│
128
Revista Ciencia UNEMI
Vol. 19, N° 52, Septiembre-Diciembre 2026, pp. 128 - 137
ISSN 1390-4272 Impreso
ISSN 2528-7737 Electrónico
https://doi.org/10.29076/issn.2528-7737vol19iss52.2026pp128-137p
Modelo Z de Altman como predictor de quiebra
en el mercado de valores ecuatoriano, 2014-2024
Altman's Z-Score Model as a Bankruptcy Predictor in
the Ecuadorian Stock Market, 2014-2024
Resumen
Este trabajo examina la situación nanciera de las empresas que operaron en el mercado de valores ecuatoriano entre 2014 y 2024,
con el objetivo de evaluar la aplicabilidad del modelo Z de Altman para identicar condiciones de vulnerabilidad nanciera y su
relación con eventos posteriores de mora. A partir de datos ociales y de una muestra representativa de emisiones, se analizaron
las razones de liquidez, rentabilidad, solvencia patrimonial y rotación de activos que integran el modelo. El 54,86 % de las empresas
analizadas se ubicó en la zona de riesgo nanciero. Las pruebas estadísticas evidenciaron diferencias signicativas entre las zonas
en liquidez, rentabilidad acumulada, rentabilidad operativa y rotación de activos; sin embargo, no se encontró una asociación
estadísticamente signicativa entre la clasicación por zonas y la ocurrencia posterior de mora. Los resultados respaldan el uso del
Z-Score como herramienta complementaria de alerta temprana y evaluación de vulnerabilidad nanciera en el mercado de valores
ecuatoriano.
Palabras clave:
modelo Z de Altman, predicción de quiebra, riesgo nanciero, mercado de valores, insolvencia empresarial,
Ecuador.
Abstract
This study examines the nancial condition of the companies that operated in the Ecuadorian securities market between 2014
and 2024, with the aim of assessing the applicability of Altman's Z-Score model to identify conditions of nancial vulnerability
and their relationship with subsequent default events. Drawing on ocial data and a representative sample of issuances, the study
analyzed the liquidity, protability, equity solvency, and asset-turnover ratios that make up the model. A total of 54.86% of the
companies analyzed fell within the nancial-risk zone. Statistical tests revealed signicant dierences across zones in liquidity,
retained earnings, operating protability, and asset turnover; however, no statistically signicant association was found between
the zone classication and the subsequent occurrence of default. The ndings support the use of the Z-Score as a complementary
early-warning and nancial-vulnerability assessment tool in the Ecuadorian securities market.
Keywords:
Altman Z-Score model, bankruptcy prediction, nancial risk, stock market, corporate insolvency, Ecuador.
Recibido:
27 de junio de 2026
Aceptado:
24 de agosto de 2026
Andrés Esteban Aguilar-Viteri
1*
; Edgar Efraín Osejos-Domínguez
2
;
Gabriela Alexandra Carrillo-Sánchez
3
; Arminda Asunción Andrade Cabrera
4
1
Universidad Central del Ecuador, aeaguilar@uce.edu.ec, https://orcid.org/0009-0007-2195-1015
2
Universidad Central del Ecuador, eeosejo@uce.edu.ec, https://orcid.org/0009-0009-3807-2556
3
Superintendencia de Compañías, Valores y Seguros del Ecuador, gcarrillos@supercias.gob.ec, https://orcid.org/0009-0004-1999-6853
4
Universidad Central del Ecuador; aaandradec@uce.edu.ec, https://orcid.org/0000-0003-3211-1592
*
Autor de correspondencia
│
129
Aguilar.
Modelo Z de Altman como predictor de quiebra
I. INTRODUCCIÓN
El
análisis
de
la
situación
nanciera
y
la
identicación
temprana
del
deterioro
empresarial
son
relevantes
para
la
estabilidad
de
los
mercados
de
valores.
Desde
la
propuesta
de
Edward
Altman
en
1968,
el
modelo
Z
se
ha
consolidado
como
una
herramienta
de
referencia
para
evaluar
el
riesgo
de
insolvencia
mediante
la
combinación
de
varios
indicadores
nancieros
en
un
único
índice.
Su
permanencia
en
la
literatura
y
su
aplicación
en
distintos sectores y economías muestran que, pese al
desarrollo de metodologías más recientes, continúa
siendo
un
instrumento
útil
para
aproximarse
a
la
vulnerabilidad nanciera de las empresas.
Durante
el
período
2014-2024,
el
mercado
de
valores
ecuatoriano
estuvo
expuesto
a
cambios
económicos,
políticos
y
globales
que
incidieron
en
el entorno empresarial. A pesar de ello, la evidencia
sobre
el
comportamiento
del
modelo
Z
de
Altman
en
este
mercado
sigue
siendo
limitada.
Analizarlo
en el contexto ecuatoriano permite establecer hasta
qué
punto
sus
indicadores
distinguen
diferentes
condiciones
nancieras
entre
los
emisores
y
si
esa
clasicación guarda relación con eventos posteriores
de mora.
Altman
y
Hotchkiss
(2006),
sostienen
que
los
modelos de predicción de insolvencia funcionan sobre
todo
como
catalizadores
de
cambio
constructivo,
más
allá
de
la
simple
advertencia
sobre
riesgos
nancieros:
dan
a
las
organizaciones
información
oportuna
para
tomar
decisiones
estratégicas
que
favorezcan su recuperación y sostenibilidad a largo
plazo.
En
el
caso
de
Ecuador,
donde
el
sistema
nanciero
todavía
está
en
desarrollo,
herramientas
como el modelo Z pueden contribuir a fortalecer la
gobernanza
nanciera,
promover
la
transparencia
en los mercados de capital y reducir la asimetría de
información entre empresas e inversionistas.
En
este
contexto,
la
investigación
evalúa
la
aplicabilidad del modelo Z de Altman en el mercado
de valores ecuatoriano durante 2014-2024 y examina
su
relación
con
eventos
posteriores
de
mora.
La
pregunta
de
investigación
es:
¿en
qué
medida
la
aplicación
del
modelo
Z
de
Altman
permite
identicar condiciones de vulnerabilidad nanciera
y
su
relación
con
eventos
posteriores
de
mora
en
empresas
participantes
del
mercado
de
valores
ecuatoriano durante el período 2014-2024?
En correspondencia con esta pregunta, el objetivo
general es evaluar la aplicabilidad del modelo Z de
Altman
en
las
empresas
participantes
del
mercado
de valores ecuatoriano durante 2014-2024, a partir
de sus indicadores nancieros y de la clasicación en
las zonas establecidas por el modelo, y examinar la
relación de dicha clasicación con eventos posteriores
de mora en el pago de obligaciones.
El
aporte
del
estudio
se
concentra
en
dos
aspectos.
Primero,
proporciona
evidencia
empírica
sobre el comportamiento del Z-Score en un mercado
emergente poco estudiado. Segundo, permite valorar
su
alcance
como
herramienta
complementaria
para
identicar
vulnerabilidad
nanciera
y
apoyar
el
análisis
realizado
por
inversionistas,
gestores
empresariales y organismos de supervisión.
Estado del arte
El
modelo
Z
de
Altman
constituye
uno
de
los
referentes
clásicos
para
el
análisis
del
riesgo
de
quiebra
empresarial.
Desarrollado
por
Edward
I.
Altman
en
1968,
combina
razones
nancieras
asociadas
con
liquidez,
rentabilidad,
solvencia
y
eciencia
para
obtener
una
medida
sintética
de
la
condición nanciera de una empresa. Sus posteriores
modicaciones
respondieron
a
la
necesidad
de
aplicarlo
en
sectores
y
contextos
distintos
de
aquellos para los que fue diseñado originalmente. En
paralelo, surgieron otros enfoques, como el modelo
probabilístico de Ohlson (1980), basado en regresión
logística.
Aun
con
estas
alternativas,
el
Z-Score
conserva
un
lugar
relevante
en
la
literatura
sobre
insolvencia y deterioro nanciero.
En mercados emergentes, donde la volatilidad y
la
incertidumbre
son
más
pronunciadas,
el
modelo
Z
de
Altman
ha
demostrado
ser
una
herramienta
útil
para
predecir
quiebras:
los
modelos
basados
en
contabilidad
y
ratios
nancieros
resultan
más
robustos para obtener información sobre el riesgo de
quiebra, aunque combinar distintos métodos mejora
la
evaluación
integral
(Agarwal
&
Taer,
2008).
En
el
mercado
de
valores
ecuatoriano,
su
uso
fue
limitado en los primeros años del período estudiado
(2014-2024),
pero
fue
ganando
peso
conforme
el
mercado
creció
y
aumentó
la
necesidad
de
indicadores más precisos para inversores y analistas.
Contrastar el modelo con otros enfoques sigue siendo
recomendable, pues pueden complementarse entre sí
130
│
Volumen 19, Número 52, Septiembre-Diciembre 2026, pp. 128 - 137
según el entorno empresarial (Klištincová, 2024).
Altman
et
al.
(2017)
señalan
que,
si
bien
el
modelo Z tiene limitaciones inherentes en mercados
no desarrollados, sigue siendo aplicable con ciertas
adaptaciones gracias a su enfoque basado en ratios.
Pese a las críticas que recibe, mantiene tres ventajas
concretas: primero, el fracaso corporativo no es un
evento
repentino,
y
la
información
contable
revela
con antelación el deterioro de una empresa; segundo,
el sistema de partida doble garantiza que cualquier
maquillaje contable o cambio de políticas tenga un
efecto
mínimo
en
el
resultado,
porque
combina
distintos
rubros
de
manera
simultánea;
y
tercero,
los
impactos
reales
sobre
la
empresa
terminan
reejándose
en
cifras
contables,
lo
que
favorece
la
abilidad de un análisis basado en ratios. Aplicado
a
31
países
europeos
y
3
no
europeos,
el
modelo
Z-Score alcanzó una precisión del 75%, con margen
para
superar
el
90%
si
se
incorporan
variables
adicionales.
El
modelo
también
ha
mostrado
resultados
sólidos
fuera
de
Estados
Unidos,
en
particular
en
Italia,
siempre
que
se
realicen
las
adaptaciones
necesarias. En un estudio sobre empresas italianas,
Altman,
Danovi
y
Falini
(2013)
precisan
que
“las
diferencias
en
los
contextos
económicos,
sociales
y
legislativos
representan
uno
de
los
principales
desafíos
para
la
aplicación
del
modelo
(...)
sin
embargo, los resultados son bastante convincentes en
cuanto a la aplicabilidad del modelo, si bien existen
las diferencias culturales y económicas entre EE.UU.
e Italia” (p. 5). Esta conclusión refuerza la viabilidad
de
adaptar
el
modelo
al
mercado
ecuatoriano,
que
comparte
varias
de
esas
características,
como
la
fuerte dependencia del crédito bancario y estructuras
empresariales similares a las de las pymes italianas.
La evidencia reciente sobre fragilidad nanciera
en
micro,
pequeñas
y
medianas
empresas
(pymes)
muestra
que
el
riesgo
no
puede
evaluarse
de
forma
agregada:
se
necesita
un
enfoque
sectorial
y
longitudinal que permita identicar vulnerabilidades
estructurales
y
diferencias
de
desempeño
entre
sectores. El modelo Z-Score de Altman sigue siendo,
en ese sentido, una herramienta válida para predecir
dicultades nancieras en economías emergentes: en
India permitió clasicar ecazmente a las pymes en
las zonas del modelo y capturar cambios en su salud
nanciera antes, durante y después de la pandemia de
COVID-19, revelando una recuperación desigual entre
sectores y una fragilidad persistente en aquellos con
estructuras de costos intensivas y alta depreciación
de
activos.
Esto
respalda
el
uso
del
Z-Score
como
sistema
de
alerta
temprana
y
como
instrumento
útil
para
decisiones
gerenciales,
crediticias
y
de
política pública orientadas a fortalecer la resiliencia
nanciera de las pymes (Agrawal, 2025).
El
modelo
de
Altman,
aplicado
como
predictor
de
problemas
nancieros
y
de
quiebra
en
distintos
sistemas,
representa
un
aporte
que
complementa
la visión tradicional del análisis nanciero, como lo
muestra su uso en el sector de cadena de suministro
(Alcalde et al., 2022).
Aunque
el
modelo
fue
pensado
originalmente
para el sector privado, la evidencia empírica muestra
que
también
sirve
para
evaluar
la
salud
nanciera
de
empresas
públicas,
donde
resulta
clave
para
garantizar
su
sostenibilidad
operativa
y
mitigar
riesgos
scales
de
largo
plazo.
Estas
entidades
suelen
contar
con
respaldo
estatal
que
reduce
la
probabilidad de quiebra formal, pero un desempeño
nanciero
deciente
genera
presiones
recurrentes
sobre
el
presupuesto
público
y
reeja
problemas
estructurales
de
eciencia
y
gobernanza;
de
ahí
que
el
modelo
también
sirva
para
generar
alertas
tempranas sobre su desempeño nanciero (Bhambra
& Dessai, 2026).
En conjunto, estos antecedentes muestran que el
valor del modelo Z no se limita a anticipar una eventual
quiebra.
Su
utilidad
también
reside
en
ordenar
información contable dispersa y convertirla en una
señal interpretable sobre la condición nanciera de
la
empresa.
Esta
característica
resulta
pertinente
para
el
presente
estudio,
cuyo
interés
se
centra
en
determinar
qué
tan
bien
diferencia
situaciones
de
vulnerabilidad nanciera en el mercado ecuatoriano
y
cómo
se
relaciona
esa
clasicación
con
la
mora
observada posteriormente.
En
la
región,
estudios
realizados
en
Colombia
han examinado la ecacia del modelo en pequeñas
y medianas empresas y en compañías en proceso de
reorganización,
evaluando
su
capacidad
predictiva
a
partir
de
factores
como
la
estructura
nanciera
y
el
nivel
de
endeudamiento.
No
existe,
sin
embargo,
un
consenso
claro
sobre
qué
determina
el
comportamiento
del
Z-Score,
lo
que
sugiere
la
necesidad de adaptar el modelo a las características
│
131
Aguilar.
Modelo Z de Altman como predictor de quiebra
especícas
de
cada
sector
y
región
(Isaac-Roque
&
Caicedo-Carrero, 2023).
A nivel local, Molina Panchi et al. (2022) sugieren
que
conviene
considerar
las
características
del
sector al aplicar el modelo Z de Altman en Ecuador,
mientras que Bermeo Chiriboga & Armijos Cordero
(2021) concluyen que el modelo Z2 de Altman es una
herramienta útil para predecir el riesgo de quiebra
empresarial.
Ambos
coinciden,
sin
embargo,
en
que el modelo requiere ajustes especícos según la
estructura económica del país.
Uno
de
los
principales
desafíos
para
aplicar
el
modelo
Z
en
Ecuador
es
adaptar
sus
variables
a
las
particularidades
del
contexto
local.
Estudios
previos
han
mostrado
que
la
efectividad
de
los
modelos
de
predicción
de
quiebra
puede
variar
de
forma signicativa según el entorno económico y las
características
propias
de
las
empresas
analizadas
(Altman,
2018).
La
evidencia
también
sugiere
que
incorporar variables adicionales, incluso cualitativas,
como las características del auditor, puede mejorar
la
precisión
de
las
predicciones
(Cenciarelli
et
al.,
2018),
algo
especialmente
relevante
en
Ecuador,
donde
las
empresas
suelen
tener
estructuras
nancieras
y
operativas
distintas
a
las
de
los
mercados desarrollados.
El
modelo
Z
sigue
siendo
un
instrumento
conable
para
identicar
empresas
en
deterioro
o
insolvencia nanciera, pero no es el único disponible.
Existen
otros
modelos
como
los
de
Ohlson
y
Beaver,
Springate
(Torres-Vera,
2024),
Fulmer
y
Pascale
(Molina
Panchi
y
Molina
Panchi,
2023),
y
enfoques más recientes basados en redes neuronales
articiales, máquinas de soporte vectorial, árboles de
decisión y algoritmos genéticos (Alaka et al., 2018).
En
todos
los
casos,
la
literatura
coincide
en
que
la
elección
del
modelo
debe
basarse
en
el
contexto
especíco de cada situación, y no en la popularidad
del método.
Con el avance de la inteligencia articial (IA) en
el análisis nanciero, ha surgido la pregunta de si un
modelo
basado
en
ratios
nancieros
tradicionales,
como
el
de
Altman,
puede
seguir
siendo
relevante.
Investigaciones recientes han empezado a explorar la
integración de IA y machine learning para mejorar
las predicciones de quiebra (Gabrielli et al., 2026),
sobre
todo
en
mercados
dinámicos
y
emergentes
como el ecuatoriano.
De
cara
al
futuro,
la
integración
de
machine
learning
e
inteligencia
articial,
junto
con
una
mayor
transparencia
nanciera,
podría
facilitar
un
mejor uso del modelo de predicción de quiebras en
Ecuador.
Distintas
investigaciones
destacan
que
la
inteligencia articial tiene el potencial de mejorar de
forma signicativa la precisión de estos modelos al
permitir el análisis de grandes volúmenes de datos
(Ruan & Liu, 2021; Elviani et al., 2020).
La
incorporación
de
estas
técnicas
ofrece
oportunidades
para
los
mercados
emergentes,
pero
también
introduce
exigencias
adicionales.
La
capacidad
de
procesar
grandes
volúmenes
de
información
no
garantiza,
por
sí
misma,
mejores
predicciones: los resultados dependen de la calidad
de
los
datos,
de
la
selección
de
variables
y
del
tratamiento de conjuntos altamente dimensionales o
desbalanceados (Gao et al., 2025). Por ello, la mayor
complejidad
metodológica
debe
evaluarse
frente
a
la
disponibilidad
y
conabilidad
de
la
información
nanciera.
La
predicción
del
deterioro
corporativo,
que
puede
desembocar
en
quiebra,
ha
sido
un
tema
central en la literatura nanciera, y esta se orienta
cada vez más hacia enfoques de machine learning e
inteligencia articial, con mayor precisión predictiva.
La evidencia reciente advierte, sin embargo, que el
énfasis exclusivo en la exactitud estadística ha dejado
en segundo plano aspectos igual de importantes: la
interpretabilidad de los modelos, su aceptación por
parte de los usuarios y los costos de implementación
asociados a infraestructura, especialización técnica y
opacidad algorítmica. El modelo Z-Score de Altman
conserva, frente a esto, una relevancia notable gracias
a su simplicidad, transparencia y bajo requerimiento
de recursos, lo que lo hace especialmente adecuado
para
organizaciones
con
capacidades
analíticas
limitadas (Braunsberger & Aschauer, 2025).
La
IA
ha
mostrado
un
gran
potencial
para
complementar
y
mejorar
el
modelo
de
Altman
al
permitir
la
integración
de
una
mayor
cantidad
de
variables y la identicación de patrones no evidentes
en los datos nancieros (Gabrielli et al., 2026). Con
todo,
la
investigación
empírica
sobre
la
predicción
de quiebra en las economías en desarrollo continúa
siendo escasa y, en el caso de mercados emergentes
como el ecuatoriano, se torna aún más fragmentaria
(Matenda et al., 2022).
El desarrollo de estos enfoques abre una línea de
investigación relevante para contrastar el desempeño
132
│
Volumen 19, Número 52, Septiembre-Diciembre 2026, pp. 128 - 137
de
modelos
tradicionales
y
técnicas
de
mayor
complejidad. En mercados como el ecuatoriano, esa
comparación
puede
contribuir
a
establecer
si
las
ganancias
en
capacidad
predictiva
compensan
los
mayores requerimientos de datos, infraestructura e
interpretación.
En
Ecuador,
una
limitación
adicional
es
la
disponibilidad
desigual
de
información
nanciera
detallada
y
oportuna
en
una
parte
importante
del
tejido
empresarial
(Matenda
et
al.,
2022).
Esta
restricción
afecta
cualquier
metodología
basada
en
información
contable
y
refuerza
la
necesidad
de interpretar el Z-Score dentro de las condiciones
concretas de calidad y disponibilidad de los datos.
II. METODOLOGÍA
El estudio siguió un enfoque cuantitativo basado
en información nanciera ocial. La recopilación se
concentró
en
las
emisiones
registradas
en
la
Bolsa
de
Valores
de
Quito
y
en
los
estados
nancieros
disponibles
en
la
Superintendencia
de
Compañías,
Valores y Seguros del Ecuador. Se consideraron tres
instrumentos
de
nanciamiento
empresarial:
papel
comercial,
titularización
y
emisión
de
obligaciones.
La combinación de estas fuentes permitió construir
la
base
necesaria
para
calcular
las
variables
del
modelo Z de Altman y contrastar posteriormente sus
resultados.
En
una
primera
fase
se
revisó
la
base
histórica
publicada por la Bolsa de Valores de Quito en la sección
de
obligaciones,
papel
comercial
y
titularizaciones
(https://www.bolsadequito.com/index.php/
estadisticas/boletines-2/emisiones).
El
archivo
consultado
contiene
información
correspondiente
a
2014-2024
y
permitió
identicar
1.162
emisiones
durante
el
período
de
estudio,
equivalentes
a
un
promedio aproximado de 106 emisiones por año.
Para
garantizar
la
representatividad
estadística
de
la
investigación,
el
tamaño
de
la
muestra
se
determinó con la fórmula para poblaciones nitas:
La
población
estuvo
conformada
por
1.162
emisiones
registradas
durante
2014-2024.
Para
determinar el tamaño muestral se utilizó un nivel de
conanza del 95 % (Z = 1,96), máxima variabilidad
poblacional (p = 0,50; q = 0,50) y se trabajó con 146
observaciones, lo que corresponde a un margen de
Los
coecientes
originales
del
modelo
Z
de
Altman
se
aplicaron
sin
recalibrarlos
para
el
contexto ecuatoriano; por tanto, el estudio evalúa el
comportamiento
del
modelo
original
y
no
propone
una versión adaptada. Antes de comparar las zonas
error aproximado del 7,6 %. Este nivel de precisión se
asumió considerando el carácter aplicado del estudio
y el levantamiento individual de estados nancieros
requerido
para
calcular
las
variables
del
modelo.
Como referencia, un margen de error del 5 % habría
requerido
aproximadamente
289
observaciones,
posibilidad
que
queda
abierta
para
investigaciones
posteriores.
Las
146
emisiones
se
distribuyeron
proporcionalmente
según
el
peso
de
cada
año
en
el total del período: 2014 (14), 2015 (10), 2016 (8),
2017
(11),
2018
(15),
2019
(14),
2020
(14),
2021
(13),
2022
(16),
2023
(18)
y
2024
(13).
Con
esta
asignación se buscó conservar la estructura temporal
de
la
población
y
evitar
una
concentración
de
observaciones en años especícos.
En
la
segunda
fase
se
obtuvo
la
información
nanciera
desde
el
portal
ocial
de
la
Superintendencia
de
Compañías
(https://www.
supercias.gob.ec/portalscvs/index.htm).
Para
cada
año
se
seleccionaron
aleatoriamente
las
empresas
emisoras
incluidas
en
la
muestra
y
se
recopilaron
el
estado
de
resultados
integrales
y
el
balance
de
situación
general.
La
información
obtenida
se
organizó
en
una
base
documental
única
para
el
cálculo de los indicadores.
A partir de los estados nancieros se calcularon
las cinco razones que integran el modelo Z de Altman:
X
1
= Capital de trabajo / Activos totales
(2)
X
2
= Utilidades retenidas / Activos totales (3)
X
3
=
Utilidad
antes
de
intereses
e
impuestos
/
Activos totales
(4)
X
4
= Patrimonio / Pasivo total
(5)
X
5
= Ventas netas / Activos totales
(6)
Las cinco razones recogen dimensiones diferentes
de
la
condición
nanciera:
liquidez,
acumulación
de
resultados,
rentabilidad
operativa,
relación
patrimonial
frente
al
pasivo
y
eciencia
en
el
uso
de
los
activos.
Una
vez
calculadas,
se
aplicaron
los
coecientes
establecidos
por
el
modelo
de
Altman
para obtener el Z-Score de cada observación:
│
133
Aguilar.
Modelo Z de Altman como predictor de quiebra
Rangos
Zona
No. empresas
% de la
muestra
Mora
posterior
% de la muestra
con mora
Tasa de mora
dentro de la zona
Z > 2,99
Segura
19
13,19 %
4
2,78%
21,05%
1,81 ≤ Z ≤ 2,99
Gris
46
31,94 %
8
5,56%
17,39%
Z < 1,81
Riesgo
79
54,86 %
12
8,33%
15,19%
Total
144
100,00 %
24
16,67%
16,67%
Tabla 1.
Distribución de empresas del mercado de valores ecuatoriano según
zona de riesgo del modelo Z de Altman (2014-2024)
segura, gris y de riesgo, se examinó la distribución
de las cinco razones nancieras mediante la prueba
de
Shapiro-Wilk.
Dado
que
varias
variables
no
presentaron
normalidad,
se
empleó
la
prueba
no
paramétrica
de
Kruskal-Wallis
para
contrastar
los
tres grupos independientes, con α = 0,05. La relación
entre
la
clasicación
por
zonas
y
la
ocurrencia
posterior de mora se evaluó mediante chi-cuadrado
y,
debido
a
las
frecuencias
reducidas
de
algunas
La zona segura (Z > 2,99) reunió 19 observaciones.
Cuatro
registraron
posteriormente
mora
con
sus
obligacionistas,
equivalentes
al
2,78
%
de
las
144
observaciones
válidas
y
al
21,05
%
de
esta
zona.
Una de esas moras se produjo en 2020, dos en 2021
y la restante cuatro años después de la aprobación
de
la
emisión.
Esta
dispersión
temporal
aconseja
no
atribuir
el
incumplimiento
exclusivamente
a
la
condición
nanciera
observada
al
momento
de
la
medición.
La
zona
gris
(1,81
≤
Z
≤
2,99)
concentró
46
observaciones
y
presentó
un
Z-Score
promedio
de
2,30.
Ocho
registraron
mora
posterior,
lo
que
representa
el
5,56
%
del
total
de
observaciones
válidas y el 17,39 % de la zona. Parte de estos eventos
coincidió
con
el
período
de
emergencia
sanitaria,
circunstancia
que
introduce
factores
externos
relevantes
para
interpretar
la
relación
entre
la
clasicación nanciera y el incumplimiento.
En
la
zona
de
riesgo
(Z
<
1,81)
se
ubicaron
79
observaciones,
con
un
Z-Score
promedio
de
1,03.
Doce registraron posteriormente problemas de pago
con sus obligacionistas: 8,33 % de las observaciones
válidas y 15,19 % de las pertenecientes a esta zona. En
todos los casos, los problemas de pago se presentaron
después
de
la
aprobación
de
la
respectiva
emisión
por parte de la SCVS.
celdas, se complementó con una prueba exacta para
la tabla de contingencia.
III.
RESULTADOS
De las 146 observaciones seleccionadas, en 2 no
fue posible calcular el Z-Score porque el pasivo total
era igual a cero y, por tanto, no podía obtenerse la
variable X₄. El análisis del modelo se efectuó sobre
las 144 observaciones restantes.
Entre
las
79
observaciones
clasicadas
en
riesgo,
55
presentaron
un
Z-Score
inferior
a
1,50,
equivalentes
al
38,19
%
de
las
144
observaciones
válidas. Este grupo muestra una condición nanciera
más
deteriorada
dentro
de
la
propia
zona
de
riesgo.
Sin
embargo,
al
no
haberse
demostrado
una
asociación
estadísticamente
signicativa
entre las zonas y la mora posterior, el valor de 1,50
se
interpreta
únicamente
como
una
referencia
descriptiva
de
mayor
vulnerabilidad
y
no
como
un
umbral de incumplimiento inminente.
Las
12
observaciones
de
la
zona
de
riesgo
que
posteriormente
incurrieron
en
mora
tuvieron
un
Z-Score
promedio
de
1,32.
No
obstante,
la
prueba
de
chi-cuadrado
no
evidenció
una
asociación
estadísticamente
signicativa
entre
la
zona
asignada
por
el
modelo
y
la
mora
posterior
(χ²(2)
=
0,405;
p
=
0,817).
La
prueba
exacta
aplicada
a
la
tabla
de
contingencia
condujo
a
la
misma
conclusión (p = 0,778). En esta muestra, por tanto,
la
clasicación
del
Z-Score
describe
diferencias
en
vulnerabilidad nanciera, pero no permite sostener
que la pertenencia a una zona prediga por sí sola la
ocurrencia posterior de mora.
134
│
Volumen 19, Número 52, Septiembre-Diciembre 2026, pp. 128 - 137
El promedio anual más bajo se observó en 2019.
Su
valor
cambia
de
0,21
a
1,27
cuando
se
excluye
un
dato
atípico,
lo
que
evidencia
la
sensibilidad
del
promedio
a
esa
observación.
Aun
después
de
excluirla,
el
indicador
permanece
en
niveles
bajos.
Este
resultado
coincide
temporalmente
con
la
fuerte
inestabilidad
económica
y
social
registrada
en Ecuador durante 2019, asociada con las medidas
Los
promedios
muestran
un
deterioro
progresivo
desde
la
zona
segura
hacia
la
zona
de
riesgo.
Las
empresas
clasicadas
como
seguras
registraron
valores
superiores
en
las
cinco
razones
nancieras, con diferencias particularmente visibles
en
rentabilidad
operativa
(X
3
=
0,79),
solvencia
de
ajuste
y
las
protestas
de
octubre.
Por
ello,
el
comportamiento de ese año debe leerse considerando
tanto la información nanciera de las empresas como
el entorno macroeconómico en el que operaban.
La comparación de las cinco variables por zona
permite observar con mayor detalle qué componentes
nancieros
acompañan
la
clasicación
obtenida
mediante el Z-Score.
patrimonial (X
4
= 0,42) y rotación de activos (X
5
=
2,55). En la zona de riesgo, la rentabilidad operativa
promedio
fue
negativa
(X
3
=
-0,02),
la
relación
patrimonio-pasivo
descendió
a
0,28
y
la
rotación
de
activos
a
0,58.
Estas
diferencias
descriptivas
se
sometieron posteriormente a contraste estadístico.
Año
Empresas
Promedio Z
Promedio
Z > 2,99
No.
Empresas
Promedio 1,81
≤ Z ≤ 2,99
No.
Empresas
Promedio
Z < 1,81
No.
Empresas
Empresas con
Error # cálculo
2014
14
2,52
3,55
5
2,23
5
1,28
3
1
2015
10
2,81
4,9
3
2,28
4
1,41
3
2016
8
1,86
3,31
1
2,56
2
1,29
5
2017
11
2,05
3,45
2
2,3
4
1,3
5
2018
15
1,97
3,73
2
2,31
4
1,43
9
2019
14
0,21-1,27
1,86
2
-0,1
11
1
2020
14
1,84
3,66
1
2,36
6
1,14
7
2021
13
2,5
7,7
2
2,32
4
1,13
7
2022
16
1,66
4,57
1
2,25
4
1,18
11
2023
18
1,67
3
1
2,46
6
1,11
11
2024
13
1,68
3,71
1
2,19
5
1,03
7
Total
general
146
19
46
79
2
Zona
X₁
Liquidez
X₂
Rentabilidad
acumulada
X₃
Rentabilidad
operativa
X₄ Solvencia
patrimonial
X₅ Rotación
de activos
Z
promedio
Segura
0,31
0,17
0,79
0,42
2,55
4,23
Gris
0,22
0,14
0,27
0,33
1,34
2,30
Riesgo
0,12
0,07
-
0,02
0,28
0,58
1,03
Variable
H
P
Resultado
X₁ Liquidez
18,607
< 0,001
Signicativo
X₂ Rentabilidad acumulada
11,802
0,003
Signicativo
X₃ Rentabilidad operativa
31,182
< 0,001
Signicativo
X₄ Solvencia patrimonial
3,202
0,202
No signicativo
X₅ Rotación de activos
84,483
< 0,001
Signicativo
Tabla 2.
Tendencia anual del índice Z de Altman y número de empresas por zona de riesgo (2014-2024)
Tabla 3.
Promedio de variables del modelo Z de Altman (2014-2024)
Tabla 4.
Prueba de Kruskal-Wallis de las razones financieras entre zonas
│
135
Aguilar.
Modelo Z de Altman como predictor de quiebra
El
contraste
de
Kruskal-Wallis
conrmó
diferencias
entre
las
zonas
en
cuatro
de
las
cinco
razones
analizadas:
liquidez
(X₁;
H
=
18,607;
p
<
0,001), rentabilidad acumulada (X₂; H = 11,802; p
= 0,003), rentabilidad operativa (X₃; H = 31,182; p
<
0,001)
y
rotación
de
activos
(X₅;
H
=
84,483;
p
< 0,001). La solvencia patrimonial (X₄) no alcanzó
signicancia estadística (H = 3,202; p = 0,202). La
mayor diferenciación correspondió a la rotación de
activos,
seguida
por
la
rentabilidad
operativa
y
la
liquidez. En consecuencia, la separación descriptiva
observada en X₄ no cuenta con evidencia estadística
suciente
para
armar
diferencias
entre
los
tres
grupos.
Discusión de resultados
Los
resultados
muestran
dos
comportamientos
que
deben
interpretarse
conjuntamente.
Por
una
parte,
el
Z-Score
separa
grupos
con
diferencias
estadísticamente
signicativas
en
cuatro
de
las
cinco razones nancieras analizadas, lo que respalda
su
utilidad
para
caracterizar
distintos
niveles
de
vulnerabilidad nanciera. Por otra, la proporción de
mora posterior no aumentó al pasar de la zona segura
a la zona de riesgo: fue 21,05 % en la zona segura,
17,39
%
en
la
gris
y
15,19
%
en
la
de
riesgo.
Esta
distribución
explica
que
las
pruebas
de
asociación
no
resultaran
signicativas
y
obliga
a
distinguir
entre
identicar
deterioro
nanciero
y
anticipar
un
evento
especíco
de
incumplimiento.
En
el
mercado
ecuatoriano
analizado,
el
modelo
aporta
información
sobre
la
condición
nanciera
de
los
emisores,
pero
la
mora
posterior
parece
depender
también
de
factores
que
no
están
contenidos
en
las
cinco
razones
del
Z-Score.
Este
resultado
es
coherente con la advertencia de Altman et al. (2017)
sobre
la
sensibilidad
del
desempeño
del
modelo
al
contexto y con lo señalado por Molina Panchi et al.
(2022)
respecto
de
la
necesidad
de
interpretar
sus
resultados
atendiendo
a
las
particularidades
del
entorno ecuatoriano.
Limitaciones del estudio
Los resultados deben interpretarse dentro de los
límites de la población estudiada. La muestra incluye
únicamente emisores que participaron en el mercado
de valores ecuatoriano durante 2014-2024 y que, por
ello,
estuvieron
sujetos
a
procesos
de
autorización,
entrega
de
información
nanciera
y
requisitos
regulatorios. Estas características los diferencian de
buena
parte
del
tejido
empresarial
ecuatoriano,
en
particular
de
pequeñas
y
medianas
empresas
que
no acceden al mercado de valores. En consecuencia,
los hallazgos no son directamente generalizables al
conjunto de empresas del país.
Una
segunda
limitación
deriva
del
uso
de
los
coecientes originales del modelo Z de Altman. Al no
haberse
recalibrado
con
información
especíca
del
mercado
ecuatoriano,
el
análisis
permite
examinar
su aplicabilidad, pero no equivale a validar un nuevo
modelo predictivo para Ecuador.
La mora, además, puede responder a condiciones
económicas,
sectoriales,
operativas
y
coyunturales
que
no
forman
parte
de
las
cinco
razones
del
Z-Score. La ausencia de asociación estadísticamente
signicativa
encontrada
en
esta
investigación
refuerza la conveniencia de complementar el modelo
con
variables
relacionadas
con
ujos
de
efectivo,
capacidad
de
renanciamiento,
sector
económico,
entorno
macroeconómico
y
otros
factores
no
nancieros.
Finalmente,
el
margen
de
error
muestral
aproximado
del
7,6
%
y
el
número
relativamente
reducido
de
eventos
posteriores
de
mora
limitan
la
potencia
de
los
contrastes
asociados
al
incumplimiento.
Estudios
posteriores
podrían
ampliar
la
muestra,
denir
ventanas
homogéneas
de
seguimiento,
realizar
análisis
sectoriales
y
longitudinales e incorporar modelos probabilísticos
o técnicas de aprendizaje automático para contrastar
los resultados del Z-Score.
IV.
CONCLUSIONES
El modelo Z de Altman identicó una presencia
relevante
de
vulnerabilidad
nanciera
entre
los
emisores
analizados.
De
las
144
observaciones
válidas, el 54,86 % se ubicó en la zona de riesgo y 55
registraron un índice inferior a 1,50. Estos resultados
muestran que el Z-Score permite ordenar y comparar
la
condición
nanciera
de
los
participantes
del
mercado
y
puede
funcionar
como
una
señal
complementaria de alerta temprana.
Las
diferencias
entre
zonas
no
se
limitaron
al
valor agregado del Z-Score. Las pruebas estadísticas
mostraron diferencias signicativas en liquidez (X₁),
rentabilidad acumulada (X₂), rentabilidad operativa
136
│
Volumen 19, Número 52, Septiembre-Diciembre 2026, pp. 128 - 137
(X₃)
y
rotación
de
activos
(X₅),
siendo
esta
última
la
variable
con
mayor
diferenciación.
La
solvencia
patrimonial
(X₄)
presentó
diferencias
descriptivas,
pero no alcanzó signicancia estadística.
La
clasicación
en
zonas
segura,
gris
y
de
riesgo no presentó una asociación estadísticamente
signicativa
con
la
mora
posterior.
Por
ello,
los
resultados no permiten armar que la zona asignada
por el Z-Score prediga, por sí sola, el incumplimiento
futuro
de
las
obligaciones.
Este
hallazgo
delimita
el
alcance
del
modelo
en
la
muestra
estudiada:
su
principal
aporte
consiste
en
identicar
el
grado
de
vulnerabilidad nanciera a partir del comportamiento
conjunto
de
indicadores
de
liquidez,
rentabilidad,
solvencia
patrimonial
y
eciencia
en
el
uso
de
los
activos. Una clasicación de riesgo debe entenderse,
en consecuencia, como una señal que justica mayor
análisis y seguimiento, no como una certeza de mora
futura.
La
ocurrencia
de
mora
depende
de
elementos
que
exceden
la
información
incorporada
en
el
Z-Score.
Entre
ellos
se
encuentran
el
entorno
macroeconómico,
las
condiciones
sectoriales,
la
capacidad
de
renanciamiento,
la
generación
de
efectivo, las decisiones de gestión y acontecimientos
particulares de cada empresa. Esto ayuda a explicar
por
qué
una
herramienta
capaz
de
distinguir
condiciones nancieras no necesariamente anticipa,
por sí misma, un evento especíco de incumplimiento.
En
síntesis,
el
modelo
Z
de
Altman
resulta
útil
para identicar y comparar vulnerabilidad nanciera
en
el
mercado
de
valores
ecuatoriano,
pero
su
uso
debe
ser
complementario.
La
incorporación
de
variables
sectoriales,
macroeconómicas,
de
ujo
de
efectivo
y
no
nancieras,
junto
con
muestras
más
amplias
y
períodos
de
seguimiento
homogéneos,
puede
contribuir
a
evaluar
con
mayor
precisión
su
capacidad predictiva en investigaciones posteriores.
Conicto de intereses
Los autores declaran no tener ningún conicto de
interés, de carácter nanciero, personal o profesional,
que
pudiera
haber
inuido
en
el
desarrollo,
los
resultados o la interpretación de este trabajo.
Durante
la
preparación
de
este
manuscrito
se
utilizaron
ChatGPT
(OpenAI)
y
Claude
(Anthropic)
como herramientas de apoyo para la revisión de estilo,
la organización del texto y la mejora de la redacción.
Los
autores
revisaron,
editaron
y
analizaron
los
resultados, y asumen plena responsabilidad sobre el
contenido nal del manuscrito. Los datos y cálculos
fueron procesados en Microsoft Excel.
V. REFERENCIAS
Agarwal, V., & Taer, R. (2008). Comparing the per
-
formance
of
market-based
and
accounting-based
bankruptcy prediction models. Journal of Banking &
Finance, 32(8), 1541–1551.
Agrawal, V. (2025). Financial Fragility and Sectoral Risk
in MSMEs: A Longitudinal Validation of The Altman
Z-Score Model in India.
International Journal of Ac-
counting and Economics Studies, 12
(6), 898–908.
https://doi.org/10.14419/zzvvh125
Alaka,
H.
A.,
Oyedele,
L.
O.,
Owolabi,
H.
A.,
Kumar,
V., Ajayi, S. O., Akinade, O. O., & Bilal, M. (2018).
Systematic
review
of
bankruptcy
prediction
mo-
dels:
Towards
a
framework
for
tool
selection.
En
Expert
Systems
with
Applications
(Vol.
94,
pp.
164–184).
Elsevier
Ltd.
https://doi.org/10.1016/j.
eswa.2017.10.040
Alcalde, R., de Armiño, C. A., & García, S. (2022). Analy-
sis
of
the
Economic
Sustainability
of
the
Supply
Chain Sector by Applying the Altman Z-Score Pre-
dictor.
Sustainability (Switzerland), 14
(2). https://
doi.org/10.3390/su14020851
Altman, E. I. (2018). A 50-Year Retrospective on Credit
Risk Models, the Altman Z-Score Family of Models
and
Their
Applications
to
Financial
Markets
and
Managerial
Strategies.
The
Journal
of
Credit
Risk.
https://doi.org/10.21314/jcr.2018.243
Altman, E. I., & Hotchkiss, E. (2006).
Predict and Avoid
Bankruptcy, Analyze and Invest in Distressed Debt.
John Wiley & Sons, Inc.
Altman, E. I., Danovi, A., & Falini, A. (2013). Z-Score
models’ application to Italian companies subject to
extraordinary administration. Bancaria, 4, 24–37.
Altman, E. I., Iwanicz-Drozdowska, M., Laitinen, E. K.,
&
Suvas,
A.
(2017).
Financial
Distress
Prediction
in
an
International
Context:
A
Review
and
Empi-
│
137
Flores.
Modelo de gestión exportadora digital para accesorios
rical
Analysis
of
Altman’s
Z-Score
Model.
Journal
of
International
Financial
Management
and
Ac-
counting,
28
(2),
131–171.
https://doi.org/10.1111/
jifm.12053
Bermeo
Chiriboga,
D.
C.,
&
Armijos
Cordero,
J.
C.
(2021).
Predicción
de
quiebra
bajo
el
modelo
Z2
Altman
en
empresas
de
construcción
de
edicios
residenciales de la provincia del Azuay.
Revista Eco-
nomía y Política,
48–63. https://doi.org/10.25097/
rep.n33.2021.03
Bhambra, R. K., & Dessai, S. S. (2026). Measuring nan
-
cial health of state-owned enterprises using Altman's
Z score model. International Journal of Public Sector
Performance Management, 17(1), 127–137. https://
doi.org/10.1504/IJPSPM.2026.150458
Braunsberger,
C.,
&
Aschauer,
E.
(2025).
Corporate
Failure
Prediction:
A
Literature
Review
of
Altman
Z-Score and Machine Learning Models Within a Te-
chnology and Machine Learning Models Within a Te-
chnology Adoption Framework.
Journal of Risk and
Financial
Management.
https://doi.org/10.3390/
jrfm18080465
Cenciarelli, V., Greco, G., & Allegrini, M. (2018). External
audit and bankruptcy prediction.
Journal of Mana-
gement & Governance, Springer; Academia Italia-
na di Economia Aziendale (AIDEA), 22 (4)
, 863–
890. https://doi.org/10.1007/s10997-018-9406-z
Elviani, S., Simbolon, R., Riana, Z., Khairani, F., Dewi,
S. P., & Fauzi, F. (2020). The Accuracy of the Alt
-
man,
Ohlson,
Springate
and
Zmejewski
Models
in
Bankruptcy
Predicting
Trade
Sector
Companies
in
Indonesia.
Budapest
International
Research
and
Critics
Institute
(BIRCI-Journal) :
Humanities
and
Social
Sciences,
3
(1),
334–347.
https://doi.
org/10.33258/birci.v3i1.777
Gabrielli, G., Melioli, A., & Bertini, F. (2026). Corpora-
te nancial distress prediction: A machine learning
approach in the era of big data.
Journal of Accoun-
ting
&
Organizational
Change,
22
(7),
31–65.
ht-
tps://doi.org/10.1108/JAOC-05-2025-0166
Gao, R., Cui, S., Wang, Y., & Xu, W. (2025). Predicting
nancial
distress
in
high-dimensional
imbalanced
datasets: A multi-heterogeneous self-paced ensem-
ble
learning
framework.
Financial
Innovation,
11
,
Article
50.
https://doi.org/10.1186/s40854-024-
00745-w
Isaac-Roque,
D.,
&
Caicedo-Carrero,
A.
(2023).
Rela-
tionship
between
the
Altman
Z-Score
model
and
the
Z-Score
nancial
indicators.
Retos
(Ecuador),
13
(25),
127–146.
https://doi.org/10.17163/ret.
n25.2023.09
Klištincová,
L.
(2024).
Analysis
of
bankruptcy
models
for predicting the future state of the company.
Pro-
ceedings
of
the
17th
International
Scientic
Con
-
ference
INPROFORUM,
17
,
353–358.
https://doi.
org/10.32725/978-80-7694-053-6.54
Matenda, F. R., Sibanda, M., Chikodza, E., & Gumbo, V.
(2022).
Bankruptcy
prediction
for
private
rms
in
developing economies: A scoping review and guidan-
ce for future research.
Management Review Quar-
terly,
72
(4),
927–966.
https://doi.org/10.1007/
s11301-021-00216-x
Molina Panchi, P. A., & Molina Panchi, D. F. (2023). Mo-
delos
de
predicción
de
fragilidad
empresarial:
una
herramienta para detectar la bancarrota. Revista de
Investigación
Sigma,
11(1),
18–34.
https://doi.or-
g/10.24133/20hwq783
Molina Panchi, P. A., Molina Panchi, D. F., & Flores Ta-
pia, C. E. (2022). Modelo de predicción de quiebra
Z2 de Altman de análisis multivariable en empresas
del sector inmobiliario de la provincia de Pichincha.
Revista Cientíca Ecociencia, 9
(2), 53–76. https://
doi.org/10.21855/ecociencia.92.643
Ohlson,
J.
A.
(1980).
Financial
ratios
and
the
proba-
bilistic
prediction
of
bankruptcy.
Journal
of
Ac-
counting
Research,
18(1),
109–131.
https://doi.
org/10.2307/2490395
Ruan, L., & Liu, H. (2021). Financial Distress Prediction
Using GA-BP Neural Network Model.
International
Journal of Economics and Finance, 13
(3), 1. https://
doi.org/10.5539/ijef.v13n3p1
Torres-Vera,
S.
(2024).
Modelos
Altman
y
Springate
para pronósticos de quiebra.
SENPAI, 1
.