3.1 Revisión de la literatura en México

Para el caso mexicano, se encontraron siete artículos relacionados con el desempeño sostenible y financiero del país (cuadro 1). Por lo tanto, se puede afirmar que este tema de investigación es reciente e inexplorado, ya que el primer artículo sobre este tema se publicó hace 10 años.

Asimismo, se observa que los artículos más recientes definen el desempeño financiero como el desempeño operativo empresarial, ya que se basan en estados financieros y no en indicadores bursátiles. Esto solo aplica en los artículos de ^{Pérez (2018)}, ^{Morales et al. (2019)} y ^{Morales (2014)}. Además, en estos estudios se emplean modelos de regresión lineal, cuyos enfoques varían según el tipo de datos utilizados en cada caso.

En el artículo de ^{Alonso et al. (2022)} se realizan pruebas de cambio estructural, esperando cambios estructurales abruptos de las empresas en los 10 años que permanecieron en el IPC SUS. En los resultados del trabajo (^{Alonso et al., 2022}) se observa que de 30 empresas (en promedio) que pertenecieron al IPC SUS, solo tres han presentado cambios estructurales; y en el otro trabajo se concluye que ciertos factores ASG impactan negativamente en el desempeño financiero. De acuerdo con los resultados de estos trabajos, se espera que algunas actividades económicas hayan tenido un mejor desempeño (operativo empresarial) debido a un mejor desempeño sostenible.

En los resultados de ^{Morales et al. (2019)} y ^{De la Torre et al. (2015)}, se encontró que hay un mejor rendimiento en empresas con desarrollo sostenible a nivel bursátil. Por otro lado, ^{Morales (2014)} y ^{Pérez (2018)} indican que no existe suficiente evidencia estadística para confirmar un mejor desempeño en el rendimiento y riesgo del instrumento financiero. Finalmente, ^{Avendaño y Peña (2020)} analizan que, derivado de la pandemia por COVID-19, se encontró una reducción de los indicadores Q de Tobin y Z score de Altman.

4.1 Enfoque bursátil

^{Engle (1982)} propuso el modelo autorregresivo con heteroscedasticidad condicional (ARCH, por sus siglas en inglés), el cual forma parte de la familia de modelos adecuados para estimar la volatilidad de una serie. Es un modelo estadístico usado para datos de series de tiempo que describe la varianza del término de error, la cual está en función de los términos de error anteriores (^{Casas et al., 2008}).

Los modelos ARCH se emplean comúnmente en el modelado de series de tiempo financieras que presentan agrupaciones de volatilidades variables en el tiempo, es decir, series que muestran períodos de mucha oscilación con períodos de relativa calma. A veces se considera que los modelos de tipo ARCH pertenecen a la familia de modelos de volatilidad estocástica, aunque esto es estrictamente incorrecto, ya que en el tiempo (t) y la volatilidad son completamente predeterminados (deterministas) dados los valores anteriores (^{Brooks, 2014}).

La razón para usar los modelos ARCH es que permiten identificar y analizar la relación entre rendimiento y riesgo (desempeño financiero), tanto dentro de cada índice bursátil como entre distintos índices. En otras palabras, estos modelos facilitan el estudio de la relación riesgo-rendimiento de un índice en sí mismo y en comparación con otros, así como la manera en que el riesgo pasado influye en el riesgo presente del índice bursátil. Asimismo, ^{Ortiz (2017)} menciona que este tipo de modelo permite relacionar la volatilidad condicional actual con las atrasadas, además de las innovaciones, y es posible incluir las variaciones temporales de la volatilidad en los valores de la serie de tiempo; como resultado, este modelo permite tener una modelación estadística más robusta de las series temporales de origen financiero.

De acuerdo con ^{Orellana-Osorio et al. (2019)}, los modelos ARCH y GARCH utilizan la varianza heteroscedástica, con un modo operacional de incertidumbre dinámica, a diferencia de los modelos estadísticos clásicos con varianza homoscedástica, ya que la incertidumbre es siempre estática. Estos modelos son usados por administradores de riesgo, ya que el pronóstico de la volatilidad captura en gran medida la heteroscedasticidad de la serie de tiempo.

La ecuación 1, para el caso de series de tiempo en análisis financiero, es la ecuación de la media; es decir, el rendimiento promedio. Mientras que la ecuación 2, la ecuación de la varianza, representa el riesgo del activo financiero.

Donde Y es el rendimiento del activo financiero, X es el rendimiento del mercado bursátil, q es la longitud de rezagos del autorregresivo (AR). La hipótesis nula es H ₀ : α _i = 0 y la alternativa es H ₀ : α _i ≠ 0 , lo cual se refiere a la existencia de un proceso ARCH(q).

Para el caso de los modelos GARCH, la ventaja principal es que es un modelo parsimonioso (principio de parsimonia) en comparación con los modelos ARCH; es decir, con menos variables explican más.

Donde h es la volatilidad condicional en el tiempo t en k periodos anteriores (media móvil).

Un modelo GARCH (1,1) modela lo mismo que uno ARCH (2). Es decir, GARCH (p, q) =ARCH(p + q). El GARCH es más usado para aquellas series de tiempo, que sus colas son más gordas/pesadas (leptocúrticas), algo que es común en las series financieras.

Las pruebas estadísticas que deben pasar los modelos ARCH o GARCH, son similares a las pruebas de un modelo ARIMA, tales como estabilidad, homoscedasticidad y no autocorrelación (las últimas dos son referentes a los residuales). La única diferencia, específicamente de un GARCH, es que no consideran normalidad en los residuales, ya que dichas series son leptocúrticas, lo cual implica que no necesariamente puedan tener una distribución normal los residuales. Para la prueba de condiciones de estabilidad en un GARCH, implican las siguientes ecuaciones:

La principal razón de estabilidad es similar al ARIMA, ya que se está considerando una variable estacionaria y la suma de los coeficientes de beta y teta (ya sea en conjunto o separado), lo que implica que dicho modelo es “explosivo”. Es decir, se está describiendo un proceso no estacionario y que crece hacia el infinito.

La modelación M-GARCH o GARCH-M implica el uso del proceso GARCH rezagado en la ecuación de la media (^{Vargas, 2017}), ecuación de rendimiento promedio (7 y 7.1). El propósito es conocer el principio de mayor riesgo, mayor rendimiento. Como se ha dicho en párrafos anteriores, el modelo GARCH representa el riesgo que tiene el activo financiero ante externalidades. Matemáticamente, se representan de la siguiente manera:

Existe también la reinterpretación de la ecuación 7 con la raíz cuadrada del modelo GARCH (ecuación 7.1). El uso de la raíz cuadrada sirve para tener una interpretación del coeficiente con unidades de riesgo (porcentual en este caso).

El GJR-GARCH, o T-GARCH, es una variante de modelo GARCH propuesta por Glosten et al. (1993). Este tiene la característica de usar variables dummies (dicotómicas), con el objetivo principal de analizar las asimetrías (^{Vargas, 2017}). Dicho de otra manera, saber el tipo de noticiainnovación (positiva o negativa) impacta más en el riesgo del activo financiero.

Se usa una variable dummy multiplicativa para las malas noticias (ϵ_t−i < 0):

Donde la Dt−i es la dummy tal que:

Si Г > 0 significa que existe asimetría negativa. Frente a dicha presencia de este coeficiente, ahora la condición para la no negatividad (además de las ecuaciones 4 y 5) será (^{Vargas, 2017}):

El modelo E-GARCH, exponencial GARCH, propuesto por ^{Nelson (1991)}, tiene distintas maneras de expresarse formalmente, pero la que se muestra en este trabajo está planteada por ^{Brooks (2014)} y ^{Vargas (2017)}:

La ventaja de este modelo con respecto a los demás modelos y al GJR-GARCH es la especificación en logaritmos naturales, dando la ventaja de omitir el supuesto de no negatividad (ecuaciones 4, 5 y 6) que emplean los demás modelos; con el modelo E-GARCH también hay existencia de asimetrías negativas, ya que, bajo la formulación del modelo, si la relación entre volatilidad y rendimientos es negativa, entonces γ será negativa (^{Vargas, 2017}).

Adicionalmente, se puede identificar y validar la hipótesis de mercados eficientes empleando los autorregresivos de la ecuación de la media, pues ésta plantea que el precio de los activos financieros refleja toda la información de manera inmediata y sugiere una caminata aleatoria. Mientras que los modelos autorregresivos sugieren que la variable dependiente podría tener una dependencia temporal consigo misma. Por lo tanto, se puede concluir que, si un modelo autorregresivo es estadísticamente significativo, existe ineficiencia de mercado, ya que es posible predecir el futuro con información pasada. De esta manera sucede con las medias móviles (MA), solo que su interpretación sería que el precio del activo depende de choques pasados o errores de predicción (^{Quickonomics, 2024}; ^{Campbell et al., 1997}).

4.2 Enfoque operativo empresarial

El CAMEL es un método de evaluación que mide y analiza la situación financiera en cinco fundamentos (^{Morales y Jaén, 2019}): capital (capital), assets (activos), management (administración), earnings (ganancias) y liquidity (liquidez).

La metodología CAMEL es internacionalmente empleada en la evaluación de desempeño financiero de los bancos (^{Campos y Medina, 2020}). La metodología fue empleada por primera vez en los años setenta en Estados Unidos, como un análisis de situación financiera de préstamos comerciales (^{Erol et al., 2014}). En la actualidad se emplea como análisis de evaluación financiera que realizan las agencias de clasificación de riesgo para medir el desempeño de una institución financiera (^{Campos y Medina, 2020}).

El método CAMEL se compara con la imagen de un camello; las dos jorobas son la reserva de alimento (capital y liquidez son reservas que ayudan a afrontar externalidades negativas); las patas traseras simbolizan los activos, ya que una mala gestión de sus activos causa obstáculos (como en el camello); las patas delanteras significan el empuje que recibe el camello para seguir adelante (las ganancias) y finalmente la cabeza representa el horizonte y la capacidad de ver la “tormenta de polvo a la distancia”, es decir, la gestión orientada al futuro (administración) (^{Golin y Delhaise, 2013}).

Comúnmente, el método es usado para el análisis de riesgos bancarios. Sin embargo, se puede emplear para toda empresa que publica sus estados financieros. El procedimiento consiste en calificar la solidez financiera y gerencial de las corporaciones (^{Crespo, 2011}). Sin embargo, está dado por una calificación subjetiva, ya que el investigador le asigna un ponderador por cada fundamento, dependiendo del objetivo de la investigación. Un ejemplo, que no son los ponderadores que se usan en este trabajo, podría ser presentado con el cuadro 2:

El ejemplo anterior da mayor peso al capital (C) y la liquidez (L), ya que así lo determinó el investigador para probar su hipótesis, la cual podría consistir en identificar la fuente principal de su liquidez (L); es decir, si provienen de los activos (A), del capital (C) o de las ganancias (E).

La ventaja principal del análisis CAMEL es la simplicidad en su interpretación; ya que, en la mayoría de los casos, los investigadores o calificadores asignan un valor en formato de texto. Un ejemplo sería la calificación que asigna S&P: AAA, AA, BBB, BB, entre otros. Gracias a su fácil interpretación, ayuda a los tomadores de decisiones y al público a estimar la situación financiera del agente económico. Otro propósito del análisis CAMEL es conocer las debilidades y evitar la materialización de algún riesgo (^{Crespo, 2011}).

El análisis CAMELS sigue los mismos principios que el CAMEL, con la diferencia que se anexa un sexto fundamento, la sostenibilidad (S); en consecuencia, se tiene que asignar un peso al fundamento S, que generará una clasificación análoga al CAMEL (^{Morales y Jaén, 2019}). La razón principal de emplear este método para el análisis operativo empresarial es porque se puede usar en cualquier actividad económica y no solamente en las actividades bancarias y financieras; solo se requiere que reporten información de estados financieros y tengan competidores en la actividad económica. Por lo tanto, este análisis ayudará no solamente a identificar la situación financiera de la empresa y su estructura, sino también nos ayuda a compararla con sus competidores directos de manera cuantitativa; es decir, se puede realizar benchmarking. En resumen, el CAMEL o CAMELS será útil, ya que ofrecerá una comparación de situación financiera y estructura entre las empresas que son sostenibles y sus competidores directos que no son sostenibles.

Una vez elaborado el ponderador del CAMELS, se realiza una comparación entre empresas que tengan la misma actividad económica, que puedan ser considerados competidores directos; por ejemplo, para Walmart, sus competidores son Chedraui y Soriana, las cuales pertenecen al sector de comercio por menudeo. Después, las empresas se comparan y califican a través de razones financieras o análisis que abarquen el fundamento (como el método DuPont). La empresa que tenga el mejor resultado de cada fundamento obtiene el máximo porcentaje de éste. Finalmente se suman los porcentajes de los fundamentos por empresa y se observa el mejor desempeño.

La limitante de este estudio consiste en que es un análisis estático (^{Morales y Jaén, 2019}), por lo que en este trabajo se elaboró una revisión de las calificaciones de los CAMELS de cada sector de 2010 hasta 2020, con la finalidad de observar su evolución a través del tiempo de estudio (un año extra, con la finalidad de observar las empresas antes de la aparición del IPC SUS). Por otro lado, también se busca comparar las calificaciones entre aquellas empresas que pertenecieron al IPC SUS y las que no lo hicieron.

5.1 Resultados bursátiles

5.1.1 Análisis descriptivo de las variables bursátiles

Para analizar el comportamiento de las series, se graficaron en pun-tos base (indexado). La razón de no usar las primeras diferencias en logaritmos naturales² en este primer acercamiento es debido a que se pretende conocer los ciclos y tendencia de cada índice en pun-tos base. Los datos empleados son diarios desde el 14 de diciembre de 2011 hasta el 20 de marzo de 2020 (cierre del índice), ofreciendo un total de 2078 observaciones. Dicha información fue obtenida por Economática.³

En la gráfica 1 se observa que ambos índices tienen la misma tendencia y el mismo número de ciclos. Aunque los ciclos del IPC SUS son más suaves en comparación con los del IPC. La volatilidad del IPC es más grande que la del IPC SUS, indicando que este último no es sensible ante externalidades negativas, como sí lo es el IPC. Otra similitud son los impactos de las externalidades o noticias, tales como: la economía se aleja de expectativas de recesión; la llegada de Donald Trump a la presidencia, la renegociación del Tratado de Libre Comercio de América del Norte y la pandemia por COVID-19.

Como primera conclusión, ambos índices tienen más similitudes que diferencias, lo que sugiere que podrían estar relacionados por las mismas empresas que los conforman y no se puede evidenciar una diferencia abrupta entre la implementación de la sostenibilidad y desempeño financiero. Sin embargo, es necesario comparar el segundo tipo de gráficas empleadas para el análisis de estos.

En la gráfica 2 se evidencia que los rangos de ambas cajas son diferentes, con semejanza entre varianzas de ambos índices. Además, el IPC SUS tiene mayores datos atípicos, pero esto es debido a la simetría en sus bigotes. Sin embargo, tienen un comportamiento similar ante noticias o externalidades negativas, ya que se ubican más datos por debajo de la caja (límite inferior), lo que indica que son más sensibles ante temas negativos.

Se puede concluir de manera visual que ambos índices son semejantes (no iguales) ante externalidades negativas. Su diferencia radica en el número de datos atípicos (ya se mencionó la posible causa) y su promedio. El promedio del IPC SUS es superior al IPC, ya que tiene mayores datos a los 100 puntos base con respecto del este último.

El análisis de estadísticos básicos de las series (cuadro 3) indica que la media del IPC en ambos momentos del tiempo es inferior a la media (rendimiento) del IPC SUS con una diferencia de 15 puntos base. Aunque esto tiene un costo, un aumento en la desviación estándar (riesgo) de aproximadamente tres puntos base. Por otro lado, se observa que el IPC tiene simetría positiva, indicando que tiende a tener valores por debajo de la media; en cambio, el IPC SUS suele presentar más valores superiores a la media. La curtosis de ambos índices es aproximada a 0, indicando que tienen una forma mesocúrtica. En conclusión, se podría decir que ambos índices se comportan como una distribución normal, ya que tanto su simetría como curtosis son próximos a 0; por el otro lado, el IPC SUS tiene mejor desempeño financiero bursátil a comparación del IPC.

En el cuadro 4 se muestra que el rendimiento promedio anualizado (a 252 días) del IPC tuvo un cambio drástico de 2.46% a -0.5%; en cambio, el IPC SUS tuvo una caída, empero siguió conservando rendimientos positivos. Además, el rendimiento del IPC SUS en ambos momentos fue superior al del IPC.

Por otro lado, las volatilidades anuales de ambos índices durante los dos momentos de tiempo no se vieron afectadas drásticamente. Sin embargo, se observa que existe un ligero aumento en volatilidad o riesgo en el IPC SUS. Probablemente, esto se deba a un riesgo inherente a la implementación de factores ASG.

Se puede usar la razón de cambio entre el riesgo y el rendimiento con la finalidad de conocer la sensibilidad. Se observa que, por cada 1% del rendimiento en el IPC SUS, el riesgo que se estaría asumiendo sería del 9.76%. En cambio, el IPC, ante una variación porcentual del rendimiento anual, el riesgo asumido sería de 22.4%. Adicionando que, en ambos momentos del tiempo, el IPC SUS aún sigue siendo la mejor opción para obtener un rendimiento asumiendo menor riesgo con respecto al IPC.

Los índices con su respectivo coeficiente de curtosis son superiores a 0. Por ende, ambos índices son leptocúrticos; esto quiere decir que la mayoría de los datos se encuentran cercanos al promedio. Sin embargo, el IPC SUS es más leptocúrtico; esto se refiere a una mayor retención de sus datos mucho más cerca del promedio (en ambos momentos) como manera de mostrar que es más posible un rendimiento promedio anual en comparación con el IPC.

Aunque, al igual que con el coeficiente de asimetría, las variaciones entre ambos índices son mínimas, por lo tanto, se puede decir que son “igualmente de leptocúrticas” (hasta el cierre del índice). A manera de conclusión, es posible modelar ambos índices mediante modelos GARCH, ya que estos se ajustan mejor las distribuciones leptocúrticas.

5.1.2 Resultados econométricos

Los datos que se emplean para la modelación econométrica fueron la primera diferencia de los logaritmos naturales de cada serie (ecuación 11), con la finalidad de hacer la serie estacionaria e interpretar los resultados como rendimientos diarios.

De acuerdo con los resultados del comando en R (auto.arima), el mejor ARIMA (ya diferenciado) para el IPC SUS es un ARIMA (5,0,2); y para el IPC es un ARIMA (2,0,2). Ambos modelos con promedio (constante) 0. Por el otro lado, al diferenciar una vez, se logró estacionariedad (no raíces unitarias) en las series.⁴

Posteriormente, se extrajeron los residuales (y se elevaron al cuadrado) de cada modelo para probar los efectos ARCH. Los resultados sugieren que existe evidencia estadística suficiente para no rechazar la hipótesis alterna, es decir, hay efectos ARCH en los residuales de ambos modelos. Después se especifica el orden del modelo GARCH (p,q), para lo cual, se usan las gráficas de autocorrelación y autocorrelación parcial de los residuales al cuadrado. Para determinar el efecto ARCH, se usa la gráfica de correlación parcial; y para efectos GARCH, la gráfica de autocorrelación.

El orden para el modelo GARCH para el ARIMA del IPC es un GARCH (1,1), aunque debería ser un GARCH (2,1). La razón de cambio entre un GARCH (2,1) y un GARCH (1,1) es mínima y se decide por este último con el fin de construir un modelo parsimonioso. La especificación del modelo para ARIMA del IPC SUS es un GARCH (1,1), al igual que el IPC. En resumen, los órdenes para cada modelo de ambos índices y los resultados obtenidos por cada índice bursátil se presentan en el cuadro 5.

De acuerdo con el cuadro 6, el coeficiente “Archm” del modelo M-GARCH estimado para el IPC no presenta significancia estadística; en cambio, en el caso del IPC SUS, sí es significativo. Si el coeficiente obtenido fuese significativo en el modelo del IPC, este aún sería menor en comparación con el IPC SUS. Esto indica que, ante una variación porcentual en el riesgo pasado, el rendimiento del IPC SUS aumentaría en 0.0528%; en cambio, en el IPC aumentaría en 0.0468%. Se puede concluir que el IPC SUS tiene mejores rendimientos ante el mismo incremento de riesgo pasado y es estadísticamente significativo; por lo que sí existe un mejor desempeño financiero (bursátil) ante la implementación de factores ASG con la relación riesgo-rendimiento.

Se puede evidenciar que el IPC tiende a ser más ineficiente, ya que se puede predecir el rendimiento a través de su rendimiento pasado y de externalidades pasadas (coeficientes AR y MA son estadísticamente significativos). En cambio, el IPC SUS solo es predecible por externalidades pasadas (los coeficientes MA son estadísticamente significativos).

Comparando las ineficiencias por su rendimiento pasado (AR estadísticamente significativos), se identifica que, si el rendimiento pasa-do del IPC es del 1%, el rendimiento presente depende 0.86% del pasado; mientras que en el IPC SUS es de 0.50%. Además, se observa que el coeficiente de los AR en los tres modelos del IPC es en promedio 0.85, indicando una fuerte dependencia del rendimiento presente con su rendimiento pasado.

Para el caso de las MA, se identifica incluso con signo negativo, indicando que si un error pasado fue positivo (una externalidad o choque externo causó un rendimiento superior al esperado), el rendimiento presente bajará (y viceversa). Se evidencia que el IPC, además de tener dependencia alta con respecto a sus choques o errores pasados, se presenta en dos periodos. Esto causa una oscilación de -0.7 en los tres modelos y es casi el doble de lo que se estima para el IPC SUS. Lo anterior indica una vez más que el IPC SUS tiene mejor desempeño financiero, tanto en rendimiento como en riesgo y eficiencia de mercado.

Para los resultados de ambos índices ante impactos negativos, se observa que en el modelo GJR-GARCH el coeficiente del IPC SUS (0.1291) es inferior al del IPC (0.1444), por lo que el IPC SUS tiende a ser menos afectado (en la volatilidad) ante eventos negativos. Sin embargo, ambos coeficientes son estadísticamente no significativos. Por parte del modelo E-GARCH, el coeficiente del IPC es menor (0.1773) al coeficiente del IPC SUS (0.1851) y son no estadísticamente significativos. En resumen, no se puede afirmar que índice bursátil reacciona peor ante eventos negativos, ya que en ambos modelos sus gammas son no significativos y ambos modelos se contradicen. En resumen, los resultados muestran que el IPC SUS presenta un mejor rendimiento que el IPC para un mismo nivel de riesgo; sin embargo, no es concluyente el comparativo de índices en volatilidad ante externalidades negativas.

5.2 Resultado operativo empresarial

La selección de empresas que se analizaron con el método CAMELS consiste en llevar un seguimiento de aquellas que, a través de los rebalanceos encontrados (2015, 2016 y 2017) en la página de la BMV, se encuentran en su tercer año. Se asume que dichas empresas siguieron permaneciendo en el IPC SUS hasta el cierre de éste, ya que la implementación de los factores ASG es un proceso de mediano a largo plazo (^{Alonso et al., 2022}).

Además, se considera que han obtenido una ponderación significativa (del 25% al 30%) del IPC SUS y que tienen por lo menos un competidor directo que no ha pertenecido (o solo una vez) al IPC SUS.⁵ Aquellas empresas consideradas sostenibles están marcadas con un “*” en el listado que se menciona más adelante. De manera simplificada, las condiciones para la selección de empresas consideradas sostenibles a analizar son las siguientes:

Se seleccionaron aquellas empresas que tienen al menos un competidor que no perteneció, o perteneció máximo dos veces, al IPC SUS (cuadro 7). El análisis se realizó por sectores económicos (aeroportuario, comercio y cementero). Se hace la excepción del sector minero, ya que este será un caso de análisis de las empresas que se encontraron en los tres rebalanceos antes mencionados del IPC SUS. De esta forma, quedan las empresas que se mencionaron previamente y cumplen con los requisitos. A continuación, se muestra un cuadro de aquellas em-presas analizadas en esta sección y su peso dentro del IPC SUS de su respectivo año, el cual fue asignado por la BMV.

La base de datos se construyó a partir de la compilación de los estados financieros consolidados anuales, obtenidos de Economática en precios corrientes y moneda nacional (pesos mexicanos), correspondientes al periodo 2011-2020 para las empresas incluidas en la muestra: Grupo Aeroportuario del Sureste (Asureste B)*, Grupo Aeroportuario del Pacífico (Gpo Aeroport Pacif B), Grupo Aeroportuario del Centro Norte (OMA B)*, Chedraui, Grupo Gigante (Gigante Grupo), Soriana (Soriana Organización B), Walmart México (Walmart de México)*, Grupo México (GMéxico B)*, Peñoles (Penoles Industrias)*, Cemex (Cemex CPO)* y Moctezuma (Corp. Moctezuma). Cabe mencionar que, por cada fundamento del método CAMELS,

se emplearon tres razones financieras (con una ponderación específica), con la finalidad de evaluar a profundidad las fortalezas y debilidades de cada fundamento, dado su valor de cada razón financiera. En este caso, los ponderadores de cada fundamento del CAMELS y de las razones financieras se encuentran en el cuadro 8.

La calificación de los ASG es referente a la calificación obtenida en el último año (2021), debido a que supondremos que dicha calificación es constante o promedio de los años anteriores, pues la implementación de las finanzas sostenibles es un proceso de mediano a largo plazo (^{Alonso et al., 2022}). Para la calificación de Sustainalitycs se usó la fórmula (1-Calificación), ya que dicha página usa calificación inversa; es decir, cuanto más bajo el número de su calificación, significa mejor manejo de los riesgos de factores ASG.

Finalmente, escándalos⁷ es una variable dicotómica (dummy), dónde 1=no escándalo y 0=escándalo, durante los años analizados (2011-2020). La condición para obtener 1 radica en que dicha empresa no haya tenido escándalos en dichos años.

La razón de esta ponderación por fundamento es determinar si las empresas que estuvieron en el IPC SUS obtienen mayores ganancias (E), si presentan una mejor administración (M) y, desde luego, si estos elementos se relacionan con una buena sostenibilidad (S), conforme a los factores ASG. Estos tres fundamentos (M, E y S) abarcan el 65% de toda la calificación del CAMELS. Asimismo, las metodologías o razones financieras de cada fundamento tienen su propio ponderador; donde se puede apreciar que en administración (M) y ganancias (E) se presentan el ROA y ROE con un ponderador alto, ya que son las razones financieras que más se emplean en la revisión de literatura nacional e internacional (^{Gávira-Durón et. al, 2020}; ^{Alonso et al., 2022}; ^{Hindley y Buys, 2012}; ^{Ameer y Othman, 2012}; ^{Bayoud y Kavanagh, 2012}; ^{Eccles et al., 2012}; ^{Burhan y Ramanti, 2012}; ^{Venanzi, 2013}; ^{Motwani y Pandya, 2016}; ^{Kang et al., 2021}; ^{Stotz, 2021}). Por otro lado, se usan razones financieras que se pueden interpretar como la proporción por cada venta, tanto temporal como entre utilidades brutas (costos) y utilidades operativas (gastos no financieros).

Otra razón por la que se decidió esta ponderación es lograr un equilibrio de preferencia entre las empresas sostenibles y que no lo son. Es decir, darle una puntuación al factor S que no beneficie demasiado a las que tienen mejor desempeño sostenible, pero que tampoco anule sus puntuaciones en el factor. A continuación, se muestra un gráfico donde se menciona el promedio de las calificaciones CAMELS clasificadas por sostenibles (IPC SUS) y no sostenibles (No IPC SUS) en las siguientes ponderaciones:

Como se observa en la gráfica 3, no existe una diferencia significativa en las calificaciones finales del CAMELS al usar las tres distintas ponderaciones. En este sentido, se podría usar cualquiera de los dos escenarios, OR o C, ya que ambos tienen el mismo comportamiento,⁸ consistencia en el tiempo y grupos a los que pertenecen. Sin embargo, se observa que al emplear el escenario S, las empresas consideradas sostenibles reciben un mayor beneficio de calificación CAMELS, en con-traste con las empresas no sostenibles, a las que les perjudica bastante. Por otro lado, la ponderación igual a todos los fundamentos (C) hace lo opuesto; beneficia a las empresas no sostenibles a comparación de aquellas que sí lo son. Finalmente, la ponderación usada para este trabajo (OR) consigue un equilibrio entre las ponderaciones mencionadas, ya que beneficia tanto a las empresas sostenibles como a las no sostenibles.

La gráfica 4 muestra que aquellas empresas que formaron parte de la muestra del IPC SUS tienen, en promedio, mejores calificaciones que aquellas que no pertenecieron, o pertenecieron solo una vez. La variación es de 0.15 puntos entre ambas, quizá debido a los valores obtenidos en el fundamento S. No obstante, para el año 2020 se observa una tendencia a la convergencia.

En el sector aeroportuario (gráfica 5), dos empresas pertenecen al IPC SUS (Asureste y OMAB). La primera conclusión es que las tres empresas tienen una buena calificación CAMELS, ya que la mayor parte del tiempo permanecen en calificación superior a 0.8 de 1 (gráfica 5). Sin embargo, se observa que la calificación de Grupo Aeroportuario del Centro Norte (OMAB) es superior al Grupo Aeroportuario del Pacífico (GAPB) entre 2015 y 2019, a pesar de que este último nunca ingresó al IPC SUS. OMAB estuvo por tres años, como aparece en los rebalanceos de la BMV encontrados. Por otro lado, Grupo Aeroportuario del Sureste es la empresa líder, con una calificación casi de 1 de 1, a pesar de tener una caída de 2017 a 2020. Como conclusión, resulta coherente que ASURB haya formado parte del IPC SUS; sin embargo, no parece consistente que GAPB no haya sido incluido en el índice mientras que OMAB sí lo fue.

En el caso del comercio al por menor (gráfica 6), se observa que la empresa líder de esta muestra del método CAMELS es Walmart México, la cual se mantiene en una calificación promedio de 8 (0.8), mientras que Soriana ha hecho grandes esfuerzos para alcanzar la calificación de Walmart a través de los años. Por otro lado, Soriana tiene una gran caída en el último año de estudio, cuando ésta mantenía un promedio de 6 (0.6) Finalmente, Chedraui tuvo un comportamiento similar a Walmart, pero en un promedio de 5 (0.5). Como conclusión, tiene congruencia y sustento que Walmart haya pertenecido al IPC SUS, ya que es la empresa líder en este sector.

En el sector cementero (gráfica 7), se observa que CEMEX tiene volatilidad en sus calificaciones debido a que tuvo pérdidas netas (cuyo fundamento tiene peso del 25% en este análisis CAMELS); mientras que la cementera Moctezuma permanece en un promedio de 8 (0.8), ya que dicha empresa no cuenta con una calificación ASG de alguna de las tres calificadoras que se usaron para el fundamento S. Como conclusión, no existe fundamento robusto para el ingreso al IPC SUS por parte de CEMEX (más que por compartir información sustentable y por el manejo de volúmenes accionarios).

Finalmente, un análisis diferente ocurre con el sector minero (gráfica 8), ya que ambas empresas pertenecen al IPC SUS. Al igual que en la gráfica de la industria cementera, existe una calificación atípica por parte de Grupo México, debido a la misma razón: pérdidas netas. No obstante, se observa que esta empresa tiene una tendencia negativa a través de los años, mientras que Peñoles registra una ligera tendencia positiva a partir de 2017. Ambas muestran un patrón común al sector aeroportuario: la mayoría de las veces permanecen por arriba del 0.8 de 1, excluyendo casos atípicos, por lo que es coherente que ambas pertenezcan al IPC SUS. Sin embargo, Grupo México no debió permanecer en el índice en 2016, debido a las pérdidas registradas en 2015. Ninguna de las dos alcanza la calificación máxima de 1, en gran medida por la presencia de escándalos ambientales.

En adición al análisis CAMELS, se elabora una matriz de correlaciones entre los fundamentos M, E y S; así como sus significancias estadísticas de los coeficientes de correlación (cuadro 9). La finalidad es comprobar la correlación entre las calificaciones del fundamento S con respecto a M y E. Para ello, la base de datos se organizó de la siguiente manera: en las columnas se incorporaron todas las calificaciones de cada fundamento por empresa; mientras que en las filas se registraron los años correspondientes y la empresa a la que pertenece cada observación.

La base contiene 110 filas (11 empresas por 10 años) y tres columnas (M, E y S). Se aplicó el coeficiente de correlación de Pearson. Para la prueba de significancia estadística del coeficiente de correlación se usó una distribución T-Student a doble cola.⁹

El cuadro 9 revela que existe una correlación negativa estadísticamente significativa entre la calificación de sostenibilidad (S) y la de administración (M); esto indica que si hay un aumento de calificación en la administración (M) es más probable que la calificación sostenible baje. Por otro lado, existe una correlación positiva no significativa entre la calificación sostenible y utilidades; su interpretación implica que, ante un aumento de calificación sostenible, es poco probable que la calificación de utilidades lo haga también. Además, se observa que ante un aumento en la calificación de administración (M), es más probable obtener utilidades (E). Cabe destacar que esto es solo una prueba de correlación, no de causalidad. Dicho de otra manera, no se está indicando que la calificación sostenible causa variaciones en las otras calificaciones de los fundamentos; solo se indica que, ante la aparición de un fenómeno, es probable que se presente el otro.

7.1 Aportaciones, propuestas y limitaciones

Los resultados obtenidos no son suficientes para tomar una decisión dicotómica (sí o no) acerca del desempeño sostenible y el desempeño financiero, sino conclusiones diferentes y bajo ciertas condiciones, por ejemplo: si existe un mayor desempeño financiero bursátil en el IPC SUS a comparación del IPC. Sin embargo, por desempeño financiero operativo empresarial aplica en algunas actividades económicas, tales como en el aeroportuario y comercio al por menor; mientras que en otros (cementero, por ejemplo) no aplica tal relación; y para el sector minero se recomienda buscar otra empresa minera que no haya pertenecido al IPC SUS o solo una vez y reevaluar los resultados de este sector.

Con los resultados obtenidos en este trabajo se pueden inferir dos afirmaciones. La primera: existe un mejor desempeño financiero a nivel bursátil o en el precio de las acciones al implementar o notificar la aplicación de las finanzas sostenibles en la empresa; la segunda afirmación es: habrá algunas actividades económicas que podrán no ser sostenibles debido a su naturaleza económica y tienen mejor desempeño operativo empresarial a comparación de las que son sostenibles. Además, este trabajo ayuda a tener una mejor perspectiva cuantitativa del impacto de las finanzas sostenibles y el desempeño financiero, ya que no se cuenta con suficiente evidencia para el caso mexicano. Esto podría ayudar a buscar una estandarización de los análisis de los factores ASG, un mayor enfoque y rigurosidad en las políticas públicas y privadas (principalmente mercantiles) para la implementación de las finanzas sostenibles para contribuir a la materialidad financiera. Así como un replanteamiento para la implementación de los análisis de los factores ASG al momento de formular y evaluar un proyecto de inversión; con la finalidad de que estas nuevas empresas o emprendimientos ya incorporen las finanzas sostenibles y consideren estos nuevos riesgos.

Sin embargo, también se identifican limitaciones en el trabajo realizado, Para profundizar se pueden realizar análisis de causalidades (en el sentido de Granger) entre fundamentos del CAMELS, y elaboración de modelos de portafolios de inversión con teoría de Fama-French y/o Markowitz, entre otros. Adicionalmente se podrán realizar análisis similares al presentado cuándo se tenga más información del Índice S&P/BMV Total Mexico ESG, que comenzó a operar en junio de 2020.