Economías emergentes

En los últimos veinte años, las economías emergentes han crecido en mayor medida que las economías desarrolladas, impulsados por los países del BRIC (Brasil, Rusia, India y China). Las economías emergentes han aumentado su participación en el producto global del 30% en 1990 a más del 50%, de acuerdo con datos del Fondo Monetario Internacional (^{The economist, 2013}). No obstante, las economías emergentes están expuestas a fuertes desequilibrios. Los ciclos económicos son más severos que en las economías desarrolladas, se caracterizan, cada vez más, por su gran volatilidad y dramáticas reversiones de la cuenta corriente, fenómeno denominado de “parada repentina”. Por otra parte, existe una mayor variabilidad en el consumo que en los ingresos, la tasa de interés suele ser contra cíclica y prevalen las tendencias a los shocks económicos (^{Notz y Rosenkranz 2014}; ^{Aguiar y Gopinath 2007}).

Economía Argentina

La Argentina es un ejemplo paradigmático de una economía emergente. En el año 2002 se produce una fuerte crisis en la economía argentina, tras la decisión de no pago de la deuda externa, se produjo un cambio de las reglas de juego de la economía. La fuerte devaluación del tipo de cambio benefició a los sectores agropecuario, industrial y minero, el congelamiento de las tarifas hizo caer la rentabilidad de las empresas de sector servicios públicos.

El congelamiento de los salarios llevó a una mejora de la rentabilidad de las empresas. Adicionalmente, las empresas endeudadas en dólares fueron beneficiadas con un tipo de cambio diferencial. En el estado, las retenciones a las exportaciones, el no pago de intereses de la deuda y los salarios congelados produjeron la obtención de un superávit fiscal. La caída del PBI fue de casi el 11% y una inflación medida por precios al consumidor del 40.95%, ver Tabla 1.

A partir de año 2003, la economía vuelve a crecer de manera importante observándose una recuperación del consumo, inversión y exportaciones, motivada por la suba del precio internacional de los commodities y la capacidad instalada ociosa de la industria. En los años posteriores continuó el crecimiento a elevadas tasas, salvo en el año 2009 por la crisis mundial desencadenada a mediados del 2008. Pero, a partir del año 2012, la economía entra en un proceso de desaceleración económica (^{Anuarios IAMC, 2003 a 2012}). En otra cuestión, a partir del año 2007 se produce una aceleración del ritmo inflacionario, situación que no es reflejada por las estadísticas oficiales. Un informe ^{Fondo Monetario Internacional (2013)} hace referencia a la declaración de censura por parte del FMI para Argentina y donde se le solicita medidas correctivas para mejorar la calidad de los datos oficiales del PBI y del índice de precios del consumidor. Para sustituir las estadísticas oficiales es utilizada una fuente más confiable como los índices de precios publicados por Dirección de Estadística de la Provincia de San Luis².

La Figura 1 presenta las tendencias de la media anual de RNOA, ATO y PM en el período de estudio. Las tendencias fueron calculadas en porcentajes, con base en el año 2004. En la mayor parte de los años el margen y rotación varían en sentido contrario. Salvo, en los dos primeros años y el último, donde varían en igual dirección, probablemente por la existencia de capacidad ociosa originada en la caída de la actividad de años anteriores. Analizados de manera individual, el margen experimenta un brusco descenso a partir del año 2007, posiblemente, afectado por la aceleración de la inflación que modifica los precios relativos y por los propios problemas de la economía argentina. La rotación muestra una mayor estabilidad que el margen de ganancias, si bien refleja el impacto de la crisis internacional del año 2009. La explicación de la evolución de la RNOA se explica por la evolución del margen y rotación.

Fuente: elaboración propia.

Figura 1 Tendencias de las principales ratios contables 

Datos

El objeto del estudio es el conjunto de empresas autorizadas a cotizar sus acciones en la Bolsa de Comercio de Buenos Aires en el período 2005-2012, en base a los estados contables anuales consolidados de dichas empresas. A la muestra inicial se la depuró eliminando aquellas observaciones (empresas-año) que cumplan algunas de las siguientes condiciones: (1) las empresas de actividad financiera; (2) las empresas cuyos estados contables consolidados muestren cifras de patrimonio neto, ventas anuales y activos operativos netos menores a $1000000; (3) los estados contables³ que no se encuentren confeccionados de acuerdo a las Normas Contables Profesionales Argentinas (NCPs), por una cuestión de consistencia; (4) empresas de capitales extranjeros.

La población de empresas, ya depuradas, está constituida por un total 80 empresas a las que corresponde un total de 500 observaciones. El tratamiento de los datos atípicos (outliers) consistió en eliminar el 6% de las observaciones con residuos de mayor valor en términos absolutos, dicho porcentaje surge del análisis de sensibilidad de las observaciones consideradas influyentes. La muestra final, después que se eliminaron los outliers es de 470 observaciones.

Variables y estadísticos descriptivos

^{Esplin, Hewitt, Plumlee y Yohn (2013)}, para la predicción de la rentabilidad del patrimonio neto (ROI), sostienen que la desagregación en componentes financieros y operativos tiene un muy pequeño efecto, mientras que, la RNOA antes de partidas infrecuentes e inusuales supera claramente el modelo agregado. En base a dicha evidencia, en este estudio la rentabilidad es analizada por las partidas permanentes de los resultados.

Para el cálculo de la RNOA se siguió el apéndice de ^{Missim y Penman (2001)}, siendo:

a) RNOA: mide la rentabilidad de la empresa excluyendo los resultados de las actividades de financiación y las partidas anormales, y se expresa como:

El promedio surge de la suma del saldo inicial y el saldo final, dividido por 2.

Donde el numerador es igual a:

Siendo que:

Donde los gastos financieros netos (NFE), de la expresión [1], son determinados por:

Siendo que:

Donde el denominador es igual a:

Donde los activos operativos (OA) son iguales a:

Siendo que:

Donde los activos financieros (FA), de la expresión [3], es igual a:

Donde los pasivos operativos (OL), de la expresión [2], es igual a:

Siendo que:

b) Margen de ganancias (PM): componente de la desagregación de Dupont y se obtiene por la siguiente expresión:

c) Rotación de los activos operativos netos (ATO): componente de la desagregación de Dupont y se obtiene por la siguiente expresión:

d) Los cambios en las variables surgen de las expresiones siguientes:

Siendo:

Siendo:

Siendo:

Ajuste por inflación de los estados contables

La Argentina enfrenta desde el año 2005 una inflación superior a los dos dígitos y de acuerdo con la normativa contable vigente son emitidos en moneda nominal, por lo que se encuentran seriamente sesgados. Debido a dicha distorsión, resulta necesaria la aplicación de un procedimiento de ajuste a efectos de atenuar el efecto de la misma. El algoritmo de ajuste utilizado sigue en líneas generales el procedimiento establecido por la Resolución Técnica Nº 6 (RT 6) de las NCPs⁴, aunque, es aplicado a los activos, pasivos y resultados operativos. Dicho algoritmo de ajuste tiene dos pasos:

Los saldos al inicio del ejercicio son ajustados por el coeficiente del inicio al cierre del ejercicio y las variaciones del ejercicio por el coeficiente del promedio del ejercicio al cierre. El procedimiento de ajuste se efectúa en forma acumulativa, a partir del momento en que se discontinuó del ajuste por inflación en marzo 2003. Para el cálculo de los coeficientes de ajuste, para el período 2002-2006 se utiliza el Índice de Precios al Consumidor elaborado por el Instituto Nacional de Estadísticas y Censos de la República Argentina (INDEC). A partir del año 2007, debido a la falta de confiabilidad de los índices publicados por el INDEC, se recure a los índices de Precios al Consumidor elaborado Dirección de Estadística y Censos de la Provincia de San Luis (DPEyC -San Luis)⁵.

Modelos

Los modelos que se contrastan en este trabajo se corresponden con el grupo de modelos mencionado como (4) de la clasificación efectuada en el marco teórico, donde la rentabilidad del año siguiente es pronosticada por la rentabilidad actual y la desagregación de sus componentes. Los cuáles serán comparados con el modelo donde la rentabilidad futura en pronosticada solamente en base a la rentabilidad actual. Los mismos son expuestos a continuación:

Modelo I

El modelo reversión se plantea como:

Siendo:

Este modelo permite comprobar el grado de reversión a la media de la RNOA actual con respecto al RNOA del año próximo, el signo esperado es negativo.

Modelo II

Incorpora al primer modelo, a través de variables “dicotómicas”, el efecto de la interacción de los signos (aumento o disminución) del ∆ATO_t y ∆PM_t, de acuerdo al modelo utilizado por ^{Penman y Zhang (2002)}. La expresión matemática es:

Siendo:

La ordenada de origen (∝) captura el efecto de (∆ATO_t >0 y ∆PM_t >0)

Cuando, ambos, ∆PM_t y ∆ATO_t son positivos (aumento) se espera el mayor impacto sobre el esta situación es muy posible cuando existen costos fijos importantes y el mayor nivel de ventas reduce la incidencia de estos. En caso de signos contrarios, permite diagnosticar el efecto de earnings managment, reflejado por los coeficientes de RM1 negativo y RM2 positivo.

Modelo III

Este modelo incorpora al anterior el crecimiento de los activos operativos netos (CrNOA_t), el cambio en la rotación (∆ATO_t ) y el cambio en el margen (∆PM_t), a efecto de predecir el cambio de la RNOA del año posterior. La expresión matemática es:

El modelo intenta determinar la capacidad predictiva del ∆ATO_t y del ∆PM_t, al cual se agrega el CrNOA_t a efecto de controlar el efecto de las nuevas inversiones. De acuerdo a los estudios se espera un coeficiente del CrNOA_t negativo, del ∆ATO_t positivo y del ∆PM_t negativo o no significativo (^{Farfield y Yohn, 2001}; ^{Penman y Zhang, 2002}; ^{Bauman, 2014}).

Modelo IV

En este caso se incorpora al tercer modelo, a través de variables “dicotómicas”, la interacción de los signos positivos y negativos (aumento o disminución) del ∆ATO_t y ∆PM_t. La expresión matemática es:

Este modelo, además, de analizar las variables del modelo anterior controla el posible efecto de, mencionado en el modelo II.

Modelo V

Este modelo, el ∆RNOA_t+1 está en función de la RNOA_t, el ∆PM_t y las variables “dicotómicas” de la interacción de los signos positivos y negativos (aumento o disminución) del CrNOA_t y ∆ATO_t, de acuerdo con el modelo utilizado por ^{Penman y Zhang (2002)}. La expresión matemática es la siguiente:

Siendo

La ordenada de origen (∝) captura el efecto de (∆ATO_t > 0 y CrNOA_t> 0).

Este modelo trata de evaluar el efecto adicional ∆PM_t y ∆ATO_t, pero esta última a través de la interacción entre el CrNOA_t y ∆ATO_t. Se espera que el mayor efecto sobre el ∆RNOA_t+1 sea producido por (∆ATO_t > 0 y CrNOA_t>0), situación donde las nuevas inversiones producen un mayor nivel de ventas. Cuando el CrNOA_t y ∆ATO_t se mueven en sentido contrario se espera un efecto positivo GR1, debido a que ∆RNOA_t+1 aumenta cuando el ∆ATO_t es positivo (^{Penman y Zhang, 2002}).

Modelo VI

En este caso, se incorpora al tercer modelo la interacción entre los signos de CrNOA_t y el ∆ATO_t. La expresión matemática es:

Además, en este estudio para profundizar el análisis de los componentes de Dupont se efectúa el pronóstico individual de los mismos para el año siguiente, por lo cual se plantean los siguientes modelos:

Modelo a

Modelo b

En la Tabla 2 se presentan los estadísticos descriptivos de cada una de las variables. De los datos se destaca una RNOA_t(4.5736%) que es muy inferior al de otros estudios en países desarrollados, por ejemplo, ^{Missim y Penman (2001)} (RNOA_t=11.10%) y ^{Soliman (2004)} (RNOA_t=13.07%), lo cual surge de un menor margen y rotación. Aunque, los datos pueden no ser totalmente comparables debido a la aplicación de normas contables distintas.

En la Tabla 3 se presentan las correlaciones de Spearman y se destaca la importante correlación entre el PM_t con respecto a RNOA_t y el ∆PM_t+1 con la RNOA_t+1.

En la Figura 2 el gráfico de dispersión (scatterplots) muestra la relación entre los residuos y la variable pronosticada, este gráfico proporciona una prueba para los supuestos de normalidad, linealidad y homocedasticidad (^{Tabachnick y Fidell, 2001}). Cuando se cumplen estos supuestos, la trama de los residuos debería parecerse a una banda rectangular con la concentración de los residuos a lo largo del centro. En el caso de inexistencia de linealidad, la forma general de la gráfica de dispersión es curva en lugar de rectangular y si la banda es más ancha a mayores valores pronosticados, o en forma de embudo, indica la presencia de heterocedasticidad (^{Tabachnick y Fidell, 2001}). Por otra parte, la Tabla 4 presenta las pruebas estadísticas de los supuestos básicos del MCO. El incumplimiento de algunos de los supuestos afecta las inferencias estadísticas, conduciendo a conclusiones incorrectas.

Fuente: Elaboración propia.

Figura 2 Scatterplot de los errores con los valores estimados de la variable dependiente para cada uno de los modelos (indicado entre paréntesis). 

Los gráficos de la Figura 2 y las pruebas de especificación de la Tabla 4 fueron obtenidos para los distintos modelos planteados por el MCO clásico. El test de asimetría y curtosis indica una distribución normal de los errores con excepción del modelo “a”, no obstante, el gráfico de dispersión correspondiente muestra una distribución aproximada a la normal. El test de heteroscedasticidad muestra que no se cumple el supuesto de igualdad de varianzas en el caso del modelo “a”. En caso del supuesto de no autocorrelación, el test de Durbin-Watson indica que, si bien la mayor parte de los modelos se ubican en la zona de indefinición, con excepción de los modelos III, V y “a” en la zona de rechazo y el modelo “b” en la zona de aceptación de la hipótesis nula. El factor de inflación de la varianza (FIV) es muy inferior a 10, lo cual indica la inexistencia de colinealidad.

En los estudios de finanzas, habitualmente, son utilizados datos de panel, estos contienen observaciones de múltiples empresas y múltiples períodos de tiempo, la estimación por el MCO puede producir residuos correlacionados a través de las empresas y el tiempo. La violación de los supuestos de homocedasticidad y no correlación serial por MCO produce errores estándar de los estimadores sesgadas que son cruciales en el testeo de las hipótesis. El problema es resuelto por el método de errores estándar clustered (agrupados) por empresa y año (^{Thompson 2011}; ^{Cameron, Gelbach, y Miller 2009}). En este método la matriz de la varianza de los estimadores por MCO se obtiene de la suma de estimación de las varianzas estimadas que se agrupan por empresa y tiempo, menos la habitual matriz de varianzas por MCO robusta a la heterocedasticidad (^{Thompson 2011}). ^{Peterson (2009)} sostiene que los errores estándar clustered por empresa y año resultan más adecuados para la corrección de los residuos que otros de los métodos empleados (White, Newey-West, Fama-MacBeth y modelos de efectos fijos y aleatorios). De acuerdo con el método, los coeficientes de los estimadores no resultan modificados, si la matriz de varianzas-covarianzas.

El estadístico de test de Voung es utilizado para contrastar la significatividad entre los R² de dos modelos que tienen las mismas variables dependientes pero distintas variables independientes. Un valor positivo (negativo) indica un mejor (peor) poder explicativo de cada uno de los modelos en relación con el modelo I, utilizado como referencia.