Objetivo General

Evaluar la liquidez y solvencia de las empresas para cumplir sus obligaciones financieras en el corto y largo plazo, con la finalidad de generar de manera sostenible una posición dentro del mercado ecuatoriano.

Objetivos específicos

1. Determinar el nivel de endeudamiento del activo de las microempresas, pequeñas empresas y grandes empresas.
2. Comparar la liquidez de las empresas en base al número de trabajadores.
3. Describir el top 10 de las empresas con mayor apalancamiento.

Metodología

La Base a trabajar es balance_2014.xlsx, que consiste en 347 variables y 47033 observaciones. A demás de contar con 2 bases adicionales cias y ciiu en donde tenemos el significado de las variables de la base principal. Así se cargan las bases con la libreria openxlsx y se procede a transformar de un dataframe a un tibble ya que es un dataframe mejorado.

balance_2014<-read.xlsx("Data/balances_2014.xlsx")
ciiu<-read.xlsx("Data/ciiu.xlsx")
cias<-read.xlsx("Data/cias_codebook.xlsx")
balance_2014<-tibble(balance_2014)

Selección y Limpieza de datos

En esta parte del proyecto se realizó la depuración de la base, ya que al crear los indicadores financieron se pudo observar divisiones para 0 lo que nos arrojaba valors inf los que fueron convertidos a NA para luego omitirlos para el análisis. Adicional a esto se creó una función sencilla para esta transformación

cantidad_de_NA <- sum(is.na(balance))
cantidad_de_NA

[1] 14933

finitos <- function(data, columna) {
  data_filtrado <- data[is.finite(data[[columna]]), ]
  return(data_filtrado)
}

balance<-finitos(balance,"liquidez_corriente") 
balance<-finitos(balance,"apalancamiento") 
balance<-finitos(balance,"endeu_activo") 
balance<-finitos(balance,"ende_patrimo") 
balance<-finitos(balance,"ende_activo_fijo") 
colSums(is.na(balance))

        nombre_cia          situacion               tipo               pais 
                 0                  0                  0                  0 
         provincia             canton             ciudad        fecha_const 
                 0                  0                  0                  0 
           tamanio          actividad       subactividad         trab_direc 
                 0                  0                  0                385 
        trab_admin liquidez_corriente       endeu_activo       ende_patrimo 
              4074                  0                  0                  0 
  ende_activo_fijo     apalancamiento 
                 0                  0 

Indicadores Financieros

En esta sección se muestra gráficamente el comparativo de los indicadores financieros de liquidez y solvencia por situación ACTIVA y provincia. Por lo que se procedió a crear la base activas, en donde, encontramos valores atípicos y se usó una función (tomada de la web) para poder imputarlos,

activas<-balance %>% filter(situacion=="ACTIVA")
impute_outliers <- function(x, removeNA = TRUE){
  quantiles <- quantile(x, c(0.05, 0.95), na.rm = removeNA)
  x[x<quantiles[1]] <- mean(x, na.rm = removeNA)
  x[x>quantiles[2]] <- median(x, na.rm = removeNA)
  x
}
activas$liquidez_corriente<-impute_outliers(activas$liquidez_corriente)

Ahora con el paquete ggplot2 podemos agrupar por provincia y mostrar que por fecha de constitución de cada empresa se puede observar la liquidez_corriente, es decir que, se evalúa la capacidad de una empresa para cumplir con sus obligaciones a corto plazo utilizando sus activos corrientes, que son aquellos que se espera que se conviertan en efectivo en un plazo de un año o menos. Esta métrica proporciona una idea de la solvencia y la salud financiera de una empresa en el corto plazo.

ggplot(activas, aes(x=fecha_const, y=liquidez_corriente, color = provincia, group=provincia))   +
  geom_line() +
  geom_hline(data = activas %>% group_by(provincia) %>% summarise(ymin = quantile(liquidez_corriente, 0.25), ymed = median(liquidez_corriente), ymax = quantile(liquidez_corriente, 0.75)),
             aes(yintercept = ymin), linetype = "dashed", color = "red") +
  geom_hline(data = activas %>% group_by(provincia) %>% summarise(ymin = quantile(liquidez_corriente, 0.25), ymed = median(liquidez_corriente), ymax = quantile(liquidez_corriente, 0.75)),
             aes(yintercept = ymed), linetype = "dashed", color = "purple") +
  geom_hline(data = activas %>% group_by(provincia) %>% summarise(ymin = quantile(liquidez_corriente, 0.25), ymed = median(liquidez_corriente), ymax = quantile(liquidez_corriente, 0.75)),
             aes(yintercept = ymax), linetype = "dashed", color = "black") +
  labs(title = "Comparativo de Indicadores de Liquidez por situación ACTIVA y provincia",
       x = "Fecha constitución",
       y = "Liquidez corriente") +
  facet_wrap(~provincia)+
  theme_minimal()+
  theme(legend.position = "none")

Podemos observar que en provincias como Guayas, Pichincha y Azuay existen más empresas que a su vez tienen mayor liquidez y la concentración de cada una de ellas en cuanto a sus quantiles.

Del mismo modo podemos comparar en cada provincia el apalancamiento ya que esta medidase refiere al uso de deuda o financiamiento externo para amplificar el rendimiento financiero de una empresa o inversión. En otras palabras, implica tomar prestado dinero para invertirlo en actividades que se espera generen un rendimiento mayor que el costo de la deuda, a largo plazo.

activas$apalancamiento<-impute_outliers(activas$apalancamiento)

ggplot(activas, aes(x=fecha_const, y=apalancamiento, color = provincia, group=provincia))   +
  geom_line() +
  geom_hline(data = activas %>% group_by(provincia) %>% summarise(ymin = quantile(apalancamiento, 0.25), ymed = median(apalancamiento), ymax = quantile(apalancamiento, 0.75)),
             aes(yintercept = ymin), linetype = "dashed", color = "red") +
  geom_hline(data = activas %>% group_by(provincia) %>% summarise(ymin = quantile(apalancamiento, 0.25), ymed = median(apalancamiento), ymax = quantile(apalancamiento, 0.75)),
             aes(yintercept = ymed), linetype = "dashed", color = "purple") +
  geom_hline(data = activas %>% group_by(provincia) %>% summarise(ymin = quantile(apalancamiento, 0.25), ymed = median(apalancamiento), ymax = quantile(apalancamiento, 0.75)),
             aes(yintercept = ymax), linetype = "dashed", color = "black") +
  labs(title = "Comparativo de Indicadores de Apalancamiento por situacion ACTIVA y provincia",
       x = "Fecha constitución",
       y = "Apalancamiento") +
  facet_wrap(~provincia)+
  theme_minimal()+
  theme(legend.position = "none")

Similar a el indicador de la liquidez las empresas pueden conseguir estas inversiones cuando son constituidas, pero por ejemplo en provincias como Bolivar podemos notar que algunas empresas no pueden coseguir estos préstamos debido tal vez a que pueden afrontar sus obligaciones a corto plazo pero no lo suficiente a largo plazo.

Así mismo, se podrá mostrar gráficamente el comparativo de los indicadores financieros de liquidez y solvencia por tipo de empresa.

ggplot(activas, aes(x=fecha_const, y=liquidez_corriente, color = tipo, group=tipo))   +
  geom_line() +
  geom_hline(data = activas %>% group_by(tipo) %>% summarise(ymin = quantile(liquidez_corriente, 0.25), ymed = median(liquidez_corriente), ymax = quantile(liquidez_corriente, 0.75)),
             aes(yintercept = ymin), linetype = "dashed", color = "red") +
  geom_hline(data = activas %>% group_by(tipo) %>% summarise(ymin = quantile(liquidez_corriente, 0.25), ymed = median(liquidez_corriente), ymax = quantile(liquidez_corriente, 0.75)),
             aes(yintercept = ymed), linetype = "dashed", color = "purple") +
  geom_hline(data = activas %>% group_by(tipo) %>% summarise(ymin = quantile(liquidez_corriente, 0.25), ymed = median(liquidez_corriente), ymax = quantile(liquidez_corriente, 0.75)),
             aes(yintercept = ymax), linetype = "dashed", color = "black") +
  labs(title = "Comparativo de Indicadores de Liquidez por situacion ACTIVA y tipo",
       x = "Fecha constitución",
       y = "Liquidez") +
  facet_wrap(~tipo)+
  theme_minimal()+
  theme(legend.position = "none")

Gráficamente podemos notar que la mayoría de empresas son parte de responsabilidad limitada y anónimas, si es de responsabilidad limitada, es decir que, es una forma de entidad comercial que combina características de una sociedad y una corporación, brindando a sus propietarios (llamados miembros) una protección limitada de responsabilidad similar a la de una corporación, mientras mantiene una estructura y flexibilidad operativa similar a una sociedad, y por otra son anónimas también conocida como sociedad anónima (SA), es una forma de entidad comercial que se caracteriza por tener el capital dividido en acciones que pueden ser propiedad de múltiples accionistas. La principal característica de una empresa anónima es la separación entre la propiedad y la gestión, lo que significa que los accionistas poseen las acciones y eligen a la junta directiva para que administre y tome decisiones en nombre de la empresa. Entonces estas empresas pueden hacer frente a su liquidez y apalancamiento.

ggplot(activas, aes(x=fecha_const, y=apalancamiento, color = tipo, group=tipo))   +
  geom_line() +
  geom_hline(data = activas %>% group_by(tipo) %>% summarise(ymin = quantile(apalancamiento, 0.25), ymed = median(apalancamiento), ymax = quantile(apalancamiento, 0.75)),
             aes(yintercept = ymin), linetype = "dashed", color = "red") +
  geom_hline(data = activas %>% group_by(tipo) %>% summarise(ymin = quantile(apalancamiento, 0.25), ymed = median(apalancamiento), ymax = quantile(apalancamiento, 0.75)),
             aes(yintercept = ymed), linetype = "dashed", color = "purple") +
  geom_hline(data = activas %>% group_by(tipo) %>% summarise(ymin = quantile(apalancamiento, 0.25), ymed = median(apalancamiento), ymax = quantile(apalancamiento, 0.75)),
             aes(yintercept = ymax), linetype = "dashed", color = "black") +
  labs(title = "Comparativo de Indicadores de Apalancamiento por situacion ACTIVA y tipo",
       x = "Fecha constitución",
       y = "Liquidez") +
  facet_wrap(~tipo)+
  theme_minimal()+
  theme(legend.position = "none")

¿El endeudamiento del activo fue mayor en empresas micro + pequeñas vs. grandes?

El nivel de endeudamiento del activo es mayor en las empresas micro y pequeñas a comparación de las empresas grandes, esto puede ser por diversas razones, es importante resaltar que el nivel de endeudamiento depende de factores como su industria, estructura de costos, flujos de efectivo, nivel de riesgo, objetivos, entre otros.

Pero de forma general se debe a que las empresas pequeñas tienen un limitado acceso de capital, por lo que tiene que depender de mayor número de préstamos y créditos bancarios con la finalidad de continuar sus operaciones y proyectos.

Estas empresas son percibidas en su mayoría como riesgosas por el hecho del tamaño, menor tiempo en el mercado y menor número de recursos, todas estas limitaciones hacen que las condiciones para préstamos sean muy restringidas y con intereses muy altos, lo que sigue incrementando el nivel de endeudamiento.

Otro aspecto importante que justifica el mayor nivel de endeudamiento es que su ciclo de efectivo es más extenso, ya que se tardan más días en convertir sus activos en efectivo.

micro_pequeña <- balance %>%
  filter(tamanio%in% c("MICRO", "PEQUEÑA")) %>%
  summarise(Promedio1 = mean(endeu_activo))
micro_pequeña

# A tibble: 1 × 1
  Promedio1
      <dbl>
1     0.810

grande <- balance %>%
  filter(tamanio%in% c("GRANDE")) %>%
  summarise(Promedio2 = mean(endeu_activo))
grande

# A tibble: 1 × 1
  Promedio2
      <dbl>
1     0.645

comparativo<- tibble(Tamaño=c("Micro+Pequeña","Grande"),
                     Media=c(micro_pequeña$Promedio1,grande$Promedio2))
comparativo

# A tibble: 2 × 2
  Tamaño        Media
  <chr>         <dbl>
1 Micro+Pequeña 0.810
2 Grande        0.645

ggplot(comparativo, aes(x = Tamaño, y = Media, fill = Tamaño)) +
  geom_bar(stat = "identity") +
  labs(title = "Comparación de Endeudamiento del Activo entre Micro + Pequeña y Grande",
       x = "Tamaño de Empresa", y = "Valor de Endeudamiento del Activo") +
  theme_minimal()

¿La liquidez por tipo de compañía es diferente entre aquellas empresas que tienen más de 60 trabajadores directos y que cuenta con 100 a 800 trabajadores administrativos?

La liquidez varía según el tipo de empresa. Y como se puede observar en los datos de liquidez corriente, no se encuentran diferencias significativas, por ende no se puede afirmar que existan diferencias en la liquidez entre los grupos analizados.

liquidez_compania<- balance %>% select(tipo,trab_direc,trab_admin,liquidez_corriente) %>% 
  filter(trab_direc>60,trab_admin>=100,trab_admin<=800)
liquidez_compania

# A tibble: 8 × 4
  tipo                 trab_direc trab_admin liquidez_corriente
  <fct>                     <dbl>      <dbl>              <dbl>
1 ANÓNIMA                      66        209               2.36
2 ANÓNIMA                      64        130               1.71
3 ANÓNIMA                     137        203               1.83
4 ANÓNIMA                     120        167               1.82
5 SUCURSAL  EXTRANJERA         69        322               1.82
6 ANÓNIMA                      82        135               2.15
7 ANÓNIMA                      70        277               1.85
8 SUCURSAL  EXTRANJERA         78        119               3.37

liquidez_compania %>% group_by(tipo)%>% 
  summarise(Promedio3 = mean(liquidez_corriente))

# A tibble: 2 × 2
  tipo                 Promedio3
  <fct>                    <dbl>
1 ANÓNIMA                   1.95
2 SUCURSAL  EXTRANJERA      2.60

ggplot(liquidez_compania, aes(x = tipo, y = liquidez_corriente, fill = tipo)) +
  geom_jitter(alpha=1,color="gray")+
  geom_boxplot(alpha=0.1) +
  labs(title = "Comparación de Liquidez por Tipo de Compañía",
       x = "Tipo de Compañía", y = "Liquidez") +
  theme_minimal()+
  theme(legend.position = "none")

Describe el top 10 de empresas con mayor apalancamiento.

El nivel de apalancamiento hace referencia a la deuda externa que genero la empresa para incrementar su rendimiento y maximizar ganancias.

El apalancamiento es positivo cuando la empresa esta en la capacidad de generar ingresos suficientes para cubrir el pago de la deuda y los intereses correspondientes, pero por otro lado tenemos el apalancamiento negativo, este se da cuando los ingresos no son suficientes para cubrir la deuda, esto conlleva a un riesgo de quiebra,

Por lo tanto es importante que las empresas analicen cuidadosamente su capacidad de pago y el nivel de riesgo antes de utilizar el apalancamiento, para que no se vea afectada su estabilidad financiera.

balance %>% select(nombre_cia,apalancamiento) %>% 
  arrange(desc(apalancamiento)) %>% 
  head(10)

# A tibble: 10 × 2
   nombre_cia                        apalancamiento
   <chr>                                      <dbl>
 1 ADELCA DEL LITORAL S.A.                   84393.
 2 HIROAKY S.A.                              26048.
 3 MEGATROPIC S.A.                           23803.
 4 MOCANATI CIA.LTDA.                        18946.
 5 MINERA EL PARAISO S.A. MINELPARSA         17063.
 6 VOITH HYDRO LTDA.                         14566.
 7 HOLDING IN FERLE HOLFERLE S.A.            11043.
 8 TERRARIUM S.A.                            10273.
 9 ECUADESK S.A.                              9602.
10 FERNATCON S.A.                             9186.