Siete ratios financieros predicen quiebras de pymes hasta tres años antes
Hay un momento peculiar en cualquier sector cuando la evidencia que resolvería un problema lleva décadas disponible, pero nadie la había organizado de la manera correcta. Eso es, en esencia, lo que acaba de documentar una investigación publicada en el Global Business and Economics Review: que la insolvencia de las pequeñas y medianas empresas europeas puede anticiparse con hasta tres años de antelación usando solo siete indicadores contables estándar, los mismos que cualquier contador ya calcula y que los bancos llevan décadas recibiendo sin saber exactamente qué hacer con ellos en combinación.
El estudio, firmado por Sónia Silva, analizó datos de más de 24.500 empresas europeas a lo largo de ocho años. El modelo resultante alcanza una precisión global de aproximadamente el 82% y logra identificar correctamente más del 70% de las insolvencias tres años antes de que ocurran, cuando se aplica sobre datos con resultados conocidos. No es un algoritmo de aprendizaje automático entrenado con millones de variables. Es un modelo de predicción multivariante construido sobre siete ratios: ratio de caja, contribución por intereses pagados, ratio de solvencia, financiamiento de corto plazo, apalancamiento, ratio deuda-activos y rentabilidad sobre activos. Siete números que ya existen en los balances y que, juntos, describen con suficiente fidelidad la liquidez, la carga de deuda, la resiliencia financiera y la rentabilidad de una empresa.
La pregunta que el hallazgo deja sobre la mesa no es técnica. Es estructural: si los datos estaban ahí y los modelos funcionan, ¿qué impidió que esto sucediera antes?
La brecha que la academia mantuvo abierta demasiado tiempo
La predicción de quiebras empresariales tiene historia académica larga. Los modelos clásicos, concebidos en las décadas de 1960 y 1970, fueron diseñados para empresas grandes y cotizadas en bolsa, con acceso a valoraciones de mercado, datos de capitalización bursátil y estructuras financieras suficientemente transparentes para alimentar modelos estadísticos robustos. Las pymes quedaron fuera de ese marco, no por descuido, sino porque representaban una categoría que la finanza corporativa tradicional trató como demasiado opaca, demasiado heterogénea y, en muchos casos, demasiado pequeña para justificar el esfuerzo analítico.
El problema con esa lógica es que las pymes no son una categoría menor. Representan la mayoría de las empresas en las economías de la OCDE y aproximadamente dos tercios del empleo en esos países. El riesgo de insolvencia de las pymes no es un problema de microeconomía gestionable a escala individual: es una variable con consecuencias directas sobre el sistema bancario, el mercado laboral y la estabilidad fiscal de los gobiernos que operan programas de garantía crediticia o subsidios de empleo.
Lo que el trabajo de Silva hace es cerrar esa brecha con un conjunto de datos suficientemente amplio como para que el modelo sea estadísticamente robusto y suficientemente concentrado en ratios accesibles como para que sea replicable sin infraestructura extraordinaria. El hallazgo más revelador no es que el modelo funcione con 82% de precisión: es que ese nivel de precisión se alcanza tres años antes del evento de insolvencia, un horizonte temporal que cambia por completo la lógica de la intervención.
Tres años es tiempo suficiente para renegociar condiciones de crédito. Es tiempo suficiente para que un prestamista ajuste garantías, modifique covenants o intensifique el monitoreo de una cartera específica. Es tiempo suficiente para que un propietario de una pyme tome decisiones de reestructuración antes de que la situación se vuelva irreversible. Lo que distingue a este modelo de los sistemas de alerta temprana que ya existen en muchos bancos europeos es precisamente ese horizonte extendido combinado con la parsimonia del instrumento: siete ratios, no cientos de variables.
Lo que los siete ratios revelan sobre la anatomía de una quiebra
Mirar los siete indicadores del modelo como un conjunto, en lugar de como variables aisladas, produce un diagnóstico más interesante que cualquiera de ellos por separado. La selección no es arbitraria: cada ratio captura una dimensión distinta del riesgo, y juntos construyen una imagen tridimensional de la empresa.
El ratio de caja y el financiamiento de corto plazo describen la liquidez inmediata y la forma en que la empresa gestiona sus obligaciones más urgentes. Una empresa puede ser rentable en papel y asfixiarse por falta de caja disponible. Eso no es una paradoja infrecuente en las pymes: es uno de los mecanismos de quiebra más comunes, especialmente en negocios con ciclos de cobro largos y proveedores que exigen pagos rápidos.
El ratio de solvencia, el apalancamiento y el ratio deuda-activos capturan la estructura de capital y la capacidad de absorber pérdidas sin colapsar. Una empresa altamente apalancada puede sobrevivir mientras los flujos de caja sean estables, pero su margen de tolerancia ante una caída de ingresos es mínimo. Estos tres ratios, vistos en conjunto, describen cuánto oxígeno le queda a la empresa antes de que la deuda deje de ser sostenible.
La contribución por intereses pagados añade una dimensión operativa: mide si el negocio genera suficiente margen de contribución para cubrir su costo financiero. Una empresa que no puede cubrir sus intereses con su margen operativo está consumiendo patrimonio o crédito adicional para mantenerse activa, lo cual es una señal de deterioro estructural que puede permanecer invisible durante varios trimestres si se mira solo la utilidad neta.
La rentabilidad sobre activos cierra el modelo midiendo la eficiencia con la que la empresa convierte sus activos en resultados. Una caída sostenida en este indicador, combinada con apalancamiento creciente y liquidez declinante, produce el patrón que el modelo aprende a reconocer como precursor de insolvencia.
Lo que resulta significativo desde una perspectiva de propuesta de valor es que ninguno de estos siete ratios requiere información que no esté ya disponible en los estados financieros básicos de una empresa. No se necesita acceso a datos de mercado, valoraciones externas ni proyecciones gerenciales. El modelo opera con lo que ya existe, lo cual tiene implicaciones directas sobre quién puede adoptarlo y a qué costo.
El cuello de botella que el modelo no puede resolver solo
El propio estudio señala una limitación que merece atención separada: el modelo mejoraría con mayor divulgación financiera por parte de las pymes, pero los autores consideran que eso es "altamente improbable dada la naturaleza de las empresas más pequeñas". Esa frase concentra una tensión que no es nueva, pero que este hallazgo vuelve a poner sobre la mesa con más urgencia que antes.
Las pymes tienen incentivos estructurales para mantener sus datos financieros opacos. Parte de esa opacidad es defensiva: compartir información detallada con prestamistas o con el mercado puede debilitar la posición negociadora de un propietario, exponer vulnerabilidades competitivas o simplemente generar carga administrativa que una empresa pequeña no tiene capacidad de gestionar. El resultado es un mercado donde los instrumentos de predicción funcionan mejor exactamente en los casos donde la información es más abundante, que suelen ser las empresas que menos lo necesitan.
Este desequilibrio tiene consecuencias directas para los prestamistas. Los bancos y las instituciones de microcrédito que operan en segmentos de pymes pequeñas —no las medianas bien documentadas, sino las micro y pequeñas con contabilidad simplificada— tienen acceso a una fracción de la información que el modelo requiere para operar con su nivel documentado de precisión. En esos casos, el modelo puede seguir siendo útil como referencia de riesgo relativo, pero su capacidad predictiva se degrada de manera proporcional a la calidad del dato disponible.
Para los programas públicos de garantía crediticia, el desafío es diferente pero igual de concreto. Muchos de esos programas operan bajo la presión política de maximizar el acceso al crédito, lo que en la práctica significa financiar empresas con perfiles de riesgo que un banco privado rechazaría. Un modelo con la precisión documentada por Silva podría usarse para discriminar mejor entre empresas viables con problemas temporales de liquidez y empresas con deterioro estructural irreversible, lo cual mejoraría la eficiencia del gasto público. Pero eso requiere que las empresas beneficiarias reporten con el nivel de detalle que el modelo necesita, y ese requerimiento choca directamente con la lógica de simplificación que justifica los programas en primer lugar.
El dato que los bancos europeos ya deberían estar calculando
La investigación llega en un momento donde el contexto macroeconómico europeo amplifica su relevancia. Estudios previos sobre el impacto de la pandemia de COVID-19 en las pymes europeas documentaron incrementos de riesgo de insolvencia del orden del 21% durante ese período, medidos como función de caídas en rentabilidad, facturación y capital de trabajo. Las mismas variables que el modelo de Silva identifica como predictores centrales.
Para los bancos con carteras significativas de crédito a pymes, el argumento económico para adoptar un marco de monitoreo basado en estos siete ratios es directo. El Fondo Monetario Internacional ha documentado que el deterioro masivo de pymes puede reducir los ratios de capital Tier 1 de los sistemas bancarios en hasta 2 puntos porcentuales en los países más expuestos. Eso no es un riesgo abstracto: es una variable que los reguladores europeos siguen con atención creciente desde 2020 y que los equipos de gestión de riesgo de cualquier banco con cartera pyme relevante debería estar cuantificando permanentemente.
La adopción práctica del modelo en sistemas de monitoreo bancario no requiere grandes inversiones tecnológicas. Requiere disciplina en la recolección de estados financieros periódicos de los deudores, estandarización en el cálculo de los siete ratios y un proceso claro de alertas internas cuando una empresa cruza umbrales de riesgo en múltiples indicadores simultáneamente. Eso es más un problema de proceso que de tecnología, lo cual baja materialmente la barrera de implementación para instituciones medianas que no tienen presupuesto para modelos de aprendizaje automático propietarios.
Lo que hace especialmente útil al modelo de Silva en ese contexto no es solo su precisión sino su interpretabilidad. Un modelo de siete ratios es auditables. Un analista de crédito puede explicarle a un comité de riesgo por qué una empresa específica activó una alerta: "el ratio de caja cayó un 40% en dos ejercicios consecutivos mientras el apalancamiento subió 15 puntos porcentuales y la rentabilidad sobre activos se volvió negativa". Eso es un diagnóstico que genera acción. Un modelo de caja negra con 200 variables puede tener mayor precisión estadística, pero produce conversaciones más difíciles en los niveles donde se toman decisiones de crédito reales.
La señal que nadie estaba leyendo en conjunto
El aporte más duradero de este trabajo no es el modelo en sí. Es la demostración de que la información para anticipar la quiebra de una pyme ya estaba disponible, que residía en los balances que los bancos reciben periódicamente, y que lo que faltaba era la estructura analítica para leerla en combinación con suficiente anticipación.
Eso describe un patrón que aparece con frecuencia en mercados donde los datos existen pero están fragmentados o mal interpretados: la solución no llega con nueva información, sino con una reorganización de la información existente que hace visible algo que ya estaba ahí. En este caso, la reorganización es estadísticamente documentada, replicable y suficientemente parsimoniosa como para que cualquier institución financiera con acceso a balances básicos pueda adoptarla sin infraestructura extraordinaria.
Las pymes representan la mayor parte del tejido empresarial de las economías avanzadas y una porción desproporcionada del riesgo crediticio no gestionado. Un modelo que puede anticipar más del 70% de sus insolvencias con tres años de margen, usando solo siete ratios estándar, no es una curiosidad académica. Es una herramienta con consecuencias operativas concretas para prestamistas, reguladores y propietarios de empresas que prefieren intervenir antes que gestionar una crisis. El límite de su utilidad no está en su precisión: está en la calidad y consistencia de los datos que las propias pymes están dispuestas a reportar, y eso depende de incentivos que el modelo solo no puede cambiar.
