You are on page 1of 24

rubn Mosqueda

1
falibilidad del mtodo rough set en la conformacin de modelos
ndice de riesgo dinmico en la prediccin del fracaso empresarial
fallibility of the rough set Method in the formulation of
a failure Prediction index Model of dynamic risk
1. Doctor en Ciencias Econmicas y Empresariales. Profesor Investigador de tiempo completo en el Tecnolgico de Monterrey,
Campus Irapuato. Miembro del Sistema Nacional de Investigadores del CONACYT, Mxico.
resumen
La quiebra empresarial es uno de los problemas que ms preocupan a la teora fnanciera. Son muchos los esfuerzos y escasos
los avances logrados; persiste el problema de diseo experimental en los modelos que se han planteado, fundamentalmente
por dos causas: desconocimiento sobre el proceso de quiebra que sigue cada empresa y por el uso exclusivo de la informacin
contable para conformar dichos modelos. En un avance natural aparece el Modelo RPV como un intento por suplir las def-
ciencias hasta ese momento. El modelo logra mejoras signifcativas al incluir tambin informacin cualitativa; sin embargo,
se advierte que la teora Earning Power, en la que se fundamenta, podra traer problemas de especifcacin y de estructura
cuando se aplique a otra muestra de empresas. Los resultados empricos no slo comprobaron estas sospechas, sino que per-
miti robustecer el modelo asignando los coefcientes de respuesta de las variables explicativas ms ajustados al riesgo.
Palabras clave: Quiebra empresarial, Teora Rough Set, modelos predictivos, GRACH, Teora Earning Power
abstract
Bankruptcy is one of the most important entrepreneurial problems studied by the Financial Theory. Despite this great effort,
there is not a signifcant progress in order to predict the economic failure. In this way, the evidence suggests that this problem,
related to the experimental design, is still present because of two main reasons: ignorance about bankruptcy process and the
use of the accounting information as the unique input to construct the predictive models. In order to solve those problems,
the RPV Model included both qualitative and accounting information with excellent results. So, the Earning Power Theory
upon which the RPV is based could cause problems of specifcation and structure in the model. Empirical results not only
verify those suspicions, but they made a stronger model possible by introducing to the equation ERC values adjusted to the
risk.
Keywords: Bankruptcy, Rough Set Theory, Predictive Models, GRACH, Earning Power Theory
Journal of Economics, Finance and Administrative Science 66 June 2010
introduCCin
En el xito empresarial, es importante la eficacia
administrativa, de igual forma las empresas deben co-
rresponder al dinamismo del mercado que se traduce
en oportunidades, pero tambin en riesgos para las
organizaciones. Entonces, el reto para el administrador
consiste en adaptar a la empresa ante los imponderables,
tanto del mercado como organizativos, que difcultan
dichas tareas. Para ello el control preventivo es fun-
damental.
Fue a partir del modelo de Z-score que la teo-
ra fnanciera pondera la importancia de contar con
modelos fnancieros prospectivos que ayudasen a los
administradores en sus tareas. Desde entonces, se han
desarrollado un sinnmero de modelos predictivos con
cierta capacidad para adelantarse al fracaso empresa-
rial, y su claro efecto: la quiebra. La evidencia sugiere
que los modelos se muestran incapaces para replicar
el xito predictivo fuera de las empresas de control.
En buena medida, esta incapacidad podra deberse
al empleo exclusivo de la informacin contable para
construir dichos modelos predictivos. As, el diseo de
modelos ms complejos e integrales, que consideran
no solo la informacin contable sino informacin que
refeje el estilo y forma administrativo, ha contribuido
al avance y a la comprensin del fenmeno de quiebra
empresarial.
Uno de tales constructos es el Modelo RPV (Mos-
queda, 2008). Este modelo mostr un grado de precisin
predictiva muy superior a los modelos desarrollados
hasta ese momento. Parte de su xito descansa en el uso
de la tcnica Rough Set para escoger los factores que
inciden en el fracaso empresarial. No obstante, se han
observado ciertas inconsistencias metodolgicas que
invita a perfeccionarlo. En este sentido, el objetivo de
este documento es validar la teora Earning Power, a
partir de la predictibilidad del Modelo RPV, y detectar
posibles problemas de especifcacin y de estructura
del modelo. Para ello, ser necesario hacer un estudio
exploratorio-evolutivo de la teora de quiebra ms re-
levante y, de esta suerte, encontrar explicaciones sobre
las posibles fallas.
Para lograr este propsito, el trabajo se ha dividido
en ocho apartados. En el primero de ellos se realiza
un anlisis sobre el concepto de fracaso empresarial
y su relacin con la quiebra. En la segunda seccin
desarrollamos la evolucin que ha tenido el tema. El
tercer apartado analiza los problemas que han hecho que
los modelos predictivos fracasen. Luego, en el cuarto
apartado se realiza un anlisis crtico sobre los modelos
basados en la informacin contable, principal fuente para
construirlos. En la quinta seccin analizamos el modelo
RPV y en la sexta efectuamos un estudio emprico del
modelo ante un nuevo colectivo de empresas. En el
sptimo segmento se ejecuta una prueba estadstica para
comprobar la robustez del modelo RPV modifcado y,
fnalmente, las conclusiones del tema se sealan en el
octavo apartado.
Particularidades sobre el fracaso y la quiebra
empresarial
Si bien el fenmeno de quiebra empresarial no resulta
nuevo dentro del estudio fnanciero
1
, debemos advertir
que dicho fenmeno presenta distintos niveles de com-
plejidad cuyo reconocimiento depender de la norma-
tiva, pero tambin infuyen el estilo y la efcacia en la
gestin para que se d. La prctica parece demostrar
que la gestin efciente dota de mejores posibilidades
de supervivencia a las empresas. A pesar de la basta
literatura desarrollada, es difcil encontrar una con-
cepcin terica homognea y nica del fracaso
2
. Si
1
Skeel (1998), por ejemplo, realiza un recuento interesante
sobre los estudios de fnales del siglo XIX y a principios del
siglo XX. El autor encuentra que aquellos trabajos se cen-
traban solo en el estudio epistemolgico del fracaso empre-
sarial. En la actualidad, los modelos del fracaso empresarial
se perflan para resolver tres cuestiones bsicas: a) disear,
fundamentalmente a partir de informacin contable e indi-
cadores macroeconmicos, modelos matemticos capaces
de tipifcar y predecir el fracaso y agrupar a las empresas
en categora dicotmica: empresas fracasadas y empresas
prsperas; b) tipifcar el proceso de quiebra, aludiendo al
comportamiento de indicadores de efciencia fnanciera; y
c) entender el proceso de fracaso empresarial a partir de las
recomendaciones y actuaciones del analista fnanciero.
2
En la obra de Argenti (1976) se puede consultar una revi-
sin extensa sobre el signifcado de fracaso empresarial, as
Mosqueda: Falibilidad del mtodo Rough Set 67 Vol. 15 N 28
nuestra intencin es entender la complejidad del fen-
meno de quiebra, es necesario asociarlo con el fracaso
empresarial. Sin embargo, lo que es verdad es que no
se ha alcanzado a entender el fenmeno en su toda su
magnitud y eso se traduce en un escaso consenso sobre
lo que se entiende como fracaso empresarial o la forma
en cmo se mide.
Algunos tratadistas apelan a una disminucin en las
condiciones de rentabilidad como elemento que eviden-
cia el fracaso, en tanto otros se referen a la incapacidad
para hacer frente a los compromisos adquiridos con sus
acreedores; algunos autores simplemente se centran en
el comportamiento en las ventas. Para Beaver (1966), la
empresa es una reserva de activos lquidos en la que hay
fujos de entrada y de salida de tesorera, sustentando su
enfoque en que la reserva sirve, por defnicin, como
un colchn que permite salvar diferencias temporales
entre estas entradas y salidas.
Aduciendo a las limitaciones de la anterior def-
nicin, Altman, Marco y Varetto (1994) estiman que
el fracaso empresarial comienza como un fenmeno
propiciado por un evento catastrfco en la organiza-
cin, aunque reconoce que puede manifestarse como
el resultado fnal de un lento proceso de declinacin.
Por su parte, McRobert y Hoffman (1997) asumen que
el fracaso empresarial es un proceso que se inicia por
defectos en el sistema administrativo que desembocan
en decisiones desacertadas, en deterioro fnanciero y
en un colapso de toda la empresa. Perfeccionando las
propuesta clsicas, Abad, Arquero y Jimnez (2003)
plantean la hiptesis de que el fracaso fnanciero se
produce cuando el deudor es incapaz de atender a sus
compromisos, ya que cualquier acreedor estara dis-
puesto a aplazar el cobro de una deuda (o a conceder
un prstamo) si se le compensa sufcientemente y se le
garantiza el reembolso. Por lo tanto, las expectativas
favorables no solo aumentaran la capacidad de endeu-
damiento, tambin atraeran a los inversionistas. Ms
reciente, Mosqueda (2008) concibe el fracaso como el
momento, conforme a un umbral, en que se detecta el
incumplimiento de los objetivos fnancieros y estra-
tgicos marcados por la gerencia que, en su conjunto,
posibilitan el riesgo de quiebra de los negocios. De
todos estos enfoques se deduce que una de las con-
secuencias ms importantes del fracaso empresarial
es la quiebra del negocio, entendiendo como quiebra
empresarial los problemas serios de liquidez-solvencia
que no pueden ser resueltos y causan el cierre efectivo
del negocio.
El dEsarrollo dE los ModElos
PrEdiCtivos
Motivados al encontrar que ciertos ndices contable-
fnancieros diferan signifcativamente entre empresas en
quiebra y empresas prsperas, Smith y Winakor (1935)
proponen un modelo simple que les permite clasifcar
a las empresas y predecir su quiebra. Sin embargo, los
estudios hasta esa poca fueron considerados poco
formales (serios) y no fue sino hasta la dcada de los
60 en que se comienzan a utilizar modelos matemticos
y estadsticos ms robustos. Este primer acercamiento
cientfco serio conduce a los especialistas fnancieros a
utilizar la informacin contable, que introducen en tests
dicotmicos, para identifcar aquellos ratios que mejor
correspondan a la realidad de las empresas estudiadas
3
.
De esta poca destaca el Modelo Z-score de Altman
(1968) que no solo le permite una interpretacin ms
clara del efecto de cada variable en el modelo, sino que
defne puntos de corte, lo cual se traduce en un aumento
de la efciencia del esfuerzo de anlisis, al reducir el
tiempo dedicado a las empresas con una probabilidad
de quiebra muy alta o muy baja, y as aumentar la
como los trabajos de Beaver (1966) y de Sheth y Sisodna
(2005), trabajos en los que se esquematiza integralmente el
fenmeno del fracaso empresarial.
3
La mayora de los autores de las primeras dcadas del siglo
XX utilizan ratios fnancieros pertenecientes a uno de los
cuatro grandes grupos: liquidez, actividad, rentabilidad y
endeudamiento. Los ndices de liquidez y endeudamiento
son los que ms contribuyen en la determinacin de quiebra
de empresas, salvo en el caso de Altman que substituye Li-
quidez por Rentabilidad.
Journal of Economics, Finance and Administrative Science 68 June 2010
efciencia de la direccin para evaluar aquellas frmas
que se encuentran en la zona gris
4
.
El predictor Z-score, conformado mediante meca-
nismos de anlisis discriminante, combina varios de
los ratios fnancieros ms signifcativos dentro de una
derivacin estadstica y desarrollada en una muestra
de empresas industriales. Las variables del Z-score
identifcadas por Altman son las siguientes:
(1)
en donde K es el capital de trabajo; ATOT representa al
activo total; UTRET son las utilidades retenidas; EBIT
es la utilidad antes de intereses e impuestos; PTOT son
los pasivos totales; P
it
es el precio de la accin i en el
momento t, y V son las ventas totales de la empresa
analizada. El xito de este modelo en pronosticar el
fracaso (superior al 90% en la muestra de control, al
80% en una muestra de empresas de bajo rendimiento
y al 70% dos aos antes del fracaso) supuso una revo-
lucin en la investigacin contable que, en aquellos
momentos, se estaba planteando: la eliminacin del
anlisis mediante ratios como tcnica analtica para
evaluar el rendimiento de las empresas.
A partir de este trabajo revolucionario se han desa-
rrollado un sinnmero de modelos predictivos del riesgo
de quiebra, aunque estudios recientes sugieren que estos
no son mejores que el modelo inicial de Altman. Durante
los siguientes 40 aos, el esfuerzo dirigido a la mejora
del Z-score ha sido impresionante. El diseo experi-
mental de Altman se aplic a otros perodos, sectores
y pases, empleando tcnicas estadsticas, variables,
horizontes temporales y diseos muestrales idnticos o
levemente diferentes. Sin embargo, una defciencia de
diseo experimental es que la mayora de los trabajos
que aplican esta tcnica de anlisis discriminante no
cumplen con los supuestos que requiere la estimacin
de mxima verosimilitud.
Luego, durante la dcada de 1970, los estudios del
fracaso empresarial se orientaron, en su mayora a la
tcnica del Anlisis Discriminante Mltiple (Libby,
1975; Wilcox, 1973). Sin embargo, debido a sus ca-
ractersticas operacionales, la mayora de los autores
que escribi sobre quiebra disearon modelos ms
complejos, pero al mismo tiempo ms precisos, para
determinar la probabilidad de quiebra de la empresa.
Tales son los modelos Logit (Ohlson, 1980), el anlisis
Probit (Zmijewski, 1984) y, en la ltima dcada, las
Redes Neuronales. Paradjicamente, Mosqueda (2008)
recopila evidencias que sugieren que la capacidad expli-
cativa de algunos de los modelos predictivos posteriores
ms utilizados no superan al modelo Z-score que sigue
estando mejor especifcado.
As, el avance doctrinario de la prediccin de la
quiebra empresarial se ha centrado en la posibilidad
de que la determinacin de la solvencia futura de una
empresa puede ser entendida como una operacin de
clasifcacin; es decir, una informacin inicial o conjunto
de atributos asociados a una empresa, y extrados en
su mayor parte de los estados contables de la misma.
Luego, entonces, lo que pretendera el analista fnan-
ciero sera tomar la decisin de clasifcar a esa empresa
dentro de una categora concreta de riesgo fnanciero,
de entre varias posibles. Por lo tanto, la seleccin ha de
estar basada en reglas prcticas o heursticas, debiendo
fjarse tambin un criterio de sufciencia para determinar
cundo las soluciones encontradas son satisfactorias.
Todo ello concuerda plenamente con el paradigma de
la racionalidad limitada, que gobierna los procesos de
decisin en el mbito econmico.
Observamos, sin embargo, que estas tcnicas presen-
tan limitaciones pues parten de hiptesis ms o menos
restrictivas que, por su propia naturaleza, la informacin
econmica, y en especial los datos extrados de los
estados fnancieros de las empresas, no van a cumplir,
perjudicando los resultados. As nacen los modelos de
inteligencia artifcial cuyo antecedente lo encontramos
4
Los puntos de corte para califcar la salud de la empresa
caera en alguno de los siguientes puntos:
Z < 1.81 (alto riesgo de quiebra)
Z > 3.00 (bajo riesgo)
1.81 < Z < 3.00 (rea gris)
(

|
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
= 1 06 , 0 3 , 3 4 , 1 2 , 1
ATOT
V
PTOT
P
ATOT
EBIT
ATOT
UTRET
ATOT
K
Z
it
t
(

|
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
= 1 06 , 0 3 , 3 4 , 1 2 , 1
ATOT
V
PTOT
P
ATOT
EBIT
ATOT
UTRET
ATOT
K
Z
it
t
Mosqueda: Falibilidad del mtodo Rough Set 69 Vol. 15 N 28
en el test de Turing. Este test postula que una mquina
presenta comportamiento inteligente si un observador
es incapaz de distinguir entre las sucesivas respuestas
proporcionadas por la mquina y un ser humano. La
ventaja de estos modelos es que no parten de hiptesis
preestablecidas y se enfrentan a los datos de una forma
totalmente exploratoria, confgurndose como procedi-
mientos estrictamente no paramtricos. Tal es el caso
de la Teora Rough Set (Pawlak, 1991).
la Crisis dE los ModElos
PrEdiCtivos
A pesar de no contar con una teora de la quiebra su-
fcientemente robusta, los tratadistas fnancieros han
trabajado en la elaboracin de modelos y tcnicas que
permitan, ms que entender el fenmeno, advertir al
administrador sobre la cercana al fracaso. Por otra
parte, la desarticulacin entre el avance mostrado por
las tcnicas cuantitativas y la teora de la quiebra ha
propiciado una crisis del diseo experimental tpico en
donde se advierte una incapacidad metodolgica para
defnir modelos estables (los propuestos por cada inves-
tigador para cada perodo, sector o pas son diferentes)
y con tasas de xito adecuadas en muestras de control
(ver la Tabla 1)
5
. Como respuesta, se crean un sinfn
de teoras tratando de explicar dichas inconsistencia y,
as, robustecer la capacidad predictiva de los modelos.
Resulta signifcativo que los modelos empricos se
comporten bien a la hora de clasifcar, de describir,
pero no de predecir; en tal sentido, mucho tuvo que
ver el anlisis heurstico que se implement a travs
de la aplicacin de tcnicas estadsticas en ausencia de
una teora de la quiebra aceptable y, en especial, sobre
datos extrados de los estados fnancieros poco fables,
perjudicando los resultados
6
.
La evidencia documental indica que los modelos
predictivos actuales no son estables en el tiempo, pues
muestran resultados inconsistentes a lo largo del tiem-
po; esta circunstancia ha llevado a los tratadistas en
indagar sobre los aspectos puntuales en los que fallan.
Todo parece indicar que el esfuerzo debera centrarse
en la calidad y el tipo de datos que alimenta al modelo.
Sin embargo, lamentablemente la generalidad de los
modelos se vale de la informacin contable. Algunos
autores alegan que es preciso clasifcar los procesos de
fracaso empresarial porque existe la posibilidad de que
algunas empresas, que estn experimentando tensiones
fnancieras o formas leves de fracaso, manipulen la
informacin contable para aumentar la confanza del
pblico (Wilcox, 1971). Otros afrman que las tcnicas
estadsticas sobreajustan los modelos predictivos para
alcanzar el mximo xito clasifcatorio en la muestra,
reduciendo su validez externa (Hair et al., 1999). En
general, se argumenta que las empresas parecen seguir
diferentes procesos que desembocan en el fracaso f-
nanciero y, por lo mismo, no es posible establecer sobre
qu variables fnancieras ni valores en las mismas se
determina la futura solvencia o insolvencia de una frma
(Ball, Kothari, & Robin, 2000; Laitinen, 1993)
7
.
CrtiCa a los ModElos Basados En
la inforMaCin ContaBlE
Una caracterstica comn en la mayor parte de los estudios
del fracaso empresarial es que se valen exclusivamente
5
Paradjicamente se dio este avance sin haberse resuelto uno
de los problemas clsicos: El problema de clasifcacin.
Recordemos que uno de los propsitos de los modelos de
prediccin de la quiebra empresarial consiste en clasifcar
a las frmas dentro de dos grupos: grupo de empresas fra-
casadas y grupo de empresas no fracasadas. Al respecto se
han desarrollado dos tipos de errores cometidos al momento
de clasifcar a las empresas: error tipo I y error tipo II.
Si una frma fracasada es catalogada incorrectamente como
empresa no fracasada por el modelo, se est cometiendo el
error tipo I y si, por el contrario, una empresa no fracasa-
da es errneamente clasifcada dentro del grupo de empre-
sas fracasadas, entonces, se est cayendo en un error tipo
II. En la prctica cometer cualquiera de estos tipos de error
trae serias consecuencias.
6
Para un estudio pormenorizado de la manipulacin conta-
ble y el fracaso empresarial se puede consultar las obras de
Apellniz y Labrador (1995) y de Garca y Mora (2003).
7
En este sentido, H. A. Simon (1960) ya haba propuesto una
solucin ingeniosa al respecto, al disear una divisin de los
procesos de decisin entre estructurados y no estructurados;
pero, su propuesta result difcil de aplicar en la prctica.
Journal of Economics, Finance and Administrative Science 70 June 2010
T
a
b
l
a

1
.
R
e
s
u
l
t
a
d
o
s

d
e

u
n
a

m
u
e
s
t
r
a

s
e
l
e
c
t
a

d
e

e
s
t
u
d
i
o
s

s
o
b
r
e

e
l

f
r
a
c
a
s
o

e
m
p
r
e
s
a
r
i
a
l
A
u
t
o
r
M
e
t
o
d
o
l
o
g

a
R
e
s
u
l
t
a
d
o
s
O
b
s
e
r
v
a
c
i
o
n
e
s
S
m
i
t
h

&

W
i
n
a
k
o
r

[
1
9
3
5
]

n
d
i
c
e
s

f
n
a
n
c
i
e
r
o
s
C
i
e
r
t
o
s

n
d
i
c
e
s

f
n
a
n
c
i
e
r
o
s

d
i
f
e
r

a
n

s
i
g
n
i
f
c
a
t
i
v
a
m
e
n
t
e

e
n
t
r
e

e
m
p
r
e
s
a
s

p
r

s
p
e
r
a
s

y

q
u
e
b
r
a
d
a
s
.
E
s
t
u
d
i
o

p
i
o
n
e
r
o

d
e

c
l
a
s
i
f
c
a
c
i

n

y

p
r
e
d
i
c
c
i

n

d
e

q
u
i
e
b
r
a
.
B
e
a
v
e
r

[
1
9
6
6
]
A
n

l
i
s
i
s

d
i
s
c
r
i
m
i
n
a
n
t
e

u
t
i
l
i
z
a
n
d
o

m
o
d
e
l
o

u
n
i
v
a
r
i
a
d
o
M
a
n
i
p
u
l
a
n

l
a

i
n
f
o
r
m
a
c
i

n

c
o
n
t
a
b
l
e

p
a
r
a

h
a
c
e
r

f
r
e
n
t
e

a

f
o
r
m
a
s

l
e
v
e
s

d
e

f
r
a
c
a
s
o
.
F
l
u
j
o

d
e

e
f
e
c
t
i
v
o

/
P
a
s
i
v
o

t
o
t
a
l

y

u
t
i
l
i
d
a
d

d
e
l

e
j
e
r
c
i
c
i
o

/
a
c
t
i
v
o

t
o
t
a
l

s
o
n

l
o
s

p
r
i
n
c
i
p
a
l
e
s

r
a
t
i
o
s
.
A
l
t
m
a
n

[
1
9
6
8
]
A
n

l
i
s
i
s

d
i
s
c
r
i
m
i
n
a
n
t
e

u
t
i
l
i
z
a
n
d
o

m
o
d
e
l
o

m
u
l
t
i
v
a
r
i
a
d
o
P
r
o
n
o
s
t
i
c


e
l

f
r
a
c
a
s
o

e
n

l
a

m
u
e
s
t
r
a

d
e

c
o
n
t
r
o
l





















e
n

u
n

9
0
%
.
U
t
i
l
i
d
a
d

d
e

o
p
e
r
a
c
i

n

/

a
c
t
i
v
o

t
o
t
a
l
;

v
e
n
t
a
s

/

a
c
t
i
v
o

t
o
t
a
l
;

y

v
a
l
o
r

d
e

m
e
r
c
a
d
o
/

p
a
s
i
v
o

c
o
m
o

l
o
s

p
r
i
n
c
i
p
a
l
e
s

r
a
t
i
o
s
.
N
o

e
x
p
l
i
c
a

p
o
r

q
u


a
l
g
u
n
a
s

e
m
p
r
e
s
a
s

f
r
a
c
a
s
a
n
.

N
o

r
e
p
r
o
d
u
c
e

l
a

e
s
t
r
a
t
e
g
i
a

d
e

d
e
c
i
s
i

n

d
e

l
o
s

a
n
a
l
i
s
t
a
s
.
A
r
g
e
n
t
i

[
1
9
7
6
]
T
e
o
r

a

d
e

S

n
d
r
o
m
e

F
i
n
a
n
c
i
e
r
o
E
l

f
r
a
c
a
s
o

p
u
e
d
e

s
e
g
u
i
r

d
i
f
e
r
e
n
t
e
s

p
r
o
c
e
s
o
s

o

s

n
d
r
o
m
e
s
.
O
h
l
s
o
n

[
1
9
8
0
]
L
o
g
i
c

y

P
r
o
b
i
t
E
l

t
a
m
a

o

y

l
o
s

r
a
t
i
o
s

p
a
s
i
v
o

t
o
t
a
l

/
a
c
t
i
v
o

t
o
t
a
l
,

u
t
i
l
i
d
a
d

d
e
l

e
j
e
r
c
i
c
i
o
/
a
c
t
i
v
o

t
o
t
a
l

y

c
a
p
i
t
a
l

d
e

t
r
a
b
a
j
o
/
a
c
t
i
v
o

t
o
t
a
l

f
u
e
r
o
n

l
a
s

m

s

i
m
p
o
r
t
a
n
t
e
s

d
e

s
u

m
o
d
e
l
o
A
p
l
i
c
a

t

c
n
i
c
a
s

c
o
n

m
e
n
o
r

c
a
n
t
i
d
a
d

d
e

s
u
p
u
e
s
t
o
s

e
n

l
a

d
i
s
-
t
r
i
b
u
c
i

n

d
e

l
a
s

v
a
r
i
a
b
l
e
s

e
x
p
l
i
c
a
t
i
v
a
s

y

t
o
m
a

u
n
a

m
u
e
s
t
r
a

r
e
p
r
e
s
e
n
t
a
t
i
v
a

d
e

l
a

p
o
b
l
a
c
i

n
.
M
a
r
a
i
s
,

P
a
t
e
l
l
,

&

W
o
l
f
s
o
n

[
1
9
8
4
]
S
i
s
t
e
m
a
s

d
e

i
n
d
u
c
c
i

n

(
S
i
s
t
e
m
a

C
A
R
T
)
L
o
s

r
e
s
u
l
t
a
d
o
s

o
b
t
e
n
i
d
o
s

i
n
d
i
c
a
n

q
u
e

l
o
s

d
o
s

p
r
o
c
e
d
i
-
m
i
e
n
t
o
s

C
A
R
T

y

e
l

p
r
o
b
i
t

a
l
c
a
n
z
a
n

r
e
s
u
l
t
a
d
o
s

p
a
r
e
c
i
-
d
o
s
,

s
i
n

q
u
e

p
u
e
d
a

a
f
r
m
a
r
s
e

q
u
e

e
x
i
s
t
e
n

d
i
f
e
r
e
n
c
i
a
s

e
s
t
a
d

s
t
i
c
a
m
e
n
t
e

s
i
g
n
i
f
c
a
t
i
v
a
s
.
E
n

e
s
t
e

e
s
t
u
d
i
o

s
e

t
r
a
t
a

d
e

m
o
d
e
l
i
z
a
r

l
a
s

c
a
l
i
f
c
a
c
i
o
n
e
s

c
r
e
-
d
i
t
i
c
i
a
s

c
o
n
c
e
d
i
d
a
s

p
o
r

l
a

s
e
c
c
i

n

d
e

a
n

l
i
s
i
s

d
e

r
i
e
s
g
o
s

d
e

u
n

b
a
n
c
o

c
o
m
e
r
c
i
a
l

a

u
n
a

s
e
r
i
e

d
e

e
m
p
r
e
s
a
s
,

e
m
p
l
e

n
d
o
-
s
e

p
a
r
a

e
l
l
o

e
l

s
i
s
t
e
m
a

C
A
R
T

y

u
n
a

t

c
n
i
c
a

e
s
t
a
d

s
t
i
c
a
,

e
l

p
r
o
b
i
t

m
u
l
t
i
n
o
m
i
a
l
.

M
e
s
s
i
e
r

&

H
a
n
s
e
n
[
1
9
8
8
]
S
i
s
t
e
m
a
s

d
e

i
n
d
u
c
c
i

n

(
A
l
g
o
r
i
t
m
o

I
D
3
)
L
o
s

r
e
s
u
l
t
a
d
o
s

q
u
e

s
e

a
l
c
a
n
z
a
n

i
n
d
i
c
a
n

q
u
e

e
l

a
l
g
o
r
i
t
m
o

I
D
3

e
s

c
l
a
r
a
m
e
n
t
e

s
u
p
e
r
i
o
r
.
E
n

e
s
t
e

e
s
t
u
d
i
o

s
e

e
m
p
l
e
a

e
l

I
D
3

y

e
l

a
n

l
i
s
i
s

d
i
s
c
r
i
m
i
n
a
n
-
t
e

p
a
r
a

e
l

p
r
o
n

s
t
i
c
o

d
e

s
i
t
u
a
c
i
o
n
e
s

d
e

q
u
i
e
b
r
a

y

d
e

i
n
c
a
-
p
a
c
i
d
a
d

d
e

l
a
s

e
m
p
r
e
s
a
s

p
a
r
a

l
a

d
e
v
o
l
u
c
i

n

d
e

p
r

s
t
a
m
o
s

b
a
n
c
a
r
i
o
s
.
Mosqueda: Falibilidad del mtodo Rough Set 71 Vol. 15 N 28
A
u
t
o
r
M
e
t
o
d
o
l
o
g

a
R
e
s
u
l
t
a
d
o
s
O
b
s
e
r
v
a
c
i
o
n
e
s
M
a
r
o
s
e

(
1
9
9
2
)
R
e
d
e
s

n
e
u
r
o
n
a
l
e
s

(
S
i
s
t
e
m
a

h

b
r
i
d
o
d
e

p
e
r
c
e
p
t
r

n

m
u
l
t
i
c
a
p
a

y

h
e
r
r
a
m
i
e
n
t
a
s

e
s
t
a
d

s
t
i
c
a
s
)
M
o
d
e
l
o

c
o
n
o
c
i
d
o

c
o
m
o

P
C
M
L

(
P
u
b
l
i
c

C
o
m
p
a
n
y

L
o
a
n

M
o
d
e
l
)
.

F
u
e

d
e
s
a
r
r
o
l
l
a
d
o

p
o
r

e
l

C
h
a
s
e

M
a
n
h
a
t
t
a
n

B
a
n
k

p
a
r
a

q
u
e

s
i
r
v
a

d
e

a
y
u
d
a

p
a
r
a

d
e
c
i
d
i
r

l
a

c
o
n
c
e
s
i

n

d
e


c
r

-
d
i
t
o
s

a

t
r
a
v

s

d
e
l

s
u
m
i
n
i
s
t
r
o

d
e

e
x
t
e
n
s
o
s

i
n
f
o
r
m
e
s
,

g
r

f
-
c
o
s
,


p
u
n
t
o
s

f
u
e
r
t
e
s

y

d

b
i
l
e
s
,

a
s


c
o
m
o

u
n
a

c
l
a
s
i
f
c
a
c
i

n

d
e

l
a
s

e
m
p
r
e
s
a
s

s
e
g

n

e
l

c
r

d
i
t
o

q
u
e

m
e
r
e
c
e
n
.
A
l
t
m
a
n
,

M
a
r
c
o


&

V
a
r
e
t
t
o

[
1
9
9
4
]
R
e
d
e
s

n
e
u
r
o
n
a
l
e
s

(
P
e
r
c
e
p
t
r

n

m
u
l
t
i
c
a
p
a
)
L
o
s

a
u
t
o
r
e
s

c
o
n
c
l
u
y
e
n

q
u
e

l
a
s

r
e
d
e
s

n
e
u
r
o
n
a
l
e
s

n
o

s
o
n

c
l
a
r
a
m
e
n
t
e

s
u
p
e
r
i
o
r
e
s

a
l

a
n

l
i
s
i
s

d
i
s
c
r
i
m
i
n
a
n
t
e
,

y

r
e
c
o
m
i
e
n
d
a
n

q
u
e

e
n

e
l

d
i
s
e

o

d
e

s
i
s
t
e
m
a
s

d
e

a
l
e
r
t
a

s
e

e
m
p
l
e
e

u
n
a

c
o
m
b
i
n
a
c
i

n

d
e

m
o
d
e
l
o
s

n
e
u
r
o
n
a
l
e
s

y

e
s
t
a
d

s
t
i
c
o
s
.

H
a
l
l
a
n

e
v
i
d
e
n
c
i
a

d
e

q
u
e

c
o
n

u
n
a

r
e
d

d
e

r
e
d
e
s


q
u
e

c
o
m
b
i
n
a

l
o
s

r
e
s
u
l
t
a
d
o
s

d
e

u
n
a

s
e
r
i
e

d
e

r
e
d
e
s

m

s

p
e
-
q
u
e

a
s

s
e

o
b
t
i
e
n
e
n

m
e
j
o
r
e
s

r
e
s
u
l
t
a
d
o
s

q
u
e

c
o
n

u
n
a

s
o
l
a

r
e
d

d
e

a
r
q
u
i
t
e
c
t
u
r
a

c
o
m
p
l
e
j
a
.

A
l
e
r
t
a
n

d
e
l

p
e
l
i
g
r
o

q
u
e

s
u
p
o
n
e

l
a

i
m
p
o
s
i
b
i
l
i
d
a
d

d
e

i
n
t
e
r
p
r
e
t
a
c
i

n

d
e
l

m
o
-
d
e
l
o

n
e
u
r
o
n
a
l
.

A
n
t
e

p
a
t
r
o
n
e
s

n
o

p
r
e
s
e
n
t
e
s

e
n

l
a

f
a
s
e

d
e

e
n
t
r
e
n
a
m
i
e
n
t
o

d
e

l
a

r
e
d
,

e
s
t
a

p
u
e
d
e

c
o
m
p
o
r
t
a
r
s
e

d
e

f
o
r
m
a

i
l

g
i
c
a
,

d
e
b
i
d
o

a

l
a
s

m

l
t
i
p
l
e
s

v
a
r
i
a
b
l
e
s

q
u
e

i
n
-
c
o
r
p
o
r
a
,

c
o
m
b
i
n
a
d
a
s

d
e

u
n
a

f
o
r
m
a

c
o
m
p
l
e
j
a
.
E
s
t
o
s

a
u
t
o
r
e
s

u
t
i
l
i
z
a
n

l
a

i
n
f
o
r
m
a
c
i

n

c
o
n
t
a
b
l
e

d
e

l
a

C
e
n
-
t
r
a
l
e

d
e
i

B
i
l
a
n
c
i

p
a
r
a

e
n
t
r
e
n
a
r

d
i
v
e
r
s
o
s

m
o
d
e
l
o
s

d
e

p
e
r
-
c
e
p
t
r
o
n

d
i
r
i
g
i
d
o
s

a

d
e
t
e
c
t
a
r

l
a

v
u
l
n
e
r
a
b
i
l
i
d
a
d

y

l
a

i
n
s
o
l
-
v
e
n
c
i
a

d
e

l
a
s

e
m
p
r
e
s
a
s

q
u
e

p
i
d
e
n

p
r

s
t
a
m
o
s

a

a
l
g
u
n
o

d
e

l
o
s

b
a
n
c
o
s

p
e
r
t
e
n
e
c
i
e
n
t
e
s

a

l
a

A
s
o
c
i
a
c
i

n

B
a
n
c
a
r
i
a

I
t
a
l
i
a
-
n
a
.

C
o
m
p
a
r
a
n

l
o
s

r
e
s
u
l
t
a
d
o
s

d
e
l

e
m
p
l
e
o

d
e

r
e
d
e
s

c
o
n

l
o
s

d
e
l

a
n

l
i
s
i
s

d
i
s
c
r
i
m
i
n
a
n
t
e
,

q
u
e

e
s

l
a

t

c
n
i
c
a

q
u
e

l
a

C
e
n
t
r
a
-
l
e

e
m
p
l
e


p
a
r
a

l
a

e
l
a
b
o
r
a
c
i

n

d
e
l

S
i
s
t
e
m
a

d
e

D
i
a
g
n

s
t
i
-
c
o

,

q
u
e

d
e
s
p
u

s

d
i
s
t
r
i
b
u
y


e
n
t
r
e

l
o
s

b
a
n
c
o
s

a
f
l
i
a
d
o
s

a

s
u

s
i
s
t
e
m
a

d
e

i
n
f
o
r
m
a
c
i

n
.
L

p
e
z

&

F
l

r
e
z

[
1
9
9
9
]
R
e
d
e
s

n
e
u
r
o
n
a
l
e
s

(
M
a
p
a
s

a
u
t
o
o
r
g
a
n
i
z
a
d
o
s

d
e

K
o
h
o
n
e
n
)
C
o
n

e
l

m
o
d
e
l
o

o
b
t
e
n
i
d
o

s
e

c
a
r
a
c
t
e
r
i
z
a

a
d
e
c
u
a
d
a
m
e
n
t
e

l
a

s
o
l
v
e
n
c
i
a

e
m
p
r
e
s
a
r
i
a
l
,

o
b
t
e
n
i

n
d
o
s
e

m
a
p
a
s

t
o
p
o
-
g
r

f
c
o
s

c
a
r
a
c
t
e
r

s
t
i
c
o
s

y

d
e
t
e
c
t

n
d
o
s
e

l
o
s

i
n
d
i
c
a
d
o
r
e
s

m

s

s
i
g
n
i
f
c
a
t
i
v
o
s

e
n

s
u

f
o
r
m
a
c
i

n
.
E
m
p
l
e
a
n

l
o
s

m
a
p
a
s

a
u
t
o
o
r
g
a
n
i
z
a
d
o
s
,

p
r
o
v
e
n
i
e
n
t
e

d
e

l
o
s

a

o
s

s
e
t
e
n
t
a

y

o
c
h
e
n
t
a
.
G
o
n
z

l
e
z
,

C
o
r
r
e
a

&
B
l

z
q
u
e
z

[
1
9
9
9
]
S
i
s
t
e
m
a
s

d
e

i
n
d
u
c
c
i

n

(
V

a
s
e

e
l

m
o
d
e
l
o

l
l
a
m
a
d
o

S
e
e
5
)
E
n

l

n
e
a
s

g
e
n
e
r
a
l
e
s
,

l
o
s

r
e
s
u
l
t
a
d
o
s

o
b
t
e
n
i
d
o
s

s
o
n

c
o
i
n
-
c
i
d
e
n
t
e
s

c
o
n

l
o
s

d
e

i
n
v
e
s
t
i
g
a
c
i
o
n
e
s

a
n
t
e
r
i
o
r
e
s

s
o
b
r
e

e
l

m
i
s
m
o

t
e
m
a
.
S
e

e
s
t
u
d
i
a

e
l

p
r
o
b
l
e
m
a

d
e

l
a

i
n
s
o
l
v
e
n
c
i
a

e
m
p
r
e
s
a
r
i
a
l

a

t
r
a
-
v

s

d
e
l

a
l
g
o
r
i
t
m
o

(
V

a
s
e

e
l

m
o
d
e
l
o

S
e
e
5
)

d
e

i
n
d
u
c
c
i

n

d
e

r
b
o
l
e
s

y

r
e
g
l
a
s
.
M
o
o
d
y

s

R
i
s
k

C
a
l
c

[
2
0
0
1
]
A
n

l
i
s
i
s

d
i
s
c
r
i
m
i
n
a
n
t
e

m
u
l
t
i
v
a
r
i
a
n
t
e
E
n
c
u
e
n
t
r
a
n

a
l

r
a
t
i
o

c
o
b
e
r
t
u
r
a

d
e

i
n
t
e
r
e
s
e
s

c
o
m
o

e
l

d
e

m
a
y
o
r

p
e
s
o

e
n

e
l

x
i
t
o

d
e

l
a
s

e
m
p
r
e
s
a
s
,

s
e
g
u
i
d
o

d
e

u
t
i
l
i
d
a
d
e
s

b
r
u
t
a
s

s
o
b
r
e

g
a
s
t
o

t
o
t
a
l

e
n

i
n
t
e
r
e
s
e
s
.
S
u

m
o
d
e
l
o

o
f
r
e
c
e

v
a
l
o
r
e
s

m

s

r
o
b
u
s
t
o
s

q
u
e

e
l

m
o
d
e
l
o

c
l

s
i
c
o

d
e

A
l
t
m
a
n
.
E
l

m
o
d
e
l
o

s
e

a
p
l
i
c


a

3
,
7
9
7

e
m
p
r
e
s
a
s

q
u
e

n
o

c
o
t
i
z
a
n

e
n

b
o
l
s
a
,

p
a
r
a

u
n

h
o
r
i
z
o
n
t
e

t
e
m
p
o
r
a
l

e
n
t
r
e

1
9
9
0
-
1
9
9
9
.

Journal of Economics, Finance and Administrative Science 72 June 2010
A
u
t
o
r
M
e
t
o
d
o
l
o
g

a
R
e
s
u
l
t
a
d
o
s
O
b
s
e
r
v
a
c
i
o
n
e
s
A
b
a
d
,

A
r
q
u
e
r
o

&

J
i
m

n
e
z


[
2
0
0
3
]
T
e
o
r

a

d
e

s

n
d
r
o
m
e

f
n
a
n
c
i
e
r
o
S
e

i
d
e
n
t
i
f
c
a
n

y

a
g
r
u
p
a
n

d
i
s
t
i
n
t
o
s

p
r
o
c
e
s
o
s

d
e

f
r
a
c
a
s
o

e
m
p
r
e
s
a
r
i
a
l
.

L
o
s

r
e
s
u
l
t
a
d
o
s

c
o
i
n
c
i
d
e
n

c
o
n

l
o
s

o
b
t
e
n
i
d
o
s

p
o
r

o
t
r
o
s

e
s
t
u
d
i
o
s

e
n

e
s
t
a

l

n
e
a
.
I
d
e
n
t
i
f
c
a
n

a

l
a

m
a
n
i
p
u
l
a
c
i

n

c
o
n
t
a
b
l
e

c
o
m
o

u
n

f
a
c
t
o
r

q
u
e

l
i
m
i
t
a

l
o
s

r
e
s
u
l
t
a
d
o
s
.
M
o
s
q
u
e
d
a
,
[
2
0
0
4
]
T
e
o
r

a

d
e

s

n
d
r
o
m
e

f
n
a
n
c
i
e
r
o
L
a
s

e
m
p
r
e
s
a
s

c
o
n

s

n
d
r
o
m
e

a
g
u
j
e
r
o

n
e
g
r
o


s
e

d
i
s
-
t
i
n
g
u
e
n

d
e

a
q
u
e
l
l
a
s

s
a
n
e
a
d
a
s

p
o
r

l
o
s

r
a
t
i
o
s

c
a
p
i
t
a
l

c
o
n
t
a
b
l
e

/

a
c
t
i
v
o

t
o
t
a
l

c
o
b
e
r
t
u
r
a

d
e

i
n
t
e
r
e
s
e
s

.

E
n

t
a
n
t
o

q
u
e

p
a
r
a

a
q
u
e
l
l
a
s

c
o
n

s

n
d
r
o
m
e

d
e

c
r
e
c
i
m
i
e
n
-
t
o

f
r
a
c
a
s
a
d
o

,

l
a
s

v
a
r
i
a
b
l
e
s

m

s

s
i
g
n
i
f
c
a
t
i
v
a
s

s
o
n

e
l

c
r
e
c
i
m
i
e
n
t
o

d
e
l

a
c
t
i
v
o

y
,

d
e

n
u
e
v
o
,

c
a
p
i
t
a
l

c
o
n
t
a
b
l
e

/

a
c
t
i
v
o

t
o
t
a
l
.
E
l

e
s
t
u
d
i
o

s
e

l
i
m
i
t
a

a

e
m
p
r
e
s
a
s

q
u
e

c
o
t
i
z
a
n

e
n

l
a

b
o
l
s
a

m
e
x
i
c
a
n
a

d
e

v
a
l
o
r
e
s
.
G
i
a
n
n
i

e
t

a
l
.

[
2
0
0
2
]
A
n

l
i
s
i
s

d
i
s
c
r
i
m
i
n
a
n
t
e

m
u
l
t
i
v
a
r
i
a
n
t
e
,

M
o
d
e
l
o
s

d
e

R
e
g
r
e
s
i

n

L
o
g

s
t
i
c
a
,

y

R
e
d
e
s

N
e
u
r
o
n
a
l
e
s
.
S
u
s

r
e
s
u
l
t
a
d
o
s

d
e
m
o
s
t
r
a
r

a
n

l
a

s
u
p
e
r
i
o
r
i
d
a
d

d
e
l

M
o
-
d
e
l
o

d
e

R
e
d
e
s

N
e
u
r
o
n
a
l
e
s

e
n

c
u
a
n
t
o

a

c
a
p
a
c
i
d
a
d

d
e

c
l
a
s
i
f
c
a
c
i

n

y

p
r
e
d
i
c
c
i

n

d
e

l
a

q
u
i
e
b
r
a
,

s
o
b
r
e

l
o
s

M
o
-
d
e
l
o
s

d
e

R
e
g
r
e
s
i

n

y

A
n

l
i
s
i
s

D
i
s
c
r
i
m
a
n
t
e
.
E
s
t
o
s

l
t
i
m
o
s
,

s
i
n

e
m
b
a
r
g
o
,

p
e
r
m
i
t
e
n

e
x
p
l
i
c
a
r

e
l

f
e
n

-
m
e
n
o
,

l
o

q
u
e

s
e

t
r
a
d
u
c
e

e
n

l
a

i
d
e
n
t
i
f
c
a
c
i

n

d
e

a
q
u
e
-
l
l
a
s

v
a
r
i
a
b
l
e
s

q
u
e

m
e
j
o
r

e
x
p
l
i
c
a
n

e
l

t
e
m
a

e
n

c
u
e
s
t
i

n
.
E
n

e
l

e
s
t
u
d
i
o

d
e

G
i
a
n
n
i
,

l
o
s

m
o
d
e
l
o
s

s
e

c
o
n
t
r
a
s
t
a
n

e
n

e
l

c
a
s
o

d
e

9
8

e
m
p
r
e
s
a
s

c
h
i
l
e
n
a
s
,

c
o
n

u
n

h
o
r
i
z
o
n
t
e

d
e

1
4

a

o
s
.
M
o
s
q
u
e
d
a

R
.
[
2
0
0
8
]
A
p
r
o
x
i
m
a
c
i

n

R
o
u
g
h

S
e
t
E
l

m
o
d
e
l
o

R
P
V

m
u
e
s
t
r
a

u
n
a

c
a
p
a
c
i
d
a
d

p
r
e
d
i
c
t
i
v
a

s
u
-
p
e
r
i
o
r

a
l

9
0
%

s
o
b
r
e

l
o
s

m
o
d
e
l
o
s

c
o
n
s
t
r
u
i
d
o
s

c
o
n

i
n
-
f
o
r
m
a
c
i

n

c
o
n
t
a
b
l
e

y

c
u
a
l
i
t
a
t
i
v
a
.
S
e

a
p
l
i
c


s
o
b
r
e

u
n
a

m
u
e
s
t
r
a

d
e

e
m
p
r
e
s
a
s

m
i
c
r
o

y

p
e
q
u
e
-

a
s

d
e

u
n
a

r
e
g
i

n

d
e

M

x
i
c
o
.

E
l

h
o
r
i
z
o
n
t
e

t
e
m
p
o
r
a
l

f
u
e

d
e

4

a

o
s
.

D
e
f
n
e

e
l

f
r
a
c
a
s
o

a

p
a
r
t
i
r

d
e
l

c
i
e
r
r
e

d
e
l

n
e
g
o
c
i
o
.
G
u
i
l
l

n

[
2
0
0
9
]
M
o
d
e
l
o

C
.
A
.
M
.
E
.
L
.
P
e
r
m
i
t
e

v
e
r
i
f
c
a
r

l
a

s
a
l
u
d

f
n
a
n
c
i
e
r
a

d
e

u
n

g
r
u
p
o

d
e

b
a
n
c
o
s

n
o
r
t
e
a
m
e
r
i
c
a
n
o
s
,

s
e

d
e
t
e
c
t
a

l
a

i
n
e
f
c
i
e
n
c
i
a

b
a
n
c
a
r
i
a

c
o
m
o

c
o
n
s
e
c
u
e
n
c
i
a

d
e

l
a

d
e
s
r
e
g
u
l
a
c
i

n
.
L
a

v
e
n
t
a
n
a

d
e

e
s
t
u
d
i
o

v
a

d
e
s
d
e

e
l

a

o

1
9
8
4

y

f
n
a
l
i
z
a

e
n

1
9
9
7

q
u
e

e
s

t
r
e
s

a

o
s

p
o
s
t
e
r
i
o
r
e
s

a

l
a

p
r
o
m
u
l
g
a
c
i

n

d
e
l

A
c
t
a

R
i
e
g
l
e

N
e
a
l
.

Mosqueda: Falibilidad del mtodo Rough Set 73 Vol. 15 N 28
de la informacin contable, transpolada a razones
fnancieras, para predecir el futuro del negocio. An
y cuando la informacin cualitativa no est exenta de
brindar informacin parcial, al igual que la informacin
contable, los tericos coinciden en que la mezcla de
estos dos tipos de informacin en los modelos predic-
tivos robustece sus predicciones. As, a pesar de que
la importancia de los ratios en el estudio del fracaso
empresarial no puede ser negada, su uso ha sido por
dems criticado, fundamentalmente por las siguientes
dos cuestiones: (a) los constructos, que se elaboran con
ratios fnancieros que no tiene una teora que justifque
su uso y, a su vez, los modelos y los resultados que de
estos se derivan, seran simplemente un ejercicio esta-
dstico; (b) estos modelos son incapaces de pronosticar
la quiebra de las empresas de aquellas que presentan
una alta clasifcacin crediticia debido a que omiten
uno o varios elementos importantes, tales como la
relacin entre riesgo-rendimiento de manera adecua-
da. Estas dos circunstancias dan pie a los siguientes
razonamientos:
1. Restriccin. Dado que la obligacin por presentar
pblicamente la informacin contable y su ela-
boracin depende de criterios basados en tipo/
tamao de empresa, los modelos de prediccin
del fracaso empresarial que utilizan ratios estn
restringidos y, en consecuencia, por los datos de
este tipo de compaas que conocen el criterio.
2. Imagen fel. Cuando la elaboracin de los mode-
los predictivos se basa en los ratios fnancieros,
los investigadores asumen implcitamente que
la informacin contable anual les proporciona
la imagen fel y verdadera sobre la situacin
fnanciera de la empresa. Debemos reconocer
que existe informacin contable viciada que no
puede proporcionar la imagen real del negocio.
Rosner (2003) encontr evidencia de que las
empresas fracasadas manejan ganancias al alza
para dar una imagen positiva sobre su situacin
fnanciera, especialmente cuando se encuentran
al borde del fracaso.
3. Parcialidad. Desde el momento en que los in-
vestigadores introducen solo ratios fnancieros a
sus modelos predictivos, ellos asumen que los
indicadores relevantes, ya sea de fracaso o xito,
quedan captados por la informacin contable. La
experiencia muestra que no toda la informacin
relevante queda incluida en los Estados Finan-
cieros; luego, si los estados contables no brin-
dan toda la informacin requerida, se generan
problemas de valores perdidos. Argenti (1976)
asegura que a pesar [de] que los ratios fnan-
cieros pueden mostrarnos que algo anda mal
dudo que alguien pudiera atreverse a predecir el
colapso o fracaso con la sola evidencia de estos
ratios. (p. 62). Por su parte, Maltz, Shenhar y
Reilly (2003) demostraron empricamente que
el uso de medidas fnancieras como indicadores
nicos de desempeo de la organizacin es limi-
tado.
Por ello, cada vez un mayor nmero de autores
opta por incluir indicadores no contables o cua-
litativos en los modelos predictivos del fracaso
empresarial. La evidencia encontrada por estos
estudios nos sugiere que la informacin no fnan-
ciera y cualitativa puede resultar particularmente
apropiada cuando se estudia el fracaso empresa-
rial de las pequeas empresas, pues, a priori, la
veracidad en la informacin contable en este tipo
de empresas es menor. Adems de las variables
no contables y cualitativas, las caractersticas de
la empresa como el tipo de industria y el tama-
o han probado ser una variable muy importan-
te en la prediccin del fracaso empresarial. Lai-
tinen (1993), por ejemplo, encontr evidencia de
que las empresas pequeas son ms susceptibles
al fracaso empresarial.
4. Representatividad. Parece no haber consenso
sobre cul es el tipo de ratios ms representa-
tivo cuando se da el fracaso empresarial. A pe-
sar de que diversos estudios han comparado las
habilidades predictivas de los ratios fnancieros
basados en partidas de devengo (Casey y Bartc-
zak, 1984) contra los basados en fujos de caja
(Gentry, Newbold, & Whitford, 1987), no existe
consenso sobre cules son los que mejor capaci-
dad predictiva tienen.
Journal of Economics, Finance and Administrative Science 74 June 2010
signo, 1.0, de la variacin segn la naturaleza de R
Cit
.
De acuerdo con este modelo, la maximizacin se alcanza
cuando el resultado es mayor a cero, Max(RPV)>0, y
se interpreta como un rendimiento por encima del que
otra empresa o proyecto similar obtendra en el mer-
cado. Una particularidad de las tareas para encontrar
las variables (R
Cit
) es que Mosqueda (2008) aplic la
metodologa Rough Set sobre una muestra de control
de 230 pequeas y microempresas mexicanas.
Los descubrimientos obtenidos por el RPV original
sugieren que el fracaso empresarial se debe a los siguien-
tes indicadores
10
: la Presin Financiera (PEF), a la habi-
lidad para detectar las Oportunidades de Negocio (ONE),
al Sistema de Gestin Financiera (AFI), a la Dotacin
en Equipo y Tecnologa (DET), a la Rentabilidad de la
Inversin (ROI) y algn Indicador Especfco propio a
cada Sector (IES)
11
. De estos indicadores destacan el
Ratio Presin Financiera y las Oportunidades del
negocio como los ms relevantes. Luego, la funcin
economtrica que se puede derivar quedara:

(3)
RPV =
i
+b
i1
AFI + b
i2
ONE + b
i3
DET +
b
i4
PEF +b
i5
ROI + b
i6
IES + u
i
Una solucin adoptada ante esta dicotoma sera
la incorporacin de ratios de valor aadido. En
un estudio de 1991, Declerc, Heins y Van Wy-
meersch demostraron que cuando se incorporan
indicadores fnancieros ms complejos a los mo-
delos predictivos, como los ratios de valor aa-
dido, se incrementa notablemente la capacidad
predictiva.
El ModElo rPv y la MEtodologa
rOUGH sET
Este apartado de dedica a analizar las caractersticas
bsicas y los resultados obtenidos por el modelo denomi-
nado Ratio Ponderado de Valoracin (RPV), propuesto
por Mosqueda (2008), para predecir la quiebra en las
micro y pequeas empresas. La novedad que aporta
este modelo, a diferencia de los desarrollados hasta este
momento, es que incorpora tanto informacin contable
como informacin cualitativa; elabora su ndice a travs
de la combinacin (superposicin) de las principales
variables que inciden sobre la situacin econmica de
la empresa en un perodo determinado con un costo de
oportunidad en el mercado en condiciones de equilibrio.
La propuesta para calcular el desempeo de la empresa
queda expresada en la siguiente ecuacin:

(2)
En este caso, R
Sit
es la variable (ratio, indicador)
estndar; R
Cit
es la variable (ratio, indicador) simple
8
; r
it

es la ponderacin para cada ratio representativo y sera
el proxy de los coefcientes de respuesta del resultado
(ERC)
9
. Como se observa, es preciso tomar en cuenta el
8
La clasifcacin de las variables en estndar y simple
obedece a criterios de Administracin Financiera. Por es-
tndar se entiende al indicador del mercado y por simple el
resultado que se obtiene de la empresa analizada.
9
El peso especfco de cada indicador (r
ij
), que matemtica-
mente no podr ser superior a 1.0, se conform por medio de
la metodologa propuesta por la frma consultora Moodys, a
saber:
En donde T(b
ij
) es el ratio (variable) respectivo; en tanto
que E{T(b
ij
)} refeja el valor promedio (esperado) del total
de las variables; luego,

representa a la suma absoluta de las diferencias.
10
Para mayor informacin sobre estas variables se puede
consultar a Mosqueda (2008). De dicho estudio, podemos
decir, en trminos generales, que las variables cualitativas
se obtienen tras la aplicacin de un cuestionario de competi-
tividad, en tanto que las variables cuantitativas son ratios f-
nancieros que se calculan a partir de informacin contable.
11
Lamentablemente, el autor no hizo las regresiones respec-
tivas para encontrar los coefcientes de respuesta estimados
de las variables independientes. En su lugar, se tom los
valores histricos de las variables (r
it
) como predictores,
confando, segn se aprecia, en la teora de eaning power
que establece que los valores histricos tienen el potencial
sufciente para predecir el futuro.
r
ij
=

T(b
i
) E{T(b
j
)}

i=1
abs[T(b
j
) E{T(b
j
)}]
10

i=1
abs[T(b
j
) E{T(b
j
)}]
10
RPV
it

=


R
Sit
R
Cit


r
t
{1.0}
R
Cit
Mosqueda: Falibilidad del mtodo Rough Set 75 Vol. 15 N 28
Debido a que el RPV es un modelo ndice de riesgo
dinmico cuyo propsito es encontrar el riesgo de quie-
bra de las empresas desde un punto de optimizacin
econmico, un RPV
it
>0 indicara que la empresa no
tendra problemas de quiebra; pero, esta restriccin, no
determina la optimizacin de los resultados. Por ello es
que el resultado se le contrasta contra el rendimiento
ptimo del mercado (como lo puede ser la tasa libre
de riesgo) y, as, determinar el excedente econmico
real. Es decir:
VEA = dif(RPV
it
,i
lr
) (4)
en donde VEA es el valor econmico aadido, RPV
it
es
el desempeo econmico de la empresa i en el momento
t, encontrado por el modelo RPV; i
lr
es la tasa libre de
riesgo (tasa CETE para el caso de Mxico) que estara
representada por
i
en la funcin economtrica
12
.
La teora Rough Set
La teora Rough Set fue originalmente desarrollada en
los aos ochenta a partir de los fundamentos tericos
de Pawlak (1991), y actualmente expandida en el tra-
bajo de Greco, Matarazzo y Slowinski (1998) como
herramienta formal para tratar con la incertidumbre o la
vaguedad inherente a un proceso de decisin. Aunque
hoy en da hay extensiones de esta teora, nos estamos
refriendo al enfoque clsico que es un tanto distinto
de la teora estadstica de la probabilidad como de la
teora de lgica difusa (fuzzy set).
Desde este punto de vista, ubicamos al modelo Rough
Set como un mtodo perteneciente a los Sistemas de
Induccin de Reglas y rboles de Decisin (o mtodos
de criterio mltiple), cuyo enfoque, a su vez, se encuadra
dentro de las aplicaciones de la Inteligencia Artifcial.
El modelo utiliza la experiencia de una forma objetiva,
a travs del estudio de la experiencia histrica de una
manera cuantitativa, para as explicitar reglas que,
resumiendo y objetivando la experiencia acumulada,
ayuden en las decisiones futuras. Los rough sets, que
la comunidad cientfca ha decantado en denominar
conjuntos aproximados en espaol, podran enten-
derse como vago, impreciso; por tanto, y de manera
intuitiva, un rough set es un conjunto de objetos que, en
general, no pueden ser caracterizados de manera precisa
en cuanto a la informacin disponible y de valores de
un conjunto de atributos.
Evidentemente, debido a estas caractersticas, la
teora Rough Set desarrollada resulta muy til para
descubrir las dependencias entre los atributos de las
observaciones, evaluar el nivel de signifcacin y para
el tratamiento de datos o informacin inconsistente.
En tal sentido, la teora de los rough sets representa
el cmulo del conocimiento dentro de una tabla de
decisin, que es una tcnica particular a un sistema
de informacin. Las flas de la tabla corresponden a
los objetos y las columnas a los atributos. Para cada
objeto, en funcin de sus atributos especfcos, existe
un valor conocido llamado descriptor. Cada fla de la
tabla contiene descriptores que representan informacin
sobre una observacin de la poblacin. Generalmente,
la informacin relativa a todo el conjunto de atributos
se divide en dos subconjuntos: a) atributos de con-
dicin (criterios, caractersticas, sntomas, etc.), y b)
atributos de decisin (clasifcaciones, asignaciones,
decisiones, etc.)
Analizar que las observaciones u objetos pueden ser
indiscernibles, en cuanto a los descriptores, es el punto
de partida de la flosofa de los rough sets. Al conjunto
de todos estos objetos indiscernibles se le denomina
conjunto elemental que, a su vez, conforma lo que se
denomina el grnulo base del conocimiento de la po-
blacin. La identifcacin plena de cualquier conjunto
de objetos con un conjunto elemental se defne como
precisa; mientras lo opuesto se defne como imprecisa,
vaga o aproximada. En este sentido, un rough set re-
presenta la lnea lmite de casos; en otras palabras, son
los objetos que no pueden ser clasifcados con certeza
12
Mosqueda (2004) encuentra que la ecuacin (4), en cierta
forma, retoma la idea de Hamilton, publicada en el ao
1777, que luego perfeccionaran Stern y Stewart (2001)
para elaborar su modelo EVA, respecto de la idea de valor
econmico residual, a diferencia de la metodologa RPV
que compara el desempeo econmico generado por los in-
dicadores ms representativos de la empresa y no slo por
los retornos de capital propuesto por el modelo EVA.
Journal of Economics, Finance and Administrative Science 76 June 2010
como miembros de un conjunto o de su complemento.
Por tanto, un rough set puede representarse por un par
de conjuntos denominados de aproximacin inferior y
superior. La aproximacin superior representa a todos
los objetos que pertenecen con certeza al conjunto,
y la aproximacin inferior contiene los objetos que
posiblemente pertenecen al conjunto.
El desarrollo matemtico se orienta tambin a descu-
brir dependencias entre los atributos que conforman los
rough sets. Ello es de vital importancia para el anlisis
del conocimiento as como para la determinacin de
informacin redundante, de manera que se identifquen
aquellos atributos ms relevantes y de mayor capacidad
descriptiva para defnir la aproximacin al conjunto y
reducir su nmero. Este subconjunto mnimo de atributos
recibe la denominacin de reducto y la interseccin de
todos los reductos ncleo; esto constituye la coleccin
de atributos de condicin ms relevantes (ver Figura 1).
Por otro lado, la identifcacin de los atributos reducto
de una tabla de decisin permite derivar reglas de clasi-
fcacin o decisin del tipo If then.... que relacionan
descripciones de clases de atributos de condicin con
atributos de decisin. En el contexto de la Inteligencia
Artifcial, la teora de los rough sets conforma un esque-
ma formal de reglas deterministas y no deterministas
procedentes de una representacin del conocimiento en
forma de tabla de decisin; este esquema da lugar a la
confguracin un nuevo paradigma de representacin
simblica del conocimiento con derivacin inductiva
de reglas: aprendizaje inductivo.
En este sentido, se podra decir que hay tres catego-
ras generales de imprecisin en el anlisis cientfco. La
primera categora ocurre cuando un acontecimiento es
aleatorio por naturaleza, y la imprecisin asociada con
este tipo de acontecimientos puede describirse por la
teora estadstica de la probabilidad. La segunda surge
del hecho de que los objetos pueden no pertenecer
exclusivamente a una nica categora, sino a varias
categoras aunque con diferentes grados; en este caso
la imprecisin toma forma de pertenencia difusa a un
conjunto y es el objeto de la lgica difusa. La tercera
categora es la teora Rough Set que es til cuando las
clases en las que han de catalogarse los objetos son
imprecisas, pero, sin embargo, pueden aproximarse
mediante conjuntos precisos. Estas diferencias muestran
una de las principales ventajas de la teora Rough Set:
Figura 1. Defnicin de los reductos
Atributo 1d
Atributo 1c
Atributo 1b
Atributo 1a
Atributo 2d
Atributo 2c
Atributo 2b
Atributo 2a
Atributo 3d
Atributo 3c
Atributo 3b
Atributo 3a
Atributo n
Atributo n
Atributo n
Atributo n
Objeto a
Objeto a
Objeto a
Objeto a
R
e
d
u
c
t
o
s
. . .
Mosqueda: Falibilidad del mtodo Rough Set 77 Vol. 15 N 28
no se necesita ninguna informacin adicional acerca de
los datos, tales como una distribucin de probabilidad
en estadstica, o el grado o probabilidad de pertenencia
en la teora de lgica difusa.
As pues, la teora Rough Set se vale de la nocin
de atributo, en vez de criterio. Ello se debe a que el
dominio (escala) de un criterio requiere estar ordenado
de acuerdo con las preferencias, sean estas crecientes
o decrecientes; no obstante, el dominio de un atributo
no necesita ser ordenado. Por lo mismo, esta teora
supone que una situacin de decisin puede ser rep-
resentada por una tabla de informacin, formada por
una cudrupla:
S = {U, Q, V
q
, f } (5)

en donde:
U es el conjunto fnito de objetos,
Q es un conjunto fnito de atributos,
V
q
es el dominio del atributo q, y
f es una funcin llamada funcin de informa-
cin, tal que f(x,q)

para todo q Q, x U
As,
V = U
Vq
(6)

qeQ

y dado que la ecuacin (5) est defnida como una tabla
de informacin, y P Q, adems que x e y U,
entonces, las variables x e y son indiscernibles para
el conjunto de atributos P defnidos en S, si y solo si,
f (x,q) = f (y,q), para todo q P.
As, bajo esta teora, se asume que la representacin
del conocimiento de los objetos se da en forma de tabla
de informacin. En las flas de la tabla se indican los
objetos (acciones, alternativas, candidatos, pacientes,
empresas, etc.), mientras que las columnas correspon-
den a los atributos. Las entradas en la tabla son los
valores del atributo; es decir, la entrada en columna
q y en fla x tiene el valor f(x, q). Por tanto, para cada
par (objeto, atributo) se conoce un valor denominado
descriptor. Cada fla de la tabla contiene descriptores que
representan informacin correspondiente a un objeto.
La relacin de no-diferenciacin ocurrira si en dos
objetos los descriptores tomasen el mismo valor para
todos los atributos.
Un sistema de informacin reducido permite la
obtencin de reglas de decisin. De hecho, esta es la
cuestin ms importante del enfoque Rough Set. Supo-
nemos que el conjunto de datos contiene informacin
de un conjunto de objetos descritos por un conjunto de
atributos. Estos, a su vez, se dividen en dos subconjuntos
de atributos de condicin y atributos de decisin, que
denotamos por C y D. El problema consiste en encontrar
reglas que determinen si un objeto pertenece a un sub-
conjunto particular denominado clase de decisin. La
defnicin de esta clase es conocida porque, por ejemplo,
lo ha defnido el experto o un usuario. Una regla de
decisin puede expresarse como una sentencia lgica
que relaciona la descripcin de condiciones y las clases
de decisin. Toma la siguiente forma: SI <se cumplen
condiciones> ENTONCES <el objeto pertenece a una
clase de decisin dada>
Con todo, los resultados obtenidos por el enfoque
Rough Set se expresan de forma similar al lenguaje natu-
ral humano. Los procedimientos para generar reglas de
decisin a partir de una tabla de decisin operan sobre
los principios del aprendizaje inductivo. Los algoritmos
de induccin de reglas utilizan alguna de las siguientes
estrategias: generacin de un conjunto mnimo de reglas
que cubran todos los objetos de la tabla; generacin de
un conjunto exhaustivo de reglas consistentes en todas
las reglas posibles de una tabla, o, generacin de un
conjunto de reglas de decisin fuertes que cubran
relativamente muchos objetos, pero no necesariamente
todos los objetos de la tabla.
Estudio EMPriCo
Hemos centrado este estudio en las empresas mexicanas
porque es el mercado de donde disponemos informacin.
Sin embargo, esto no es ocioso si observamos que la
gestin de las pequeas y microempresas mexicanas no
funciona, por desgracia, dentro de los paradigmas de ef-
ciencia empresarial. Sistemas administrativos obsoletos,
Journal of Economics, Finance and Administrative Science 78 June 2010
falta de preparacin gerencial y contabilidad orientada
solo al cumplimiento de la norma tributaria son algunos
de los factores que los aquejan. Ohlson (1980) y Blazy
(2000) encontraron evidencia de que el tamao es un
factor determinante, sus descubrimientos sugieren que
las pequeas y microempresas son ms vulnerables al
fracaso empresarial. Esta evidencia se corrobora con un
reporte de la CEPAL (2009) que muestra que en Amrica
Latina el 80% de las pequeas y microempresas no so-
breviven ms all de 3 aos porque, fundamentalmente,
el administrador no est preparado y porque no cuentan
con un sistema contable fable que permita una adecuada
toma de decisiones. Ante estas circunstancias, pareciera
ser que los modelos predictivos tradicionales no encajan
con la realidad, pues se nutren fundamentalmente de
variables continuas poco fables.
As, en el presente apartado mediremos el grado de
precisin del modelo RPV, en el que se aplica para ello
un colectivo de 5 empresas que satisfagan los siguientes
criterios de exclusin:
a) Empresas micro y pequeas defnidas por el n-
mero de trabajadores.
b) Empresa sana o fracasada sobre la que se pueda
identifcar con claridad el ao de quiebra.
c) Que el ao de quiebra sea 2008 ya que la ventana
de estudio comprende del 2006 al 2008.
d) Que las empresas cuenten con informacin con-
table siempre y cuando dicha informacin supe-
rase el baremo de aceptabilidad defnido en la
encuesta que se aplic originalmente en el estu-
dio de Mosqueda (2008).
rEsultados
De la Tabla 2 se destacan varios puntos. Notamos que,
tras aplicar el Modelo RPV original, esto es, con los
coefcientes de respuesta defnidos por Mosqueda (2008)
a una muestra de empresas por fuera, se presenta un
sesgo de error clasifcatorio del 40%. En todo caso, la
empresa del sector agroindustrial sera la ms efciente
(con un RVP de 2.517), en tanto que las empresas co-
merciales seran las peor libradas. En la prctica, estos
resultados concuerdan con los indicadores industriales
del Instituto Nacional de Estadstica y Geografa (2008),
que sealan que las empresas agroindustriales son las
que menos han sentido la actual crisis econmica, no
as las frmas comerciales.
Por otro lado, y aun cuando la muestra a que se aplic
el modelo es reducida, el escaso poder predictivo del
RPV (al pasar del 90% en la muestra de control frente
al 60% que se obtiene en este estudio), no hace ms
que corroborar un problema de especifcacin y/o de
cambios estructurales en el modelo. Por ello es que pro-
ponemos los algunos puntos en los acpites siguientes
para robustecerlo.
Consideraciones crticas sobre los supuestos
del Modelo RPV
El escaso poder predictivo, mostrado anteriormente
por el RPV cuando se aplica a muestras distintas a la
muestra de control, se puede explicar por alguna de las
siguientes circunstancias: a) Ante un cambio estructural
en el modelo, como pueden ser las nuevas condiciones
del entorno que han provocado un cambio estacional
en el modelo que precisara su actualizacin; b) que los
coefcientes de respuesta asignados a las variables (r
it
)
no sean los adecuados; y, c) que el modelo estuviera
mal especifcado al haber incorporado variables poco
representativas. Veamos algunos detalles:
La determinacin de los pesos relativos de las va-
riables quizs sea la principal debilidad del RPV. Se
asume que los pesos relativos histricos (r
it
) son un
buen proxy de los coefcientes de respuesta b
it
de la
funcin economtrica que deberan cuantifcarse por
algn mtodo de prospeccin estadstica. Sospechamos
que esta circunstancia es la que origina un problema
de heteroscedasticidad
13
e invalida la aplicacin del
modelo a otros entornos.
13
Esta condicin hace que el estimador de la varianza del tr-
mino de perturbacin,
u

2 ^
sea sesgado por distintas cau-
sas. En nuestro caso, asumimos que el sesgo no se debe
tanto a la omisin de alguna variable explicativa relevante
el mtodo Rough Set ha probado sobrada robustez dis-
criminadora; puede consultarse los trabajos de Greco,
Mosqueda: Falibilidad del mtodo Rough Set 79 Vol. 15 N 28
T
a
b
l
a

2
.

C
e
r
t
e
z
a

p
r
e
d
i
c
t
i
v
a

d
e
l

R
P
V

s
o
b
r
e

u
n
a

m
u
e
s
t
r
a

d
e

e
m
p
r
e
s
a
s
E
m
p
.
T
a
m
a

o
S
e
c
t
o
r
D
i
f
e
r
e
n
c
i
a

p
o
n
d
e
r
a
d
a
R
P
V
I
n
t
e
r
p
r
e
t
a
c
i

n
T
a
s
a

R
e
f
e
r
e
n
c
i
a
1
R
e
s
u
l
t
a
d
o
s

p
t
i
m
o
s
E
s
t
a
t
u
s

a
l

3
1
-
1
2
-
0
8
a
M
i
c
r
o
C
o
m
e
r
c
i
o
-
0
.
0
2
4
8
Q
u
i
e
b
r
a
4
.
5
1
n
o
Q
u
e
b
r
a
d
a
P
r
e
s
i

n

f
n
a
n
c
i
e
r
a
O
p
o
r
t
u
n
i
d
a
d
e
s

N
e
g
o
c
i
o
E
q
u
i
p
o

y

t
e
c
n
o
l
o
g

a
R
O
I
S
i
s
t
e
m
a

d
e

g
e
s
t
i

n

f
n
a
n
c
i
e
r
a
C
a
l
i
d
a
d

e
n

e
l

s
e
r
v
i
c
i
o
-
0
.
0
5
6
1
0
.
0
3
8
-
0
.
0
0
3
5
-
0
.
0
6
9
1
-
0
.
0
7
8
5
0
.
0
0
6
2
b
P
e
q
u
e

a
A
g
r
o
i
n
d
u
s
t
r
i
a
2
.
5
1
7
S
a
n
a
4
.
5
1
n
o
S
a
n
a
P
r
e
s
i

n

f
n
a
n
c
i
e
r
a
O
p
o
r
t
u
n
i
d
a
d
e
s

N
e
g
o
c
i
o
E
q
u
i
p
o

y

t
e
c
n
o
l
o
g

a
R
O
I
C
o
m
p
r
a
s
1
.
1
8
3
0
.
0
2
7
-
0
.
0
4
0
5
1
.
5
7
3
5
-
0
.
2
2
6
c
M
i
c
r
o
C
o
m
e
r
c
i
o
-
0
.
1
6
1
Q
u
i
e
b
r
a
4
.
5
1
n
o
S
a
n
a
P
r
e
s
i

n

f
n
a
n
c
i
e
r
a
O
p
o
r
t
u
n
i
d
a
d
e
s

N
e
g
o
c
i
o
E
q
u
i
p
o

y

t
e
c
n
o
l
o
g

a
R
O
I
S
i
s
t
e
m
a

d
e

g
e
s
t
i

n

f
n
a
n
c
i
e
r
a
C
a
l
i
d
a
d

e
n

e
l

s
e
r
v
i
c
i
o
1
.
1
4
-
0
.
8
4
6
0
.
0
3
-
0
.
5
8
-
0
.
0
7
5
0
.
1
7
d
M
i
c
r
o
S
e
r
v
i
c
i
o
s
0
.
0
3
4
S
a
n
a
4
.
5
1
n
o
Q
u
i
e
b
r
a
P
r
e
s
i

n

f
n
a
n
c
i
e
r
a
O
p
o
r
t
u
n
i
d
a
d
e
s

N
e
g
o
c
i
o
R
O
I
P
r
e
p
a
r
a
c
i

n

g
e
r
e
n
c
i
a
l
S
i
s
t
e
m
a

d
e

g
e
s
t
i

n

f
n
a
n
c
i
e
r
a
-
0
.
2
9
1
.
0
0
8
-
0
.
8
1
4
0
.
0
6
-
0
.
0
8
0
.
1
5
e
P
e
q
u
e

a
I
n
d
u
s
t
r
i
a
0
.
7
6
0
6
S
a
n
a
4
.
5
1
n
o
S
a
n
a
P
r
e
s
i

n

f
n
a
n
c
i
e
r
a
O
p
o
r
t
u
n
i
d
a
d
e
s

N
e
g
o
c
i
o
E
q
u
i
p
o

y

t
e
c
n
o
l
o
g

a
R
O
I
C
r
e
c
i
m
i
e
n
t
o

d
e
l

n
e
g
o
c
i
o
S
i
s
t
e
m
a

d
e

g
e
s
t
i

n

f
n
a
n
c
i
e
r
a
-
0
.
5
6
-
0
.
0
2
1
.
3
5
-
0
.
8
5
4
4
0
.
0
9
5
0
.
7
5
/
1

F
u
e
n
t
e
:

B
a
n
c
o

M

x
i
c
o
,

l
a

t
a
s
a

c
o
r
r
e
s
p
o
n
d
e

a
l

C
E
T
E

a

2
8

d

a
s
T
=
3

a

o
s

(
2
0
0
6
-
2
0
0
8
)

N
=
5
C
a
p
a
c
i
d
a
d

p
r
e
d
i
c
t
i
v
a

6
0
%
Journal of Economics, Finance and Administrative Science 80 June 2010
Por otra parte tenemos el problema de especifcacin
dado que se conform a partir de una batera de ratios
fnancieros clsicos. Hay evidencia que sugiere que los
ratios complejos capturan mejor la situacin fnanciera
de una empresa y, por ende, el efecto que tiene el sis-
tema administrativo sobre el desempeo (Mora, 1994;
Mosqueda, 2004). Esta inclusin a priori subsanara el
sesgo producido por medir la calidad administrativa con
una batera de preguntas arbitraria y parcial
14
.
En nuestro caso, por cuestiones de espacio, nos
centraremos en las cuestiones de pesos relativos de los
coefcientes de respuesta (ERC) que en el Modelo RPV
de Mosqueda (2008) se introducen como b
it
. Para ello,
primero se calcularn ERC de las variables independien-
tes. El clculo de los ERC se hace retomando la muestra
de control (Mosqueda, 2008) y que sirvi para calcular
los b
it
, luego, se detectarn los posibles problemas de
heteroscedasticidad que pudieran persistir en el Modelo
RVP, para ello se utilizar el test G-Q.
PErfECCionaMiEnto dEl ModElo
Los resultados de la regresin multivariante de la fun-
cin economtrica (4) para cada sector se recogen en
la Tabla 3, sobre el que se desprenden los comentarios
siguientes:
Segn muestra la Constante
15
, se reconoce la asi-
metra en el costo crediticio para cada sector. As, la
agroindustria no solo sera el sector que estara en po-
sibilidades de pagar la tasa ms baja (2.11), sino que se
puede inferir la necesidad de contar con subvenciones.
Por el contrario, la industria de la transformacin estara
dispuesta a pagar la tasa ms alta de las encontradas
para estos sectores (5.25).
Por otro lado, se puede ver que los ERC varan
sustancialmente respecto de los r
ij
encontrados para el
modelo original RPV. Sin embargo, se debe destacar
que persiste el ratio Presin fnanciera como el indi-
cador ms importante. Salvo para el sector agrcola, el
indicador Oportunidades de Negocios es la segunda
variable en importancia; as, se reconoce el papel
fundamental que tiene la planeacin estratgica en la
supervivencia de las empresas.
La Dotacin tecnolgica es un indicador relevante
para todos los sectores, pero particularmente en el sector
agrcola al ubicarse en segundo sitio. Este resultado
vendra a explicar la necesidad por tecnifcar la produc-
cin agrcola. Por otra parte, destaca la necesidad por
contar con un Sistema de Gestin Financiera efcaz
en el sector comercio.
Tanto por los altos niveles mostrados en la capaci-
dad explicativa (R
2
ajustado 0.89) como por los tests
ADF (que permiten aceptar la hiptesis sobre qu se
basa el modelo RPV de fracaso), se puede inferir que
todas las funciones especifcadas por sector para el
RPV se encuentran bien especifcadas. Sin embargo,
conforme la metodologa que desarrollaron Benarjee,
Dolado y Mestre (1993), notamos que los Coefcientes
de Correccin del Error se ubican en cierta frontera
de volatilidad que pudiera hacer cuestionables dichas
bondades. Al respecto, existen las siguientes dos teoras:
una que establece que estas sospechas corroboraran
la presencia de una heteroscedasticidad condicionada
autorregresiva (mejor conocida como ARCH)
16
; la otra,
Matarazzo y Slowinski (1998) y Mora (2004) , sino por
la existencia de cambios estructurales en el modelo (un
cambio estacional en una serie temporal).
14
Mosqueda (2008) acepta esta circunstancia de parcialidad
al decir que: Las variables cualitativas (estratgicas) que
hemos estudiado representan slo una lista descriptiva, y no
limitativa, dichas variables dependern del enfoque (estilo)
administrativo que se crea ms adecuado. En consecuencia,
la supremaca de una u otra tendencia en el estilo de la di-
reccin afectar al RPV (p. 144)
15
En el trabajo de Mosqueda (2008) se dedica todo un epgra-
fe para argumentar el por qu la Constante explica la asi-
metra en el costo crediticio. Sin embargo, se puede deducir
que el criterio adoptado se debe a la orientacin de Valor
Econmico Agregado por el que el resultado del RPV es
interpretado.
16
Wooldrige (2006) ha dejado en claro que para que el es-
tadstico F con u
t
2

sea vlido se debe asumir que los


errores ut s son homoscedsticos y no correlacionados, lo
cual supone, implcitamente, excluir ciertas formas de he-
teroscedasticidad dinmica. Es por ello que en los ltimos
Mosqueda: Falibilidad del mtodo Rough Set 81 Vol. 15 N 28
T
a
b
l
a

3
.

R
e
s
u
l
t
a
d
o
s

d
e

l
a

r
e
g
r
e
s
i

n

m

l
t
i
p
l
e

d
e
l

m
o
d
e
l
o

R
P
V

o
r
i
g
i
n
a
l
R
e
s
u
l
t
a
d
o
s

d
e

l
a

R
e
g
r
e
s
i

n

d
e
l

M
o
d
e
l
o

R
P
V

p
a
r
a

d
e
t
e
r
m
i
n
a
r

e
l

g
r
a
d
o

d
e

r
e
s
p
u
e
s
t
a

d
e

l
a
s

v
a
r
i
a
b
l
e
s

e
x
p
l
i
c
a
t
i
v
a
s

s
e
g

n

c
a
d
a

s
e
c
t
o
r
.
S
e
c
t
o
r
A
g
r
o
i
n
d
u
s
t
r
i
a
T
e
x
t
i
l
/
C
a
l
z
a
d
o
T
r
a
n
s
f
o
r
m
a
c
i

n
C
o
m
e
r
c
i
o
S
e
r
v
i
c
i
o
s
C
o
n
s
t
a
n
t
e
S
i
s
t
e
m
a

d
e

g
e
s
t
i

n

f
n
a
n
c
i
e
r
a
O
p
o
r
t
u
n
i
d
a
d
e
s

d
e

N
e
g
o
c
i
o
s
D
o
t
a
c
i

n

E
q
u
i
p
o

y

T
e
c
n
o
l
o
g

a
P
r
e
s
i

n

f
n
a
n
c
i
e
r
a
R
e
n
t
a
b
i
l
i
d
a
d

s
o
b
r
e

l
a

I
n
v
e
r
s
i

n
C
o
m
p
r
a
s
P
l
a
n
e
a
c
i

n

v
e
n
t
a
s
C
r
e
c
i
m
i
e
n
t
o

d
e
l

n
e
g
o
c
i
o
P
r
e
p
a
r
a
c
i

n

g
e
r
e
n
c
i
a
l
C
a
l
i
d
a
d

e
n

e
l

s
e
r
v
i
c
i
o
A
d
j
u
s
t
e
d

R
2
S
u
m

o
f

s
q
u
a
r
e
d

e
r
r
o
r
s
A
D
F

S
t
a
t
i
s
t
c
E
r
r
o
r
-
c
o
r
r
e
c
t
i
o
n

c
o
e
f
f
c
i
e
n
t
2
.
1
1
(
1
.
0
7
)
-
8
.
5
7
(
0
.
3
5
)
1
4
.
6
2
(
0
.
4
0
8
)
2
4
.
8
(
0
.
2
0
7
)
9
.
7
5
(
1
.
0
5
)
7
.
3
3
(
2
.
0
7
)
- - - -
0
.
9
2
4
0
.
0
0
2
-
5
.
0
2
-
5
.
7
4
(
0
.
3
1
)
4
.
6
5
(
0
.
8
8
)
6
.
3
3
(
0
.
2
8
)
1
5
.
2
0
(
0
.
0
0
7
)
1
4
.
7
(
0
.
0
3
3
)
2
1
.
2
5
(
0
.
3
7
)
1
0
.
6
4
(
0
.
5
)
-
2
.
3
5
(
1
.
2
)
- - -
0
.
9
0
3
0
.
0
0
1
-
5
.
0
1
-
6
.
1
2
(
0
.
2
9
)
5
.
2
5
(
0
.
3
7
)
9
.
5
(
0
.
1
8
)
1
8
.
1
(
0
.
2
)
1
0
.
8
(
0
.
5
3
)
2
8
.
3
(
0
.
1
2
)
8
.
2
8
(
.
3
0
2
)
- -
2
.
2
(
1
.
3
9
)
- -
0
.
8
9
6
0
.
0
0
3
-
5
.
6
-
6
.
8
(
0
.
2
5
)
3
.
6
0
(
1
.
2
1
)
1
4
.
4
0
(
1
.
0
6
)
1
6
.
9
0
(
0
.
5
5
)
1
.
4
9
(
1
.
6
7
)
2
6
.
0
0
(
0
.
2
4
)
9
.
3
0
(
0
.
7
1
)
- - -
8
.
2
(
0
.
7
)
-
0
.
9
0
8
0
.
0
0
2
-
4
.
8
9
-
5
.
7
(
0
.
8
8
)
2
.
8
0
(
0
.
8
9
)
5
.
2
0
(
0
.
6
1
)
1
2
.
2
5
(
0
.
4
)
3
.
8
0
(
0
.
4
7
)
2
6
.
6
5
(
0
.
0
7
6
)
9
.
7
5
(
0
.
3
7
)
- - -
3
.
0
5
(
0
.
8
8
)
1
1
.
6
(
0
.
5
)
0
.
9
3
0
.
0
0
3
-
5
.
0
0
-
5
.
1
1
(
0
.
7
4
)
F
u
e
n
t
e
:

C

l
c
u
l
o
s

d
e
l

a
u
t
o
r
N
o
t
a
:

E
l

p
e
r
i
o
d
o

s
e

e
x
t
i
e
n
d
e

d
e
l

1

d
e

e
n
e
r
o

d
e

2
0
0
0

a
l

3
1

d
e

d
i
c
i
e
m
b
r
e

d
e
l

2
0
0
4
.

L
a
s

v
a
r
i
a
b
l
e
s

p
o
r

l
a

m
e
t
o
d
o
l
o
g

a

R
p
u
g
h

S
E
t
.

L
a
s

t
-
s
t
u
d
e
n
t

e
n
t
r
e

p
a
r

n
t
e
s
i
s

s
e

b
a
s
a
n

e
n

N
e
w
e
y
-
W
e
s
t

d
e

e
r
r
o
r

e
s
t

n
d
a
r

p
a
r
a

u
n

g
r
a
d
o

d
e

c
o
n
f
a
n
z
a

d
e
l

9
5
%
.

E
l

C
o
e
f
c
i
e
n
t
e

d
e

C
o
r
r
e
c
c
i

n

d
e

E
r
r
o
r

s
i
g
u
e

l
a

m
e
t
o
d
o
l
o
g

a

d
e

B
e
n
a
r
g
e
e

(
1
9
9
3
)
Journal of Economics, Finance and Administrative Science 82 June 2010
encabezada por Bollerselv (1986), que trata de modelar
la asimetra de esta volatilidad condicionada de manera
ms precisa (GARCH). Al respecto, es preciso sealar
que dicha volatilidad quedara recogida en los cambios
en VEA (denotado por la ecuacin 4) que es el valor
objetivo de los negocios exitosos. En lo particular los
resultados de distribucin estadstica sugieren que se
est en presencia de un modelo simtrico y, por tanto,
es posible aplicar el modelo simtrico de Bollerselv
(ver Figura 2).
Una versin estndar del modelo GARCH propuesto
por Bollerselv tendra la siguiente representacin:
y
t
= X
t
+u
t
(7)

2
ut
= + u
2
t1
+
2
ut1
(8)
donde la expresin (5) muestra la media condicional
de la variable y
t
en funcin de las variables exgenas
o predeterminadas (x
t
) y del error del modelo (u
t
). Por
su parte, la expresin (8) explicara la varianza condi-
cional de los residuos de y
t
en funcin de tres clases
de variables: (a) una media (); (b) el trmino ARCH
(u
2
t-1
), medido por el cuadrado de los residuos de la
expresin (5) rezagados un perodo, que refeja las no-
vedades respecto de la volatilidad del perodo previo; y
(c) el trmino de residuos GARCH (
2
ut-1
), que mide la
varianza condicional rezagada un perodo. Los contras-
tes de validacin respecto de los parmetros estimados
y su diagnstico se muestran en la Tabla 4. Para tales
efectos, se ha planteado la hiptesis de contraste en la
que existen problemas de heteroscedasticidad dados
ciertos niveles de volatilidad.
aos los economistas han centrado su atencin en el an-
lisis de las variables dependientes retardadas asumiendo
que se cumplen los supuestos de Gauss-Makov (retardos
distribuidos fnitos). En este sentido Engle (1982) propu-
so que se modelara la volatilidad condicionada cambiante
en el tiempo mediante un proceso ARCH, el cual permite
modelar la varianza de las series sobre la base de las per-
turbaciones aleatorias pasadas. Similares resultados a los
presentados en el comportamiento de los CCErr (Tabla 3),
obtuvo Sastre (2002), quien, sin embargo, despus de co-
rregir los problemas de acuerdo con el test G-Q no mejor
signifcativamente los problemas de especifcacin.
Figura 2. Modelacin de la volatilidad del valor aadido de la empresa VEA = dif (RPV
it
, i
lr
)
11 5,.0 0.0 5.0 10 12
N (s =0 1.645)
Fuente: Figura preparada por el autor
Mosqueda: Falibilidad del mtodo Rough Set 83 Vol. 15 N 28
En los resultados de la Tabla 4 se nota que el co-
efciente de estimacin de la volatilidad, a un grado
de confanza del 95 por ciento de signifcacin, tiene
un trmino constante del 0.14341 que se asocia con la
variable dummy, y que recoge el efecto GARCH de per-
sistencia de la volatilidad con un resultado del 0.79065.
Por otra parte, el estadstico 1
2
t u es aproximadamente
de 0.572, lo que evidencia la carencia de problemas de
heteroscedasticidad y, por ende, reafrma la insesgadez
de los Coefcientes de Correccin del Error.
validaCin dEl ModElo rPv
Por El Mtodo laChEnBrunCh
JaCkknifE
Hasta este punto, los resultados obtenidos corroboran
problemas de especifcacin en el modelo RPV original.
Esto, en consecuencia, explica la disminucin en su
predictibilidad. As, dejamos este epgrafe para validar
la robustez del nuevo Modelo RPV segn sus ERC
obtenidos por regresin lineal multivariante.
Para lograr este propsito se utiliza la tcnica La-
chenbrunch Jackknife (TLJ en delante) que permite
validar qu tan preciso clasifca un modelo por fuera
de muestra
17
. Antes de continuar cabe destacar que en
el propio trabajo de Mosqueda (2008) se aplic esta
tcnica y se obtuvieron niveles de precisin cercanos
al 63%, lo cual confrmara que, de alguna forma, la
TLJ ya adverta sobre los problemas de especifcidad
del modelo RPV original, sealados en el presente
documento.
Para realizar la prueba de validacin se escogieron
tres empresas excluidas de la muestra original que
cumplieran con los criterios de exclusin, esto nos
permiti validar la capacidad de pronstico del modelo
de una forma artifcial al clasifcar a las empresas por
fuera de la estimacin. La Tabla 5 presenta el poder de
clasifcacin a partir de diez pruebas de TLJ (tomando
Y* = 0.1833)
18
.
Como se observa en la Tabla 5, el poder de clasi-
fcacin de la muestra excluida aumenta respecto al
resultado obtenido en el RPV original (Tabla 2), pasando
de un 60% a un 88.34% en la proporcin de empresas
prsperas correctamente clasifcadas (specifcity) y de
un 90.55% para detectar la proporcin de empresas
fracasadas correctamente clasifcadas (sensitivity). De
esta suerte, la estabilidad en los resultados del pronstico
y en los coefcientes estimados expresa en la muestra
cun robustas son ambas estimaciones a las variaciones.
En efecto, queda claro que la correcta ponderacin en
la combinacin de variables cualitativas-cuantitativas
proporciona una realidad ms ajustada de las empresas,
pero tambin permite conformar un Modelo RPV con
mayor capacidad predictiva.
ConClusionEs
Se advierte que la hiptesis acerca de la crisis del diseo
experimental sigue presente en la mayor parte de los
Resultados de los contrastes de validacin para
la ecuacin de varianza

2
ut
= + u
2
t1
+
2
ut1
GARCH Errores Estndar Robustos
1
0.1431 (0.938)

0.19847 (0.347)

0.79065 (0.984)

17
Este tipo de pruebas permite encontrar el inverso de los
errores de especifcacin (tipo I y tipo II); desde esta pers-
pectiva, la proporcin de empresas fracasadas correctamen-
te clasifcadas se les denominara con el trmino de sensi-
tivity, mientras que la proporcin de empresas prsperas
correctamente clasifcadas se conocera como specifcity.
18
En la medida en que el valor de Y* sea ms alto (bajo) el
modelo clasifcar a ms empresas como fracasadas (sanas)
y disminuir el porcentaje correctamente clasifcado de
empresas prsperas (quebradas). El criterio que adoptamos
obedece al xito clasifcatorio mostrado en los estudios de
Neophytou Charitou & Charalambous (2004) o Tirapat y
Nittayagasetwat (1999), que seleccionan el valor lmite a
partir de los errores tipo I y tipo II.
Tabla 4.
Contrastes de validacin.
Journal of Economics, Finance and Administrative Science 84 June 2010
modelos predictivos, fundamentalmente en su especi-
fcacin (variables relevantes) y estructura (afectada
en el tiempo). Una solucin que se han dado a estos
problemas es la incorporacin de tcnicas matemticas
ms robustas como la tcnica Rough Set. El modelo
RPV utiliza esta tcnica para detectar las principales
variables explicativas del fracaso empresarial para un
colectivo de pequeas y microempresas con resultados
atractivos. Sin embargo, se aprecia que la prediccin
del modelo descansa en la teora earning power, la cual
asume que el pasado se repite en el futuro; as, los co-
efcientes de respuesta fueron calculados por medio de
la metodologa de contribuciones relativas de propuesto
por la frma consultora Moodys.
Una conclusin del presente trabajo es que esta
metodologa origin los problemas de especifcacin,
disminuyendo la capacidad predictiva del modelo. Para
demostrarlo se aplic el modelo RPV a un colectivo
de empresas en un espacio-tiempo distinto a la muestra
de control. Los resultados corroboraron el problema de
diseo. A partir de ello se utilizaron tcnicas de regresin
lineal para determinar el comportamiento futuro de los
ERC hasta obtener valores ms ajustados. En efecto,
los nuevos valores fueron validados por medio de la
TLJ obteniendo una mejora en el comportamiento del
modelo por fuera (pasando de un 90% frente al 60%
que se obtuvo en la prueba de control).
En este sentido, el presente artculo estara de-
mostrando que la teora Earning Power falla en el
momento de predecir el futuro y, por tanto, requiere
de indicadores ms ajustados. No obstante, tambin
cabra la posibilidad de que la conformacin de las
aproximaciones que demanda la teora Rough Set
precise de probabilidad o del valor de la posibilidad.
Sobre este ltimo punto sobresale una importante l-
nea de investigacin. Finalmente, se reafrma, dadas
las distintas funciones RPV para cada sector, que las
empresas siguen un proceso de quiebra distinto, acaso
condicionado por los elementos del ambiente que se
dan en cada sector.
Fuente: Elaboracin propia
Tabla 5.
Resultados de la Prueba de Validacin TLJ
Modelo RPV
Test: 1 2 3 4 5 6 7 8 9 10 Avrg
Specifcity * 0.8265 0.8600 0.8560 0.8975 0.8840 0.8510 0.8850 0.9070 0.9630 0.9040 0.8834
Sensivity + 0.8150 0.8770 0.8931 0.9060 0.9070 0.8990 0.9130 0.9480 0.9550 0.9420 0.9055
* Empresas sanas
+ Empresas quebradas
Mosqueda: Falibilidad del mtodo Rough Set 85 Vol. 15 N 28
Abad, C, Arquero, J. L, Jimnez, S. M. (2003). Procesos de
fracaso empresarial. Identifcacin y contrastacin
emprica. Actas del III Workshop de Investigacin
Emprica en Contabilidad Financiera. Alicante, Es-
paa: Universidad de Alicante.
Altman, E. I. (1968). Financial Ratios, Discriminant Analy- nant Analy-
sis and the Prediction of Corporate Bankruptcy. The
Journal of Finance, XXIII(4), 589-609.
Altman, E. I., Marco, G., & Varetto, F. (1994). Corporate
Distress Diagnosis: Comparisons Using Linear Dis-
criminant Analysis and Neural Networks (the Italian
Experience). Journal of Banking and Finance, 18,
505-529.
Argenti, J. (1976). Corporate collapse. The Causes and
Symptoms. Londres: McGraw-Hill.
Apellniz, P., & Labrador, M. (1995). El impacto de la re-
gulacin contable en la manipulacin del benefcio.
Estudio emprico de los efectos del PGC de 1990.
Revista Espaola de Financiacin y Contabilidad,
82,13-40.
Ball, R.; Kothari, S. P., & Robin, A. (2000). The Effect of
International Institutional Factors on Properties of
Accounting Earnings. Journal of Accounting and
Economics, 29(February), 1-51.
Beaver, W. H. (1966). Financial Ratios as Predictors of Failu-
re. Journal of Accounting Research, 5(Supplement),
71-127.
Benarjee, A., Dolado, J. J., & Mestre, R. (1993). On Some
Simple Tests for Cointegration: The Cost of Simplici-
ty (Documento de Trabajo 9302). Madrid, Espaa:
Banco de Espaa.
Blazy, R. (2000). La faillite, lments danalyse conomi-
que. Avec Prface de Pierre Morin. Paris: Econo-
mica.
Bollerselv, T. (1986). Generalized Autoregressive Conditio-
nal Heteroskedasticity. Journal of Econometrics, 31,
307-327.
Casey, C., & Bartczak, N. (1984). Cash Flow: Its Not the
Bottom Line. Harvard Business Review, 4(July-Au-
gust), 60-66.
Cepal. (2009). La reaccin de los gobiernos de Amrica
Latina y el Caribe frente a la crisis internacional.
Reporte Naciones Unidas. Disponible en
<ht t p: / / compet i t i vi dad. org. do/ wp-cont ent /
uploads/2009/02/la-reaccion-de-los-gobiernos-
de-america-latina-y-el-caribe-frente-a-la-crisis-
fnanciera.pdf>. Recuperado el 15 de marzo del ao
2009.
Declerc, M., Heins, B., & Van Wymeersch, Ch. (1991, April
10-12). The Use of Value Added Ratios in Statistical
Failure Prediction Models: Some Evidence on Bel-
gian Annual Accounts. Documento presentado en el
1991 Annual Congress of the European Accounting
Association. Maastricht, The Netherlands.
Engle, R. (1982). Autoregressive Conditional Heteroscedas-
ticity with Estimates of the Variance of United King-
dome Infation. Econometrica, 50(4), 907-1006.
Garca, J. M., & Mora, A. (2003). On the Persistent Unders-
tatement of Shareholders Equity around Europe.
Revista Espaola de Financiacin y Contabilidad,
115(Edicin especial), 44-68.
Greco, S., Matarazzo, B., & Slowinski, R. (1998). A New
Rough Set Approach to Evaluation of Bankruptcy
Risk. En C. Zopounidis (Ed.), New Operational
Tools in the Management of Financial Risks (pp.
121-136). Dordrecht, Holanda: Kluwer Academic
Publishers.
Gentry, J. A., Newbold, P., & Whitford, D. T. (1987). Funds
Flow Components, Financial Ratios and Bankrupt-
cy. Journal of Business Finance & Accounting,
14(4), 595-606.
Gianni, R., Acora, P., Aguirre, N., Leiton, P., & Muoz, J.
(2002). Modelos de clasifcacin y Prediccin de
Quiebra de Empresas: Una aplicacin a empresas
chilena. Forum Empresarial, 7(1), 33-50.
Guilln, J. (2009). A Lesson to Learn from Developed Coun-
tries: The Case of State Branching Deregulation in
the US. Estudios de Economa, 36(1), 67-95.
Gonzlez, A. L., Correa, A., & Blzquez, J. A. (1999). Perfl
del fracaso empresarial para una muestra de peque-
as y medianas empresas. Comunicacin presenta-
da al X Congreso AECA, Zaragoza, Espaa.
referencias
Journal of Economics, Finance and Administrative Science 86 June 2010
Hair, J. F., Anderson, R., Tatham, R. L. & Black, W. C.
(1999) Multivariate Analysis. New York: Prentice
Hall.
Instituto Nacional de Estadstica y Geografa (2008). Infor-
macin estadstica y econmica. Mxico D.F. Dis-
ponible en <http://www.inegi.org.mx/inegi/default.
aspx?s=est&c=125>. Recuperado el 1 agosto de
2008.
Laitinen, E. (1993). Financial Predictors for Different Pha-
ses of the Failure Process. Omega: The International
Journal of Management Science, 21(2), 215-228.
Libby, R. (1975). Accounting Ratios and the Prediction of
Failures: Some Behavioral Evidence. Journal of
Accounting Research, 13(1), 150-161.
Lpez, E., & Flrez, R. (1999). El anlisis de solvencia em-
presarial utilizando redes neuronales autoasociati-
vas: el modelo Koh-Len. Proceedings of the VI In-
ternational Meeting on Advances in Computational
Management, Reus, Tarragona, Espaa.
Maltz, A. C., Shenhar, A. J., & Reilly, R. R. (2003). Be-
yond the Balanced Scorecard: Refning the Search
for Organizational Success Measures. Long Range
Planning, 36, 187-204.
Marais, M. L., Patell, J. M., & Wolfson, M. A. (1984). The
Experimental Design of Classifcation Models: An
Application of Recursive Partitioning and Bootstrap.
Journal of Accounting Research, 22(Supplement),
87-118.
Marose, R. A. (1992). A Financial Neural Network Appli-
cation: Neural Networks in Finance and Investing.
Chicago: Probus Publishing,
McRobert, A., & Hoffman, R. (1997). Corporate Collapse:
An Early Warning Systemfor Lenders, Investors and
Suppliers. Roseville NSW, Australia: McGraw Hill.
Messier, W. F., & Hansen, J. V. (1988). Inducing Rules for
Expert System Development: An Example Using
Default and Bankruptcy Data. Management Scien-
ce, 34(12),1403-1415.
Mora, A. (1994). Los modelos de prediccin del fracaso
empresarial: una aplicacin emprica del logit. Re-
vista Espaola de Financiacin y Contabilidad,
78(enero-marzo) 203-233.
Mora, A. (2004). La adopcin de la normativa contable in-
ternacional en Espaa: principales efectos sobre el
resultado y el patrimonio empresarial. Revista va-
lenciana de economa y hacienda, ISSN 1577-4163,
11, 61-82
Mosqueda, R. (2004). Evidencia emprica de las medianas
empresas mexicanas sobre la capacidad predictiva
de los modelos de fracaso empresarial (Documento
de trabajo VIII). Conferencia Internacional de las
Ciencias Econmicas y Empresariales, Camagey,
Cuba.
Mosqueda, R. (2008). Indicadores del fracaso empresarial
en las empresas mexicanas. Mxico D. F.: Instituto
Mexicano de Ejecutivos de Finanzas.
Moodys (2001). Moodys Risk Calc. Disponible en <http://
www.moodys.com/cust/default.asp>. Recuperado el
15 de noviembre, 2004.
Neophytou, E, Charitou, A, & Charalambous, C. (2004).
Predicting Corporate Failure: Empirical Evidence
for the UK. European Accounting Review, 13(3),
465-497.
Ohlson, J. (1980). Financial Ratios and the Probabilistic
Prediction of Bankruptcy. Journal of Accounting
Research, 18(1) 109-131.
Pawlak, Z. (1991). Rough Sets. Theoretical Aspects of Rea-
soning about Data. Londres: Kluwer Academic
Publishers.
Rosner, R. L. (2003). Earnings Manipulation in Failing
Firms. Contemporary Accounting Research, 20(2),
361-408.
Sastre, L. (2002). Tourism Revenues and Residential Fo-
reign Investment in Spain: A Simultaneous Model.
Applied Economics, 34, 1399-1410.
Sheth, J., & Sisodna, J. (2005). Por qu fracasan las buenas
compaas?. Bettermanagement, 19(Marzo), 10-16.
Simon, H. A. (1960). The New Science of Management De- gement De-
cision. New York: Harper & Row.
Skeel, D. A. (1998). An Evolutionary Theory of Corporate
Law and Corporate Bankruptcy, Vandelbirt Law
Review, 51, 13251365.
Mosqueda: Falibilidad del mtodo Rough Set 87 Vol. 15 N 28
Smith, R., & Winakor, A. (1935) Changes in the Financial
Structure of Unsuccessful Industrial Corporations.
Bulletin No. 51, University of Illinois, Bureau of
Business Research, Urbana.
Stern, J. & Stewart, B. (2001). All about EVA. The Real
Key to Creating Wealth. EVAluation: Stern Stewart
& Co. Reseach, 1, 1-16.
Tiparat S. & Nittayagasetwat, A. (1999). An Investigation
of Thai Listed Firms Financial Distress Using
Macro and Micro Variables. Multinational Finance
Journal, 3(2), 103-125.
Wilcox, J. W. (1971). A Simple Theory of Financial Ratios
as Predictors of Failure. Journal of Accounting
Research, 9(2), 389-395.
Wilcox, J. W. (1973). A Prediction of Business Failure Using
Accounting Data. Journal of Accounting Research:
Empirical Research in Accounting Selected Studies,
11(Supplement), 163-179.
Wooldrige, J. (2006). Introduccin a la Econometra. Un
enfoque moderno. (2da. Ed.). Madrid, Espaa:
Thomson.
Zmijewski, M. E. (1984). Methodological Issues Rela-
ted to the Estimation of Financial Distress Pre-
diction Models. Journal of Accounting Research,
22(Supplement), 59-86.

You might also like