0

PROPUESTA DE UN MODELO DE PREDICCIÓN DEL FRACASO

EMPRESARIAL CONSIDERANDO LAS VARIABLES TAMAÑO Y ANTIGÜEDAD.

José Manuel T. Pereira

Profesor Adjunto

Departamento de Contabilidade e Fiscalidade

Escola Superior de Gestão

Instituto Politécnico do Cávado e do Ave

Mário Basto

Departamento das Ciências

Escola Superior de Tecnologia

Instituto Politécnico do Cávado e do Ave

Amélia Ferreira da Silva

Instituto Superior de Contabilidade e Administração do Porto

Instituto Politécnico do Porto

Eduardo Barbas Albuquerque

Escola Superior de Estudos Industriais e de Gestão

Instituto Politécnico do Porto

Área temática: B) Valoración y Finanzas.

Palabras clave: Fracaso Empresarial, tamaño, edad, análisis discriminante, logit.

114b

1

PROPUESTA DE UN MODELO DE PREDICCIÓN DEL FRACASO

EMPRESARIAL CONSIDERANDO LAS VARIABLES TAMAÑO Y ANTIGÜEDAD.

RESUMEN

En los últimos años han sido elaborados distintos trabajos con el intuito de estudiar el efecto que pueden tener los factores dimensión y edad en el fracaso empresarial. El objetivo de este trabajo es elaborar un modelo de predicción del fracaso empresarial que incorpore el factor tamaño y el factor antigüedad. El estudio empírico se realiza sobre una muestra formada por 445 empresas sanas y 143 fracasadas del sector textil, moda y confección, utilizando datos contables de 3 ejercicios económicos consecutivos, comprendidos entre el período 2002-2007. Comparando los resultados obtenidos del modelo propuesto con los resultados de dos modelos estadísticos (análisis discriminante y logit), se observa que el desempeño obtenido con las empresas sanas es siempre inferior, pero con el grupo de las empresas fracasadas los resultados son siempre superiores, con excepción de la muestra de estimación.

2

1. INTRODUCCIÓN

La literatura acerca del fracaso empresarial presenta una amplia gama de modelos de predicción de crisis empresarial, basados esencialmente en datos extraídos de los estados contables. El fracaso empresarial es un fenómeno que interesa y preocupa a muchos de los agentes económicos, bien a nivel individual o colectivo.

El estudio de este tema permite, por un lado, comprender mejor las causas y las señales del proceso de degradación de una empresa y, por otro, posibilitan la aplicación de un conjunto de medidas correctivas. Un diagnóstico precoz de la situación económica y financiera puede evitar que el proceso de deterioro se desarrolle más veloz aún, haciéndose prácticamente imposible, en el caso de persistir, el camino de la recuperación.

Esta inquietud socioeconómica tiene motivado diversos investigadores a estudiar y desarrollar modelos de predicción del fracaso empresarial, recurriendo principalmente a técnicas estadísticas o de inteligencia artificial.

En los últimos años han sido también elaborados distintos trabajos con el intuito de estudiar el efecto que pueden tener los factores dimensión y edad en el fracaso empresarial.

El objetivo de este trabajo es elaborar un modelo de predicción del fracaso empresarial que incorpore el factor tamaño y el factor antigüedad junto con un indicador económico-financiero que refleje la situación presente. El estudio empírico se realiza sobre una muestra formada por 445 empresas sanas y 143 fracasadas del sector textil, moda y confección, utilizando datos contables de 3 ejercicios económicos consecutivos, comprendidos entre el período 2002-2007. Los resultados serán comparados con los obtenidos a través de dos modelos estadísticos; análisis discriminante y logit.

2. BREVE REFERENCIA AL MARCO TEÓRICO

En la literatura económica existen diversos trabajos que, a través de diferentes perspectivas consideran los factores tamaño, edad y sector como variables fundamentales para explicar la probabilidad de fracaso y crecimiento de las empresas.

3

Algunos estudios han concluido que el tamaño de las empresas está negativamente relacionado con la probabilidad de que una empresa fracase1 (Thompson, 1976; Altman et al., 1977; Ohlson, 1980; Evans, 1987; Hall, 1987; Chen y Lee, 1993; Audretsch y Mahmood, 1995; Cummins et al., 1995 o Turetsky y McEwen, 2001).

Chen y Wong (2004) encuentran que uno de los principales factores que afectan significativamente a la salud financiera de las empresas es el tamaño de la empresa. Honjo (2000) utilizando un modelo de riesgo proporcional muestra que las empresas de software con un tamaño suficiente tienen menos probabilidad de fracasar. Turetsky y McEwen (2001) afirman que de las grandes empresas se espera que hagan una mejor gestión de la adversidad. Para Berger y Udell (1995) cuanto más antigua es la empresa menor serán los gastos financieros relativos a la financiación ajena. En este sentido, Holmes et al. (1994) mencionan que las empresas de menor dimensión tienen frecuentemente más dificultades de acceso a la financiación y un mayor coste financiero.

Serrano et al. (2005) señalan que las empresas pequeñas tienen mayor probabilidad de fracaso que las grandes empresas. Los autores han adelantado que los ratios reflejan el tamaño de la empresa, pero la forma como eso es reflejado cambia entre los diferentes países. Buehler et al. (2006) han concluido en su estudio que los porcentajes de empresas que fracasan disminuyen con la edad.

En la literatura sobre riesgo empresarial hay también autores que utilizan el tamaño como una de las variables explicativas en sus modelos de predicción del fracaso empresarial (Ohlson, 1980; Peel et al.,1986; Peel y Peel, 1988 o López et al., 1998).

Los resultados obtenidos por Audretsch y Mahmood (1995) sugieren que la exposición al riesgo de las nuevas empresas tiende a ser mayor en entornos altamente innovadores. Estos autores argumentan que las nuevas empresas pueden reducir el riesgo de fracaso incrementando su tamaño, señalando que la estructura de propiedad y el tamaño de las jóvenes empresas tienen influencia en la probabilidad de supervivencia de las mismas. Audretsch (2001) considera que las jóvenes empresas no tienen economías de escala y señala también que las empresas que logran tener éxito crecerán, las otras permanecerán pequeñas y en última instancia pueden tener que salir del mercado.

Sobre el tema podemos también destacar las aportaciones de Fariñas y Moreno (2000) y Calvo y García (2006). Utilizando una muestra de empresas españolas Fariñas y Moreno (2000) han concluido que el fracaso de las empresas declina con la edad y el tamaño. Calvo y García (2006) han efectuado un estudio empírico para examinar la estructura del riesgo financiero de la industria española en el período 1997-2001, analizando el impacto de la dimensión y la antigüedad de la empresa. Las conclusiones del mismo argumentan la existencia de una relación inversa entre el tamaño y la antigüedad de la empresa y su riesgo financiero. Respecto al impacto que provoca la dimensión y la antigüedad de la empresa sobre las variables de riesgo analizadas estos autores han concluido que el factor tamaño es más relevante que la antigüedad en la capacidad de devolución de deuda y la rentabilidad económica de la empresa, teniendo la antigüedad una mayor incidencia en la capitalización y equilibrio financiero de las empresas.

1 También es posible encontrar ejemplos donde el tamaño no es un factor tan relevante. Según Shih et al. (2007), en China, al contrario do que sucede en variados países el tamaño de las instituciones financieras tiene poca relación con su desempeño

4

3. PARTE EMPÍRICA

3.1. Selección de la muestra y variables

La información para elaborar la muestra de empresas se obtuvo de la base de datos SABI, de la Dun & Bradstreet, del Instituto Informador Comercial y de Administradores de insolvencia.

Para formar parte de la muestra las empresas tenían que presentar datos de carácter contable-financieros para 3 ejercicios económicos consecutivos, comprendidos entre el período de 2002 y 2007. Se selecciono un grupo formado por compañías del sector textil, moda y confección con 445 empresas sanas y 143 fracasadas. A su vez la muestra fue subdividida en otras dos submuestras, una de estimación, compuesta por 80 empresas fracasadas seleccionadas de forma aleatoria y por 160 empresas sanas con datos correspondientes a los mismos ejercicios económicos y aproximadamente del mismo tamaño y otra submuestra de contraste o validación, con 285 empresas sanas y 63 empresas fracasadas.

En nuestro estudio hemos identificado una empresa como fracasada siempre que se haya presentado la insolvencia o la misma haya sido declarada por los tribunales.

La falta de una base teórica que explique el fracaso empresarial y sirva de orientación en el proceso de elección de las variables explicativas ha permitido que se hayan utilizado múltiples criterios en la selección de las mismas. La ¡Error! No se encuentra el origen de la referencia.4 recoge la lista de 60 ratios seleccionados que se han elaborado con la información del Balance de Situación y de la Cuenta de Resultados de las empresas que componen la muestra.

3.2. El modelo propuesto Nuestro objetivo es elaborar un modelo de predicción del fracaso empresarial que concilie los dos factores referidos, tamaño y edad, con un indicador económico-financiero que refleje la situación presente.

Empezaremos por hacer una análisis univariante de los indicadores2, que nos ha permitido comprobar que aquél ratio que tenía mejor comportamiento para discriminar los dos grupos de empresas era el ratio cash-flow/pasivo a corto plazo.

El factor tamaño aparece en la literatura medido de diferentes formas. En Back (2005) y Turetsky y McEwen (2001) el factor tamaño es medido utilizando el logaritmo natural del Activo total. Calvo y García (2006) han considerado el criterio establecido por la Comisión Europea (1996) y Honjo (2000) ha utilizado el número de trabajadores. En el presente estudio para el factor tamaño utilizamos el valor del activo.

2 Los 60 indicadores utilizados se pueden ver en la Tabla 14.

5

El cálculo de la edad tampoco coincide en todos los estudios. Shumway (2001) considera el número de años que la empresa cotiza en bolsa. A su vez, Berger y Udell (1995) considera el número de años que los actuales propietarios siguen como tal en la misma empresa. Back (2005) calcula la edad desde la fecha de constitución. En nuestro estudio la edad se mide a través del número de años transcurridos desde la constitución hasta el ejercicio objeto de análisis.

Posteriormente y en presencia de las tres variables (edad, tamaño y el ratio cash-flow/pasivo a corto plazo), hemos intentado hacer una división de la muestra de prueba en ocho clases para cada una de las referidas variables procurando que al menos las clases intermedias tuviesen, aproximadamente el mismo número de elementos, asegurando que no se verificaban frecuencias acumuladas repetidas (con el redondeo).

Para la primera clase de cada variable, era siempre atribuida la ponderación de 0,1, independientemente de la respectiva frecuencia.

Para la última clase de cada variable era siempre atribuida la ponderación de 1.

Para las restantes clases se atribuía la ponderación correspondiente al valor de la respectiva frecuencia acumulada.

Como ya comentamos previamente, para el factor tamaño se ha intentado hacer una división de clases lo más equilibrada posible (0). Como en la edad, el valor mínimo era de 3 años con los datos de la muestra, la primera clase estaba limitada hasta 3 años (0). Con el ratio cash-flow/pasivo a corto plazo, como más de 50% de las empresas fracasadas tenían un valor inferior a cero, la primera clase comportaba todos los valores negativos. Para las restantes se intentó hacer una división lo más equilibrada posible (0).

El modelo propuesto corresponde a la siguiente fórmula:

para identificar una empresa como sana, con [0,1 ; 1]

donde:

Cash-flow/pasivo de corto plazo

Edad

Tamaño

Después de variados testes la combinación que mejores resultados presentaba era la siguiente:

para clasificar una empresa como sana, en contrario fracasada.

6

Tabla 1. División por clases en función del Tamaño

Clase** N.º Empresas

Frecuencia (%)

Frecuencia Acumulada (%)

Ponderación

[hasta 420] 28 0,117 0,117 0,1 ]420-890] 31 0,129 0,246 0,2 ]890-1260] 34 0,142 0,388 0,4 ]1260-1700] 35 0,146 0,533 0,5 ]1700-2250] 33 0,138 0,671 0,7 ]2250-4700] 32 0,133 0,804 0,8 ]4700-9800] 24 0,100 0,904 0,9 ]9800-*[ 23 0,096 1,000 1,0 240 1,000 **En miles de euros

Tabla 2. División por clases en función de la Edad

Clase N.º Empresas

Frecuencia (%)

Frecuencia Acumulada (%)

Ponderación

[1-3] 11 0,046 0,046 0,1 ]3-5] 30 0,125 0,171 0,2 ]5-8] 34 0,142 0,313 0,3 ]8-10] 32 0,133 0,446 0,4 ]10-15] 49 0,204 0,650 0,7 ]15-20] 35 0,146 0,796 0,8 ]20-30] 32 0,133 0,929 0,9 ]30-*[ 17 0,071 1,000 1,0 240 1,000

Tabla 3. División por clases en función del ratio Cash-flow/Pasivo a corto plazo

Clase N.º Empresas

Frecuencia (%)

Frecuencia Acumulada (%)

Ponderación

[*-0] 74 0,308 0,308 0,1 ]0-0,021] 18 0,075 0,383 0,4 ]0,021-0,043] 26 0,108 0,492 0,5 ]0,043-0,124] 29 0,121 0,613 0,6 ]0,124-0,265] 28 0,117 0,729 0,7 ]0,265-0,399] 26 0,108 0,838 0,8 ]0,399-0,728] 24 0,100 0,938 0,9 ]0,728-*[ 15 0,063 1,000 1,0 240 1,000

7

Las tablas siguientes recogen los resultados para todas las muestras:

Tabla 4. Entrenamiento con datos 1 año previo

Grupo Previsto

Valor %

F S Total F S Total

F 74 6 80 92, 5 7,5 100 Grupo Actual S 10 150 160 6,25 93,75 100

Acierto global del modelo 224 93,33

F- Fracasada; S - Sana

Tabla 5. Validación con datos 1 año previo

Grupo Previsto

Valor %

F S Total F S Total

F 63 0 63 100,0 0,00 100 Grupo Actual S 20 265 285 7,02 92,98 100

Acierto global del modelo 328 94,25

Tabla 6. Validación con datos 2 años previos

Grupo Previsto

Valor %

F S Total F S Total

F 119 24 143 83,22 16,78 100 Grupo Actual S 42 403 445 9,44 90,56 100

Acierto global del modelo 522 88,78

8

Tabla 7. Validación con datos 3 años previos

Grupo Previsto

Valor %

F S Total F S Total

F 84 59 143 58,74 41,26 100 Grupo Actual S 52 393 445 11,69 88,31 100

Acierto global del modelo 477 81,12

3.3. Análisis discriminante

El paquete estadístico que hemos utilizado, SPSS 18.0 para Windows, permite seleccionar las variables discriminantes directamente, es decir, de forma intuitiva, o seguir un procedimiento iterativo paso a paso. Esta última ha sido la opción seguida y en cada paso la variable a introducir era aquella que minimizaba la Lambda de Wilks.

La aplicación del análisis discriminante a la previsión del fracaso empresarial de las empresas textiles se ha realizado a partir de los valores de los ratios de la muestra de estimación un año antes del fracaso que estaba formada por 80 empresas fracasadas y 160 no fracasadas.

El resultado del proceso iterativo seguido en el análisis discriminante lineal hasta encontrar las variables explicativas del fenómeno analizado se encuentra resumido en la tabla siguiente.

Tabla 8. Método paso a paso: resumen de las iteraciones

Paso Entra Sale Número de Variables

Lambda de Wilks

Nível Significación

1 X40 1 0,313 0,000 2 X59 2 0,271 0,000 3 X48 3 0,240 0,000 4 X60 4 0,217 0,000 5 X10 5 0,204 0,000

Los coeficientes de ponderación de las variables explicativas que entran en la función discriminante, bien como la constante, se puede ver en la Tabla 9.

9

Tabla 9. Coeficientes de la función discriminante canónica no tipificada

Indicador Coeficientes

X10 0,870 X40 13,234 X48 2,529 X59 -2,612 X60 -0,222 Constante -12,572

Dos cuestiones se deben contrastar, una vez estimada la relación lineal. Por un lado, hasta qué punto el modelo obtenido (relación lineal) permite discriminar correctamente y, por otro, qué variables de las inicialmente elegidas son realmente explicativas de la pertenencia de un elemento a un grupo o a otro.

La primera cuestión dependerá de que la distancia entre los centroides de los grupos sea estadísticamente significativa, lo cual se mide con la referida Lambda de Wilks. Según Maroco (2003) la Lambda de Wilks mide, en un rango de 0 a 1, la proximidad del óptimo teórico en el que se encuentra, teniendo presente en la interpretación del valor obtenido, que la situación óptima corresponde al valor 0. Su nivel de significación cuantifica la probabilidad de error al rechazar la hipótesis de que los centroides entre los grupos son iguales cuando en realidad tienen el mismo valor. Entonces, a medida que dicho nivel esté cercano a 0, es más fácil rechazar la hipótesis de igualdad de centroides y aceptar que el modelo discriminante es válido. Se suele aceptar que el modelo es significativo cuando dicha probabilidad es menor al 10% o al 5%. En la Tabla 10 podemos comprobar la significancia de la función discriminante.

Tabla 10. Significancia de la función discriminante

Función discriminante Lambda de Wilks

Chi-Cuadrado

Sig.

Z=-12,572+0,870*X10+13,234*X40+ 2,529*X48-2,612*X59-0,222*X60 0,204 372,684 0,000

El nivel de significación critico de la Chi-Cuadrado asociada a la Lambda de Wilks es 0,000 lo que permite rechazar la hipótesis nula de igualdad de los respectivos vectores de medias de las variables explicativas que componen la función discriminante en los dos grupos de empresas.

Una análisis para cada una de las puntuaciones de cada empresa ha permitido verificar que el punto que proporcionaba el menor error se quedaba en -0,64. Para clasificar cada empresa de la muestra de estimación, así como en las muestras de validación hemos utilizado el referido valor como punto de corte. En la Tabla 13 se puede ver un resumen de los resultados de la clasificación de las empresas para todas las muestras.

10

3.4. Logit

Para estimar el modelo logit, hemos partido de los datos de la muestra de estimación referentes al año previo al fracaso, formada por 80 empresas fracasadas y 160 no fracasadas, siguiendo el proceso paso a paso hacia delante en razón de verosimilitud. Los ratios que entran en el modelo seleccionado son el X14 (Cash-Flow/Pasivo Total) y X46 (Resultado Liquido/Activo Total) que podemos ver en la Tabla 11 así como su significación.

Tabla 11. Parámetros estimados y su nivel de significación

Parámetros Coeficientes Error Estándar Test Wald Sig.

X14 13,021 7,788 2,795 0,019

X46 46,913 11,446 16,800 0,000

Constante 2,829 0,805 12,367 0,000

Por separado, cada uno de los coeficientes es significativamente diferente de cero. El estadístico de Wald, que sigue una distribución Chi-cuadrado con un grado de libertad, permite rechazar la hipótesis nula con un error inferior al 5 por 100.

Una vez que el modelo maximiza la verosimilitud de un evento a suceder (quebrar o mantener su actividad), la medida de la bondad del ajuste es suministrada por el valor de dicha verosimilitud. En el programa estadístico utilizado dicha medida se obtiene a través del coeficiente de determinación propuesto por Nagelkerke. De acuerdo con esta medida, una variación del resultado de la variable dependiente es explicada aproximadamente al 95% por el modelo logístico estimado, es decir, en este modelo las variables independientes explican alrededor del 95% del comportamiento de la variable dependiente.

Tabla 12. Resumen de los principales testes efectuados

Test Hosmer y Lemeshow Paso LRLnλ2− R Cuadrado de

Nagelkerke Cui-cuadrado Sig. 1 29,718 0,949 1,474 0,993

Para comprobar la calidad del ajuste de los valores estimados utilizaremos el test de Hosmer-Lemeshow. Este es un test Chi-cuadrado que prueba la hipótesis nula de inexistencia de diferencias entre los valores observados y los valores previstos por el modelo. Una buena calidad del ajuste equivale a un test Chi-cuadrado con un valor de p>0,5.

Comparando el valor Chi-cuadrado con los valores tabulados estadísticos se llega a la conclusión de no rechazar H0, en otras palabras, no rechazamos la hipótesis de que el modelo está dotado de un buen ajuste de los datos.

11

3.5. Resultados obtenidos

Los resultados obtenidos se encuentran en la tabla siguiente y nos permiten verificar que el modelo propuesto presenta un elevado porcentaje de éxito en la clasificación de las empresas de la muestra de estimación y de la muestra de validación (1 año previo). Con los datos de las empresas para 2 y 3 años previos a la situación de crisis, se mantiene un elevado porcentaje de aciertos en la clasificación de las empresas no fracasadas, no obstante se constata una significativa disminución en el porcentaje de aciertos en la clasificación de las empresas fracasadas.

Tabla 13. Resumen del porcentaje de aciertos de los tres modelos

Estimación/ Entrenamiento

Validación Dos años previos

Tres años previos Técnica

F S F S F S F S Análisis discriminante

% 92,50 99,38 87,30 98,60 62,20 97,30 47,60 98,40

N. Empresas 74 159 55 281 89 433 68 438

Logit

% 95,00 98,10 92,06 98,95 79,70 96,90 42,00 98,20

N. Empresas 76 157 58 282 114 431 60 437

Modelo propuesto

% 92,50 93,75 100,0 92,98 83,22 90,56 58,74 88,31

N. Empresas 74 150 63 265 119 403 84 393

En síntesis podemos concluir que con las muestras de estimación/entrenamiento y validación el nivel global de acierto de todos los modelos es elevado.

En general todos los modelos logran buenas clasificaciones con el grupo de las empresas no fracasadas, no cumpliéndose lo mismo con el de las empresas fracasadas, cuyo nivel de aciertos empeora a medida que nos distanciamos del año previo al fracaso.

12

4. CONCLUSIÓN

En los últimos años han sido elaborados distintos trabajos con el intuito de estudiar el efecto que pueden tener los factores dimensión y edad en el fracaso empresarial. Nuestro intento en este trabajo fue elaborar un modelo de predicción del fracaso empresarial que concilie los factores tamaño y edad, con un indicador económico-financiero que refleje la situación presente de las empresas. Después de hacernos una análisis univariante de los indicadores, hemos comprobado que aquél ratio que tenía mejor comportamiento para discriminar los dos grupos de empresas era el ratio cash-flow/pasivo a corto plazo.

Aplicando el modelo de predicción del fracaso empresarial elaborado a la muestra de empresas se constata que:

• En general los resultados del modelo son muy aceptables, logrando obtener porcentajes de acierto superiores al 92,5% en los dos grupos de empresas, tanto para la muestra de estimación, como para la muestra de validación;

• Con los datos del segundo año previo al fracaso el porcentaje de aciertos con las empresas fracasadas fue del 83,22% y con las empresas sanas de 90,56%;

• En comparación con los modelos basados en análisis discriminante y logit, podemos observar que los resultados obtenidos con las empresas sanas son siempre inferiores (cuyo nivel de aciertos oscila entre el 93,75% para la muestra de estimación y el 88,31% con los datos de la muestra correspondiente al tercer año previo al fracaso), pero con el grupo de las empresas fracasadas los resultados son siempre superiores, con excepción de la muestra de estimación, (con porcentajes de acierto comprendidas entre 100% con la muestra de validación y 58,74% para los datos referentes a la muestra de datos del tercer año previo al fracaso).

En el modelo propuesto la ponderación del ratio Cash-flow/pasivo de corto plazo fue de 70%, y la ponderación de la edad ha sido el doble de la dimensión.

En síntesis podemos concluir que con las muestras de estimación/entrenamiento y validación el nivel global de acierto de todos los modelos es elevado. En general todos los modelos logran buenas clasificaciones con el grupo de las empresas no fracasadas, no cumpliéndose lo mismo con el de las empresas fracasadas, cuyo nivel de aciertos empeora a medida que nos distanciamos del año previo al fracaso.

La precisión de cualquier modelo depende en gran medida de la calidad de los datos que sirvieron de base para su confección. Es posible que las cuentas de algunas empresas de la muestra utilizada pueden no reflejar la verdadera situación económico-financiera, particularmente en el grupo de empresas fracasadas, lo que puede haber influido en el comportamiento de los modelos, especialmente el segundo y tercer año previo al fracaso, ya que más de 80% de la muestra no tienen sus cuentas auditadas y también no estaban a eso legalmente obligadas. Estamos convencidos de que recurriendo a una muestra significativa de empresas con las cuentas auditadas y con la incorporación de variables cualitativas se podrá producir modelos con un buen poder predictivo.

13

BIBLIOGRAFÍA

AUDRETSCH, D.B. (2001): “Research issues relating to structure, competition, and performance of small technology-based firms”, Small Business Economics, Vol. 16, N.º 1, February, pp. 37-51.

AUDRETSCH, D.B. y MAHMOOD, T. (1995): “New firm survival: new results using a hazard function”, The Review of Economics and Statistics, Vol. 77, N.º 1, pp. 97-103.

BACK, P. (2005): “Explaining financial difficulties based on previous payment behavior, management background variables and financial ratios”, European Accounting Review, Vol. 14, N.º 4, pp. 839-868.

BERGER, A. N. y UDELL, G. F. (1995): “Relationship lending and lines of credit in small firm finance”, Journal of Business, Vol. 68, N.º 3, pp. 351-381.

BUEHLER, S.; KAISER, C. y JAEGER, F. (2006): “Merge or fail? The determinants of mergers and bankruptcies in Switzerland, 1995-2000”, Economics Letters, Vol.90, N.º 1, January, pp. 88-95.

CALVO-FLORES SEGURA, A. y GARCÍA PÉREZ DE LEMA, D. (2006): “Tamaño, Antigüedad y Fracaso Empresarial”, V Workshop de Investigación Empírica en Contabilidad Financiera, Universidad Autónoma de Madrid, 18-10 octubre, Madrid.

CHEN, K. C. W. y LEE, C-W. J. (1993): “Financial Ratios and Corporate Endurance: A Case of the Oil and Gas Industry”, Contemporary Accounting Research, Vol. 9, N.º 2, Spring, pp. 667-694.

CHEN, R. y WONG, K. (2004) : “The Determinants of Financial Health of Asian Insurance Companies”, Journal of Risk & Insurance, Vol. 71, N. 3, September, pp. 469-499

CUMMINS, J. D.; HARRINGTON, S. E. y KLEIN, R. (1995): “Insolvency Experience, Risk-Based Capital, and Prompt Corrective Action in Property-Liability Insurance”, Journal of Banking and Finance, Vol.19, N.º 3-4, June, pp. 511-527.

EUROPEAN COMMISSION (1996): Euro-Info 88/ES, March, Luxemburg. Statistical office of the European Communitie.

EVANS, D. S. (1987): “The Relationship Between Firm Growth, Size, and Age: Estimates for 100 Manufacturing Industries”, The Journal of Industrial Economics, Vol. 35, N.º 4, June, pp. 567-581.

FARIÑAS, J. C. y MORENO, L. (2000): “Firm’s Growth, Size and Age: A Nonparametric Approach”, Review of Industrial Organization, Vol.17, N.º 3, November, pp. 249-265.

HALL, B. H. (1987): “The relationship between firm size and firm growth in the US manufacturing sector”, Journal of Industrial Economics, Vol. 35, N.º 4, June, pp. 583-605.

14

HOLMES, S.; DUNSTAN, K. y DWYER, D. (1994): “The cost of debt for small firms: evidence from Australia”, Journal of Small Business Management, Vol. 32, N.º 1, January, pp. 27-35.

HONJO, Y. (2000): “Business failure of new software firms”, Applied Economic Letters, Vol. 7, N.º 9, September, pp. 575-579.

LÓPEZ GRACIA, J.; GANDÍA CABEDO, J. L. y MOLINA LLOPIS, R. (1998): “La Suspensión de Pagos en las PYMES: Una Aproximación Empírica”, Revista Española de Financiación y Contabilidad, Vol. XXVII, N.º 94, enero-marzo, pp. 71-97.

MAROCO, J. (2003): Análise Estatística com Utilização do SPSS, 1ª ed., Edições Sílabo, Lisboa.

OHLSON, J. S. (1980): Financial ratios and the probabilistic prediction of bankruptcy, Journal of Accounting Research, Vol. 18, N.º 1, Spring, pp. 109-131.

PEEL, M. J. y PEEL, D. A. (1988): “A Multilogit Approach to Predicting Corporate Failure. Some Evidence for the UK Corporate Sector”, Omega, Vol. 16, N.º 4, pp. 309-318.

PEEL, M. J.; PEEL, D. A. y POPE, P. F. (1986): “Predicting Corporate Failure. Some Results for the UK Corporate Sector”, Omega, 14, N.º 1, pp. 5-12.

SERRANO CINCA, C.; MAR MOLINERO, C. y GALLIZO LARRAZ, J. L. (2005): “Country and size effects in financial ratios: A European perspective”, Global Finance Journal, Vol. 16, N.º 1, August, pp. 26-47.

SHIH, V.; ZHANG, Q. y LIU, M. (2007): “Comparing the performance of Chinese banks: A principal component approach”, China Economic Review, Vol. 18, N.º 1, January, pp. 15-34.

SHUMWAY, T. (2001): “Forecasting Bankruptcy More Accurately: A Simple Hazard Model”, Journal of Business, Vol. 74, N.º 1, January, pp. 101-124.

THOMPSON, D. J. (1976): “Sources of systematic risk in common stocks”, The Journal of Business, Vol. 49, N.º 2, April, pp. 173-188.

TURETSKY, H. F. y McEWEN, R. A. (2001): “An Empirical Investigation of Firm Longevity: A Model of the Ex Ante Predictors of Financial Distress”, Review of Quantitative Finance and Accounting, Vol. 16, N.º 4, June, pp. 323-343.

15

Tabla 14. Ratios seleccionados

X1 Activo Total / Pasivo Total

X2 (Activo Circulante - Existencias) / Pasivo Circulante

X3 (Activo Circulante - Pasivo Circulante) / Pasivo total

X4 (Activo Circulante - Pasivo Circulante) / Ventas Netas

X5 Activo Circulante / Activo Total Neto

X6 Activo Circulante / Pasivo a Corto Plazo

X7 Activo Circulante / Pasivo Total

X8 Activo Fijo / Activo Circulante

X9 Amortizaciones / Ingresos de Explotación

X10 Capital Propio / Activo Total

X11 Capital Propio / Inmovilizado Neto

X12 Capital Propio / Pasivo Total

X13 Cash-flow / Pasivo a Corto Plazo

X14 Cash-flow / Pasivo Total

X15 Gastos Financieros / Ingresos de Explotación

X16 Gastos Financieros / Resultados Explotación

X17 Gastos Financeiros / Total Deudas a Instituciones de Crédito

X18 Disponibilidades / Activo Total

X19 Disponibilidades / Pasivo a Corto Plazo

X20 (Disponibilidades + Créditos a Corto Plazo) / Pasivo a Corto Plazo

X21 Deudas con Terceros / Activo Total

X22 Existencias / Activo Total

X23 Existencias / Ventas

X24 Capital circulante / Activo Total Neto

X25 Gastos de personal / Activo Fijo

X26 Gastos de personal / Ingresos de Explotación

X27 Inmovilizado Tangible / Activo Circulante

X28 Inmovilizado Tangible / Activo Total

X29 Inmovilizado Intangible / Activo Total

X30 Inmovilizado Neto/ Activo Total

X31 Inmovilizado Total / Deudas a Largo Plazo

(Continua)

16

(Continuación)

X32 (Inversiones Fin. M/L Plazo + Inv. Fin. C/P) / Activo Total

X33 (Inversiones Fin. C/P + Disponibilidades) / Activo Total

X34 Pasivo a Corto Plazo / Pasivo Total

X35 Pasivo a Medio y Largo Plazo / Pasivo a Corto Plazo

X36 Pasivo a Medio y Largo Plazo / Pasivo Total

X37 Pasivo Total / Capital Propio

X38 Ingresos de Explotación / Activo Circulante

X39 Ingresos de explotación / Activo Total

X40 Ingresos de explotación / Gastos Explotación

X41 Ingresos de explotación / Inmovilizado

X42 (BAI + Amort. + Provisiones) / Gastos Financieros

X43 Reservas / Activo Total

X44 (Reservas + Resultados Ejercicios Anteriores) / Pasivo Total

X45 Beneficio Extraordinario / Beneficio Neto

X46 Beneficio Neto / Activo Total

X47 Beneficio Neto/ Capital Propio

X48 Beneficio Neto / Pasivo Total

X49 Beneficio Neto / Ingresos de Explotación

X50 Beneficio Neto / Ventas

X51 Beneficios Explotación / Activo Total Liquido

X52 Beneficios Explotación / Gastos Financieros

X53 Beneficios Explotación / Ingresos de Explotación

X54 Beneficios Explotación / Ventas Netas

X55 Ventas / Activo Total

X56 Ventas / Capital Circulante

X57 Ventas / Disponibilidades

X58 Ventas / Existencias

X59 (BAI + Gastos Financieros) / Total de Ventas

X60 BAI / (BAI +Gastos Financieros)

BAI=Beneficios antes de Impuestos

17