Evaluación de riesgo crediticio en el sector de la construcción Colaboración.

El objetivo de este trabajo es construir un modelo de decisión de tipo probabilístico, que permita evaluar el riesgo de incumplimiento de los compromisos crediticios de una empresa constructora pequeña o mediana, en base a los ratios obtenidos de los Estados Contables de la misma. Evaluación de riesgo crediticio en el sector de la construcción Colaboración. El modelo desarrollado por E. Altman en 1968, tenía por objetivo la predicción de serios problemas financieros de empresas manufactureras de EE.UU., en función de ratios obtenidos de sus estados contables. La principal característica del mismo es que, basado en el análisis discriminante multivariante, permite la consideración en forma simultánea de diversas variables que describen diferentes aspectos de la empresa. Esta herramienta es hoy ampliamente utilizada en el sector financiero para la evaluación de riesgo crediticio. Dada la relevancia que considero tiene la rama industrial a la que pertenece la empresa, en la definición de parámetros financieros para efectuar diagnósticos, en este trabajo se propone un modelo discriminante aplicable exclusivamente a empresas constructoras. La función alcanzada presenta un grado razonable de efectividad, y resulta sensible fundamentalmente a la estructura de financiamiento - relación deuda/capital - y en menor medida al margen bruto sobre ventas, y la liquidez corriente. JEL Classification codes G32 Martín Dutto Giolongo Profesor de Finanzas de Empresas, Universidad Nacional del Litoral, Argentina 20 Ejecutivos de Finanzas Abril 2006

Introducción El objetivo de este trabajo es construir un modelo de decisión de tipo probabilístico, que permita evaluar el riesgo de incumplimiento de los compromisos crediticios de una empresa constructora pequeña o mediana, en base a los ratios obtenidos de los Estados Contables de la misma. El uso de ratios a estos fines, se justifica atento a que utilizamos como base de información, reportes contables que normalmente las firmas ya disponen, debido a que la exigencia de su presentación proviene de las normas legales. Por lo tanto, no se requiere la preparación de información adicional a la que la empresa debe poseer. Este punto no debería menoscabarse, ya que la utilidad de toda herramienta de decisión, debe analizarse en relación a los costos que la misma genera, más aún en un contexto tan restringido como el de Argentina. insertar dentro de esta metodología de análisis, el análisis discriminante como técnica estadística multivariante. El objetivo es dotar al método de un contexto bien definido de teoría decisoria. Una de las aplicaciones más recientes de esta técnica, ha sido la búsqueda de modelos que permitan predecir serios problemas financieros de las empresas o riesgo de cesación de pagos. La característica más distintiva del análisis discriminante es la consideración en forma simultánea de diversos indicadores en el proceso de predicción. El trabajo pionero en este tema ha sido de Altman (1968) de la Universidad de Nueva York, que aplicó esta técnica a un grupo de empresas manufactureras de EE.UU. En América Latina también han desarrollado estos modelos, entre otros, Pascale (1988) de la Universidad de la República de Uruguay, Alonso (1999) de la Universidad Nacional de la Plata, y Dutto (2001) de la Universidad Nacional del Litoral. En el enfoque tradicional, el diagnóstico financiero mediante índices o ratios contables, había permanecido al margen de la rigurosidad con que evolucionaron las finanzas en los últimos cincuenta años. Mientras en esta disciplina se avanzaba en el desarrollo de modelos teóricos, el uso de las razones financieras se limitaba principalmente a la comparación simple de los valores de una empresa contra un punto de referencia. Esta referencia podía consistir en el análisis de los valores históricos de la empresa durante un período de tiempo, a los efectos de determinar una tendencia. Otra base de contrastación solían ser los índices promedios por sector industrial. Por último, también era usual compararlos contra lo que se conoce como un presupuesto. Éste era de mayor uso por parte de la dirección de la empresa a efectos de realizar un monitoreo de la gestión de la misma. En el marco de una perspectiva más moderna del análisis financiero, se han realizado esfuerzos para Actualmente se está utilizando esta herramienta ampliamente en el sector financiero, fundamentalmente para la toma de decisiones de otorgamiento de créditos a empresas, bajo el nombre de "coeficiente Z" o "Z score". Sin embargo, debe advertirse que su uso sin tomar los recaudos necesarios, puede llevar a apreciaciones erróneas sobre las perspectivas de devolución del préstamo. En efecto, es cuestionable la comparación indistintamente de índices contables, sin considerar fundamentalmente el tamaño y el sector de actividad al que pertenece de la empresa. Por citar ejemplos, diversos estudios -Rajan y Zingales (1995) o Harris y Raviv (1991)- han encontrado alta correlación entre el índice de endeudamiento y las variables tamaño de la empresa y proporción de activos fijos. Es indudable que esta última estaría íntimamente ligada al tipo de negocio. En consecuencia, reviste importancia destacar que las conclusiones de este trabajo se limitan a empresas constructoras de tamaño mediano. Abril 2006 Ejecutivos de Finanzas 21

La meta del análisis discriminante, es plasmar en un modelo la evidencia empírica y observable del desempeño crediticio de un grupo de empresas de la plaza regional. Una vez obtenido, busca resolver cuando se está en presencia de una nueva observación, si se puede clasificar como empresa saludable en el sentido de la capacidad de devolución del préstamo en tiempo y forma. Para ilustrar la técnica, supongamos que recolectáramos datos del margen de beneficio sobre ventas y la relación Activo/Pasivo de un conjunto de empresas, y luego registráramos cuales de ellas al año siguiente estaban inmersas en procesos de concursos preventivos o quiebras. En la Figura 1 identificamos los puntos que representan las combinaciones de los ratios para cada empresa, usando "x" para aquellas firmas que concursaron y "o" para aquellas que permanecieron solventes. Marco Teórico El análisis discriminante es una técnica desarrollada por Fisher (1936), y está relacionada tanto con el análisis multivariante de la varianza y la regresión múltiple 1. Se comienza con casos de dos o más grupos conocidos y determinados a priori; luego se utiliza el procedimiento para identificar una combinación lineal de variables predictoras que mejor caracteriza las diferencias entre los grupos. La combinación lineal de variables (o función discriminante) es similar a una ecuación de regresión múltiple porque suma los productos de las variables multiplicadas por los coeficientes. El procedimiento estima los coeficientes, y la función resultante puede ser aplicada para clasificar nuevos casos. Claramente las empresas "x" y "o", muestran diferentes patrones en los datos. En este caso observamos que las empresas solventes registran valores superiores para estos ratios que las firmas concursadas. Como decía antes, el análisis discriminante determina la ecuación de la línea punteada que mejor separa las observaciones de las empresas solventes de las fallidas. Generalizando para más de dos variables, podríamos decir que el objetivo consiste en primer lugar, en determinar si en función de las variables originales disponibles, los grupos quedan lo suficientemente discriminados. Luego se trata de determinar cuáles son las variables que contribuyen más a discriminar entre los grupos definidos "a priori". Ver figura Nº 1 en pie de página. Figura Nº 1 Diagrama de dispersión de Margen sobre Ventas y relación Activo/Pasivo 22 Ejecutivos de Finanzas Abril 2006

Abril 2006 Ejecutivos de Finanzas 23

La función discriminante consiste en la ecuación lineal establecida como: Grupo 2: Firmas que en el período no hayan ingresado en concurso preventivo o quiebra. Z = B 1 X 1 + B 2 X 2 +... + Bk Xk + B 0 (1) Las Xk son los valores de las variables independientes y las Bk son los coeficientes estimados a partir de los datos. Si la función discriminante debe servir para distinguir entre los grupos, estos deben diferir en sus respectivos valores de Z. Por tanto, los valores de B se eligen de tal forma que las Z distingan el máximo posible entre los grupos. Aplicado al trabajo que nos ocupa, las variables independientes son los ratios contables de las empresas. El modelo que se presenta en este trabajo determina el valor del término constante B 0 y de los coeficientes discriminantes. Ante un nuevo caso que se quiera clasificar, se debe multiplicar los Bk por cada una de las variables explicativas - ratios contables - observadas. Sumados estos productos junto con B 0 se obtiene un valor Z que es utilizado para clasificar ese caso a uno de los dos grupos predefinidos: empresas con problemas financieros (ECP), y empresas sin problemas financieros (ESP). La regla de clasificación es asignar a un grupo si Z es menor que 0, y al otro grupo si Z es mayor que 0. Evidencia Empírica Estos constituyen los dos grupos establecidos "a priori" que requiere el modelo. En el caso del grupo 1 se analizan los Estados Contables cuyo ejercicio económico haya finalizado durante el año anterior al de la quiebra o concurso. Para el caso del grupo 2, se seleccionan los Estados Contables de cada empresa de manera que, para cada caso del grupo 1 exista en el grupo 2 un caso con el mismo año de cierre de ejercicio. Cabe reiterar que el supuesto subyacente en esta metodología, es que existen "síntomas" observables con anterioridad al comienzo de los procesos concursales, los cuales pretendemos analizar y evaluar la capacidad de los mismos de predecir sucesos futuros. Aquellos llamados síntomas son los ratios contables de la empresa, que plasmados en un modelo de decisión, permitirían inferir ante una nueva observación si la combinación de ratios es típica de empresas perteneciente al grupo ESP y ECP. A continuación se detallan los ratios relevados que he considerado como candidatos potenciales a ser incluidos en la función discriminante, clasificados en relación a los objetivos que persiguen, y agregando para cada índice una simbología en siglas que permitirá más adelante una rápida identificación de los mismos en las tablas: Los datos relevados que constituyen la base sobre la cual se construye el modelo, surgen a partir de una muestra de 28 empresas constructoras de pequeña y mediana dimensión con actividad en la región en el período 1993-2003. Luego se separaron las mismas en dos grupos de 14 casos teniendo en cuenta: Grupo 1: Firmas que en el período hayan ingresado en concurso preventivo o quiebra. Ratios de liquidez a) Liquidez corriente = Activo corriente / Pasivo Corriente = LQ b) Prueba ácida = (Activo corriente - Existencias) / Pasivo Corriente = PA 24 Ejecutivos de Finanzas Abril 2006

Ratios de actividad u operativos Ratios de Rentabilidad a) Rotación del Activo = Ventas Anuales / Activo total = RA b) Rotación del Activo Circulante= Ventas Anuales / Activo Corriente = RAC c) Rotación del Activo Fijo = Ventas Anuales / Activo Fijo = RAF d) Rotación del Capital de Trabajo Operativo = Ventas Anuales / (Clientes + Existencias - Proveedores) = RCTO e) Período de Cobro = Clientes / Ventas Diarias = PC f) Período de Capital de Trabajo Operativo = (Clientes + Existencias - Proveedores) / Ventas diarias = PCTEO Ratios de endeudamiento a) Margen Bruto = Resultado Bruto / Ventas = MB b) Margen de Beneficios sobre Ventas = Resultado Final / Ventas = MBV c) Margen Operativo Neto = Resultado operativo / Ventas = MON d) Rentabilidad del Patrimonio Neto = Resultado Final/Patrimonio Neto = ROE e) Rentabilidad sobre el Activo = Resultado Final / Activo Total = ROA 3. Cabe señalar, que en el listado anterior se incluyen las variables que hemos seleccionado en este trabajo, como candidatas a integrar la función lineal discriminante. Ello no implica que no existan otros índices que puedan ser agregados para el análisis. En realidad, es posible incluir todas las variables independientes que consideremos pertinentes; de todos modos el mismo proceso de maximización excluirá del modelo final aquellas que no contribuyan a diferenciar suficientemente los grupos. a) Proporción de Financiamiento con Deuda = Pasivo Total / Activo Total = FD b) Relación Deuda / Capital = Pasivo Total / Patrimonio Neto = RDC 2 c) Proporción de Financiamiento de Largo Plazo = (Pasivo No Corriente + Patrimonio Neto) / Activo Total = FLP d) Endeudamiento sobre Ventas = Pasivo Total / Ventas Anuales = ESV Procesamiento Estadístico Con el fin de llegar a un patrón final de variables, se tuvieron en cuenta fundamentalmente, las intercorrelaciones de variables relevantes, y la precisión del pronóstico. A continuación se exponen los resultados de la clasificación, considerando solo las variables que finalmente permanecen en la función discriminante obtenida. Abril 2006 Ejecutivos de Finanzas 25

A. Descripción de los Grupos En la Tabla Nº 1 se observan los resultados de las medias de las variables para cada uno de los grupos, y el promedio total para toda la muestra. Cabe señalar que de un total de 28 casos, 14 pertenecían "a priori" al Grupo 1 y 14 al Grupo 2. Ver Tabla Nº 1 en pie de página. B. Función Discriminante Una vez realizado el proceso de maximización, los coeficientes discriminantes obtenidos se observan en la Tabla Nº 2 (en pie de página) En consecuencia, la función lineal queda conformada como sigue: Z = -3,334 MB + RDC 0,768-0,018 LQ + 0,009 PC - 0,464 (2) De un total de 17 variables originales, las 4 anteriores incluidas en la función (2) son las que mejor discriminan entre los grupos. Efectividad de la Función Discriminante En las Figuras Nº 2 y 3 (en página siguiente), se muestran los histogramas de frecuencia correspondientes a las empresas pertenecientes a priori a los grupos 1 y 2 respectivamente, con el eje de abcisas representando las puntuaciones resultantes de la aplicación de la función discriminante. Para cada caso de la muestra, se aplicó la fórmula (2) de la siguiente forma: se multiplica el coeficiente respectivo por el valor de la correspondiente variable, se suman los productos, y se agrega la constante para obtener una puntuación. Una evaluación de la efectividad de la clasificación se realiza mediante la matriz de la Tabla 3. En base a ésta se determina respecto del total de casos que compone la muestra, la cantidad que son correctamente clasificados por la función, teniendo en cuenta el grupo real o "a priori" de pertenencia y el grupo predicho por el modelo. Cabe recordar que el grupo predicho depende del valor Z obtenido por la aplicación del procedimiento del párrafo precedente. Para este Tabla Nº 1 Tabla Nº 2 26 Ejecutivos de Finanzas Abril 2006

Figura Nº 2 Histograma de Puntuaciones Grupo 1 Figura Nº 3 Histograma de Puntuaciones Grupo 2 Media = 0.6 Desv. Std. = 1.238 N = 14 Media = -0.6 Desv. Std. = 0.684 N = 14 trabajo, si el valor Z resultante es menor que 0, el caso se clasifica como perteneciente al Grupo 2 (ESP), mientras que si es mayor a 0 al Grupo 1 (ECP). De los 28 casos que compone la muestra, 23 son clasificados al grupo original de pertenencia, lo cual constituye un porcentaje de efectividad del 82,1%. por objetivo producir estimadores insesgados. En consecuencia, se clasifica también cada caso a un grupo, de acuerdo a la función obtenida a partir de los datos de todos los casos, excepto el que está siendo clasificado. Como se observa en la Tabla 4 de página siguiente, en base a esta variante 71,4% de los casos son correctamente clasificados. Ver Tabla Nº 3 en página siguiente. Mediante el procedimiento anterior, los casos clasificados son los mismos que aquellos utilizados para estimar los coeficientes. Esto produce una estimación sesgada del éxito de la clasificación. Para evitarlo, suele usarse una muestra para obtener la función de clasificación, y otra muestra de la misma población para estimar la proporción correctamente clasificada. Este procedimiento es llamado "validación cruzada" y tiene Análisis de Correlación Una forma de estudiar la importancia o contribución de cada variable en la función discriminante, es mediante la observación de la correlación entre los valores Z de la función lineal y los que toman las variables predictoras, para cada caso. Abril 2006 Ejecutivos de Finanzas 27

a. 82,1% de los casos correctamente clasificados por la función original. b. 71,4% de los casos correctamente clasificados en base a la validación cruzada. Tabla Nº 3 Resultados de la Clasificación a,b En la Tabla Nº 4 se exponen los resultados, ordenados según importancia decreciente, de acuerdo al valor absoluto. Este análisis recibe el nombre de estructura de la matriz. la probabilidad de asignar el caso al Grupo ESP. Esto se interpreta coherente, ya que premiaría relativamente a empresas que son capaces de obtener una mayor diferencia positiva en relación a las Ventas. La variable que demuestra ser claramente la de mayor utilidad en la función, es la relación deuda-capital o RDC. Este indicador expresa en que medida el Activo Total es financiado mediante deuda. El signo positivo de la correlación significa que mientras mayor es el valor de este índice mayor es la puntuación Z, y por lo tanto mayor es la probabilidad de asignar el caso al grupo ECP. Este signo es intuitivamente aceptable: una mayor utilización del financiamiento mediante préstamos incorpora cuotas crecientes de riesgo financiero, sobre un segmento de empresas -pymes - que se exhibe como tradicionalmente en dificultades para acceder a fuentes adecuadas. Entre los ratios de liquidez, el único que permaneció en la función definitiva es el de liquidez corriente (LQ). Este relaciona los activos de rápida maduración, con las deudas de corto plazo. La correlación negativa expresa que mientras mayor sea el valor que registre el El ratio de rentabilidad MB también contribuye a diferenciar los grupos. La correlación negativa en este caso resulta razonable: cuando más altos son los márgenes y por lo tanto los resultados económicos, menor es la puntuación Z y mayor es en consecuencia Tabla Nº 4 28 Ejecutivos de Finanzas Abril 2006

mismo, menor sería la puntuación Z y en consecuencia la probabilidad de que el caso sea considerado como típico de una empresa del grupo ESP. constructora con las características antes enunciadas; Aunque con una importancia menor que el resto de las variables, se mantiene en la función discriminante el ratio período de cobro (PC). Este indicador señala los días promedio de financiamiento de las ventas. La correlación positiva en este caso, estaría indicando un plazo de financiamiento de las ventas mayor, o incluso problemas de cobro, en las empresas del grupo ECP. b) Proveedores de bienes o servicios de estas empresas, que necesiten evaluar las condiciones del crédito comercial a acordar a las mismas. c) Directivos y asesores de la empresa, a los fines de verificar la marcha del negocio, y analizar las variables que podrían indicar la necesidad de ajustes en la gestión de distintos aspectos de la empresa. Conclusiones El análisis discriminante tiene la capacidad de proporcionar un modelo útil para predecir de modo objetivo y rápido el estado de la empresa al fin de evaluar la capacidad de cumplimiento de sus compromisos crediticios, lo que se determina en función de un conjunto coordinado de variables independientes y de relaciones estadísticas. Los pasos a seguir para la utilización de la función discriminante son los siguientes: 1. Solicitar a la empresa a evaluar, los Estados Contables correspondientes al último ejercicio económico finalizado; 2. Calcular los siguientes ratios: Relación Deuda- Capital, Margen Bruto, Liquidez corriente y Período de Cobro; Las pruebas realizadas a los fines de comprobar la efectividad del modelo, arrojan resultados que permiten recomendar su uso para analizar nuevas observaciones, solo cuando es complementado con otras herramientas que permitan disminuir la probabilidad de error. Es importante señalar que los nuevos casos a evaluar, deben pertenecer a la población definida en la introducción de este trabajo: empresas constructoras de pequeña y mediana dimensión. Los usuarios principales de estos modelos, sin pretender ser exhaustivos en la siguiente lista, pueden ser: 3. Multiplicar cada ratio por los coeficientes discriminantes obtenidos en la Tabla Nº 2; 4. Obtener el coeficiente Z sumando algebraicamente los productos del punto anterior, más el término constante (Fórmula 2); 5. Clasificar esta nueva observación, al grupo ECP (Empresas con problemas) si Z es mayor a 0, o al grupo ESP (Empresas sin problemas) si Z es menor a 0. a) Bancos u otras instituciones financieras, ante la decisión de otorgar un préstamo a una empresa Cabe señalar que se obtienen idénticos resultados de clasificación de nuevos casos, si se invierte el signo de los coeficientes de las variables de la Tabla 2, así como Abril 2006 Ejecutivos de Finanzas 29

la regla de clasificación - Z>0 corresponde al Grupo ESP y Z<0 al Grupo ECP -. Apéndice Este análisis se puede complementar calculando los ratios en base a los Estados Contables proyectados para el año siguiente de la empresa en observación. Sin embargo, esto requeriría la presentación por parte de la misma de información adicional, la cual no siempre está disponible. En este caso, habrá que evaluar para cada caso circunstancia en particular la conveniencia de solicitar informes complementarios, sopesando los costos de generarlos o prepararlos, con los beneficios de contar con los mismos 4. Desarrollo Modelo de Fisher Bajo las hipótesis del modelo multivariado de Fisher, las estimaciones de los vectores de las medias m 1 y m 2 y de la matriz de covarianza S se obtienen utilizando el método de máxima verosimilitud. Sea Z la combinación lineal del vector X con el vector de coeficientes a Nótese que además de la posibilidad de asignar nuevos casos a uno de los dos grupos en función del signo del valor Z, la puntuación resultante nos permitiría también efectuar comparaciones entre empresas clasificadas en el mismo grupo. Es decir que, no obstante en apariencia el modelo brinda información del tipo "blanco o negro" para la toma de decisiones 5, debería también servir de base para la construcción de un ranking o calificación de las mismas. En relación a este punto, es importante destacar que una empresa con un valor Z negativo pero muy cercano a 0, no puede considerarse muy diferente de otra con una cifra similar en valor absoluto, pero de signo opuesto. En resumen, el análisis de las puntuaciones que tome este indicador permitiría evaluar la magnitud del riesgo crediticio y la capacidad de pago de cada cliente, y en consecuencia ajustar en forma relativamente sistemática, el conjunto de elementos que constituyen las condiciones del crédito. Z = ax donde E (ax) = aµ 1 en π 1 E (ax) = aµ 2 en π 2 Var (ax) = aσα en π 1 y π 2 siendo K = número de índices de balances utilizados; Por último, considero que el modelo obtenido puede servir como metodología de análisis de Estados Contables a los fines antes indicados. Sin embargo, debería ser complementado con otras verificaciones y evaluaciones que los informes contables no reflejan y pueden resultar útiles para ampliar el espectro de información que forma parte del marco en el cual se toma la decisión. X = vector de las observaciones (índices) de orden K x 1; Πi = población i (para i = 1,2); µi = vector media de la población i, de orden K x 1; Σi = matriz de varianza-covarianza de la población i, de orden K x K; 30 Ejecutivos de Finanzas Abril 2006

a = vector de los coeficientes discriminantes, de orden está más cerca de Z 1 = (X 1 - X 2 )'S -1 X 1 K x 1. - Asignamos una empresa a la población π 2 si Z está a debería elegirse de modo que sea máxima la cantidad más cerca de Z 2 = (X 1 - X 2 )'S -1 X 2 Siendo S i = matriz de varianza-covarianza muestral de la Igualando a cero la derivada parcial respecto a, se obtiene población i, de orden K x K; -1 Σ i = matriz inversa de varianza-covarianza de la población i, de orden K x K; -1 S i = matriz inversa de varianza-covarianza muestral de la población i, de orden K x K; Como a es usado solo para dividir las poblaciones, se lo puede multiplicar convenientemente por una constante, es así como se obtiene Xi = vector de la media muestral de la población i, de orden K x 1; a = (µ 1 -µ 2 ) Σ -1 Operando, se llega al estadístico La regla de decisión resulta entonces: - Asignamos una empresa a la población π 1 si W = X S -1 (X 1 -X 2 ) - 1/2 (X 1 +X 2 ) S -1 (X 1 -X 2 ) a partir del cual una nueva observación se asigna a la población π 1 toda vez que W>0, y a la población π 2 cuando W<0 (W es conocido como el estadístico de Z = (X 1 - X 2 )'S -1 X Wal -Anderson). 32 Ejecutivos de Finanzas Abril 2006

Puede observarse que W está formado por dos términos. El segundo no depende del valor determinado para un caso particular de X observado. Está compuesto por la varianza común S y los vectores de medias X 1 y X 2. a 1 X 1 + a 2 X 2 +... + a k X k Esta expresión es la función discriminante buscada (sin tener en cuenta el término independiente) El primer término constituye una combinación de tipo lineal del vector X, la que puede expresarse como Z = a 1 X 1 + a 2 X 2 +... + a k X k REFERENCIAS Alonso, A. H. y Legato, A. M. (1999), "Factores asociados con el éxito-fracaso de empresas y micro emprendimientos", Revista del Instituto Argentino de Ejecutivos de Finanzas 157. Altman E. I. (1968), "Financial ratios, discriminant analysis and the prediction of corporate bankruptcy", Journal of Finance 23. Altman, E. (1993), Corporate Financial Distress and Bankruptcy, EEUU, John Wiley and Sons. Beaver, W. (1967), "Financial Ratios as Predictors of Failure", Journal of Accounting Research. Bodie, Z., Kane, A. and Marcus, A. (2002), Investments, EEUU, McGraw-Hill. Brealey, R. and Myers, S. (2002), Principles of Corporate Finance, EEUU, McGraw-Hill. Cantor and Packer F. (1994), "The Credit Rating Industry", Federal Reserve Bank of New York Quarterly Review. Coakley, R. and Brown, C. (1993), "Artificial Neural Networks applied to ratio analysis in the analytic review process", Intelligent systems in accounting, finance, and management. Bisquerra Alzina, R. (1989), Introducción Conceptual al análisis multivariable, Barcelona, P.P.U. S.A. Coats, P., and Franklin Fant, L. (1993), "Reorganizing financial distress patterns using a neural network tool", Financial Management. Abril 2006 Ejecutivos de Finanzas 33

Deaking, E. (1972), "A Discriminant Analysis of Predictors of Business Failure", Journal of Accounting Research. Pascale, R. (1988), "A multivariate model to predict firm financial problems: the case of Uruguay", The Journal of Banking and Finance. Dutto Giolongo, M. (2001), "Análisis discriminante y ratios contables óptimos en el Sector de la construcción", Revista del Instituto Argentino de Ejecutivos de Finanzas 175. Ezzamel, M. y Mar Molinero, C. (1990): "The Distributional Properties of Financial Ratios in U.K. Manufacturing Companies", Journal of Business Finance and Accounting, spring 1990, vol 17, nº 1, pag 1-29. Pascale, R. (1998), Decisiones Financieras, Buenos Aires, Ediciones Macchi. Rajan, R. and Zingales, L. (1995), "What do we know about capital structure? Some evidence from international data", Journal of Finance. Ross, S., Westerfield, R. and Jordan, B. (2000), Fundamentals of Corporate Finance, EE.UU., McGraw-Hill. Frydman, H., Altman, E., and Kao, D., (1995), "Introducing recursive partitioning for financial classification", Journal of Finance. Harris, M. and Raviv, A. (1991), "The Theory of Capital Structure.", Journal of Finance, 46. SPSS Base 9.0 Applications Guide, SPSS Inc., 1.999. Suárez Suárez, Andrés S. (1998), Decisiones óptimas de inversión y financiación en la empresa, Madrid, Pirámide. NOTAS 1. En el Apéndice, se expone el desarrollo estadístico del modelo de Fisher. 2. Este índice y el anterior proporcionan exactamente la misma información. No obstante, se los incluye porque pueden tener un comportamiento estadístico diferente. 4. Por citar un ejemplo, es diferente para un banco el análisis de una decisión de crédito que representa un 10% de su cartera total de préstamos, de otra que representa un 1%. 5. Es decir, decisiones mutuamente excluyentes: otorgo el crédito o no. 3. En el caso de d) y e), se toma el Resultado Final Anual. 34 Ejecutivos de Finanzas Abril 2006