Introducción

La dinámica del mercado de valores requiere para su óptimo funcionamiento un elevado flujo de información y transparencia en las negociaciones. Esta responsabilidad va mucho más allá de una simple transacción e incorpora la toma de decisiones en las empresas. Para ello, en el mercado de valores, se han ido implementando mecanismos de buen gobierno corporativo (GC) como medida de control, al buscar garantizar los derechos de todos los inversionistas que participan en el mercado.

El GC comprende el conjunto de reglas y normas que guían el comportamiento de los accionistas y los directivos de una empresa,¹ asimismo define las obligaciones y responsabilidades de estos hacia el mercado. De esta forma, el GC se centra en proveer una estructura eficiente de incentivos y en establecer responsabilidades para que los directivos y accionistas no utilicen su poder de control² con el fin de extraer valor de la empresa a expensas de los accionistas minoritarios. De acuerdo con ^{La Porta, Lopez-de-Silanes y Shleifer (1999)}, el grado de concentración de la propiedad presenta una fuerte influencia externa sobre la gestión corporativa, mientras que la fragmentación tiende a contener este mecanismo de control.

De acuerdo con la Organización para la Cooperación y el Desarrollo Económicos (OCDE, 2004), el GC corresponde al sistema mediante el cual se dirige y controla una empresa, y facilita una estructura para el cumplimiento de los objetivos al velar por los intereses, no solo del cuerpo directivo, sino el de sus accionistas y la forma como estos producen una supervisión y control para su cumplimiento. La extensa investigación ha demostrado que los sistemas de GC fuertes conducen a asignaciones más eficientes de los recursos, lo cual garantiza una mayor tasa de rentabilidad³ a los accionistas (^{La Porta, Lopezde Silanes y Shleifer, 1999}; La Porta, Lopez-de-Silanes, Shleifer y Vishny, 2002; ^{Gompers, Ishii y Metrick, 2003}; ^{Price, Román y Rountree, 2011}; ^{Bhagat y Bolton, 2013}).

Estos resultados identifican dos vertientes importantes o formas de concebir el GC: a) desde la organización interna y b) como mecanismo de supervisión y control externo. El GC abarca políticas y principios que tienen como objetivo proteger a los accionistas y comprende un conjunto de atributos relacionados con concentración de la propiedad, existencia de accionistas de control, conformación de la junta directiva, sus medios de compensación y la participación de miembros independientes, entre otros (^{Bhagat y Bolton, 2008}; ^{Florackis y Pa-lotás, 2012}), que representan la estructura a nivel interno,⁴ así como el marco normativo y factores externos (^{Gillan, 2006}).

El GC se ha convertido recientemente en un componente importante en el momento de evaluar el desempeño financiero de la empresa, en el que estos atributos influyen sobre sus resultados en el mercado de valores. Por ejemplo, ^{Gompers, Ishii y Metrick (2003)}, al examinar la relación entre el GC y el desempeño de la empresa mediante medidas de rendimiento financiero, encuentran una fuerte relación entre ellas. En su trabajo, construyen un índice de GC proxy⁵ sobre el nivel de derechos de los accionistas y clasifican las empresas en dos grupos: a) empresas con los derechos de los accionistas más fuertes y b) empresas con los derechos de los accionistas más débiles. En esta clasificación, las empresas con fuertes derechos de los accionistas presentan beneficios más altos, un crecimiento elevado de las ventas y los gastos de capital más bajos.

^{Bebchuk, Cohen y Ferrell (2008)}, mediante un ejercicio similar, desarrollan una estimación consistente de la relación entre el GC y el rendimiento de la empresa. De igual forma, ^{Bhagat y Bolton (2008)} y Bhagat y Bolton (2013) muestran que un mejor GC, junto con la estructura de propiedad, está correlacionado positivamente con el desempeño de las empresas, teniendo en cuenta el carácter endógeno de las relaciones existentes entre estas y la estructura de capital y de propiedad de las empresas. Estudios similares fueron desarrollados por ^{Aguilera y Cuervo-Cazurra (2004)}, ^{Brown y Caylor (2006)}, ^{Cheng, Evans y Nagarajan (2008)}, ^{Del Brio, Maia-Ramires y Perote (2006)}, ^{Florackis y Ozkan (2009)}, Florackis y Palotás (2012), ^{Gillan (2006)}, ^{Padgett y Shabbir (2005)}, entre otros, con resultados similares.

Esta evidencia, realizada para el mercado de valores de los Estados Unidos y el Reino Unido, confirma la relación positiva entre el buen GC y el desempeño financiero de las empresas. Además, se encuentran aplicaciones similares para España (Fernández, 2004), Rusia (^{Black et al., 2006}), México (Price et al., 2007, Ruiz y Steinwascher; 2007), Brasil (Black, De Carvalho y Gorga, 2012; Black, De Carvalho y Sampaio, 2014), Venezuela (^{Garay, González, González y Hernández, 2006}), y algunas comparaciones para países emergentes (^{Klapper y Love, 2004}; ^{Ammann, Oesch y Schmid, 2011}; ^{Nuryanah e Islam, 2016}), entre otros.

Por su parte, en Colombia, aunque los emisores del mercado de valores han venido implementando un código de GC,⁶ realizar una comparación entre los atributos del GC y del desempeño financiero es una tarea compleja, sumado a los pocos esfuerzos realizados para la construcción de índices de medición. Los trabajos de ^{Cortés y Arenas (2011)}, Franco y Montalván (2010), Langebaek y Ortiz (2007) y ^{Pombo y Gutiérrez (2007)} representan importantes contribuciones en este campo; sin embargo, presentan fuertes limitaciones propias de las metodologías empleadas, como endogeneidad (^{Bhagat y Bolton, 2008}) y causalidad inversa (^{Florackis y Ozkan, 2009}).

Además, la dirección de la relación GC y desempeño financiero no está completamente definida y no han sido probados adecuadamente los atributos para identificar los factores que son relevantes en su medición. ^{Florackis y Palotás (2012)} proponen una técnica robusta que integra el análisis no lineal de componentes principales (ANLCP) y el método generalizado de momentos (MGM), con el propósito de superar estas limitaciones para confirmar que se cumple la relación. Además, los autores encuentran que hay dos dimensiones importantes del GC: la primera se refiere a la naturaleza de los procesos internos y los incentivos para los directivos; y la segunda a la capacidad de control de los grandes accionistas para ejercer una función de vigilancia y proporcionar una fuerte supervisión de la gestión del rendimiento.

El presente trabajo se apoya en el estudio de ^{Florackis y Palotás (2012)} con el objetivo de identificar la relación existente entre el GC y el desempeño financiero de una muestra representativa de las empresas listadas en el mercado de valores colombiano. Para ello, se implementa la técnica novedosa del ANLCP para extraer las relaciones locales entre los atributos del GC, y se combina con el MGM para confirmar la existencia de esta relación a partir de un ejercicio econométrico robusto. Para ello, este trabajo se divide en cuatro secciones que incluye esta introducción. En la segunda sección, se describen las metodologías utilizadas a partir de una presentación sencilla, la definición de las variables y el manejo de la muestra de datos. En la tercera sección, se presentan los resultados principales del ejercicio de estimación basado en las técnicas del ANLCP y el MGM, así como la validación de los test implementados. Finalmente, se dan a conocer las conclusiones y recomendaciones, así como las limitaciones encontradas, con el propósito de proponer futuras extensiones.

Análisis no lineal de componentes principales

El ANLCP es un método equivalente al análisis lineal de componentes principales estándar, en cuanto a la reducción de las variables observadas a un número de componentes principales no correlacionados (^{Scholz, 2007}; Scholz, Fraunholz y Selbig, 2008). Sin embargo, el ANLCP permite tanto la reducción de la dimensionalidad como la aproximación de las estructuras no lineales en un conjunto de datos específico. La ventaja más importante de esta técnica es que hace posible incorporar variables nominales y ordinales (categóricas), además de relaciones no lineales entre ellas (^{Linting, Meulman, Groenen y Van der Koojj, 2007}); por ello, es una herramienta más robusta en la medida en que permite dar un mejor manejo de las variables significativas.

Siguiendo a ^{McNelis (2005)}, el ANLCP puede ser implementado en el marco de una red neuronal multicapa con una topología autoasociativa, también conocida como red replicante o cuello de botella (figura 1). La red autoasociativa realiza una asignación de identidad: la salida, y se aplica para igualar la entrada x con alta precisión; la información de esta red se propaga hacia arriba de acuerdo con el número de neuronas en cada una de las capas consecutivas. Allí, las variables de entrada (x) de la red son codificadas por unidades intermedias (c11 y c12), en un mapeo de reducción de dimensionalidad. Estas unidades de codificación se combinan linealmente para formar Η-unidades de componentes principales (neuronales), también conocido como capa de embotellamiento. Estos a su vez se decodifican en c21 y c22, en una asignación de reconstrucción que se combina linealmente para regenerar las entradas y las capas de salida (y).

Fuente: ^{McNelis (2005)}

Figura 1 Estructura de la red neuronal mediante el ANLCP 

De acuerdo con ^{Meulman, Van der Kooij y Heiser (2004)}, las categorías de las variables objeto de estudio se asignan valores numéricos a través de un proceso llamado cuantificación óptima (o de escalamiento óptimo). Estas cuantificaciones sobre las categorías de una variable forman conjuntamente la transformación de esa variable. El proceso de cuantificación sustituye a los identificadores (etiquetas) de cada categoría y permite representar, tanto como sea posible, la varianza de las variables que están representando (variables originales) y, por tanto, poseen varianza en el sentido tradicional.

Esta metodología es adoptada por ^{Florackis y Palotás (2012)}, quienes implementan una red neuronal autoasociativa de cinco capas (figura 2). La estructura de la red propuesta presenta la notación [9-4-1-4-9]. La primera (entrada) y última capa (salida) contienen m neuronas que corresponden a la dimensión de los datos y nueve entradas y salidas con cinco capas, para lograr la transformación m-dimensional (m = 9) a un espacio k-dimensional (k = 1).

Si se cuenta con un espacio de datos dado por las variables observadas y un número de componentes (que es un subespacio de X), el ANLCP tiene como objetivo proporcionar el subespacio k y la asignación entre m y k. La asignación está dada por funciones no lineales: φ _ext y Φ _gen . La función de extracción φ _ext : m→k transforma la muestra de coordenadas m={m ₁ ,m ₂ ,...,m _k ) ^T del espacio de datos k-dimensional de m en las correspondientes coordenadas k=(k ₁ ,k,...,k _k ) ^T f del espacio de componentes con una dimensionalidad en general más baja que m.

Fuente: Adaptado de ^{Florackis y Palotás (2012)}

Figura 2 Estructura de la red neuronal autoasociativa de cinco capas. 

La función de generación Φ _gen : k→ es la aplicación inversa que reconstruye la muestra original del vector m de su representación de componentes k de menor dimensión. Por tanto, Φ _gen gen aproxima el proceso de generación de los datos asumidos. Las variables extraídas contienen información acerca de la transformación lineal desde el espacio de datos original a las direcciones más altas de la varianza (^{Scholz, Fraunholz y Selbig, 2008}). La primera parte de la red (tres capas inferiores) representa la función de extracción Φ _ext : m→k. Esto significa que cada muestra se extrae sobre el espacio k-dimensional, mientras que la parte superior (dos capas superiores) se logra mediante la aplicación de la función de generación Φ _gen : k→

De esta forma, al utilizar el ANLCP, se realizan análisis comparativos entre los índices de GC mediante la extracción de características complejas a partir de un conjunto de datos. Una vez se construye la red, se empieza tomando la suma de errores cuadráticos para cada uno de los valores previstos de x(y), y su valor real. La suma del total de los errores cuadrá-ticos para todos los valores x de es el objeto de minimización. Bajo esta técnica, la función de pérdida cuadrática media (minimización del error cuadrático medio [ECM]) está dada por:

El conjunto de datos puede ser escrito como una matriz dimensión m* n :x _ij , donde m es el número de variables observadas (indicadores de buen GC) y n es el número de observaciones al año por empresa durante el periodo de estudio. Los datos de salida (y _ij ) de acuerdo con representa la aproximación óptima de los datos.

Para la extracción de los componentes, se supone que los datos están determinados por una serie de factores y, por tanto, pueden ser considerados como fueran generados a partir de ellos. Dado que el número de factores es en general menor que el número de variables observadas, los datos se encuentran dentro de un subespacio del espacio total de datos. El objetivo es representar estos factores en los componentes para describir en conjunto este subespacio.

Método generalizado de momentos

El MGM se propone como alternativa para superar el problema de endogeneidad asociado a los atributos de GC, siguiendo la propuesta de ^{Arellano y Bond (1991)}, para capturar la relación entre GC y desempeño. La información se consolida con la estructura de un panel de datos que recoge las variables durante el periodo de análisis. El MGM permite minimizar una forma cuadrática que es la medida de distancia de b_n(c) a 0, mediante

Donde:

An representa la matriz de ponderaciones de los momentos. Aquí, por lo general, se emplea la matriz var-covar de las condiciones de ortogonalidad.

θ corresponde a un vector de parámetros k χ 1.

Ψ es el vector de funciones r χ 1 (# de instrumentos).

W ₁ representa un vector aleatorio.

Con este método, se puede demostrar que la ponderación óptima es la matriz de las varianzas de condiciones de ortogonalidad.

La elección del MGM se fundamenta en su flexibilidad para superar con relativa sencillez los problemas de especificación, el carácter endógeno de las variables debido a la heterogeneidad no observada o causalidad inversa. Sin embargo, se debe tener presente que gran parte de su éxito descansa en la selección adecuada de instrumentos. Para ello, este trabajo se apoya en el modelo utilizado por ^{Florackis y Palotás (2012)}, así como en trabajos previos, con el objetivo de construir un estimador MGM eficiente que sea además consistente y asintóticamente normal.

La especificación del modelo se escoge con una adaptación en la que se ajustan algunas variables de control por las limitaciones de información y duración del periodo de análisis. El modelo resultante puede expresarse como:

Donde:

Y _t representa la medida de desempeño corporativo (Q de Tobin y ROA).

X _k es un vector de variables que representa las características específicas de las empresas de la muestra, como nivel de apalancamiento, dividendos, tamaño de la empresa. Estas últimas dos representan variables proxies que dan cuenta del grupo al cual pertenecen.

IGC _iK representa el vector de las dos dimensiones de GC (procesos internos e incentivos y el nivel de control de los accionistas).

Para lograr la estimación del modelo, con la especificación de ^{Arellano y Bond (1991)}, se incluyen las variables rezagadas con algunas transformaciones. En este último caso, se utiliza una transformación alternativa propuesta por Arellano (2003) que considera las variables expresadas en desviaciones ortogonales y no en primeras diferencias. Este ajuste se aplica para superar las dificultades cuando se encuentran sesgos en los parámetros estimados, derivado de un error de medida en las variables, el cual puede ser más grave si se utilizan diferencias en lugar de desviaciones ortogonales. Además, como señalan ^{Flannery y Hankins (2013)}, la propuesta de Arellano y Bond (1991), aunque utiliza un marco sofisticado para desarrollar instrumentos válidos, no corrige este sesgo presente en paneles cortos.

Por último, la consistencia del estimador MGM depende de la validez de los instrumentos utilizados y de la ausencia de orden superior de correlación serial en el componente idiosincrásico del término de error. Por tanto, se soportan los resultados en el test global de Wald y la prueba de Sargan de sobre identificación de restricciones bajo la hipótesis nula de que los instrumentos implementados son válidos.

Resultados

Extracción de componentes principales no lineales

En la implementación del ANLCP, se utiliza la herramienta elaborada por ^{Scholz (2007)} en MATLAB.⁷ Este método de extracción de componentes no lineales está basado en la estructura la red autoasociativa o red simétrica que incluye cuatro neuronas (dos de codificación y dos de decodificación) sobre una base ortogonal. En total, se emplean 3000 iteraciones en el set de entrenamiento de la red para obtener diez diferentes componentes principales no lineales en la muestra a partir de un proceso simulado. De los diez componentes principales, se extraen dos que cumplen con la regla general de tener un valor propio mayor que la unidad (tabla 1).

Tabla 1 Factores extraídos del proceso ANLCP 

Fuente: Elaboración propia.

A diferencia de ^{Florackis y Palotás (2012)}, estos dos factores no están asociados propiamente a los procesos internos y externos de acuerdo con su clasificación y, por ello, se requiere un reagrupamiento para crear dos índices que dan cuenta del GC. Para interpretar los índices de gobierno asociados a los factores derivados del proceso, siguiendo la propuesta de los autores, estos se tienen en cuenta como atributos relevantes si su resultado en valor absoluto excede el 0,3. Según este criterio, el Factor 1 está asociado fuertemente a las variables: TEN_FIN, INDEPEN, TAMAÑO, DUAL y JUNTA_PROP, mientras que el Factor 2 reúne tres atributos: CONTROL y TEN_FAM. Las variables CONC_PROP y JUNTA_COMP no están asociadas a ninguno de los dos factores extraídos. Su explicación puede darse en el caso de JUNTA_COMP, por el uso de variables proxies en su medida, en lugar de los valores originales de compensación (bonificaciones, salarios, etc.), mientras que la variable CONC_PROP representa características propias del mercado colombiano en el que se identifican altos niveles de concentración en las participaciones accionariales, principalmente en el mercado financiero.

Con estos resultados, se realiza un agrupamiento de las medidas de GC, mediante la suma ponderada de los indicadores con transformaciones ortogonales. La primera medida asocia los procesos internos de la empresa, en la medida en que incorpora las variables de estructura y composición de la junta, su nivel de propiedad y los accionistas de control financieros. Una particularidad es que estos últimos terminan siendo el principal grupo de interés en el manejo y desempeño de la empresa, al representar los inversionistas más representativos del mercado colombiano. Esta medida se denomina de ahora en adelante (INDICE_MANEJO_INTERNO).

La segunda medida de gobierno recoge los atributos asociados a la presencia de inversionistas de control y tenencia familiar, por tanto, su facultad para ejercer una función de vigilancia y supervisión en la gestión y el desempeño de la empresa. A esta medida se le denomina INDICE_PROPIEDAD_CONTROL.

Una vez se tienen consolidadas estas medidas, se procede a medir la relación entre GC y desempeño de las empresas a través de un modelo de estimación que utiliza MGM.

Resultados de las medidas de gobierno

Siguiendo la estructura propuesta, y de acuerdo con el método MGM, se emplean dos hipótesis para comprobar la relación entre los indicadores de GC y el desempeño de la empresa. Estas son:

Ha 1: Existe una relación positiva entre la medida INDICE_MANEJOJNTERNO y el desempeño de la empresa.

Ha 2: Existe una relación positiva entre la medida INDICE_PROPIEDAD_CONTROL y el desempeño de la empresa.

Para cada hipótesis, se comprueban dos modelos que reflejen esta relación: el primero toma como medida proxy del desempeño el indicador Q de Tobin, y el segundo, el indicador ROA. Los resultados de la estimación del modelo según la ecuación 2 se presentan en la tabla 2.

Tabla 2 Resultados de los modelos mediante MGM 

(.) Desviación estándar (Robusto)

* Significativo al 95 %

** Significativo al 99 %

*** No significativo al 95 %

Fuente: Elaboración propia.

Los resultados muestran que los modelos son válidos y ayudan a explicar la relación entre las variables (GC y desempeño), tras lo cual se obtiene la suficiente evidencia para no rechazar las dos hipótesis (alternativas) mediante el test global de Wald, mientras la prueba de Sargan confirma la validez de los instrumentos utilizados en los modelos.

Los resultados muestran que las dos dimensiones de gobierno influyen significativamente en el desempeño de las empresas. En concreto, la primera dimensión (medida de gobierno), que relaciona los atributos de manejo interno, ayuda a explicar el resultado de la empresa sobre los dos indicadores: Q de Tobin y ROA, mientras la dimensión que relaciona la capacidad de los accionistas para supervisar la gestión solo ayuda a explicar el desempeño basado en el indicador Q de Tobin. Los resultados anteriores confirman gran parte de la evidencia internacional de que existe una relación significativa entre estos grupos de variables.

Conclusiones y recomendaciones

Los desarrollos teóricos y trabajos empíricos han proporcionado un amplio campo de discusión sobre la magnitud e incidencia de los problemas de agencia a lo largo de las últimas cuatro décadas, en busca de contrastar la relación que existe entre gobierno corporativo y el desempeño de las empresas. La medición de los indicadores de gobierno ha cubierto todas las metodologías estadísticas y econométricas en busca de las mejores aproximaciones; sin embargo, muchas de ellas presentan fallas notorias. Los trabajos recientes han mostrado que los modelos lineales presentan limitaciones muy fuertes y, por ello, se requiere acudir a procedimientos más robustos.

El uso de los modelos no lineales apoyados en el análisis de las redes neuronales, en particular el ANLCP, ha tenido mayor aceptación al generar mejores aproximaciones y representar medidas más fiables. Este método es muy útil cuando se requiere construir indicadores de gobierno corporativo que eviten usar criterios cualitativos exigentes al permitir combinar variables numéricas y nominales. Este trabajo logra demostrar que predominan dos dimensiones importantes GC en las empresas del mercado de valores en el país. La primera medida está relacionada con los procesos internos de la empresa en cuanto incorpora las variables relacionadas con su estructura directiva, composición, propiedad y presencia de accionistas de control que pertenecen al sector financiero. Estos últimos pueden tener incentivos para expropiar la riqueza de los accionistas más pequeños en lugar de velar por la gestión de los directivos, dado que representan un grupo con prevalencia en la toma de decisión y cuentan con gran trayectoria en el mercado. En el país, es común encontrar este tipo de inversionistas y su injerencia es bastante fuerte en el apoyo de las decisiones de las juntas directivas.

La segunda dimensión se asocia a la presencia de grandes inversionistas institucionales y el grado de control familiar que concentran un nivel muy grande de la propiedad, lo cual les permite ejercer la función de supervisión del desempeño de la gestión de la junta directiva.

Utilizando una estimación apoyada en el método MGM, se confirma la evidencia de una relación entre estas medidas de gobierno corporativo y el desempeño de las empresas, medido a través de dos indicadores de rendimiento: el primero, el rendimiento del mercado (Q de Tobin) y el segundo el rendimiento operativo (ROA). La primera medida referida al manejo interno muestra relación con los dos indicadores y ayuda a explicarlos, mientras que la segunda solo logra hacerlo con el indicador de rendimiento de mercado, es decir, Q de Tobin.

A pesar de que los resultados son satisfactorios y validan el uso del método ANLCP, aún quedan varias limitaciones propias de mercado de valores colombiano por superar, producto de la ausencia de fuentes de información y la dificultad para incluir a las diferentes industrias por el número representativo de empresas. Se deja abierta la propuesta para posteriores trabajos de investigación, en los que se busque separar el efecto para las empresas por sectores o para empresas no inscritas en la Bolsa. En este último caso, se deben revisar las variables proxies de desempeño.

De igual forma, se recomienda adicionar variables que den cuenta del efecto temporal en el desempeño de las empresas y medidas de clasificación de los sectores cuando estos puedan ser incorporados para ampliar la muestra. También, se pueden buscar otras medidas para representar los atributos de compensación de los miembros de la junta directiva, dado que las variables sobre esta medida no fueron satisfactorias.