Factores que inciden en el
nivel de desempeño financiero de las empresas que cotizan en la Bolsa Mexicana
de Valores
Factors that affect the financial
performance of companies listed on the Mexican Stock Exchange
Raul, Mejia-Ramirez[1],
Eduardo, Villegas-Hernández[2],
Jaime, Sánchez-Leal[3]
El objetivo de esta investigación es
determinar los factores que inciden en el nivel de desempeño financiero de las empresas
que cotizan en la Bolsa Mexicana de Valores, específicamente las del sector de
productos de consumo frecuente. Para ello, se recopilaron los estados
financieros de 16 empresas a partir del 2001 hasta el 2017, con periodicidad
trimestral, con los cuales se calcularon variables que contemplan razones
financieras de liquidez, endeudamiento, apalancamiento, RION, INVESTRAT. La
metodología empleada se basa primeramente en el análisis factorial mediante el
método de Componentes Principales con la intención de reducir el número de
variables involucradas en el análisis de los estados financieros de las
empresas. Posteriormente, se acude a la técnica de Redes Neuronales
Artificiales, para encontrar los factores que determinan si la empresa presenta
un nivel de desempeño financiero alto, medio o bajo. Los resultados muestran
que los factores que inciden en el nivel de desempeño financiero de las
empresas analizadas son los referentes a liquidez (48.4%), RION (79.8%), Eficiencia (50.1%), Rotación
del Activo (51.7%), Tasa de Provisiones (28.1%), Endeudamiento (70.8%),
INVERSIÓN (100%), Crecimiento (34.7%) y a Costo de Oportunidad (50.1%).
Palabras clave: Multigeneracional, Compensaciones, Recursos
Humanos
The
objective of this investigation is to determine the factors that affect the
level of financial performance of the companies listed on the Mexican Stock
Exchange, specifically those of the sector of products of frequent consumption.
For this, the financial statements of 16 companies were collected from 2001 to
2017, on a quarterly basis, with which variables were calculated that include
financial reasons for liquidity, indebtedness, leverage, RION, INVESTRAT. The
methodology used is based primarily on the factor analysis through the Main
Components method with the intention of reducing the number of variables
involved in the analysis of the financial statements of the companies.
Subsequently, the Artificial Neural Networks technique is used to find the
factors that determine whether the company has a high, medium or low level of
financial performance. The results show that the factors that affect the level
of financial performance of the companies analyzed are those related to
liquidity (48.4%), RION (79.8%), Efficiency (50.1%), Asset Rotation (51.7%),
Rate of Provisions (28.1%), Indebtedness (70.8%), INVESTMENT (100%), Growth
(34.7%) and at Opportunity Cost (50.1%).
Key words: Multigenerational, Compensations,
Human Resources
Códigos JEL: M12; M14; O15
Las Bolsas de
Valores son un indicador de la situación económica de un país para determinar
su estabilidad, puesto que proporcionan información objetiva de los valores
accionarios de empresas que cotizan en ellas, lo que permite a los
inversionistas realizar transacciones bursátiles.
En México la Bolsa Mexicana de Valores
(BMV) forma parte importante del sistema financiero mexicano, el cual tiene
dentro de su estructura instituciones de carácter regulador así como organismos
descentralizados y desconcentrados.
La BMV se conforma por empresas
clasificadas en 10 sectores: energía, materiales, industrial, servicios y
bienes de consumo no básicos, productos de consumo frecuente, salud, servicios
financieros, tecnología de la información, servicios de telecomunicaciones y
servicios públicos.
Cabe destacar que, las empresas que
cotizan en la BMV se caracterizan por ser económicamente estables, generan gran
número de empleos, poseen gran capacidad de expansión y crecimiento, y la
información financiera de éstas está disponible. Por ello, resulta
trascendente, medir el desempeño financiero de las empresas ya que este impacta
de manera directa en otras variables de la economía nacional, puesto que el
fracaso o éxito empresarial implica el deterioro o mejoramiento de una sociedad
en general, pues impacta en el crecimiento del PIB, en su fuerza laboral, en la
inversión y la distribución del ingreso.
En este sentido, para la toma de
decisiones, el administrador financiero requiere contar con una metodología que
le permita conocer con mayor precisión los factores que determinan el nivel de
desempeño financiero de las empresas que cotizan en la BMV.
Por otro lado, el análisis financiero
constituye la herramienta más efectiva para evaluar el desempeño financiero de
una empresa a lo largo de un ejercicio especifico y para comparar sus
resultados con los de otras empresas del mismo ramo que presenten
características similares, pues sus fundamentos y objetivos se centran en la
obtención de relaciones cuantitativas propias del proceso de toma de
decisiones, mediante la aplicación de técnicas de diferentes tipos sobre datos
aportados por la contabilidad, que a su vez son transformados para ser
analizados e interpretarlos.
De acuerdo a lo anterior, la presente
investigación plantea la interrogante: ¿Cuáles son los factores que inciden en
el nivel de desempeño financiero de las empresas que cotizan en la Bolsa
Mexicana de Valores, específicamente las del sector de productos de consumo
frecuente?. De este modo, el objetivo de esta investigación es determinar los
factores que inciden en el nivel de desempeño financiero de las empresas que
cotizan en la Bolsa Mexicana de Valores, específicamente las del sector de
productos de consumo frecuente. Para ello, se han utilizado que contemplan razones
financieras de liquidez, endeudamiento, apalancamiento, RION, INVESTRAT,
calculadas a partir de la situación financiera contemplada entre los años 2001
y 2017 de las empresas del sector de productos de consumo frecuente que cotizan
en la BMV. Las empresas contempladas en esta investigación son: AC, BACHOCO,
BAFAR, BIMBO, CHDRAUI, CULTIBA, FEMSA, GIGANTE, GRUMA, HERDEZ, KIMBER, KOF,
LALA, MINSA, SORIANA y WALMEX.
Para lograr el objetivo, se propone
realizar dicho estudio con base en la técnica de análisis factorial utilizando
el método de componentes principales con la finalidad de reducir el número de
variables involucradas en el análisis de los estados financieros. Enseguida, se
aplica la técnica de Redes Neuronales Artificiales (RNA), con la intención de
encontrar los factores que permiten discriminar entre empresas con alto, medio
y bajo desempeño financiero.
Antecedentes
A lo largo de los años muchos
investigadores han intentado determinar la probabilidad de incumplimiento
mediante la aplicación de distintas metodologías. En el año 1932, Fitzpatrick
realizó los primeros trabajos dando origen a lo que se conoce como etapa
descriptiva. Su objetivo primordial consistió en intentar detectar las quiebras
empresariales a través de la utilización de razones financieras únicamente. En
la misma línea se sitúa el trabajo de Winakor & Smith (1935), aplicando técnicas de
análisis univariante básico, analizando las tendencias de varias razones
financieras. Sin embargo, no ser hasta la década de los sesenta cuando se
empiezan a utilizar técnicas
estadisticas más compejas, como el análisis discriminante, univariante y
multiple.
William H.
Beaver (1966) fue el pionero en esta etapa demostrando que las razones
financieras pueden ser de utilidad en la predicción individual de un fallo de
la empresa, de las dificultades financiera y de la quiebra. Encontró que podría
discriminar un número de indicadores con el simple mapeo entre muestras de
empresas fracasadas y no fracasadas hasta cinco años antes del fracaso. Beaver
utilizó dicha técnica, para explicar una variable dependiente a través de la
clasificación dicotómica que entendió como capacidad de predicción
Edward Altman (1968) amplió el análisis
multivariado al introducir por primera vez mñultiples predictores de quiebra
mediante el ADM. A lo largo de los años, este autor ha sido considerado por
muchos como el investigador que más ha contrinuido al desarrollo de la teroía
de la solvencia mediante la creación del modelo conocido como “Z-Score”. Para
el desarrollo de su investigación Altman (1968) seleccionó una sub muestra de
33 empresas que fueron a la quiebra y otra de igual tamaño de empresas que no
fueron a la quiebra del sector manufacturero que cotizaban en la bolsa de
valores durante el periodo 1946 al 1965.
Para la selección de las variables independientes Altman (1968) integró inicialmente
un grupo de 22 razones fianncieras que fueron aplicados a ambas sub muestras de
empresas. Estas 22 razones financieras fueron disminuidas a cinco factores que
median la rentabilidad, la actividad, la liquidez, el apalancamiento y la
solvencia. Para Altman (1968) estos 5 factores resultaban ser la mejor
combinación para el discriminante entre empresas en quiebra y empresas sanas.
La función discriminante que
construyó el autor y conocida como
“Z-Score” es considerada por un gran número de investigadores y académicos com
uno de los mejores modelos teórcios de predicción de quiebras. Se basa en unas
ponderaciones sobre cinco razones financieras.
En la década de los 80´s aparecen los
primeros cuestionamientos a éstos últimos modelos por ser no aleatorios
En la literatura contable, muchos
investigadores ha utilizado las principales razones financieras del análisis
financiero o de los documentos de los estados financieros (balance de
situación, cuenta de pérdidas y ganancias o estado de flujos de efectivo) para
explicar la quiebra. Con carácter general, tres son los tipos de razones
financeras más utilizadas por los académicos sobre el tem: de rentabilidad, de
endeudamiento y de equilibrio económico-fimanciero (entre otros, véase:
Noga & Schnader (2013) utilizan
diferencias temporales de impuestos, Kallunki & Pyykkö (2013) analizan la
experiencia pasada de los gestores de empresas en concurso y Chiu, Peña, &
Wang (2013) explican la probabilidad de fracaso empresarial en función del
grado de concentración del sector, basándose en la idea de que cuanto más se
incrementa la competencia en un sector, más aumentará la probabilidad de
fracaso.
Un estudio realizado por Korol (2013)
compara datos de empresas polacas cotizadas, sanas y en concurso, con empresas
latinoamericanas (de México, Argentina, Perú, Brasil y Chile) utilizando
metodologías tradicionales y de inteligencia artificial. Concluye que son más
dificiles de explicar las empresas latinoamericanas en concurso que las
europeas, ya que el contexto normativo y macroeconómico de las latinas
condiciona el concurso. Otro estudio de Laitinen & Suvas (2013) compara 30
países europeos, señalando que, a pesar de las diferencias entre países, es
posible predecir el fracaso empresarial con algunos errores de clasificación
aceptables.
Un reciente estudio aún en “working paper”
es el trabajo de Altman, Iwanicz-Drozdowska, Laitinen, & Suvas (2014). En
este estudio se realiza una revisión de la literatura sobre la importancia y
eficacia del modelo Z-Score de Altman (1968) de predicción de la quiebra a
nivel mundial y sus aplicaciones en finanzas y otras áreas relacionadas. La
revisión se basa en un análisis de 33 artìculos cientificos publicados desde el
año 2000 en las principales revistas financieras y contables. El resultado del
análisis muestra que mientras un modelo internacional general funciona
razonablemente bien, con niveles de precisión de predicción que van desde 75% y
hasta 90% la precisión de la clasificación se puede mejorar de manera
considerable con estimaciones especificas del país, especialmente con el uso de
variables adicionales.
Resumiendo, la línea de investigación
sobre predicción de quiebra entre países es clave a la globalización de los
mercados internacionales y a la existencia de un inversor global. Por tanto, la
existencia de un modelo de predicción de quiebra o fracaso común para distintos
países con un elevado grado de fiabilidad sigue siendo relevante y es uno de
los propósitos de esta investigación. Innumerables trabajos se siguen generando
en todo el mundo con el fin de “perfeccionar” los modelos predictivos con la
adición en la aplicación de técnicas tanto paramétricas como no paramétricas
más eficientes que han interesado obtener mayor exactitud en la predicción.
En México, destaca la investigación
realizada por García & Morales (2016), en la cual, mediante el uso de RNA
proponen mejorar la precisión de clasificación de las empresas dentro de la
BMV, en específico del sector comercial en comparación con las técnicas de ADM
y modelos Logit. En dicha investigación, se
desarrollan más de cincuenta arquitecturas neuronales, y la red neuronal
artificial que resultó fue la arquitectura MPL 6:12:2 basada en algoritmos de
aprendizaje de retro-propagación hacia atrás. Los
resultados encontrados en la técnica de RNA arrojaron que esta técnica tiene un
mejor pronóstico de evaluación y de clasificación que la obtenida por los
modelos Logit y las técnicas ADM.
Indicadores financieros
Según
Para
Liquidez
o razones de solvencia
Las razones
de liquidez o solvencia se enfocan en la capacidad de una empresa para pagar
sus obligaciones de deuda a corto plazo. Como tal, se centran en los activos
actuales y pasivos corrientes de la empresa en el balance.
Las
proporciones de liquidez más comunes son la relación de corriente, la relación
rápida y la tasa de combustión (medida de intervalo). La relación rápida, como
su nombre lo indica, determina cuánto dinero está disponible en el plazo más
cercano para pagar las obligaciones actuales. El índice actual es similar, pero
con una relación de evaluación de liquidez menos estricta. La tasa de quemadas
mide cuánto tiempo puede continuar un negocio cuando los gastos actuales
exceden el ingreso actual.
Es una
medida común utilizada en la evaluación de empresas nuevas, que casi siempre
pierden dinero cuando comienzan a hacer negocios. La tasa de quemados responde
a la pregunta importante: cuánto tiempo, a la tasa actual, la empresa podrá
mantener sus puertas abiertas.
Apalancamiento financiero o razones de deuda
El apalancamiento financiero o las razones
de deuda se centran en la capacidad de una empresa para cumplir con sus
obligaciones de deuda a largo plazo. Examina los pasivos a largo plazo de la
empresa en el balance, como los bonos. Los ratios de apalancamiento financiero
más comunes son los ratios de deuda total, la relación deuda / capital, el
índice de deuda a largo plazo, el índice de intereses ganados, el índice de
cobertura de cargos fijos y el índice de cobertura de efectivo. Aunque todos
ligeramente diferentes, estos índices de apalancamiento financiero le informan
sobre diferentes aspectos de la salud financiera general de la compañía y, en
la mayoría de los casos, cuantifican el capital de los accionistas.
Eficiencia de los activos o razones de rotación
La
eficiencia de los activos o los índices de rotación miden la eficiencia con la
que la empresa usa sus activos para producir ventas. Como resultado, se enfoca
tanto en el estado de resultados (ventas) como en el balance (activos).
Los índices de eficiencia de activos más comunes son
el índice de rotación de activos, el índice de rotación de cuentas por cobrar,
el índice de ventas por inventario en días, el índice de ventas en cuentas por
cobrar, el índice de capital de trabajo neto, el índice de rotación de activos
fijos y la rotación total de activos. Proporción.
Los índices
de eficiencia de los activos son particularmente valiosos para describir el
negocio desde un punto de vista dinámico. Usados en conjunto, describen qué
tan bien se está ejecutando el negocio: qué tan rápido se están vendiendo sus
productos, cuánto tiempo tardan los clientes en pagar y cuánto capital está
inmovilizado en el inventario.
Razones de rentabilidad
Los ratios
de rentabilidad son exactamente lo que su nombre implica. Se centran en la
capacidad de la empresa para generar ganancias y un rendimiento adecuado de los
activos y la equidad. Miden qué tan eficientemente la empresa usa sus activos y
qué tan efectivamente maneja sus operaciones y responde preguntas tan básicas
como "¿Qué tan rentable es esta empresa?" y "¿Cómo se compara
con sus competidores?".
Razones de valor de mercado
Las razones de valor de mercado se pueden calcular para las empresas que
cotizan en bolsa solo en lo que se refiere al precio de las acciones. Existen
muchos ratios de valor de mercado, pero algunos de los más utilizados son el
precio / beneficio (P / E), el valor contable para compartir el valor y el
rendimiento por dividendo.
La utilidad de analizar a las razones
financieras es para interpretar el comportamiento de las empresas. Pues como
sostienen James y
Horrigan (1965) “Es
inconcebible que la información financiera pueda ser analizada si no es a
través de razones financieras, de una forma o de otra, por lo que una
justificación de la importancia y utilidad de las razones financieras sería
también una justificación importante para la contabilidad financiera”.
A su vez las razones financieras son datos
contables que tienen como premisa fundamental conocer la esencia de la empresa,
Jiménez, García-Ayuso y Sierra (2000), sostienen que el análisis financiero
empresarial dota de conceptos y técnicas esenciales para la formulación de
juicios consistentes sobre la empresa que ayudan en la toma de decisiones.
En esta investigación se incluye razones
financieras de liquidez, endeudamiento, apalancamiento, RION, INVESTRAT. Dichas
variables cuentan con todos los criterios de análisis que se requerían para el
análisis del desempeño financiero que generaron los estados financieros de las
empres del sector de productos de consumo frecuente que cotizan en la BMV.
Análisis de componentes
principales
Es habitual que las empresas comuniquen a
los usuarios más de una decena de indicadores, cuando en realidad no todos
ellos son necesarios. Una apropiada selección de los indicadores financieros
puede ayudar a identificar con mayor facilidad las directrices posibles de la
política a seguir.
Desde finales del siglo pasado se ha
extendido la aplicación de la técnica estadística conocida como Análisis de
Componentes Principales (ACP) y cuyo objetivo consiste en sintetizar la
información, o bien la reducción de la dimensión (número de variables). Dicho
de otra manera, ante un banco de datos con muchas variables, el objetivo será
reducirlas a un menor número perdiendo la menor cantidad de información
posible.
Un problema central en el análisis de datos
multivariantes es la reducción de la dimensionalidad: si es posible describir
con precisión los valores de
El ACP consiste en encontrar
transformaciones ortogonales de las variables originales (razones financieras)
para conseguir un nuevo conjunto de variables no correlacionadas (componentes).
La esencia
matemática de esta técnica radica en el cálculo de los autovalores y los
correspondientes autovectores de las matrices
cuadradas denominadas de correlaciones o de covarianzas de la matriz original.
Análisis de la Matriz de Correlaciones
Un análisis de componentes principales
tiene sentido si existen altas correlaciones entre variables, ya que esto es
indicativo de que existe información redundante y, por tanto, pocos factores
explicarán gran parte de la variabilidad total.
Selección de los Factores
La elección de los factores se realiza de
tal forma que el primero recoja la mayor proporción posible de la variabilidad
original; el segundo factor debe recoger la máxima variabilidad posible no
recogida por el primero, y así sucesivamente. Del total de factores se elegirán
aquellos que recojan el porcentaje de variabilidad que se considere suficiente.
A éstos se les denominará componentes principales.
Una vez seleccionados los componentes
principales, se representan en forma de matriz. Cada elemento de ésta
representa los coeficientes factoriales de las variables (las correlaciones
entre las variables y los componentes principales). La matriz tendrá tantas
columnas como componentes principales y tantas filas como variables.
En esta investigación se desarrolla un ACP
con el objetivo de encontrar “pistas” sobre las variables que se introducirán
en las iteraciones que se realizarán en la modelación de las RNA.
Redes Neuronales
Artificiales
Un Red Neuronal Artificial (RNA) se puede
definir como un dispositivo lógico matemático diseñado a imitación del sistema
nervioso animal. Las RNA son un conjunto de neuronas particulares, que al
agruparse y conformarse en un solo grupo tienen por objetivo aprender patrones
específicos de comportamiento, similar a las redes neuronales biológicas, en
donde cada una de ellas tienen una función en específico que pueda presentar
cierto comportamiento inteligente
En una RNA,
la unidad básica, análoga a la neurona biológica, se denomina elemento de
proceso, neurona artificial o, simplemente, neurona. Cabe señalar que distintos
modelos de redes utilizan diferentes elementos de proceso.
Una neurona estándar al igual que una
neurona biológica se compone de los siguientes elementos:
1. Un
conjunto de entradas
2. Un peso
sináptico
3. Una regla
de propagación
4. La función
de su activación
Con frecuencia se añade al conjunto de
pesos de la neurona un parámetro adicional
Que en su
contraparte biológica seria el elemento
químico-eléctrico que permite que exista sinapsis entre dos neuronas, si no
existiera determinado nivel de elementos químicos esta sinapsis no se produce.
En conclusión, el modelo de neurona
estándar queda como
Mismo que
puede ser representado en la figura 1.
El enfoque de sistemas
vinculados con el proceso de una RNA.
Existen diferentes modelos neuronales
artificiales, pero una característica común que tienen la mayoría de estas es
que tienen el siguiente proceso de operación bajo la conceptualización de un sistema
Al igual
que el concepto de un sistema en que existe entrada, una unidad de proceso y
una salida, una red neuronal funciona de la misma manera.
De la Figura 2, se puede decir que una RNA
en cada elemento de proceso
En la misma figura se observa que la
entrada de la RNA, tiene una conexión de entrada que
está asociado a un peso (w); que determina el efecto cuantitativo de unas
unidades sobre otras y corresponde a las sinapsis del sistema.
Estos pesos
se suelen representar con una
Para que exista conexión entre la entrada,
esta se determina aplicando una regla de propagación bajo una combinación lineal,
entre las entradas y sus correspondientes pesos como se indican en la fórmula
(1). Donde i representa el elemento de proceso cuya entrada neta se calcula, n
es el número de entradas de dicho elemento de proceso, las entradas se
representan con una x y los pesos con una w
Dentro del elemento de proceso, o caja
negra como lo indica la teoría de sistemas, para cada elemento de proceso en un
instante de tiempo determinado tiene asociado un valor de activación,
Estas funciones de activación dependen
específicamente del desempeño y el objetivo que se quiere tener en la red. Las
funciones de activación más conocidas son: a) Identidad, b) Lineal a tramos, c)
Sinusoidal, d) Tangente hiperbólica, e) Escalón, f) Sigmoidea, g) Gaussiana, h)
Logistica y i) Softmax.
Estas
funciones permiten a la Red Neuronal, encontrar dentro del elemento de proceso
la capacidad de distorsionar el espacio euclidiano, para poder obtener un
conjunto de pesos que se satisfagan entre los nodos de entrada y nodos de
salida; de tal manera que estos pesos responden a los objetivos deseados.
Fuente: Elaboración con información contenida en (Del Brío & Sanz, 2002).
Figura 1. Neurona de una
RNA.
Fuente: Elaboración con información contenida en (Del Brío & Sanz, 2002).
Figura 2.
Conceptualización de una Neuronal Artificial como un sistema.
En esta etapa dentro del elemento del
proceso de la unidad neuronal, se pueden distinguir dos fases en la operación
de la red:
a) Fase de aprendizaje: en esta la red
aprender a resolver el problema para el que se ha diseñado.
b) Fase de recuerdo: la segunda fase los
pesos permanecen fijos; se representarán entradas a la red y ésta dará salidas,
tratando que sean muy similares a las reales.
Este proceso de aprendizaje está basado en
procesos iterativos de los métodos numéricos que tratan de minimizar una
función de error, lo que en ocasiones puede dar problemas en la convergencia
del algoritmo
Una particularidad de la RNA es que son
sistemas entrenables, capaces de realizar un determinado
tipo de procesamiento aprendiendo a partir de un conjunto de ejemplos,
denominados patrones de entrenamiento.
Se puede interpretar el aprendizaje de una
RNA como el proceso por el cual se ajustan los pesos mediante la estimación por
el entorno. El tipo de aprendizaje viene determinado por la forma en que se
adaptan dichos parámetros
Los tipos de aprendizaje más aplicados
son:
a) Aprendizaje supervisado. En este tipo
de aprendizaje existe un supervisor que dispone de un conjunto de patrones de
entrenamiento, que siempre son la salida de la RNA. En la fase de entrenamiento
la neurona aprende el patrón que el supervisor muestra de forma aleatoria, para
que aprenda y cumpla las condiciones que se le piden en la salida de la red.
Este tipo de redes neuronales es el que será utilizado en esta investigación.
b) Aprendizaje no supervisado. En este
entrenamiento no existe una respuesta deseada o de salida de la red. Se
presentan las entradas de forma iterativa a fin de que la red, mediante su
regla de aprendizaje, pueda descubrir las regularidades subyacentes en estos
datos de entrada, organizándolos en clases no determinadas a priori.
c) Aprendizaje forzado. Se dispone de
conjunto de entradas, para cada una de las cuales se obtiene una salida de la
red. Se calcula una medida del éxito o fracaso global de la red, que permite
actualizar los pesos.
d) Aprendizaje hibrido. En una misma red
se utilizan el aprendizaje supervisado y el no supervisado, normalmente en
distintas capas de la misma.
En la etapa final del sistema neuronal, en
la salida, una vez que la red aprendió un patrón, basados a los pesos
permanecerán fijos y la función de transferencia propuesta medirá el grado de
error entre la información de salida. Si existe poco error, entre el valor real
de salida con el propuesto por la red neuronal medido este error mediante un
criterio de minimización de error estadístico, se podría considerar que las
neuronas artificiales aprendieron el patrón de comportamiento de los datos
buscados
Metodología
La metodología se basa en la aplicación de
dos técnicas: ACP y RNA. Primeramente, con el análisis factorial se reduce el
número de variables involucradas en el análisis de los estados financieros de
las empresas. Posteriormente, se acude a la técnica de RNA para encontrar los
factores que inciden en el nivel desempeño financiero de las empresas en
estudio.
Población
La población de estudio se conforma por las 16 empresas pertenecientes
al sector de productos de consumo frecuente que cotizan en la BMV que
presentaron sus estados financieros a la BMV a partir del primer trimestre del
año 2001 hasta el cuarto trimestre del 2017, las cuales son: AC, BACHOCO, BAFAR, BIMBO, CHDRAUI,
CULTIBA, FEMSA, GIGANTE, GRUMA, HERDEZ, KIMBER, KOF, LALA, MINSA, SORIANA y
WALMEX.
Fuentes y datos
De igual forma, se toman como fuente los
estados financieros que presentan las empresas de forma trimestral a la BMV.
Dicha información abarca del primer trimestre del año 2001 hasta el cuarto
trimestre del año 2017. Una vez obtenidos los estados financieros se procede a
la obtención de las distintas razones financieras mencionadas en el apartado 1
y se procede a realizar el análisis de la información y obtención de los
modelos empleando dos técnicas: ACP y RNA.
Análisis
Para la realización del análisis de las
variables se utilizó el análisis factorial mediante el método de componentes
principales y posteriormente la técnica de RNA; estas técnicas permiten estimar
en un marco único para analizar si las variables financieras evaluadas
presentan diferencias significativas en los niveles de desempeño financiero,
alto, medio y bajo.
Determinación de la variable dependiente
Diversos autores coinciden en que el
objetivo fundamental de la administración financiera en una empresa lucrativa
es el de maximizar la riqueza de los dueños de la empresa: los accionistas (Brealey, Myers, & Allen, 2010; Copeland, Koller, & Murrin, 2000; Gitman, 2007;
Gutiérrez, 1992; Weston & Brigham, 1994). Debido a lo anterior, se procede a
obtener los rendimientos promedios anuales de los precios de las acciones de
las empresas en estudio durante el periodo analizado en esta investigación.
Dichos rendimientos se muestran en la figura 3.
Posteriormente, se realiza un diagrama de
puntos de los rendimientos anuales promedios del precio de las acciones de las
empresas en estudio, el cual se muestra en la figura 4.
Fuente: Elaboración con información contenida en ECONOMÁTICA.
Figura 3. Rendimiento promedio anual del precio de
las acciones de las empresas en estudio.
Fuente: Elaboración con
información contenida en ECONOMÁTICA.
Figura 4. Rendimientos promedios anuales de
las acciones de las empresas estudiadas.
Resultados y discusión
Usando la matriz de correlaciones, se
aplicó el análisis factorial utilizando el método de componentes principales a
las variables de las 16 empresas del sector de productos de consumo frecuente
en el periodo de 2001 al 2017, con periodicidad trimestral. La Tabla 1 muestra
parte de la matriz de correlaciones, en donde se puede ver una alta relación
entre las variables Circulante y Prueba de Ácido (0.926), al igual que entre
las variables Endeudamiento Total y Apalancamiento (0.868). La pertinencia de
la aplicación del análisis se estudió calculando el determinante de la matriz
de correlaciones de las variables originales y el KMO (Kaiser-Meyer-Olkin). La Tabla 2 muestra el KMO y prueba de esfericidad
de Bartlett. Para este caso, el determinante de la matriz de correlaciones de
estas variables es muy cercano a cero (9.67E-057) y el índice KMO bastante
bueno (0.897), por lo cual se recomienda continuar con el análisis factorial.
Enseguida se procede con la extracción de
los factores. Para ello, se utiliza el método de componentes principales. La
determinación del número de factores se realiza utilizando el método de Kaiser.
La Tabla 3 muestra la proporción de varianza explicada por cada factor, para la
solución no rotada. En la misma tabla aparecen los nueve primeros factores
incluidos en el modelo, mismos que son capaces de explicar un 94.220% de la
variabilidad total, lo cual se puede considerar como un porcentaje muy bueno.
Debido a que la correlación de algunas
variables es alta con más de uno de los factores, lo cual no facilita la
interpretación de dichos factores, se aplicó la rotación VARIMAX a los factores
encontrados y los resultados de las correlaciones de dichos factores se
muestran en la Tabla 4.
Los resultados anteriores permiten
postular nueve componentes principales los que determinan el nivel de desempeño
financiero de las empresas del sector de productos de consumo frecuente que
cotizan en la BMV y que deberían de tomarse en cuenta a la hora de evaluar
dichas empresas. Estos están representados por los nueve primeros factores que
pueden nombrarse de la forma en que se muestra en la Tabla 5.
Tabla 1
Matriz de correlaciones
|
|
Circulante |
Prueba de Ácido |
Endeudamiento Total |
Apalancamiento |
|
|
Circulante |
Correlación de Pearson |
1 |
,926** |
-,486** |
-,238** |
|
Sig. (bilateral) |
|
,000 |
,000 |
,000 |
|
|
N |
951 |
951 |
951 |
951 |
|
|
Prueba de Ácido |
Correlación de Pearson |
,926** |
1 |
-,385** |
-,107** |
|
Sig. (bilateral) |
,000 |
|
,000 |
,001 |
|
|
N |
951 |
951 |
951 |
951 |
|
|
Endeudamiento Total |
Correlación de Pearson |
-,486** |
-,385** |
1 |
,868** |
|
Sig. (bilateral) |
,000 |
,000 |
|
,000 |
|
|
N |
951 |
951 |
951 |
951 |
|
|
Apalancamiento |
Correlación de Pearson |
-,238** |
-,107** |
,868** |
1 |
|
Sig. (bilateral) |
,000 |
,001 |
,000 |
|
|
|
N |
951 |
951 |
951 |
951 |
|
|
**. La correlación es significativa en el nivel 0,01 (bilateral). |
|||||
Fuente: Elaboración con base en la información
contenida en ECONOMÁTICA. Resultados de SPSS 24.0
Tabla 2.
Prueba de KMO y Bartlett
|
Medida Kaiser-Meyer-Olkin de adecuación de
muestreo |
,897 |
|
|
Prueba de esfericidad de Bartlett |
Aprox. Chi-cuadrado |
120530,134 |
|
gl |
946 |
|
|
Sig. |
,000 |
|
Fuente: Elaboración con base en la
información contenida en ECONOMÁTICA. Resultados de SPSS 24.0
Tabla 3
Varianza total explicada
|
Factor |
Autovalores iniciales |
Sumas de
extracción de cargas al cuadrado |
||||
|
|
Total |
% de varianza |
% acumulado |
Total |
% de varianza |
% acumulado |
|
1 |
19,782 |
44,960 |
44,960 |
19,782 |
44,960 |
44,960 |
|
2 |
5,336 |
12,128 |
57,088 |
5,336 |
12,128 |
57,088 |
|
3 |
4,700 |
10,681 |
67,769 |
4,700 |
10,681 |
67,769 |
|
4 |
2,818 |
6,405 |
74,174 |
2,818 |
6,405 |
74,174 |
|
5 |
2,729 |
6,202 |
80,376 |
2,729 |
6,202 |
80,376 |
|
6 |
2,092 |
4,755 |
85,131 |
2,092 |
4,755 |
85,131 |
|
7 |
1,652 |
3,754 |
88,885 |
1,652 |
3,754 |
88,885 |
|
8 |
1,279 |
2,908 |
91,793 |
1,279 |
2,908 |
91,793 |
|
9 |
1,068 |
2,428 |
94,220 |
1,068 |
2,428 |
94,220 |
Método de extracción: análisis de
componentes principales
Fuente: Elaboración con base en la
información contenida en ECONOMÁTICA. Resultados de SPSS 24.0
Tabla 4
Matriz de componente rotadoa
|
|
Componente |
||||||||
|
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
|
|
ZCirculante |
-,304 |
,100 |
-,250 |
,006 |
-,025 |
-,251 |
,851 |
-,047 |
-,006 |
|
ZPrueba de Ácido |
-,241 |
,184 |
-,162 |
-,154 |
-,050 |
-,010 |
,897 |
-,014 |
-,023 |
|
ZEndeudamiento Total |
,083 |
,103 |
,923 |
,045 |
-,045 |
,048 |
-,273 |
,050 |
,033 |
|
ZApalancamiento |
,067 |
,129 |
,938 |
-,183 |
-,018 |
,060 |
-,014 |
-,009 |
,071 |
|
ZPasivo a Largo Plazo / Capital
Contable |
,065 |
,113 |
,953 |
-,153 |
-,026 |
,065 |
,011 |
-,014 |
,054 |
|
ZInv. Inicial |
,825 |
-,040 |
-,061 |
,313 |
-,041 |
-,238 |
-,227 |
,006 |
-,071 |
|
Z(Compras) |
,912 |
,003 |
-,055 |
,295 |
-,048 |
,059 |
-,172 |
,005 |
-,033 |
|
ZSaldo promedio de Ctas. X pagar |
,875 |
-,001 |
-,076 |
,267 |
-,057 |
-,013 |
-,284 |
-,024 |
-,055 |
|
ZRotación de Inventarios |
,273 |
,007 |
,142 |
,056 |
-,020 |
,917 |
,032 |
-,012 |
,047 |
|
ZDías de Inventario |
-,306 |
-,156 |
-,047 |
-,063 |
-,012 |
-,898 |
,092 |
,043 |
,005 |
|
ZCiclo de Caja |
-,374 |
-,122 |
-,110 |
,104 |
,032 |
-,678 |
,391 |
,107 |
,028 |
|
ZRotación del Activo |
,057 |
,096 |
-,200 |
,902 |
,031 |
,151 |
-,214 |
-,066 |
,038 |
|
ZRotación del Activo de Largo Plazo |
-,103 |
,194 |
-,207 |
,889 |
-,073 |
-,050 |
,095 |
-,014 |
,020 |
|
ZMargen de Utilidad en Operación |
,067 |
,802 |
,230 |
-,463 |
,080 |
-,045 |
,138 |
-,014 |
,075 |
|
ZActivo |
,085 |
,067 |
-,015 |
-,042 |
-,003 |
-,022 |
,007 |
,946 |
-,001 |
|
ZPasivo |
,054 |
,041 |
,054 |
-,013 |
-,033 |
-,067 |
-,038 |
,948 |
,009 |
|
ZInversión Operativa |
,972 |
-,024 |
,095 |
-,069 |
-,065 |
,109 |
-,091 |
,024 |
,027 |
|
ZInversión Operativa Neta |
,962 |
-,028 |
,119 |
-,112 |
-,064 |
,127 |
-,073 |
,022 |
,043 |
|
ZInversión Operativa Neta Promedio
(IONP) |
,955 |
-,040 |
,114 |
-,106 |
-,061 |
,134 |
-,077 |
-,023 |
,040 |
|
ZRendimiento de la IONP (RION) |
,102 |
,960 |
,068 |
,128 |
,073 |
,053 |
,090 |
,046 |
,051 |
|
ZTasa de Provisiones |
,073 |
,054 |
,157 |
,031 |
,006 |
,023 |
-,016 |
,006 |
,967 |
|
ZRION después de impuestos |
,074 |
,923 |
,031 |
,129 |
,082 |
,039 |
,088 |
,037 |
-,235 |
|
Z(TIIE) |
-,110 | ||||||||