Propuesta de una metodología de scoring para Cobertura cambiaria para empresas PYME importadoras en Colombia. Silvia López Tobar Andrés Sánchez Cambas

Transcripción

1 Propuesta de una metodología de scoring para Cobertura cambiaria para empresas PYME importadoras en Colombia Silvia López Tobar Andrés Sánchez Cambas Colegio de Estudios Superiores de Administración CESA- Maestría en Finanzas Corporativas Bogotá Octubre de 2014

2 Propuesta de una metodología de scoring para Cobertura cambiaria para empresas PYME importadoras en Colombia Investigadores: Silvia López Tobar Andrés Sánchez Cambas Director de investigación Edgardo Cayón Fallón Colegio de Estudios Superiores de Administración CESA- Maestría en Finanzas Corporativas Bogotá Octubre de 2014

3 CONTENIDO Introducción... 5 La economía Colombiana y su comportamiento a partir de la apertura Credit Scoring Historia, teoría y desarrollo Ventajas y Desventajas del Credit Scoring Modelos de Credit Scoring Análisis discriminante: Análisis de regresión: Árboles de decisión: Redes neuronales: Propuesta de una metodología de Scoring Metodología Razones financieras Construcción del modelo Datos iniciales Parámetros de evaluación del modelo Resultado del modelo Conclusiones Bibliografía... 32

4 TABLA DE GRAFICOS Gráfico 1: Crecimiento económico últimos 13 años... 7 Gráfico 2: Total Exportaciones... 7 Gráfico 3: Total Importaciones... 8 Gráfico 4 Crecimiento sector minero e industrial 5 años... 8 TABLA DE TABLAS Tabla 1. Empresas que hacen coberturas Tabla 2. Empresas que no hacen coberturas Tabla 3. Indicadores para modelo Tabla 4. Matriz inicial Tabla 5. Prueba de Correlación Canónica Tabla 6. Prueba Lambda Wilks Tabla 7. Prueba de Box (Aproximación asintótica del F de Fisher) Tabla 8. Resumen Variables Tabla 9. Corte de la curva Tabla 10. Precisión del modelo y el error asociado Tabla 11. Precisión del modelo y el error asociado... 29

5 Introducción Desde la apertura económica a principios de la década de 1990, las empresas Colombianas han tenido acceso a los mercados extranjeros, no solo para la venta de sus productos, sino también para la compra de insumos y productos finales, de consumo y durables, que ponen a la venta en el mercado Nacional. Este cambio sin precedentes, genera repercusiones a nivel legislativo laboral, financiero, comercial, tributario y económico, y es tal vez, el hito más grande de la política económica en Colombia en el último siglo. Es precisamente este cambio el que abre las puertas del país a la globalización, a la modernidad. Sin embargo este cambio trajo consecuencias importantes, fue un cambio de mentalidad Nacional por el que la fuerza productiva del país tuvo que pasar. Recordemos que en las décadas anteriores, se manejaba una política proteccionista, donde se ejercía la política de sustitución de importaciones, una economía con altos aranceles y barreras económicas de entrada y salida a capitales extranjeros entre otros. (Araque Tello, 2009) La baja productividad, calidad de sus productos y elevados precios de los mismos, llevó a que Colombia viviera una época difícil, donde muchas de las pequeñas y medianas empresas tuvieron que cerrar sus puertas, por ejemplo el sector agrícola presentó una disminución de hectáreas sembradas. (Araque Tello, 2009) Por esta razón las que sobrevivieron a la apertura debieron implementar mecanismos de mejora de calidad e innovación buscando la reducción de costos y maximización de beneficios. Esta coyuntura generó un vuelco en el sector de la economía de pequeñas y medianas empresas (PYMES) dedicado a las importaciones. Lógicamente, para las PYMES importadoras la exposición al riesgo cambiario tiene un impacto directo en la rentabilidad de sus operaciones. Es en este contexto, que en la búsqueda de optimización de costos y maximización de beneficios, surge como una solución al riesgo de tipo de cambio el mercado de derivados en Colombia. Dicho mercado, ha presentado un crecimiento en las

6 últimas décadas, ofreciendo soluciones de cobertura de riesgos cambiarios a los clientes, permitiéndoles gestionarlos eficientemente. (Villamil, Albarracín, 2013). Este mercado presenta un abanico de posibilidades, en la que las empresas deberían tomar una decisión estratégica, basada en sus propias necesidades y composición de capital. (Universidad ICESI). Con esta investigación queremos crear una metodología de scoring para que las PYME importadoras puedan tomar la decisión sobre tomar coberturas cambiarias. La investigación se divide en las siguientes partes: Primero se le brindará al lector, un contexto sobre la coyuntura económica en Colombia desde la apertura económica. Segundo, explicar que son los modelos de Scoring e identificar y describir los diferentes modelos de Scoring. Tercero, Elección de un método de Scoring, realización del ejercicio a 20 empresas PYME y análisis de los resultados. Cuarto, conclusiones. La economía Colombiana y su comportamiento a partir de la apertura. Lo primero que debemos hacer es darle un contexto económico y geográfico al problema que encontramos. Las empresas Pyme están expuestas a un riesgo de tipo de cambio que puede llegar a afectar directamente sus resultados. Este riesgo, es cada vez más latente dado la globalización y la interacción del país con las demás economías del mundo, que se refleja en el desarrollo del país, a continuación presentaremos algunas cifras sobre el comportamiento del PIB y el comercio exterior. (Uribe, J D. 2007) A partir de la apertura, Colombia ha presentado un crecimiento económico importante sobre todo en el último lustro. Los crecimientos de los últimos 13 años han sido en promedio 4.3%

7 Gráfico 1: Crecimiento económico últimos 13 años Así mismo las exportaciones e importaciones, han tenido un crecimiento sin precedentes, contribuyendo de forma directa con el crecimiento del PIB. En cuanto a las exportaciones desde 1995 hasta 2013, han crecido un 488% y en relación con las importaciones desde 1999 hasta 2013, han crecido un 457%. Gráfico 2: Total Exportaciones Fuente: Elaborado por el autor, datos obtenidos en el DANE.

8 Gráfico 3: Total Importaciones Fuente: Elaborado por el autor, datos obtenidos en el DANE. Es muy importante observar que estos crecimientos vienen jalonados en gran medida por el desarrollo del sector agrícola, manufacturero y minero energético. Sin embargo debemos resaltar que el crecimiento del sector Agrícola y Manufacturero va en contravía del crecimiento del sector minero energético como observamos a continuación: Gráfico 4 Crecimiento sector minero e industrial 5 años Crecimiento Minero 9,40% 10,94% 10,60% 14,39% 5,97% Industrial - Manufacturero 0,61% -4,15% -1,83% 5,00% -0,50% Fuente: Elaborado por el autor, datos obtenidos en el Banco de la República. Esto se debe a un fenómeno conocido como Enfermedad Holandesa. Este síndrome data de 1960 cuando los Países Bajos hicieron hallazgos de Gas en el Mar del Norte y generaron grandes ingresos por la exportación del elemento, situación que llevó consecuencias negativas a la economía. Entre las consecuencias encontramos una reevaluación acelerada de su moneda, tal vez

9 la consecuencia más relevante. Esta revaluación acelerada se da por una entrada masiva de divisas al mercado, aumentando la Oferta y sobrepasando la Demanda. Cuando se tiene una moneda local reevaluada, la competitividad por fuera del país se debilita razón por la cual producir bienes deja de ser el buen negocio que era en algún momento ya que importar el mismo producto o uno sustituto puede generar más ingresos, sin la carga que genera la actividad productiva. (Echavarría, Arbeláez, 2005) Supongamos que esta situación descrita anteriormente empieza a ser el común denominador en la economía, lo primero que sucede es que se cae en una sustitución de producción por importaciones, afectando directamente el desarrollo productivo de una nación, que es lo que genera un desarrollo y crecimiento real sostenible en el largo plazo, porque no se encuentra supeditado a un recurso no renovables como lo es por ejemplo el gas o el petróleo. Con el desarrollo de nuestra investigación y la propuesta de una metodología de scoring para tomar la decisión si se debe tomar cobertura cambiaria, estamos contribuyendo a la preservación de la industria colombiana, de puestos de trabajo de nacionales, a un crecimiento sano y sostenible de la economía, buscando reducir costos inherentes al riesgo cambiario y brindando una maximización de beneficios a largo plazo.

10 1. Credit Scoring 1.1 Historia, teoría y desarrollo Para poder desarrollar la metodología se debe primero entender que es el credit scoring. Según (Thomas, Edelman, 2002) la puntuación de crédito es el conjunto de modelos de decisión y sus técnicas subyacentes que ayuda en la concesión de crédito al consumo en el mundo. Con estas técnicas los bancos buscan determinar quién puede obtener crédito y cuanto crédito se les puede otorgar. Además el credit scoring es el uso de modelos estadísticos para determinar la probabilidad que un prestamista entre en quiebra. Los modelos son usados para evaluar negocios, inmobiliarios y créditos de consumo (Gup, Kolari, 2005). Estos modelos de credit scoring utilizan datos históricos y técnicas estadísticas para tratar de aislar los efectos de varias características de los clientes. Mucho antes del credit scoring existiera ya los prestamistas evaluaban a quienes le podía prestar de acuerdo a las experiencias anteriores y al comportamiento de la persona que pedía el préstamo. Este método era poco confiable debido a que había un margen de error muy grande. Eventualmente los prestamistas comenzaron a buscar métodos para determinar quién podía recibir un crédito creando sistemas de puntación. Cuando se crearon los modelos estadísticos los modelos de puntuación de crédito avanzaron y se comenzó a utilizar la información histórica para determinar quién podía ser sujeto de crédito. El credit scoring comenzó hace más de 60 años como un modelo para identificar diferentes grupos en una población cuando las características no pueden verse a simple vista. Ronald A Fisher 1 fue el primero en presentar una solución a este problema en El experimento que realizó buscaba 1 Científico matemático Inglés que realizó estudios estadísticos que publicó como Estudio en la variación de cultivos.

11 determinar la mejor manera para separar dos grupos de especies de flores iris usando la combinación lineal de variables. Según UCLA: IDRE Este experimento utilizó tres variedades de iris y cuatro variables de predicción (ancho del pétalo, longitud del pétalo, ancho del sépalo y la longitud del sépalo). Fisher no sólo quería determinar si las variedades difieren significativamente en las cuatro variables continuas, sino que también estaba interesado en la predicción de la clasificación de variedades de plantas individuales. Con este modelo Fisher pudo establecer que con unas características determinadas para cada grupo se podía predecir a que grupo pertenecían las flores del estudio. Este modelo fue utilizado después para desarrollar los sistemas de credit scoring y así determinar quién podría ser sujeto de crédito y quién no. Algunas compañías de servicios financieros introdujeron sistemas de puntuación numérica para buscar superar las inconsistencias en las decisiones de otorgamiento de crédito (Weingartner, 1966). A raíz del surgimiento de la Segunda Guerra Mundial, muchos analistas de crédito fueron llamados a prestar servicios militares, razón por la cual el número de profesionales dedicados a esta labor disminuyeron. Esto llevó a que los pocos que quedaron, tuvieran que escribir las reglas para decidir a quién le daban un crédito. Dentro de las reglas estaban incluidas las condiciones que se debían cumplir además de la puntuación numérica. Posteriormente con la finalización de la Guerra, los analistas de crédito se reunieron para crear la automatización de las decisiones de crédito con las técnicas de clasificación desarrolladas en los modelos estadísticos. (Wonderlic, 1952). Posteriormente, el auge de la utilización de las tarjetas de crédito a finales de la década de los 60 s, demostró la gran utilidad que suponía el sistema de puntuación de crédito pues había una gran cantidad de personas aplicando por tarjetas de crédito y era muy difícil utilizar otros métodos para evaluación de crédito, dada la complejidad del producto. Para esto si las características del

12 cliente eran satisfactorias como la de los clientes que no había incumplido, entonces se concedía la solicitud (Crook, 1996). En 1971 el congreso de los Estados Unidos aprobó la ley del informe justo de crédito para establecer las prácticas justas que se debían cumplir en lo que se refiere al uso de la puntuación de crédito. La ley fue creada para proteger la información financiera de los clientes y promover el uso adecuado de los sistemas de credit scoring. Durante los años ochenta, después del éxito de la puntuación de crédito en el otorgamiento de las tarjetas de crédito, los bancos comenzaron a usarlo en todos los productos. En la década de los noventa con el desarrollo de mejores recursos estadísticos y computacionales las técnicas de credit scoring fueron masivamente difundidas para que todos los bancos pudieran hacer procesos de gestión crediticia haciendo de este un proceso eficaz y eficiente para la originación de financiaciones y así tener un mayor control del riesgo de los portafolios de crédito. Sin embargo, a pesar de la gran utilidad de estos modelos, la evolución de los mismos, no ha sido únicamente en su uso, sino que han evolucionado a la forma en la que se construyen, pasando de las técnicas estadísticas (en particular, análisis discriminante) de la década de los 70 s a los modelos matemáticos econométricas y de inteligencia artificial. (Rayo, Lara, Camino, 2010). La mayoría de estos modelos utilizan la minería de datos como base y raíz de sus análisis buscando extraer información útil y enco ntrar patrones de comportamiento de los datos. Aunque en el momento se cuentan con muchas herramientas que permiten hacer el análisis de crédito, hoy todavía el juicio del analista continúa teniendo valor en la decisión de los sujetos de crédito. En Colombia en el 2013, Villegas y Restrepo hicieron un análisis cuantitativo en el cual utilizaron una metodología de investigación exploratoria y que desarrollaron basados en una base de datos de una empresa del sector financiero. En las palabras propias de los autores: Esto con el objetivo de trabajar sobre datos reales. Para desarrollar este proyecto y alcanzar el objetivo general y los objetivos específicos, se ha planteado la siguiente

13 metodología para ir paso a paso realizando las actividades y tener un orden de trabajo claramente definido. El proyecto se desarrollara en una serie de pasos. (Villegas, Restrepo. 2013) Para este análisis realizaron dos pasos. Primero: Se hizo un análisis de la base de datos suministrada por Sistecredito SAS 2. Se analizaron las características y variables que puedan describir el cliente y reflejar su comportamiento. Esto se llevó recopilando previamente información de los clientes. Segundo: se llevó a cabo un análisis para identificar las técnicas que se ajusten a la información seleccionada. Escogieron un máximo dos técnicas a realizar para comparar los resultados y posteriormente realizar el análisis. Para este estudio se eligió la técnica Logit, de acuerdo a los autores: El modelo de Logit, consiste en una combinación lineal de variables explicativas las cuales tienen diferentes cantidades de peso en el modelo. La variable de salida, o variable dependiente se ve expresada de forma logarítmica con una fórmula que entrega un valor con dos posibilidades, 0 o 1. En el caso de un análisis de crédito, 0 puede ser no otorgar el crédito y 1 puede ser si otorgar el crédito (Villegas, Restrepo. 2013) La razón por la cual este estudio tomó Logit y no el análisis discriminante es debido a que nosotros no estamos intentando encontrar la probabilidad de impago de un crédito, sino si debería o no debería tomar una cobertura cambiaria. Según Wiginton (1980) el análisis Logit ofrece un mejor porcentaje de clasificación al análisis discriminante. Sin embargo la parte realmente importante es que las razones financieras, que son la base de nuestro estudio, han sido la materia prima del análisis discriminante del modelo Z-Score de Altman, (Rayo, Lara, Camino. 2010), razón por la cual tomaremos el análisis discriminante como base de nuestro estudio. 2 Sistecrédito SAS es una empresa dedicada al manejo del sistema crediticio por medio de servicios profesionales comprometidos con la generación de valor a sus clientes, a través de una oferta integrada de soluciones y metodologías de vanguardia.

14 1.2 Ventajas y Desventajas del Credit Scoring El credit scoring normalmente es comparado con las técnicas de juicio personales; los primeros en hacerlo fueron Chandler & Coffman (1979) y después Crook (1996). Basados en lo que dijeron sacamos las siguientes ventajas y desventajas del credit scoring Una de las ventajas que tiene el credit scoring es que es una herramienta que no necesita de mucha información para tomar una decisión, solo necesita de unas variables preestablecidas que fueron seleccionadas por su correlación con el comportamiento de pago. Además el credit scoring busca corregir el sesgo considerando no solo las aplicaciones que fueron exitosas sino tomando también las que no lo fueron. Otra ventaja del crédit scoring es que es una herramienta que considera las características positivas como las negativas sin dejarse sesgar. En la construcción de los modelos de credit scoring buscan incluir la mayor cantidad de información histórica. Por esto los modelos de credit scoring buscan demostrar la correlación entre las variables incluidas y el comportamiento de pago. Además los modelos permiten que sin importar quien haga el análisis con los mismos datos siempre se obtendrá el mismo resultado lo que hace que la decisión de crédito sea imparcial. Así mismo el credit scoring es una herramienta eficiente y que permite que se cometan menos errores. Las desventajas del credit scoring son primero que al ser un modelo de características preestablecidas no permite justificar ninguna respuesta y por ende puede no dar una respuesta asertiva. Igualmente en los modelos no se incluyen factores de la economía que podrían hacer que la respuesta a las aplicaciones sea negativa. El modelo no tiene en cuenta que un cliente puede estar mal clasificado lo que llevaría a una respuesta negativa que debió ser positiva. Así mismo los modelos de credit scoring pueden mostrar una discriminación por alguna característica programada en el sistema lo que impediría ver el total de aplicaciones de crédito como iguales lo que llevaría a

15 que si una persona cambia de trabajo o de dirección deje de ser sujeto de crédito solo por este cambio. Los modelos de credit scoring al estar basados en información histórica pueden dejar por fuera variables que en el momento por su importancia en los pagos podrían cambiar totalmente los resultados o que por el cambio en el tiempo algunas variables sean más necesarias que otras y esto no sea tenido en cuenta. Por último cada banco utiliza su modelo y no existe uno estándar lo que hace que sean modelos costosos y donde el costo de entrenamiento es elevado. 1.3 Modelos de Credit Scoring Existe una cantidad de técnicas estadísticas que se utilizan para la construcción de modelos de credit scoring que sean eficaces y eficientes para predecir quienes pueden ser sujetos de crédito. Según lo anterior los modelos de credit scoring que se van a analizar son los siguientes: análisis discriminante, análisis de regresión, árboles de decisión, y redes neuronales. Los modelos que utilizan estadística avanzada como lo son las redes neuronales y la programación genética generan alternativas a las técnicas convencionales. Esto debido a la capacidad que tiene para modelar funciones complejas, mientras que los convencionales utilizan técnicas más simples Análisis discriminante: El análisis discriminante es una técnica que se emplea para determinar cuáles variables se utilizan para diferenciar entre dos o más grupos que se están observando. En esta técnica se busca analizar variables independientes y su relación entre sí para determinar la clasificación de las observaciones en grupos. El análisis discriminante es una técnica lineal lo que hace que pueda

16 quedarse corta en el análisis de grupos. El primero en proponer este tipo de análisis fue Fisher (1936) como técnica que clasificación de especies. Entre los modelos más importantes que existen de este tipo está el Z Score de Altman con el que se busca predecir cuales empresas podrían entrar en quiebra utilizando cinco razones financieras Análisis de regresión: Entre los análisis de regresión tenemos 2 tipos los de regresión lineal y los de regresión logística. Los modelos de regresión lineal son modelos que permiten describir la relación entre una variable dependiente (obtención del crédito) y una o más variables independientes (historial de pago, garantías etc...) donde se establece unos valores específicos para cada variable, que actúan como los elementos de control. En el caso que el estudio del cliente saque valores superiores a esos estándares entonces se obtiene el crédito. Orgler (1970) utilizó este modelo para el análisis de créditos comerciales. Los modelos de regresión logística son una de las técnicas estadísticas más utilizadas. Este modelo se diferencia de la regresión lineal en sus parámetros y los supuestos. Cuando se tiene una diferencia entones la regresión logística sigue los mismos pasos de la regresión lineal (Hosmer & Lemeshow, 1989) Árboles de decisión: Método no paramétrico que no requiere supuestos distribucionales, permite detectar interacciones modela relaciones no lineales y no es sensible a la presencia de datos faltantes y outliers ((Breiman, Friedman, Olshen & Stone 1984), (Kass 1980)). Lo que se busca en este método es hacer particiones según unas reglas hasta llegar a la clasificación final. Existen diferentes metodologías donde básicamente se diferencian las reglas de partición y los criterios de parada para generar un resultado final. Este modelo es muy usado

17 ya que es un modelo simple que tiene una gran capacidad de discriminar los clientes. Uno de los primeros usos de este modelo fue el CART de Breiman (1984) Redes neuronales: Son técnicas matemáticas que buscan resolver problemas de inteligencia artificial a través de un programa de computador que aprende a través del proceso de ensayo y error. (Gately 1996) Las redes neuronales buscan imitar el sistema nervioso humano. Como información de entrada toman todas las variables o características del crédito y dan como resultado la probabilidad de no pago. Utiliza nodos para dar respuesta a cada característica de entrada. Es uno de los modelos más complejos porque es difícil de aprender y comprender. Estos modelos son muy aplicados en las instituciones financieras porque ayuda a predecir la quiebra y el fraude en las tarjetas de crédito.

18 2. Propuesta de una metodología de Scoring 2.1 Metodología Basados en la metodología de los modelos de credit scoring queremos desarrollar nuestra metodología de scoring. El modelo de credit scoring que vamos a utilizar debe ser un modelo que permita establecer relación entre variables cualitativas. Por esto se seleccionó el análisis discriminante como la herramienta para desarrollarlo. El análisis discriminante multivariado es una técnica estadística que permite clasificar una observación en un grupo definido a priori inicialmente para clasificar cuando se tiene variables dependientes cualitativas. Para resolver este cuestionamiento realizaremos un análisis a los estados financieros de 11 empresas PYME de diferentes sectores económicos, que sean importadores activos en el mercado y que utilizan coberturas cambiarias en la operación, para hacer la comparación escogeremos 23 empresas PYME de diferentes sectores económicos, que sean importadores activos pero que no utilicen coberturas cambiarias. Las variables que analizaremos serán razones financieras y creemos que podemos encontrar una correlación entre las variables que permita identificar la viabilidad del uso de coberturas cambiarias para el pago de las importaciones. Debemos tener en cuenta que el modelo tiene una limitación y es que al utilizar los estados financieros de las empresas estos pueden estar modificados buscando atender unas políticas financieras y/o estrategias de las compañías y entonces el modelo no refleja la verdadera situación financiera de la empresa. Cuando se desarrollan modelos de análisis discriminante hay que tener en cuenta que se pueden que existan variables exógenas que afecten el resultado. Por esto cuando se esté generando la ecuación se debe evaluar la precisión del modelo mediante los errores de clasificación que se podrían

19 obtener. Error tipo I: porcentaje de empresas que no usan coberturas que son clasificadas como con uso de coberturas Error tipo II: porcentaje de empresas que usan coberturas que son clasificadas como sin uso de coberturas 2.2 Razones financieras El propósito de la contabilidad es brindar información a los stakeholders y a los sotckholders que tiene una entidad. El propósito de esta información es mostrar el estado financiero de la compañía, de forma oportuna, eficiente y fidedigna, con el objetivo de poder facilitar la toma de decisiones. De acuerdo a Gladys Carrillo de Rojas. En consecuencia, como la contabilidad sirve a un conjunto de usuarios, se originan diversas ramas o subsistemas. Con base en las diferentes necesidades de información de los distintos segmentos de usuarios, la información total que es generada en una entidad económica para diferentes usuarios se ha estructurado en tres subsistemas El subsistema de información financiera. El subsistema de información fiscal. El subsistema de información administrativa. La contabilidad considera que todo negocio debe presentar cuatro informes básicos. De tal manera, existe el estado de resultados que informa sobre la rentabilidad de la operación, es estado de situación financiera o balance general, cuyo fin es presentar una relación de recursos (activos) de la empresa así como de las fuentes de financiamientos (pasivo y capital) de dichos recursos, el estado de variaciones del capital contable, cuyo objetivo es mostrar los cambios en la inversión de los dueños de la empresa, y el estado de cambios en la situación financiera, cuyo objetivo es dar información acerca de la liquidez del negocio, es decir, presentar una lista de las fuentes de efectivo y de los desembolsos del mismo, lo cual constituye una base para estimar las

20 futuras necesidades de efectivo y sus probables fuentes (Hernández, R. 2013) Sin embargo el ciclo de información financiera no acaba ahí, falta el análisis de los datos y para esto el subsistema de información financiera, brinda ciertas herramientas dentro de las cuales encontramos razones o valores relativos que nos darán una perspectiva más amplia para la toma adecuada de decisiones financieras. El proceso es tomar los datos que la contabilidad brinda y calcular algunas dependiendo de las decisiones que busquen tomarse, en este caso la exposición a riesgo de tipo de cambio y finalmente si se debe tomar coberturas cambiaras o no. En nuestro caso, tomaremos la contabilidad de una serie de empresas (20) y calcularemos algunas razones financieras dentro de las cuales encontramos razones de Rentabilidad y Endeudamiento. La principal razón por la cual tomaremos razones de Rentabilidad y endeudamiento es que lo que buscamos con la toma de una cobertura es garantizar que los egresos por diferencia en cambio no afecten la rentabilidad de la empresa. En cuanto a las razones de endeudamiento, es importante conocer si la empresa tiene obligaciones de corto plazo y su concentración para determinar qué tan viable es que pueda tener coberturas que se adecuen a sus características y la exposición que tiene dado su apalancamiento en moneda extranjera. Por su parte las razones de rentabilidad nos permiten determinar si la empresa hace una adecuada planeación para garantizar y proteger el patrimonio de los accionistas. Las razones que elegimos son las siguientes: Razón de endeudamiento. Mide la proporción de los activos que están financiados por terceros. Recordemos que los activos de una empresa son

21 financiados o bien por los socios o bien por terceros (proveedores o acreedores). Se determina dividiendo el pasivo total entre el activo total. Apalancamiento Financiero (Razón Deuda-Patrimonio): muestra la proporción de los activos que ha sido financiada con deuda. Desde el punto de vista de los acreedores, corresponde al aporte de los dueños comparado con el aporte de no dueños. Resultado sobre Activos (ROA): Resultado sobre Activos (ROA): corresponde al porcentaje de utilidad o pérdida, obtenido por cada peso invertido en activos. Ut neta periodo/ Activos Resultado sobre Patrimonio (ROE): corresponde al porcentaje de utilidad o pérdida obtenido por cada peso que los dueños han invertido en la empresa, incluyendo las utilidades retenidas. Ut neta periodo/ Patrimonio 2.3 Construcción del modelo Datos iniciales Una vez se han seleccionado las 34 empresas, se formaron los dos grupos a priori: empresas que hacen cobertura (grupo 1) y empresas que no hacen coberturas (grupo 2). En el primer caso, se seleccionaron 11 empresas que hacen coberturas para el pago de sus importaciones (Tabla 1) y fueron incluidas como grupo 1.

22 Tabla 1. Empresas que hacen coberturas Elaboración propia basada en sectores económicos de la muestra. De igual manera se seleccionaron 23 empresas que no hacen coberturas para el pago de sus importaciones (Tabla 2) y fueron incluidas como grupo 2. Tabla 2. Empresas que no hacen coberturas Elaboración propia basada en sectores económicos de la muestra.

23 Con estos dos grupos de empresas ya seleccionados, se construyó el modelo utilizando el método de análisis discriminante multivariado y utilizando el software XLSTAT. Se determinaron los indicadores financieros que se utilizaran para el modelo y a cada uno se le asignó una variable. Tabla 3. Indicadores para modelo Variable Indicadores para el Modelo X 1 X 2 X 3 X 4 X 5 X 6 Nivel de endeudamiento sobre activos Nivel de endeudamiento sobre Patrimonio (Leverage) Concentración a Corto Plazo Concentración a Largo Plazo ROE ROA Elaboración propia basada indicadores financieros de Gladys Carrillo de Rojas Con estos datos iniciales se construyó la matriz inicial para las 34 empresas. La información financiera de las empresas, balance general de los últimos 4 años se recopiló de la página Web de la Superintendencia de Sociedades de Colombia 3 y del sistema de información BRP. 3 Superintendencia de sociedades de Colombia disponible [en línea] en:

24 Tabla 4. Matriz inicial Elaboración propia basada en resultados financieros de las empresas A partir de este análisis se obtuvieron los siguientes resultados: Parámetros de evaluación del modelo El coeficiente de correlación canónica para el modelo es 0.714, este valor indica que existe una relación entre el grupo de pertenencia y los valores de la función discriminante, es decir que las empresas que hacen coberturas cambiarias tienen relación con la función discriminante que se forma. Es decir, la función adopta diferentes valores en los grupos considerados y responde satisfactoriamente al propósito de discriminar entre los grupos. Por lo tanto, maximizar este coeficiente es un buen método para mejorar la exactitud y