Muchos de los autores citados anteriormente discuten las limitaciones metodológicas de los principales modelos utilizados en la predicción del fracaso empresarial. Entre ellos se destacan Deakin (1976), Jones (1987), Ohlson (1980), Zavgren (1983), Zmijewski (1984); Mora (1994 a y b), Martin Martin (1997), y Jiménez Cardozo (1996), entre otros. Estas limitaciones se pueden agrupar en nueve grandes apartados:
1) El problema de la variable dependiente, identificada en la mayoría de los casos con la quiebra, lo que supone una situación estática a partir de la cual se clasifican las empresas en sanas y enfermas. Este concepto es muy diferente del de fracaso empresarial, que supone un proceso dinámico, ausente en estos modelos, que puede o no conducir a la quiebra. Esta definición estática (quiebra) o dinámica (fracaso) se refleja en la definición de la variable dependiente utilizada en los distintos modelos de predicción (véase el apartado 2.2.1). Según señala Vigier (2001) no parecen existir demasiadas alternativas, dado que otras definiciones de fracaso obligarían al uso de variables, que luego se utilizarían como variables independientes, es decir, ratios, con lo cual se tendrían resultados tautológicos. Si los ratios son síntomas, entonces no pueden ser enfermedades a la vez (o dicho de otra forma, no pueden ser causa y efecto simultáneamente).
2) El propósito de los modelos orientado a clasificar empresas en lugar de indagar sobre las causas del fracaso. Mora (1994a) menciona que los modelos paramétricos determinan una función y en relación a un resultado numérico de la
misma predicen la futura crisis, a través de la clasificación de la empresa en alguno de los grupos prefijados, pero no dicen nada acerca de las razones que justifiquen que una empresa se encuentra cerca o dentro de una crisis. Es decir, en lugar de indagar sobre las causas, determinan efectos que no son suficientes para corregir la situación de la empresa8.
3) El problema de la selección de la muestra en los modelos univariantes y multivariantes que suponen el emparejamiento o proporcionalidad de la cantidad de empresas sanas y fracasadas. La mayoría de los estudios utilizan la misma cantidad de empresas sanas y enfermas, o utilizan criterios de industria o tamaño, que pueden eliminar factores explicativos decisivos del fracaso. Dicha selección se aleja de la concepción de una extracción aleatoria de la muestra, ya que es probable que la población de empresas fracasadas sea menor a la de empresas con buen desempeño.
4) La ausencia de una teoría que fundamente la selección de ratios, normalmente realizada sobre bases empíricas a través de análisis factoriales, o bien a través del juicio del analista o su relevancia en otros estudios. Autores como Jiménez Cardozo (1996); Fernández y Gutiérrez (2012); Colauto et. al (2009); Ferrer et. al (2009) han estudiado la utilización de ratios en los modelos tratando de encontrar pautas que fundamenten su utilización9. Westwick (1987) argumenta que los ratios deben estar interrelacionados para evitar solapamientos y que deben seleccionarse aquellos ratios que sean significativos para la empresa en función de un análisis costo- beneficio. También se argumenta en favor de la selección subjetiva y de la agrupación en función de los ratios que tengan la misma tendencia. Otros estudios comparan la habilidad predictiva de los ratios financieros basados en partidas de devengo (Casey y Bartczak, 1985) contra los basados en flujos de caja (Gentry et. al, 1987), sin encontrar consenso sobre cuáles son los que tienen mejor capacidad predictiva. Declerc et. al. (1991) demuestran que cuando se incorporan indicadores financieros más complejos a
8 Esta crítica es salvada por el modelo de Argenti, que investiga las causas, olvidadas en el resto de los
modelos, como verdaderas generadoras de los problemas de las empresas. Cabe mencionar que este modelo otorga demasiada importancia a las cuestiones internas de la empresa, tiene una visión relativamente estrecha de la cantidad de causas y escasa formalización.
9 En la mayoría de los estudios los ratios utilizados tienden a reflejar aspectos de rentabilidad,
productividad, liquidez, endeudamiento, solvencia, estructura financiera, cobertura de deudas, estructura económica, actividad, rotación, eficiencia y autofinanciación.
los modelos predictivos, como los ratios de valor añadido, se incrementa notablemente la capacidad predictiva. Fernández y Gutiérrez (2012) señalan que el punto de partida para seleccionar las variables es un fondo común de variables elegibles que a veces respetan el razonamiento económico y, en otras ocasiones, tienen el respaldo empírico de trabajos anteriores. Esta selección empírica de los ratios, en función de los resultados de los modelos, reduce las posibilidades de encontrar aplicaciones con carácter general.
5) El problema de multicolinealidad, que favorece el desarrollo de aplicaciones de análisis factorial para reducir la cantidad de variables explicativas (Pinches et. al., 1973; Libby, 1975; Chen y Shimerda, 1981; etc.). Estos autores desarrollan modelos simples que reducen al mínimo los efectos negativos entre variables, seleccionado aquellos ratios que retengan la mayor cantidad de información, para explicar la máxima varianza contenida en la matriz de datos originales.
6) El problema del error de clasificación, considerado como un porcentaje de error general, en lugar de analizar en forma separada los errores tipo I y II, ya que no es lo mismo clasificar como sana una empresa que quiebra (error tipo I) que clasificar como quebrada una empresa sana (error tipo II). Además, es probable que en la muestra haya empresas con diferentes grados de problemas económicos y financieros que son muy difíciles de clasificar dentro de los grupos prefijados.
7) La aplicación de los modelos a determinada cantidad de años previos a la quiebra, produciéndose, en muchas ocasiones, resultados contradictorios. Esto puede suceder por dos cuestiones: 1) la empresa pudo estar débil dos años antes y con una estrategia específica logra resolver el problema en que se encontraba; ó 2) pueden existir problemas de especificación de los modelos. La crítica se debe a que las metodologías existentes no pueden identificar la naturaleza del problema que genera este aparente absurdo.
8) Las críticas al ADM relacionadas con los dos supuestos fuertemente restrictivos, como son la igualdad de las matrices de varianzas y covarianzas de cada grupo y la distribución normal de las variables discriminantes. Deakin (1976) analiza la distribución de probabilidad de los ratios más utilizados en los estudios
financieros, y prueba que ninguna distribución puede considerarse normal, salvo que se realice alguna transformación de variables. También, Ohlson (1980) menciona que el supuesto de normalidad penaliza la utilización de variables dummy, que pueden ser muy importantes a la hora de evaluar la insolvencia empresarial. Con respecto a la igualdad de las matrices de varianzas y covarianzas de los dos grupos de empresas resulta inconsistente ya que ambos grupos deben partir de niveles de los ratios distintos para ser discriminados. En general, hay acuerdo que los modelo Logit y Probit poseen ventajas metodológicas que lo diferencian del ADM, principalmente porque no requieren estas dos condiciones restrictivas, aunque se mantienen los supuestos de variable dependiente dicotómica, siendo los dos grupos identificables y sin solapamientos, los errores de clasificación, la multicolinealidad y los valores extremos. Sin embargo, esta aparente superioridad teórica no parece que haya logrado mejores resultados en la capacidad predictiva del modelo. Lizarraga (1997) menciona que la sofisticación metodológica, imprescindible para el desarrollo de la técnica, muchas veces transforma a los investigadores en estadísticos, que fundados en los buenos resultados, muchas veces omiten la interpretación económica que da sentido lógico a las causas del fracaso. Fernández y Gutiérrez (2012) mencionan que la evolución de todas las metodologías de análisis, muestran una tendencia hacia la utilización de modelos con menos restricciones que mejoran la significatividad de las variables, aunque esta relajación del rigor metodológico condiciona la validez del estudio al surgir diversos problemas, como la correlación entre variables y la heterocedasticidad en los residuos de las regresiones, entre otros (Rodríguez et. al.; 2003 y Acosta y Fernández, 2007).
9) La concepción estática de la mayoría de los modelos de predicción de quiebras, a pesar de las distintas concepciones de fracaso utilizadas en los modelos. Parecería que a pesar de las intenciones de generar modelos de detección temprana, las bases de los modelos y la concepción de fracaso permiten sólo obtener un modelo estático que predice ex post las situaciones de quiebra (discrimina entre empresas sanas y fracasadas), sin tener en cuenta la trayectoria hacia ese desenlace y las posibles correcciones que permitan superar la situación. Muchos de estos modelos, a pesar de utilizar técnicas de análisis muy
sofisticadas, no han podido definir modelos y variables válidos de carácter general y universal.