Utilidad de una medida de la eficiencia en la generación de ventas para la predicción del resultado

Documents de treball Departament d'economia de l'empresa UTILIDAD DE UNA MEDIDA DE LA EFICIENCIA EN LA GENERACIÓN DE VENTAS PARA LA PREDICCIÓN DEL RESULTADO María Cristina Abad Navarro Document de treball núm. 03/7  María Cristina Abad Navarro Coordinador / Coordinator Documents de treball: Esteve van Hemmen http://selene.uab.es/dep-economia-empresa/codi/documents.html e-mail: stefan.vanhem[email protected] Telèfon / Phone: +34 93 5812257 Fax: +34 93 5812555 Edita / Publisher: Departament d'economia de l'empresa http://selene.uab.es/dep-economia-empresa/ Universitat Autònoma de Barcelona Facultat de Ciències Econòmiques i Empresarials Edifici B 08193 Bellaterra (Cerdanyola del Vallès), Spain Tel. 93 5811209 Fax 93 5812555 Setembre / September , 2003 La sèrie Documents de treball d'economia de l'empresa presenta els avanços i resultats d'investigacions en curs que han estat presentades i discutides en aquest departament; això no obstant, les opinions són responsabilitat dels autors. El document no pot ser reproduït total ni parcialment sense el consentiment de l'autor/a o autors/res. Dirigir els comentaris i suggerències directament a l'autor/a o autors/res, a la direcció que apareix a la pàgina següent. A Working Paper in the Documents de treball d'economia de l'empresa series is intended as a mean whereby a faculty researcher's thoughts and findings may be communicated to interested readers for their comments. Nevertheless, the ideas put forwards are responsibility of the author. Accordingly a Working Paper should not be quoted nor the data referred to without the written consent of the author. Please, direct your comments and suggestions to the author, which address shows up in the next page. UTILIDAD DE UNA MEDIDA DE LA EFICIENCIA EN LA GENERACIÓN DE VENTAS PARA LA PREDICCIÓN DEL RESULTADO María Cristina Abad Navarro Document de treball núm. 03/7 Utilidad de una Medida de la Eficiencia en la Generación de Ventas para la Predicción del Resultado María Cristina Abad Navarro María Cristina Abad Navarro Departamento de Contabilidad y Economía Financiera Facultad de Ciencias Económicas y Empresariales Avda. Ramón y Cajal, 1 41018, Sevilla [email protected] 2 Resumen: En este trabajo evaluamos la utilidad de una medida de la eficiencia en la generación de ventas, para la predicción del resultado de explotación futuro, bajo la hipótesis de que si la medida de la eficiencia es capaz de capturar el componente permanente de los resultados, debería ser útil para la predicción de los resultados futuros, en adición a los resultados actuales. Con el objetivo anterior, en una primera etapa, utilizamos el Análisis Envolvente de Datos (DEA) para determinar la ineficiencia relativa de las empresas en el uso de los recursos a su disposición para generar el nivel máximo posible de ventas. Los inputs incorporados en el modelo DEA (gastos de personal, consumos de materias primas y otros, amortización, y otros gastos de explotación) se obtienen a partir de información contenida en la Cuenta de Pérdidas y Ganancias. En la segunda etapa, la medida de ineficiencia se introduce como variable explicativa en un modelo de regresión en el que la variable dependiente es el resultado de explotación en el año inmediatamente posterior. Los resultados del estudio empírico indican que la medida de ineficiencia relativa proporcionada por el modelo DEA tiene contenido informativo para la predicción del resultado de explotación futuro, en adición al resultado de explotación actual y pasado. 1. Introducción El conocimiento o identificación de la información que pudiera resultar útil para la predicción del resultado futuro es un aspecto que ha atraído un interés considerable en la investigación contable. Los resultados de la investigación sobre las propiedades temporales de las series de resultados anuales indican que, en general, no existe ningún modelo que ofrezca una mejor caracterización de las propiedades de la serie de 3 resultados anuales que el modelo de recorrido aleatorio (random walk), o en otros casos un modelo de recorrido aleatorio con término de tendencia (Albrecht, Lookabill y McKeown, 1977; Watts y Leftwich, 1977; Callen et al., 1993 y Finger, 1994). Esta evidencia sugiere que sólo los resultados del año anterior son útiles en la predicción de los resultados anuales. Sin embargo, aunque una buena parte de la literatura sugiera que los resultados se comportan de acuerdo con un camino aleatorio, lo que implica que sean predominantemente permanentes, otros estudios proporcionan evidencia que indica que la serie de resultados tiene un componente transitorio además del componente permanente (Brooks y Buckmaster, 1976; Ou y Penman, 1989a y b; y Wu, Chihwa y Lee, 1996), lo que a su vez implica que la utilización de la magnitud resultados por sí misma lleve aparejada la introducción de un elemento de ruido en las predicciones de resultados futuros. Otras investigaciones más recientes, sugieren, además, que otra información distinta de los resultados puede resultar también útil para la predicción de los resultados futuros. Así, en primer lugar, existe una dirección de la investigación, en la que se valora la capacidad predictiva de la información contenida en los estados financieros (Ou, 1990; Ou y Penman, 1989a; Sloan, 1996; y Abarbanell y Bushee, 1997; por ejemplo); en segundo lugar, existen investigaciones en las que se sugiere la utilidad de la información contenida en los precios de las acciones para la predicción de los resultados futuros (Beaver, Lambert y Morse, 1980; Beaver, Lambert y Ryan, 1987; Collins, Kothari y Rayburn, 1987; Freeman, 1987; y Shroff, 1999; entre otros); y por último, otros trabajos sugieren incluso la utilidad del beneficio distribuido (dividendos) para la predicción del resultado futuro (ver, por ejemplo, Brickley, 1983; Manakyan y Carrol, 1990; Espitia y Ruiz, 1995; Jensen y Jonson, 1995; o Guerra, 1999). 4 En línea con las direcciones señaladas, el objetivo de este trabajo es evaluar la habilidad de otra información, distinta del resultado de explotación actual, para la predicción del resultado de explotación futuro. En particular, se valorará la capacidad predictiva de una medida de la eficiencia relativa de un conjunto de empresas en la generación de ventas a partir de los recursos disponibles. Para ello se propondrá un modelo DEA para la obtención de un índice indicativo del grado de ineficiencia relativa de una muestra empresas en la generación de ventas. Ello viene motivado por entender que si este índice de ineficiencia es capaz de capturar el componente persistente de la serie de resultados de explotación anuales, entonces debería ser de utilidad para la predicción de los resultados futuros. Por ello, valoraremos si dicho índice de ineficiencia tiene contenido informativo para la predicción de los resultados de explotación futuros, en adición a la información contenida en los resultados actuales. El objetivo anterior se deriva de la idea de que el nivel de ventas generado es, en efecto, uno de los determinantes del resultado de explotación de la empresa, pero además del nivel de ventas, lo que hace que se genere un determinado resultado de explotación es la habilidad del equipo de gestión de la empresa para generar ese nivel de ventas al menor coste posible. O en otras palabras, además del nivel de ventas, otro determinante fundamental del resultado de explotación es la habilidad del equipo de gestión para utilizar los recursos disponibles de la manera más eficiente para generar el nivel de ventas máximo posible. Además, pueden existir diferencias estructurales tales como el nivel de competencia, la intensidad del factor capital, o la localización geográfica, diferencias que también están relacionadas con (o condicionan) la eficiencia relativa de las empresas en la generación de ventas a partir de los recursos disponibles. Puesto que es probable que estas diferencias estructurales tengan un impacto sobre el componente persistente de los resultados (Lev, 1983), es de esperar que contribuyan a 5 incrementar la utilidad de la medida de eficiencia para la predicción de los resultados futuros. Por otra parte, el resultado de explotación actual puede, no ser del todo idóneo para la predicción del resultado de explotación futuro, por introducir un elemento de ruido estadístico debido a la existencia de un componente transitorio en la serie de resultados pasados. Sin embargo, puede asumirse que la eficiencia es un atributo inherente a la empresa que permanece inalterable cuando tienen lugar acontecimientos económicos que introducen un elemento de ruido en el nivel de resultados de explotación. Por ejemplo, la eficiencia no resulta afectada por cambios en el flujo de resultados causados por fluctuaciones en la demanda o en los precios de mercado, y por ello puede suponerse que tiene una mayor persistencia. Por ello, si se construye una medida de la eficiencia relativa de la empresa en la utilización de los recursos actuales para la generación de ventas, entonces esta medida pudiera proporcionar información adicional a la contenida en los resultados de explotación actuales para la predicción de los resultados futuros. El Análisis Envolvente de Datos es una técnica no paramétrica que mide la eficiencia relativa de un conjunto de unidades de decisión en la utilización de inputs para la generación de outputs, y además, investigaciones recientes1 muestran que es posible utilizar el Análisis Envolvente de Datos para la determinación de la eficiencia relativa de un conjunto de empresas haciendo uso de información contenida en los estados financieros. En este trabajo, utilizaremos el Análisis Envolvente de Datos para medir el grado de ineficiencia relativa de las empresas en la utilización de los recursos disponibles para la generación de un nivel de ventas máximo, con el objetivo de poder valorar, en una etapa posterior, la habilidad de esta variable numérica para predecir los resultados de explotación futuros una vez tenida en cuenta la información contenida en 1 Ver Abad y Laffarga (2002). 12 recurrencia o no de los mismos. Si un resultado es recurrente, será permanente, y si un resultado es no recurrente, será transitorio”. En este sentido, Wu, Chihwa y Lee (1996) analizan las propiedades temporales de las series de resultados (así como de otras variables financieras) y encuentran que estas series contienen tanto componentes permanentes como componentes transitorios. De acuerdo con la evidencia anterior ya señalada, la serie de resultados anuales está dominadas por un componente de recorrido aleatorio (permanente), pero además, contiene también un componente de media móvil (transitorio). En otra línea, Lev (1983) sugiere que si bien la literatura anterior había llevado a la conclusión de que la serie de resultados anuales de la empresa “media” o “representativa” puede ser caracterizada de acuerdo con un modelo de recorrido aleatorio, cuando se analiza la serie de resultados de una empresa en particular es posible que el proceso de generación de esa serie difiera en muchos casos del proceso de recorrido aleatorio que caracteriza a los resultados de la empresa “media”. Además, este autor considera que las diferencias persistentes en el comportamiento de las series de resultados de distintas empresas se derivan de la existencia de diferencias en factores económicos fundamentales, tales como el tamaño de la empresa o la intensidad del factor capital. Por ello, Lev (1983) analiza los factores económicos que están asociados con las propiedades temporales de los resultados, y encuentra que las propiedades estadísticas de las series de resultados anuales son influenciadas de forma sistemática por dichos factores económicos. En concreto, sus resultados muestran que el componente permanente de los resultados (o autocorrelación en la serie de resultados) está influenciado por el tipo de producto, la competencia, y la intensidad del factor capital, mientras que el componente transitorio (o variabilidad de los resultados) está influenciado por el tipo de producto y el tamaño de la empresa. 13 En definitiva, los trabajos anteriores sugieren que la serie de resultados contiene un componente permanente y un componente transitorio. Entonces, si sólo se utilizan los resultados actuales para la predicción de los resultados futuros, la existencia de un componente transitorio introducirá un elemento de ruido estadístico en la predicción de los resultados futuros. Por ello, una medida que sea capaz de capturar el componente permanente de los resultados pudiera contener mejor información para la predicción de los resultados futuros. El concepto de eficiencia es un concepto que ha sido utilizado en Economía para caracterizar la utilización de recursos en una empresa. La eficiencia puede conseguirse maximizando los outputs obtenidos a partir de los recursos disponibles, o a través de la asignación óptima de recursos, entre otras vías. Si entendemos que la eficiencia no se verá afectada por los cambios en el flujo de resultados ocasionados por las fluctuaciones en la demanda o en los precios de mercado, es más probable que persista a lo largo del tiempo. Entonces, si la eficiencia es un mejor indicador del componente permanente de los resultados, debería ser útil para la predicción de los resultados futuros en adición a los resultados actuales. Existen distintos modos para el cálculo de la eficiencia relativa de organizaciones o empresas. Para la obtención de una medida de la eficiencia relativa de un conjunto de empresas en la generación de ventas utilizaremos una de las técnicas no paramétricas que han sido propuestas en la literatura, en concreto, el Análisis Envolvente de Datos. La razón fundamental que nos ha llevado a seleccionar una técnica no paramétrica ha sido evitar tener que solucionar el inconveniente de elegir una forma funcional para la frontera de eficiencia, que puede ser especialmente relevante en este caso en el que estamos midiendo la eficiencia en la generación de ventas, eficiencia no referida a un proceso de producción en sentido estricto. 14 3. Diseño de un modelo DEA para la medida de la eficiencia en la generación de ventas El objetivo de este apartado es diseñar un modelo DEA para obtener una medida de la ineficiencia relativa de las empresas en el uso de los recursos a su disposición para generar el nivel máximo posible de ventas. El Análisis Envolvente de Datos es un modelo de programación lineal que sirve para determinar la eficiencia/ineficiencia relativa de un grupo de unidades de decisión en la utilización de uno o varios inputs para la producción de uno o varios outputs, con la ventaja fundamental de que no es necesario realizar ninguna asunción acerca de la forma funcional de la función de producción. Por el contrario, se estima una función de producción empírica, con forma de frontera configurada por segmentos lineales que “envuelven” a todas las observaciones, y tal que las unidades eficientes están situadas sobre la frontera y el nivel de ineficiencia de las unidades no situadas sobre la misma es calculado a través de la comparación del rendimiento alcanzado por la unidad no eficiente y el rendimiento alcanzado por aquellas unidades sobre la frontera. Para la obtención de una medida de la ineficiencia relativa de un conjunto de empresas en la generación de ventas utilizaremos el llamando “modelo BCC”, propuesto por Banker, Charnes y Cooper (1984), en el que se relaja la asunción de rendimientos constantes a escala del primer modelo DEA (Charnes, Cooper y Rhodes, 1978), para permitir la consideración de rendimientos variables. En apoyo de la validez de este modelo, Banker (1993) proporciona evidencia de que el estimador del modelo BCC es consistente, por lo que para muestras grandes es de esperar que el valor esperado del estimador DEA coincida casi perfectamente con el valor verdadero del parámetro. 15 En particular, hemos elegido un modelo BCC orientado a los outputs. Considerando que existen n unidades de decisión, que utilizan un conjunto de m inputs para producir un conjunto de s outputs, la formulación de este modelo viene dada por el siguiente programa lineal: Max      +⋅+ ∑∑ == +− m i s r ri ss 11 0 εθ Sujeto a: ∑ = −=+ n j iiijj xsx 1 0 λ , i =1, … m; ∑ = +=+− n j rrjjr syy 1 00 0 λθ , r =1, … s; 1 1 = ∑ = n j j λ ,j = 1, ..., n ; λ j, si-, sr+ ≥ 0, θ ≥ 0; Donde: xij: cantidad de input i consumido por la unidad j. yrj: cantidad de output r producido por la unidad j. λ j: ponderación de los inputs/outputs de la unidad j. xi0, yr0: cantidad de inputs y outputs de la unidad que está siendo evaluada. Este programa lineal será resuelto una vez para cada una de las empresas evaluadas. Así, para calcular la eficiencia de una empresa en particular, el programa lineal buscará una combinación lineal de todas las empresas evaluadas para construir lo que se 16 denomina una “unidad virtual”. El propósito del programa es construir una combinación lineal, con ponderaciones λ j, de tal manera que la “unidad virtual” utilice la misma o menor cantidad de inputs que la unidad evaluada, para producir más outputs. La solución del programa lineal proporcionará los valores de las ponderaciones λ j tal que la “unidad virtual” se encuentre situada sobre la frontera. Entonces, si es posible encontrar una “unidad virtual” que produzca más outputs utilizando la misma o menor cantidad de inputs, la empresa que esté siendo evaluada será considerada ineficiente. Por el contrario, si no es posible encontrar esta “unidad virtual”, la empresa evaluada será considerada eficiente. El valor objetivo del programa lineal ( θ ), indica la expansión posible máxima en todos los outputs de la unidad evaluada dado el nivel de inputs utilizados. El valor de θ estará comprendido entre 1 y ∞, de tal manera que será igual a la unidad ( θ =1) para aquellas unidades que sean calificadas como eficientes, y será mayor que la unidad ( θ > 1) para aquellas unidades que sean calificadas como ineficientes. Por lo tanto, este valor objetivo θ nos permite contar con una medida numérica de la ineficiencia relativa de cada empresa en la generación de outputs a partir de los recursos a su disposición. En particular, nuestro modelo está orientado a la obtención de una medida de ineficiencia relativa de las empresas en la generación de ventas. Por ello, en una primera etapa, calcularemos el valor de esta medida de ineficiencia para cada una de las empresas en la muestra analizada. Pero además, en una segunda etapa, nuestro objetivo será valorar la utilidad de esta medida de ineficiencia para la predicción del resultado de explotación futuro, después de tener en cuenta la información contenida en el resultado de explotación actual. Para el diseño del modelo, después de especificar el modelo DEA concreto que va a ser utilizado (el modelo BCC orientado a los outputs, como ya hemos indicado), es necesario definir las variables de inputs y outputs que caracterizan la actividad de las 17 unidades evaluadas. En nuestro caso, necesitaremos seleccionar aquellos inputs y outputs que permitan caracterizar la actividad de generación de un determinado nivel de ventas por parte de las empresas, puesto que nuestro objetivo es, precisamente, obtener una medida de la ineficiencia relativa de las empresas en la generación de ventas. En un modelo económico, la función de producción muestra la relación entre los inputs y outputs de la actividad productiva. El output viene dado por la cantidad de producción, y los inputs vienen dados por los recursos utilizados en la producción, en general, el factor trabajo, el factor capital, los materiales y costes generales de administración (Griliches y Ringstad, 1990; p. 22-26). Para la realización de nuestro análisis los inputs y outputs son seleccionados a partir de información contenida en la Cuenta de Pérdidas y Ganancias de las empresas. En particular, hemos seleccionado los siguientes inputs y outputs, que podemos considerar que se corresponden con los inputs y outputs de una función de producción típica: INPUTS: Gastos de personal Factor trabajo Consumos de materias primas y otros Materiales Amortización Factor capital Otros gastos de explotación OUTPUT: Ventas Los valores de cada uno de los inputs y outputs para cada empresa serán obtenidos a partir de la Cuenta de Pérdidas y Ganancias, por lo que estarán expresados en unidades monetarias. Los inputs seleccionados incluyen todos los gastos que son sustraídos de la 18 cifra de ingresos de explotación para el cálculo del resultado de explotación, por lo que representan todos los recursos que utiliza la empresa para la generación de un determinado nivel de ventas. En la primera etapa del análisis, esta información de la Cuenta de Pérdidas y Ganancias será utilizada como inputs y outputs en el modelo DEA para obtener una medida de la ineficiencia relativa de las empresas en la generación de ventas. Las variables de inputs obtenidas a partir de la Cuenta de Pérdidas y Ganancias son los gastos de personal, los consumos de materias primas y otros, la amortización, así como otros gastos de explotación. Gastos de personal incluye las retribuciones al personal, cualquiera que sea la forma o el concepto por el que se satisfacen, las cuotas a la seguridad social a cargo de la empresa, y los demás gastos de carácter social. Consumos de materias primas y otros incluye el gasto por consumo de materias primas, productos en curso, productos terminados y otros. Amortización incluye la amortización de los activos inmovilizados materiales e inmateriales, y de los gastos de establecimiento. Finalmente, otros gastos de explotación incluye gastos tales como los gastos de publicidad y propaganda, servicios exteriores, variación de la provisión por depreciación de insolvencias, energía, etc. Por otra parte, la variable ventas incluye el importe neto de la cifra de negocios además de otros ingresos de explotación. 4. Análisis del contenido informativo de la medida de eficiencia para la predicción del resultado de explotación futuro Después de haber diseñado en el apartado anterior un modelo DEA para obtener una medida del grado de ineficiencia relativa de las empresas en la generación de ventas, en este apartado nuestro objetivo es, como segunda etapa del análisis propuesto, presentar la metodología que va a ser utilizada para valorar el contenido informativo de esa medida de ineficiencia para la predicción del resultado de explotación futuro. 19 Para valorar el contenido informativo de la medida de ineficiencia, nuestro punto de partida es la consideración de que, tal y como ha sido definida, la medida de ineficiencia refleja la habilidad intrínseca de la empresa en la generación de ventas, por lo que puede contener información relativa a la persistencia de los resultados, o en otras palabras, estar capturando el componente permanente del resultado. Si este es el caso, debería ser útil para la predicción del resultado futuro, en adición a la información contenida en el resultado de explotación actual. Por lo tanto, la hipótesis nula a rechazar tiene que ver con la ausencia de contenido informativo de la medida de la ineficiencia en la generación de ventas. La hipótesis alternativa puede ser enunciada de la siguiente manera: H1: La medida de la ineficiencia relativa en la generación de ventas tiene contenido informativo para la predicción del resultado de explotación futuro, en adición a la información contenida en el resultado de explotación actual. Para contrastar la hipótesis anterior llevaremos a cabo un análisis de regresión para valorar la capacidad de la medida de ineficiencia proporcionada por el modelo DEA para predecir el resultado de explotación del año inmediatamente posterior. La medida de resultado de explotación a utilizar será directamente obtenida a partir de la Cuenta de Pérdidas y Ganancias, de tal manera que ésta se calcula como ventas (output utilizado en la primera etapa del análisis) menos el total de gastos explotación (total de inputs utilizados en la primera etapa del análisis). Para determinar cuál era la mejor especificación para el modelo, aplicamos el test de Davidson y MacKinnon (1985)3, para la muestra que describiremos en el apartado 5.1. Mediante este test se contrasta la hipótesis nula de que el modelo lineal es el apropiado, 3 Ver Green (1997, p. 459-461). 20 frente a la hipótesis alternativa de que el apropiado es el modelo potencial o doblelogarítmico. Para ello, es necesario incorporar una nueva variable explicativa en el modelo lineal a estimar, que se obtiene como la diferencia entre el valor estimado de la variable dependiente obtenido directamente del modelo potencial o doble-logaritmico y el valor estimado de la variable dependiente obtenido como el logaritmo neperiano del valor estimado a partir del modelo lineal. Si al estimar este modelo el coeficiente asociado a esta nueva variable es significativamente distinto de cero, se rechaza la hipótesis nula de que el modelo lineal proporciona una mejor especificación. Por lo que a nuestro análisis se refiere, de la estimación de los modelos se observaba que en la mayoría de los casos el coeficiente asociado a dicha variable era significativamente distinto de cero, llevándonos a la conclusión de que el modelo potencial o doblelogarítmico era preferido al modelo lineal. De acuerdo con Green (1997, p. 279), para la estimación de un modelo potencial (log-linear) de la forma general εβ eAXY = es necesario tomar logaritmos neperianos para obtener un nuevo modelo ε β α ε β + + = + + = xXAY lnlnln , tal que los parámetros puedan ser estimados por mínimos cuadrados ordinarios. La característica particular de este modelo es que ahora los parámetros deben ser interpretados como elasticidades, en el sentido de que un incremento (decremento) de, por ejemplo, un 1% en la variable independiente va a dar lugar a un incremento (decremento) del β% en la variable dependiente. Por lo tanto, utilizamos la transformación logarítmica en todas las variables de nuestro modelo. Nuestro modelo base viene dado por la siguiente formulación: 110 lnln − + =tt InefRE β β (Modelo 1) donde: 21 ln REt: Logaritmo neperiano del resultado de explotación en el año t. lnIneft-1: Logaritmo neperiano de la medida DEA de ineficiencia relativa ( θ 0) en el año t-1. Además, como hemos visto en apartados anteriores, existen estudios que proporcionan evidencia acerca de la relación entre los resultados en el año t-1 y los resultados en el año t. Por ello, introducimos como variable explicativa los resultados de explotación en el año t-1 para tener en cuenta la información contenida en el resultado de explotación actual en relación con la predicción del resultado de explotación futuro, y formulamos un segundo modelo en el que el resultado de explotación en el año t es una función del resultado de explotación en el año inmediatamente anterior y la medida DEA de ineficiencia: 12110 lnlnln −− + += ttt REInefRE β β β (Modelo 2) donde: ln REt-1: Logaritmo neperiano del resultado de explotación en el año t-1. Por otra parte, como también puede darse el caso de que el resultado de explotación en el año t-2 tenga también capacidad para la predicción del resultado en el año t (Mozes, 1992), formulamos un tercer modelo en el que la variable resultado explotación en el año t-2 se introduce como variable explicativa en adición a la medida de ineficiencia DEA y al resultado de explotación en el año t-1: 2312110 lnlnlnln −−− + + += tttt REREInefRE β β β β (Modelo 3) donde: 28 obtenidos de la estimación de los tres modelos por mínimos cuadrados ordinarios se encuentran recogidos en las tablas 3 y 4 del Apéndice. Para asegurar que el modelo había sido estimado de forma correcta, aplicamos, por una parte, el test de Belsley, Kuh y Welsch (1980) para detectar observaciones o valores influyentes que puedan estar condicionando los resultados obtenidos, con el objetivo fundamental de detectar posibles errores en la muestra, encontrando que no existían observaciones de este tipo. Asimismo, aplicamos también el test de Belsley, Kuh y Welsch (1980) para contrastar la posible existencia de multicolinealidad. De acuerdo con este test, existe un problema de multicolinealidad en el modelo 3, dado que existe un grado de correlación elevado entre REt-1 y REt-2, lo cual se había puesto de manifiesto en el cálculo de los coeficientes de correlación. De todos modos, decidimos incorporar el tercer modelo con la idea de poder valorar cómo la incorporación de la variable REt-2 afecta a la significatividad de la variable Ineft-1. Además, como indica Novales (1993, p. 359) la solución que se tome frente a la multicolinealidad depende de la finalidad que se busque con el modelo econométrico. Si la finalidad fundamental del modelo es predictiva (como es nuestro caso) la inclusión de variables redundantes (aquellas que dependen linealmente de las demás) no impide conseguir un buen ajuste global y, con ello, buenas predicciones de la variable endógena. Por otra parte, utilizamos el test de White (1980) para contrastar si se violaba la asunción de homocedasticidad. La aplicación del test indicó la existencia de un posible problema de heterocedasticidad, por lo que realizamos también las estimaciones de los estadísticos t de acuerdo con el procedimiento desarrollado por White (1980), mostrando los resultados obtenidos en las tablas 5 y 6 del Apéndice. Los resultados obtenidos de la estimación de los tres modelos para la predicción del resultado de explotación en el año 1997 (variable dependiente) se muestran en el primer panel de la Tabla 3. Los resultados del modelo base (modelo 1) indican que la medida 29 de ineficiencia para el año 1996 (ln Inef96) tiene una relación negativa significativa (el valor del estadístico t es igual a - 6,84) con el resultado de explotación futuro (ln RE97). Sin embargo, el valor del R2 ajustado es de 0,15, por lo que las variaciones en la variable independiente (ln Inef96) explican un 15% de las variaciones en la variable dependiente o resultado de explotación futuro. Cuando, para el modelo 2, se incluye como variable independiente el resultado de explotación en el año inmediatamente anterior (año 1996), el coeficiente correspondiente a la medida de ineficiencia para el año 1996 es de nuevo significativo y negativo (t = - 2,25). Este resultado para el modelo 2 sugiere que la medida de ineficiencia DEA tiene contenido informativo incremental, por encima del resultado de explotación actual (que presenta una relación estadística significativa y positiva con el resultado futuro), para la predicción del resultado de explotación futuro. Además, de la estimación del modelo 3, en el que se incluye el resultado de explotación en el año t-2 (ln RE95), se observa que de nuevo el coeficiente correspondiente a la medida de ineficiencia es estadísticamente significativo y negativo (t = - 2,79). Ello sugiere que la medida de ineficiencia tiene contenido informativo incremental para la predicción del resultado de explotación futuro, por encima del resultado de explotación actual, pero también en adición al resultado de explotación en el año anterior. Además, también es interesante el hecho de que el coeficiente correspondiente al resultado de explotación en el año t-2 sea significativo, pues indica que, además del resultado de explotación actual, el resultado de explotación en el año anterior también tiene contenido informativo para la predicción del resultado de explotación futuro. Por otra parte, en el segundo panel de la Tabla 3, se muestran los resultados obtenidos de la estimación de los tres modelos para la predicción del resultado de explotación en el año 1998 (ln RE98). En este caso, aunque para el modelo 1 el 30 coeficiente correspondiente a la medida de ineficiencia es negativo y estadísticamente significativo (t = -8,39), en los modelos 2 y 3, aunque el coeficiente estimado sea negativo, no es estadísticamente significativo. En este segundo panel el valor del R2 ajustado para el modelo 1 asciende a 0,20. Por último, la estimación de los estadísticos t de acuerdo con el procedimiento diseñado por White (1980) tiene como consecuencia fundamental la caída en el nivel de significatividad de todos los coeficientes (ver Tabla 5, Apéndice), aunque sí se confirma la significatividad del coeficiente asociado a la medida de ineficiencia en los tres modelos del primero de los paneles. En cualquier caso, para determinar en qué medida los resultados obtenidos en la estimación del primer panel podían considerarse lo suficientemente significativos, estimamos de nuevo los tres modelos, en este caso para una muestra de panel de datos que incluían las observaciones correspondientes a los años 1995 a 1998. Puesto que para la estimación del modelo 3 era necesario contar con la variable resultado de explotación retardada dos períodos, la muestra de panel de datos incluye 532 observaciones. Para la estimación de los tres modelos a partir de la muestra de panel utilizamos T-1 variables ficticias con el objetivo de capturar los efectos fijos de cada uno de los años T incluidos en el panel (Green, 1997; p. 621). De acuerdo con Novales (1993, p. 309) en tanto en cuanto el término de error esté libre de autocorrelación está justificado el uso de mínimos cuadrados en un modelo que incluya retardos de la variable endógena como variables exógenas, como es nuestro caso, en el que la variable endógena es ln REt y como variables explicativas incluimos los retardos ln REt-1 y ln REt-2. Además, lo anterior es válido con independencia del número de retardos de la variable endógena incluidos como variables explicativas. 31 En la muestra de panel de datos era previsible que los términos de error estuvieran autocorrelacionados, y así lo confirmaron, para algunos de los modelos, los resultados obtenidos de la aplicación del test de Durbin y Watson (1950, 1951 y 1971). Para solucionar el problema anterior, utilizamos el estimador de Prais y Winsten (1954) para obtener estimadores eficientes de los parámetros del modelo (ver Green, 1997, p. 601). Los resultados de la estimación se muestran en la Tabla 4. En este caso, los resultados confirman que la medida de ineficiencia DEA tiene contenido informativo para la predicción del resultado de explotación futuro. En los tres modelos, el coeficiente asociado a la medida de ineficiencia (ln Ineft-1) es negativo y estadísticamente significativo al uno por ciento, lo que apoya la hipótesis de que la medida de ineficiencia DEA tiene contenido informativo para la predicción del resultado de explotación futuro (ln REt), no sólo en adición al resultado de explotación actual (ln REt-1), sino también en adición al resultado de explotación en el año inmediatamente anterior (ln REt-2). Además, el R2 ajustado obtenido para la estimación del primer modelo es de 0,94, por lo que para la muestra de panel de datos puede decirse que las variaciones en la medida de la ineficiencia explican un 94% de las variaciones en el resultado de explotación futuro. Finalmente, la estimación de los estadísticos t de acuerdo con el procedimiento de White (1980), para la muestra de panel de datos y tal y como se muestra en la Tabla 6, reduce tan sólo ligeramente el nivel de significatividad de los coeficientes en relación con los mostrados en la Tabla 4. 6. Conclusiones Con base en los resultados de investigaciones previas que señalaban la existencia de un componente permanente y un componente transitorio en la serie de resultados anuales, lo que suponía la posibilidad de que el resultado actual no proporcionara una 32 buena estimación del resultado futuro, así como los resultados de otras investigaciones que sugerían la utilidad de otra información (distinta de los resultados) para la predicción del resultado futuro, en este trabajo hemos valorado la utilidad de una medida de la ineficiencia de la empresa en la generación de ventas para la predicción del resultado de explotación futuro, bajo la hipótesis de que dicha medida de ineficiencia tendrá contenido informativo en la medida en que capture los componentes permanentes del resultado de explotación. Para computar la medida de ineficiencia hemos diseñado un modelo DEA para la medida de la ineficiencia relativa de una muestra de empresas en la generación de ventas, expresando inputs y outputs a partir de información contenida en la Cuenta de Pérdidas y Ganancias. En una segunda etapa del análisis, hemos formulado tres modelos de regresión para valorar el contenido informativo de esta medida de ineficiencia para la predicción del resultado de explotación futuro, en adición al resultado de explotación actual y pasado. De la estimación de los índices de ineficiencia y de los modelos de regresión para una muestra de 266 grupos de empresas españolas durante el período 1995 a 1998 podemos concluir, que, a la luz de la evidencia obtenida, nuestro resultados sugieren que la medida de ineficiencia DEA diseñada tiene contenido informativo para la predicción del resultado de explotación futuro, incluso después incorporar como variables explicativas el resultado actual y el resultado en el año inmediatamente anterior. 7. Referencias Abad, C. y Laffarga, J. (2002): “La Utilidad del Análisis Envolvente de Datos como Herramienta para el Análisis Financiero”. Comunicación presentada al “X Encuentro ASEPUC de Profesores Universitarios de Contabilidad”. Santiago de Compostela. 33 Abarbanell, J.S. y Bushee, B.J. (1997): “Fundamental Analysis, Future Earnings and Stock Prices”. Journal of Accounting Research. Vol. 35, Nº1. Pp. 1-24. Albrecht, W., Lookabill, L. y McKeown, J. (1977): “The Time Series Properties of Annual Earnings”. Journal of Accounting Research. Autumn. Pp. 226-244. Ayela, R. y Gómez, J.C. (1992): “La Empresa Mediterránea: Rentabilidad y Eficiencia Financiera”. Papeles de Economía Española. Nº11. Pp. 357-371. Ball, R. y Watts, R. (1972): “Some Time-series Properties of Accounting Income”. Journal of Finance. Vol. 3. Pp. 663-681. Banker, R.D (1993): “Maximum Likelihood, Consistency and Data Envelopment Analysis: A Statistical Foundation”. Management Science. Vol. 39, Nº10. Pp. 12651273. Banker, R.D., Charnes, A. y Cooper, W.W. (1984): “Models for Estimation of Technical and Scale Inefficiencies in Data Envelopment Analysis”. Management Science. Vol. 30, Nº9. Pp. 1078-1092. Banker, R.D., Charnes, A., Cooper, W.W., Swarts, J., y Thomas, D.A. (1989): “An Introduction to DEA Analysis with Some of its Models and Their Uses”. Research in Governmental and Nonprofit Accounting. Vol. 5, Greewich, Conn.: JAI Press. Pp. 125-163. Beaver, W. y Morse, D. (1978): “What Determines Price-Earnings Ratios?”. Financial Analysts Journal. Vol. 34. Pp. 65-76. Beaver, W., Lambert, R.A. y Morse, D. (1980): “The Information Content of Security Prices”. Journal of Accounting and Economics. Vol. 2. Pp. 3-28. Beaver, W., Lambert, R.A. y Ryan, S.G. (1987): “The Information Content of Security Prices: A Second Look”. Journal of Accounting and Economics. Vol. 9. Pp. 139157. Belsley, D., Kuh, E. y Welsch R. (1980): Regression Diagnostics: Identifying Influential Data and Sources of Collinearity. New York, NY: John Wiley and Sons. (Citado por Green, 1997). Bernard, V.L. y Noel, J. (1991): “Do Inventory Disclosures Predict Sales and Earnings?”. Journal of Accounting, Auditing and Finance. Vol. 6. Pp. 145-181. Brickley, J.A. (1983): “Shareholder Wealth, Information Signaling and the Specially Designated Dividend. An Empirical Study”. Journal of Financial Economics. Nº12. Pp. 187-209. Brooks, L.D. y Buckmaster, D.A. (1976): “Further Evidence on the Time Series Properties of Accounting Income”. Journal of Finance. Vol. 31. Pp. 1359-1373. Brown, L.D.: (1993): “Earnings Forecasting Research: Its Implications for Capital Markets Research”. International Journal of Forecasting. Vol. 9. Pp. 295-320. Callen, J., Cheung, C.S., Kwan C. y Yip P. (1993): “An Empirical Investigation of the Random Character of Annual Earnings”. Journal of Accounting Auditing and Finance. Vol. 8. Pp. 151-162. Capstaff, J., Paudyal, K. y Rees, W. (1995): “The Accuracy and Rationality of Earnings Forecasts by UK Analysts”. Journal of Business, Finance and Accounting. Vol. 22, Nº1. Pp. 69-87. 34 Collins, D.W., Kothari, S.P. y Rayburn, J.D. (1987): “Firm Size and the Information Content of Prices with Respect to Earnings”. Journal of Accounting and Economics. Vol. 9. Pp. 111-138. Charnes, A., Cooper, W.W. y Rhodes, E. (1981): “Evaluating Program and Managerial Efficiency: An Application of Data Envelopment Analysis to Program Follow Through”. Management Science. Vol. 27, Nº6. Pp. 668-697. Davidson, R. y MacKinnon, J. (1985): “Testing linear and loglinear regressions against Box-Cox alternatives”. Canadian Journal of Economics. Vol. 18, August. Pp. 499517. Durbin, J. y Watson, G. (1950): “Testing for Serial Correlation in Least Squares Regression – I”. Biometrika. Vol. 37. Pp. 409-428. (Citado por Green, 1997). Durbin, J. y Watson, G. (1951): “Testing for Serial Correlation in Least Squares Regression – II”. Biometrika. Vol. 38. Pp. 159-178. (Citado por Green, 1997). Durbin, J. y Watson, G. (1971): “Testing for Serial Correlation in Least Squares Regression – III”. Biometrika. Vol. 58. Pp. 1-42. (Citado por Green, 1997). Espitia, M. y Ruiz, F. J. (1995): “El Valor Informativo de los Dividendos sobre los Beneficios Futuros en el Mercado de Capitales Español”. Revista Española de Financiación y Contabilidad. Nº24. Pp. 201-220. Fairfield, P.M. y Yohn, T.L. (2001): “Using Asset Turnover and Profit Margin to Forecast Changes in Profitability”. Review of Accounting Studies. Vol. 6. Pp. 371385. Fairfield, P.M., Sweeney, R.J. y Lombardi, Y.T. (1996): “Accounting Classification and the Predictive Content of Earnings”. The Accounting Review. Vol. Pp. 337-355. Fama, E. y French, K. (1992): “The Cross-Section of Expected Stock Returns”. Journal of Finance. Vol. 47. Pp. 427-465. Finger, C. (1994): “The Ability of Earnings to Predict Future Earnings and Cash Flow”. Journal of Accounting Research. Vol. 32. Pp. 210-223. Freeman, R.N. (1987): “The Association Between Accounting Earnings and Security Returns for Large and Small Firms”. Journal of Accounting and Economics. Vol. 9. Pp. 195-228. Greene, W. (1997): Econometric Analysis. Prentice Hall, International Edition. Grifell, E., Prior, D. y Salas, V. (1993): “La Eficiencia Frontera en las Cajas de Ahorros Españolas”. Investigaciones Económicas. Vol. XVII. Pp. 31-40. Griliches, Z. y Ringstad, V.(1990): Economies of Scale and the Form of the Production Function: An Econometric Study of Norwegian Manufacturing Establishment Data. North Holland Publishing Company. Guerra, A. (1999): “La Predicción del Beneficio Futuro por Medio del Beneficio y el Dividendo”. Actualidad Financiera. Nº9. Pp. 5-21. Jensen, G.R. y Johnson, J.M. (1995): “The Dynamics of Corporate Dividend Reductions”. Financial Management. Nº24. Pp. 31-51. Kendall, C.S. y Zarowin, (1990): “Time Series Properties of Annual Earnings, Earnings Persistence and Earnings Response Coefficients”. Working Paper, New York University. (Citado por Brown, 1993). 35 Kothari, S.P. (2001): “Capital Markets Research in Accounting”. Journal of Accounting and Economics. Vol. 31. Pp. 105-231. Lev, B. (1983): “Some Economic Determinants of Time-series Properties of Earnings”. Journal of Accounting and Economics. Vol.5. Pp. 31-48. Lipe, R. y Kormendi, R. (1994): “Mean Reversion in Annual Earnings and its Implications for Security Valuation”. Review of Quantitative Finance and Accounting. Vol. 4. Pp. 27-46. (Citado por Kothari, 2001). Little, I.M.D. (1962): “Higgeldy Piggeldy Earnings Growth”. Bulletin of the Oxford Institute of Economics and Statistics. Vol. 4, November. (Citado por Brown, 1993). Machuga, S.M. y Pfeiffer, R.J. (2000): “A Comparison of Financial-StatementAnalysis-Based and Price-Based Earnings Forecasts”. Journal of Business and Economic Studies. Vol. 6, Nº1. Pp. 21-41. Manakyan, H. y Carrol, C. (1990): “An Empirical Examination of The Evidence of a Signaling Value Function for Dividends”. Journal of Financial Research. Nº13. Pp. 201-210. Mancebón, M.J. (1998): “La Riqueza de los Resultados Suministrados por un Modelo Envolvente de Datos: Una Aplicación al Sector de la Educación Secundaria”. Hacienda Pública Española. Vol. 145. Pp. 165-186. Mozes, H.A. (1992): “Modelling Growth in the Annual Earnings Time Series”. Journal of Business Finance and Accounting. Vol. 19, November. Pp. 817-837. Nissim, D. y Penman, S.P. (2001): “Ratio Analysis and Equity Valuation”. Review of Accounting Studies. Vol. 6. Pp. 109-154. Novales, A. (1993): Econometría. McGraw-Hill. Madrid. Ou, J.A. (1990): “The Information Content of Non-earnings Accounting Numbers as Earnings Predictors”. Journal of Accounting Research. Vol. 28. Pp. 144-163. Ou, J.A. y Penman, S.H. (1989a): “Financial Statement Analysis and the Prediction of Stock Returns”. Journal of Accounting and Economics. Vol. 11. Pp. 295-329. Ou, J.A. y Penman, S.H. (1989b): “Accounting Measurement, P/E Ratios, and the Information Content of Security Prices”. Journal of Accounting Research. Vol. 27. Supplement. Pp. 111-144. Prais, S. y Winsten, C. (1954): “Trend Estimation and Serial Correlation”. Cowles Commission Discussion Paper Number 383. Chicago. (Citado por Green, 1997). Ramakrishnan, R. y Thomas, J. (1992): “What Matters from the Past: Market Value, Book Value, or Earnings?. Earnings Valuation and Sufficient Statistics for Prior Information”. Journal of Accounting Auditing and Finance. Vol. 7. Pp. 423-464. Rees, W.P. (1995): Financial Analysis. London: Prentice Hall. Reverte, C. y Strong, N. (2001): “Income Smoothing and the Predictive Ability of Earnings Components for Future Return on Equity”. Working paper. University of Manchester. Salamon, G. y Smith, E. (1977): “Additional Evidence on the Time Series Properties of Reported Earnings per Share: Comment”. Journal of Finance. Vol. 32. Pp. 17951801. 36 Shroff, P.K. (1999): “The Variability of Earnings and Non-earnings Information and Earnings Prediction”. Journal of Business Finance and Accounting. Vol. 26, Nº7&8. Pp. 863-882. Sloan, R.G. (1996): “Do Stock Prices Fully Reflect Information in Accruals and Cash Flows about Future Earnings?”. The Accounting Review. Vol. Pp. 289-315. Smith, P. (1990): “Data Envelopment Analysis Applied to Financial Statements”. OMEGA, International Journal of Management Science. Vol. 18, Nº2. Pp. 131-138. Sougiannis, T. (1994): “The Accounting Based Valuation of Corporate R&D”. The Accounting Review. Vol. 69. Pp. 44-68. Stober, T.L. (1993): “The Incremental Information Content of Receivables in Predicting Sales, Earnings and Profit Margins”. Journal of Accounting, Auditing and Finance. Vol. 8. Pp. 447-473. Watts, R. y R. Leftwich. (1977): “The Time Series of Annual Accounting Earnings”. Journal of Accounting Research. Autumn. Pp. 253-271. White, H. (1980): “A Heteroskedasticity-consistent Covariance Matrix Estimator and a Direct Test for Heteroskedasticity”. Econometrica. Vol. 48, May. Pp. 817-838. Wu, C., K. Chihwa y C. Lee. (1996): “Time-series Properties of Financial Series and Implications for Modeling”. Journal of Accounting, Auditing and Finance. Vol. 11, Spring. Pp. 277-303. 37 8. Apéndice Tabla 1 Estadísticos descriptivos para las variables utilizadas en el análisis de regresión (266 observaciones para el período 1995-1998) VariablesaMedia Desviación típica Mínimo Mediana Máximo RE95 5.804,907 19.621,640 2,630 1.473,641 266.166 RE96 6.206,746 25.877,982 1,179 1.595,249 378.156 RE97 6.992,916 25.169,043 33,942 1.719,500 335.629 RE98 8.388,679 27.805,922 7,774 2.313,057 316.564 Inef95 1,213 0,139 1,000 1,233 1,576 Inef96 1,138 0,106 1,000 1,147 1,410 Inef97 1,161 0,125 1,000 1,159 1,443 a Descripción de las variables: REt es el resultado de explotación, en millones de pesetas, en el año t. Ineft es el índice de ineficiencia DEA en el año t. Tabla 2 Coeficientes de correlación de Pearson para las variables utilizadas en el análisis de regresión (266 observaciones para el período 1995-1998) Variablesaln RE95 ln RE96 ln RE97 ln RE98 ln Inef95 ln Inef96 ln Inef97 ln RE95 1,000 0,902 0,889 0,845 -0,291 -0,292 -0,314 ln RE96 1,000 0,944 0,891 -0,283 -0,366 -0,372 ln RE97 1,000 0,946 -0,330 -0,388 -0,463 ln RE98 1,000 -0,312 -0,373 -0,458 ln Inef95 1,000 0,803 0,775 ln Inef96 1,000 0,887 ln Inef97 1,000 a Descripción de las variables: Ineft es el índice de ineficiencia DEA en el año t. REt es el resultado de explotación, en millones de pesetas, en el año t. 01/4 Calidad de Servicio en la Enseñanza Universitaria: Desarrollo y Validación de una Escala de Medida. Joan-Lluís Capelleras, José M.ª Veciana. 01/5 Enfoque estructural vs. recursos y capacidades: un estudio empírico de los factores clave de éxito de las agencias de viajes en España. Fabiola López-Marín, José M.ª Veciana. 01/6 Opción de Responsabilidad Limitada y Opción de Abandonar: Una Integración para el Análisis del Coste de Capital. Neus Orgaz. 01/7 Un Modelo de Predicción de la Insolvencia Empresarial Aplicado al Sector Textil y Confección de Barcelona (1994-1997). Antonio Somoza López 01/8 La Gestión del Conocimiento en Pequeñas Empresas de Tecnología de la Información: Una Investigación Exploratoria. Laura E. Zapata Cantú. 01/9 Marco Institucional Formal de Creación de Empresas en Catalunya: Oferta y Demanda de Servicios de Apoyo David Urbano y José María Veciana. 02/1 Access as a Motivational Device: Implications for Human Resource Management. Pablo Arocena, Mikel Villanueva. 02/2 Efficiency and Quality in Local Government. The Case of Spanish Local Authorities M.T. Balaguer, D. Prior, J.M. Vela 02/3 Single Period Markowitz Portfolio Selection, Performance Gauging and Duality: A variation on Luenberger’s Shortage Function Walter Briec, Kristiaan Kerstens, Jean Baptiste Lesourd. 02/4 Innovación tecnológica y resultado exportador: un análisis empírico aplicado al sector textil-confección español Rossano Eusebio, Àlex Rialp Criado 02/5 Caracterización de las empresas que colaboran con centros tecnológicos Lluís Santamaria, Miguel Ángel García Cestona, Josep Rialp 02/6 Restricción de crédito bancario en economías emergentes: el caso de la PYME en México Esteban van Hemmen Almazor 02/7 La revelación de información obligatoria y voluntaria (activos intangibles) en las entidades de crédito. Factores determinantes. Gonzalo Rodríguez Pérez 02/8 Measuring Sustained Superior Performance at the Firm Level Emili Grifell - Tatjé, Pilar Marquès - Gou 02/9 Governance Mechanisms in Spanish Financial Intermediaries Rafel Crespi, Miguel A. García-Cestona, Vicente Salas 02/10 Endeudamiento y ciclos políticos presupuestarios: el caso de los ayuntamientos catalanes Pedro Escudero Fernández, Diego Prior Jiménez 02/11 The phenomenon of international new ventures, global start-ups, and born-globals:what do we know after a decade (1993-2002) of exhaustive scientific inquiry? Àlex Rialp-Criado, Josep Rialp-Criado, Gary A. Knight 03/1 A methodology to measure shareholder value orientation and shareholder value creation aimed at providing a research basis to investigate the link between both magnitudes Stephan Hecking 03/2 Assessing the structural change of strategic mobility. Determinants under hypercompetitive environments José Ángel Zúñiga Vicente, José David Vicente Lorente 03/3 Internal promotion versus external recruitment: evidence in industrial plants Alberto Bayo-Moriones, Pedro Ortín-Ángel 03/4 El empresario digital como determinante del éxito de las empresas puramente digitales: un estudio empírico Christian Serarols, José M.ª Veciana 03/5 La solvencia financiera del asegurador de vida y su relación con el coste de capital Jordi Celma Sanz 03/6 Proceso del desarrollo exportador de las empresas industriales españolas que participan en un consorcio de exportación: un estudio de caso Piedad Cristina Martínez Carazo 03/7 Utilidad de una Medida de la Eficiencia en la Generación de Ventas para la Predicción del Resultado María Cristina Abad Navarro