Retos, 13(25), 2023 Revista de Ciencias de la Administración y Economía
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
www.retos.ups.edu.ec
abril-septiembre 2023
pp.129-148
https://doi.org/10.17163/ret.n25.2023.09
Relación entre los indicadores financieros del
modelo Altman Z y el puntaje Z
Relationship between the financial indicators
of the Altman Z-model and the Z-Score
Daniel Isaac-Roque
Docente e investigador de la Fundación Universitaria Konrad Lorenz, Colombia
daniel.isaacr@konradlorenz.edu.co
https://orcid.org/0000-0002-7536-025X
Andrés Caicedo-Carrero
Docente e investigador de la Universidad Colegio Mayor de Cundinamarca, Colombia
ocaicedo@unicolmayor.edu.co
https://orcid.org/0000-0001-7749-684X
Recibido: 27/10/2022 Revisado: 13/01/2023 Aprobado: 13/02/2023 Publicado: 01/04/2023
Resumen: desde un punto de vista teórico, no existe un consenso general sobre la identificación de las dificultades financieras de una empresa.
El modelo Altman Z-Score es reconocido en la literatura como un indicador para medir la probabilidad de insolvencia financiera. Aunque
este modelo es muy difundido y utilizado como métrica para predecir las dificultades financieras, no existe acuerdo sobre los factores que
determinan el comportamiento o resultado del puntaje Z. En este sentido, el propósito de este estudio es analizar los factores que determinan el
comportamiento del puntaje Z-Score en las empresas colombianas. Esta investigación se desarrolla bajo un enfoque metodológico cuantitativo,
con un diseño de tipo correlacional. Este alcance de investigación busca medir la asociación entre el puntaje Z de Altman y los indicadores
financieros que determinan su resultado; para tal fin se analizan un total de 2684 empresas del sector comercial colombiano que reportaron
información financiera de forma sistemática durante el periodo 2016-2020. Los resultados de las pruebas estadísticas efectuadas revelan que
existe relación directa entre el indicador que mide la estructura financiera (patrimonio/pasivo) y el puntaje Z de Altman. Adicionalmente,
permiten concluir que, desde el punto de vista del modelo de Altman, las empresas que capitalizan sus beneficios y mantienen bajo control su
nivel de endeudamiento son empresas financieramente estables y con baja probabilidad de insolvencia.
Palabras clave: Liquidez, apalancamiento, rendimiento, estructura financiera, correlación, insolvencia financiera.
Abstract: from a theoretical point of view, there is no general consensus on the identification of a company’s financial difficulties. The Altman
Z-Score model is recognized in the literature as an indicator for measuring the probability of financial insolvency. While this model is widely
used as a metric for predicting financial distress, there is no agreement on the factors that determine the behavior or outcome of the Z-Score. In
this sense, the purpose of this study is to analyze the factors that determine the behavior of the Z-Score in Colombian companies. The research
is developed under a quantitative methodological approach, with a correlational design. This scope of research seeks to measure the association
between the Altman Z-Score and the financial indicators that determine its outcome; to this end, a total of 2,684 companies in the Colombian
commercial sector that reported financial information on a systematic basis during the period 2016-2020 are analyzed. The results of the statistical
tests carried out reveal that there is a direct relationship between the indicator measuring financial structure (equity/liabilities) and the Altman
Z-Score. This leads to the conclusion that a company that seeks to capitalize profits and keep debt levels under control, from the point of view of
Altman’s model, will be a company with financial stability and a low probability of financial insolvency.
Keywords: liquidity, leverage, performance, financial structure, correlation, financial insolvency.
Cómo citar: Isaac-Roque, D. y Caicedo-Carrero, A. (2023). Relación entre los indicadores financieros del modelo Altman Z y el
puntaje Z. Retos Revista de Ciencias de la Administración y Economía, 13(25), 129-148. https://doi.org/10.17163/ret.n25.2023.09
© 2023, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
130 Daniel Isaac-Roque y Andrés Caicedo-Carrero
Introducción
Dado el alto grado de incertidumbre y compe-
titividad que se presenta a escala mundial, es
fundamental que la gerencia de la organización
monitoree la salud financiera y el nivel de riesgo
de la empresa. La capacidad de una compañía
para hacer los pagos a tiempo, financiar adecua-
damente sus operaciones y hacer frente a las con
-
tingencias determina su solidez financiera (Swalih
et al., 2021). Sin distinción del tamaño o su activi-
dad económica, las empresas para desarrollar su
objeto social deben enfrentar varios desafíos que
les garantice mantenerse en el mercado (Buele et
al., 2021). Entre estos, se encuentra la desacele-
ración de la actividad económica; contexto que
puede conllevar a una disminución de sus ventas
y, por ende, de la pérdida de liquidez, además del
aumento del riesgo de dificultades financieras.
Una de las opciones para monitorear la situación
antes descrita, es el análisis de las probabilidades
de quiebra financiera en el corto y mediano plazo
(Vavrek et al., 2021).
La quiebra empresarial es un tema sensible
en el mundo nanciero (Tung y Phung, 2019),
ya que se reere a la salud nanciera y estabili-
dad de las entidades. La capacidad de predecir
la insolvencia nanciera de una empresa es fun-
damental para el desarrollo y su sostenibilidad.
Sin embargo, cuando existe la incapacidad de
predecir, con precisión, el riesgo de quiebra, esta
situación puede tener efectos socioeconómicos
devastadores (Antunes et al., 2017). La literatura
actual reconoce varios modelos tradicionales de
quiebra que se enfocan en la predicción de las
dicultades nancieras de la organización, entre
los que se encuentran Altman (1968, 1983, 1995);
Beerman (1976, 1980); Taer (1982); Zmijewski
(1984); Almamy et al. (2016), entre otros. Los mo-
delos antes mencionados se utilizan para predecir
la probabilidad de quiebra de una organización
en los años posteriores a su medición; siendo una
herramienta nanciera importante para que los
gerentes nancieros evalúen la salud nanciera
de la empresa (Sharma y Bodla, 2022).
Entre los modelos antes descritos se destaca
el Altman Z-Score, herramienta nanciera que
se ha consolidado como un predictor preciso de
las dicultades nancieras (Altman, 2018). Este
modelo incorpora las principales dimensiones
de la salud nanciera de la organización, por tal
motivo no solo es un modelo para predecir la
insolvencia nanciera, sino que se ha convertido
en el prototipo para muchos de los modelos de
riesgo de crédito e incumplimiento (Kacer et al.,
2019). Si bien el modelo ha sido ampliamente
aplicado en diferentes sectores económicos para
predecir la probabilidad de quiebra de las em-
presas (Nasa et al., 2022) dado su nivel de con-
abilidad (entre el 75 % al 90 %) Ko et al. (2017);
surge el interrogante sobre: ¿Qué factores deter-
minan el comportamiento o resultado del puntaje
Z? Para dar respuesta a esta pregunta, se deriva
como objetivo de la investigación: analizar los
factores que determinan el comportamiento del
puntaje Z-Score en empresas del sector comercial
en Colombia.
Este documento se estructura en cuatro sec-
ciones. La primera sección presenta la revisión
de la literatura sobre el modelo Altman Z-Score
y los indicadores nancieros que lo componen.
La segunda sección presenta la metodología de
investigación aplicada, los datos y la muestra de
la información nanciera utilizada en el ejercicio
investigativo; así como las pruebas estadísticas
realizadas. La tercera sección presenta los resulta-
dos, haciendo énfasis en los hallazgos derivados
de las pruebas de correlación aplicadas. La cuarta
sección describe las consideraciones nales de la
investigación, con sus limitaciones, y las futuras
líneas de análisis sobre el tema objeto de estudio.
Revisión de literatura
La angustia financiera es definida por Hofer
(1980) como una condición en la cual la empresa
tuvo resultados netos negativos durante varios
años consecutivos. Mientras tanto Hopwood et
al. (1994) plantean que las dificultades financieras
ocurren cuando el capital de trabajo, las pérdidas
operativas y las ganancias retenidas son negati-
vas (un escenario apocalíptico para estos auto-
res). Desde la postura de los autores Yuliastary
y Wirakusuma (2014) reconocen las dificultades
financieras como la incapacidad de la organiza-
ción para cumplir con las obligaciones vigen-
Relación entre los indicadores nancieros del modelo Altman Z y el puntaje Z
Retos, 13(25),129-148
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
131
tes, por ejemplo; impuestos y cuentas por pagar,
préstamos bancarios a corto plazo entre otras.
Los autores Boďa y Úradníček (2016) reconocen
que las dificultades financieras están representa-
das por la combinación de un bajo indicador de
rentabilidad, un resultado neto negativo y una
liquidez inferior a uno.
En resumen, se podría armar que las diculta-
des nancieras están representadas por el deterioro
de la liquidez de la empresa, una disminución
paulatina de los ingresos operacionales, la utilidad
antes de intereses e impuesto y la rentabilidad; es-
tos comportamientos provocan que la organización
pueda incumplir con sus obligaciones producto
de su inapropiada estructura nanciera. La situa-
ción antes mencionada provoca preocupaciones
en los actores de la empresa (internos y externos)
Isaac-Roque y Caicedo (2021). Por una parte, se
encuentran los actores internos: accionistas, in-
versionistas, directivos y empleados; mientras
que los actores externos están representados por
los clientes, proveedores, instituciones nancieras
y la sociedad en general Yuliastary y Wirakusuma
(2014) y Muñoz et al. (2019).
Si bien una empresa puede experimentar se-
ñales de dicultades nancieras, este proceso no
se declara de inmediato. El proceso de quiebra
puede variar, considerablemente, en cuanto a su
duración (Lukason y Homan, 2014). Hernández‐
Tinoco y Wilson (2013) plantean que hay varias
etapas por las que puede atravesar una empresa
antes de que se dena como muerta: dicultades
nancieras, insolvencia nanciera, declaración
de quiebra, fracaso económico, fracaso empre-
sarial, insolvencia técnica etc. Para Sormunen y
Laitinen (2012) el proceso de angustia nanciera
consta de las siguientes etapas: a) etapa inicial:
se experimenta una disminución de la rentabi
-
lidad de la empresa; b) etapa tardía: la caída de
la rentabilidad va acompañada de un aumento
del apalancamiento en los estados nancieros; c)
etapa nal: la caída de la rentabilidad va acom-
pañada del aumento del apalancamiento y la
disminución de la liquidez.
El análisis de los informes nancieros, uti-
lizando las razones nancieras que se pueden
extraer de estos, es una forma de determinar la
condición (exitosa o fallida) de una empresa en un
momento determinado Bağcı (2015) y Vavrek et al.
(2021). En tal sentido, las organizaciones pueden
supervisar su condición nanciera a partir de la
misma información que generan (Isaac-Roque
y Caicedo, 2022). Para ello, se pueden utilizar
variables que emanan del proceso contable para
detectar la quiebra empresarial Sun et al. (2014) y
Rahayu et al. (2016). Existen varias maneras para
medir la salud nanciera de las organizaciones
Muñoz et al. (2019). Desde la perspectiva de Kris-
tanti (2019), la predicción de las dicultades -
nancieras se puede medir a partir de la aplicación
de dos tipos de modelos: alternativos y clásicos.
Los modelos alternativos están representados
por técnicas no paramétricas que se aplican para
el estudio del fracaso empresarial. Lestari et al.
(2021) reconocen como modelos alternativos los
basados en: probabilidad condicional Ohlson
(1980) y Mora (1994); aplicación de técnicas de
árboles de decisión Altman (1993), Frydman et al.
(1985) y Bonsón et al. (1997); en redes neuronales
articiales Odom y Sharda (1990), Nasir et al.
(2000), Boyacioglu et al. (2009), Tseng y Hu (2010)
y Khediri et al. (2015). Otro grupo de modelos
alternativos centran su análisis de predicción
de insolvencia nanciera basados en la teoría
de opciones reales y precios contingentes (De-
lapedra-Silva, 2021). Las propuestas emanadas
por Black y Scholes (1973) y Merton (1974) dan
nacimiento a un grupo de modelos de opciones
reales utilizados para la predicción de fracasos
nancieros (Milanesi, 2019). A partir de la pro-
puesta original de Merton, Bharath y Shumway
(2008) desarrollan el modelo “naive” para medir
la probabilidad de insolvencia o fracaso nanciero
Schmidt y Milanesi (2019), propuesta modicada
por Milanesi (2016) quien propone una versión
del modelo “naive” de opción barrera para la
predicción del fracaso nanciero.
Los modelos alternativos tienen como forta-
leza: a) la consideración de una amplia gama de
factores de análisis tanto interno como externos
que permiten manejar situaciones empresariales
y económicas complejas, b) en algunos casos inte-
gran la incertidumbre y las tendencias futuras en
las predicciones nancieras, c) utilizan técnicas de
inteligencia articial y aprendizaje automático. Si
bien los modelos alternativos permiten una ma-
© 2023, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
132 Daniel Isaac-Roque y Andrés Caicedo-Carrero
yor exploración y explicación de la información
nanciera, estas técnicas no paramétricas, para su
aplicación, requieren precisión en los datos utiliza-
dos. De igual forma la aplicación de los modelos
alternativos es compleja y requieren una gran can-
tidad de datos para ser utilizados efectivamente.
Por ende, estas técnicas no se entienden como un
instrumento sustitutivo, sino complementario con
los otros métodos clásicos de predicción de insol-
vencia nanciera (Romero, 2013).
Los modelos clásicos para medir la proba-
bilidad de insolvencia están representados por
los análisis univariante y multivariado Pérez et
al. (2013). Scherger et al. (2018) y Shi y Li (2019)
reconocen los modelos clásicos propuestos por
Beaver (1966, 1968), Altman (1968, 1983, 1995),
Deakin (1972), Blum (1974), entre otros. Estos
modelos de predicción de insolvencia nanciera
tienen como fortalezas: a) sencilles y abilidad,
b) bajo costo de aplicación y accesibilidad a la in-
formación primaria. Si bien una de las fortalezas
de los modelos de predicción es que parte de los
estados nancieros, aunque contradictorio, esto
también podría ser una limitación en su aplica-
ción. Esto, teniendo en cuenta que la información
nanciera puede ser modicable de acuerdo con
la conveniencia de la empresa en términos de
estrategia empresarial (Grisales y Trujillo, 2016;
Vega et al., 2021; y Isaac-Roque et al., 2022).
En línea con lo anterior, en términos estadís-
ticos, los modelos de análisis discriminante pre-
sentan las siguientes limitaciones: a) Supone la
distribución normal de las variables, b) Igualdad
en las matrices de varianza y covarianza y c) No
asigna probabilidades de ocurrencia de los errores
tipo I y tipo II para el punto de corte (Romero,
2013).Por lo tanto, los modelos de predicción de
quiebra empresarial propuestos, bajo el enfo-
que discriminante, deben ser tenidos en cuenta
como un indicador que facilita el diagnóstico
empresarial más que una herramienta cien por
ciento de predicción (Vera, 2017). A pesar de las
limitaciones de los modelos clásicos estos han
tenido un gran desarrollo empírico y se encuen-
tran en un elevado número de trabajos (Romero,
2013). Autores como Karas y Režnáková (2012) y
Alaka et al. (2018) argumentan que los métodos
de análisis de discriminación múltiples son las
técnicas más utilizadas en el mundo para predecir
la salud nanciera de las empresas.
El fundador y pionero del uso del análisis
de discriminación múltiple es Altman (1968). El
modelo de puntaje Z propuesto por este autor es
actualmente el modelo de predicción más conoci-
do y utilizado (Gavúrová et al., 2017). El modelo
Altman Z-Score aplica en todo el mundo como
herramienta principal para analizar las quiebras
tanto en la investigación como en la práctica (Alt-
man et al., 2017). El modelo es comúnmente acep-
tado para anticipar fallas nancieras y riesgos de
quiebra en varios sectores (Alcalde et al., 2022),
indicando su aceptabilidad como una medida
simple, razonable y de fácil implementación
(Apan et al., 2018). El modelo de puntuación Z
es uno de los mejores modelos para evaluar la
solidez nanciera de cualquier empresa y está
mundialmente aceptado en el ámbito de la ges-
tión empresarial (Divekar y Sukhari, 2021).
El primer modelo de puntaje Z de Altman fue
formulado para organizaciones que cotizaban en
la bolsa de valores y que pertenecieran al sector
industrial. El autor estructura la primera versión
del modelo tomando como base las siguientes ca-
tegorías: liquidez, apalancamiento, rendimiento,
estructura nanciera y actividad (Hosaka, 2019).
La primera versión del modelo se estructuró de
la siguiente manera:
Z = 1.2*(X
1
) + 1.4*(X
2
)+3.3*(X
3
)+0.6*(X
4
)+0.999*(X
5
)
Los indicadores nancieros del modelo de
puntaje Z se relatan a continuación (Altman et
al., 2017).
X1=
El indicador X1 permite medir los activos líqui-
dos en relación con el tamaño de la empresa (Sa-
reen y Sharma, 2022). La relación entre el capital
de trabajo y los activos totales de la empresa está
relacionada con la capacidad de la organización
para cumplir con sus obligaciones nancieras
de corto plazo Alcalde et al. (2022). Mientras ma-
yor sea el valor de signica que la posición de
liquidez es favorable (Divekar y Sukhari, 2021),
(Activo Corriente-Pasivo Corriente)
Activos Totales
Relación entre los indicadores nancieros del modelo Altman Z y el puntaje Z
Retos, 13(25),129-148
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
133
dado que las organizaciones con adversidades
nancieras experimentan pérdidas operativas,
esto puede implicar que haya una disminución
del activo circulante en relación con los activos
totales (Laurens y Mulyani, 2022).
X2=
El indicador X
2
se reere a las ganancias acu-
muladas en relación con los activos totales. Este
indicador representa la antigüedad y el poder
adquisitivo de la empresa (Sareen y Sharma,
2022). Cuando una empresa acumula pérdidas
constantes, las reservas pueden volverse nega-
tivas. Sin embargo, cuando acumula utilidades,
las reservas serán positivas, lo que evidencia la
capacidad de crecimiento orgánico a través de
la reinversión para autonanciar sus proyectos
(Alcalde et al., 2022). Este escenario es positivo,
dado que la empresa no ha requerido aumentar
su nivel de endeudamiento (Hernández, 2014).
X3=
El indicador X3 representa la eciencia con la
que la dirección dirige la empresa para maximizar
los benecios generados por la actividad principal
(Divekar y Sukhari, 2021). Las empresas deben
lograr la consolidación de su operación para ge-
nerar los recursos sucientes que garanticen su
viabilidad a largo plazo (Sareen y Sharma, 2022).
Dado que las empresas en dicultades nancie-
ras mostrarán una pérdida operativa constante
(Laurens y Mulyani, 2022). Cuanto mayor sea el
valor de esta variable, menor es la probabilidad
de quiebra (Alcalde et al., 2022).
X4=
El indicador X
4
muestra qué tanto peso tiene el
valor del patrimonio con respecto al pasivo (Her-
nández, 2014). Este indicador permite establecer
de cuánto ha sido el valor creado para los accio-
nistas de la empresa, a través de la capitalización
de mercado, y la cantidad total aportada por los
externos del negocio (Divekar y Sukhari (2021).
El índice demostrará la suciencia del patrimo-
nio de la empresa para hacer frente a los pasivos
ordinarios —de corto y largo plazo— (Laurens y
Mulyani, 2022). Autores como Alcalde et al. (2022)
plantean que mientras mayor sea el valor del
indicador nanciero, la empresa experimentará
una menor probabilidad de quiebra.
X5=
El indicador X5 representa una medida es
-
tándar para la rotación total de activos (Sareen
y Sharma, 2022), mostrando la capacidad admi-
nistrativa y comercial de la empresa frente a la
competencia de otras empresas del sector en el
que opera (Alcalde et al., 2022). Este indicador se
centra en la utilización de los activos totales (co-
rrientes y no corrientes) para generar el máximo
de ventas (Divekar y Sukhari, 2021).
El modelo de puntaje Z, propuesto por Alt-
man, comenzó a utilizarse como herramienta
para la predicción de insolvencia nanciera, con-
siguiendo reacciones positivas y algunas críticas
(Altman, 1970). Entre las críticas al modelo está
la restricción teórica de que solo puede aplicarse
a empresas de capital abierto que pertenezcan al
sector industrial. Con el objetivo de aumentar el
grupo de empresas a las que se les pudiera hacer
la prueba de insolvencia, Altman (1983) propo-
ne una nueva versión del modelo. La segunda
versión del modelo tiene la siguiente estructura:
Z’= 0.717*(X
1
)+ 0.847*(X
2
)+3.107*(X
3
)+0.420*(X
4
)
+0.998*(X5)
La nueva versión del Z-Score de Altman se
propuso para empresas de capital cerrado que
pertenezcan al sector manufacturero. En esta
propuesta de Altman (1983) se realiza el ajuste
del indicador nanciero X
4
, donde se reemplaza
el valor del mercado del patrimonio por su va-
lor contable. Sin embargo, la nueva versión del
modelo de puntaje Z heredaba la restricción de
la primera propuesta. Lo anterior debido a que
ambos modelos solo se podían utilizar a empresas
del sector manufacturero. En este sentido se adap-
taron los parámetros y coecientes para diferentes
(Ganancias Acumuladas)
Activos Totales
Ventas
Activo Total
Utilidades antes de intereses e impuestos
Activos Totales
Valor de mercado del patrimonio
Pasivo Totales
© 2023, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
134 Daniel Isaac-Roque y Andrés Caicedo-Carrero
situaciones, lo que resulta en la tercera versión
del modelo para empresas no manufactureras,
que operan en mercados emergentes (Altman et
al.,1995; Altman y Hotchkiss, 2006). La propuesta
del se presenta a continuación.
Z’’= 3.25+6.56*(X
1
)+3.26*(X
2
)+6.72*(X
3
)+1.0
5*(X4)
En la tercera versión del modelo se supri-
me el indicador nanciero de Actividad (X5) y
se adiciona la constante 3.25. En esta versión se
extiende el campo de aplicación del modelo. Su
funcionalidad y el extenso campo de aplicación
han convertido al modelo Altman Z-Score en una
herramienta efectiva para el análisis, previsión
y predicción de la probabilidad de quiebra em-
presarial en diversas economías y con diferentes
intenciones (Isaac-Roque y Caicedo, 2022).
El modelo de puntaje Z ha sido objeto de una
extensa gama de estudios, mediante las cuales
se han propuesto diferentes implementaciones y
adaptaciones en diversos sectores (Isaac-Roque
y Caicedo, 2022). Esto ha dado lugar a una gran
cantidad de aplicaciones y modicaciones del
modelo de Altman Z-Score ya sea para países es-
pecícos, empresas privadas o mercados emergen-
tes (Kapounek et al., 2022). Recientemente se han
publicado investigaciones sobre la adaptación del
modelo de puntaje Z de Altman en sectores especí-
cos de diferentes economías tales como: empresas
privadas europeas (Kapounek et al., 2022), empre-
sas de turismo, hotelería y restaurantes (Goh et al.,
2022; Lestari et al., 2021), en empresas de aviación
(Divekar y Sukhari, 2021), empresas de comercio
al por mayor y por menor (Buele et al., 2021), em-
presas de la industria automovilística (Swalih et al.,
2021), empresas del sector inmobiliario de la India
(Sidhu y Katoch, 2019), en las micro, pequeñas y
medianas empresas en India (Prakash y Verma,
2019), empresas multidisciplinaria de Vietnam
(Tung y Phung, 2019), empresas manufactureras
(Siwi et al., 2018), entre otros.
De igual forma el modelo de puntaje Z se ha
considerado como técnica para asociar la proba-
bilidad de quiebra con otros procesos al interior
de las empresas. Entre los aspectos analizados
se presenta la relación entre la creación de valor
económico agregado y la probabilidad de insol-
vencia nanciera (Isaac-Roque y Caicedo, 2021).
El análisis de dicultades nancieras y su relación
con aspectos como el desarrollo sostenible (Pizzi
et al., 2022), la responsabilidad social empresa-
rial (Bhuvaneskumar et al., 2022; Farooq y Noor,
2021), la integración de los factores ambientales,
sociales y de gobierno corporativo (Brogi et al.,
2022). De igual forma el modelo de puntaje Z
ha sido también considerado en estudios que
se concentran en la asociación existente entre la
probabilidad de insolvencia nanciera y el im-
pacto de la rentabilidad y productividad (Milić et
al., 2022), la sensibilidad de los ujos de efectivo
(Gupta y Mahakud, 2022), y la predicción del
comportamiento del precio de las acciones (Sa-
reen y Sharma, 2022). Otros estudios asocian la
probabilidad de insolvencia con el fraude en los
estados nancieros (Aviantara, 2021) y (Saleh et
al., 2021) o con cuestiones como la contribución
potencial del capital intelectual (CI) a la estabi-
lidad nanciera (Festa et al., 2020) y prácticas de
gestión de calidad (Kriemadis et al., 2022). Con
base en lo anterior se demuestra que el modelo de
puntaje Z no solo ha exhibido longevidad, como
un predictor preciso de problemas corporativos,
sino también ha demostrado que se puede modi-
car con éxito para una serie de aplicaciones más
allá de su enfoque original (Altman, 2018, p. 34).
Si bien la mayoría de los estudios se concentran
en las aplicaciones del modelo de puntaje Z y en
las diferentes derivaciones y/o modicaciones,
que pueden emanar de su aplicación, otro grupo
de estudios se centran en los determinantes de la
probabilidad de quiebra (Habib et al., 2018). Sobre
los determinantes de la probabilidad de quiebra
autores como Kapounek et al. (2022) reconocen que
la insolvencia nanciera no solo está inuenciada
por las características especícas de la empresa,
sino también por el desarrollo macroeconómico
de la economía. Autores como Inekwe y Valen-
zuela (2019) y Tinoco et al. (2018) reconocen que
la inclusión de variables macroeconómicas en el
cálculo del puntaje Z hace que las estimaciones de
insolvencia nanciera de las empresas sean más
precisas. Mientras que autores como Alfaro et al.
(2019) reconocen que el efecto del endeudamien-
to de una empresa y su tamaño también pueden
Relación entre los indicadores nancieros del modelo Altman Z y el puntaje Z
Retos, 13(25),129-148
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
135
incidir en la probabilidad de quiebra.
Materiales y método
La investigación se efectuó bajo un enfoque
cuantitativo que permite identificar la relación
entre el puntaje Z y las variables financieras que
componen el modelo de puntaje Z. El estudio se
establece bajo un diseño de investigación de tipo
correlacional, dado que este modelo de investiga-
ción tiene como propósito mostrar o examinar la
relación entre variables o resultados de variables
(Salkind, 1998). La metodología propuesta exa-
1 https://siis.ia.supersociedades.gov.co/#/massivereports
mina asociaciones, pero no relaciones causales,
donde un cambio en el factor influye, directamen-
te, en el cambio de otro (Bernal, 2016).
Para identicar las empresas objeto de estudio,
se considera como criterio de selección las organi-
zaciones que reportan de forma sistemática estados
nancieros en el Sistema Integrado de Información
Societaria
1
(SIIS) de la Superintendencia de Socie-
dades de Colombia durante el periodo 2016-2020.
Las empresas se organizan según la Clasicación
Industrial Internacional Uniforme (CIIU), identi-
cando la cantidad de unidades empresariales por
cada sector económico de Colombia.
Tabla 1
Empresas por sectores que reportan sistemáticamente en el SIIS periodo (2016-2020)
Sector Cantidad de empresas Peso relativo
Agropecuario 578 6,40 %
Comercio 2684 29,70 %
Comunicaciones 157 1,74 %
Construcción 794 8,79 %
Financiero 325 3,60 %
Industrial 1763 19,51 %
Minero-Energético 174 1,93 %
Servicios 2427 26,86 %
Transporte 135 1,49 %
Total 9037 100 %
A partir de la información consultada en el
Sistema Integrado de Información Societaria, se
identica las empresas que reportaron informa-
ción nanciera de manera constante durante la
ventana de observación objeto de investigación.
Para el desarrollo del estudio se propone el sector
económico comercial colombiano. La razón de
la elección del sector comercial radica en que la
actividad económica comercio y la tecnología son
las dos fuerzas principales que están impulsando
la transformación económica global. Según el in-
forme publicado por el Grupo del Banco Mundial
y la Organización Mundial del Comercio (2021),
el comercio y las cadenas de valor mundiales han
demostrado ser resistentes y están impulsando
la recuperación de la COVID-19.
El sector comercio al por mayor y al por menor
colombiano se ha caracterizado por presentar un
gran potencial para crear empleos, aumentar los
ingresos y por ende aporta al crecimiento de la
economía colombiana. Durante la crisis sanitaria
provocada por el COVID-19 el sector comercio
experimentó una disminución de 6,6 en su tasa de
crecimiento con relación al año 2019; situación que
se presentó por las restricciones que implementó el
Gobierno Nacional durante el 2020 con el objetivo
de limitar la propagación del virus COVID-19.
Durante 2021, el sector comercio colombiano expe-
rimentó una recuperación en su aporte al Producto
Interno Bruto, siendo la actividad económica que
más aportó a la dinámica del valor agregado de la
economía colombiana. El escenario antes descrito
© 2023, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
136 Daniel Isaac-Roque y Andrés Caicedo-Carrero
se repitió para el 2022, donde el sector comercio
continuó aportando signicativamente al PIB y a
la reactivación económica.
Si bien el sector comercio colombiano solo ex-
perimenta una contracción signicativa durante
2020, es importante señalar que la crisis sanitaria
del COVID-19 provocó un impacto negativo en el
desempeño del tejido empresarial, conllevando
a pérdidas comerciales, reducción de la tasa de
empleo y de las exportaciones, disminución de
la demanda interna y externa, consecuencias que
desembocan en una mayor exposición al riesgo de
insolvencia nanciera por parte de las empresas
colombianas (Ibáñez, 2022). El riesgo de quiebra
antes mencionado se materializa durante 2021,
donde se reciben un total de 855 solicitudes de
trámites de insolvencia, siendo el segundo sector
de la economía colombiana con mayor número
de procesos para acogerse a la Ley 1116 del 2006
(Morales, 2021). Dada la importancia del sector
comercio en la economía colombiana y el escena-
rio vivido durante la crisis sanitaria, se determinó
como muestra, objeto de estudio, las 2684 empre-
sas del sector comercio que reportaron de forma
sistemática estados nancieros en el SIIS, de la
Superintendencia de Sociedades de Colombia,
durante el periodo 2016-2020.
Una vez definidas las empresas objeto de
análisis, se aplica el modelo de puntaje Z con el
propósito de identicar aquellas empresas que, de
acuerdo con su información nanciera, presentan
indicios de insolvencia nanciera. Para el análisis
de los resultados del puntaje Z se utilizan los
puntos de corte denidos para el modelo Altman
Z- Score (Anjum, 2012).
•
Si el Z-Score <1,10 la empresa se encuen-
tra en un estado de dicultad (se encuen-
tra en zona de quiebra).
•
Si la puntuación Z-Score está entre
1,10<Z<2,60 la empresa se encuentra en
zona de ignorancia.
•
Si el Z-Score>2,60 la empresa se encuentra
en zona segura.
Una vez identicados los resultados del mo-
delo Altman Z-Score (Z’’) se procede a realizar las
pruebas de correlación, como medida natural de
la relación entre dos variables aleatorias (Wool-
dridge, 2009). Lo anterior permitirá concluir qué
indicadores nancieros tienen mayor incidencia
en la obtención del puntaje Z. La matriz de co-
rrelación y las variables objeto de investigación
se presenta a continuación:
Ilustración 1
Matriz de correlación
Donde la Matriz de correlación se estructura
con las siguientes variables de estudio:
Liquidez: x1=
Apalancamiento: x2=
Rendimiento: x3=
Estructura nanciera: x4=
Modelo Altman Z-Score: x5= Z’’
La relación entre el puntaje Z’’ y los indicado-
res nancieros del modelo de Altman se analiza
mediante la escala de relación entre variables
denida por Martínez et al. (2009).
(ACea - PCea
ATea
GAea
ATea
UAIIea
ATea
Pat.Tea
PTea
Relación entre los indicadores nancieros del modelo Altman Z y el puntaje Z
Retos, 13(25),129-148
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
137
a. Si el rango se encuentra entre 0 a 0,25 la
relación es Escasa.
b. Si el rango se encuentra entre 0,26 a 0,50
la relación es Débil.
c. Si el rango se encuentra entre 0,51 a 0,75
la relación es Moderada.
d. Si el rango se encuentra entre 0,76 a 1 la
relación es Fuerte.
Resultados
De acuerdo con la muestra seleccionada se pro-
cede a la aplicación del modelo Altman Z-Score
en las 2684 empresas del sector comercial colom-
biano durante el periodo (2016-2020). La prueba
estadística se centra en el cálculo de la correla-
ción de las variables explicativas del modelo de
puntaje Z mediante el análisis de datos de panel
utilizando la herramienta STATA 16. Los resul-
tados de los estadísticos descriptivos del modelo
se presentan en la tabla 2.
Tabla 2
Estadísticas descriptivas de las variables que componen el modelo Altman Z-Score
Variable Media Std. Dev. Min Max Observaciones
Z
sobre 7,83261 7,90095 -333,17190 439,92800 N = 13.420
entre 5,55491 -59,77126 142,41020 n = 2.684
en 5,61935 -265,56800 350,45240 T= 5
X1
sobre 0,2728136 0,30993 -10,22944 9,68488 N = 13.420
entre 0,26326 -5,13253 2,03198 n = 2.684
en 0,16361 -4,82410 7,92571 T= 5
X2
sobre 0,1859217 0,45556 -11,98908 15,25838 N = 13.420
entre 0,39804 -6,61115 3,10893 n = 2.684
en 0,22169 -6,74004 12,33537 T= 5
X3
sobre 0,0805305 0,45177 -50,28133 2,66921 N = 13.420
entre 0,21666 -10,05431 0,59836 n = 2.684
en 0,39644 -40,14649 10,18058 T= 5
X4
sobre 1,5673210 5,77438 -1,01424 412,99040 N = 13.420
entre 3,83164 -0,81097 126,72560 n = 2.684
en 4,32046 -102,22090 328,26970 T= 5
El promedio de los resultados obtenidos en
esta investigación, del modelo Altman utilizado,
es mayor al límite superior teórico (2,60). Este
resultado indica que, en promedio, las empresas
del sector tienen probabilidades bajas de tener
que asumir un proceso de insolvencia nanciera,
con una baja dispersión de los datos puesto que
la desviación estándar es cercana al promedio.
Con relación a los resultados de los indicadores
nancieros que integran el modelo de puntaje Z su
comportamiento muestra que; la variable X1, que
mide la relación del capital de trabajo en función
del activo, se evidencia que esta es baja (0,25), esto
indica que, en promedio dentro del grupo de las
empresas analizadas, por cada peso de activo, la
relación del capital de trabajo es de 0,25 pesos. En
esta variable se evidencia una dispersión conside-
rable dado que la desviación estándar es levemente
superior a la media (0,30). La variable X
2
, que mide
las utilidades acumuladas en proporción del ac-
tivo, se videncia que, por cada peso de activo, en
promedio las empresas tienen 0,18 pesos, con una
alta dispersión de los datos, dado que la desviación
estándar es más de dos veces el valor de la media
(0,45). En la variable X3, se evidencia que, por cada
peso de activo, las empresas del sector tuvieron
© 2023, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
138 Daniel Isaac-Roque y Andrés Caicedo-Carrero
0,08 pesos, también con una alta dispersión de los
datos, desde lo nanciero se puede concluir que las
utilidades de las empresas son variables dentro del
conjunto de empresas y a través del tiempo. Para
nalizar, en la variable X4, que mide la relación
que existe entre el patrimonio y el pasivo, se evi-
dencia que es mayor a 1, con una alta dispersión,
lo que indica que en promedio las empresas del
sector tienen una estructura patrimonial robusta,
sin embargo, con alta variabilidad entre empresas
y a través del tiempo.
Una vez calculado los estadísticos descriptivos
de las variables objeto de estudio, se presentan las
mediciones y comportamiento del puntaje Z para
las unidades económicas analizadas. Los resulta-
dos del modelo Altman Z’’ se muestra en la tabla 3.
Tabla 3
Resultados de la aplicación del modelo Altman Z-Score en empresas del sector comercial colombiano
Zona
2016 2017 2018 2019 2020
Cantidad
Peso
relativo
Cantidad
Peso
Relativo
Cantidad
Peso
relativo
Cantidad
Peso
relativo
Cantidad
Peso
relativo
De Quiebra 62 2,3 % 64 2,4 % 64 2,4 % 70 2,6 % 84 3,1 %
De Ignorancia 48 1,8 % 54 2,0 % 62 2,3 % 68 2,5 % 56 2,1 %
Segura 2574 95,9 % 2566 95,6 % 2558 95,3 % 2546 94,9 % 2544 94,8 %
La tabla 3 evidencia de manera sostenida que
más del 90 % de las empresas de la actividad econó-
mica comercio se encuentran en zona segura. Este
comportamiento permite concluir que este sector
económico ha mostrado cierta estabilidad para este
periodo de tiempo. Sin embargo, es de resaltar que
las empresas en zona de quiebra e ignorancia han
aumentado su participación marginalmente.
Con el objetivo de identicar el comporta-
miento de los indicadores de Liquidez, Apalan-
camiento, Rendimiento y Estructura nanciera
de las 2684 empresas del sector comercial colom-
biano durante el periodo (2016-2020) se realiza el
análisis individual de los ratios antes descritos.
Dadas las observaciones atípicas (extremas) evi-
denciadas en los resultados de las variables ( y
con el objetivo de mitigar la posible distorsión del
promedio se utiliza como medida estadística para
hacer el análisis de los resultados los deciles. El
análisis por deciles de los indicadores de Liqui-
dez, Apalancamiento, Rendimiento y Estructura
nanciera permite establecer el rango donde se
encuentra el Pareto de las observaciones. En tal
sentido, la tabla 4 muestra la distribución por
deciles de la variable Liquidez (X
1
) del modelo
Z-Altman Score.
Tabla 4
Distribución por deciles de la variable X1 del modelo Z-Altman Score
Decil 2016 2017 2018 2019 2020
1 -0,02 -0,02 -0,01 -0,02 -0,01
2 0,06 0,06 0,07 0,06 0,09
3 0,13 0,13 0,13 0,13 0,16
4 0,19 0,20 0,19 0,20 0,24
5 0,25 0,25 0,25 0,26 0,30
6 0,31 0,31 0,32 0,33 0,37
Relación entre los indicadores nancieros del modelo Altman Z y el puntaje Z
Retos, 13(25),129-148
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
139
Decil 2016 2017 2018 2019 2020
7 0,38 0,39 0,39 0,41 0,44
8 0,48 0,48 0,48 0,50 0,54
9 0,60 0,61 0,60 0,62 0,65
El 10 % de las empresas analizadas eviden-
cia que el resultado del indicador de liquidez
es negativo (aunque ha ido disminuyendo), lo
que indica que las empresas que se encuentran
dentro de este decil experimentaron un capital
de trabajo negativo. Sin embargo, para el 70 %
de las empresas estudiadas se evidencia que la
razón que mide la variable X
1
es positiva, pero
inferior al 0,5. Lo anterior signica que, para la
mayoría de las empresas de la muestra su capital
de trabajo es inferior al 50 % del activo total.
Tabla 5
Distribución por deciles de la variable X2 del modelo Z-Altman Score
Decil 2016 2017 2018 2019 2020
1 -0,04 -0,04 -0,05 -0,07 -0,08
2 0,03 0,03 0,03 0,04 0,04
3 0,08 0,08 0,08 0,09 0,10
4 0,12 0,13 0,13 0,14 0,16
5 0,18 0,18 0,18 0,20 0,22
6 0,24 0,25 0,25 0,26 0,29
7 0,31 0,32 0,32 0,34 0,36
8 0,41 0,41 0,41 0,43 0,46
9 0,52 0,56 0,55 0,56 0,60
El análisis del indicador ganancias acumula-
das arroja que el 10 % de las empresas analizadas
presentan resultados negativos acumulados en
todos los años. Esto indica que para las empre-
sas que se encuentran en este decil, las pérdidas
son mayores a las utilidades. Para el 70 % de las
empresas, este indicador se encuentra en terreno
positivo, aunque inferior al 0,5. Es decir, que para
la mayoría de las empresas menos del 50 % del
activo está representado por los resultados de
ejercicios anteriores.
Tabla 6
Distribución por deciles de la variable X3 del modelo Z-Altman Score
Decil 2016 2017 2018 2019 2020
1 0,01 0,00 -0,01 0,00 -0,02
2 0,03 0,03 0,02 0,02 0,01
3 0,05 0,04 0,04 0,04 0,03
4 0,07 0,06 0,06 0,06 0,05
5 0,09 0,08 0,07 0,07 0,07
6 0,11 0,10 0,09 0,09 0,09
7 0,13 0,12 0,11 0,11 0,12
© 2023, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
140 Daniel Isaac-Roque y Andrés Caicedo-Carrero
Decil 2016 2017 2018 2019 2020
8 0,17 0,15 0,14 0,14 0,15
9 0,23 0,20 0,19 0,19 0,20
El análisis del indicador nanciero (X3) Ren-
dimiento muestra que las empresas del sector
económico comercio que se encuentran en el decil
10, el ratio es cercano a 0. Este resultado signi-
ca que durante el periodo de estudio un por-
centaje pequeño de empresas tuvieron pérdidas
operacionales. Para el 70 % de las empresas este
indicador estuvo entre el 0,14 y el 0,17. De esto
se puede concluir que la utilidad operacional de
un buen porcentaje de las empresas del sector
comercio puede representar hasta un 17 % del
valor de su activo y en pocos casos se superior
al 19 % (decil 9).
Tabla 7
Distribución por deciles de la variable X4 del modelo Z-Altman Score
Decil 2016 2017 2018 2019 2020
1 0,16 0,16 0,16 0,16 0,19
2 0,28 0,30 0,30 0,32 0,36
3 0,40 0,43 0,43 0,45 0,50
4 0,53 0,56 0,55 0,59 0,67
5 0,68 0,73 0,71 0,76 0,85
6 0,91 0,92 0,95 0,98 1,13
7 1,19 1,26 1,27 1,33 1,52
8 1,67 1,86 1,82 1,95 2,24
9 2,67 2,90 2,99 3,32 3,97
Teniendo en cuenta que la variable X4 mide
la proporción del patrimonio sobre el pasivo,
se evidencia que casi el 60 % de las empresas
tienen una proporción similar o inferior entre el
pasivo y el patrimonio (salvo el 2020 que supera
el 1). A partir del decil 7, y para todos los años,
este indicador es superior a 1, lo que signica
mayor participación del patrimonio con respecto
al pasivo dentro de la estructura de nanciación.
También se evidencia una tendencia creciente en
las proporciones. De lo anterior se puede concluir
que, para el grupo de empresas en estudio, el
valor del patrimonio con respecto al pasivo ha
ido en aumento.
Una vez identicados los resultados indepen-
dientes de las variables nancieras que componen
el modelo Altman Z-Score (Z’’). Se presentan los
resultados de las pruebas de correlación reali-
zadas para identicar qué indicador nanciero
tiene una mayor incidencia en la obtención de un
puntaje Z alto. La tabla 8 muestra los resultados.
Tabla 8
Correlación entre las variables nancieras del modelo Altman Z-Score y el puntaje Z. Zona de Segura
ZX1 X2 X3 X4
Z1,00
X1 0,48 1,00
0,00
Relación entre los indicadores nancieros del modelo Altman Z y el puntaje Z
Retos, 13(25),129-148
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
141
ZX1 X2 X3 X4
X2 0,43 0,44 1,00
0,00 0,00
X3 0,43 0,08 0,12 1,00
0,00 0,00 0,00
X4 0,82 0,14 0,10 0,00 1,00
0,00 0,00 0,00 0,66
2 Coeficiente de correlación.
El resultado de la medición de la relación en-
tre las variables explicativas del modelo Altman
Z-Score y el puntaje Z muestra que las variables
que representan la liquidez, apalancamiento y
rendimiento muestran una relación débil. Para el
caso de la variable de medición de la estructura
nanciera (X4) muestra la mayor asociación (re-
lación positiva fuerte) con el puntaje del modelo.
Este resultado permite concluir que una de las
características de las empresas que presentan baja
probabilidad de quiebra se centra en la solidez
patrimonial.
Tabla 9
Correlación entre las variables nancieras del modelo Altman Z-Score y el puntaje Z
Variable 2016 2017 2018 2019 2020
r2Relación rRelación rRelación rRelación rRelación
X10,30 Débil 0,44 Débil 0,66 Moderada 0,70 Moderada 0,51 Moderada
X20,23 Escasa 0,39 Débil 0,53 Moderada 0,69 Moderada 0,46 Débil
X30,18 Escasa 0,76 Fuerte 0,41 Débil 0,43 Débil 0,22 Escasa
X40,96 Fuerte 0,56 Moderada 0,81 Fuerte 0,77 Fuerte 0,90 Fuerte
De los resultados obtenidos, se puede concluir
que la variable nanciera que puede generar ma-
yor impacto en el resultado del modelo Z-Altman
es X4 (Patrimonio/Pasivo). Los resultados permi-
ten concluir que las empresas que mantengan una
proporción lo sucientemente alta del patrimonio
sobre el pasivo, tendrán un buen resultado de la
evaluación de insolvencia, lo que indicará la soli-
dez nanciera que tiene la empresa o la capacidad
que tenga para afrontar crisis económicas. Sin
embargo, para los tres últimos años (2018-2020)
el capital de trabajo como proporción del activo
(X
1
), tuvo un impacto moderado positivo en el
puntaje Z-Altman. Por lo tanto, se puede concluir
que adicional a la fortaleza patrimonial, tener un
capital de trabajo robusto benecia de manera
positiva a las empresas de este sector económico.
Una vez realizado el análisis de correlación
para todas las empresas de la muestra, se procede
a repetir el proceso para las organizaciones que se
encuentran dentro de las tres zonas que identica
el modelo: Quiebra, Ignorancia y Segura.
© 2023, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
142 Daniel Isaac-Roque y Andrés Caicedo-Carrero
Tabla 10
Correlación entre las variables nancieras del modelo Altman Z-Score y el puntaje Z-Zona de Quiebra
Variable 2016 2017 2018 2019 2020
rRelación rRelación rRelación rRelación rRelación
X10,19 Escasa 0,03 Escasa 0,68 Moderada 0,78 Fuerte 0,89 Fuerte
X20,59 Moderada -0,09 Escasa 0,72 Moderada 0,86 Fuerte 0,81 Fuerte
X30,59 Moderada 0,99 Fuerte 0,51 Moderada 0,44 Débil 0,30 Débil
X40,31 Débil -0,13 Escasa 0,26 Débil 0,31 Débil 0,35 Débil
Para las empresas que el resultado del modelo
Altman Z-Score las ubica en zona de quiebra, se
evidencia pluralidad en los resultados, a diferencia
de lo encontrado en la correlación del total de la
muestra. Entre el 2016 y 2018, las correlaciones
de las variables nancieras con los resultados del
modelo (puntaje Z) tienen relaciones escazas y
débiles. En 2019 y 2020 se evidencia una relación
fuerte en las variables X
1
y X
2
con el resultado del
modelo. De lo anterior se puede concluir que un
capital de trabajo alto y unas utilidades retenidas
altas, en relación con el activo total, afectan de ma-
nera considerable a la probabilidad de insolvencia,
al menos para los dos últimos años de estudio.
Tabla 11
Correlación entre las variables nancieras del modelo Altman Z-Score y el puntaje Z. Zona de Ignorancia
Variable 2016 2017 2018 2019 2020
rRelación rRelación rRelación rRelación rRelación
X10,14 Escasa 0,16 Escasa 0,24 Escasa 0,09 Escasa -0,09 Escasa
X20,12 Escasa 0,13 Escasa 0,16 Escasa 0,15 Escasa 0,23 Escasa
X3-0,01 Escasa 0,01 Escasa 0,05 Escasa 0,27 Débil 0,33 Débil
X40,22 Escasa 0,03 Escasa -0,10 Escasa -0,05 Escasa 0,07 Escasa
Para las empresas del sector económico co-
mercio que los resultados del modelo Altman
Z- Score las ubica en zona gris o de ignorancia,
se evidencia que, en la mayoría de los años, salvo
2019 y 2020 (en la variable X3), todas las relaciones
son escasas. Lo que signica que para las empre-
sas que se encuentran en esta zona, no hay una
tendencia sobre el impacto particular de alguna
de las variables nancieras sobre el resultado
del modelo.
Tabla 12
Correlación entre las variables nancieras del modelo Altman Z-Score y el puntaje Z-Zona de Segura
Variable 2016 2017 2018 2019 2020
rRelación rRelación rRelación rRelación rRelación
X10,26 Débil 0,60 Moderada 0,59 Moderada 0,62 Moderada 0,39 Débil
X20,17 Escasa 0,52 Moderada 0,37 Débil 0,57 Moderada 0,33 Débil
X30,13 Escasa 0,35 Débil 0,28 Débil 0,25 Escasa 0,10 Escasa
X40,97 Fuerte 0,84 Fuerte 0,88 Fuerte 0,89 Fuerte 0,97 Fuerte
Relación entre los indicadores nancieros del modelo Altman Z y el puntaje Z
Retos, 13(25),129-148
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
143
Para las empresas del sector económico co-
mercio que se encuentran en zona segura, la ten-
dencia es clara, el indicador nanciero X4 muestra
una correlación fuerte en todos los años con el
resultado del modelo. Este resultado permite
inferir que si una empresa quisiera reejar una
baja probabilidad de insolvencia debe cuidar la
relación que tenga entre el patrimonio y el pasi-
vo, procurando que el primero sea más alto con
respecto al segundo. Con relación al resto de las
variables nancieras estudiadas, la magnitud de
la relación cambia en todos los años.
Conclusiones y discusión
La solidez financiera de una empresa es una pre-
ocupación que involucra tanto a partes internas
como externas ya que la interconexión generada
por las empresas afecta a todo un sistema empre-
sarial. Mientras que el modelo Altman Z-Score se
reconoce como una herramienta fiable para pre-
decir la probable insolvencia empresarial. Desde
el punto de vista teórico, no existe un consenso
sobre qué variable financiera tiene mayor peso
en las dificultades financieras de una empresa.
Por ende, la investigación realizada permite reco-
nocer qué variable afecta considerablemente el
comportamiento del puntaje Z y su significado
con relación a la insolvencia financiera.
El modelo Z-Score es un modelo lineal sim-
ple que no tiene en cuenta la complejidad y la
interacción de los factores no nancieros como
la gestión, la estrategia empresarial y las condi-
ciones económicas generales que pueden inuir
en la probabilidad de quiebra de una empresa.
A pesar de estas limitaciones, es un modelo de
fácil comprensión y aplicación, lo que lo hace
accesible para un amplio rango de usuarios. De
igual forma, el modelo de puntaje Z de Altman ha
demostrado ser una herramienta able y efectiva
que se puede aplicar a una amplia variedad de
industrias y empresas para predecir la probabi-
lidad de quiebra de una empresa, lo que lo con-
vierte en una herramienta valiosa para la toma
de decisiones empresariales.
Teniendo en cuenta los resultados del mo-
delo Z-Altman Score, se observa que durante el
periodo 2016 a 2020 hay evidencias de estabili-
dad en las empresas del sector comercio. Dada
la situación coyuntural observada en 2020, se
puede armar que las empresas de este sector
sortearon adecuadamente la pandemia. Solo el
10 % de las empresas de la actividad económica
comercio muestran problemas de liquidez al tener
un indicador inferior a 1. Esto conrma la solidez
nanciera de las empresas de este sector. En el
90 % de las empresas las ganancias acumuladas
son positivas. Y para las que se encuentran en el
decil 9, este indicador es superior al 50 %. Por
lo tanto, se puede armar que una de las prin-
cipales características de las compañías que se
encuentran en este decil es la capitalización de
las utilidades. Para el 30 % de las empresas, la
relación patrimonio/pasivo es superior a 1, con
tendencia creciente, lo que indica que, para este
porcentaje de compañías, es importante aumentar
el patrimonio con respecto al pasivo con el n de
que la compañía aumente su solidez nanciera.
Dentro de las empresas que se encuentran en
zona de quiebra, no se puede armar que haya una
variable determinante al momento de evaluar la
probabilidad de insolvencia. Sin embargo, dado
los resultados obtenidos en las correlaciones de las
variables X1 y X2, para los años 2019 y 2020, estos
podrían dar un indicio acerca de lo que puede
afectar, de manera negativa, a una compañía que
tenga alta probabilidad de insolvencia. Para las
empresas que se encuentran en zona de ignorancia,
no se evidencia una tendencia sobre alguna varia-
ble en particular que pueda explicar la probabili-
dad de insolvencia. Para las empresas que tienen
baja probabilidad de insolvencia, una alta relación
patrimonio/pasivo puede explicar la solidez. En
este sentido una compañía que procure capitalizar
utilidades y mantener el nivel de endeudamiento
controlado, desde el punto de vista del modelo de
Altman será una empresa con estabilidad.
En términos generales, los indicadores de co-
rrelación muestran que hay una relación directa
entre la proporción del patrimonio/pasivo y el
puntaje de Z-Altman, lo cual permite concluir
que, esta variable afecta de manera considerable
al puntaje que pueda obtener una empresa en
cuanto a su insolvencia. Dado que las empresas
que dependen más del capital que realmente
poseen tienden a ser más atractivas ya que su
© 2023, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
144 Daniel Isaac-Roque y Andrés Caicedo-Carrero
nivel de riesgo de insolvencia puede ser menor. Si
desde la planeación nanciera se logra robustecer
los recursos propios y disminuir las obligaciones,
los accionistas y/o inversores tendrán menos
preocupaciones en tiempos de crisis nanciera.
Los resultados de la investigación presentan
implicaciones académicas y prácticas. Desde el
nivel académico, el estudio se centra en determi-
nar la relación entre el puntaje Z y las variables
nancieras que componen el modelo Altman
Z-Score en un escenario particular. Los resultados
emanados del proceso de investigación pueden
motivar a futuras investigaciones donde se deter-
mine la relación descrita anteriormente, pero en
otros sectores de la economía colombiana. Sobre
las implicaciones prácticas de la investigación
desarrollada muestra un avance en la literatu-
ra, mostrando nueva evidencia sobre la relación
entre el puntaje Z y las variables nancieras que
componen el modelo Altman Z-Score.
Referencias bibliográficas
Alaka, H. A., Oyedele, L. M., Owolabi, H. A., Kumar, V.,
Ajayi, S. O., Akinade, O. O. y Bilal, M. (2018).
Systematic review of bankruptcy prediction
models: Towards a framework for tool selec-
tion. Expert Systems with Application, 94, 164-
184.
https://doi.org/10.1016/j.eswa.2017.10.040
Alcalde, R., Alonso de Armiño, C. y García, S. (2022).
Analysis of the economic sustainability of the
supply chain sector by applying the Altman
Z-score predictor. Sustainability, 14(2), 851.
https://doi.org/10.3390/su14020851
Alfaro, L., Asis, G., Chari, A. y Panizza, U. (2019).
Corporate debt, firm size and financial fragili-
ty in emerging markets. Journal of International
Economics, 118(5), 1-19.
https://doi.org/10.1016/j.jinteco.2019.01.002
Almamy, J., Aston, J. y Ngwa, L. N. (2016). An evalua-
tion of Altman’s Z-Score using cash flow ratio
to predict corporate failure amid the recent
financial crisis: Evidence from the UK. Journal
of Corporate Finance, 36, 278-285.
https://doi.org/10.1016/j.jcorpfin.2015.12.009
Altman, E. I. (1968). Financial Ratios, Discriminant
Analysis, and the Prediction of Corporate
Bankruptcy. The Journal of Finance, 23(4),
589-609.
https://bit.ly/4k8QjvN
Altman E. I. (1970). Ratio analysis and the prediction
of firm failure: A reply. The Journal of Finance,
25(25), 1169-1172.
https://doi.org/10.2307/2325591
Altman E. I. (1983). Corporate financial distress. Wiley
Interscience.
Altman, E. I. (1993). Corporate Financial Distress and
Bankruptcy (J. W. a. Sons Ed. Second ed.). New
York.
Altman, E. I., Hartzell, J. y Peck, M. (1995). Emerging
market corporate bonds: A scoring system.
Salomons Brothers, Emerging Market
Reviews.
Altman, E. I. y Hotchkiss, E. (2006). Corporate financial
distress & bankruptcy. 3rd edition. J. Wiley &
Sons.
Altman, E. I., Iwanicz‐Drozdowska, M., Laitinen, E. K.
y Suvas, A. (2017). Financial distress predic-
tion in an international context: A review and
empirical analysis of Altman’s Z‐Score model.
Journal of International Financial Management
and Accounting, 27, 131-171.
https://doi.org/10.1111/jifm.12053
Altman, E. I. (2018). A fifty-year retrospective on cre-
dit risk models, the Altman Z-Score family of
models and their applications to financial mar-
kets and managerial strategies. Journal of Credit
Risk, 14(4), 1-34. https://bit.ly/3xNP2UA
Anjum, S. (2012). Business Bankruptcy Prediction
Models: A Significant Study of the Altman’s
Z-Score Model. Asian Journal of Management
Research, 3(1), 212-219.
http://dx.doi.org/10.2139/ssrn.2128475
Antunes, F., Ribeiro, B. y Pereira, F. (2017). Probabilistic
modelling and visualization for bankruptcy
prediction. Applied Soft Computing, 60, 831-843.
https://doi.org/10.1016/j.asoc.2017.06.043
Apan, M., Öztel, A. e İslamoğlu, M. (2018). Comparative
empirical analysis of financial failures of
enterprises with altman Z-score and VIKOR
methods: BIST food sector application.
Australasian Accounting, Business and Finance
Journal, 12(1), 77-101.
http://dx.doi.org/10.14453/aabfj.v12i1.6
Aviantara, R. (2021). Scoring the financial distress
and the financial statement fraud of Garuda
Indonesia with «DDCC» as the financial
solutions. Journal of Modelling in Management.
https://doi.org/10.1108/JM2-01-2020-0017
Bağcı, E. (2015). Türkiye Tekstil ve Hazır Giyim
Sektörünün Finansal Durum Analizi. Marmara
Üniversitesi İktisadi ve İdari Bilimler Dergisi,
37(2), 83-100.
https://doi.org/10.14780/iibd.83811
Relación entre los indicadores nancieros del modelo Altman Z y el puntaje Z
Retos, 13(25),129-148
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
145
Beaver, W (1966). Financial ratios as predictors of fai-
lure. Journal of Accounting Research, 4, 71-111.
https://doi.org/10.2307/2490171
Beaver, W. (1968). Alternative accounting measures and
predictors of failure. The Accounting Review,
43(1), 113-122.
Beerman, K. (1976). Possible ways to predict capital losses
with annual financial statements. University of
Düsseldorf Working Paper.
Bernal, C. A. (2016). Metodología de investigación. Cuarta
Edición. Pearson Educación de Colombia
S.A.A.
Bharath, S. T. y Shumway, T. (2008). Forecasting default
with the Merton distance to default model. The
Review of Financial Studies, 21(3), 1339-1369.
Bhuvaneskumar, A., Sivakumar, V. J. y Pushparaj, N.
(2022). Performance assessment and ranking
of socially responsible companies in India
using FAHP, TOPSIS and Altman Z-score.
Benchmarking: An International Journal, Vol.
ahead-of-print No. ahead-of-print.
https://doi.org/10.1108/BIJ-09-2021-0512
Black, F. y Scholes, M. (1973). The pricing of options
and corporate liabilities. Journal of Political
Economy, 81, 637-654.
https://doi.org/10.1086/260062
Blum, M. (1974). Failing company discriminant analy-
sis. Journal of Accounting Research, 12(1), 1-25.
https://doi.org/10.2307/2490525
Boďa, M. y Úradníček, V. (2016). The portability of
Altman’s Z-score model to predicting corpo-
rate financial distress of Slovak companies.
Technological and Economic Development of
Economy, 22(4), 532-553.
https://doi.org/10.3846/20294913.2016.1197165
Bonsón Ponte, E., Escobar Rodríguez, T. y Martín
Zamora, M. (1997). Decision tree induction
systems. Applications in Accounting and
Finance. Paper presented at the Intelligent
Technologies in Accounting and Business.
Proceedings of the III International Meeting on
Artificial Intelligence in Accounting, Finance and
Tax. Huelva.
Boyacioglu, M., Kara, Y. y Baykan, Ö. (2009). Predicting
bank financial failures using neural networks,
support vector machines and multivariate
statistical methods: A comparative analysis in
the sample of savings deposit insurance fund
(SDIF) transferred banks in Turkey. Expert
Systems with Applications, 36(2), 3355-3366.
https://doi.org/10.1016/j.eswa.2008.01.003
Brogi, M., Lagasio, V. y Porretta, P. (2022). Be good to be
wise: Environmental, Social, and Governance
awareness as a potential credit risk mitiga-
tion factor. Journal of International Financial
Management & Accounting, 33(3), 522-547.
https://doi.org/10.1111/jifm.12156
Buele, I., Mora, A. y Santiago, S. (2021). Ecuadorian
wholesale and retail trade companies: analy-
sis of the financial situation and bankruptcy
forecast under Altman Z-score. Academy of
Accounting and Financial Studies Journal, 25(1),
1-11.
Deakin, E. (1972). A Discriminant analysis as predic-
tor of business failure. Journal of Accounting
Resarch, 10(1), 167-179.
https://doi.org/10.2307/2490225
Delapedra-Silva, V. A. (2021). El riesgo de quiebra en
sectores de infraestructuras: un análisis de
2006 A 2018. RAM. Revista de Administración
Mackenzie, 22(4), 1-30.
https://10.1590/1678-6971/eRAMF210104
Divekar, V. y Sukhari, S. (2021). Assessing the financial
soundness of Indian aviation sector companies
by using Altman’s z-score model & Pilarski’s
p-score model. Universal Journal of Accounting
and Finance, 9(6), 1222-1234.
https://doi.org/10.13189/ujaf.2021.090602
Farooq, M. y Noor, A. (2021). The impact of corpora-
te social responsibility on financial distress:
Evidence from developing economy. Pacific
Accounting Review, 33(3), 376-396.
https://doi.org/10.1108/PAR-10-2020-0196
Festa, G., Rossi, M., Kolte, A. y Marinelli, L. (2021). The
contribution of intellectual capital to financial
stability in Indian pharmaceutical companies.
Journal of Intellectual Capital, 22(2), 337-359.
https://doi.org/10.1108/JIC-03-2020-0091
Frydman, H., Altman, E. I. y Kao, D. L. (1985).
Introducing recursive partitioning for finan-
cial classification: the case of financial distress.
The Journal of Finance, 40(1), 269-291.
https://doi.org/10.2307/2328060
Gavúrová, B., Packová, M., Mišanková, M. y Smrčka,
Ľ. (2017). Predictive potential and risks of
selected bankruptcy prediction models in
the Slovak business environment. Journal of
Business Economics and Management, 18(6),
1156-1173.
https://doi.org/10.3846/16111699.2017.1400461
Grisales Belalcazar, R. y Trujillo Ospina, A. (2016). ¿Es
el modelo Z-Score de Altman un buen pre-
dictor de la situación financiera de las Pymes
en Colombia? [Magíster en Administración
Financiera]. Universidad EAFIT, 1-30.
Goh, E., Mat Roni, S. y Bannigidadmath, D. (2022).
Thomas Cook(ed): using Altman›s z-score
analysis to examine predictors of financial
bankruptcy in tourism and hospitality busi-
© 2023, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
146 Daniel Isaac-Roque y Andrés Caicedo-Carrero
nesses. Asia Pacific Journal of Marketing and
Logistics, 34(3), 475-487.
https://doi.org/10.1108/APJML-02-2021-0126
Gupta, G. y Mahakud, J. (2022). Impact of financial dis-
tress on investment-cash flow sensitivity: evi-
dence from emerging economy. International
Journal of Managerial Finance, Vol. ahead-of-
print No. ahead-of-print.
https://doi.org/10.1108/IJMF-03-2022-0102
Hernández, M. (2014). Modelo financiero para la
detección de quiebras con el uso de análisis
discriminante múltiple. InterSedes, 15(32), 4-19.
https://bit.ly/41olf2g
Hernández‐Tinoco, M. y Wilson, N. (2013). Financial
distress and bankruptcy prediction among
listed companies using accounting, market,
and macroeconomic variables. International
Review of Financial Analysis, 30, 394-419.
https://doi.org/10.1016/j.irfa.2013.02.013
Hofer, C. W. (1980). Turnaround strategies. Journal of
Business Strategy, 1(1), 19-31.
https://doi.org/10.1108/eb038886
Hopwood, W. S., McKeown, J. C. y Mutchler, J. F.
(1994). A reexamination of auditor versus
model accuracy within the context of the
going-concern opinion decision. Contemporary
Accounting Research, 10(2), 409-431.
https://doi.org/10.1111/j.1911-3846.1994.tb00400.x
Hosaka, T. (2019). Bankruptcy prediction using ima-
ged financial ratios and convolutional neural
networks. Expert Systems with Application, 117,
287-299.
https://doi.org/10.1016/j.eswa.2018.09.039
Ibáñez, D. A. (2022). Actualización impacto de la coyun-
tura del Coronavirus en la economía colombiana.
Superintendencia de Sociedades de Colombia.
Inekwe, J. N., Jin, Y. y Valenzuela, M. R. (2019).
Financial conditions and economic growth.
International Review of Economics & Finance,
61(5), 128-140.
https://doi.org/10.1016/j.iref.2019.02.001
Isaac Roque, D. y Caicedo Carrero, A. (2021). Relación
entre la creación de valor económico y la insol-
vencia financiera en empresas no cotizantes
en el mercado de valores de Colombia (2016-
2019). Semestre Económico, 24(57), 76-97.
https://doi.org/10.22395/seec.v24n57a4
Isaac Roque, D., Escobar Rodríguez, J. H. y Gutiérrez
Mejía, D. P. (2022). Detección de posible mani-
pulación de estados financieros, aplicación del
modelo Beneish M-score en empresas colom-
bianas. Revista Venezolana de Gerencia (RVG),
27(100), 1577-1593.
https://doi.org/10.52080/rvgluz.27.100.18
Isaac Roque, D. y Caicedo Carrero, A. (2022). Detección
de insolvencia financiera mediante el mode-
lo Z-Altman en empresas colombianas no
cotizantes durante el periodo 2016-2019.
Contabilidad y Negocios, 17(33), 167-192.
Kacer, M., Ochotnický, P. y Alexy, M. (2019). The
Altman’s revised Z’-score model, non-finan-
cial information, and macroeconomic varia-
bles: Case of Slovak SMEs. Ekonomicky Casopis,
67(4), 335-366.
Kapounek, S., Hanousek, J. y Bílý, F. (2022). Predikční
schopnost Altmanova Z-skóre evropských
soukromých společností. Politická ekonomie,
(3), 265-287.
https://doi.org/10.18267/j.polek.1353
Karas, M. y Řežnáková, M. (2012). Financial ratios as
bankruptcy predictors: The Czech Republic
case. En D. Pavelková, J. Strouhal y M.
Pasekova (eds.), Proceeding of the 1st WSEAS
International Conference on Finance, Accounting
and Auditing (pp. 56-67). WSEAS.
Khediri, K., Charfeddine, L. y Yousseef, S. (2015).
Islamic versus conventional banks in the GCC
countries: A comparative study using classi-
fication techniques. Research in International
Business and Finance, 33, 75-98.
https://doi.org/10.1016/j.ribaf.2014.07.002
Ko, Y.-C., Fujita, H. y Li, T. (2017). An evidential analy-
sis of Altman Z -score for financial predictions:
Case study on solar energy companies. Applied
Soft Computing, 52, 748-759.
https://doi.org/10.1016/j.asoc.2016.09.050
Kriemadis, A., Sainis, G. yHaritos, G. (2022). The impact
of quality management systems on financial
performance under crisis conditions: evidence
from SMEs. Total Quality Management & Business
Excellence, 33(15-16), 1846-1871.
https://doi.org/10.1080/14783363.2021.2005461
Kristanti, F. T. (2019). Financial distress Teori dan
Perkembangannya dalam Konteks. Indonesia.
1st edn. Intelegensia Media.
Laurens, S. y Mulyani, S. D. (2022). Financial distress
and financial performance on stock return
with firm size as moderating variable. Jurnal
Manajemen dan Kewirausahaan, 10(1), 1-7.
https://bit.ly/3KyvkE4
Lestari, R. M. E., Situmorang, M., Pratama, M. I. P. y
Bon, A. T. (2021). Financial distress analysis
using Altman (Z-Score), Springate (S-Score),
Zmijewski (X-Score), and Grover (G-Score)
models in the tourism, hospitality and res-
taurant subsectors listed on the Indonesia
Stock exchange period 2015-2019. Proceedings
of the 11th Annual International Conference
on Industrial Engineering and Operations
Relación entre los indicadores nancieros del modelo Altman Z y el puntaje Z
Retos, 13(25),129-148
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
147
Management, 4249-4259. Singapur, IEOM
Society International.
Lukason, O. y Hoffman, R. C. (2014). Firm bankrupt-
cy probability and causes: An integrated
study. International Journal of Business and
Management, 9, 80-91.
http://dx.doi.org/10.5539/ijbm.v9n11p80
Martínez, R. M., Tuya, L. C., Martínez, M., Pérez, A. y
Cánovas, A. M. (2009). El coeficiente de corre-
lación de los rangos de Spearman caracteri-
zación. Revista Habanera de Ciencias Médicas,
8(2), 1-19.
Merton, R. C. (1974). On the pricing of corporate debt:
The risk structure of interest rates. The Journal
of finance, 29(2), 449-470.
https://doi.org/10.1111/j.1540-6261.1974.tb03058.x
Milanesi, G. S. (2016). Un modelo “naive” de opción
barrera para la predicción de fracaso financie
-
ro. Estocástica: Finanzas y Riesgo, 6(2), 159-186.
https://doi.org/10.5354/0719-0816.2019.56951
Milanesi, G. S. (2019). Predicción de fracasos financieros
con opciones reales barrera: Un estudio para el
mercado argentino. Estudios de Administración,
26(2), 52-81.
https://doi.org/10.5354/0719-0816.2019.56951
Milić, D. M., Tekić, D. D., Novaković, T. J., Zekić, V.
N., Popov, M. R. y Mihajlov, Z. G. (2022). The
impact of profitability and productivity on the
risk of bankruptcy for agricultural and food
companies in Vojvodina. Journal of Agricultural
Sciences, Belgrade, 67(1), 47-61.
https://doi.org/10.2298/JAS2201047M
Mora, A. (1994). Los modelos de predicción del fracaso
empresarial: Una aplicación empírica del logit.
Revista Española de financiación y contabilidad,
24(78), 203-233. https://bit.ly/3XSVQLf
Morales, N. (2021). Servicios y comercio fueron los
sectores que más reportaron procesos de insol-
vencia. Diario la República.
http://bit.ly/3YYcDOg
Muñoz, N., Laitinen E. K., Camacho M. M. y Pascual, D.
(2019). Does audit report information improve
financial distress prediction over Altman’s tra-
ditional Z‐score model? Journal of International
Financial Management & Accounting, 31(1),
65-97. https://doi.org/10.1111/jifm.12110
Nafisa, A., Muhammad, H. y Sari, N. P. (2022).
Corporate bankruptcy: Evidence from the
plastics and packaging industry in Indonesia.
International Journal of Research in Business
and Social Science (2147-4478), 11(6), 165-174.
https://doi.org/10.20525/ijrbs.v11i6.1942
Nasir, M., John, R., Bennett, S. y Russell, D. (2000).
Predicting corporate bankruptcy using
modular neural networks. En Proceedings
of the IEEE/IAFE/INFORMS 2000 Conference
on Computational Intelligence for Financial
Engineering (CIFEr), 86-91.
https://doi.org/10.1109/CIFER.2000.844606
Odom, M. y Sharda, R. (1990). A neural network model
for bankruptcy prediction. International Joint
Conference on neural networks, 2, 163-168.
https://doi.org/10.1109/IJCNN.1990.137710
Ohlson, J. A. (1980). Financial Ratios and the
Probabilistic Prediction of Bankruptcy. Journal
of Accounting Research, 18(1), 109-131.
https://doi.org/10.2307/2490395
Pérez, J. I., González, K. L. y Lopera, M. (2013). Modelos
de predicción de la fragilidad empresarial:
aplicación al caso colombiano para el año 2011.
Perfil de Coyuntura económica, (22), 205-228.
https://bit.ly/3xLkjHZ
Pizzi, S., Caputo, F. y Venturelli, A. (2020). Does it pay
to be an honest entrepreneur? Addressing the
relationship between sustainable develop-
ment and bankruptcy risk. Corporate Social
Responsibility and Environmental Management,
27(3), 1478-1486.
https://doi.org/10.1002/csr.1901
Prakash, B. y Verma, J. K. (2019). Magnitude of
Financial Distress in Micro, Small and
Medium Enterprises (MSMES) in Bihar, India:
A Test of Altman Z-Score. Journal of Advanced
Research in Law and Economics, 4(42), 1227-1239.
https://doi.org/10.14505//jarle.v10.4(42).22
Rahayu, F., Suwendra, I. W., Yulianthini, N. N. (2016).
Analisis financial distress dengan menggu-
nakan metode Altman Z-Score, Springate, dan
Zmijewski pada perusahaan telekomunikasi.
Jurnal Manajemen Indonesia, 4(1), 1-13.
https://bit.ly/3m5cqdx
https://doi.org/10.18800/contabilidad.202201.007
Romero Espinosa, F. (2013). Alcances y limitaciones
de los modelos de capacidad predictiva en el
análisis del fracaso empresarial. AD-minister,
(23), 45-70. http://bit.ly/3IQ2DB8
Saleh, M. M. A., Aladwan, M., Alsinglawi, O. y Salem,
M. O. (2021). Predicting fraudulent financial
statements using fraud detection models.
Academy of Strategic Management Journal, suppl.
Special, 20(3), 1-17.
http://bit.ly/3kgC0vW
Salkind, N. J. (1998). Método de investigación. Prentice-
Hall.
Sareen, A. y Sharma, S. (2022). Assessing financial dis-
tress and predicting stock prices of automotive
sector: robustness of Altman Z-score. Vision,
26(1), 11-24.
https://doi.org/10.1177/0972262921990923
© 2023, Universidad Politécnica Salesiana, Ecuador
ISSN impreso: 1390-6291; ISSN electrónico: 1390-8618
148 Daniel Isaac-Roque y Andrés Caicedo-Carrero
Scherger, V., Terceño, A. y Vigier, H. (2018). Revisión
crítica de los modelos de predicción de fracaso
empresarial. Administración y Organizaciones,
21(40), 153-180. http://bit.ly/41mZfV
Schmidt, M. A. y Milanesi, G. (2019). Gestión del capital
de trabajo: análisis descriptivo y correlacional
para empresas argentinas cotizantes en bolsa.
Revista de la Facultad de Ciencias Económicas,
22(1), 43-63.
http://dx.doi.org/10.30972/rfce.2213948
Sharma, S. y Bodla, B. S. (2022). Review and compari-
son of Altman and Ohlson model to predict
bankruptcy of companies. ANVESAK, 52(8),
30-36. https://bit.ly/3Y1TCZX
Shi, Y. y Li, X. (2019). An overview of bankruptcy pre-
diction models for corporate firms: A systema-
tic literature review. Intangible Capital, 15(2),
114-127. https://doi.org/10.3926/ic.1354
Sidhu, A. y Katoch, R. (2019). Bankruptcy Prediction
using Altman Z-Score Model and Data
Envelopment Analysis model: A case of Public
Listed Realty Sector Companies in India.
International Journal of Advanced Science and
Technology, 28(13), 399-411.
https://bit.ly/3IjL5vC
Siwi, C. C., Massie, J. D. y Tumewu, F. (2018). An analy-
sis of bankruptcy prediction in manufacturing
firm by using bankruptcy models (Case Study
in Chemical Sub Sector Listed in Indonesia
Stock Exchange 2013-2017). Jurnal EMBA:
Jurnal Riset Ekonomi, Manajemen, Bisnis dan
Akuntansi, 6(4), 3543-3552.
https://doi.org/10.35794/emba.v6i4.21658
Sormunen, N. y Laitinen, T. (2012). Late financial dis-
tress process stages and financial ratios: evi-
dence for auditors’ goingconcern evaluation.
Nordic Journal of Business, (1), 41-69.
Sun, J., Li, H., Huang, Q. H. y He, K. Y. (2014). Predicting
financial distress and corporate failure: A
review from thestate‐of‐the‐art definitions,
modeling, sampling, and featuring approa-
ches. Knowledge‐Based Systems, 57, 41-56.
https://doi.org/10.1016/j.knosys.2013.12.006
Swalih, M., Adarsh, K. y Sulphey, M. (2021). A study on
the financial soundness of Indian automobile
industries using Altman Z-Score. Accounting,
7(2), 295-298.
http://dx.doi.org/10.5267/j.ac.2020.12.001
Taffler, R. J. (1982). Forecasting company failure in the
UK using discriminant analysis and financial
ratio data. Journal of the Royal Statistical Society:
Series A, 145(3), 342-358.
https://doi.org/10.2307/2981867
Tinoco, M. H., Holmes, P. y Wilson, N. (2018).
Polytomous response financial distress
models: The role of accounting, market and
macroeconomic variables. International Review
of Financial Analysis, 59(10), 276-289.
https://doi.org/10.1016/j.irfa.2018.03.017
Tseng, F. y Hu, Y. (2010). Comparing four bankruptcy
prediction models: Logit, quadratic interval
logit, neural and fuzzy neural networks. Expert
Systems with Applications, 37(3), 1846-1853.
https://doi.org/10.1016/j.eswa.2009.07.081
Tung, D. T. y Phung, V. T. H. (2019). An application
of Altman Z-score model to analyze the
bankruptcy risk: Cases of multidisciplinary
enterprises in Vietnam. Investment Management
& Financial Innovations, 16(4), 181-191.
http://dx.doi.org/10.21511/imfi.16(4).2019.16
Vavrek, R., Gundová, P., Kravčáková Vozárová, I. y
Kotulič, R. (2021). Altman Model Verification
Using a Multi-criteria Approach for Slovakian
Agricultural Enterprises. E&M Economics and
Management, 24(1), 146-164.
https://bit.ly/4jGFwcj
Vega Falcón, V., Navarro Cejas, M., Cejas Martínez, M.
y Colcha Ortiz, R. (2021). Contabilidad crea-
tiva: Perspectivas jurídicas y empresariales a
partir de los procesos de información. Revista
Venezolana de Gerencia, 26(5), 737-754.
https://doi.org/10.52080/rvgluz.26.e5.47
Vera García, I. (2017). El modelo Z de Altman como herra-
mienta financiera para pronosticar o predecir el
desempeño financiero de las empresas mexicanas
cotizadas. Caso de las empresas manufactureras
del sector alimenticio. [Magíster en Auditoría].
Universidad Autónoma del Estado de
Hidalgo, 1-145.
Wooldridge, J. M. (2009). Introducción a la econometría.
Un enfoque moderno. Cuarta Edición. Cengage
Learning.
World Bank & World Trade Organization. (2021). The
role of trade in developing countries’ road to reco-
very. World Bank. https://bit.ly/3SxkOyL
Yuliastary, E. C. y Wirakusuma, M. G. (2014). Analisis
financial distress dengan Metode Z-Score
Altman, Springate, Zmijewski. E-Jurnal
Akuntansi, 6(3), 379-389.
Zmijewski, M. E. (1984). Methodological Issues
Related to the Estimation of Financial Distress
Prediction Models. Journal of Accounting
Research, 59-82.
https://doi.org/10.2307/2490859
