑤11,1 𝑤12,1 𝑤13,1

𝑤7,2 𝑤8,2 𝑤9,2 𝑤10,2 𝑤11,2 𝑤12,2 𝑤13,2

𝑤7,3 𝑤8,3 𝑤9,3 𝑤10,3 𝑤11,3 𝑤12,3 𝑤13,3

𝑤1,4 𝑤2,4 𝑤3,4

𝑤1,5 𝑤2,5 𝑤3,5

𝑤1,6 𝑤2,6 𝑤3,6

𝑤4,4 𝑤5,4 𝑤6,4

𝑤4,5 𝑤5,5 𝑤6,5

𝑤4,6 𝑤5,6 𝑤6,6

𝑤7,4 𝑤8,4 𝑤9,4 𝑤10,4 𝑤11,4 𝑤12,4 𝑤13,4

𝑤7,5 𝑤8,5 𝑤9,5 𝑤10,5𝑤11,5 𝑤12,5 𝑤13,5

𝑤7,6 𝑤8,6 𝑤9,6 𝑤10,6𝑤11,6 𝑤12,6 𝑤13,6

𝑤1,7 𝑤2,7 𝑤3,7

𝑤1,8 𝑤2,8 𝑤3,8𝑤1,9

𝑤1,10𝑤1,11

𝑤1,12

𝑤1,13

𝑤2,9

𝑤2,10𝑤2,11

𝑤2,12

𝑤2,13

𝑤3,9

𝑤3,10𝑤3,11

𝑤3,12

𝑤3,13

𝑤4,7 𝑤5,7 𝑤6,7

𝑤4,8 𝑤5,8 𝑤6,8𝑤4,9

𝑤4,10𝑤4,11

𝑤4,12

𝑤4,13

𝑤5,9

𝑤5,10𝑤5,11

𝑤5,12

𝑤5,13

𝑤6,9

𝑤6,10𝑤6,11

𝑤6,12

𝑤6,13

𝑤7,7 𝑤8,7 𝑤9,7 𝑤10,7𝑤11,7 𝑤12,7 𝑤13,7

𝑤7,8 𝑤8,8 𝑤9,8 𝑤10,8𝑤11,8 𝑤12,8 𝑤13,8

𝑤7,9

𝑤7,10𝑤7,11

𝑤7,12

𝑤7,13

𝑤8,9

𝑤8,10𝑤8,11

𝑤8,12

𝑤8,13

𝑤9,9

𝑤9,10𝑤9,11

𝑤9,12

𝑤9,13

𝑤10,9

𝑤10,10𝑤10,11

𝑤10,12

𝑤10,13

𝑤11,9 𝑤12,9 𝑤13,9

𝑤11,10 𝑤12,10 𝑤13,10𝑤11,11

𝑤11,12

𝑤11,13

𝑤12,11

𝑤12,12

𝑤12,13

𝑤13,11

𝑤13,12

𝑤13,13)

-9,63 14,88 12,73 18,08 -6,46 9,87 -16,94 -35,91 8,14 28,41 -6,03 -69,41 27,87

-3,18 26,07 -13,81 -23,92 63,93 -24,41 -40,75 -42,99 18,04 -10,89 -48,91 32,77 -73,78

32,57 -16,34 18,07 64,55 -45,76 13,20 -39,84 32,23 10,89 -25,12 32,69 -26,06 -13,45

-12,03 -22,73 27,13 -8,09 10,90 0,83 10,92 -11,42 13,34 -9,22 -73,47 33,81 43,92

-9,79 2,49 -4,98 -4,26 6,39 -0,39 7,18 2,10 3,89 1,72 -3,04 7,52 1,38

-24,37 -33,23 -0,45 58,55 -92,37 90,69 124,16 53,24 12,18 11,03 -11,57 51,30 -86,26

16,50 14,32 -25,14 -56,66 1,32 -79,69 25,25 -20,55 74,51 11,29 -55,58 88,24 19,09

-19,52 113,16 -102,66 -63,23 -12,15 43,69 78,80 72,06 -40,49 102,55 -10,60 -32,17 -12,48

-51,58 -27,14 12,08 -10,25 29,52 3,26 33,02 -30,34 36,31 -92,57 -30,82 -4,58 -33,35

40,92 -1,29 -14,89 -45,21 10,78 -65,34 38,69 -24,14 -69,55 -32,74 76,67 -24,61 -60,86

30,39 -41,10 0,24 26,53 -21,43 -60,92 -62,37 -14,54 -69,33 -27,21 51,49 -103,16 -59,27

8,29 -0,21 -0,48 -0,49 0,61 -0,57 -0,51 0,34 -0,36 -0,06 0,10 -2,56 -2,49

-12,03 -0,64 -0,65 -1,39 0,97 -0,73 1,36 0,73 -0,22 0,23 -1,17 1,40 -1,17

w 1,1 w 2,1 w 3,1 w 4,1 w 5,1 w 6,1 w 7,1 w 8,1 w 9,1 w 10,1 w 11,1 w 12,1 w 13,1

w 1,2 w 2,2 w 3,2 w 4,2 w 5,2 w 6,2 w 7,2 w 8,2 w 9,2 w 10,2 w 11,2 w 12,2 w 13,2

w 1,3 w 2,3 w 3,3 w 4,3 w 5,3 w 6,3 w 7,3 w 8,3 w 9,3 w 10,3 w 11,3 w 12,3 w 13,3

w 1,4 w 2,4 w 3,4 w 4,4 w 5,4 w 6,4 w 7,4 w 8,4 w 9,4 w 10,4 w 11,4 w 12,4 w 13,4

w 1,5 w 2,5 w 3,5 w 4,5 w 5,5 w 6,5 w 7,5 w 8,5 w 9,5 w 10,5 w 11,5 w 12,5 w 13,5

w 1,6 w 2,6 w 3,6 w 4,6 w 5,6 w 6,6 w 7,6 w 8,6 w 9,6 w 10,6 w 11,6 w 12,6 w 13,6

w 1,7 w 2,7 w 3,7 w 4,7 w 5,7 w 6,7 w 7,7 w 8,7 w 9,7 w 10,7 w 11,7 w 12,7 w 13,7

w 1,8 w 2,8 w 3,8 w 4,8 w 5,8 w 6,8 w 7,8 w 8,8 w 9,8 w 10,8 w 11,8 w 12,8 w 13,8

w 1,9 w 2,9 w 3,9 w 4,9 w 5,9 w 6,9 w 7,9 w 8,9 w 9,9 w 10,9 w 11,9 w 12,9 w 13,9

w 1,10 w 2,10 w 3,10 w 4,10 w 5,10 w 6,10 w 7,10 w 8,10 w 9,10 w 10,10 w 11,10 w 12,10 w 13,10

w 1,11 w 2,11 w 3,11 w 4,11 w 5,11 w 6,11 w 7,11 w 8,11 w 9,11 w 10,11 w 11,11 w 12,11 w 13,11

w 1,12 w 2,12 w 3,12 w 4,12 w 5,12 w 6,12 w 7,12 w 8,12 w 9,12 w 10,12 w 11,12 w 12,12 w 13,12

w 1,13 w 2,13 w 3,13 w 4,13 w 5,13 w 6,13 w 7,13 w 8,13 w 9,13 w 10,13 w 11,13 w 12,13 w 13,13



𝑏𝐻𝐿 = (−16,26 2,31 −33,78 −2,67 −9,56 36,28 −17,18 19,29 44,56 −40,84 −29,00 7,54 −10,69)

𝑊𝑂𝐿 = (−0,03 −0,10 −0,05 −0,02 0,20 0,03 0,04 −0,07 0,01 0,05 0,06 −0,78 −0,65)

𝑏𝑂𝐿 = (0,59)

En la figura 127 se evidencia los registros del entrenamiento de la red, donde

se observa que para las diferentes muestras (entrenamiento, validación,

prueba) la R que se obtiene es muy próxima a 1. Lo cual indica un buen ajuste

del modelo.


Figura 127 Ajuste de la red neuronal durante la fase aprendizaje en España



En las figuras 128, 129 y 130 se muestran los registros de entrenamiento, así

como el error cometido por la red durante esta etapa.


Figura 128 Convergencia del error de aprendizaje de la red neuronal en España


Figura 129 Evolución de la red neuronal durante el aprendizaje en España




Figura 130 Histograma del error de aprendizaje de la red neuronal en España

Por último, tras haber entrenado a la red se procede a introducir el 30% de los

datos disponibles de la muestra (previamente desordenada), para la validación

del modelo y hacer una regresión entre el valor predicho por la red y el valor

real introducido. Esto se muestra en la figura 131. El coeficiente de regresión

sale de 0,93195, lo que indica que un buen ajuste del modelo, ya que el error

que comete la red al predecir para el caso de España es bajo. Si bien en los

extremos donde la eficiencia vale 1 y 0 respectivamente la red no tiene buena

capacida de predicción. No obstante y como se comentará con posterioridad, el

interés radica precisamente en los casos intermedios mas que en los extremos.

Adicionalmente, como futura línea de investigación se propondrá una extensión

de este modelo que podría también tener en cuenta los extremos (por ejemplo

uso de modelos de supereficiencia).




Figura 131 Ajuste de la predicción de los datos de validación del modelo RNA en España

11.2 INDIA

Para el caso de India, se utiliza la misma arquitectura y parámetros de

resolución que para España. Estos se representan en las figuras 132 y 133.




Figura 132 Resolución de la red neuronal artificial para India


Figura 133 Modelo de la red neuronal artificial para India



La representación analítia de la red neuronal es la siguiente, donde 𝑋

representa los pesos 𝑊𝐻𝐿 representan los pesos de la capa oculta, 𝑏𝐻𝐿 los

sesgos, 𝑓 la función de activación de la capa oculta, 𝑊𝑂𝐿 los pesos de la capa

de salida, 𝑏𝑂𝐿 los sesgos de la capa de salida, 𝑔 es la función de salida, y 𝑍 es la

salida de la red.

𝐻1 = 𝑋′𝑊𝐻𝐿 + 𝑏𝐻𝐿

𝑌 = 𝑓(𝐻1) = 𝑓(𝑋′𝑊𝐻𝐿 + 𝑏𝐻𝐿)

𝐻2 = 𝑌𝑊𝑂𝐿 + 𝑏𝑂𝐿

𝑍 = 𝑔(𝐻2) = 𝑔(𝑌𝑊𝑂𝐿 + 𝑏𝑂𝐿) = 𝑔[(𝑓(𝑋′𝑊𝐻𝐿 + 𝑏𝐻𝐿))𝑊𝑂𝐿 + 𝑏𝑂𝐿]

𝑓(𝐻1) =1

1 + 𝑒−ℎ1𝑖

𝑔(𝐻2) = 𝐻2

𝑋 =

(

𝑥1 = 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑠𝑖𝑧𝑒𝑥2 = 𝐼𝑛𝑓𝑟𝑎𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑒 & 𝑅𝑒𝑠𝑜𝑢𝑟𝑐𝑒 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥3 = 𝐴𝑠𝑠𝑒𝑡 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥4 = 𝐴𝑠𝑠𝑒𝑡 𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟 𝑟𝑎𝑡𝑒𝑥5 = 𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝑎𝑠𝑠𝑒𝑡𝑠 𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟 𝑟𝑎𝑡𝑒𝑥6 = 𝐷𝑒𝑏𝑡 𝑇𝑜 𝐸𝑞𝑢𝑖𝑡𝑦 𝑟𝑎𝑡𝑖𝑜𝑥7 = 𝐿𝑒𝑣𝑒𝑟𝑎𝑔𝑒𝑥8 = 𝐷𝑒𝑏𝑡 𝑖𝑛𝑡𝑒𝑛𝑠𝑖𝑡𝑦𝑥9 = 𝐶𝑜𝑣𝑒𝑟𝑎𝑔𝑒 𝑟𝑎𝑡𝑖𝑜𝑥10 = 𝐶𝑢𝑟𝑟𝑒𝑛𝑡 𝑟𝑎𝑡𝑖𝑜𝑥11 = 𝑅𝑂𝐸𝑥12 = 𝑅𝑂𝐶𝐸𝑥13 = 𝑅𝑂𝑆 )

𝑍 = (𝑧1 = 𝐶𝑜𝑚𝑝𝑎𝑛𝑦 𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑦)

𝑋′ = (𝑥1, 𝑥2, 𝑥3, 𝑥4, 𝑥5, 𝑥6, 𝑥7, 𝑥8, 𝑥9, 𝑥10, 𝑥11, 𝑥12, 𝑥13)

bHL = (b1, b2, b3, b4, b5, b6, b7, b8, b9, b10, b11, b12, b13)



Los parámetros que se han obtenido tras haber convergido la red neuronal son

lo que se muestran a continuación:

𝑏𝐻𝐿 = (−1,65 1,48 1,13 −1,06 −0,59 0,08 0,05 0,34 0,41 0,12 −1,36 1,29 2,13)

𝑊𝑂𝐿 = (−1,01 −0,26 −0,17 0,50 −0,94 −0,74 −0,72 0,32 −0,13 0,53 0,20 0,49 −0,84)

𝑏𝑂𝐿 = (0,62)

En la figura 134 se evidencia los registros del entrenamiento de la red, donde

se observa que para las diferentes muestras (entrenamiento, validación,

prueba) la R que se obtiene es aceptable. Lo cual indica que el modelo se

ajusta razonablemente,si bien no es tan preciso como el que se ha

determinado para el caso de España. Esto muestra que es necesario utilizar

técnicas adicionales para confirmar la eficiencia con mayor precisión, o utilizar

un mayor número de datos correspondiente a otros años.

𝑊𝐻𝐿 =

(

𝑤1,1 𝑤2,1 𝑤3,1

𝑤1,2 𝑤2,2 𝑤3,2

𝑤1,3 𝑤2,3 𝑤3,3

𝑤4,1 𝑤5,1 𝑤6,1

𝑤4,2 𝑤5,2 𝑤6,2

𝑤4,3 𝑤5,3 𝑤6,3

𝑤7,1 𝑤8,1 𝑤9,1 𝑤10,1𝑤11,1 𝑤12,1 𝑤13,1

𝑤7,2 𝑤8,2 𝑤9,2 𝑤10,2 𝑤11,2 𝑤12,2 𝑤13,2

𝑤7,3 𝑤8,3 𝑤9,3 𝑤10,3 𝑤11,3 𝑤12,3 𝑤13,3

𝑤1,4 𝑤2,4 𝑤3,4

𝑤1,5 𝑤2,5 𝑤3,5

𝑤1,6 𝑤2,6 𝑤3,6

𝑤4,4 𝑤5,4 𝑤6,4

𝑤4,5 𝑤5,5 𝑤6,5

𝑤4,6 𝑤5,6 𝑤6,6

𝑤7,4 𝑤8,4 𝑤9,4 𝑤10,4 𝑤11,4 𝑤12,4 𝑤13,4

𝑤7,5 𝑤8,5 𝑤9,5 𝑤10,5𝑤11,5 𝑤12,5 𝑤13,5

𝑤7,6 𝑤8,6 𝑤9,6 𝑤10,6𝑤11,6 𝑤12,6 𝑤13,6

𝑤1,7 𝑤2,7 𝑤3,7

𝑤1,8 𝑤2,8 𝑤3,8𝑤1,9

𝑤1,10𝑤1,11

𝑤1,12

𝑤1,13

𝑤2,9

𝑤2,10𝑤2,11

𝑤2,12

𝑤2,13

𝑤3,9

𝑤3,10𝑤3,11

𝑤3,12

𝑤3,13

𝑤4,7 𝑤5,7 𝑤6,7

𝑤4,8 𝑤5,8 𝑤6,8𝑤4,9

𝑤4,10𝑤4,11

𝑤4,12

𝑤4,13

𝑤5,9

𝑤5,10𝑤5,11

𝑤5,12

𝑤5,13

𝑤6,9

𝑤6,10𝑤6,11

𝑤6,12

𝑤6,13

𝑤7,7 𝑤8,7 𝑤9,7 𝑤10,7𝑤11,7 𝑤12,7 𝑤13,7

𝑤7,8 𝑤8,8 𝑤9,8 𝑤10,8𝑤11,8 𝑤12,8 𝑤13,8

𝑤7,9

𝑤7,10𝑤7,11

𝑤7,12

𝑤7,13

𝑤8,9

𝑤8,10𝑤8,11

𝑤8,12

𝑤8,13

𝑤9,9

𝑤9,10𝑤9,11

𝑤9,12

𝑤9,13

𝑤10,9

𝑤10,10𝑤10,11

𝑤10,12

𝑤10,13

𝑤11,9 𝑤12,9 𝑤13,9

𝑤11,10 𝑤12,10 𝑤13,10𝑤11,11

𝑤11,12

𝑤11,13

𝑤12,11

𝑤12,12

𝑤12,13

𝑤13,11

𝑤13,12

𝑤13,13)

𝑊𝐻𝐿 =

(

𝑤1,1 𝑤2,1 𝑤3,1

𝑤1,2 𝑤2,2 𝑤3,2

𝑤1,3 𝑤2,3 𝑤3,3

𝑤4,1 𝑤5,1 𝑤6,1

𝑤4,2 𝑤5,2 𝑤6,2

𝑤4,3 𝑤5,3 𝑤6,3

𝑤7,1 𝑤8,1 𝑤9,1 𝑤10,1𝑤11,1 𝑤12,1 𝑤13,1

𝑤7,2 𝑤8,2 𝑤9,2 𝑤10,2 𝑤11,2 𝑤12,2 𝑤13,2

𝑤7,3 𝑤8,3 𝑤9,3 𝑤10,3 𝑤11,3 𝑤12,3 𝑤13,3

𝑤1,4 𝑤2,4 𝑤3,4

𝑤1,5 𝑤2,5 𝑤3,5

𝑤1,6 𝑤2,6 𝑤3,6

𝑤4,4 𝑤5,4 𝑤6,4

𝑤4,5 𝑤5,5 𝑤6,5

𝑤4,6 𝑤5,6 𝑤6,6

𝑤7,4 𝑤8,4 𝑤9,4 𝑤10,4 𝑤11,4 𝑤12,4 𝑤13,4

𝑤7,5 𝑤8,5 𝑤9,5 𝑤10,5𝑤11,5 𝑤12,5 𝑤13,5

𝑤7,6 𝑤8,6 𝑤9,6 𝑤10,6𝑤11,6 𝑤12,6 𝑤13,6

𝑤1,7 𝑤2,7 𝑤3,7

𝑤1,8 𝑤2,8 𝑤3,8𝑤1,9

𝑤1,10𝑤1,11

𝑤1,12

𝑤1,13

𝑤2,9

𝑤2,10𝑤2,11

𝑤2,12

𝑤2,13

𝑤3,9

𝑤3,10𝑤3,11

𝑤3,12

𝑤3,13

𝑤4,7 𝑤5,7 𝑤6,7

𝑤4,8 𝑤5,8 𝑤6,8𝑤4,9

𝑤4,10𝑤4,11

𝑤4,12

𝑤4,13

𝑤5,9

𝑤5,10𝑤5,11

𝑤5,12

𝑤5,13

𝑤6,9

𝑤6,10𝑤6,11

𝑤6,12

𝑤6,13

𝑤7,7 𝑤8,7 𝑤9,7 𝑤10,7𝑤11,7 𝑤12,7 𝑤13,7

𝑤7,8 𝑤8,8 𝑤9,8 𝑤10,8𝑤11,8 𝑤12,8 𝑤13,8

𝑤7,9

𝑤7,10𝑤7,11

𝑤7,12

𝑤7,13

𝑤8,9

𝑤8,10𝑤8,11

𝑤8,12

𝑤8,13

𝑤9,9

𝑤9,10𝑤9,11

𝑤9,12

𝑤9,13

𝑤10,9

𝑤10,10𝑤10,11

𝑤10,12

𝑤10,13

𝑤11,9 𝑤12,9 𝑤13,9

𝑤11,10 𝑤12,10 𝑤13,10𝑤11,11

𝑤11,12

𝑤11,13

𝑤12,11

𝑤12,12

𝑤12,13

𝑤13,11

𝑤13,12

𝑤13,13)

0,24 0,21 0,30 -0,83 0,18 0,03 0,43 -0,68 -0,65 0,80 -0,53 -0,33 -0,74

0,31 0,03 -0,35 0,02 -0,52 0,38 -0,02 0,26 0,29 -0,48 1,05 0,55 1,84

-0,65 -0,61 0,26 -0,21 -0,65 -0,58 -0,24 0,48 -0,39 -0,08 -0,52 -0,71 -0,21

1,47 0,19 -0,22 0,73 0,23 -0,43 -0,33 0,67 0,41 -0,73 -1,18 -0,89 -1,24

0,32 0,59 0,48 0,44 0,67 -0,21 0,21 -0,79 0,35 1,35 -0,37 -0,50 -0,52

-1,40 0,78 -0,35 -0,38 -0,21 0,01 0,29 -1,15 0,60 -0,98 -0,12 0,58 1,00

0,33 0,16 -0,84 0,00 0,08 -0,19 1,13 0,44 -0,09 -0,67 -0,24 -0,50 -1,32

0,00 0,32 -0,78 -0,10 -0,50 0,47 -0,47 -0,76 -0,77 0,57 0,17 -0,15 -0,12

0,00 -1,05 -0,49 0,27 0,57 -1,13 0,45 -1,03 -0,30 0,60 0,44 -0,74 -0,49

1,37 0,27 0,86 0,80 0,36 0,93 0,61 -0,93 1,26 -0,91 -0,43 0,86 -0,26

-0,20 0,40 0,30 0,55 0,19 0,05 0,04 0,62 -0,31 -0,08 0,67 1,01 0,94

0,83 0,07 -0,26 -0,30 0,48 -0,25 0,15 -0,11 0,75 -0,25 0,52 0,24 1,19

1,11 0,33 0,32 0,10 0,30 -0,88 -1,04 0,46 -0,30 -0,08 -0,66 -0,35 -0,02

w 1,1 w 2,1 w 3,1 w 4,1 w 5,1 w 6,1 w 7,1 w 8,1 w 9,1 w 10,1 w 11,1 w 12,1 w 13,1

w 1,2 w 2,2 w 3,2 w 4,2 w 5,2 w 6,2 w 7,2 w 8,2 w 9,2 w 10,2 w 11,2 w 12,2 w 13,2

w 1,3 w 2,3 w 3,3 w 4,3 w 5,3 w 6,3 w 7,3 w 8,3 w 9,3 w 10,3 w 11,3 w 12,3 w 13,3

w 1,4 w 2,4 w 3,4 w 4,4 w 5,4 w 6,4 w 7,4 w 8,4 w 9,4 w 10,4 w 11,4 w 12,4 w 13,4

w 1,5 w 2,5 w 3,5 w 4,5 w 5,5 w 6,5 w 7,5 w 8,5 w 9,5 w 10,5 w 11,5 w 12,5 w 13,5

w 1,6 w 2,6 w 3,6 w 4,6 w 5,6 w 6,6 w 7,6 w 8,6 w 9,6 w 10,6 w 11,6 w 12,6 w 13,6

w 1,7 w 2,7 w 3,7 w 4,7 w 5,7 w 6,7 w 7,7 w 8,7 w 9,7 w 10,7 w 11,7 w 12,7 w 13,7

w 1,8 w 2,8 w 3,8 w 4,8 w 5,8 w 6,8 w 7,8 w 8,8 w 9,8 w 10,8 w 11,8 w 12,8 w 13,8

w 1,9 w 2,9 w 3,9 w 4,9 w 5,9 w 6,9 w 7,9 w 8,9 w 9,9 w 10,9 w 11,9 w 12,9 w 13,9

w 1,10 w 2,10 w 3,10 w 4,10 w 5,10 w 6,10 w 7,10 w 8,10 w 9,10 w 10,10 w 11,10 w 12,10 w 13,10

w 1,11 w 2,11 w 3,11 w 4,11 w 5,11 w 6,11 w 7,11 w 8,11 w 9,11 w 10,11 w 11,11 w 12,11 w 13,11

w 1,12 w 2,12 w 3,12 w 4,12 w 5,12 w 6,12 w 7,12 w 8,12 w 9,12 w 10,12 w 11,12 w 12,12 w 13,12

w 1,13 w 2,13 w 3,13 w 4,13 w 5,13 w 6,13 w 7,13 w 8,13 w 9,13 w 10,13 w 11,13 w 12,13 w 13,13




Figura 134 Evolución de la red neuronal durante el aprendizaje en India

En las figuras 135, 136 y 137 se muestran los registros de entrenamiento, así

como el error cometido por la red durante esta etapa.




Figura 135 Convergencia del error de aprendizaje de la red neuronal en India


Figura 136 Evolución de la red neuronal durante el aprendizaje en India




Figura 137 Histograma del error de aprendizaje de la red neuronal en India

Por último, tras haber entrenado a la red se procede a introducir el 30% de los

datos disponibles de la muestra (previamente desordenada), para la validación

del modelo y hacer una regresión entre el valor predicho por la red y el valor

real introducido. Esto se muestra en la figura 138. El coeficiente de regresión

sale de 0,70177, lo que indica que un buen aceptable del modelo, si bien no es

tan bueno como en el caso de España, ya que el error que comete la red al

predecir para el caso de India es mayor que para España. Lo que indica que

los resultados que se obtengan con este modelo sirven para tener un orden de

magnitud y clasificar, pero no para predecir un valor con la exactitud que se

podría para el caso de España. En los extremos donde la eficiencia vale 1 y 0

respectivamente la red no tiene buena capacida de predicción. No obstante y

como se comentará con posterioridad, el interés radica precisamente en los

casos intermedios mas que en los extremos. Adicionalmente, como futura línea

de investigación se propondrá una extensión de este modelo que podría

también tener en cuenta los extremos (por ejemplo uso de modelos de

supereficiencia).




Figura 138 Ajuste de la predicción de los datos de validación del modelo RNA en India



PARTE VI CONCLUSIONES Y FUTURAS LINEAS DE

INVESTIGACIÓN



CAPÍTULO 12 CONCLUSIONES

En el presente capítulo se falsarán las hipótesis que fueron expuestas en al

punto 2.6, así como se presentarán las serendipias.

H1 Existen diferentes factores estructurales de la empresa que afectan al

rendimiento en las empresas del sector aeroespacial en India y España.

Esta hipótesis se falsa a la vista de los resultados obtenidos y presentados en

el capítulo 9, donde del análisis factorial exploratorio se desprende la existencia

de diferente número de factores en España e India. Mientras que en España

hay 4 factores, y puntualmente los primeros años existen 5 factores, que

explican entre el 71% y el 84% de la varianza original del problema, en India

aparecen 5 factores y algunos años incluso 6, explicando entre un 71% y 81%

de la varianza original. La evidencia se muestra en las tablas 215 y 216


Tabla 215 Análisis longitudinal en España para falsar la H1




Tabla 216 Análisis longitudinal en India para falsar la H1


empresas del sector aeroespacial en España contribuyen con diferente

intensidad entre 2008 y 2013.

Esta hipótesis queda falsada tras realizar el análisis factorial exploratorio en el

capítulo 9. Se observa en la tabla 217 como los factores explican diferente

porcentaje de la varianza del problema original cada año. Esto significa que el

peso que tienen es diferente cada año, es decir tiene diferente intensidad,

además casi todos tiene una tendencia durante el periodo 2008-2013 creciente,

salvo dos de ellos en India. Siendo uno el relacionado con el rendimiento de la

empresa.


Tabla 217 Análisis longitudinal en España para falsar la H2




empresas del sector aeroespacial en España no varían en su

operacionalizacion entre 2008 y 2013.

La presente hipótesis queda falsada con los resultados obtenidos tras la

realización de análisis factorial exploratorio. Se puede observar en la figura 215

de la hipótesis H1. Se evidencia que las variables que integran cada uno de los

factores son las mismas en todos los años:

Existe un primer factor que podría quedar representado por todas aquellas

variables que comparan las estructuras de largo plazo y de corto plazo de la

empresa, y que es el más importante en términos de explicación de la varianza

total del problema original.

El segundo factor en cuanto a varianza explicada sería el formado por las

variables relacionadas con la capacidad de devolución de la deuda.

El tercer factor según el mismo criterio expuesto sería el relacionado con el

rendimiento de la empresa.

Por último el cuarto factor está representado por la rotación de activos.

En los primeros años hay un último factor que representa las características de

la empresa (edad y tamaño), pero a que a partir de 2010 deja de ser relevante,

incluso en el caso de la edad de la empresa sólo es relevante en 2008.


empresas del sector aeroespacial en India contribuyen con diferente intensidad

entre 2008 y 2013.

Esta hipótesis queda falsada tras realizar el análisis factorial exploratorio en el

capítulo 9. Se observa en la tabla 218 como los factores explican diferente

porcentaje de la varianza del problema original cada año. Esto significa que el

peso que tienen es diferente cada año, es decir tiene diferente intensidad,

además casi todos tiene una tendencia durante el periodo 2008-2013 creciente,



salvo dos de ellos en India. Siendo uno el relacionado con el rendimiento de la

empresa y otro con el efecto de las características de la empresa.




empresas del sector aeroespacial en India no varían en su operacionalizacion

entre 2008 y 2013.

Esta hipótesis no queda falsada puesto con los resultados obtenidos tras la

realización de análisis factorial exploratorio, se puede observar en la figura 216

de la hipótesis H1, que las variables que integran cada uno de los factores son

diferentes cada año, a excepción del primer factor en importancia según el

porcentaje de la varianza del problema original explicado. Dicho factor

representa el rendimiento de la empresa. Ocurre lo mismo con el último factor

en importancia según el mismo criterio que dependiendo del año es el numero

5 o el 6, también se mantiene constante su composición y representa las

características de la empresa (en términos de edad y tamaño).



H6 Las empresas del sector aeroespacial líderes en eficiencia en España

siguen un patrón en relación a los índices del efecto de la emprea, estructura

de activos, estructura de capital, estructura de liquidez y rendimiento.



Se ha tomado como base para la realización de la tabla 219, las empresas con

una eficiencia de 1, que en el caso de España corresponde a 50 empresas y en

el de India a 35. Aunque quizá los valores no se distingan con suficiente nitidez

es la tabla, sin embargo la misma aparece en una escala superior en la tabla

199. El color de las flechas en la comparación no tiene connotaciones de

clasificar al mejor o peor en términos absolutos, sino que muestra que valor es

superior o inferior en cada par de observaciones en términos relativos. Esto

permite comparar de una manera visual la evolución y comportamiento de las

variables.

Los índices del efecto de la emprea, estructura de activos, estructura de capital,

estructura de liquidez y rendimiento muestran una inflexión hacia el año 2010.



Asimismo se observa que los que tienen que ver con la estructura de capital

globalmente aumentan en este periodo, algo que puede significar que las

empresas cada vez se están endeudando más. De la misma forma los que

hacen referencia a las estructura de liquidez globalmente disminuyen, lo que

indica que las empresas cada vez tiene una menor liquidez para hacer frente a

las obligaciones a corto. También se evidencia como globalmente el

rendimiento de las empresas desciende, en sus tres vertientes, de mercado

(ROS), como operativo (ROCE), como para los accionistas (ROE). Los efectos

moderadores de las empresas globalmente aumentan su valor, lo que puede

ser debido a que cada vez las empresas tienen a ser mayores para poder

competir, podría llevar aparejado cierta reorganización mediante

fusiones/adquisiciones fruto de la crisis de 2008 y 2010, o de poder ganar

tamaño para licitar por paquetes de trabajo mayores para los programas

A400M, A350XWB, A380, A330MRTT, B787… Si esto fuera así también podría

de alguna forma matizar por qué las empresas cada vez se endeudan más y

tiene menos liquidez, precisamente para invertir y tener las capacidades

adecuadas para ganar más contratos. En cambio no es posible establecer una

tendencia global de la estructura de activos, la cual parece que se va

acomodando en función de la estructura de capital y de liquidez.

H7 Las empresas del sector aeroespacial líderes en eficiencia en India siguen

un patrón en relación a los índices del efecto de la emprea, estructura de

activos, estructura de capital, estructura de liquidez y rendimiento.

Analizando la tabla 219 donde aparecen reflejados los índices del efecto de la

emprea, estructura de activos, estructura de capital, estructura de liquidez y

rendimiento para India, se evidencia que las variables del factor efecto

moderador de la empresa globalmente aumentan en el periodo 2008-2013.

Igualmente ocurre con las variables del factor estructura de activos, las cuales

aumentan globalmente, lo que puede interpretarse como una gestión eficiente

de los activos y un dimensionamiento de los mismos a largo plazo, Respecto a

la estructura de liquidez, aumentan los ratios de manera global, por lo que



parece que realizan una gestión muy enfocada al ciclo de explotación. Esto

queda reforzado por la variabilidad que existe en la componente estructura de

capital, que no sigue ninguna tendencia, sino que fluctúa. Esto puede ser

debido a que las empresas están centradas en la gestión a corto plazo y no

planifican financieramente a largo, por lo que las necesidades a largo las van

variando según se van presentando las diferentes situaciones. Por último el

rendimiento de las empresas globalmente, y en sus tres vertientes, desciende.

Podría unirse este enfoque de gestión a priori cortoplacista con la turbulencia

generada por una industria incipiente y con en crecimiento, y queda patente en

la inestabilidad de los factores que se extraen del análisis factorial exploratorio.

Al igual que en el caso de España se observa una inflexión hacia 2010.

Una vez que las hipótesis de partida han sido falsadas, es decir lo

correspondiente a la parte descriptiva vamos exponer las conclusiones y

serendipias de la parte exploratoria. Estas conclusiones se fundamentan en las

tablas en las que se comparan para cada una de las variables del modelo su

valor por eslabón de la cadena de valor, país, y año.

Respecto a la variable “Company age”, cuyo comportamiento se recoge en la

tabla 184, se observa como globalmente sube en cada uno de los grupos en

India, para el caso de España en el grupo de Ingeniería sufre un descenso en

2010-2011, para el caso de Servicios oscila, en el grupo de la ingeniería,

fabricación, montaje, ensayos y servicios sufre una inflexión en 2010 y en el

grupo de ingeniería, fabricación, montaje, ensayos, servicios y MRO desciende.

No obstante lo anterior, la tendencia global de la industria en India y España es

que suba. Además en India las empresas presentan mayor edad que en

España en todos los eslabones de la cadena de valor y para cualquier año.

La variable “Company size”, cuyos datos se resumen en la tabla 185, se

comporta de la siguiente forma en cada eslabón y país

Ingeniería – En India tiene un crecimiento muy acusado en 2009 aunque

luego prácticamente es constante. En España decrece y existe un



cambio de tendencia en 2012, como si hubieran comenzado a

reorganizarse las empresas de Ingeniería.

Fabricación, montaje, integración y ensayos – En india el tamaño crece

de manera casi constante. Mientras que en España decrece el tamaño

en 2008 -209 y luego hay un cambio de tendencia para comenzar a

crecer de manera moderada hasta 2013 (da la sensación de que la crisis

económica global se hubiera impactado a las empresas grandes y a

partir del año 2009 las pequeñas se han ido asociando o creciendo)

Servicios – En India se experimenta crecimiento siendo este muy

acusado en 2009 y 2013. En España sufre un crecimiento moderado

entre 2008 y 2010 seguido de un fuerte desplome en 2011 y 2012, para

comenzar a crecer de nuevo.

MRO – En India no hay ninguna empresa en la muestra por lo que no

hay datos. En España hay un descenso con una inflexión en 2012.

Ingeniería, fabricación, montaje, integración, ensayos y servicios – En

India el crecimiento es prácticamente constante. En España decrece,

siendo esta tendencia más acusada en 2012-2013.

Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO –

En India el crecimiento es moderado con una inflexión en 2012 y con un

crecimiento muy elevado en 2013. En España decrece.

Analizando la industria en su conjunto en el caso de India globalmente crece

con una inflexión en 2009 y un crecimiento acusado en 2013. En España a

nivel general decrece con una depresión acusada en 2013.

Las empresas de los eslabones de ingeniería; fabricación, montaje, integración,

ensayos; y Servicios tienen un mayor tamaño en India, mientras que las de

ingeniería, fabricación, montaje, integración, ensayos y servicios; e ingeniería,

fabricación, montaje, integración, ensayos, servicios y MRO tienen mayor

tamaño en España.

Al analizar la variable “Infrastructure and resource intensity”, es decir la

intensidad de los recursos, cuyos datos se muestran en la tabla 186, se



obtienen las siguientes observaciones en relación a los eslabones de la cadena

y países:

Ingeniería – En India decrece con una inflexión en 2011. Para el caso de

España decrece en el intervalo 2008-2010 para posteriormente crecer

en el intervalo 2011-2013 hasta los mismos valores iniciales de 2008.

Fabricación, montaje, integración y ensayos – En India crece entre 2008-

2010 y posteriormente decrece hasta 2013. En España crece entre

2008-2011 y desciende entre 2012-2013.

Servicios – En India crece aunque presenta un caída puntual en 2012.

En España también crece con dos picos de crecimiento en 2009 y 2012.

MRO – En India no hay empresas de este eslabón en la muestra. Para

el caso de España hay un descenso con oscilaciones muy marcadas en

2010-2011-2012.


India crece con un pico en 2011. En España también crece con una

inflexión en 2009.


En India presenta oscilaciones de crecimiento y decrecimiento. En

España esta variable experimenta crecimiento.

Esta variable globalmente en la industria en India crece entre 2008-2009 para

posteriormente descender entre 2010-2011-2012 y volver a recuperarse y

crecer en 2013. En la industria en España, sin ceñirnos a ningún eslabón, sino

ponderando todos ellos, esta variable crece, siendo este crecimiento más

acusado en 2011-2012-2013.

El orden de importancia de los eslabones atendiendo al valor (de máximo a

mínimo) de esta variable en India es el siguiente: Ingeniería > Fabricación,

montaje, integración, ensayos > Ingeniería, fabricación, montaje, integración,

ensayos, servicios y MRO > Ingeniería, fabricación, montaje, integración,

ensayos y servicios > Servicios. En el caso de España es: Ingeniería,

fabricación, montaje, integración, ensayos, servicios y MRO > MRO >



Fabricación, montaje, integración, ensayos > Ingeniería, fabricación, montaje,

integración, ensayos y servicios > Servicios > Ingeniería.

Analizando ahora la media de la variable para cada eslabón se observa que

para el de ingeniería es mayor en India que en España, mientras para el resto

de eslabones tienen valores más bajos con respecto a España. Esto podría

interpretar como si el tipo de trabajo que realizaran las empresas Indias no

requiere grandes inversiones en activos no corrientes como por ejemplo utillaje,

mientras que en España sí. Es decir, el tipo de contratos que abordan unas

empresas y otras son muy diferentes. Salvo en Ingeniería que da la sensación

que en India tiene un nivel de activos no corrientes superior a España aunque

hayan tratado de disminuirlos.

Del estudio de la variable “Asset intensity”, o en castellano, intensidad de los

activos, para los diversos eslabones y ambos países, y cuyos datos se recogen

en la tabla 187, se observa:

Ingeniería – En India desciende bruscamente entre 2008-2009 y se

estabiliza entre 2010-2011-2012-2013. Además son superiores en algún

caso a 1 lo que significa que tienen más Activos no corrientes que

activos corrientes. En España decrece en 2008-2009-2010 para

posteriormente volver a crecer entre 2011-2012-2013 hasta los valores

iniciales, tiene un comportamiento en V.

Fabricación, montaje, integración y ensayos – En India oscila aunque

tiene dos picos de crecimiento muy acusados en 2009 y 2012. En

España presenta un crecimiento moderado durante 2008-2009-2010 y

posteriormente crece en orden de magnitud y crece pero manteniendo el

orden de magnitud.

Servicios – En India crece aunque sufre un desplome puntual en 2012.

En España crece de manera moderada entre 2008-2009, disminuye

entre 2010-2011 y de nuevo vuelve a crecer en 2012-2013.

MRO – En India no hay empresas en la muestra correspondientes a este

eslabón. Para el caso de España decrece con una inflexión en 2011.




India crece y en 2011 sufre un repunte. En España presenta un

crecimiento estable y prácticamente constante.


En India crece aunque en 2011-2012-2013 el orden de magnitud sube.

En España crece pasando de valores en los que el activo no corriente

representaban el 50% de los activos corrientes a una situación caso

contrario en la que los activos corrientes representan el 50% de los

activos no corrientes (La tendencia muestra un crecimiento en

infraestructuras y descenso en activos corrientes).

Agregando todos los valores de los diferentes eslabones para tener un valor

que represente a la industria se observa en india que esta variable globalmente

crece entre 2008-2009 para posteriormente desplomarse en 2010 y volver a

crecer de manera sostenible entre 2011-2012-2013. En España a nivel general

también crece sufriendo un desplome en 2010. El valor de esta variable es

superior en la industria en India que en España los años 2008, 2009 y 2013,

siendo en 2010, 2011 y 2012 inferior.

Ordenando los eslabones de mayor valor de la variable “Asset intensity” a

menor valor en India se obtiene: Ingeniería > Ingeniería, fabricación, montaje,

integración, ensayos, servicios y MRO > Fabricación, montaje, integración,

ensayos > Ingeniería, fabricación, montaje, integración, ensayos y servicios >

Servicios. En el caso de España la clasificación es: Ingeniería, fabricación,

montaje, integración, ensayos, servicios y MRO > MRO > Fabricación, montaje,

integración, ensayos > Ingeniería, fabricación, montaje, integración, ensayos y

servicios > Ingeniería > Servicios.

Tras observar el valor medio de la variable para cada eslabón se concluye que

en Ingeniería e Ingeniería, fabricación, montaje, integración, ensayos, servicios

y MRO es superior en India que en España, siendo especialmente superior en

el primer eslabón de Ingeniería, del orden de 4 veces superior. Para el resto de

eslabones la variable toma valores mayores en España que en India.



Para la variable del modelo “Asset turnover rate”, o tasa de rotación de

activos, cuyos datos se muestran en la tabla 188, se puede concluir tras revisar

los paneles de datos, para cada uno de los eslabones de la cadena de valor y

países lo siguiente:

Ingeniería – En India globalmente crece si bien sufre un incremento muy

elevado en 2010-2011-2012-2013, cambiando incluso de orden de

magnitud. En España aumenta en 2008-2009-2010, descendiendo en

2011 y volviendo a crecer de nuevo en 2012-2013.

Fabricación, montaje, integración y ensayos – En India sufre un

descenso muy acusado en 2009 y posteriormente crece de manera

constante (tiene un valor muy bajo alrededor de 0.1, lo que significa que

la conversión de los activos en beneficios no es muy rápida). En España

oscila alrededor de 1.00.

Servicios – En India decrece en 2008-2009-2010 para posteriormente

crece en el periodo 2011-2012-2013, mejorando la conversión de activos

en beneficio. Aun así es muy baja, alrededor de 0.2 de media. Sigue

indicando poca eficacia en la gestión de activos. En España es

prácticamente constante excepto por la depresión de 2009-2010 pero en

ningún momento desciende de 1.00 por lo que es eficaz.

MRO – En India no hay ninguna empresa de este eslabón en la muestra.

En España es decreciendo disminuyendo al 50% entre el comienzo y el

final del periodo.


India es estable y bajo entre 2008-2012, mientras que en 2013 sufre un

aumento brusco (sigue siendo bajo aunque esté próximo a 0,6). En

España disminuye entre 2008-2011 y posteriormente aumenta entre

2012-2013.


En India crece moderadamente entre 2008-2010 para posteriormente

descender (valores muy inferiores a 0,1) lo que significa que las

empresas que cubren la totalidad de la cadena de valor son muy poco



eficaces gestionando los activos totales para generar beneficio con ellos.

En España crece globalmente presentando un descenso puntual en

2009.

Tras agregar los valores anuales correspondientes a cada eslabón se obtiene

un valor que representa la industria en cada país. Desde este enfoque en India

globalmente ha ido aumentado desde unos valores muy bajos a unos valores

aceptables. En el caso de España sigue una forma parecida a la curva de la

bañera del área de conocimiento de la fiabilidad, con rendimientos ligeramente

superiores a 1 en 2008 y 2013 y ligeramente inferior para el resto de años. Esta

variable presenta valores superiores en España para todos los eslabones

excepto para la Ingeniería donde es superior en India.

Tomando como criterio de ordenación de los eslabones, el valor de la variable y

ordenándolos de mayor a menor se obtiene la siguiente clasificación para India:

Ingeniería > Ingeniería, fabricación, montaje, integración, ensayos y servicios >

Servicios > Fabricación, montaje, integración y ensayos > Ingeniería,

fabricación, montaje, integración, ensayos, servicios y MRO. En España la

clasificación es: Ingeniería > Servicios > Fabricación, montaje, integración y

ensayos > Ingeniería, fabricación, montaje, integración, ensayos y servicios >

MRO > Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO.

El estudio de la variable “Current asset turnover rate”, o tasa de rotación de

activos corrientes, cuyos datos se muestran en la tabla 189, para cada uno de

los valores de la cadena de valor y en cada país se concluye lo siguiente:

Ingeniería – En India hay crecimiento de esta variable a órdenes de

magnitud inusuales. En España sufre un ligero descenso entre 2008-

2012 y crece en 2013, parecido a la curva de la bañera del campo de la

fiabilidad.

Fabricación, montaje, integración y ensayos – En India disminuye

globalmente (valores muy bajos de aproximadamente 0,2). En España

hay crecimiento moderado si bien presenta una inflexión en 2009.



Servicios – En India crece a nivel general si bien presenta un descenso

muy acusado en 2009. En España globalmente crece aunque sufre una

ligera caída en 2009-2010.

MRO – En India no hay empresas de este eslabón en la muestra, por lo

que no hay datos. En España decrece, descendiendo un 50%, aunque

sigue manteniendo valores muy buenos.


India es estable y bajo entre 2008-2012, mientras que en 2013 sufre un

aumento brusco. En España es constante con oscilaciones alrededor del

valor de 1,3.


En India decrece presentando valores extraordinariamente bajos. En

España crece aproximadamente un 50% entre 2008 y 2013.

Agregando los valores de todos los eslabones de la cadena de valor para cada

año se obtiene el valor de la variable para la industria. Analizando este estado

de agregación para cada país se tiene que en India globalmente aumenta

aunque muy influenciado por la evolución del eslabón de Ingeniería, en España

se mantiene prácticamente constante con un ligero descenso en 2009 que va

recuperando hasta 2013. Entre los años 2008-2011 el valor es superior en

España, aunque en 2012 y 2013 lo es India muy influenciado por el eslabón de

Ingeniería y por el decrecimiento del MRO en España.

Procediendo a clasificar los eslabones utilizando como criterio el valor de la

variable y ordenándolos de mayor a menor valor se obtiene que en India:

Ingeniería > Ingeniería, fabricación, montaje, integración, ensayos y servicios >

Servicios > Fabricación, montaje, integración y ensayos > Ingeniería,

fabricación, montaje, integración, ensayos, servicios y MRO. En el caso de

España dicha clasificación queda: Servicios > Fabricación, montaje, integración

y ensayos > Ingeniería > MRO > Ingeniería, fabricación, montaje, integración,

ensayos, servicios y MRO > Ingeniería, fabricación, montaje, integración,

ensayos y servicios.



Analizando la variable “Debt to equity ratio”, o índice de deuda sobre

recursos propios, para cada uno de los eslabones de la cadena de valor, en

ambos países y para el horizonte temporal, y cuyos datos se resumen en la

tabla 190 se concluye:

Ingeniería – En India durante los años 2010 y 2011 se endeuda mucho

en relación a sus recursos. El resto muestran valores

extraordinariamente bajos por lo que parece que hay preferencia por el

crecimiento con recursos propios. En España aumenta de manera

prácticamente constante, existiendo valores cercanos a 3,00.

Fabricación, montaje, integración y ensayos – En India decrece de

manera progresiva, lo que indica que han tratado de reducir la deuda y/o

aumentar los recursos propios. En España aumenta y recupera los

valores iniciales entre 2010-2011-2012 tras haber caído en 2008-2009.

Servicios – En India ha crecido de manera constante de valores my

bajos a valores bajos, insinúa que se han endeudado más pero

manteniendo cierta aversión al riesgo de la deuda. En España

disminuye, si bien los años 2008 y 2009 permanece constante.

MRO – En India no hay empresas en la muestra que pertenezcan a este

eslabón. En España decrece en aproximadamente un 50% entre el inicio

de 2008 y 2013.


india se mantiene constante salvo en 2009 donde hay una inflexión y un

crecimiento alto. En España decrece de manera prácticamente

constante.


En India globalmente desciende con una inflexión en 2010 y 2013,

donde el descenso fue más acusado. En España existe crecimiento

entre 2008-2009 y descenso posterior a una tasa prácticamente

constante alcanzando un descenso del 50% del valor.



También ser realiza un análisis de la industria agregando el valor de todos los

eslabones para cada año y país. A tenor de este valor se concluye que en India

globalmente ha crecido entre 2008-2009-2010 y posteriormente ha descendido

de manera paulatina salvo en 2012 que el descenso fue más acusado. El nivel

general es de 0,64 lo que evidencia cierta aversión al endeudamiento, ya sea

porque el coste del mismo es elevado o el acceso al mismo difícil; por una

gestión más tradicional basada en los recursos propios (quizá ligado a la

estructura de propiedad de las empresas) o bien porque hay una mayro

aversión al riesgo. En España se mantiene casi constante con pequeñas

variaciones, como por ejemplo un ligero descenso en 2009, pero puede

considerarse constante. Entre los años 2008-2013 es muy superior el valor en

España que en India. Pudiendo indicar menos aversión al riesgo, menor coste

de financiación u otra cultura empresarial respecto a la gestión de los recursos

propios.

Analizando el valor medio de esta variable para cada eslabón de la cadena de

valor, se observa que en todos los eslabones es superior en España

(aproximadamente 4 veces superior).

Clasificando los eslabones de acuerdo al criterio de mayor valor de la variable,

en India se obtiene: Fabricación, montaje, integración y ensayos > Ingeniería >

Ingeniería, fabricación, montaje, integración, ensayos y servicios > Servicios >

Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO. En el

caso de España la clasificación queda: Ingeniería, fabricación, montaje,

integración, ensayos, servicios y MRO > MRO > Ingeniería > Ingeniería,

fabricación, montaje, integración, ensayos y servicios > Fabricación, montaje,

integración y ensayos > Servicios.

Respecto al estudio de la variable “Leverage”, o apalancamiento,

particularizado en cada eslabón de la cadena de valor y país, y cuyos datos se

muestran en la tabla 191, se obtiene:



Ingeniería – En india existe crecimiento entre 2008 y 2011, y decrece

entre 2012 y 2013. En España aumenta entre 2008 y 2013.

Fabricación, montaje, integración y ensayos – En India disminuye salvo

en 2013 que vuelve a crecer. En España decrece presentando una

inflexión en el año 2009.

Servicios – En India se observa crecimiento constante entre 2008-2013

con una inflexión en 2009, donde parece que se endeudan por encima

del valor de los activos. En España disminuye con una inflexión en 2010.

MRO – En india no existen empresas que pertenezcan a este eslabón

de la cadena de valor. En España, decrece con una tasa de disminución

prácticamente constante.


india aproximadamente es constante y próximo al valor de 1.00, salvo en

2013. En España sigue una distribución similar a la curva de la bañera

de la disciplina de la fiabilidad en la que toma valores al inicio y final más

elevados que en el periodo central que es prácticamente constante.


En India es constante entre 2008-2010 y decreciente entre 2011-2013.

En España decreciente prácticamente lineal con cierta inercia de

crecimiento entre 2008-2009.

Revisando los resultados desde una óptica de industria en lugar de hacerlo de

acuerdo a los eslabones, se obtiene en India que globalmente se mantiene

constante con un ligero descenso en el tiempo y un pico de crecimiento en

2013. En España globalmente se mantiene constante. Para llevar a cabo este

análisis se agregan los valores de todos los eslabones por país y año.

Adicionalmente se observa que para todos los años del periodo 2008-2013 esta

variable es siempre superior en India.

Evaluando de nuevo los resultados medios por eslabón, se observa que sólo

en los eslabones de MRO e Ingeniería, fabricación, montaje, integración,



ensayos, servicios y MRO, es mayor en España que en India. Para el resto de

eslabones es mayor en India que en España.

Clasificando los eslabones en cada país utilizando como criterio el valor de la

variable y ordenándolos de mayor a menor se obtiene en India: Ingeniería,

fabricación, montaje, integración, ensayos y servicios > Servicios > Fabricación,

montaje, integración y ensayos > Ingeniería > Ingeniería, fabricación, montaje,

integración, ensayos, servicios y MRO. Para el caso de España la clasificación

es: Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO >

MRO > Ingeniería > Ingeniería, fabricación, montaje, integración, ensayos y

servicios > Fabricación, montaje, integración y ensayos > Servicios.

Analizando la variable “Debt intensity”, o intensidad de la deuda, para los

diferentes eslabones de la cadena de valor y país, y cuyos datos se resument

en la tabla 192, se observa:

Ingeniería – En India es prácticamente constante con un pico en 2009,

donde los pasivos no corrientes eran un 50% superiores a los pasivos

corrientes. Se endeudaron a largo plazo. En España es constante con

un descenso en 2010.

Fabricación, montaje, integración y ensayos – En India hay un descenso

entre 2008-2010 y crecimiento entre 2011-2013, aunque la tendencia

global es de crecimiento. En España el crecimiento es progresivo entre

2008-2011 y ligero descenso entre 2012-2013.

Servicios – En India oscila alrededor del valor 1,00. En España se da un

crecimiento global con dos ciclos diferenciados, el primero entre 2008-

2011 y el segundo entre 2012-2013.

MRO – En India no existen empresas en la muestra que pertenezcan a

este eslabón. En España presentan un ligero crecimiento entre 2008-

2011 y desplome entre 2012-2013.


India globalmente crece, aunque en 2010 desciende. En España

presenta un crecimiento constante.




En India crece presentando un cambio de orden de magnitud entre

2011-2012-2013. En España globalmente crece y presente una inflexión

en 2009.

Estudiando la industria en lugar de los eslabones para cada país y cada año,

se obtiene en India que a nivel general experimenta crecimiento con una

contracción en 2010 y una expansión en 2013. En España a nivel global crece

aunque presenta saturación y descenso entre 2011-2013. Asímismo se

observa que el valor de la variable en India para todos los años es superior al

de España en un rango que comprende entre el 30%-50%.

Agregando los valores de los diferentes años para cada eslabón de la cadena

de valor se observa que para los eslabones de MRO e Ingeniería, fabricación,

montaje, integración, ensayos, servicios y MRO, es mayor en España que en

India. Para el resto de eslabones es mayor en India que en España.

Clasificando los eslabones de mayor a menor valor de la variable, para cada

país se obtiene en India: Fabricación, montaje, integración y ensayos >

Servicios > Ingeniería > Ingeniería, fabricación, montaje, integración, ensayos,

servicios y MRO > Ingeniería, fabricación, montaje, integración, ensayos y

servicios. Para España la clasificación queda: MRO > Ingeniería, fabricación,

montaje, integración, ensayos, servicios y MRO > Fabricación, montaje,

integración y ensayos > Ingeniería > Servicios > Ingeniería, fabricación,

montaje, integración, ensayos y servicios.

Evaluando la variable “Coverage ratio”, o ratio de cobertura, en cada eslabón

de la cadena de valor, y para cada país, y cuyos datos se recogen en la tabla

193, se evidencia:

Ingeniería – En India existen valores inusualmente elevados. A nivel

global crece, aunque sufre un cambio de orden de magnitud en el

periodo de 2011-2013 llegando a cuatriplicar su valor. En España,



disminuye globalmente, con una pendiente muy suave entre 2009-2012

y un descenso más brusco en 2013.

Fabricación, montaje, integración y ensayos – En India decrece

sufriendo un descenso entre 2009-2010-2011 y un crecimiento puntual

en 2012. En España decrece con una inflexión en 2011 dónde la caída

es mayor

Servicios – En India disminuye y sufre una depresión en 2011-2012. En

España desciende de manera constante.

MRO – En India no hay empresas en la muestra pertenecientes a este

eslabón. En España oscila alrededor de un valor de 1,4 en el periodo

2008-2013.


India crece, siendo más acusado en 2013. Se dobla el valor inicial de

2008. En España decrece aunque presenta dos puntos de inflexión en

2009 y 2012.


En India tiene un crecimiento prácticamente lineal en el que se llega a

triplicar el valor inicial. En España crece ligeramente aunque en 2009

experimenta un descenso.

Evaluando los datos de manera agregada para obtener información de la

industria, en lugar de por eslabón de la cadena de valor, se concluye que en

India a nivel general crecen, manteniéndose prácticamente constantes entre

2008-2011 y creciendo de manera brusca en 2012-2013. En el caso de España

globalmente decrece aunque aparecen claramente diferenciados dos periodos,

el primero de ellos entre 2008-2010, y el segundo 2011-2013 en los que

aproximadamente permanece constante. Comparando los valores de India y

España se observa que para todos los años los de India son superiores, del

orden de 3 a 5 veces más. Esto puede ser debido a que podría existir una

cierta tendencia en la gestión de las empresas aeroespaciales en India, de

tener un volumen de recursos propios muy elevando con respecto a los activos

no corrientes, es decir, aversión al riesgo o elevados costes de financiación.



Analizando el valor medio de los diferentes eslabones para India y España se

concluye que son superiores en India frente a España para todos (sobre 4

veces más), excepto en MRO (India no tiene esta categoría.

Si se clasifican los eslabones utilizando como criterio el valor de la variable y se

ordena de mayor a menor valor, se obtiene la siguiente clasificación para India:

Ingeniería > Servicios > Ingeniería, fabricación, montaje, integración, ensayos y

servicios > Ingeniería, fabricación, montaje, integración, ensayos, servicios y

MRO > Fabricación, montaje, integración y ensayos. En España la ordenación

que aparece es: Servicios > Ingeniería > Ingeniería, fabricación, montaje,

integración, ensayos y servicios > Fabricación, montaje, integración y ensayos

> MRO > Ingeniería, fabricación, montaje, integración, ensayos, servicios y

MRO.

Tras haber procedido al análisis de la variable “Current ratio”, o ratio

corriente, para cada eslabón de la cadena de valor y país, y cuyos datos se

resumen en la tabla 194, se concluye:

Ingeniería – En India crece aunque presenta un punto de inflexión en

2010 donde comienza a descender. En España tiene un crecimiento

prácticamente constante hasta 2011, decreciendo entre 2012-2013.

Fabricación, montaje, integración y ensayos – En India crece, aunque

durante 2009-2013 permanece prácticamente constante. En España

crece, presentando un pico en 2009 y luego decreciendo ligeramente

hasta 2013.

Servicios – En India decrece y presenta un punto de inflexión en 2009.

En España es creciente.

MRO – En India no existe ninguna empresa en la muestra

correspondiente a este eslabón. En España crece entre 2008-2010 para

después decrece a valores similares a los iniciales de 2008.


India se mantiene prácticamente constante con un descenso muy



acusado en 2009. En España disminuye con dos inflexiones en 2009 y

2013 respectivamente.


En India existe crecimiento entre 2008-2012 con un desplome en 2013.

En España prácticamente es constante aunque tiene un punto de

inflexión en 2010.

Evaluando la industria en lugar los eslabones de la cadena de valor, es decir,

agregando los valores en uno representativo de la industria, se puede concluir

para India que globalmente sufre un crecimiento muy ligero, si bien presenta un

desplome en 2009. En España existe crecimiento entre 2008-2009 y

paulatinamente ha ido decreciendo, aunque la tendencia general es alcista.

España comparativamente con India tiene el valor de la variable superior.

Si se analiza el valor medio de la variable en cada eslabón y para ambos

países se puede observar que es superior para todos los eslabones en España

frente a India salvo para el eslabón de Ingeniería, fabricación, montaje,

integración, ensayos, servicios y MRO, que lo es en India.

Procediendo a ordenar los eslabones, de acuerdo al valor de la variable y

ordenados de mayor a menor, se obtiene en India la siguiente clasificación:

Servicios > Fabricación, montaje, integración y ensayos > Ingeniería >

Ingeniería, fabricación, montaje, integración, ensayos y servicios > Ingeniería,

fabricación, montaje, integración, ensayos, servicios y MRO. En España se

obtendría el siguiente orden: Servicios > Ingeniería > Fabricación, montaje,

integración y ensayos > Ingeniería, fabricación, montaje, integración, ensayos y

servicios > MRO > Ingeniería, fabricación, montaje, integración, ensayos,

servicios y MRO.

En el análisis de la variable “ROE”, o Return on Equity, es decir, retorno de los

recursos propios, para cada uno de los eslabones de la cadena de valor y en

cada país, y cuyos valores se muestran en la tabla 195, se observa:



Ingeniería – En India disminuye aunque presenta dos caídas bruscas en

2009 y 2012. En España desciende y en 2012 tiene una caída.

Fabricación, montaje, integración y ensayos – En India disminuye casi

en un 50% presentando un punto de inflexión en 2009. En España sufre

una caída en 2009 aunque después crece hasta recuperar el valor

inicial.

Servicios – En India disminuye en casi un 50% entre 2008-2013

presentando bajadas acusadas en 2009 y 2013. En España desciende y

en 2012 tiene una fuerte caída.

MRO – En India no hay empresas de este eslabón en la muestra. En

España crece entre 2008-2010 y decrece hasta recuperar el valor de

2008 en el intervalo 2011-2013.


India decrece reduciéndose en un 50%. En España desciende con dos

puntos de inflexión en 2009 y 2012, donde esta caída es superior.


En India crece aunque presentados dos inflexiones en 2009 y 2012

respectivamente. En España sufre un crecimiento aunque existen dos

años en los que decrece, siendo estos 2009 y 2012.

Estudiando los valores de la industria, tras haber agregado los de los

eslabones, para ambos países, se concluye que en India globalmente esta

variable desciende casi linealmente, mientras que en España globalmente

decrece, si bien en los años 2009 y 2012 ha sufrido sendos desplomes. De

manera adicional se observa que en todos los años esta variable toma un valor

superior en India frente a España, si bien la diferencia con España se va

reduciendo y va convergiendo.

Agregando los valores de cada eslabón se obtiene que en todos ellos India

presenta un valor superior a España salvo para MRO, donde India no tiene

empresas en la muestra, y por lo tanto no es comparable.



Clasificando los eslabones por el valor de la variable y ordenándolos de mayor

a menor se obtiene en India el siguiente orden: Servicios > Ingeniería >

Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO >

Fabricación, montaje, integración y ensayos > Ingeniería, fabricación, montaje,

integración, ensayos y servicios. Dicha clasificación en España sería: Servicios

> Ingeniería > Ingeniería, fabricación, montaje, integración, ensayos y servicios

> Ingeniería, fabricación, montaje, integración, ensayos, servicios y MRO >

Fabricación, montaje, integración y ensayos > MRO.

Analizando la variable “ROCE”, o Return on Capital Employed, es decir,

retorno del capital empleado, en los diferentes eslabones de la cadena de valor

y para ambos países, y cuyos valores se resumen en la tabla 196, se

evidencia:

Ingeniería – En India se mantiene constante un poco por encima del

10% si bien los años 2008 y 2010 tiene unos valores altos. En España

desciende, siendo más acusado entre 2011-2013.

Fabricación, montaje, integración y ensayos – En India permanece

constante alrededor del 10% con dos desplomes en 2009 y 2013

respectivamente. En España desciende, siendo el mayor desplome el

sufrido en 2009.

Servicios – En India decrece y disminuye alrededor del 50% entre 208-

2013. En España decreciente, con una inflexión en la que desciende

bruscamente en 2012.

MRO – En India no hay empresas en la muestra que pertenezca a este

eslabón de la cadena de valor. En España es creciente entre 2008 y

2010, para posteriormente desplomarse.


India es decreciente con una caída brusca en 2011. En España es

decreciente con una inflexión en 2012, donde la caída que experimenta

es superior.




En India es constante en el periodo 2008-2010 con un desplome en el

periodo 2011-2013. En España crece aunque sufre sendas bajadas en

2009 y 2012.

Estudiando desde el punto de vista de la industria, una vez agregada la

información de los eslabones, la evolución de esta variable, se obtiene que

para India desciende de manera paulatina y para España desciende con dos

años en los que dicho descenso está muy marcado, siendo estos años 2009 y

2012. El valor de esta variable es muy similar entre India y España para todos

los años, si bien entre 2008-2009 es ligeramente superior en India y entre

2010-2013 lo es en España.

Comparando los diferentes eslabones de la cadena de valor tras haber

calculado el valor medio de la variable para cada uno se observa que para los

eslabones de Ingeniería, Servicios e Ingeniería, fabricación, montaje,

integración, ensayos, servicios y MRO, es superior en India que en España.

Siendo para el resto de eslabones superior en España.

Si se clasifican los eslabones atendiendo al valor de la variable y se ordenan de

mayor a menor valor, el resultado que se obtiene en India es: Servicios >

Ingeniería > Ingeniería, fabricación, montaje, integración, ensayos, servicios y

MRO > Ingeniería, fabricación, montaje, integración, ensayos y servicios >

Fabricación, montaje, integración y ensayos. En el caso de España se obtiene:

Ingeniería, fabricación, montaje, integración, ensayos y servicios > Servicios >

Ingeniería > MRO > Fabricación, montaje, integración y ensayos > Ingeniería,

fabricación, montaje, integración, ensayos, servicios y MRO.

Estudiando la variable “ROS”, o Return on Sales, es decir, retorno de las

ventas, en cada eslabón de la cadena de valor y para cada país, y cuyos

valores se resumen en la tabla 197, se observa:

Ingeniería – En India globalmente crece, aunque a partir de 2010

decrece ligeramente. En España es decreciente en el mismo periodo.



Fabricación, montaje, integración y ensayos – En India decrece, con

sendas inflexiones en 2009 y 2012. En España es creciente con un

punto de inflexión en 2009 donde se desploma.

Servicios – En India decrece, reduciéndose casi un 50% entre 2008 y

2013, presentando dos inflexiones, una en 2009 y otra en 2012. En

España es decreciente con un desplome en 2012.

MRO – En India no hay empresas en la muestra que pertenezcan a este

eslabón. En España aumenta y se mantiene creciente para desplomarse

en 2013.


India crece y en 2011 sufre un desplome. En España es decreciente.


En India crece moderadamente entre 2008-2010 y se desploma en 2012

recuperándose en 2013. En España es creciente con dos inflexiones en

2009 y 2012.

Analizando la evolución de esta variable en la industria, tras agregar los valores

de los diferentes eslabones de la cadena de valor, y para ambos países, se

pude concluir que en India globalmente decrece, aunque oscila entre un año de

subida y otro de bajada, siendo los años 2008, 2010, 2012 los años con mejor

valor. En España a nivel global se mantiene prácticamente constante si bien en

2009 y 2012 sufre sendas caídas. El valor de esta variable es superior todos

los años en India que en España, si bien la diferencia se mantiene casi

constante.

Desde la óptica de los eslabones y tras calcular el valor medio de la variable

para cada eslabón se evidencia que para todos los eslabones la variable toma

mayor valor en India que en España. Sin tener en cuenta el eslabón de MRO

puesto que al no existir datos para India no se puede comparar.

Ordenando los eslabones por el valor de la variable de mayor a menor, se

obtiene la siguiente clasificación para India: Ingeniería > Servicios > Ingeniería,

fabricación, montaje, integración, ensayos, servicios y MRO > Ingeniería,



fabricación, montaje, integración, ensayos y servicios > Fabricación, montaje,

integración y ensayos. En el caso de España la clasificación es: Ingeniería,

fabricación, montaje, integración, ensayos, servicios y MRO > Servicios >

Ingeniería, fabricación, montaje, integración, ensayos y servicios > Ingeniería >

Fabricación, montaje, integración y ensayos > MRO.

Por último se analiza la variable “Company efficiency”, o eficiencia de la

empresa, en cada uno de los eslabones de la cadena de valor y para cada

país, y cuyos valores se muestran en la tabla 198, se observa lo siguiente:

Ingeniería – En India desciende entre 2008-2010, volviendo a crecer en

2011 y 2013. En España disminuye. Es decir las empresas han perdido

eficiencia en España y en India parece que han puesto remedio y están

comenzando a ganarla tras perderla.

Fabricación, montaje, integración y ensayos – En India decrece hasta

2009, posteriormente crece hasta 2011 y de nuevo decrece. Parece que

la eficiencia tiene cierta componente turbulenta. En España disminuye y

en 2013 se desploma.

Servicios – En India tiene un periodo en el que disminuye hasta 2009,

posteriormente crece hasta 2011 y de nuevo decrece. En España

disminuye.

MRO – En India no hay empresas en la muestra que pertenezca a este

eslabón de la cadena de valor. En España presenta un ligero

crecimiento entre 2008 y 2012, aunque se desploma en 2013.


India se mantiene constante si bien en 2009 y 2011 tiene dos aumentos

significativos. En España también crece presentando dos picos de

crecimiento en 2009 y 2011.


En India se mantiene constante y muy alta desde 2008 a 2011, pasando

a desplomarse un 50% en 2012-2013. En España crece llegando casi a

duplicarse en el intervalo 2008-2013



A la vista de los resultados parece que las empresas que abarcan más de un

eslabón de la cadena de valor son las que presentan un crecimiento de la

eficiencia en el periodo 2008-2013, mientras que las centradas en uno sólo

pierden eficiencia.

No obstante si se analiza desde un punto de vista de industria, tras agregar los

valores de los diferentes eslabones, se obtiene para India que globalmente

disminuye la eficiencia de las empresas del sector aeroespacial, aunque en

2011 experimentó un gran crecimiento. En España globalmente decrece siendo

este decrecimiento más acelerado entre 2011-2013. En el periodo 2008-2013

India presenta mayor eficiencia que España, manteniéndose la diferencia entre

ambos países prácticamente constante.

Evaluando los eslabones a través de la media de todos los años, se observa

como India tiene valores de eficiencia superiores en cada eslabón a España, a

excepción de MRO, donde India no tiene empresas en la muestra.

Si se clasifican los eslabones de la cadena de valor por orden de mayor

eficiencia a menor para ambos países se obtiene en India la siguiente

clasificación: Ingeniería > Ingeniería, fabricación, montaje, integración,

ensayos, servicios y MRO > Servicios > Ingeniería, fabricación, montaje,

integración, ensayos y servicios > Fabricación, montaje, integración y ensayos.

Mientras que para España el orden sería: Ingeniería, fabricación, montaje,

integración, ensayos, servicios y MRO > Ingeniería, fabricación, montaje,

integración, ensayos y servicios > Servicios > Ingeniería > MRO > Fabricación,

montaje, integración y ensayos.

Una vez analizados los eslabones de la cadena de valor del sector

aeroespacial, se va a estudiar las diferencias existentes entre las empresas

más eficientes y el resto de la industria. Este análisis se basa en tablas

comprendidas entre la 200 y 214 inclusive, y en las figura de la 110 a la 124

inclusive.



Las empresas más eficientes en India presentan:

una edad menor que las de la industria, es decir, que la empresa sea

más joven favorece su eficiencia, en concreto la media es alrededor de 4

años menos.

un tamaño inferior al de la industria (salvo un año en particular, el 2012,

que fue superior), pero para el resto es menor.

requieren menos activos no corrientes, al ser menor el “Infrastructure &

Resource Intensity”. De media este índice es 0,028 más bajo que en la

industria

tienen mayor porcentaje de activos no corrientes frente a activos

corrientes. En media la variable “Asset Intensity” es mayor en la

empresas eficientes que en la industria en un valor de 0,062.

presentan una mayor rotación de activos, al ser la variable “Asset

turnover rate” superior en 0,262 con respecto a la industria.

tienen una mayor rotación de activos corrientes, ya que la variable

“Currents asset turnover rate” es muy superior a la de la industria, en

concreto 1,096.

exhiben un ratio de endeudamiento (“Debt to equity ratio”) inferior a la

industria, es decir, están menos endeudadas. En particular esta variable

de media es 0,138 unidades menor.

el grado de apalancamiento es menor en las empresas eficientes, es

decir, requieren menos deuda por unidad de activo total. En concreto

esta variable es 0,115 inferior.

la intensidad de la deuda es menor (“Debt intensity”). Lo que significa

que la financiación a largo plazo que requieren frente a la de corto es

menor. La diferencia es de 0,184 inferior para las más eficientes.

el ratio de cobertura (“Coverage ratio”) es superior en las empresas más

eficientes. Esto significa que tiene mayor cantidad de recursos propios

para cubrir los activos no corrientes. En particular esta variable es

superior en 0,929 unidades.



el ratio corriente (“Current ratio”) es superior en las empresas más

eficientes, es decir tienen una capacidad de pago de obligaciones a

corto plazo con los activos más líquidos superior. En concreto es de

0,138 unidades de media superior a la industria.

el retorno de los recursos propios (“ROE”) es superior en las empresas

más eficientes. Es decir son más eficaces respecto a la generación de

valor para los propietarios. Es 7 puntos superior a la industria

el retorno del capital empleado (“ROCE”) es superior en las empresas

más eficientes. Esto indica que son más eficaces en la generación de

valor en sus actividades operativas. Es 6 puntos superior a la industria.

el retorno sobre las ventas (“ROS”) es superior en las empresas más

eficientes, indicando una mayor eficacia en la generación de valor del

mercado. Es 4 puntos superior a la industria.

en términos de eficiencia son un 25% más eficientes de media que el

resto de la industria.

Realizando un análisis análogo en España se concluye:

una edad menor que las de la industria, es decir, que la empresa sea

más joven favorece su eficiencia, en concreto la media es alrededor de

1,5 años menos.

un tamaño superior al de la industria. En el periodo 2008-2010 las

empresas más eficientes eran más pequeñas, pero en 2011-2013 esta

tendencia ha cambiado y las más eficientes son de mayor tamaño medio

que la industria.

requieren menos activos no corrientes, al ser menor el “Infrastructure &

Resource Intensity”. De media este índice es 0,062 más bajo que en la

industria

tienen menor porcentaje de activos no corrientes frente a activos

corrientes. En media la variable “Asset Intensity” es menor en las

empresas eficientes que en la industria en un valor de 0,160.



presentan una mayor rotación de activos, al ser la variable “Asset

turnover rate” superior en 0,122 con respecto a la industria.

tienen una rotación de activos corrientes prácticamente constante, ya

que la variable “Currents asset turnover rate” oscila dependiendo del

año entre una cantidad mayor y otra inferior, siendo de media sólo 0,006

unidades superior a la de la industria. Es decir, prácticamente

permanece constante.

exhiben un ratio de endeudamiento (“Debt to equity ratio”) superior a la

industria, es decir, tienen un mayor nivel de endeudamiento, menor

aversión al riesgo. En particular esta variable de media es 0,185

unidades menor.

el grado de apalancamiento es prácticamente constante en las

empresas eficientes con respecto a la industria, es decir, requiriendo

casi el mismo nivel de deuda por unidad de activo total. De media es

0,001inferior.

la intensidad de la deuda es menor (“Debt intensity”). Lo que significa

que las empreas más eficientes requieren menos financiación a largo

plazo frente a la de corto, con respecto a la industria. La diferencia es de

0,201 inferior para las más eficientes.

el ratio de cobertura (“Coverage ratio”) es superior en las empresas más

eficientes. Esto significa que tiene mayor cantidad de recursos propios

para cubrir los activos no corrientes. En particular esta variable es

superior en 0,355 unidades.

el ratio corriente (“Current ratio”) es superior en las empresas más

eficientes, es decir tienen una capacidad de pago de obligaciones a

corto plazo con los activos más líquidos superior. En concreto es de

0,052 unidades de media superior a la industria.

el retorno de los recursos propios (“ROE”) es superior en las empresas

más eficientes. Es decir son más eficaces respecto a la generación de

valor para los propietarios. Es 16 puntos superior a la industria



el retorno del capital empleado (“ROCE”) es superior en las empresas

más eficientes. Esto indica que son más eficaces en la generación de

valor en sus actividades operativas. Es 13 puntos superior a la industria.

el retorno sobre las ventas (“ROS”) es superior en las empresas más

eficientes, indicando una mayor eficacia en la generación de valor del

mercado. Es 5 puntos superior a la industria.

en términos de eficiencia son un 50% más eficientes de media que el

resto de la industria.

Comparando en ambos países se observan diferencias estructurales entre las

empresas más eficientes y el resto de la industria:

En India en las empresas eficientes el tamaño es menor que el de la

industria y en España de media es superior como muestra la tabla 220.


Tabla 220 Análisis longitudinal de “Company size” entre las empresas más eficientes y la

industria en India y España

En India la intensidad de los activos de las empresas eficientes es

superior a la industria mientras que en España es inferior, como

evidencia la tabla 221. Esto quiere decir que las empresa eficientes en

India necesitan de media más activos no corrientes que la industria, y

que las más eficientes en España necesitan de media menos activos no

corrientes que la industria.




Tabla 221 Análisis longitudinal de “Asset intensity” entre las empresas más eficientes y la


En India el ratio de endeudamiento (“Debt to equity”) de las empresas

más eficientes es inferior a las de la industria mientras que en España es

superior a las de la industria, tal y como muestra la tabla 222. Es decir,

las empresas más eficientes en India tienen más aversión al

endeudamiento que la industria y en España las más eficientes están

más endeudadas que la media de la industria, mayor propensión al

riesgo.


Tabla 222 Análisis longitudinal de “Debt-to-equity-ratio” entre las empresas más eficientes y la industria en India y España

En España las empresas más eficientes presentan una mayor diferencia

de eficacia en ROE, ROCE y ROS con respecto a la media de la

industria que en India. Para el ROE y ROCE la diferencia es el doble,

según se refleja en la tabla 223.




Tabla 223 Análisis longitudinal de “ROE-ROCE-ROS” entre las empresas más eficientes y la


En India la diferencia entre las empresas más eficientes y la industria es

de un 25% mientras que en España es del 50%. Es decir, de media la

industria es más eficiente en India que en España, tal y como se puede

observar en la tabla 224.


Tabla 224 Análisis longitudinal de “Company efficiency” entre las empresas más eficientes y la


Como última conclusión, y en relación al modelo predictivo que se ha formulado

mediante una red neuronal de tipo MLP, se puede concluir que es de aplicación

para el caso de España puesto que la R2 entre los resultados predichos por el

modelo y los reales es elevada R2 = 0,9312, como muestra la figura 131.

Aunque para el caso de eficiencias óptimas, es decir, de 1 y muy bajas (muy

próximas a 0) no es aplicable. Predice razonablemente bien resto de casos.



Con una alta probabilidad esto no ocurriría si se aplica lo que más adelante se

planteará como una futura línea de investigación, y es la aplicación de modelos

de supereficiencia. En el caso de India, la capacidad de predicción es algo

inferior, aunque aceptable con una R2 = 0,7018, tal y como se evidencia en la

figura 138. Se aprecia el mismo comportamiento que en el caso de España en

los casos extremos de eficiencia donde esta vale 1 o 0. Aunque en el caso de

India la R2 sea inferior a la de España, sería aceptable puesto que el interés de

esta herramienta es predecir el orden de magnitud y la posición con respecto a

otras empresas, más que determinar el valor de eficiencia con una tolerancia

muy estrecha.



CAPÍTULO 13 FUTURAS LINEAS DE INVESTIGACIÓN

Para la elaboración de este trabajo se ha utilizado un enfoque metodológico

que parte del esbozo de un problema objeto de estudio muy general y que se

va acotando hasta convertirlo en un enunciado concreto, sujeto a unas

condiciones de contorno determinadas. En la parte exploratorio se han revisado

los datos con diferentes técnicas y desde diferentes enfoques, utilizando la

metodología del panel de datos ya que en su mayor parte es exploratorio y no

se plantean hipótesis. No obstante en la parte descriptiva que cubre, los

resultados obtenidos y comentados suponen falsar unas determinadas

hipótesis de partida obtenidas mediante revisión bibliográfica, entrevistas con

expertos y la propia experiencia profesional del doctorando. Cuando se habla

de falsar una hipótesis significa que bajo unas determinadas condiciones lo que

se ha encontrado no es falso, lo que no implica que bajo otras condiciones se

extrapole y sean veraces.

Una línea de investigación no es algo que tenga un principio y un fin

claramente determinados. A este respecto esta tesis doctoral no supone sino la

primera etapa de dicha línea de investigación encaminada a conocer la relación

existente entre la estructura de la empresa, su rendimiento, su eficiencia y el

efecto del entorno general y específico, evaluar la industria aeroespacial en los

países BRIC y PIGS; así como por último aplicar el concepto de resiliencia al

entorno empresarial y analizar la relación existente entre el mismo y el resto de

factores que se han nombrado, y si éstos son la causa, o parte de la misma, de

dicha resiliencia.




Figura 139 Clasificación del objetivo de tesis y las siguientes fases de la línea de investigación

A tenor de lo anterior, representado en la figura 139 se han identificado una

serie de investigaciones que no están cubiertas por la presente tesis, pero que

constituyen actividades que dan continuidad a la línea de investigación iniciada

por esta tesis, pudiéndose materializar tanto en la realización de otras tesis

doctorales, por la publicación de artículos científicos, o por una combinación de

ambas.

A continuación se van a enumerar:

Análisis de la influencia del entorno (país e industria) en la estructura de

la empresa, su desempeño y resiliencia. Entendiendo la estructura de la

empresa como estructura de capital, de liquidez y de activos,

características de la empresa. Se trataría de cuantificar dicha influencia,

así como determinar las causas estructurales de la misma.

Análisis de la influencia de operar en un país perteneciente a los BRICS

y PIGS, así como las variables estructurales determinantes de esta

industria en cada uno de los dos grupos. Este análisis hay que realizarlo

Exploratorio Descriptivo Correlacional Explicativo

Tesis doctoral

BRICS vs PIGS

Resiliencia



sobre una muestra de cada uno de los países BRICS y PIGS. El objetivo

de este trabajo era esbozar un método de carácter exploratorio y

predictivo que por su simplicidad pudiera aplicarse en todos los entornos

de manera que los hiciera comparables al utilizar las mismas variables

en un estudio longitudinal. Si el enfoque que se hubiera dado,

comprendiera un enfoque más particularizado al entorno donde se

aplica, se deberían haber seleccionado una gran multitud de variables y

haber realizar el mismo tipo de análisis factorial exploratorio. La ventaja

de este enfoque es que es más preciso por país, pero podrían dejar de

ser comparables los países, en tanto en cuanto los factores y las

variables utilizadas no coincidieran. En IAQG aparecen las empresas del

sector aeroespacial de estos países, así como en bases de datos como

Amadeus ® o COMPUSTAT ® se pueden obtener los datos financieros

necesarios de estas empresas para replicar el método exploratorio,

descriptivo y predictivo de esta tesis doctoral. En la tabla 225 se refleja

el número de empresas disponibles en IAGQ para los países objeto de

interés. Dicha muestra inicial se debe enriquecer con información local

de cada país (clusters aeroespaciales, asociaciones…)

País Número

empresas IAQG

BRICS

Brasil 76

Rusia 81

China 682

Sudáfrica 16

PIGS

Portugal 31

Italia 532

Grecia 7


Tabla 225 Número de empresas del sector aeroespacial en países BRICS y PIGS



Definición del concepto de resiliencia empresarial, sus métricas

asociadas, así como las técnicas adecuadas para su estudio. La

definición más sencilla y a la vez más compleja, que puede plantearse,

es: la capacidad para revertir una situación adversa. Pudiéndose

alcanzar una situación de equilibrio o no, y en caso de alcanzarse un

equilibrio puede ser en el mismo orden de magnitud existente antes de

la situación adversa o un equilibrio totalmente diferente. En el entorno

turbulento y global en el que se desarrollan los negocios la supervivencia

depende en la adaptabilidad, con los perfiles reactivos cayendo a favor

de los proactivos, y ambos sucumbiendo ante los anticipativos

(Innovadores en serie) (de Oliveira Teixeira & Werther Jr., 2013). La

resiliencia, por tanto es un concepto multidisciplinar y multidimensional.

Asimismo hay diferentes tipos de resiliencia (desde la óptica económica)

(Ponomarov & Holcomb, 2009):

o Inherente – Capacidad en circunstancias normales (por ejemplo la

capacidad de los mercados para reubicar recursos en respuesta a

las señales en los precios)

o Adaptativa – Capacidad en circunstancias de crisis debido a un

esfuerzo extra (por ejemplo fortalecer el mercado dando

información para relacionar suministradores y clientes).

A su vez también en el artículo hablan de tres niveles en los que puede

existir resiliencia:

o Microeconómico – Centrado en el individuo.

o Mesoeconómico – Centrado en el mercado, industria o sector.

o Macroeconómico – Combinando todos los individuos y mercados.

La dimensiones más básica y más extendidas son la robustez

(anticipación y preparación) y la agilidad (visibilidad y velocidad) que

podrían operacionalizarse, tal y como muestra la figura 140, el primer de

ellos a través de la vulnerabilidad y el segundo de la adaptabilidad,

según el esquema de la figura 141, centrándose en una serie de KPIs



como por ejemplo el ROS (resiliencia respecto al mercado), ROE

(Resiliencia respecto a la estructura de propiedad), ROCE (resiliencia

respecto a las operaciones).

Fuente: (Wieland & Wallenburg, 2013)

Figura 140 Propuesta de las dimensiones de la resiliencia empresarial

Fuente: (Henry & Ramírez-Márquez, 2012)

Figura 141 Propuesta de la medición de la resiliencia de una variable

Estudio del método y modelo en países que no sean BRICS y PIGS,

pero con larga tradición aeroespacial, como por ejemplo Estados

Unidos, al objeto de evaluar el hecho de no pertenecer a los países de

mayor crecimiento ni a los de menor hace que los efectos estructurales

sean moderados y queden enmarcados entre ambos extremos.



Análisis de la implementación de esta metodología en otras industrias en

España e India para ver cómo se comportan, pero también en otros

países.

Aplicación de modelos de análisis de envolvente de datos que

contemplen la supereficiencia, es decir, rendimientos superiores a 1. El

objetivo sería focalizar el análisis en el subgrupo de las empresas más

eficientes.



BIBLIOGRAFÍA

Accenture, 2012. India times ahead: No room for complacency, s.l.: Accenture.

Adidam, P. T., Banerjee, M. & Shukla, P., 2012. Competitive intelligence and

firm's performance in emerging markets: an exploratory study in India. Journal

of Business & Industrial Marketing, 27(3), pp. 242-254.

Andreev, Y. A., 2005. Predicting financial distress of Spanish companies,

Barcelona: Universitiy of Barcelona.

Appiah, K. O. & Abor, J., 2009. Predicting corporate failure: some empirical

evidence from the UK. Benchmarking: An international Journal, 16(3), pp. 432-

444.

Arend, R. J., 2009. Industry effets and firm effects: No effect is an island.

Journal of Business Research, 62(.), pp. 651-659.

Arinovic-Barac, Z., 2011. Predicting sustianible financial performance using

cash flow ratios: A comparison between LDA and ANN methods. Sarajevo

Business and Economics Review, Volume 31, pp. 33-57.

Asociación Española de Empresas Tecnológicas de Defensa, Aeronaútica y

Espacio (TEDAE), 2014. Aeronaútica cifras 2013, Madrid: Expomark.

Banker, R., Charnes, A. & Cooper, W., 1984. Some models for estimating

technical and scale inefficiencies in Data Envelopment Analysis. Management

Science, 9(30), pp. 1078-1092.

Berger, A. N. & Bonaccorsi , E., 2006. Capital structure and firm performance: A

new approach to testing agency theory and an aplication to the banking

industry. Journal of Banking & Finance, .(30), pp. 1065-1102.

Bhagat, S. & Boltron, B., 2008. Corporate governance and firm performance.

Journal of Corporate Finance, 14(.), pp. 257-273.



Bhunia, A., Uddin Khan, S. I. & Mukhuti, S., 2011. Prediction of Financial

Distress - A case study of Indian companies. Asian Journal of Business

Management, 3(3), pp. 210-218.

Bureau Van Dijk, 2015. SABI. [Online]

Available at: https://sabi.bvdinfo.com/version-

2015323/home.serv?product=sabineo

[Accessed 20 March 2015].

Burja, C., 2011. Factors influecing the companies' profitability. Annales

Universitatis Apulensis Series Oeconomica, 2(13), pp. 215-224.

Burstein Goldszmidt, R. G., Ledur Brito, L. A. & Carvalho de Vasconcelos, F.,

2011. Country effect on firm performance: A multilevel approach. Journal of

Business Research, Volume 64, pp. 273-279.

Caloghirou, Y., Protogerou, A., Spanos, Y. & Papagiannakis, L., 2004. Industry-

versus firm-specific effects on performance: Contrasting SMEs and Large-sized

firms. European Management Journal, 22(2), pp. 231-243.

Campello, M., 2006. Debt financing: Does it boost or hurt firm performance in

product markets?. Journal of Financial Economics, Issue 82, pp. 135-172.

Center for Monitoring Indian Economy, 2015. PROWESS. [Online]

Available at: https://prowess.cmie.com/


Chandra, P., 2013. Financial Management: Theory and practice. Eighth ed.

New Delhi: Tata-McGraw Hill.

Charnes, A., Cooper, W. W., Lewin, A. Y. & Seiford, L. M., 1997. Data

envelopment analysis theory, methodology and applications. Operational

Research Society, 48(3), p. 332.



Charnes, A., Cooper, W. W., Seiford, L. M. & Stutz, J., 1982. A multiplicative

model for efficiency analysis. Socio-Economic Planning Science, Volume 16,

pp. 223-224.

Charnes, A., Cooper, W. W., Seiford, L. M. & Stutz, J., 1983. Invariant

multiplicative efficiency and piecewise Cobb-Douglas envelopment. Opeations

Research Letters, Volume 2, pp. 101-103.

Charnes, R., Cooper, W. & Rhodes, E., 1978. Measuring efficiency on Decision

Making Units. European Journal of Operational Research, Volume 2, pp. 429-

444.

Chen, M.-Y., 2011. Bankruptcy prediction in firms with statistical and intelligent

techniques and a comparison of evolutionary computation approaches.

Computers and Mathematics with Applications, Issue 62, pp. 4514-4524.

Chiarella, C. & Di Guilmi, C., 2011. The financial instability hypothesis: A

stochastic mirofoundation framework. Journal of Economic Dynamics & Control,

Issue 35, pp. 1151-1171.

Ciampi, F. & Gordini, N., 2008. Using economic-financial ratios for small

enterprise default prediction modelling: am empirical analysis. Oxford, Oxford,

pp. 1-21.

Claver, E., Molina, J. & Tarí, J., 2002. Firm and industry effects on firm

profitability: A Spanish empirical analysis. European Management Journal,

20(3), pp. 321-328.

Coelli, T., 1998. A multi-stage methodology for the solution of oriented DEA

models. Operation Research Letters, Volume 22, pp. 143-149.

Cohn, J. B., Mills, L. F. & Towery, E. M., 2014. The evolution of capital structure

and operating performance after leveraged buyouts: Evidence from U.S.

corporate tax returns. Journal of Financial Economics, Issue 111, pp. 469-494.



Coll Serrano, V. & Blasco Blasco, O. M., 2006. Evaluación de la eficiencia

mediante el análisis envolvente de datos: Introduccion a los modelos básicos.

Electrónica ed. Valencia: Universidad de Valencia.

Cooper, W. W., Seiford, L. M. & Zhu, J., 2011. Handbook on Data Envelopment

Analysis. Second ed. s.l.:Springer.

Dadenas, P. & Garsva, G., 2015. Selection of Support Vector Machines based

classifiers for credit risk domain. Expert systems with applications, Volume 42,

pp. 3194-3204.

Damodaran's, A., 2013. Investment valuation: Tools and techniques for

determining the value of any asset. Third ed. New Delhi: Wiley-India edition.

de Oliveira Teixeira, E. & Werther Jr., W. B., 2013. Resilience: Continuous

renewal of competitive advantages. Business Horizons, Issue 56, pp. 333-342.

de Vicente y Oliva, M. A., Manera Bassa, J., Guede Cid, R. & Martin del Peso,

M., 2008. Using MCDA to support compromise robust solutions in DEA with no

a priori information about weights. s.l., 67th meeting of the European Working

Work on Multicriteria Decision Aid.

DeAngelo, H., DeAngelo, L. & Wruck, K. H., 2002. Asset liquidity, debt

covenants, and managerial discretion in financial distress: the collapse of L.A.

Gear. Journal of Financial Economics, Volume 64, pp. 3-34.

Debreu, G., 1951. The coefficient of resource utilization. Econometrica, 19(3),

pp. 273-292.

Delen, D., Kuzey, C. & Uyar, A., 2013. Measuring firm performance using

financial ratios: A decision tree approach. Expert Systems with Applications,

Issue 40, pp. 3970-3983.

Díez de Castro, L. T. & López Pascual, J., 2007. Dirección financiera. 2ª ed.

Madrid: Prentice Hall.



Düzakin, E. & Düzakin, H., 2007. Measuring the performance of manufacturing

firms with super slacks based model of data envelopment analysis:An

application of 500 major industrial enterprises in Turkey. European Journal of

Operational Reseach, Issue 182, pp. 1412-1432.

Dvoracek, J., Sousedikova, R. & Domaracka, L., 2008. Industrial enterprises

bankruptcy forecasting. Metalurgija, 1(47), pp. 33-36.

Dyson, R. G. et al., 2001. Pitfalls and protocols in DEA. European Journal of

Operational Research, Volume 132, pp. 245-259.

Eriksen, B. & Knudsen, T., 2003. Industry and firm level interaction: Implications

for profitability. Journal of Business Research, Volume 56, pp. 191-199.

Etter, E. R., Lippincott, B. & Reck, J., 2006. An analysis of U.S. and Latin

American financial accounting ratios. Advances in International Accounting,

Volume 19, pp. 145-173.

Eurostat, 2015. Eurostat. [Online]

Available at: http://appsso.eurostat.ec.europa.eu/nui/show.do

[Accessed 20 January 2015].

Farrell, M. J., 1957. The measurement of productive efficiency. Journal of the

Royal Statistical Society, Serie A(3), pp. 253-290.

Fernandes, E. & Pires-Capobianco, H. M., 2001. Airline capital structure and

returns. Journal of Air Transport Management, 7(.), pp. 137-142.

Forbes, K., 2004. The asian flu and Russian virus: the international

transmission of crises in firm-level data. Journal of International Economics,

Volume 63, pp. 59-92.

Frankel, J. & Saravelos, G., 2010. VOX CEPR's Policy Portal. [Online]

Available at: http://www.voxeu.org/index.php?q=node/5258




Frost & Sullivan, 2013. Analysis of the Indian Aerospace industry, Bangalore:

Frost & Sullivan.

Funahashi, K.-I., 1989. On the approximate realization of continuous mappings

bynerual networks. Neural Nwtworks, 2(3), pp. 183-192.

Funahashi, K.-I., 1998. Multilayer neural networks and Bayes decision theory.

Neural Networks, 11(2), pp. 209-213.

Funahashi, K.-I. & Nakamura, Y., 1993. Approximation of dynamical systems by

continuous time recurrent neural networks. Neural Networks, 6(6), pp. 801-806.

Garmendia Ibañez, J., 2010. La crisis de la deuda pública en la unión monetaria

europea. Revista de Dirección y Administración de Empresas, Issue 17, pp. 99-

117.

Gedeon, T. D., Wong, P. M. & Harris, D., 1995. Balancing the bias and

variance: Network topology and pattern set reduction techniques. Torremolinos,

España, s.n., pp. 550-558.

Glantz, M. & Mun, J., 2011. Chapter 3 Multivariate Ratio Analysis. In: Elsevier,

ed. Credit Engineering for bankers. s.l.:Elsevier, pp. 37-60.

Gleason, K. C., Mathur, L. K. & Mathur, I., 2000. The interelantionship between

culture, capital structure, and performance: Evidence from European Retailers.

Journal of Business Research, 50(.), pp. 185-191.

Goddard, J., Tavakoli, M. & Wilson, J. O., 2009. Sources of variation in firm

profitability and growth. Journal of Business Research, 62(.), pp. 495-508.

Grossberg, S., 1964. The theory of embedding fields with applications to

psychology and neuropsychology. New York: Rockefeller Institute of Medical

Research.



Guede Cid, M. D. R., 2011. La eficiencia de los centros públicos de

investigación en el proceso de transferencia de conocimiento y tecnología,

Madrid: Universidad Rey Juan Carlos.

Guerras Martín, L. Á. & Navas López, J. E., 2009. La dirección estratégica de la

empresa: Teoría y aplicaciones. 4 ed. Navarra: Aranzadi.

Gülnur, Y. & Sivaprasad, S., 2012. Capital struture and abnormal returns.

International Business Review, Volume 21, pp. 328-341.

Guzhva, V. S. & Pagiavlas, N., 2003. Corporate capital structure in turbulent

times: a case study of US airline industry. Journal of Air Transport

Management, 9(.), pp. 371-379.

Hair, J. F., Black, W. C., Babin, B. J. & Anderson, R. E., 2010. Multivariate Data

Analysis: A global perspective. Seventh ed. New Delhi: Pearson.

Hawawini, G., Subramanian, V. & Verdin, P., 2004. The home country in the

age of globalization: how much does it matter for firm performance. Journal of

World Business, 39(.), pp. 121-135.

Hebb, D., 1949. Organization of Behavior. New York: John Wiley & Sons.

Heinen, N., 2011. Macroeconomic coordination. What con a scoreboard

approach achive?, Frankfurt: Deutsche Bank Research.

Henry, D. & Ramírez-Márquez, J. E., 2012. Generic metrics and quantitative

approaches for system resilience as a function of time. Reliability Engineering

and System Safety, .(99), pp. 114-122.

Hernández , R., Fernández, C. & Baptista, P., 2010. Metodología de la

Investigación. 5 ed. México: McGraw Hill.

Hofmann, E. & Lampe, K., 2013. Financial statement analysis of logistics

service providers: ways of enhancing perfomance. International Journal of

Physical Distribution & Logistics Management, 43(4), pp. 321-342.



Hong, H., Huang, J.-Z. & Wu, D., 2014. The information content of Basel III

liquidity risk measures. Journal of Financial Stability, Volume 15, pp. 91-111.

Hopfield, J., 1982. Neural networks and phisycal systems with emergent

collective computational abilities. Proceedings of the National Academy of

Science, Issue 81, pp. 3088-3092.

Indian Ministry of Commerce & Industry, 2015. Department of Commerce.

[Online]

Available at: http://commerce.nic.in/eidb/Default.asp


Institute for defense studies and analyses, 2015. Institute for defense studies

and analyses. [Online]

Available at: http://www.idsa.in


International Monetary Fund, 2015. International Monetary Fund. [Online]

Available at:

http://www.imf.org/external/pubs/ft/weo/2014/02/weodata/weorept.aspx?sy=200

7&ey=2013&scsm=1&ssd=1&sort=country&ds=%2C&br=1&c=184%2C534&s=

NGDP_R%2CLUR&grp=0&a=&pr1.x=24&pr1.y=10#download


Isasi Viñuela, P. & Galván León, I. M., 2008. Redes de Neuronas ARtificiales:

Un enfoque práctico. Madrid: Pearson.

Jurlin, K., Puljiz, J. & Vuckovic, V., 2011. Early warning indicators: leading or

misleading?. Croatia, Faculty of Economics (University of Split), pp. 381-399.

Kayo, E. K. & Kimura, H., 2011. Hierarchical determinants of capital structure.

Journal of Banking & Finance, 35(.), pp. 358-371.



Keterlhöhn, N. W. & Quintanilla, C., 2012. Country effects on profitability: A

multilevel approach using a sample of Central American firms. Journal of

Business Research, 65(.), pp. 1767-1772.

King, M. R. & Santor, E., 2008. Family values: Ownership structure,

performance and capital structure of Canadian firms. Journal of Banking &

Finance, 32(.), pp. 2423-2432.

Kohonen, T., 1972. Correlation associative memory. IEEE Transactions on

Computers, Issue 23, pp. 353-359.

Kohonen, T., 1974. An adaptive associative memory principle. IEEE

Transactins on Computers, Issue 23, pp. 444-445.

Kohonen, T., 1977. Associative Memory - Asystem Theoretical Approach. New

York: Springer-Verlag.

Kolasa, M., Rubaszek, M. & Taglioni, D., 2010. Firms in the great global

recession: The role of foreign ownership and financial dependence. Emerging

Markets Review, Issue 11, pp. 341-357.

Kopaneli, A., 2014. Finance, marketing, management, and strategy planning. A

qualitative research method analysis of case studies in business hotels in

Patras and in Athens. Procedia: Economics and Finance, Volume 9, pp. 472-

487.

Krishnan, S. V. & Moyer, C. R., 1997. Performance, capital structure and home

country: An analysis of asian corporations. Global Finance Journal, 8(1), pp.

129-143.

Lee, T.-H. & Chih, S.-H., 2013. Does financial regulation affect the profit

efficiency and risk of banks? Evidence from China's commercial banks. North

American Journal of Economics and Finance, Volume 26, pp. 705-724.



Liargovas, P. G. & Skandalis, K. S., 2010. Factors affecting firm performance:

The case of Greece. Global Business and Management Reserach: An

international Journal, 2(2&3), pp. 184-197.

Little, P. L., Mortimer, J. W., Keene, M. A. & Herdenson, L. R., 2011. Evaluating

the effect of recession on retail firms' strategy using DuPont method:2006-2009.

Journal of Finance and Accountancy, pp. 1-7.

Longinidis, P. & Georgiadis, M. C., 2011. Integration of financial statement

analysis in the optimal design of supply chain networks under demand

uncertainty. International Journal of Production Economics, Volume 129, pp.

262-276.

López Lubián, F. J. & García Estévez, P., 2005. Finanzas en el mundo

corporativo: Un enfoque práctico. 1 ed. Madrid: McGraw Hill.

Madrid-Guijarro, A., García-Pérez-de-Lema, D. & van Auken, H., 2011. An

analysis of non-financial factors associated with financial distress.

Entrepreneurship & Regional Development, April, 23(3-4), pp. 159-186.

Mallick, S. & Yang, Y., 2011. Sources of financing, profitability and productivity:

First evidence from Matched firms. Financial Markets, Institutions &

Instruments, pp. 221-252.

Mangir, F. & Erdogan, S., 2011. Comparisonof economic performance among

six countries in global financial crisis: The application of fuzzy topsis method.

Economics, Management, and Financial Markets, 6(2), pp. 122-136.

Margaritis, D. & Psillaki, M., 2010. Capital structure, equity ownership and firm

performance. Journal of Banking & Finance, 34(.), pp. 621-632.

Marketline, 2008. Global Aerospace & Defence, s.l.: Marketline.





Marketline, 2011. Aerospace & Defense in India, s.l.: Marketline.

Marketline, 2011. Aerospace & Defense in Spain, s.l.: Marketline.



Marketline, 2012. Aerospace & Defense in Spain, s.l.: Marketline.



Marketline, 2014. Aerospace & Defense in Spain, s.l.: Marketlilne.


Martín del Brío, B. & Sanz Molina, A., 2009. Redes neuronales y sistemas

borrosos. 3ª ed. Madrid: Ra-Ma.

Matysek-Jedrych, A., 2012. Competitiveness and crisis - the case of the Baltic

States economies. Poznan University of Economics Review, 12(2), pp. 49-73.

McCulloch, W. & Pitts, W., 1943. A logical calculus of the ideas immanent in

nervous activity. Bulletin of Mathematical Biophysics, Volume 7, pp. 115-133.

Minsky, M., 1954. Neural-analog networks and the brain model problem. New

York: Princeton University.

Molina-Azorín, J. F., Pereira-Moliner, J. & Claver-Cortés, E., 2010. The

importance of the firm and destination effects to explain firm performance.

Tourism Management, 31(.), pp. 22-28.

Morgan, N. A., Vorhies, D. W. & Mason, C. H., 2009. Market orientation,

marketing capabilities, and firm performance. Strategic Management Journal,

Issue 30, pp. 909-920.



Munisi, G. & Randoy, T., 2013. Corporate governane and company

performance across Sub-Saharan African countries. Journal of Economics and

Business, 70(.), pp. 92-110.

Muradoglu, Y. G. & Sivaprasad, S., 2012. Capital structure and abnormal

returns. International Business Review, 21(.), pp. 328-341.

Norden, L. & van Kampen, S., 2013. Corporate leverage and the collateral

channel. Journal of Banking & Finance, Volume 37, pp. 5062-5072.

Oral, M. & Chabchoub, H., 1996. On the methodlogy of the World

Competitiveness Report. European Journal of Operational Research, Issue 90,

pp. 514-535.

Pao, H.-T., 2008. A comparison of neural network and multiple regression

analysis in modeling capital structure. Expert Systems with Applications, 35(.),

pp. 720-727.

Ponomarov, S. Y. & Holcomb, M. C., 2009. Understanding the concept of

supply chain resilience. The International Journal of Logistics Management,

20(1), pp. 124-143.

Porter, M., 1981. The contributions of industrial organization to strategic

management. Academy of Management Review, 6(4), pp. 609-620.

Porter, M. E., 1980. Competitive strategy. 1 ed. New York: The Free Press.

Pratap, S. & Urrutia, C., 2004. Firm dynamics, investment, and debt portfolio:

balance sheet effects of the Meican crisis of 1994. Journal of Development

Economics, Issue 75, pp. 535-563.

Priyanto, S. H., 2006. A structural model of business performance: An empirical

study on Tobacco farmers. Gadjah Mada International Journal of Business,

8(1), pp. 103-134.



Quindós Morán, M. d. P., Rubiera Morollón, F. & Vicente Cuervo, M. R., 2009.

Análisis envolven de datos:Una aplicación al sector de los servicios avanzados

a las empresas del principado de asturias. Burgos, ASEPUMA.

Riley Jr, R. A., Pearson, T. A. & Trompeter, G., 2003. The value relevane of

non-financial performance variables and accounting information:the case of the

airline industry. Journal of Accounting and Public Policy, Volume 22, pp. 231-

254.

Romero-Castro, N. & Piñeiro-Chousa, J., 2006. An integrated framework for the

financial analysis of sustainability. Business Strategy and the Environment,

Issue 15, pp. 322-333.

Rosemblatt, F., 1957. The perceptron: A perceiving and recognicing

automation, New York: Cornell University.

Rosenblatt, F., 1958. The perceptron: A theory of statistical separability in

cognitive systems, s.l.: Cornell Aeronautical Laboratory.

Rumelhart, D., Hinton, G. & Williams, R., 1986. Learning representations by

back-propagating errors. Nature, Issue 323, pp. 533-536.

Rumelhart, D. & McClelland, J., 1982. An interactive activation model of context

effects in letter perception. Psychological Review, 2(89), pp. 60-94.

Schmitt, A. J. & Singh, M., 2012. A quantitative analysis of disruption risk in a

multi-echelon supply chain. International Journal of Production Economics,

Issue 139, pp. 22-32.

Schuermann, T., 2013. Stress testing banks. International Journal of

Forecasting, pp. 123-135.

Sejnowski, T. & Hinton, G., 1986. Separating figure from ground with a

Boltzman machine. Cambridge: MIT-Press Bradford Books.



Sekaran, U. & Bougie, R., 2011. Research methods for business: A skill

building approach. Fifth ed. New Delhi: Wiley-India edition.

Sheikhi, M., Shams, M. F. & Sheikhi, Z., 2012. Financial distress prediction

using distress score as a predictor. International Journal of Business and

Management, 7(1), pp. 169-181.

Shue, L.-Y., Chen, C.-W. & Shiue, W., 2009. The development of an ontology-

based expert system for corporate financial rating. Expert Systems with

Applications, Issue 36, pp. 2130-2142.

Sierra, R., 2007. Tesis doctorales y trabajos de investigacion científica. 5 ed.

Madrid: Thomson.

Society of Automotive Engineers, 2015. International Aerospace Quality Group.

[Online]

Available at: https://www.sae.org/?PORTAL_CODE=IAQG


Steinbuch, K. & Piske, U., 1963. Learning matricers and their application. IEEE

Transaction on Electronic Computers, Issue 12, pp. 846-862.

Tang, Y. H. & Ogunlana, S. O., 2003. Modelling the dynamic performance of a

construction organization. Construction Management and Economics, Issue 21,

pp. 127-136.

Teeratansirikool, L., Siengthai, S., Badir, Y. & Charoenngam, C., 2013.

Competitive strategies and firm performance: the mediating role of performance

measurement. Internationl Journal of Productivity and Performance

Management, 62(2), pp. 168-184.

Tehrani, R., Mehragan, M. R. & Golkani, M. R., 2012. A model for evaluating

financial performance of companies by Data Envelopment Analysis.

International Business Reserach, 5(8), pp. 8-16.



The Economist, 2008. Economic Intelligence Unit (India country report

december 2008). [Online]

Available at: www.eiu.com/home.aspx


The Economist, 2008. Economist Intelligence Unit (Spain country report




The Economist, 2009. Economist Intelligence Unit (India country report


























The Economist, 2012. Economist Ingelligence Unit (Spain country report
















The World Bank, 2015. World DataBank. [Online]

Available at: http://databank.worldbank.org/data/home.aspx


Theodore, C., 2011. The usufuleness of evolutionary early warning indicators

for emerging economies ahead of macroeconomic crises:conventional methods.

Journal of Business, finance & economics in emerging economies, 6(2), pp. 52-

91.



Tomas, I. & Dimitric, M., 2011. Micro and macroeconomic variables in predicting

financiasl distress of companies. Croatia, Faculty of Ecoconomics (University of

Split), pp. 781-802.

Tukey, J. W. & Jones, L. V., 1986. The collected works of John

W.Tukey:Philosophy and principles of data analysis 1949-1964. New York:

Chapman & Hall / CRC.

Türel, A., Türel, A. & Needles, B. E. J., 2012. Financial characteristics of high

performance companies in turkey: a comparative analysis of stable economy in

the financial crisis era. Accounting and Management Information Systems,

11(1), pp. 4-26.

Universidad de Valladolid, 2015. Laboratorio de procesado de imagen. [Online]

Available at:

http://tanis.lpi.tel.uva.es/~nacho/docencia/ing_ond_1/trabajos_04_05/io1/public

_html/oidohumano.htm


Uriel Jiménez, E. & Aldás Manzano, J., 2005. Análisis multivariante

aplicado:Aplicaciones al marketing, investigacion de mercados, economía,

dirección de empresas y turismo. Paraninfo ed. Madrid: Thomson.

Utley, A., 1956. Automata studies. New York: Princeton University Press.

Vashisht, P. & Pathak, S., 2009. La crisis económica mundia y la India: Un

análisis, Madrid: Real Instituto Elcano.

Wang, Y. G., Li, Y.-M., Jan, C.-L. & Chang, K.-W., 2013. Evaluating firm

performance with Balanced Scorecard and Data Envlopement Analysis.

WSEAS Transactions on Business & Economics, January, 10(1), pp. 24-39.

Widrow, B., 1959. Adaptative samplet-data systems-a statistical theory of

adaptation. WESCON, Issue 4, pp. 74-85.



Wieland, A. & Wallenburg, C. M., 2013. The influence of relational

comeptencies on supply chain resilience:a relational view. International Journal

of Physical Distribution & Logistics Management, 43(4), pp. 300-320.

World Economic Forum, 2015. World Economic Forum (The Global

competitiveness report 2014-2015). [Online]

Available at: http://reports.weforum.org/global-competitiveness-report-2014-

2015/


Yang, Y. & Mallick, S., 2014. Explaining cross-country differences in exporting

performance: The role of country-level macroeconomic environment.

International Business Review, 23(1), pp. 246-259.



ÍNDICE DE FIGURAS

Figura 1 Cadena de valor del sector aeroespacial......................................................................................................... 23

Figura 2 Cinco fuerzas de Porter en 2013 de la industria aeroespacial global ............................................................... 27



Figura 5 Cinco fuerzas de Porter en 2013 de la industria aeroespacial en India ............................................................ 29



Figura 8 Cinco fuerzas de Porter en 2013 de la industria aeroespacial en España ....................................................... 32

Figura 9 Cinco fuerzas de Porter en 2011 de la industria aeroespacial en España ....................................................... 32

Figura 10 Cinco fuerzas de Porter en 2010 de la industria aeroespacial en España ..................................................... 33

Figura 11 Poder negociador de los compradores en 2013 de la industria aeroespacial global ...................................... 35



Figura 14 Poder negociador de los compradores en 2013 de la industria aeroespacial en India ................................... 37



Figura 17 Poder negociador de compradores en 2013 de la industria aeroespacial en España .................................... 39



Figura 20 Poder negociador de los proveedores en 2013 de la industria aeroespacial global ....................................... 42



Figura 23 Poder negociador de los proveedores en 2013 de la industria aeroespacial en India .................................... 44



Figura 26 Poder negociador de los proveedores en 2013 de la industria aeroespacial en España ................................ 45

Figura 27 Poder negociador de los proveedores en 2011 de la industria aeroespacial en España ................................ 46

Figura 28 Poder negociador de los vendedores en 2010 de la industria aeroespacial en España ................................. 46

Figura 29 Grado de rivalidad de empresas existentes en 2013 de la industria aeroespacial global ............................... 49



Figura 32 Grado de rivalidad de empresas existentes en 2013 de la industria aeroespacial en India ............................ 51



Figura 35 Grado de rivalidad de empresas existentes en 2013 de la industria aeroespacial en España ........................ 53



Figura 38 Amenaza de entrada de nuevos competidores en 2013 de la industria aeroespacial global .......................... 56



Figura 41 Amenaza de entrada de nuevos competidores en 2013 de la industria aeroespacial en India ....................... 58



Figura 44 Amenaza de entrada de nuevos competidores en 2013 de la industria aeroespacial en España................... 59





Figura 47 Amenaza de productos sustitutivos en 2013 de la industria aeroespacial global ........................................... 61



Figura 50 Amenaza de productos sustitutivos en 2013 de la industria aeroespacial en India ........................................ 63



Figura 53 Amenaza de productos sustitutivos en 2013 de la industria aeroespacial en España .................................... 65



Figura 56 Tipos de hipótesis existentes en una investigación ....................................................................................... 73

Figura 57 Elementos para el diseño de una investigación ............................................................................................. 80

Figura 58 Línea de investigación de la tesis doctoral y segmentación en objetivos ....................................................... 83

Figura 59 Ejemplo de rotación ortogonal de factores .................................................................................................. 101

Figura 60 Representación de una neurona biológica .................................................................................................. 121

Figura 61 Esquema de funcionamiento de una neurona artificial................................................................................. 124

Figura 62 Esquema de funcionamiento de una red de neuronas artificial de tipo MLP ................................................ 125

Figura 63 Esquema de una red neuronal artificial equivalente a una MLP de una capa oculta .................................... 126

Figura 64 Esquema de aprendizaje de una red neuronal supervisado ........................................................................ 128

Figura 65 Esquema de aprendizaje de una red neuronal no supervisado ................................................................... 129

Figura 66 Esquema de funcionamiento de la célula de McCulloch-Pitts ...................................................................... 132

Figura 67 Esquema de funcionamiento de perceptrón ................................................................................................ 133

Figura 68 Esquema de la arquitectura de un perceptrón multicapa ............................................................................. 135

Figura 69 Funciones de activación sigmoidal e hiperbólica ......................................................................................... 139

Figura 70 Función de activación escalón entre [-1,1] .................................................................................................. 140

Figura 71 Función de activación escalón entre [0,1] .................................................................................................... 141

Figura 72 Función de activación identidad .................................................................................................................. 141

Figura 73 Variables de medición del efecto de la empresa del modelo ....................................................................... 162

Figura 74 Variables de medición de la estructura de activos del modelo ..................................................................... 170

Figura 75 Variables de medición de la estructura de capital del modelo ...................................................................... 176

Figura 76 Variables de medición de la estructura de liquidez del modelo .................................................................... 182

Figura 77 Variables de medición del rendimiento de la empresa de Tehrani, et al. (2012) .......................................... 197

Figura 78 Variables de medición del rendimiento de la empresa de Romero-Castro y Piñero-Chousa (2006) ............. 199

Figura 79 Variables que más afectan al ROA según Delen, et al. (2013) .................................................................... 207

Figura 80 Variables que más afectan al ROA según Delen, et al. (2013) .................................................................... 208

Figura 81 Variables de medición del rendimiento de la empresa del modelo............................................................... 218

Figura 82 Variables de medición del efecto de la industria que podrían incorporarse al modelo ................................. 222

Figura 83 Distribución de estudios que identifican varios indicadores macroeconómicos como significativos ............. 230

Figura 84 Variables de medición del efecto del país que podrían incorporarse al modelo ........................................... 232

Figura 85 Interfaz gráfica de la base de datos OASIS ................................................................................................. 244

Figura 86 Búsqueda de empresas en OASIS para India ............................................................................................. 244

Figura 87 Búsqueda de empresas en OASIS para España ......................................................................................... 245

Figura 88 Proceso de obtención de la muestra ........................................................................................................... 246

Figura 89 Interfaz gráfica de la base de datos SABI .................................................................................................... 247

Figura 90 Interfaz gráfica de la base de datos PROWESS .......................................................................................... 248

Figura 91 Distribución de valores perdidos (variables, casos, valores) en España ...................................................... 252

Figura 92 Patrones de los valores perdidos en España ............................................................................................... 253



Figura 93 Histograma de valores perdidos en España ................................................................................................ 253

Figura 94 Distribución de valores perdidos (Variables, casos, valores) en India .......................................................... 259

Figura 95 Patrones de los valores perdidos en India ................................................................................................... 259

Figura 96 Histograma de los valores perdidos en India ............................................................................................... 260

Figura 97 Gráfico de sedimentación de la extracción de componentes de España en 2008 ........................................ 276

Figura 98 Gráfico de sedimentación de la extracción de las componentes de España en 2009 .................................. 282

Figura 99 Gráfico de sedimentación de la extracción de los componentes de España en 2010 .................................. 288

Figura 100 Gráfico de sedimentación de la extracción de los componentes de España en 2011 ................................ 294



Figura 103 Gráfico de sedimentación de la extracción de los componentes de India en 2008 ..................................... 314





Figura 108 Gráfico de sedimentación de la extracción de los componentes ................................................................ 347

Figura 109 Clasificación de las empresas aeroespaciales en función de los eslabones de la cadena de valor ........... 351

Figura 110 Histograma de “Company age” para la industria y las empresas más eficientes ........................................ 371

Figura 111 Histograma de “Company size” para la industria y las empresas más eficientes ....................................... 372

Figura 112 Histograma de “Infrastructure & Resource intensity” para la industria y las empresas más eficientes ........ 373

Figura 113 Histograma de “Asset intensity” para la industria y las empresas más eficientes ....................................... 374

Figura 114 Histograma de “Asset turnover rate” para la industria y las empresas más eficientes ................................ 375

Figura 115 Histograma de “Current assets turnover rate” para la industria y las empresas más eficientes .................. 376

Figura 116 Histograma de “Debt-to-equity ratio” para la industria y las empresas más eficientes ................................ 377

Figura 117 Histograma de “Leverage” para la industria y las empresas más eficientes ............................................... 378

Figura 118 Histograma de “Debt intensity” para la industria y las empresas más eficientes ........................................ 379

Figura 119 Histograma de “Coverage ratio” para la industria y las empresas más eficientes ...................................... 380

Figura 120 Histograma de “Current ratio” para la industria y las empresas más eficientes .......................................... 381

Figura 121 Histograma de “ROE” para la industria y las empresas más eficientes ...................................................... 382

Figura 122 Histograma de “ROCE” para la industria y las empresas más eficientes ................................................... 383

Figura 123 Histograma de “ROS” para la industria y las empresas más eficientes ...................................................... 384

Figura 124 Histograma de “Company efficiency” para la industria y las empresas más eficientes ............................... 385

Figura 125 Resolución de la red neuronal artificial para España ................................................................................. 389

Figura 126 Modelo de la red neuronal artificial para España ....................................................................................... 390

Figura 127 Ajuste de la red neuronal durante la fase aprendizaje en España ............................................................. 392

Figura 128 Convergencia del error de aprendizaje de la red neuronal en España ....................................................... 393

Figura 129 Evolución de la red neuronal durante el aprendizaje en España................................................................ 393

Figura 130 Histograma del error de aprendizaje de la red neuronal en España .......................................................... 394

Figura 131 Ajuste de la predicción de los datos de validación del modelo RNA en España......................................... 395

Figura 132 Resolución de la red neuronal artificial para India ..................................................................................... 396

Figura 133 Modelo de la red neuronal artificial para India ........................................................................................... 396

Figura 134 Evolución de la red neuronal durante el aprendizaje en India .................................................................... 399

Figura 135 Convergencia del error de aprendizaje de la red neuronal en India ........................................................... 400

Figura 136 Evolución de la red neuronal durante el aprendizaje en India .................................................................... 400

Figura 137 Histograma del error de aprendizaje de la red neuronal en India ............................................................... 401

Figura 138 Ajuste de la predicción de los datos de validación del modelo RNA en India ............................................. 402

Figura 139 Clasificación del objetivo de tesis y las siguientes fases de la línea de investigación ................................ 442



Figura 140 Propuesta de las dimensiones de la resiliencia empresarial ...................................................................... 445

Figura 141 Propuesta de la medición de la resiliencia de una variable ........................................................................ 445



ÍNDICE DE TABLAS

Tabla 1 Magnitudes macroeconómicas en España durante 2008-3013 ......................................................................... 19

Tabla 2 Magnitudes macroeconómicas en India durante 2008-2013 ............................................................................. 20

Tabla 3 Evolución del sector aeroespacial en España e India entre 2008-2013 ............................................................ 25

Tabla 4 Previsión del crecimiento del sector aeroespacial en España e India entre 2008-2013 .................................... 25

Tabla 5 Evolución del sector civil y de defensa en España, India y Global entre 2008-2013 ......................................... 26

Tabla 6 Tipos y características de los objetivos de una investigación........................................................................... 82

Tabla 7 Restricciones en la aplicación del análisis DEA .............................................................................................. 117

Tabla 8 Variables de medición del efecto de la empresa de Kayo y Kimura (2011) ..................................................... 153

Tabla 9 Variables de medición del efecto de la empresa de Muradoglu y Sivaprasad (2012) ...................................... 154

Tabla 10 Variables de medición del efecto de la empresa de King y Santor (2008) ..................................................... 154

Tabla 11 Variables de medición del efecto de la empresa de Margaritis y Psillaki (2010) ............................................ 155

Tabla 12 Variables de medición del efecto de la empresa de Campello (2006) ........................................................... 155

Tabla 13 Variables de medición del efecto de la empresa de Caloghirou, et al. (2004) ............................................... 157

Tabla 14 Variables de medición del efecto de la empresa de Munisi y Randoy (2013) ................................................ 157

Tabla 15 Variables de medición del efecto de la empresa de Morgan, et al. (2009) .................................................... 158

Tabla 16 Variables de medición del efecto de la empresa de Madrid-Guijarro, et al. (2011) ........................................ 158

Tabla 17 Variables de medición el efecto de la empresa de Wang, et al. (2013) ......................................................... 159

Tabla 18 Variables de medición del efecto de la empresa de Liargovas y Skandalis (2010)........................................ 159

Tabla 19 Variables de medición del efecto de la empresa de Delen, et al. (2013) ....................................................... 159

Tabla 20 Variable de medición del efecto de la empresa de Mallick y Yang (2011) ..................................................... 160

Tabla 21 Variables de medición del efecto de la empresa de Krishnan y Moyer (1997) .............................................. 160

Tabla 22 Variables de medición de la estructura de activos de Hofmann y Lampe (2013) .......................................... 165

Tabla 23 Variables de medición de la estructura de activos de DeAngelo, et al. (2002) .............................................. 166

Tabla 24 Variables de medición de la estructura de activos de Norden y van Kampen (2013) .................................... 166

Tabla 25 Variables de medición de la estructura de activos de Glantz y Mun (2011) .................................................. 167

Tabla 26 Variables de medición de la estructura de activos de Etter, et al. (2006) ...................................................... 168

Tabla 27 Variables de medición de la estructura de activos de Longinidis y Georgiadis (2011) ................................... 168

Tabla 28 Variables de medición de la estructura de activos de Kopaneli (2014) ......................................................... 169

Tabla 29 Variables de medición de la estructura de activos de Kopaneli (2014) ......................................................... 170

Tabla 30 Variables de medición de la estructura de capital de Hofmann y Lampe (2013) ........................................... 171

Tabla 31 Variables de medición de la estructura de capital de Kayo y Kimura (2011) ................................................. 172

Tabla 32 Variables de medición de la estructura de capital de Pao (2008) .................................................................. 172

Tabla 33 Variables de medición de la estructura de capital de Fernandes y Pires-Capobianco (2001)........................ 172

Tabla 34 Variables de medición de la estructura de capital de Guzhva y Pagiavlas (2003) ......................................... 173

Tabla 35 Variables de medición de la estructura de capital de King y Santor (2008) ................................................... 173

Tabla 36 Variables de medición de la estructura de capital de Gleason, et al. (2000) ................................................. 174

Tabla 37 Variables de medición de la estructura de capital de Bhagat y Boltron (2008) .............................................. 174

Tabla 38 Variables de medición de la estructura de capital de Campello (2006) ......................................................... 174

Tabla 39 Variables de medición de la estructura de capital de Mallick y Yang (2011) ................................................. 175

Tabla 40 Variables de medición de la estructura de liquidez de Hofmann y Lampe (2013) ......................................... 177

Tabla 41 Variables de medición de la estructura de liquidez de Glantz y Mun (2011) ................................................. 177

Tabla 42 Variables de medición de la estructura de liquidez de Hong, et al. (2014) .................................................... 178

Tabla 43 Variables de medición de la estructura de liquidez de Etter, et al. (2006) ..................................................... 178

Tabla 44 Variables de medición de la estructura de liquidez de Lee y Chih (2013) ..................................................... 179

Tabla 45 Variables de medición de la estructura de liquidez de Longinidis y Georgiadis (2011) .................................. 179



Tabla 46 Variables de medición de la estructura de liquidez de Forbes (2004) ........................................................... 180

Tabla 47 Variables de medición de la estructura de liquidez de Kopaneli (2014) ........................................................ 180

Tabla 48 Variables de medición de la estructura de liquidez de Dadenas y Garsva (2015) ......................................... 181

Tabla 49 Variables de medición de la estructura de liquidez de Damodaran’s (2013) ................................................. 181

Tabla 50 Variables de medición del rendimiento de la emprea de Düzakin y Düzakin (2007) ...................................... 183

Tabla 51 Variables de medición del rendimiento de la empresa de Kolasa, et al. (2010) ............................................. 184

Tabla 52 Variables de medición del rendimiento de la empresa de Shue, et al. (2009) ............................................... 188

Tabla 53 Variables de medición del rendimiento de la empresa de Cohn, et al. (2014) ............................................... 189

Tabla 54 Variables de medición del rendimiento de la empresa de Little, et al. (2011) ................................................ 190

Tabla 55 Variables de medición del rendimiento de la empresa de Morgan et al. (2009) ............................................ 191

Tabla 56 Variables de medición del rendimiento de la empresa de Dvoracek, et al. (2008)......................................... 192

Tabla 57 Variables de medición del rendimiento de la empresa de Andreev (2005) .................................................... 192

Tabla 58 Variables de medición del rendimiento de la empresa de Ciampi y Gordini (2008) ....................................... 193

Tabla 59 Variables de medición del rendimiento de la empresa de Appiah y Abor (2009) ........................................... 193

Tabla 60 Variables de medición del rendimiento de la empresa de Tang y Ogunlana (2003) ...................................... 194

Tabla 61 Variables de medición del rendimiento de la empresa de Bhunia, et al. (2011) ............................................ 195

Tabla 62 Variables de medición del rendimiento de la empresa de Tehrani, et al. (2012) ........................................... 196

Tabla 63 Variables de medición del rendimiento de la empresa de Priyanto (2006) .................................................... 197

Tabla 64 Variables del rendimiento de la empresa de Madrid-Guijarro, et al. 2011 ..................................................... 198

Tabla 65 Variables de medición del rendimiento de la empresa de Chen (2011)......................................................... 200

Tabla 66 Variables de medición del rendimiento de la empresa de Teeratansirikool, et al. (2013) .............................. 201

Tabla 67 Variables de medición del rendimiento de la empresa de Wang (2013) ........................................................ 202

Tabla 68 Variables de medición del rendimiento de la empresa de Liargovas y Skandalis (2010) ............................... 203

Tabla 69 Variables de medición del rendimiento de la empresa de Burja (2011) ......................................................... 203

Tabla 70 Variables de medición del rendimiento de la empresa de Türel, et al. (2012) ............................................... 204

Tabla 71 Variables de medición del rendimiento de la empresa de Sheikhi, et al. (2012) ............................................ 205

Tabla 72 Variables de medición del rendimiento de la empresa de Delen,et al. (2013) ............................................... 206

Tabla 73 Variables de medición del rendimiento de la emprea de Arinovic-Barac (2011) ............................................ 209

Tabla 74 Variables de medición del rendimiento de la empresa de Mallick y Yang (2011) .......................................... 210

Tabla 75 Variables de medición del rendimiento de la empresa de Hofmann y Lampe (2013) .................................... 211

Tabla 76 Variables de medición del rendimiento de la empresa de Berger y Bonaccorsi (2006) ................................. 211

Tabla 77 Variables de medición del rendimiento de la empresa de Krishnan y Moyer (1997) ...................................... 212

Tabla 78 Variables de medición del rendimiento de la empresa de Muradoglu y Sivaprasad (2012) ........................... 212

Tabla 79 Variables de medición del rendimiento de la empresa de Fernandes y Pires-Capobianco (2001)................. 213

Tabla 80 Variables de medición del rendimiento de la empresa de Guzhva y Pagiavlas (2003) .................................. 213

Tabla 81 Variables de medición del rendimiento de la empresa de King y Santor (2008) ............................................ 214

Tabla 82 Variables de medición del rendimiento de la empresa de Gleason, et al. (2000) .......................................... 214

Tabla 83 Variables de medición del rendimiento de la empresa de Bhagat y Boltron (2008) ....................................... 215

Tabla 84 Variables de medición del rendimiento de la empresa de Campello (2006) .................................................. 215

Tabla 85 Variables de medición del rendimiento de la empresa de Molina-Azorín, et al. (2010) .................................. 216

Tabla 86 Variables de medición del rendimiento de la empresa de Caloghirou, et al. (2004) ...................................... 216

Tabla 87 Variables de medición del rendimiento de la empresa de Hawawini, et al. (2004) ........................................ 217

Tabla 88 Variables de medición del rendimiento de la empresa de Munisi y Randoy (2013) ....................................... 217

Tabla 89 Variables de medición del efecto de la industria de Kayo y Kimura (2011) ................................................... 220

Tabla 90 Variables de medición del efecto de la industria de Muradoglu y Sivaprasad (2012) .................................... 221

Tabla 91 Variables de medición del efecto de la industria de Caloghirou, et al. (2004)................................................ 221

Tabla 92 Variables de medición del efecto de la industria de Gülnur y Sivaprasad (2012) .......................................... 222



Tabla 93 Variables de medición del efecto del país de Mangir y Erdogan (2011) ........................................................ 224

Tabla 94 Variables de medición del efecto del país de Matysek-Jedrych (2012) ......................................................... 225

Tabla 95 Variables de medición del efecto del país de Theodore (2011) ..................................................................... 226

Tabla 96 Variables de medición del efecto del país de Kayo y Kimura (2011) ............................................................. 231

Tabla 97 Variables de medición del efecto del país de Guzhva y Pagiavlas (2003) ..................................................... 232

Tabla 98 Variables del modelo completo ..................................................................................................................... 234

Tabla 99 Distribución de la muestra entre 2008-2013 ................................................................................................. 248

Tabla 100 Distribución de valores perdidos en España ............................................................................................... 251

Tabla 101 Medias marginales estimadas con valores perdidos en España ................................................................. 252

Tabla 102 Imputación múltiple de las variables con valores perdidos en España ........................................................ 256

Tabla 103 Distribución de valores perdidos en India ................................................................................................... 257

Tabla 104 Medias marginales estimadas con valores perdidos en India ..................................................................... 258

Tabla 105 Imputación múltiple de las variables con valores perdidos en India ............................................................ 265

Tabla 106 Límite inferior y superior de las variables en la detección de casos atípicos en España ............................. 267

Tabla 107 Límite inferior y superior de las variables en la detección de casos atípicos en India ................................. 268

Tabla 108 Distribución de muestra sin casos atípicos entre 2008-2013 ...................................................................... 269

Tabla 109 Estadísticos descriptivos de las variables de España en 2008 ................................................................... 272

Tabla 110 Prueba de KMO y Bartlett de España en 2008 ........................................................................................... 273

Tabla 111 Comunalidades de las variables de España en 2008 ................................................................................. 274

Tabla 112 Autovalores y varianza total explicada de los componentes de España en 2008 ........................................ 275

Tabla 113 Matriz de componentes originales de España en 2008 ............................................................................... 277

Tabla 114 Matriz de componentes rotados de España en 2008 .................................................................................. 278


Tabla 116 Prueba de KMO y de Bartlett de España en 2009 ...................................................................................... 280


Tabla 118 Autovalores y varianza total explicada de las componentes de España en 2009 ........................................ 281



























Tabla 143 Matriz de componentes originales de España de 2013 ............................................................................... 307


Tabla 145 Análisis longitudinal de los componentes en España entre 2008-2013 ....................................................... 309

Tabla 146 Estadísticos descriptivos de las variables de India en 2008 ........................................................................ 310

Tabla 147 Prueba de KMO y Bartlett de India en 2008................................................................................................ 311

Tabla 148 Comunalidades de las variables de India en 2008 ...................................................................................... 312

Tabla 149 Autovalores y varianza total explicada de los componentes de India en 2008 ............................................ 313

Tabla 150 Matriz de componentes originales de India en 2008 ................................................................................... 315

Tabla 151 Matriz de componentes rotados de India de 2008 ...................................................................................... 316

Tabla 152 Estadísticos descriptivos de las varianzas de India en 2009 ....................................................................... 317





Tabla 157 Matriz de componentes rotados de India en 2009 ...................................................................................... 322








Tabla 165 Prueba de KMO y Bartlett de India de 2011................................................................................................ 331



Tabla 168 Matriz de componentes originales de India de 2011 ................................................................................... 335









Tabla 177 Prueba de KMO y Bartlett de India de 2013................................................................................................ 344


Tabla 179 Autovalores y varianza total explicada de los componente de India en 2013 .............................................. 346



Tabla 182 Análisis longitudinal de los componentes en India entre 2008-2013 ........................................................... 350

Tabla 183 Distribución de empresas aeroespaciales por eslabones, años y país entre 2008-2013 ............................. 352

Tabla 184 Análisis longitudinal de “Company age” segmentado por eslabones de la cadena de valor ........................ 354

Tabla 185 Análisis longitudinal de “Company size” segmentado por eslabones de la cadena de valor........................ 355



Tabla 186 Análisis longitudinal de “Infrastructure and resource intensity” segmentado por eslabones de la cadena de

valor ............................................................................................................................................................................ 356

Tabla 187 Análisis longitudinal de “Asset intensity” segmentado por eslabones de la cadena de valor ....................... 357

Tabla 188 Análisis longitudinal de “Asset turnover rate” segmentado por eslabones de la cadena de valor ................ 358

Tabla 189 Análisis longitudinal de “Current Assets turnover rate” segmentado por eslabones de la cadena de valor .. 359

Tabla 190 Análisis longitudinal de “Debt-to-equity ratio” segmentado por eslabones de la cadena de valor ................ 360

Tabla 191 Análisis longitudinal de “Leverage” segmentado por eslabones de la cadena de valor ............................... 361

Tabla 192 Análisis longitudinal de “Debt intensity” segmentado por eslabones de la cadena de valor......................... 362

Tabla 193 Análisis longitudinal de “Coverage ratio” segmentado por eslabones de la cadena de valor ....................... 363

Tabla 194 Análisis longitudinal de “Current ratio” segmentado por eslabones de la cadena de valor .......................... 364

Tabla 195 Análisis longitudinal de “ROE” segmentado por eslabones de la cadena de valor ...................................... 365

Tabla 196 Análisis longitudinal de “ROCE” segmentado por eslabones de la cadena de valor .................................... 366

Tabla 197 Análisis longitudinal de “ROS” segmentado por eslabones de la cadena de valor ...................................... 367

Tabla 198 Análisis longitudinal de “Company efficiency” segmentado por eslabones de la cadena de valor ............... 368

Tabla 199 Análisis longitudinal de los factores del modelo .......................................................................................... 369

Tabla 200 Análisis comparativo longitudinal de “Company age” entre la industria y las empresas más eficientes ....... 371

Tabla 201 Análisis comparativo longitudinal de “Company size” entre la industria y las empresas más eficientes ...... 372

Tabla 202 Análisis comparativo longitudinal de “Infrastructure & Resource intensity” entre la industria y las empresas

más eficientes ............................................................................................................................................................. 373

Tabla 203 Análisis comparativo longitudinal de “Asset intensity” entre la industria y las empresas más eficientes ...... 374

Tabla 204 Análisis comparativo longitudinal de “Asset turnover rate” entre la industria y las empresas más eficientes 375

Tabla 205 Análisis comparativo longitudinal de “Current assets turnover rate” entre la industria y las empresas más

eficientes .................................................................................................................................................................... 376

Tabla 206 Análisis comparativo longitudinal de “Debt-to-equity ratio” entre la industria y las empresas más eficientes377

Tabla 207 Análisis comparativo longitudinal de “Leverage” entre la industria y las empresas más eficientes .............. 378

Tabla 208 Análisis comparativo longitudinal de “Debt intensity” entre la industria y las empresas más eficientes ....... 379

Tabla 209 Análisis comparativo longitudinal de “Coverage ratio” entre la industria y las empresas más eficientes ...... 380

Tabla 210 Análisis comparativo longitudinal de “Current ratio” entre la industria y las empresas más eficientes ......... 381

Tabla 211 Análisis comparativo longitudinal de “ROE” entre la industria y las empresas más eficientes ..................... 382

Tabla 212 Análisis comparativo longitudinal de “ROCE” entre la industria y las empresas más eficientes................... 383

Tabla 213 Análisis comparativo longitudinal de “ROS” entre la industria y las empresas más eficientes ..................... 384

Tabla 214 Análisis comparativo longitudinal de “Company efficiency” entre la industria y las empresas más eficientes

................................................................................................................................................................................... 385

Tabla 215 Análisis longitudinal en España para falsar la H1 ........................................................................................ 405

Tabla 216 Análisis longitudinal en India para falsar la H1 ............................................................................................ 406

Tabla 217 Análisis longitudinal en España para falsar la H2 ........................................................................................ 406



Tabla 220 Análisis longitudinal de “Company size” entre las empresas más eficientes y la industria en India y España

................................................................................................................................................................................... 436

Tabla 221 Análisis longitudinal de “Asset intensity” entre las empresas más eficientes y la industria en India y España

................................................................................................................................................................................... 437

Tabla 222 Análisis longitudinal de “Debt-to-equity-ratio” entre las empresas más eficientes y la industria en India y

España ....................................................................................................................................................................... 437

Tabla 223 Análisis longitudinal de “ROE-ROCE-ROS” entre las empresas más eficientes y la industria en India y

España ....................................................................................................................................................................... 438



Tabla 224 Análisis longitudinal de “Company efficiency” entre las empresas más eficientes y la industria en India y

España ....................................................................................................................................................................... 438

Tabla 225 Número de empresas del sector aeroespacial en países BRICS y PIGS .................................................... 443



ANEXOS



ANEXO I CÓDIGO MATLAB PARA DEA

%% Model selection;

model='CCR'; % Choice of model nodel= 'add' for additive, 'BCC' or 'CCR' ;

orientation='oo'; % orientation = 'io' or 'oo' (for input or output oriented) ;

epsilon=.001; % epsilon (non archimedian number for the BCC & CCR models) ; ;

%% Enters the inputs and outputs of all DMUs ;

% Alternatively, use the "putmatrix" function in Excel to generate X and Y;

% Input matrix (one row per DMU);

X = [];

% Output matrix (one row per DMU);

Y = [];

% extracts the number of DMUs represented by n, inputs as m and outputs as s;

[n,m] = size(X);

[n,s] = size(Y);

%% Computes the results from the selected model;

% The results from the selected model are in matrix Z;

switch model

% Additive model;

case ('add')

Z = zeros(n,n+m+s);

f = [zeros(1,n) -ones(1,s+m)] % Objective function of the additive model: min(-1*s-1*s-);

lblambda = zeros(n,1); % Lower bounds for (n) lambdas;

lboutput = zeros(s,1); % Lower bounds for (s) outputs;

lbinput = zeros(m,1); % Lower bounds for (m) inputs ;

lb = [lblambda; lboutput; lbinput]; % Lower bounds for lambdas, outputs (s+) and inputs (s-);

for j=1:n

Aeq = [Y', -eye(s,s), zeros(s,m);

-X', zeros(m,s), -eye(m,m);

ones(1,n), zeros(1,s+m)];



beq = [Y(j,:)';-X(j,:)';1];

z = linprog(f,[],[],Aeq,beq,lb);

Z(j,:) = z;

end

Z

% BCC model;

case ('BCC')

switch orientation;

% Input oriented;

case ('io')

Z = zeros(n,n+m+s+1);

% Objective function of the BCC model: min(0*lambda - epsilon*(s+ + s-) + theta);

f = [zeros(1,n) -epsilon*ones(1,s+m) 1];





for j=1:n

Aeq = [Y', -eye(s,s), zeros(s,m+1);

-X', zeros(m,s), -eye(m,m) X(j,:)';

ones(1,n), zeros(1,s), zeros(1,m+1)];

beq = [Y(j,:)';zeros(m,1);1];


Z(j,:) = z;

end

Z

% Output oriented;

case ('oo')




% Objective function of the BCC_oo model: max(0*lambda + epsilon*(s+ + s-) + theta);

f = -[zeros(1,n), epsilon*ones(1,s+m), 1];





for j=1:n

Aeq = [-Y', eye(s,s), zeros(s,m), Y(j,:)';

X', zeros(m,s), eye(m,m), zeros(m,1);

ones(1,n), zeros(1,s+m+1)];

beq = [zeros(s,1);X(j,:)';1];


Z(j,:) = z;

end

Z

end

% CCR model;

case ('CCR')

switch orientation;

% Input oriented;

case ('io')


% Objective function of the CCR model: min(0*lambda - epsilon*(s+ + s-) + theta);

f = [zeros(1,n) -epsilon*ones(1,s) -epsilon*ones(1,m) 1];





for j=1:n



Aeq = [Y', -eye(s,s), zeros(s,m+1);

-X', zeros(m,s), -eye(m,m), X(j,:)'];

beq = [Y(j,:)';zeros(m,1)];


Z(j,:) = z;

end

Z

% Output oriented;

case ('oo')


% Objective function of the CCR_oo model: max(0*lambda + epsilon*(s+ + s-) + theta);

f = -[zeros(1,n), epsilon*ones(1,s+m), 1];





for j=1:n

Aeq = [-Y', eye(s,s), zeros(s,m), Y(j,:)'; ...

X', zeros(m,s), eye(m,m), zeros(m,1)];

beq = [zeros(s,1);X(j,:)'];


Z(j,:) = z;

end

Z

end

end

%% Generates the output file "DEAresults.table";

% nameDMU;

temp1 = 'DMU_';



temp2 = ones(n,1)*temp1;

temp3 = char(temp2);

temp4 = num2str((1:n)');

nameDMU = [temp3, temp4];

clear temp1 temp2 temp3 temp4

% labelX;

temp1 = ' Input_';

temp2 = ones(m,1)*temp1;


temp4 = num2str((1:m)');

temp5 = [temp3, temp4];

labelX = [];

for ind = 1:m

labelX = [labelX, temp5(ind,:)];

end

labelX;

clear temp1 temp2 temp3 temp4 temp5

% labelY;

temp1 = ' output_';

temp2 = ones(s,1)*temp1;


temp4 = num2str((1:s)');


labelY = [];

for ind = 1:s

labelY = [labelY,temp5(ind,:)];

end

labelY;




% labellambda;

temp1 = ' lambda_';

temp2 = ones(n,1)*temp1;


temp4 = num2str((1:n)');


labellambda = [];

for ind = 1:n

labellambda = [labellambda,temp5(ind,:)];

end

labellambda;


% labelx_slack;

temp1 = ' x_slack_';

temp2 = ones(m,1)*temp1;


temp4 = num2str((1:m)');


labelx_slack = [];

for ind = 1:m

labelx_slack = [labelx_slack,temp5(ind,:)];

end

labelx_slack;


% labely_slack;

temp1 = ' y_slack_';

temp2 = ones(s,1)*temp1;


temp4 = num2str((1:s)');




labely_slack = [];

for ind = 1:s

labely_slack = [labely_slack,temp5(ind,:)];

end

labely_slack;


% formatX;

temp1 = '%12.2f';

formatX = [];

for ind = 1:m

formatX = [formatX,temp1];

end

clear temp1;

% formatY;

temp1 = '%12.2f';

formatY = [];

for ind = 1:s

formatY = [formatY,temp1];

end

clear temp1;

% formatlambda;

temp1 = '%12.2f';

formatlambda = [];

for ind = 1:n

formatlambda = [formatlambda,temp1];

end

clear temp1;

% Generates the file 'DEAresults.table' with the results;



fid = fopen('DEAresults.table','wt');

fprintf(fid,'DEA results for the ');

switch model

case 'add';

fprintf(fid,'Additive model\n\n');

fmtW = [formatX, formatY, formatlambda, formatX, formatY, '\n'];

W = [X, Y, Z ];

fprintf(fid,['DMU name ', labelX, labelY, labellambda, labelx_slack, labely_slack '\n']);

case 'BCC'

switch orientation

case 'io'

fprintf(fid,'input oriented BCC model\n\n');

case 'oo'

fprintf(fid,'output oriented BCC model\n\n');

end

fmtW = [formatX, formatY, formatlambda, formatX, formatY, '%8.2f \n'];

W = [X, Y, Z ];

fprintf(fid,['DMU name ', labelX, labelY, labellambda, labelx_slack, labely_slack ' Theta\n']);

case 'CCR'

switch orientation

case 'io'

fprintf(fid,'input oriented CCR model\n\n');

case 'oo'

fprintf(fid,'output oriented CCR model\n\n');

end

fprintf(fid,'CCR model\n\n');

fmtW = [formatX, formatY, formatlambda, formatX, formatY, '%8.2f \n'];

W = [X, Y, Z ];

fprintf(fid,['DMU name ', labelX, labelY, labellambda, labelx_slack, labely_slack ' Theta\n']);



end

% fprintf(fid,fmtW,W');

for ind = 1:n;

fprintf(fid,nameDMU(ind,:));

fprintf(fid,fmtW,W(ind,:)');

end

fclose(fid);



ANEXO II CÓDIGO MATLAB PARA ANN

datosall = [];

datosall = datosall';

size(datosall);

datosp=datosall(1:13,:);

size(datosp);

datost=datosall(14,:);

size(datost);

[datosalln,datosalls] = mapminmax(datosall);

datospn = datosalln (1:13,:);

datostn = datosalln (14,:);

net = feedforwardnet(13,'trainlm');

net.trainParam.goal=1e-5;

trainpn = datospn(:,1:700);

traintn = datostn(:,1:700);

[net,tr]=train(net,trainpn,traintn);

trainoutn=net(trainpn);

weights1=net.IW{1};

bias1=net.b{1};

weights2=net.LW{2};

bias2=net.b{2};

testpn = datospn(:,701:938);

simulacion=sim(net,testpn);

datosoutaftertrain=horzcat(traintn,simulacion);

datosallaftertrain=vertcat(datospn, datosoutaftertrain);

datosalldesnor=mapminmax('reverse',datosallaftertrain,datosalls);

testt=datost(:,701:938);

testtout=datosalldesnor(14,701:938);

[slopeall,interall,correall]=postreg(testt,testtout);

Análisis de la industria aeroespacial ... - educacion.gob.es

Documents

Transcript of Análisis de la industria aeroespacial ... - educacion.gob.es