Modelo Z de Altman: Predictor de quiebras

Sebastián Salas, Verenisse Pillajo y Jazmín Palacios

RESUMEN

El presente trabajo trata de exponer y explicar el modelo de predicción llamado Z- Altman, el cual
ha sido utilizado, desde que fue desarrollado y hasta la actualidad, por muchos analistas financieros
para predecir un problema de insolvencia o quiebra de una determinada empresa. También se
tratara de contrastar los resultados obtenidos por estudios aplicados en otras empresas para
determinar la fiabilidad de aplicar este modelo en cualquier circunstancia.
Palabras clave: Indicadores financieros, modelos Z- Score, Edward Altman, multivariado

INTRODUCCION no-bancarrota. Ejemplo: una empresa puede

En la actualidad, existen diversas técnicas que
permiten conocer la situación financiera de la
empresas, se pueden citar: análisis de razones
financieras, Modelo Z Score (Altman), Modelo
de Ohlson, entre otras; los objetivos de estas
técnicas son variables y van desde medir el
rendimiento que obtienen los socios sobre la
inversión y la determinación del valor de la
empresa en el mercado, hasta obtener índices
para prevenir la bancarrota.
Todas estas técnicas y modelos son muy
importantes ya que nos permiten identificar los
problemas financieros que están afectando a la
empresa y los que le podrían llevar a la quiebra,
sin embargo nos centraremos en estudiar la
aplicabilidad del Modelo Z Score en las
empresas, con el propósito de obtener un
panorama general sobre este modelo y su
precisión.
A cualquier accionista le interesa conocer la
solvencia actual y a futuro de aquellas empresas
en las que está invertido su dinero, ya que
dependiendo del rendimiento de esta,
dependerán sus ganancias o por el contrarios
perdidas irremediables. Anteriormente, ya en los
años 30 se utilizaban las razones financieras
tradicionales para diagnosticar la quiebra de una
empresa, sin embargo, para Edward Maltan estos
indicadores no podrían predecir la futuro de la
empresas ya que suscitaban algunos problemas:
Uno de ellos era que el análisis de razones
financieras era susceptible a clasificar
erróneamente una empresa en bancarrota o en
tener un indicador de baja rentabilidad y/o poca
solvencia y ser clasificada en el grupo de
bancarrota. Sin embargo, si tiene un indicador de
liquidez por encima de la media, su situación ya
no se considera tan peligrosa, lo que puede dar
lugar a falsas interpretaciones y confusión al
momento de clasificar a la compañía en el grupo
con dificultades financieras o en el grupo sin
ellas. Esto de alguna forma le restó cierta
credibilidad al análisis de indicadores y dio paso
a una serie de estudios más avanzados, siendo
uno de ellos el modelo Z-Score (Avilés, 2014)
DESARROLLO
Es bastante difícil de lograr predicciones de
dificultades financieras para las empresas con
indicadores por separado, razón por la cual se
han creado modelos univariados y multivariados
que pueden ser caracterizados como análisis
discriminantes como el propuesto por Altman,
que es una técnica estadística que se aplica muy
bien a las características de la información
disponible y a los resultados esperados.
En 1960, el profesor Edward Maltan en New
York, estudio y desarrollo un modelo
econométrico, el cual se conoce hoy como el
modelo Z-Score o Z-Maltan.
Este modelo ha tenido que modificarse a lo largo
del tiempo, ya que en un principio solo era
aplicable para aquellas empresas industriales que
cotizaran en la bolsa de valores. De este modelo
se derivan el Modelo Z1-Score y el Z2.
El modelo Z-Score original que Altman
publicó en 1968 se basó en una muestra
inicial de 66 empresas del sector
manufacturo, donde el 50% de ellas había
quebrado entre 1946 y 1965 y el otro 50%
seguía operando hacia 1966. Los resultados
que obtuvo Altman al aplicar este modelo
fueron un 95% de precisión global un año
antes de la bancarrota y un 82% de precisión
dos años antes de que esta sucediera (Avilés,
2014)
Seleccionó 22 ratios para ser evaluados, de los
cuales se escogieron aquellos que mostraron
mayor poder predictivo y que, al mismo tiempo,
minimizaron la correlación entre sí; es decir se
intentó seleccionar aquellos ratios que
concentraran la mayor cantidad de información.
Y resultó esta fórmula discriminate:
Z = 1.23 X1 + 1.4 X2 + 3.3 X3 + 0.6 X4 + 0.99 X5
 Si Z > 2.99 la empresa tiene buena salud
financiera (zona segura)
 Si Z < 1.81 la empresa está en bancarrota
(zona de quiebra)
 Si 1.81 < Z < 2.99 no se puede determinar la
condición financiera de la empresa
Dónde:
 X1 = Capital de trabajo/Activo total.
 X2 = Utilidades retenidas/Activo total.
 X3 = Utilidades antes de intereses e
impuestos/Activo total.
 X4 = Valor de mercado de las
acciones/Pasivo total.
 X5 = Ventas/Activo total.
Representatividad de los coeficientes de la
fórmula score “z”
X1 = Capital de trabajo/total de activos
Mayor nivel de capital de trabajo en
comparación con el total de activos significa
mayor nivel de liquidez. Para Altman X1 era uno
de los índices más importantes.
X2 = Utilidades retenidas acumuladas / Activos
totales (%)
Muestra cuanto representan nuestras utilidades
retenidas con respecto a los activos totales. Es
uno de los factores más representativos, porque
es una medida de largo plazo frente a las
políticas de retención de utilidades.
X3 = Utilidades antes de intereses e
impuestos/Activo total
Nos permite determinar cuánto obtenemos de
utilidad antes de impuestos por cada dólar que
hemos invertido en nuestros activos totales, es
decir el poder productivo de este.
X4 = Valor de mercado de las acciones / Pasivo
total
Es un ratio muy utilizado al momento de
determinar el riesgo crediticio de una empresa,
ya que nos muestra las veces en que el valor de
liquidación contable de las empresas es capaz de
cubrir el total de pasivos.
Cociente X5 = Ventas / Activos totales
Representa a las ventas que se generan por cada
dólar de activos totales que se tiene en las
empresas.
A pesar de la precisión que obtuvo Altman en
los resultados de su estudio, este modelo ha
recibido muchas críticas, ya que se comenta que
incidió mucho el hecho de que se estudiaron
empresas grandes y con determinados problemas
financieros, por lo que la aplicación en empresas
con condiciones diferentes no llegaría ser fiable,
otros autores desfavorecieron el poder analítico
de este tipo de modelos debido a la alta
correlación que presentan las variables
estudiadas. En general, los críticos del modelo
Altman señalaban que las variables
independientes del modelo inicial no eran las
más representativas.
Se cuestionaba mucho el problema que
presentaba la variable X4 en aquellas empresas
que no cotizan, pues varios analistas opinaban
que al no cotizar en Bolsa la mayoría de las
firmas, la función era poco práctica al requerir
indicadores del mercado de valores. La variable
X5 propuesta que se refiere al factor de rotación
o eficiencia global de activos (ventas / activo
total) fue considerado como un ratio no
significativo en los modelos univariables, pues
apenas tenía capacidad de discriminación.
(Campanaro, 2016)
Por estas razones, como ya se dijo Altman
publico dos nuevas versiones:
1.- El modelo Z1 de Altman: sustituye el
numerador de la razón X4, es decir el valor de
mercado del patrimonio por su valor en libros o
valor contable. Las ponderaciones también
cambian, no obstante, el modelo no aplica a todo
tipo de empresas sino sólo a compañías del
sector manufacturero que no cotizan en bolsa.
Z1 = 0.717 X1 + 0.847 X2 + 3.107 X3 + 0.420
X4 + 0.998X5
Dónde: X4= valor contable del
patrimonio/pasivo total
Los límites de referencia cambiaron de la
siguiente forma:
Z1 > 2.90: zona segura
Z1 < 1.23: zona de quiebra
1.23 < Z1 < 2.90: zona gris
2.- Modelo Z2 de Altman: es una revisión del
modelo Z1 y es aplicable a todo tipo de
empresas, diferentes de las descritas en Z y Z1.
El modelo Z2 se usa para empresa comerciales o
de servicios, ya sean cotizadas o no en la bolsa
de valores. En este modelo se elimina la razón
X5, ya que en este tipo de empresas los activos
varían significativamente y puede dar lugar a
malas interpretaciones.
Las ponderaciones o coeficientes de la función
discriminante también se modificaron y la
función quedó de la siguiente forma:
Z2 = 6.56X1 + 3.26X2 + 6.72X3 + 1.05X4
El modelo se interpreta así:
Z2 > 2.60: zona segura
Z2 < 1.10: zona de quiebra
1.10 < Z2 < 2.60: zona gris
Como se ha visto, existen varias controversias
que ponen en duda lo práctico que es este
modelo, por lo cual se ha hecho una
comparación de 2 trabajos de universidades, en
los cuales se aplicó este modelo de predicción
de quiebra ciertas empresas.
Conclusión de la aplicación del modelo en una
tesis de grado presentada por un estudiante de la
Universidad Católica del Ecuador:
Con el objetivo de confirmar la validez del
modelo Altman Z-Score, en particular la versión
Z2, como una herramienta para predecir de uno
hasta con cincos años de anticipación la quiebra
de aquellos bancos que cayeron durante la crisis
financiera del Ecuador, se formaron dos grupos
de trabajo: uno formado por 14 bancos
quebrados en el periodo 1998- 1999 y otro
formado por 24 bancos que lograron
sobreponerse a la crisis y aún operaban a finales
de 1999 e inicios de 2000. Los resultados
obtenidos no fueron muy alentadores. El modelo
tuvo una precisión global de 44.74% un año
antes de la fecha de quiebra, un porcentaje
relativamente bajo respecto del que Altman
obtuvo en su estudio original con el Z2-Score,
que fue mayor al 90%. Siguiendo una clara
tendencia a la baja, la precisión del modelo
disminuyó a un 39.47% dos antes de la
bancarrota. Así mismo en el año tres, logró un
37.84%; en el año cuatro, un 35.48% y en el año
cinco un 18.52%. Esto prueba que el modelo Z2-
Score no es válido para predecir la bancarrota de
los bancos en el caso de la crisis bancaria
ecuatoriana de finales del siglo XX y que a
mayor tiempo de distancia a la fecha de quiebra,
la precisión del modelo disminuye y se hace más
difícil el pronóstico de bancarrota. (Avilés,
2014)
Otra tesis de maestría en una Universidad de
Colombia nos muestra el resultado de la
aplicación de este modelo en pymes:
Para nuestra investigación, se probó el modelo
Z-Score de Altman con 30 empresas (15
operativas y 15 en proceso de cierre), que
hicieron parte de la muestra para el cálculo del
modelo propuesto, obteniendo un acierto del
62% para las empresas saludables y un 100%
para empresas en cierre. Por esta razón, se
concluye que el modelo es un buen predictor
para conocer la situación financiera de las Pymes
en Colombia, siendo este una herramienta
eficiente para implementar en las mismas,
acompañado de revisiones periódicas que
identifique a tiempo el estado de cada una de las
empresas. (Grisales, 2016)
Como podemos observar este modelo fue
preciso en el segundo caso, en las determinadas
pymes de Colombia, ya que tuvo hasta un 100%
de aciertos, mas no en el primero ya que no
predijo la totalidad de las empresas que en la
crisis del Ecuador quebraron y a medida que
tomaron los datos de años lejanos a la crisis la
precisión del modelo fue disminuyendo
significativamente.
CONCLUSIONES
Existen diferentes versiones del modelo Z-Score,
por lo tanto, si se desea aplicar a un caso de
estudio, se debería escoger la versión que más se
relacione con el tipo de empresa a estudiar, ya
que de lo contrario se podría distorsionar la
interpretación.
El modelo Z-Score tiene menor probabilidad de
error cuando se toman como referencia los datos
de los años más recientes de la actividad
económica, mientras más antiguos sean los datos
menor será la precisión del modelo.
El modelo Z-Score tiene sus limitaciones, de
acuerdo a las críticas de ciertos autores y la
ejemplificación de la aplicación en diferentes
empresas, podemos concluir que la fiabilidad y
veracidad de este método dependerá mucho de
las circunstancias, el entorno, estructura,
políticas internas, externas, etc., que incidan en
el desarrollo de la empresa.
Referencias
Avilés, A. F. (Mayo de 2014). repositorio.usfq.
Obtenido de
http://repositorio.usfq.edu.ec/bitstream/2300
0/3318/1/110956.pdf
Campanaro, R. (Noviembre de 2016). FCECON.
Obtenido de
https://www.fcecon.unr.edu.ar/web-
nueva/sites/default/files/u16/Decimocuartas/
marchese_y_otros_modelos_de_predictibilid
ad_de_quiebras_e_insolvencia_basados_en_
analisis_de_estados_financieros.pdf
Charpentier, J. A. (Noviembre de 2013). Modelos
para la prevencion de bancarrotas
empresariales utilizados por el sector
empresarial costarricense. Costa rica.
Obtenido de
file:///C:/Users/Inicio%201/Downloads/Dialn
et-
ModelosParaLaPrevencionDeBancarrotasEm
presarialesU-4517776.pdf
Grisales, R. B. (2016). repositorio.EAFIT. Obtenido
de
https://repository.eafit.edu.co/bitstream/hand
le/10784/11575/Andres_TrujilloOspina_Ros
mery_BelalcazarGrisales_2016.pdf?sequenc
e=2
Jones, FL (1987). Técnicas actuales en la predicción
de quiebras. Diario de Literatura contable,
Grice, JS, (2001). Las limitaciones de los modelos de
predicción de quiebra: algunos Precauciones para el
Investigador, Revisión de Finanzas Cuantitativas y
Contabilidad, Kluwer Editores Académicos, vol. 17,
pp. 151-166.
Chava, Sudheer y Jarrow, Robert A., (2004).
Predicción de quiebra con la industria Efectos,
Review of Finance, Kluwer Academic Publishers,
vol. 8, pp. 537–569.