ANEXOS...........................................................................................................44

Según Córdova (2013) el administrador financiero debe establecer políticas de decisión en torno a la gestión de capital de trabajo con perspectiva al fortalecimiento de la liquidez y desempeño financiero:

Restructuración de activos: Consiste en vender activos no corrientes, para disponer de activos no corrientes y devengar las obligaciones corrientes.

Refinanciación de pasivos: La renegociación de deudas a corto plazo y las prórrogas de pagos a largo plazo, propenden al aumento del pasivo no corriente, reduciendo las obligaciones a corto plazo sin necesidad de establecer variaciones en el activo corriente.

Aporte de accionistas: Generalmente se determina por la reinversión de las utilidades o el aporte directo de capital accionario, esta maniobra permite incrementar el activo corriente y el patrimonio neto.

Reducción del plazo de cobranzas: Un mecanismo eficiente para aumentar el activo corriente es reduciendo los días de cuentas por cobrar, generando una mayor recaudación de efectivo.

Ampliación del plazo de pago: Esta decisión depende generalmente de la predisposición de los proveedores, sin embargo, es considerada como un financiamiento espontaneo, obteniendo mayor disponibilidad de efectivo para oxigenar las actividades operativas a corto plazo.

De igual forma es indispensable identificar las políticas de capital de trabajo que pueden establecerse en el ámbito empresarial. Según Espinoza, (2007) Las políticas del capital de trabajo se asocian estrechamente a las decisiones que toman los administradores financieros con respecto a los activo y pasivo circulantes. Estos niveles tienen un impacto directo en el en el riesgo y rentabilidad empresarial.

Córdova (2007) considera que las políticas de inversión en activos circulantes corresponden a la política relajada que consiste en mantener un nivel sustancial de efectivo, valores negociables e inventarios, generando de esta manera un incremento en ventas debido a las políticas generosas de crédito obteniendo como efecto colateral un aumento de las cuentas por cobrar. Política restringida, donde se reduce el mantenimiento de efectivo, de valores negociables e inventario y cuentas por cobrar. Política moderada, en donde en la inversión en

activos circulantes se establece mediante un manejo equilibrado entre la política relajada y restringida.

A continuación, se hace referencia a diversos métodos para calcular el capital de trabajo:

El método contable, en contexto general es el más utilizado y se establece mediante la diferencia entre los activos y pasivos circulantes. Duran (2011) manifiesta que se debe analizar el resultado que se va obtener, puesto que dependiendo si es positivo o negativo, se interpretará y se tomaran las decisiones pertinentes. No obstante, Faxas del Toro & Atucha (2011) consideran que se debe tener un equilibrio entre los activos y pasivos corrientes, puesto que la rentabilidad de la empresa puede depender de la fluctuación o comportamiento de dichas variables.

Para Aguilar (2017) otro método utilizado es el del ciclo de efectivo o ciclo de caja, básicamente es empleado para estimar el monto de efectivo necesario para la operación del negocio, especialmente es su etapa de inicio. Para su cálculo se hace referencia esencialmente al análisis del ciclo de caja el mismo que se determina considerando el tiempo en días que la empresa demora en recuperar sus ingresos provenientes de las ventas, para cumplir con las obligaciones de proveedores. En este método al capital de trabajo también se lo conoce como efectivo mínimo de operaciones, EMO. La fórmula estipula el total de desembolsos que se generarían en el año, dividido para el ciclo de caja.

Otro método hace referencia a los porcentajes de cambio de las ventas, según Aguilar (2017) Para conocer las necesidades financieras, identificados los flujos de efectivo y contables, se procede a relacionar con base a un análisis porcentual las cuentas del balance general y las ventas. Esta información permite determinar los requerimientos necesarios para financiar un aumento en las ventas, optando así ya sea por el uso de financiamiento a corto o largo plazo.

Desde una perspectiva de aplicación técnica porcentual se establecen dos escenarios para calcular la necesidad de fondos, cuando la organización desarrolla sus actividades al 100% de la capacidad instalada, tendrá que realizar inversiones de capital para poder incrementar la producción. En otro contexto si la entidad opera por debajo de su capacidad instalada, evidentemente direccionará esfuerzos a la inversión de activos corrientes para incrementar los ingresos. (Block, Hirt, & Danielsen, 2013). En este ámbito Gonzales & Quizhpe, (2012)

establecen que una empresa para impulsar su crecimiento requiere de financiamiento para incrementar las ventas, por consiguiente, es imperioso la realización de inversiones tanto en cuentas por cobrar, inventarios etc. Es importante destacar que este método se caracteriza por las variaciones de las cuentas: caja, clientes, existencias y proveedores (Porlles et.al., 2013).

En el ámbito financiero el análisis de los indicadores de eficiencia suscritos por la Superintendencia de Compañías viabiliza el estudio y análisis de la gestión de capital de trabajo, haciendo referencia a diversos rateos tales como la rotación de cartera, rotación de Activo fijo, rotación de ventas, período medio de cobranza, período medio de pago.

La Superintendencia de Compañías (2020) considera que estos indicadores de gestión tienen por propósito de medir la eficiencia con la cual las empresas utilizan sus recursos, evaluando la rotación de los componentes del activo, la recuperación de creditos y el dersembolso de las obligaciones a corto plazo.

Según la Superintendencia de Compañías (2020) define los indicadores de gestión conforme a los siguientes postulados:

• Rotación de cartera, indica el número de veces que las cuentas por cobrar giran, en promedio, en un periodo establecido, generalmente un año. Se calcula dividiendo las ventas para las cuentas por cobrar.

• Rotación del activo fijo establece la cantidad de unidades monetarias vendidas por cada unidad monetaria invertida en activos inmovilizados. Su fórmula de cálculo

consiste en dividir las ventas para el activo neto tangible.

• Rotación de ventas este indicador determina el número de veces que, en un determinado nivel de ventas, se utilizan los activos. Su fórmula implica la división entre las ventas y activo total.

• Período Medio de Cobranza establece el nivel de liquidez en días de las cuentas y documentos por cobrar, se calcula mediante el análisis de las cuentas y documentos por cobrar, multiplicado por 365 y dividido para las ventas.

• Período Medio de Pago determina el número de días que la empresa tarda en cubrir sus obligaciones de inventarios. Se calcula multiplicando las cuentas y documentos por Pagar por 365 y dividiendo el resultado para el total de inventarios.

2.1.2 Análisis de la Rentabilidad en el contexto empresarial

Soriano (2010) menciona que la rentabilidad es el resultado y/o beneficio que tienen las instituciones de lo invertido en relación a todos los componentes que fueron empleados en sus operaciones. Según Gitman (1997) menciona que rentabilidad es la relación entre ingresos y costos generados por el uso de los activos dentro de la empresa en las actividades producidas. Para Baena (2014) la rentabilidad es la obtención de resultados de una inversión en función de la rotación de los activos propiedad planta y equipo (conocidos como activos fijos), y el margen de utilidad neta.

Gitman et al. (2012) Consideran que la rentabilidad es: “la relación entre ingresos y costos generados por el uso de los activos de la empresa en actividades productivas. La rentabilidad de una empresa puede ser evaluada en referencia a las ventas, a los activos, al capital o al valor accionario‖” (p. 63). Abad (2011) considera que la rentabilidad se establece en un tiempo determinado, haciendo un análisis especifico de la capacidad de generación de utilidades y por consiguiente la obtención de rendimientos sobre la inversión estipulada. Sin embargo, Van Horne & Wachowicz (2010) menciona que, al buscar una rentabilidad más alta, se debe esperar mayores riesgos en la empresa pues se puede decir que el riesgo y el rendimiento van de la mano.

Según Zamora (2008) la rentabilidad implica una medición objetiva del rendimiento resultante de la operacionalización de los capitales utilizados en un periodo de tiempo específico. Para Córdova (2013) La rentabilidad se logra “Aumentando los ingresos por medio de las ventas o disminuyendo los costos pagando menos por las materias primas, salarios o servicios que se presten” (p. 188).

Según Gitman (2003) es sumamente relevante para los propietarios, acreedores y la administración la generación de utilidades de la empresa, para lo cual es indispensable incorporar diversas medidas de rentabilidad, evaluar permanentemente el nivel de ventas, rendimiento de activos y requerimientos de inversión, esto viabilizará la inducción de financiamiento externo en caso de ser requerido. Bajo este contexto según Dess & Lumpkin, (2003) las medidas de rentabilidad permiten conocer con qué eficiencia utiliza la empresa sus activos y gestiona sus operaciones.

La rentabilidad se identifica desde la perspectiva económica y financiera. Hablar de rentabilidad económica implica la comparación del resultado alanzado por la empresa, sin

considerar lógicamente la procedencia de los recursos financieros utilizados, por otro lado la rentabilidad financiera incorpora a su cálculo la cuantía de fondos propios, direccionando específicamente a un tipo de análisis de rendimiento para los inversionistas. (Lizcano, 2004)

Para Contreras (2015) la rentabilidad económica muestra la eficacia en el uso de los activos, se mide dividiendo el beneficio operativo después de impuestos entre el activo neto promedio. La rentabilidad financiera o también llamado ratio de retorno determina la rentabilidad con respecto al patrimonio que se mide dividiendo la utilidad neta sobre patrimonio. Según Eslava (2010) Las dimensiones de rentabilidad se distinguen entre la rentabilidad económica o rentabilidad de la empresa como negocio y entre la rentabilidad financiera o rentabilidad que obtengan los accionistas o propietarios como retribución al capital que tiene invertido en la empresa.

Las tres medidas de rentabilidad más conocidas según Dess y Lumpkin (2003) son: el Margen de Beneficio, el cual mide el beneficio obtenido por cada unidad monetaria de Ventas. Rentabilidad del Activo que mide el beneficio por unidad monetaria de Activo. Y la Rentabilidad de los Fondos Propios, la cual mide cómo les va a los accionistas durante el año, es decir, representa la verdadera medida del resultado del rendimiento.

Para Benavente, (2005) hace referencia que el factor más eficaz para mejorar la rentabilidad empresarial son los recursos que se destinan para la investigación científica y el desarrollo tecnológico (I+D en adelante), convirtiéndose así, en un mecanismo eficiente para innovar los productos y los procesos, y emprender en una transformación productiva.

Según García, Martinez, & Fernandez (2018) consideran que la Rentabilidad Sobre Activos mide la rentabilidad económica este hace referencia a las utilidades antes de intereses

e impuestos con los activos. Para Redondo & Arias(2013) Rentabilidad sobre activos es: “La relación entre beneficios netos y activos totales. Representa la rentabilidad de la empresa respecto al activo invertido ya esté financiado con fondos propios o ajenos.” p.23. En consonancia, Martins, Miranda, & Alvez, (2014) manifiesta que la rotación de activos constituye un papel muy importante, dado que incluye sobre la rentabilidad de forma directa y, simultáneamente, posee elementos que explican la liquidez. Jimenez & Lozano (2014) establece, este indicador es generalmente es considerado la medida de mayor relevancia para analizar el beneficio o no beneficio de una empresa determinada. La rotación del activo total según Cordova (2014) tiene por objeto medir la actividad en ventas de una empresa, es decir

cuántas veces es capaz de colocar entre sus clientes un valor igual a la inversión que se ha realizado; en conclusión, este índice refleja la eficiencia del uso de los activos de la empresa para generar ventas.

Para el análisis de la rentabilidad se requiere de la aplicación de diversos indicadores financieros. Lawrence & Michael, (2005) considera que: “El riesgo asociado con una inversión dada está directamente relacionado con su rendimiento.” (p.108). En este caso el ROA representa un factor preponderante para la medición de rendimientos de los accionistas. No obstante, según la Superintendencia de Compañías (2020) la rentabilidad neta del activo se puede obtener dividiendo la utilidad neta para el activo total, sin embargo, se establece una la variación presentada en la fórmula, identificada como Dupont la misma que genera una relación de la rentabilidad de ventas y la rotación del activo total, obteniendo un panorama más amplio de las áreas responsables del desempeño de la rentabilidad del activo.

2.1.3 El sector manufacturero ecuatoriano

Las características que definen la estructura productiva de un país, sostenibilidad y el grado de especialización de los subsectores o actividades económicas que la integran son fundamentales para el desarrollo de la producción de su economía. La industria manufacturera cumple un factor preponderante en este ámbito, y a nivel de comparación este sector desarrolla actividades que representan un mayor crecimiento económico, progreso y cambio estructural de una nación. (CEPAL, 2012)

El Ecuador se caracteriza por su economía en vía de desarrollo, esta tendencia se debe básicamente al direccionamiento hacia el sector primario y terciario, como consecuencia el sector de manufactura no pudo generar el crecimiento esperado en comparación a los otros sectores, quedando así rezagado. (Aguilar, 2013)

Es importante recalcar que el sector manufacturero ecuatoriano según la Superintendencia de Compañías (2020) está subclasificada por subsectores, haciendo referencia a la Clasificación Industrial de Clasificación Uniforme (CIIU), totalizando a 24 categorias de empresas. Estas compañías desarrolan actividades operativas diferentes, tienen tamaños disimiles, no obstante constituyen un pilar fundamental para el desarrollo económico del pais. Estos subsectores son:

Tabla 1.

Subsectores totales del sector manufacturero ecuatoriano (CIIU)

DETALLE C10 - Elaboración de productos alimenticios. C11 - Elaboración de bebidas. C12 - Elaboración de productos de tabaco. C13 - Fabricación de productos textiles. C14 - Fabricación de prendas de vestir. C15 - Fabricación de cueros y productos conexos. C16 - Producción de madera y fabricación de productos de madera y corcho, excepto muebles; fabricación de artículos de paja y de materiales trenzables. C17 - Fabricación de papel y de productos de papel. C18 - Impresión y reproducción de grabaciones. C19 - Fabricación de coque y de productos de la refinación del petróleo. C20 - Fabricación de substancias y productos químicos. C21 - Fabricación de productos farmacéuticos, sustancias químicas medicinales y productos botánicos de uso farmacéutico. C22 - Fabricación de productos de caucho y plástico. C23 - Fabricación de otros productos minerales no metálicos. C24 - Fabricación de metales comunes. C25 - Fabricación de productos elaborados de metal, excepto maquinaria y equipo. C26 - Fabricación de productos de informática, electrónica y óptica. C27 - Fabricación de equipo eléctrico. C28 - Fabricación de maquinaria y equipo n.c.p. C29 - Fabricación de vehículos automotores, remolques y semirremolques. C30 - Fabricación de otros tipos de equipos de transporte. C31 - Fabricación de muebles. C32 - Otras industrias manufactureras. C33 - Reparación e instalación de maquinaria y equipo.

Fuente: Superintendencia de Compañías (2020)

Durante el periodo 2013—2017 la industria manufacturera generó 5,941 millones de USD en utilidades (1,098 millones de USD en promedio anual). Los ingresos por ventas para fueron aproximadamente de 120,871 millones de USD (24,174 millones de USD en promedio anual). Mediante un análisis de incidecia regional en el periodo 2017, Pichincha reporta 9,443 millones de USD y una participación del 41.2% en el total de ingresos por ventas obtenidos por el sector manufacturero a nivel nacional, Guayas es la provincia que sigue con 8,724 millones de USD y una participación del 38%. Manabí reportó 1,843 millones de USD y una participación del 8%, Y Azuay con un total de 1,175 millones de USD en ingresos por ventas y una participación del 5.1%, instituyendose como las provincias de mayor representatividad en el ambito de la industria manufacturera. (Superintendencia de Compañías, 2018).

2.2. Predicción científica

El propósito de esta investigación es establecer la relación existente entre la gestión de capital de trabajo con respecto al nivel de rentabilidad obtenido para el grupo de empresas del sector manufacturero ecuatoriano, a través de la utilización de técnicas y herramientas científicas y por medio de la inducción de un modelo de regresión lineal múltiple, para poder identificar estadísticamente el nivel de incidencia de las variables independientes (Indicadores de gestión de capital de trabajo) en la rentabilidad del activo (ROA).

3. METODOLOGÍA DE LA INVESTIGACIÓN

3.1. Enfoque, diseño y tipo de investigación

La inducción metodológica de esta investigación se fundamentó en los compendios establecidos por Sampieri (2014).

La presente investigación se direccionó mediante la inducción de un enfoque cuantitativo, puesto que se requiere de la indagación específica de indicadores tanto en el ámbito de la gestión de capital de trabajo como en el estudio de las tendencias de rentabilidad de las empresas del sector manufacturero. Estos indicadores corresponden a las medianas por subsector de todas las compañías activas que reportaron su información financiera en los últimos cinco años, hasta el cierre del periodo 2018.

El diseño de investigación se conjetura como no experimental longitudinal, debido a que se pretende generar un análisis fehaciente recopilando información en diversos periodos respecto a las variables de estudio (Capital de trabajo – Rentabilidad).

Se procedió a la aplicación del tipo de investigación descriptivo, explicativa y correlacional.

Descriptivo porque se requirió de la identificación, registro y ordenamiento de los datos recabados en relación a los indicadores de estudio para proceder a establecer en contexto general la situación actual de las empresas del sector manufacturero en el Ecuador.

La investigación explicativa es fundamental debido la utilización de coeficientes de determinación, en donde se estableció el porcentaje de incidencia de las variables independientes en relación a la variable dependiente. Es decir se explicó la relación causal entre los indicadores financieros analizados.

3.2. Población y muestra

Población:

El estudio se realizó al sector total, por cuanto, el área de manufactura en el Ecuador está estructurada por 24 subsectores según la Clasificación Industrial de Clasificación Uniforme (CIIU) Rev. 4, esto acorde a los registros de la Superintendencia de Compañías.

Muestreo:

Mediante muestreo no probabilístico por conveniencia para el proceso de investigación se desarrolló un estudio específico de los subsectores con mayores índices de rentabilidad. En total se establecen 20 subsectores, los cuales se visualizan a continuación:

Tabla 2.

Muestra (Sectores con mayor índice de rentabilidad)

Nº DESCRIPCIÓN 1 C10 - Elaboración de productos alimenticios. 2 C12 - Elaboración de productos de tabaco. 3 C13 - Fabricación de productos textiles. 4 C14 - Fabricación de prendas de vestir. 5 C15 - Fabricación de cueros y productos conexos. ROA 0,0065 0,0975 0,0226 0,011 0,0285

6 C16 - Producción de madera y fabricación de productos de madera y corcho, excepto muebles; fabricación de artículos de paja y de materiales trenzables. 0,0111

7 C17 - Fabricación de papel y de productos de papel. 8 C18 - Impresión y reproducción de grabaciones. 9 C20 - Fabricación de substancias y productos químicos. 10 C21 - Fabricación de productos farmacéuticos, sustancias químicas medicinales y productos botánicos de uso farmacéutico. 11 C22 - Fabricación de productos de caucho y plástico. 12 C23 - Fabricación de otros productos minerales no metálicos. 13 C24 - Fabricación de metales comunes. 14 C25 - Fabricación de productos elaborados de metal, excepto maquinaria y equipo. 15 C26 - Fabricación de productos de informática, electrónica y óptica. 16 C27 - Fabricación de equipo eléctrico. 17 C28 - Fabricación de maquinaria y equipo n.c.p.

18 C29 - Fabricación de vehículos automotores, remolques y semirremolques.

19 C30 - Fabricación de otros tipos de equipos de transporte. 20 C33 - Reparación e instalación de maquinaria y equipo. Fuente: Superintendencia de Compañías (2020) 0,0267 0,0207 0,0225

0,0321

0,026 0,01 0,0197

0,0208

0,0079 0,0219 0,0257

0,0455

0,0199 0,0331

3.3. Operacionalización de las variables

Tabla 3.

Operacionalización de variables

VARIABLE INDICADOR ABREVIATURA INSTRUMENTO

Rotación de cartera RC Ventas / Cuentas por Cobrar

Rotación de activo fijo Rotación de ventas RA Ventas / Activo Fijo RV Ventas / Activo Total

Variable independiente: gestión de capital de trabajo Periodo medio de cobranza

Periodo medio de pago PMC

PMP Cuentas y documentos por cobrar/ ventas x 365 días Cuentas y documentos por pagar / compras x 365 días

Variable dependiente: rentabilidad empresas sector manufacturero Rentabilidad del activo ROA (Utilidad neta/ventas) * (ventas/activo total)

Fuente: Tabla de indicadores - Superintendencia de Compañías. Recuperado de: http://reporteria.supercias.gob.ec/portal/samples/images/docs/tabla_indicadores.pdf

3.4. Técnicas e instrumentos de recogida de datos

Técnica de recolección de datos:

Análisis de contenidos: Desde una perspectiva cuantitativa se requiere indagar, identificar y examinar la información de las fluctuaciones de rentabilidad e indicadores de capital de trabajo de las empresas del sector manufacturero ecuatoriano en los periodos 2014 al 2018. Información existente en la base de datos de la Superintendencia de Compañías. Para ello se requiere de la identificación, operacionalización y análisis estadístico de las variables involucradas.

Instrumento para la recolección de datos:

Como instrumento de apoyo al análisis de contenidos se procederá a la utilización de un tablero integral de indicadores, en donde se identifiquen los resultados de los parámetros de capital de trabajo y rentabilidad establecidos por la Superintendencia de Compañías, además se incorporará las tendencias mínimas aceptables por cada indicador suscrito, con el propósito de obtener una mejor percepción del comportamiento de las variables de estudio.

3.5. Técnicas de análisis de datos

a) Estadísticos descriptivos

Se procedió a la aplicación de análisis estadístico descriptivo para establecer factores promédiales, medianas, moda etc., respecto al tratamiento de los indicadores suscritos en el estudio pertinente.

b) Coeficiente de correlación

De igual forma se estableció la aplicación del coeficiente de Pearson, técnica de análisis que permitió medir el nivel de relación entre las variables analizadas. Este estudio se estructuró primeramente haciendo un análisis del nivel de correlación por cada año estudiado, con la finalidad de obtener una mayor perspectiva comparativa entre los periodos de estudio. El proceso de cálculo determina la suma de los productos de las variables normalizadas. Existen diversos mecanismos de aplicación:

sx=√ (∑(x−x¯)2 / N−1.

sy=√ (∑(y−y¯)2 / N−1.

Normalización de las variables:

zx = x−x¯/ sx,

zy = y−y¯/ sy

r=∑zxzy / N−1

c) Regresión Lineal múltiple

Se aplicó un análisis multivariante con base a un modelo de regresión lineal múltiple para establecer específicamente el nivel de relación de los diversos indicadores capital de trabajo (Variable Independiente) en contexto con la rentabilidad (variable dependiente), permitiendo generar un resultado concluyente en torno al proceso investigativo.

Matemáticamente se establece el postulado de que la función de regresión que relaciona la variable dependiente con las variables independientes es lineal Yi=(β0+β1X1i+β2X2i+⋯+βnXni)+ei. En donde:

β0: es la ordenada en el origen, el valor de la variable dependiente Y cuando todos los predictores son cero.

βi: es el efecto promedio que tiene el incremento en una unidad de la variable predictora Xi sobre la variable dependiente Y, manteniéndose constantes el resto de variables. Se conocen como coeficientes parciales de regresión.

ei: es el residuo o error, la diferencia entre el valor observado y el estimado por el modelo.

El modelo logró establecer R2 (Coeficiente de determinación) por periodo estudiado, posteriormente se aplicó la prueba de bondad de ajuste como el análisis de la varianza (Anova) para comprobar el nivel de relación del modelo de regresión (F) y estipular la significancia (Sig). Todo este procedimiento se desarrolló con base al programa estadístico IBM SPSS - 24.

4. RESULTADOS

4.1 Diagnóstico sobre la gestión de capital de trabajo de las empresas del sector manufacturero ecuatoriano al cierre del periodo 2018.

Para el desarrollo del diagnóstico de la gestión de capital de trabajo se establece las medias por año de los indicadores: Rotación de cartera, rotación de activo fijo, rotación de ventas, periodo medio de cobranza y periodo medio de pago.

Tabla 4.

Medias – Indicadores GCT

Año

Rotación De

Cartera Rotación De

Activo Fijo Rotación De

Ventas Periodo Medio De

Cobranzas (Días) Periodo Medio De

Pago (Días)

2014 2015 2016 2017

3,77708 2,91866 1,09928 45,22389 83,138845 3,444965 2,52317 1,053985 47,290685 77,758625 2,213215 1,031465 0,769785 48,379205 0 3,5673 3,97266 0,925175 85,56235 329,584315

2018

2,767425 1,8631 0,926695 65,358285 121,670525 Fuente: Tabla de indicadores - Superintendencia de Compañías – Procesamiento SPSS

Como se puede observar en la tabla que antecede en los años 2014, 2015 y 2017 en promedio se genera una mayor eficiencia en la gestión de capital de trabajo, puesto que los indicadores son más fehacientes en esos periodos.

4.2 Nivel de rentabilidad de las de las empresas del sector manufacturero.

Se procede al análisis de las Medias de la Rentabilidad del activo de los subsectores del sector manufacturero por año, con el propósito de identificar fluctuaciones más altas en los años estudiados.

Tabla 5.

Niveles de rentabilidad del activo ROA por año

Detalle C10 - elaboración de productos alimenticios. C12 - elaboración de productos de tabaco. C13 - fabricación de productos textiles. C14 - fabricación de prendas de vestir. 2014 2015 2016 2017 2018 0,0275 0,0228 0,0000 0,0418 0,0065 0,0447 0,0929 0,0000 0,0756 0,0975 0,0345 0,0147 0,0043 0,0449 0,0226 0,0379 0,0169 0,0032 0,0246 0,0110

C15 - fabricación de cueros y productos conexos. 0,0262 0,0083 0,0036 0,0282 0,0285 C16 - producción de madera y fabricación de productos de 0,0228 0,0254 0,0046 0,0426 0,0111 madera y corcho, excepto muebles; fabricación de artículos de paja y de materiales trenzables. C17 - fabricación de papel y de productos de papel. 0,0325 0,0231 0,0113 0,0570 0,0267 C18 - impresión y reproducción de grabaciones. 0,0537 0,0288 0,0204 0,0400 0,0207 C20 - fabricación de substancias y productos químicos. 0,0433 0,0275 0,0064 0,0567 0,0225 C21 - fabricación de productos farmacéuticos, sustancias 0,0418 0,0186 0,0023 0,0611 0,0321 químicas medicinales y productos botánicos de uso farmacéutico. C22 - fabricación de productos de caucho y plástico. 0,0453 0,0431 0,0165 0,0545 0,0260 C23 - fabricación de otros productos minerales no metálicos. 0,0346 0,0189 0,0000 0,0383 0,0100 C24 - fabricación de metales comunes. 0,0318 0,0129 0,0181 0,0441 0,0197 C25 - fabricación de productos elaborados de metal, excepto 0,0490 0,0356 0,0278 0,0618 0,0208 maquinaria y equipo. C26 - fabricación de productos de informática, electrónica y 0,0521 0,0187 0,0000 0,0526 0,0079 óptica. C27 - fabricación de equipo eléctrico. 0,0374 0,0422 0,0144 0,0428 0,0219 C28 - fabricación de maquinaria y equipo n.c.p. 0,0386 0,0216 0,0005 0,0651 0,0257 C29 - fabricación de vehículos automotores, remolques y 0,0326 0,0396 0,0183 0,0669 0,0455 semirremolques. C30 - fabricación de otros tipos de equipos de transporte. 0,0133 0,0159 0,0094 0,0334 0,0199 C33 - reparación e instalación de maquinaria y equipo. 0,0605 0,0575 0,0211 0,0641 0,0331 Fuente: Tabla de indicadores - Superintendencia de Compañías. Recuperado de: http://reporteria.supercias.gob.ec/portal/samples/images/docs/tabla_indicadores.pdf

Tabla 6.

ROA promedio por año

2014 2015 2016 2017 2018

N Válido Perdidos 20 20 20 20 20

0 0 0 0 0

Media ,0380 ,0293 ,0091 ,0498 ,0255

Mediana Moda Mínimo ,0377 ,0230 ,0055 ,0488 ,0222 ,01a ,01a ,00 ,02a ,01a

,01 ,01 ,00 ,02 ,01 Máximo ,06 ,09 ,03 ,08 ,10 Fuente: Tabla de indicadores - Superintendencia de Compañías – Procesamiento SPSS

En el año 2017 se observa un nivel mayor de rentabilidad del activo (0,0498). Al contrastar esta información con los factores promédiales anuales de gestión de capital de trabajo, se puede suponer que en dicho periodo la gestión de capital de trabajo fue eficiente, además el periodo medio de pago corresponde a la más alta fluctuación.

Tabla 7.

ROA promedio por sector - periodo 2014 - 2018

C10 C12 C13 C14 C15 C16 C17 C18 C20 C21 N Válido 5 5 5 5 5 5 5 5 5 5

Perdidos 0 0 0 0 0 0 0 0 0 0 Media ,0197 ,0621 ,0242 ,0187 ,0190 ,0213 ,0301 ,0327 ,0313 ,0312 Mediana ,0228 ,0756 ,0226 ,0169 ,0262 ,0228 ,0267 ,0288 ,0275 ,0321 Desviación ,01674 ,04045 ,01600 ,01329 ,01202 ,01463 ,01691 ,01418 ,01937 ,02237 estándar Mínimo ,00 ,00 ,00 ,00 ,00 ,00 ,01 ,02 ,01 ,00 Máximo ,04 ,10 ,04 ,04 ,03 ,04 ,06 ,05 ,06 ,06 C22 C23 C24 C25 C26 C27 C28 C29 C30 C33 N Válido 5 5 5 5 5 5 5 5 5 5

Perdidos 0 0 0 0 0 0 0 0 0 0 Media ,0371 ,0204 ,0253 ,0390 ,0263 ,0317 ,0303 ,0406 ,0184 ,0473 Mediana ,0431 ,0189 ,0197 ,0356 ,0187 ,0374 ,0257 ,0396 ,0159 ,0575 Desviación ,01544 ,01619 ,01258 ,01649 ,02473 ,01286 ,02380 ,01787 ,00923 ,01903 estándar Mínimo ,02 ,00 ,01 ,02 ,00 ,01 ,00 ,02 ,01 ,02 Máximo ,05 ,04 ,04 ,06 ,05 ,04 ,07 ,07 ,03 ,06 Fuente: Tabla de indicadores - Superintendencia de Compañías – Procesamiento SPSS

Los subsectores con mayor rentabilidad corresponden a la fabricación de vehículos automotores remolques y semirremolques (C29). Y reparación e instalación de maquinaria y equipo. (C33) con una media similar de 0,0406 y 0,0473 respectivamente.

4.3 Relación entre la gestión de capital de trabajo y la rentabilidad

4.3.1 Modelo de regresión lineal múltiple (Análisis Longitudinal)

a) Periodo 2014.

Para la inducción del modelo en el periodo 2014 la variable Periodo Medio de Pago y el sector C30 - Fabricación de otros tipos de equipos de transporte, fueron extraídos del cálculo por falta de datos en dicho año.

A simple vista el resultado de las correlaciones para el periodo 2014 (Anexo 1) se establece un bajo nivel de asociación entre los indicadores de Gestión de capital de Trabajo y Rentabilidad del activo. Por cuanto es indispensable la inducción de un estudio más profundo mediante un modelo de regresión.

El modelo de regresión incluye a las variables predictoras periodo medio de cobranza, rotación de cartera, rotación de activo fijo, rotación de ventas, como variables independientes y la rentabilidad del activo como la variable dependiente.

Tabla 8.

Resumen del modelo - periodo 2014

Modelo R R cuadrado R cuadrado ajustado 1 ,769a ,592 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24 ,475 Error estándar de la estimación ,0141864

El modelo suscrito toma como referencia los siguientes predictores: (Constante): Periodo medio de cobranza, rotación de cartera, rotación de activo fijo, rotación de ventas, en relación a la variable dependiente: Rentabilidad neta del activo. Por consiguiente el coeficiente de determinación indica una fuerte incidencia de las variables independientes en torno a la variable dependiente.

Se procede a la aplicación de ANOVA para determinar la significancia del modelo en función a los predictores establecidos.

Tabla 9.

Anova - periodo 2014

Modelo 1 Regresión Residuo

Suma de cuadrados Gl

Media cuadrática F Sig. ,004 4 ,001 5,078 ,010b ,003 14 ,000 Total ,007 18 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

El modelo global es significativo para los predictores: Periodo medio de cobranza, rotación de cartera, rotación de activo fijo, rotación de ventas, en relación a la variable dependiente ROA.

Tabla 10.

Coeficientes variables independientes - periodo 2014

Modelo Coeficientes no estandarizados

Coeficientes estandarizados

B

Error estándar Beta T Sig.

95.0% intervalo de confianza para B Límite inferior Límite superior 1 (Constante) -,038 ,025 -1,487 ,159 -,093 ,017 RC ,000 ,004 ,006 ,029 ,977 -,009 ,009 RAF -,005 ,005 -,232 -1,030 ,320 -,016 ,006 RV ,039 ,028 ,372 1,355 ,197 -,022 ,100 PMC ,001 ,000 ,854 4,314 ,001 ,000 ,001 Variable dependiente: Rentabilidad Neta del Activo Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Con base al análisis de coeficientes se procede a introducir en el modelo únicamente a la variable independiente Periodo Medio de Cobranza (PMC) puesto que es el indicador más significativo.

Tabla 11.

Resumen del modelo – Periodo medio de Cobranza - periodo 2014

Modelo R R cuadrado R cuadrado ajustado 1 ,719a ,517 ,488

a. Predictores: (Constante), Periodo medio de cobranza Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24 Error estándar de la estimación ,0140084

Tabla 12.

Anova - Periodo medio de Cobranza - periodo 2014

Modelo 1 Regresión Residuo

Suma de cuadrados Gl

Media cuadrática F Sig. ,004 1 ,004 18,189 ,001b ,003 17 ,000 Total ,007 18 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Tabla 13.

Coeficientes - Periodo medio de Cobranza - periodo 2014

Modelo

Coeficientes no estandarizados

Coeficientes estandarizados

B

Error estándar Beta t Sig. 95.0% intervalo de confianza para B

Límite inferior Límite superior

1 (Constante) -,004 ,009 -,426 ,675 -,022 ,014

Periodo medio de cobranza ,001 ,000 ,719 4,265 ,001 ,000 ,001

a. Variable dependiente: RENTABILIDAD NETA DEL ACTIVO Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

En el periodo 2014 se establece que el modelo global es significadito, es decir las variables independientes explican a la dependiente, no obstante, en el análisis por variable se visualiza que periodo medio de cobranza representa un mayor nivel de significación, por cuanto mediante la aplicación del modelo se establece un coeficiente de determinación de 0,517, F 18,189 y Sig. 0,01.

Es decir la variable periodo medio de cobranza explica a la rentabilidad del activo en un 51,7% considerando que la relación según Anova es sustancial.

b) Periodo 2015

En el periodo 2015 según los coeficientes de correlación analizados se establece que existe asociación baja - moderada entre las variables rentabilidad del activo y las variables PMC – PMP. (Visualizar Anexo 1).

A continuación se establece los resultados del modelo global.

Tabla 14.

Resumen del modelo - periodo 2015

Modelo R R cuadrado R cuadrado ajustado 1 ,868a ,754 ,666

Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24 Error estándar de la estimación ,0111584

Tabla 15.

Anova - periodo 2015

Modelo 1 Regresión Residuo

Suma de cuadrados gl

Media cuadrática F Sig. ,005 5 ,001 8,593 ,001b ,002 14 ,000 Total ,007 19 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

El modelo global para el periodo 2015 aplicado para los predictores periodos medio de pago, rotación de cartera, rotación de activo fijo, rotación de ventas, periodo medio de cobranza es significativo en relación a la rentabilidad del activo.

Tabla 16.

Coeficientes variables independientes - periodo 2015

Modelo

Coeficientes no estandarizados

Coeficientes estandarizados

B

Error estándar Beta 1 (Constante) -,054 ,021 T Sig. 95.0% intervalo de confianza para B

Límite inferior Límite superior

2,624 ,020 -,098 -,010

RC -,001 ,003 -,076 -,443 ,665 -,008 ,005

RA

-,001 ,003 -,039 -,227 ,824 -,008 ,006 RV ,068 ,024 ,671 2,781 ,015 ,016 ,120 PMC -1,436E-5 ,000 -,014 -,052 ,959 -,001 ,001 PMP ,00024 ,000 1,103 3,437 ,004 ,000 ,0004 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Como se observa en el análisis de coeficientes del modelo global la rotación de ventas y Periodo medio de pago tienen significancia, por cuanto se procede a desarrollar el modelo analizando específicamente estas dos variables.

Tabla 17.

Resumen del modelo – Periodo medio de Pago – Rotación de ventas - periodo 2015

Modelo R R cuadrado R cuadrado ajustado 1 2 ,720a ,866b ,519 ,750 ,492 ,720

a. Predictores: (Constante), PERIODO MEDIO DE PAGO b. Predictores: (Constante), ROTACION DE VENTAS Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24 Error estándar de la estimación ,0137680 ,0102202

Tabla 18.

Anova - Periodo medio de Pago – Rotación de ventas - periodo 2015

Modelo 1 Regresión Residuo Total 2 Regresión Residuo

Suma de cuadrados Gl

Media cuadrática F Sig. ,004 1 ,004 19,418 ,000b ,003 18 ,000 ,007 19 ,005 2 ,003 25,453 ,000c ,002 17 ,000 Total ,007 19 b. Predictores: (Constante), Periodo medio de pago c. Predictores: (Constante), Rotación de ventas Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Tabla 19.

Coeficientes - Periodo medio de pago – Rotación de ventas - periodo 2015

Modelo

Coeficientes no estandarizados

Coeficientes estandarizados

B

Error estándar Beta T Sig. 95.0% intervalo de confianza para B

Límite inferior Límite superior

1 (Constante) ,017 ,004 4,118 ,001 ,008 ,026

Periodo medio de pago ,00016 ,000 ,720 4,407 ,000 ,000 ,00023

2 (Constante) -,051 ,017

2,921 ,010 -,088 -,014

Rotación de ventas ,059 ,015 ,585 3,958 ,001 ,028 ,091

Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

En el periodo 2015 se establece que el modelo global es significadito, es decir las variables independientes explican a la dependiente, sin embargo en el estudio de coeficientes por variable se visualiza que periodo medio de pago y la rotación de ventas representa un mayor nivel de significación, por cuanto mediante la aplicación del modelo se determina que el R2 más alto corresponde a rotación de ventas con el de 0,750, F de 25,453 y Sig. 0,000

Es decir la variable Rotación de ventas explica a la rentabilidad del activo en un 75,5% considerando que la relación según Anova es sustancial.

c) Periodo 2016

Para proceder al desarrollo del modelo es pertinente recalcar que la variable Periodo medio de pago fue extraída del estudio debido a la insuficiencia de datos. De igual manera bajo esa misma premisa se excluyó el subsector C12 – C11 – C 23, puesto que la variable dependiente (Rentabilidad) para estos tres casos es cero según el informe emitido por la Superintendencia de Compañías.

En el periodo 2016 se observa mediante la correlación de Pearson (Visualizar Anexo 1) un nivel de asociación considerable de la variable dependiente (Rentabilidad del activo) y la variable independiente (Rotación de ventas). Con base a lo expuesto se procede a la aplicación del modelo.

Tabla 20.

Resumen del modelo - periodo 2016

Modelo R R cuadrado R cuadrado ajustado 1 ,787a ,619 ,493

Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24 Error estándar de la estimación ,0060369

El modelo es aplicado considerando los predictores: Periodo medio de cobranza, rotación de cartera, rotación de ventas y rotación der activo fijo.

Tabla 21.

Anova - periodo 2016

Modelo 1 Regresión Residuo

Suma de cuadrados Gl

Media cuadrática F Sig. ,001 4 ,000 4,882 ,014b ,000 12 ,000 Total ,001 16 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

El modelo global es significativo, considerando un indicador de Fisher de 4,822 y un nivel de significancia de 0,014, menor a 0,05e puede deducir según el coeficiente de determinación que las variables independientes (Indicadores de rentabilidad) explican a la variable dependiente (Rentabilidad del activo) en un 61,9%.

Tabla 22.

Coeficientes variables independientes - periodo 2016

Modelo

Coeficientes no estandarizados Coeficientes estandarizados

B

Error estándar Beta T Sig. 95.0% intervalo de confianza para B

Límite inferior Límite superior

1 (Constante) -,018 ,009 -2,161 ,052 -,037 ,000

RC ,001 ,003 ,061 ,241 ,814 -,005 ,007

RAF

,000 ,003 ,049 ,174 ,865 -,005 ,006 RV ,031 ,010 ,705 3,005 ,011 ,009 ,054 PMC 1,950E-5 ,000 ,039 ,190 ,852 ,000 ,000 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Como se puede observar efectuando un análisis de coeficientes la variable significativa corresponde a Rotación de ventas tiene mayor significancia, por cuanto se procede a efectuar

el modelo de regresión para dicha variable, con el propósito de medir su nivel de incidencia en la rentabilidad.

Tabla 23.

Resumen del modelo – Rotación de ventas - periodo 2016

Modelo R R cuadrado R cuadrado ajustado 1 ,781a ,610 ,584

A. Predictores: (constante), Rotación de ventas Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24 Error estándar de la estimación ,0054680

Tabla 24.

Anova - Rotación de ventas - periodo 2016

Modelo 1 Regresión Residuo

Suma de cuadrados Gl

Media cuadrática F Sig. ,001 1 ,001 23,428 ,000b ,000 15 ,000 Total ,001 16 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Tabla 25.

Coeficientes - Rotación de ventas - periodo 2016

Modelo

Coeficientes no estandarizados

Coeficientes estandarizados

B

Error estándar Beta t Sig. 95.0% intervalo de confianza para B

Límite inferior Límite superior

1 (Constante) -,018 ,006

-2,964 ,010 -,031 -,005 RV ,035 ,007 ,781 4,840 ,000 ,019 ,050 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

En el periodo 2016 la variable rotación de ventas genera una mayor incidencia en la variable rentabilidad del activo, el factor de Fisher es de 23,428 y el nivel de significancia es mucho menor a 0,05.

d) Periodo 2017

En el periodo 2017 se observa una asociación directa de tipo moderada entre la variable rotación de ventas y rentabilidad del activo. (Visualizar Anexo 1).

Tabla 26.

Resumen del modelo - periodo 2017

Modelo 1 R R cuadrado R cuadrado ajustado Error estándar de la estimación

,743a ,552 ,379 ,0100316

Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Predictores: Periodo medio de pago, rotación de activo fijo, rotación de ventas, rotación de cartera, periodo medio de cobranza.

Tabla 27.

Anova - periodo 2017

Modelo 1 Regresión Residuo

Suma de cuadrados Gl Media cuadrática F Sig. ,002 5 ,000 3,198 ,042b ,001 13 ,000 Total ,003 18 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Según los resultados evidenciados, el modelo global es significativo, no obstante, se puede considerar que para este periodo la relación de las variables independientes y la variable dependiente no es sustancial, esto se corrobora con la identificación de la prueba de Fisher (3,198)

Tabla 28.

Coeficientes variables independientes - periodo 2017

Modelo Coeficientes no estandarizados Coeficientes estandarizados

B

Error estándar Beta t Sig. 95,0% intervalo de confianza para B Límite inferior Límite superior

1 (Constante) -,013 ,039 -,342 ,738 -,097 ,070

RC -,001 ,006 -,045 -,162 ,874 -,013 ,012

RAF -,002 ,002 -,244 -1,034 ,320 -,008 ,003

RV

,048 ,020 ,590 2,359 ,035 ,004 ,092 PMC ,000 ,000 ,410 1,464 ,167 ,000 ,001 PMP -2,466E-5 ,000 -,121 -,549 ,593 ,000 ,000 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Como se puede observar la variable independiente significativa es rotación de ventas, por cuanto se procede a establecer el modelo específicamente para esta variable, con el propósito de conocer por medio del coeficiente de determinación su nivel de incidencia en la rentabilidad.

Tabla 29.

Resumen del modelo – Rotación de ventas - periodo 2017

Modelo R R cuadrado R cuadrado ajustado Error estándar de la estimación

1 ,641a

,412

A. Predictores: (constante), Rotación de ventas Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24 ,377 ,0100495

Tabla 30.

Anova - Rotación de ventas - periodo 2017

Modelo 1 Regresión Residuo

Suma de cuadrados Gl Media cuadrática F Sig. ,001 1 ,001 11,888 ,003b ,002 17 ,000 Total ,003 18 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Tabla 31.

Coeficientes - Rotación de ventas - periodo 2017

Modelo Coeficientes no estandarizados Coeficientes estandarizados

B

Error estándar Beta t Sig.

95,0% intervalo de confianza para B Límite inferior Límite superior 1 (Constante) -,001 ,014 -,049 ,962 -,031 ,030 Rotación de ventas ,052 ,015 ,641 3,448 ,003 ,020 ,084 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Según la prueba de Fisher la variable independiente Rotación de ventas tiene una relación considerable con la rentabilidad del activo. La rotación de ventas para el periodo 2017 explica en un 41,2% a la variable dependiente rentabilidad del activo.

e) Periodo 2018

Para el análisis del periodo 2018 se procedió a eliminar los casos C30 (fabricación de otros tipos de equipos de transporte) y C33 (reparación e instalación de maquinaria y equipo) por falta de datos. El coeficiente de Pearson establece un nivel de asociación bajo – moderado con de los indicadores Rotación de activo fijo y Periodo medio de cobranza con la Rentabilidad del activo. (Visualizar Anexo 1)

Tabla 32.

Resumen del modelo - periodo 2018

Modelo R R cuadrado R cuadrado ajustado 1 ,727a ,528 ,331

Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24 Error estándar de la estimación ,0166858

El modelo se establece en función a los siguientes predictores: periodo medio de pago, rotación de activo fijo, rotación de cartera, periodo medio de cobranza, rotación de ventas.

Tabla 33.

Anova - periodo 2018

Modelo 1 Regresión

Suma de cuadrados gl

Media cuadrática F Sig. ,004 5 ,001 2,683 ,075b

Residuo

,003 12 ,000 Total ,007 17 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Según los resultados establecidos el modelo global para el periodo 2018 no es significativo, por cuanto se procederá al análisis de la variable de mayor proximidad a la significancia, de acuerdo a al análisis de coeficientes:

Tabla 34.

Coeficientes variables independientes - periodo 2018

Modelo

Coeficientes no estandarizados

Coeficientes estandarizados

B

Error estándar Beta T Sig. 95.0% intervalo de confianza para B

Límite inferior Límite superior

1 (Constante) -,020 ,038

-,532 ,605 -,104 ,063 RC ,005 ,013 ,129 ,390 ,704 -,024 ,035 RAF ,019 ,010 ,673 1,972 ,072 -,002 ,041 RV -,058 ,055 -,396 -1,050 ,314 -,178 ,062 PMC ,001 ,000 ,423 1,399 ,187 ,000 ,002 PMP 3,853E- ,000 ,118 ,503 ,624 ,000 ,000 5 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Como se puede observar la variable que mayor aproximación tiene al nivel de significancia es la Rotación de Activo Fijo, por cuanto se procede a establecer específicamente para dicha variable, con el propósito de identificar si el coeficiente de determinación (R Cuadrado) es fehaciente.

Tabla 35.

Resumen del modelo – Rotación de activo fijo - periodo 2018

Modelo R R cuadrado R cuadrado ajustado 1 ,622a ,387 ,349

A. Predictores: (constante), Rotación de activo fijo

B. Variable dependiente: Rentabilidad neta del activo Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24 Error estándar de la estimación ,0164648

Tabla 36.

Anova - Rotación de activo fijo - periodo 2018

Modelo 1 Regresión Residuo

Suma de cuadrados Gl

Media cuadrática F Sig. ,003 1 ,003 10,101 ,006b ,004 16 ,000 Total ,007 17 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Tabla 37.

Coeficientes - Rotación de activo fijo - periodo 2018

Modelo

Coeficientes no estandarizados

Coeficientes estandarizados

B

Error estándar Beta t Sig. 95.0% intervalo de confianza para B

Límite inferior Límite superior

1 (Constante) -,010 ,012

-,848 ,409 -,035 ,015 RAF ,018 ,006 ,622 3,178 ,006 ,006 ,030 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

El coeficiente R Cuadrado es bajo en relación a lo esperado, no obstante, se podría establecer que la variable independiente (Rotación de Activo Fijo) explica a la variable dependiente (Rentabilidad del Activo) en un 38,7%.

4.3.2 Resumen de resultados

a) Matriz general de resultados por año (R Cuadrado – Anova) Modelo Global

Tabla 38.

Matriz general de resultados por año (R Cuadrado – Anova)

Anova

AÑO R cuadrado F Sig Interpretación 2014 0,592 5,078 0,01 El modelo global es significativo 2015 0,754 8,593 0,001 El modelo global es significativo 2016 0,619 4,882 0,014 El modelo global es significativo 2017 0,552 3,198 0,042 El modelo global es significativo 2018 0,528 2,683 0,075 El modelo global no es significativo Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

El análisis longitudinal se establece que los modelos son significativos para los periodos 2014, 2015, 2016, 2017, lo que significa que existe relación entre los indicadores de capital de trabajo y rentabilidad. Sin embargo en el periodo 2018 el modelo no es significativo.

b) Matriz específica de resultados anuales por variables de estudio

Tabla 39.

Matriz de resultados por variable de Rotación de Activo F- Rotación de Ventas (R Cuadrado – Anova)

AÑO

Rotación de Activo F

R² Anova

F Sig. 2014 No es significativa 2015 No es significativa 2016 No es significativa 2017 No es significativa 2018 0,387 10,101 0,006 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Rotación de Ventas

R² Anova

F Sig. No es significativa

0,75 25,453 0,000 0,61 23,428 0,000 0,412 11,888 0,003

No es significativa

Tabla 40.

Matriz de resultados por variable del Periodo Medio Cobranza - Periodo Medio Pago (R Cuadrado – Anova)

AÑO

Periodo Medio Cobranza

R² Anova

F Sig. 2014 0,517 18,189 0,001 2015 No es significativa 2016 No es significativa 2017 No es significativa 2018 No es significativa Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Periodo Medio Pago

R² Anova

F Sig. No es significativa

0,519 19,418 0,000

No es significativa No es significativa No es significativa

La variable independiente que mayor incidencia genera en la rentabilidad del activo es la rotación de ventas, puesto que su significancia se replica en tres años consecutivos (2015, 2016, 2017).

0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0

2014 2015 2016 2017

2018 Rotación de Activo F Rotación de Ventas Periodo Medio Cobranza Periodo Medio Pago

Figura 1. Tendencia de R Cuadrado por variables significativas en periodo anual

Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

5. DISCUSIÓN

El análisis de la gestión de capital de trabajo hace referencia directa al estudio de diversos indicadores en el ámbito de las finanzas, Según Gitman (2012) estos índices miden la eficiencia con la que opera una empresa en una variedad de dimensiones de estudio. Con base a dicho contexto los resultados generados en función a la indagación efectuada al sector manufacturero ecuatoriano,establece que en los años 2014, 2015 y 2017 en promedio se genera una mayor eficiencia en la gestión de capital de trabajo, puesto que los indicadores son más fehacientes en esos periodos, esta tendencia es más evidente en los indicadores de rotación de ventas, no obstante a pesar de ser un indicador de gran importancia, el análisis refleja que los volúmenes de ventas son bajos en relación a la utilización de los activos totales, denotando una baja efectividad de la administración.

Es importante destacar que los periodos medios de cobranza son inferiores a los periodos medios de pago. Estos resultados son favorables para el sector, puesto que se dispone rápidamente de liquidez, no obstante Gitman (2012) establece que al incrementar la liquidez el nivel de rentabilidad tiende a disminuir, atribuyendo esta tendencia al alto costo de capital invertido.

En el año 2017 en el sector manufacturero se identifica un mayor nivel de rentabilidad del activo (0,0498) en relación a los otros periodos analizados, al referenciar y contrastar este resultado con los factores promediales obtenidos del estudio descriptivo de los indicadores de gestión de capital de trabajo, se visualiza que el periodo 2017 se destaca por disponer de una rotación de activo fijo muy superior (3,97) por cuanto se supone existió un mejor aprovechamiento del activo fijo para obtener ingresos. El periodo medio de pago fue sumamente alto (329 Días) en comparación con los otros años estudiados. Esta extensión superlativa en los pazos para devengar las obligaciones con proveedores se direcciona a un incremento de la liquidez aunque eso no signifique mayor rentabilidad (ROA). Se recalca además que los resultados establecen parámetros de rentabilidad del Activo bajos en relación a lo recomendable (˃5%).

El análisis de correlación por periodos con respecto a los indicadores de gestión de capital de trabajo y la rentabilidad del activo no identifican niveles de asociación importantes o tendencias constantes, sin embargo se evidencia en los periodos 2016 -2017 una relación moderada directa entre la rotación de ventas y la rentabilidad del activo. Este resultado es

aceptable debido a que la rotación de ventas determina la eficiencia directiva, por consiguiente se direcciona al incremento de la rentabilidad.

La aplicación de regresión múltiple en el estudio longitudinal estableció que los modelos globales son significativos para los periodos 2014, 2015, 2016, 2017, esto implica que el nivel de gestión de los indicadores de capital de trabajo incide en la rentabilidad del activo. Estos hallazgos se alinean a los postulados de diversos estudios en el ámbito financieros tales como los expuestos por Garcìa , Martinez & Fernandez (2018), Cuenca (2018) y Duran (2011), en donde se estipula la importancia de la gestión de capital de trabajo en la rentabilidad a nivel empresarial.

Sin embargo en el periodo 2018 no se obtuvo significancia general, por cuanto no se encontró evidencia suficiente para establecer que en ese año la gestión de capital de trabajo afectó la Rentabilidad del activo de manera global. Esta tendencia no esperada podría suponer una ínfima variación de los datos estudiados, por cuanto no se determina con claridad la fluctuación de la rentabilidad del activo con respecto a la fluctuación del conjunto de variables predictoras (Indicadores de capital de Trabajo). Sin embargo mediante el análisis de coeficientes se identificó el indicador de Rotación de Activo Fijo como predictor significativo para la rentabilidad del activo en dicho año.

Mediante la aplicación específica del modelo para las variables predictores de mayor significancia, se identificó que la gestión de la rotación de ventas incide en la rentabilidad del activo en tres años continuos (2015, 2016, 2017), Por cuanto se puede inferir que para generar un nivel aceptable de rentabilidad del activo los administradores de las empresas del sector manufacturero ecuatoriano deben potenciar el aprovechamiento de los activos totales disponibles para incrementar el volumen de ventas, generando eficiencia en la dirección del negocio. La estrategia fundamental debe estar direccionada a la gestión de rotación de ventas, por cuanto es factible propender a una disminución de los activos corrientes mediante la optimización de la gestión de inventarios, y así incrementar la rentabilidad, esta iniciativa es viable y está anclada a los postulados financieros: (Mayor Liquidez menor rentabilidad –Menor liquidez mayor rentabilidad), además se recalca que estas empresas requieren de altos niveles de stock, por consiguiente disminuir los inventarios incrementando a la par el volumen de ventas es fundamental para obtener mayor rentabilidad. De igual manera es pertinente la inducción al mercado internacional, la diversificación de proveedores y la inserción de la tecnología en los procesos productivos.

6. CONCLUSIONES Y RECOMENDACIONES

6.1 Conclusiones

El sector manufacturero ecuatoriano tiene un alto nivel de representatividad en el ámbito de la producción nacional y desarrollo económico del país. El estudio se focaliza en el análisis de los principales indicadores de gestión de capital de trabajo y rentabilidad del activo, establecidos por la superintendencia de Compañías. Con base a lo expuesto se identifica un buen manejo de los periodos medios de cobranza y pagos. De igual manera se visualiza que en los años 2014, 2015 y 2017 en promedio se genera una mayor eficiencia en la gestión de capital de trabajo(Rotación De Cartera, Rotación De Activo Fijo, Rotación De Ventas, Periodo Medio De Cobranzas y Periodo Medio De Pago). No obstante es importante recalcar que la Rotación de ventas en el análisis longitudinal representa el indicador con los resultados más bajos.

Mediante el análisis de medias se identifican niveles bajos de Rentabilidad del activo de los subsectores del sector manufacturero por año. El año 2017 se conjetura como un periodo de mayor de rentabilidad del activo (0,0498), en contraste con el total de los años estudiados. Los subsectores con mayor rentabilidad corresponde a la fabricación de vehículos automotores remolques y semirremolques (C29). Y reparación e instalación de maquinaria y equipo. (C33) con una media similar de 0,0406 y 0,0473 respectivamente.

Para determinar el nivel de incidencia de la gestión de capital de trabajo en la rentabilidad del activo se aplicó un modelo de regresión lineal múltiple, considerando a los indicadores de gestión de capital de trabajo como los predictores independientes y la rentabilidad del activo como la variable dependiente. Los resultados establecen la significancia del modelo global para los periodos 2014, 2015, 2016, 2017, esta tendencia explica que la fluctuación de los indicadores de gestión de capital de trabajo afecta la rentabilidad del activo en las empresas del sector manufacturero ecuatoriano. No obstante en el año 2018 el modelo global no es significativo. La inducción de coeficientes y la aplicación del modelo estadístico por predictores de mayor significancia permitió identificar que la variable independiente (Predictor) que mayor incidencia genera en la rentabilidad del activo es la rotación de ventas, puesto que su significancia se replica en tres años consecutivos (2015, 2016, 2017), sobreponiéndose con un alto factor numérico en la prueba de Fisher.

6.2 Recomendaciones

Se propone que las empresas del sector manufacturero ecuatoriano incorporen mecanismos tecnológicos emergentes para la construcción, control y evaluación de los diferentes indicadores de gestión de capital de trabajo. Se debe direccionar esfuerzos en potenciar la eficiencia de la rotación de cartera y rotación de ventas.

Establecer proyecciones técnicas sobre las tendencias de rentabilidad en las empresas del sector manufacturero ecuatoriano, generando un estudio sobre sus fluctuaciones, con el propósito de anticipar correctivos estratégicos direccionados a la maximización de beneficios. Lograr la efectividad en la utilización de los activos para lograr un mayor nivel de ganancias (ROA), esto se puede viabilizar mediante la inserción de nuevos mercados en el contexto internacional con el propósito de generar un mayor nivel de ventas, establecer controles fehacientes en el tratamiento de los inventarios (Activos corrientes), minimizar costos mediante la diversificación de proveedores, fortalecer el desarrollo tecnológico en los procesos de fabricación para generar eficiencia en la producción.

Los administradores financieros deben instaurar como estrategia la aplicación de modelos estadísticos direccionados a identificar los indicadores de gestión de capital de trabajo que deben ser potenciados para lograr una mayor eficiencia y rentabilidad en los periodos operativos. Esta perspectiva supone generar una mayor efectividad en el proceso de diseño de estrategias en el ámbito del capital de trabajo y rentabilidad del activo.

7. REFERENCIAS BIBLIOGRÁFICAS

Abad. (2011). El precio: clave de la rentabilidad. Bogotá: Planeta.

Abreu, M. (2009). El capital de trabajo de las empresas que cotizan en la bolsa mexicana de

valores. Comercio Exterior, 193-2010.

Aguilar. (2013). Análisis de la evolución del sector manufacturero 1990-2008. Quito: Gráficas

V&M.

Aguilar, T. S. (2017). Importancia de la administración eficiente del capital de trabajo en las

Pymes. Ciencia, 30-39.

Angulo, B. (2014). Estaregias de invesión de capital de trabajo aplicadas por las micro,

pequeñas y medianas empresas colombianas de comercio textil en el municipio de

Maicao. Dimensión Empresarial, 69-82.

Benavente, J. (2005). Investigación y desarrollo, innovación y productividad: un análisis

econométrico. Chile: Estudios de Economía Universidad de Chile.

Block, D. (2013). Fundamentos de Administración Financiera. McGrawHill. : McGrawHill. .

CEPAL. (2012). Cambio estructural para la igualdad: Una visión integrada del desarrollo. .

Santiago: Naciones Unidas. Obtenido de

https://www.cepal.org/pses34/noticias/documentosdetrabajo/4/47424/2012-ses-34-

cambio_estructural.pdf

Compañias, S. d. (2020). Tabla de indicadores. Quito. Obtenido de

http://reporteria.supercias.gob.ec/portal/samples/images/docs/tabla_indicadores.pdf

Contreras, D. (2015). Estructura financiera y rentabilidad: origen, teorías y definiciones.

Revista Valor Contable, 35-44.

Córdova. (2007). Gerencia Financiera Empresarial. Bogotá: Ecoe Ediciones.

Córdova, M. (2013). Gestión Financiera. Bogotá: Ecoe Ediciones.

Cuenca, R. C. (2018). La gestión de capital de trabajo y su efecto en la rentabilidad de las

empresas constructoras del Ecuador. X-Pedientes Económicos, 28-45.

Duran. (2011). Administración de capital de trabajo: Una herramienta financiera para la

gerencia de las PYMES tradicionales Venezolanas. Visión Gerencial, 37-56.

Eslava, J. (2010). Las claves del análisis económico- financiero de la empresa. Madrid: ESIC.

Espinoza, C. (2007). Políticas de capital de trabajo y su influencia en el riezgo y la

rentabilidad. Cuba: Universidad de Matanzas.

Faxas del Toro, A. (2011). El Análisis Financiero del Capital de trabajo en la empresa.

México: Observatorio de la Economía Latinoamericana.

Garcìa , O., Martinez , G., & Fernandez , G. (2018). Mercado de renta variable: Análisis de

tìtulos. Madrid: Paraninfo S.A.

books.google.com.ec/books?id=o_5KDwAAQBAJ&dq=es&hl=es&source=gbs.

Gitman, L. J. (2012). Principios de administración financiera. México: Pearson Educacion.

Gonzales, Q. (2012). Planeación Financiera de la Empresa. Loja.

Hamid, A. H. (2017). Relationship between working capital management and profitability.

Management , 1-12.

Horma, G., & Osorio. (2009). Análisis de mercado del sector industrias manufactureras en base

a CIIU 3 bajo un enfoque de concentración económica en el período 2000-2008 en el

Ecuador. Revista Politécnica, 230–243.

Jimenez, R. O. (2013). La importancia del ciclo de caja y cálculo de capital de trabajo. Clio

America, 48-63.

Lawrence , J., & Michael, D. (2005). FUNDAMENTOS DE INVERSIÓN. Madrid: Pearson.

Lizcano. (2004). Rentabilidad empresarial, propuesta práctica de analisis y evalación .

Madrid: Cámaras de Comercio. Servicios de Estudios.

Miller. (2014). Administración de capital de trabajo, liquidez y rentabilidad en el sector textil

de Cúcúta, periodo 2008 - 2011. Respuestas , 86-98.

Morlás, C. (18 de 07 de 2015). ¿Continuará siendo rentable el negocio bancario privado en el

Ecuador? Obtenido de ¿Continuará siendo rentable el negocio bancario privado en el

Ecuador?: https://ideas.repec.org/a/erv/observ/y2015i20718.html

Navarro, C. L. (2018). Perspectivas de la administración financiera de capital de trabajo como

instrumento necesario para la evolución de las PyMes. Espacios, 14-24.

Pineda, E., & de Alvarado, E. (2008). Metodología de la investigación.

Porlles, Q. C. (2013). Pronostico Financiero: Metodos rapidos de estimulación del fondo de

maniobra o capital de trabajo. Red de revistas científicas para América Latina.

Industrial Data, 29-36.

Redondo, R., & Arias, J. (2013). Teoría de la finanaciación. Madrid: Universidad Nacional de

Educación a distancia.

Rizzo. (2007). El capital de trabajo neto y el valor de las empresas: La importancia de la

recomposición del capital de trabajo neto en las empresas que atraviesan o han

atravesado crísis financieras. Escuela de Administración de negocios, 103-121.

Ross, W. J. (2012). Finanzas Corporativas. México: McGraw-Hill.

Rotstein, F. E. (2004). La administración eficiente del capital como instrumento para detectar

y prevenir fracasos financieros. Escritos Contables, 63-84.

Sampieri. (2014). Metodología de la investigación. México: McGraw - Hill.

Saucedo, H. (2019). Auditoría Financiera de Capital de Trabajo en Pymes. México: Instituto

México de Contadores Públicos.

Senplades. (2017). Toda una Vida. Plan Nacional de Desarrollo 2017 - 2021. Quito.

Soriano, C. (2010). Introducción a la contabilidad y las finanzas: Incluye ejemplos y.

Barcelona: Profit Editorial.

Superintendencia de Compañías, V. y. (2018). Panorama de la Industria Manufacturera en el

Ecuador 2013 - 2017. Quito: DIRECCIÓN NACIONAL DE INVESTIGACIÓN Y

ESTUDIOS. Obtenido de https://investigacionyestudios.supercias.gob.ec/wp-

content/uploads/2018/09/Panorama-de-la-Industria-Manufacturera-en-el-Ecuador-

2013-2017.pdf

Superintendencia de Compañías, V. y. (2020). La eficiencia en las empresas manufactureras

del Ecuador 2013 - 2018. Quito: DIRECCIÓN NACIONAL DE INVESTIGACIÓN Y

ESTUDIOS.

Van Horne, J., & Wachowicz, J. (2010). Fundamento de la administración financiera. México:

Prentice Hall.

Vera, M. M. (2013). Acceso a la información Pymes. Innovar, 149-160.

Zamora. (2008). Rentabilidad y Ventaja Comparativa: Un Análisis de los Sistemas de

Producción de Guayaba en el Estado de Michoacán. México: Universidad Michoacana

de San Nicolás de Hidalgo.

8. ANEXOS

Anexo 8.1. Coeficientes de correlación de Pearson por año

Correlaciones entre variables - periodo 2014

RC RAF RV PMC ROA

RC Pearson 1 ,042 ,367 -,036 -,545*

Sig. (bilateral) ,863 ,122 ,885 ,016

RAF Pearson ,042 1 ,625** ,009 ,024 Sig. (bilateral) ,863 ,004 ,971 ,923

RV Pearson ,367 ,625** 1 -,251 ,157 Sig. (bilateral) ,122 ,004 ,300 ,521

PMC Pearson -,036 ,009 -,251 1 ,104 Sig. (bilateral) ,885 ,971 ,300 ,673

ROA Pearson -,545* ,024 ,157 ,104 1 Sig. (bilateral) ,016 ,923 ,521 ,673 N 19 19 19 19 19 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Correlaciones entre variables - periodo 2015

RC RAF RV PMC PMP ROA

RC Correlación de Pearson 1 ,384 ,524* -,054 -,052 ,204 Sig. (bilateral) ,095 ,018 ,822 ,826 ,388 N 20 20 20 20 20 20

RAF Correlación de Pearson ,384 1 ,614** -,064 -,231 ,090 Sig. (bilateral) ,095 ,004 ,787 ,326 ,707 N 20 20 20 20 20 20

RV Correlación de Pearson ,524* ,614** 1 -,375 -,571** -,017 Sig. (bilateral) ,018 ,004 ,104 ,009 ,943 N 20 20 20 20 20 20

PMC Correlación de Pearson -,054 -,064 -,375 1 ,853** ,681** Sig. (bilateral) ,822 ,787 ,104 ,000 ,001 N 20 20 20 20 20 20

PMP Correlación de Pearson -,052 -,231 -,571** ,853** 1 ,720** Sig. (bilateral) ,826 ,326 ,009 ,000 ,000 N 20 20 20 20 20 20

ROA Correlación de Pearson ,204 ,090 -,017 ,681** ,720** 1 Sig. (bilateral) ,388 ,707 ,943 ,001 ,000 N 20 20 20 20 20 20 *. La correlación es significativa en el nivel 0,05 (2 colas). **. La correlación es significativa en el nivel 0,01 (2 colas). Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Correlaciones entre variables - periodo 2016

RC

RAF

RV RC RAF RV PMC ROA Correlación 1 ,698** ,470 ,423 ,443 Sig. (bilateral) ,002 ,057 ,090 ,075 N 17 17 17 17 17 Correlación ,698** 1 ,624** ,428 ,548*

Sig. (bilateral) ,002 ,007 ,086 ,023

N

17 17 17 17 17 Correlación ,470 ,624** 1 ,433 ,781**

Sig. (bilateral) ,057 ,007 ,083 ,000

N 17 17 17 17 17

PMC Correlación ,423 ,428 ,433 1 ,391 Sig. (bilateral) ,090 ,086 ,083 ,121 N 17 17 17 17 17

ROA Correlación ,443 ,548* ,781** ,391 1 Sig. (bilateral) ,075 ,023 ,000 ,121 N 17 17 17 17 17 **. La correlación es significativa en el nivel 0,01 (2 colas). *. La correlación es significativa en el nivel 0,05 (2 colas). Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Correlaciones entre variables - periodo 2017

RC RAF R V PMC PMP ROA RC Correlación 1 -,375 ,162 -,586** -,239 -,070 Sig. (bilateral) ,114 ,508 ,008 ,325 ,777 N 19 19 19 19 19 19 RAF Correlación -,375 1 ,377 ,355 -,211 ,166 Sig. (bilateral) ,114 ,112 ,136 ,386 ,496 N 19 19 19 19 19 19 RV Correlación ,162 ,377 1 ,283 -,289 ,641** Sig. (bilateral) ,508 ,112 ,240 ,231 ,003 N 19 19 19 19 19 19 PMC Correlación -,586** ,355 ,283 1 ,291 ,482* Sig. (bilateral) ,008 ,136 ,240 ,226 ,037 N 19 19 19 19 19 19 PMP Correlación -,239 -,211 -,289 ,291 1 -,109 Sig. (bilateral) ,325 ,386 ,231 ,226 ,657 N 19 19 19 19 19 19 ROA Correlación -,070 ,166 ,641** ,482* -,109 1 Sig. (bilateral) ,777 ,496 ,003 ,037 ,657 N 19 19 19 19 19 19 **. La correlación es significativa en el nivel 0,01 (2 colas). *. La correlación es significativa en el nivel 0,05 (2 colas). Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24

Correlaciones entre variables - periodo 2018

RC RAF RV PMC PMP ROA

RC Correlación 1 -,343 ,187 -,340 ,370 -,277 Sig. (bilateral) ,163 ,457 ,167 ,131 ,266 N 18 18 18 18 18 18

RAF Correlación -,343 1 ,651** ,599** -,020 ,622** Sig. (bilateral) ,163 ,003 ,009 ,937 ,006 N 18 18 18 18 18 18

RV Correlación ,187 ,651** 1 ,547* ,061 ,304 Sig. (bilateral) ,457 ,003 ,019 ,811 ,219 N 18 18 18 18 18 18

PMC Correlación -,340 ,599** ,547* 1 ,110 ,579* Sig. (bilateral) ,167 ,009 ,019 ,664 ,012 N 18 18 18 18 18 18

PMP Correlación ,370 -,020 ,061 ,110 1 ,175 Sig. (bilateral) ,131 ,937 ,811 ,664 ,488 N 18 18 18 18 18 18

ROA Correlación -,277 ,622** ,304 ,579* ,175 1 Sig. (bilateral) ,266 ,006 ,219 ,012 ,488 N 18 18 18 18 18 18 Fuente: Resultados obtenidos - Procesamiento SPSS - Versión 24