Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 208
ANÁLISIS DE INDICADORES CLAVE QUE DETERMINAN EL RANKING
EMPRESARIAL EN ECUADOR DURANTE EL 2023 UTILIZANDO TÉCNICAS
MULTIVARIANTES
ANALYSIS OF KEY INDICATORS DETERMINING THE BUSINESS RANKING IN
ECUADOR DURING 2023 USING MULTIVARIATE TECHNIQUES
Autores: ¹Alicia del Rocío Sani Centeno y ²José Omar Cabrera Escobar.
¹ORCID ID: https://orcid.org/0009-0006-6038-5776
²ORCID ID: https://orcid.org/0000-0002-0197-5163
¹E-mail de contacto: alicia.sani@unach.edu.ec
²E-mail de contacto: omar.cabrera@unach.edu.ec
Afiliación: ¹*²*Universidad Nacional de Chimborazo, (Ecuador).
Artículo recibido: 27 de mayo del 2025
Artículo revisado: 31 de mayo del 2025
Artículo aprobado: 15 de junio del 2025
¹Ingeniería, especialización en Mecánica de la Escuela Politécnica del Chimborazo, (Ecuador) con 10 años de experiencia laboral.
Maestrante de la Maestría en Matemática Aplicada con mención en Matemática Computacional de la Universidad Nacional de
Chimborazo, (Ecuador).
²Ingeniería, especialización en Mecánica de la Escuela Politécnica del Chimborazo, (Ecuador) con 11 años de experiencia laboral.
Magíster en Diseño, de la Universidad Internacional SEK, (Ecuador). Magíster en Ingeniería Matemática y Computación de la
Universidad Internacional de la Rioja, (España). Doctorado en Avances de Ingeniería de Materiales y Energías Sostenibles de la
Universidad de Jaén, (España).
Resumen
La alta competitividad y diversidad estructural
en el ámbito empresarial latinoamericano
hacen necesario comprender los elementos
clave que condicionan el posicionamiento
corporativo. El presente estudio analiza los
factores financieros y operativos determinantes
en la ubicación de las empresas ecuatorianas
dentro del ranking empresarial correspondiente
al año 2023, aplicando técnicas estadísticas
multivariantes. Para ello, se utilizó una base
compuesta por 119.611 empresas activas que
entregaron oportunamente sus reportes
financieros a la Superintendencia de
Compañías, Valores y Seguros, sometida
posteriormente a una minuciosa depuración y a
una normalización mediante el método Z-
Score. Se aplicó un Análisis de Componentes
Principales (ACP) que permitió sintetizar las
variables originales en tres dimensiones
fundamentales, las cuales explicaron
conjuntamente el 76,51 % de la varianza total.
Posteriormente, el algoritmo K-Means
segmentó las empresas en tres grupos
específicos, cuya validez estadística fue
corroborada a través de un análisis
discriminante, alcanzando una precisión global
del 99,9 %. Los resultados destacan una
pronunciada concentración empresarial en un
segmento caracterizado por limitado
desempeño económico, vinculado al tamaño
organizacional, rentabilidad reducida y presión
tributaria elevada, en contraste con un pequeño
segmento que exhibe claras ventajas
competitivas. Estos hallazgos aportan
información crítica para el diseño de políticas
públicas diferenciadas, estrategias
empresariales focalizadas y ofrecen un modelo
analítico con potencial para ser replicado a
escala regional, sectorial, así como para su
utilización en predicciones del desempeño
empresarial futuro.
Palabras clave: Ranking corporativo,
Análisis multivariante, Componentes
principales, Clustering K-Means, Análisis
discriminante.
Abstract
The high level of competitiveness and
structural diversity within the Latin American
corporate landscape underscores the need to
understand the key elements that influence
corporate positioning. This study analyzes the
financial and operational factors that determine
the placement of Ecuadorian companies in the
2023 national business ranking, applying
multivariate statistical techniques. The dataset
comprised 119,611 active companies that
submitted their financial reports on time to the
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 209
Superintendency of Companies, Securities, and
Insurance. The data were thoroughly cleaned
and normalized using the Z-Score method. A
Principal Component Analysis (PCA) was then
conducted, reducing the original variables into
three fundamental dimensions that together
explained 76.51% of the total variance.
Subsequently, the K-Means clustering
algorithm segmented the companies into three
distinct groups, whose statistical validity was
confirmed through discriminant analysis,
achieving an overall classification accuracy of
99.9%. The results highlight a significant
concentration of firms within a segment
marked by limited economic performance,
associated with smaller organizational size,
reduced profitability, and high tax burden. In
contrast, a smaller group exhibits clear
competitive advantages. These findings
provide critical insights for the design of
differentiated public policies and targeted
corporate strategies, and offer an analytical
model with strong potential for replication at
regional or sectoral levels, as well as for use in
forecasting future business performance.
Keywords: Business ranking, Multivariate
analysis, Principal component analysis, K-
Means clustering, Discriminant analysis.
Sumário
A elevada competitividade e a diversidade
estrutural no setor empresarial latino-americano
tornam essencial a compreensão dos elementos-
chave que influenciam o posicionamento
corporativo. Este estudo analisa os fatores
financeiros e operacionais determinantes da
posição das empresas equatorianas no ranking
empresarial referente ao ano de 2023, por meio
da aplicação de técnicas estatísticas
multivariadas. Utilizou-se uma base composta
por 119.611 empresas ativas que apresentaram
pontualmente seus relatórios financeiros à
Superintendência de Companhias, Valores e
Seguros, a qual foi submetida a uma criteriosa
depuração e posterior normalização por meio do
método Z-Score. Aplicou-se uma Análise de
Componentes Principais (ACP), que sintetizou
as variáveis originais em três dimensões
fundamentais, explicando conjuntamente
76,51% da variância total. Em seguida, o
algoritmo K-Means segmentou as empresas em
três grupos específicos, cuja validade estatística
foi confirmada por meio de análise
discriminante, alcançando uma precisão global
de 99,9%. Os resultados evidenciam uma
acentuada concentração empresarial em um
segmento com baixo desempenho econômico,
associado ao porte organizacional,
rentabilidade reduzida e elevada carga
tributária, em contraste com um pequeno grupo
que apresenta claras vantagens competitivas.
Esses achados fornecem informações críticas
para a formulação de políticas públicas
diferenciadas, estratégias empresariais
direcionadas e propõem um modelo analítico
com potencial de replicação em nível regional e
setorial, bem como para a previsão do
desempenho empresarial futuro.
Palavras-chave: Ranking corporativo,
Análise multivariada, Componentes
principais, Agrupamento K-Means, Análise
discriminante.
Introducción
La evaluación del desempeño empresarial y el
posicionamiento de las compañías en rankings
corporativos ha adquirido una importancia
creciente en el ámbito académico y profesional,
especialmente en contextos económicos en
desarrollo (Torres et al., 2024). Este interés
responde a la necesidad de establecer criterios
objetivos para comparar el rendimiento de las
organizaciones, facilitar la toma de decisiones y
orientar estrategias empresariales basadas en
evidencia cuantitativa. En particular, se ha
enfatizado la identificación de los indicadores
más influyentes en la determinación del ranking
empresarial, lo que permite comprender con
mayor precisión los factores críticos que
inciden en la competitividad y sostenibilidad de
las empresas.(Kountur y Aprilia, 2020). En el
caso ecuatoriano, la utilidad neta ha sido
tradicionalmente el principal criterio utilizado
por instituciones como la Superintendencia de
Compañías para ordenar a las empresas en
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 210
rankings oficiales (Tobar, 2024). Sin embargo,
esta aproximación unidimensional resulta
insuficiente para capturar la complejidad del
desempeño corporativo. El análisis empresarial
contemporáneo requiere considerar múltiples
dimensiones, entre ellas ingresos totales,
activos, patrimonio y otros indicadores
financieros que ofrecen una imagen más amplia
y precisa del funcionamiento organizacional
(Mbona y Yusheng, 2019).
En este contexto, las técnicas multivariantes han
surgido como herramientas estadísticas clave
para abordar la multiplicidad de indicadores. A
diferencia de los enfoques tradicionales, estas
metodologías permiten integrar y analizar de
manera conjunta diversas variables,
proporcionando una visión más holística del
desempeño empresarial. De esta forma, se
mejora la calidad analítica de los rankings
corporativos y se optimiza la clasificación de las
empresas según su perfil financiero real
(Niftiyev et al., 2024). Entre las técnicas
estadísticas multivariantes más utilizadas
destacan el Análisis de Componentes
Principales y el análisis de conglomerados o
Clustering. El ACP permite reducir la
dimensionalidad del conjunto original de
variables correlacionadas, extrayendo
componentes independientes que conservan
gran parte de la información original (Jollife y
Cadima, 2016). Esto facilita la interpretación de
los patrones subyacentes y mejora la eficiencia
del análisis. Por su parte, el Clustering agrupa a
las empresas en conjuntos homogéneos con
base en similitudes financieras, permitiendo una
segmentación más precisa del tejido
empresarial.
Diversos estudios han demostrado la eficacia de
estas técnicas en contextos empresariales. De la
Rosa et al. (2021) aplicaron ACP y análisis de
clúster a una muestra de 21 empresas
mexicanas, identificando tres componentes
principales que explicaron el 76 % de la
varianza total y clasificando a las empresas
según su rentabilidad y liquidez. Esta
metodología permitió una segmentación clara
de las organizaciones, identificando grupos
homogéneos de desempeño, y fue
posteriormente validada mediante métodos
jerárquicos y K-medias. El estudio constituye
una referencia clave para replicar el enfoque en
el contexto ecuatoriano. Asimismo, Bazarán et
al., (2023) desarrollaron un instrumento de
medición de competitividad empresarial en la
provincia de El Oro, empleando un análisis
factorial exploratorio que identificó un único
factor general que explicó el 76 % de la
varianza. A partir de esta estructura latente,
utilizaron regresión múltiple para establecer la
relación entre competitividad general y
subcomponentes internos, identificando como
más relevantes los estándares de medición,
infraestructura y sistemas de información.
El estudio de Ciencias Jurídicas et al., (2019),
centrado en empresas familiares de Guayaquil,
también utilizó ACP y representaciones HJ-
Biplot para clasificar empresas en función de su
orientación familiar, propiedad y sucesión
generacional. Estos hallazgos reforzaron la
utilidad del ACP para segmentar entornos
heterogéneos mediante análisis gráficos que
revelan patrones estructurales. Por otro lado,
Mbona y Yusheng (2019) analizaron el
desempeño financiero de tres compañías chinas
del sector telecomunicaciones a lo largo de 17
años. Utilizando ACP sobre 18 indicadores,
extrajeron cuatro componentes que explicaron
el 85,6 % de la variabilidad total, lo que facilitó
la selección de 12 ratios financieros clave para
evaluar dimensiones como rentabilidad,
eficiencia operativa y solvencia. De igual
forma, Dzuba y Krylov (2021) implementaron
Clustering sobre una muestra de 2.030
corporaciones internacionales, identificando
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 211
siete agrupaciones distintas basadas en la
gestión financiera. Estos clústeres reflejaron
patrones específicos en el uso de recursos, y se
propuso su uso como variable categórica en
modelos de riesgo financiero y valoración
empresarial.
En Colombia, Quintero et al. (2020) aplicaron
análisis de conglomerados y discriminante a
1.007 PYMES, agrupándolas según indicadores
de rentabilidad. Se lograron identificar cuatro
grupos diferenciados con alta precisión
clasificatoria, destacando la utilidad de estas
técnicas para segmentar el sector empresarial en
función de su desempeño financiero.
Finalmente, Matute y Muñoz (2024) realizaron
un estudio con 200 PYMES ecuatorianas a
partir de 208 variables organizadas en áreas
temáticas. Tras aplicar ACP y Clustering K-
means, identificaron tres grupos empresariales
diferenciados, confirmando la importancia de
factores como la gestión del talento humano y
las capacidades operativas para explicar el éxito
organizacional. Con base en esta revisión, se
observa una tendencia creciente en el uso de
técnicas multivariantes para analizar el
desempeño empresarial, lo que ha permitido
generar modelos más robustos, explicativos y
aplicables en contextos diversos. Sin embargo,
en Ecuador, los estudios con enfoque
multivariante sobre el ranking empresarial a
gran escala siguen siendo limitados,
especialmente considerando la totalidad de
empresas registradas oficialmente.
En este sentido, el presente estudio tiene como
objetivo principal aplicar técnicas
multivariantes, específicamente el Análisis de
Componentes Principales y el algoritmo K-
means, para identificar los indicadores
financieros que explican el posicionamiento de
las empresas ecuatorianas en el ranking
empresarial del año 2023. A partir de estos
resultados, se pretende construir una tipología
empresarial que permita interpretar las
diferencias estructurales entre grupos de
empresas y evaluar la consistencia interna de la
segmentación mediante análisis discriminante.
La hipótesis que guía este trabajo sostiene que
los indicadores financieros clave pueden
agruparse en componentes significativos y que,
mediante el uso de técnicas multivariantes, es
posible identificar clústeres empresariales con
perfiles homogéneos de desempeño, lo que
mejora la comprensión del posicionamiento
relativo de las empresas en el ranking nacional.
Esta información resulta relevante tanto para
actores públicos como privados interesados en
fortalecer la competitividad y sostenibilidad del
tejido empresarial ecuatoriano.
Materiales y Métodos
La investigación se basa en la información
proporcionada por la Superintendencia de
Compañías, tomando como referencia
específica la fecha de corte del 18 de junio de
2024 (Superintendencia de Compañías, 2024).
Esta base fue construida a partir de los estados
financieros presentados por empresas activas
registradas en dicho período. De acuerdo con
datos oficiales, en el año 2023 existían 153.365
empresas activas, de las cuales 124.548
entregaron sus estados financieros
oportunamente. Sin embargo, hasta la fecha
indicada, únicamente 119.611 empresas
figuraban en la base de datos utilizada para este
estudio, debido a que las restantes entregaron la
información posteriormente a dicha fecha. En
una primera etapa del estudio, realizamos una
exploración inicial y una depuración minuciosa
de la base para asegurar la calidad y precisión
de los análisis posteriores enfocados en los
factores clave del ranking empresarial.
Inicialmente, importamos los datos al software
estadístico RStudio, elegido por su versatilidad
en análisis estadísticos complejos. Tras una
revisión preliminar, detectamos 110 registros
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 212
duplicados en la columna denominada
“expedientes”, los cuales representaban filas
con valores exactamente iguales en todas sus
columnas. Dado que estas filas no aportaban
datos adicionales, optamos por eliminar una de
cada par de duplicados, garantizando así la
representación única de cada empresa en el
análisis, minimizando sesgos potenciales.
Respecto al tratamiento de datos faltantes,
realizamos un análisis detallado columna por
columna. En este proceso, observamos que la
variable "tamaño" presentaba 26.850 valores
incompletos. Debido a que esta variable
responde a criterios específicos establecidos por
la Superintendencia de Compañías en sus
regulaciones, aplicamos dichos criterios
oficiales para completar la información faltante
de manera coherente y precisa. En cuanto al
manejo de valores atípicos, decidimos mantener
todos los datos originales sin modificaciones.
Esta decisión obedece a que las variables
financieras reflejan información real
proporcionada por las empresas en sus balances
oficiales. En este contexto, valores extremos o
negativos, como grandes pérdidas o utilidades
mínimas, constituyen datos auténticos y
relevantes que deben preservarse para mantener
la integridad analítica del estudio. Para
simplificar el manejo estadístico y la
interpretación de los resultados, renombramos
las variables financieras con las cuales se va a
trabajar en el análisis a términos más directos y
prácticos: Activo, Patrimonio, IngresoVentas,
UtilidadAntesImpuesto, UtilidadEjercicio,
UtilidadNeta, IrCausado e IngresoTotal, que
son las que representan el desempeño
económico de la empresa y también se trabaja
con la variable Cant.Empleados y con esto se
introduce una dimensión estructural que
representa la parte operativa de la empresa,
estos indicadores fueron seleccionados ya que
son todas las variables numéricas que se
encuentran disponibles en la base de datos.
Posteriormente, se efectuó un análisis
descriptivo del conjunto de datos con el objetivo
de evaluar su distribución general y obtener una
visión preliminar de su comportamiento
estadístico. Se calcularon medidas de tendencia
central y dispersión para cada variable, lo cual
permitió identificar patrones iniciales y
verificar la adecuación de los datos para análisis
posteriores. Para complementar esta
exploración, se elaboraron diagramas de caja
individuales, los cuales ofrecieron una
representación visual precisa de la dispersión,
simetría y posibles valores atípicos presentes en
cada indicador financiero. Adicionalmente, se
construyó una matriz de correlaciones con el fin
de examinar la relación lineal existente entre las
distintas variables cuantitativas. Tal como
señalan López y Gutiérrez (2019) la matriz de
correlaciones facilita la verificación de si los
datos presentan asociaciones significativas,
condición indispensable para justificar la
implementación de un análisis factorial
exploratorio.
Debido a la notable variabilidad en magnitudes
entre estas variables, aplicamos la técnica de
estandarización conocida como Z-Score como
recomienda (Cortés, 2025). Este método
implica transformar cada dato original restando
su media y dividiéndolo entre su desviación
estándar, logrando así que todas las variables
tengan una media cero y una desviación
estándar uno. Esta transformación es crucial
para que variables con valores numéricos
elevados no dominen los resultados del análisis
multivariado únicamente debido a su escala.
Tras la estandarización, evaluamos la idoneidad
de los datos mediante dos pruebas estadísticas
específicas: Kaiser-Meyer-Olkin (KMO) y
Bartlett como sugiere (Ordóñez et al., 2021). La
prueba KMO determina la adecuación del
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 213
conjunto de datos para aplicar análisis factorial,
midiendo qué proporción de la varianza total
puede ser explicada por factores comunes;
valores cercanos a 1 sugieren alta adecuación.
Por su parte, la prueba de esfericidad de Bartlett
evalúa si las correlaciones entre variables son
significativamente diferentes de cero, indicando
la presencia de estructuras correlacionales
adecuadas para análisis factorial. Al cumplir
con estos criterios estadísticos, procedimos al
Análisis de Componentes Principales (ACP).
El ACP permite reducir la complejidad del
conjunto original de variables correlacionadas,
generando componentes nuevos,
independientes entre sí, que resumen la
información esencial de manera eficiente
(Daquilema y Herrera, 2025). Este análisis
facilita la interpretación y visualización de los
patrones subyacentes, al tiempo que reduce
considerablemente la cantidad de variables que
deben considerarse en análisis posteriores. Para
decidir cuántos componentes retener,
combinamos el criterio de Kaiser seleccionando
aquellos con autovalores superiores a uno con
el gráfico visual de sedimentación (Scree Plot).
A partir de estos criterios complementarios,
optamos por retener tres componentes
principales que resumen satisfactoriamente la
información. Utilizando los resultados
obtenidos mediante ACP, realizamos una
segmentación adicional utilizando análisis de
clúster o agrupamiento. Esta técnica clasifica
las empresas en grupos relativamente
homogéneos según características compartidas
(Boloș et al., 2025). Para optimizar los
resultados y reducir problemas de colinealidad,
el agrupamiento se ejecutó en el espacio
reducido definido por los tres componentes
principales previamente identificados. Dado el
tamaño considerable del conjunto de datos (más
de 100.000 observaciones), seleccionamos el
algoritmo k-means debido a sus ventajas
computacionales respecto a métodos
jerárquicos tradicionales.
Antes de la aplicación del método k-means,
determinamos el número óptimo de clústeres
empleando dos criterios complementarios: el
Método del Codo (Elbow Method), que evalúa
el número óptimo de clústeres observando el
punto donde las mejoras marginales en la
cohesión interna disminuyen claramente (Shi et
al., 2021); y el Índice de Silhouette, que mide la
coherencia interna de cada clúster comparando
la similitud promedio de elementos dentro del
mismo con respecto a otros grupos (Shutaywi y
Kachouie, 2021). La combinación de estos
métodos indicó que tres grupos eran la solución
más adecuada. Para validar la clasificación
obtenida se realizó un análisis discriminante
como sugiere (Quintero et al., 2020). La
efectividad del modelo discriminante se evaluó
mediante la matriz de clasificación cruzada y el
porcentaje global de clasificación correcta; una
clasificación global superior al 80% es
considerada generalmente aceptable para
confirmar la validez discriminante del
agrupamiento.
El análisis discriminante proporcionó funciones
canónicas cuya interpretación permitió verificar
que los grupos generados tienen características
financieras claramente diferenciadas y
estadísticamente significativas. En términos
prácticos, este procedimiento no solo validó la
estabilidad y coherencia interna de los clústeres
identificados, sino que también estableció una
base robusta para utilizar dichos segmentos en
futuras investigaciones y aplicaciones
empresariales. Finalmente, llevamos a cabo una
interpretación socioeconómica complementaria
para cada grupo identificado, destacando las
características particulares relacionadas con el
tamaño promedio de las empresas en cada
segmento. Todo el proceso analítico y la
generación gráfica se realizaron mediante la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 214
plataforma estadística RStudio, facilitando así
la reproducibilidad y claridad de los resultados
obtenidos.
Resultados y Discusión
El análisis se llevó a cabo utilizando la
plataforma estadística RStudio, partiendo
inicialmente de una base de datos compuesta
por 18 variables. Se analizaron nueve variables
cuantitativas relacionadas con el desempeño
financiero y operativo de las empresas. En
primer lugar, se realizó una exploración
detallada del conjunto de datos para entender su
estructura interna; los resultados de este análisis
preliminar pueden apreciarse claramente en la
tabla que acompaña esta sección.
Tabla 1. Estadísticas descriptivas de los indicadores de las empresas.
Variable
Media
Mediana
Desviación
Estándar
Mínimo
Máximo
Activo
1336291
27332,15
18513395
0
2564376000
Patrimonio
592740,4
5096,96
11460291
-108129544
1785967000
IngresoVentas
1232888
14840
17557401
0
2483015000
IngresoTotal
1251039
16480
17640022
0
2483015000
UtilidadAntesImpuesto
2646894000
0
677185248920
-66586053
20703260000
UtilidadEjercicio
94696,71
0
2864933
-66586053
527655700
UtilidadNeta
61101,89
0
1941196
-66586053
353616400
IrCausado
220238,5
0
69173493
0
23911790000
Cant.Empleados
7638,53
4
2636428
1
911384700
Fuente: Elaboración propia
La Tabla 1 presenta un resumen detallado de las
estadísticas descriptivas calculadas para cada
una de las variables analizadas. De manera
particular, destacan las desviaciones estándar
notablemente altas, lo que sugiere una
considerable variabilidad entre las empresas
que conforman la muestra. Asimismo, se
observa que las medianas son consistentemente
menores en relación con las medias, situación
que revela una clara tendencia hacia una
distribución asimétrica con predominancia de
valores elevados. Cabe resaltar especialmente la
situación de los indicadores relacionados con
las utilidades, en los cuales la mediana resulta
ser cero, esto sugiere que la mayoría de
empresas presentan rendimientos modestos o
nulos, mientras un pequeño grupo concentra los
valores extremos. La Figura 1 presenta los
diagramas de caja correspondientes a los nueve
indicadores financieros seleccionados para el
estudio. En todos los casos, se observa una alta
concentración de datos en valores cercanos a
cero, acompañada por colas derechas
extendidas que evidencian una marcada
asimetría positiva. Esta distribución sugiere
que, si bien la mayoría de las empresas exhibe
cifras financieras moderadas, existe un
subconjunto reducido que reporta valores
significativamente elevados, generando una
distribución sesgada en cada variable. La
presencia de numerosos valores atípicos,
identificables como puntos fuera del rango
intercuartílico, refuerza esta observación. Estos
outliers no son errores de registro, sino
representaciones válidas de la heterogeneidad
estructural del tejido empresarial.
Figura 1. Diagramas de caja de los indicadores
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 215
Figura 2. Matriz de correlaciones
La Figura 2 presenta la matriz de correlaciones
lineales entre los principales indicadores
económicos analizados. Este recurso permite
explorar la estructura de interdependencia entre
variables y detectar posibles redundancias
informativas. Se identificaron asociaciones
particularmente altas entre las variables
UtilidadEjercicio y UtilidadNeta (r = 0,98), lo
cual evidencia que ambas métricas capturan
prácticamente el mismo comportamiento
financiero, dado que las utilidades netas
representan el resultado final tras deducir
impuestos sobre la utilidad operativa.
Asimismo, se observó una correlación
significativa entre Activo y Patrimonio (r =
0,93), coherente con la composición del balance
general, donde el patrimonio constituye una
parte sustancial del total de activos. Además,
variables como IngresoTotal, IngresoVentas, y
UtilidadAntesImpuesto mostraron niveles de
correlación moderadamente altos con otras
métricas, indicando una posible convergencia
en el comportamiento de estas dimensiones del
desempeño económico.
En contraste, indicadores como cantidad de
empleados, ir causado y utilidad antes de
impuesto presentaron correlaciones cercanas a
cero con la mayoría de las demás variables, lo
que sugiere una menor alineación estructural
con los ejes financieros predominantes. Durante
esta exploración inicial se observó que las
variables presentaban escalas numéricas
notablemente diversas, lo cual podría
comprometer la calidad del análisis posterior.
Para garantizar la comparabilidad entre
variables y evitar sesgos derivados de escalas
dispares, se aplicó una estandarización tipo Z-
Score. Esta técnica permitió situar todas las
variables cuantitativas en una escala
homogénea, con una media igual a cero y una
desviación estándar igual a uno, asegurando así
que ninguna variable, particularmente aquellas
con cifras más altas, ejerciera una influencia
desproporcionada en los resultados. Cabe
mencionar que diversos estudios previos (Hair
et al., 2019) han señalado la importancia de
realizar adecuadamente esta normalización,
advirtiendo que, de no hacerlo, se corre el riesgo
de generar un sesgo considerable hacia
variables con magnitudes superiores.
Tras la normalización de las variables, se
efectuó un análisis exhaustivo para comprobar
que el conjunto de datos cumpliera
adecuadamente con los supuestos necesarios
para llevar a cabo el Análisis de Componentes
Principales. Para lograr este propósito, se
aplicaron los criterios estadísticos de Kaiser-
Meyer-Olkin y la prueba de esfericidad de
Bartlett en todas las variables incluidas en el
estudio. El índice KMO analiza hasta qué punto
la varianza observada en las variables se debe a
factores comunes, en comparación con la
varianza total presente. De este modo, valores
cercanos a 1 indican que los datos son muy
adecuados para realizar un análisis factorial
exploratorio, mientras que cifras inferiores a 0,5
sugieren una pobre adecuación para este
procedimiento. Complementariamente, la
prueba de Bartlett evalúa si la matriz de
correlaciones difiere significativamente de una
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 216
matriz identidad, siendo un valor p inferior a
0,05 indicativo del rechazo de dicha hipótesis
nula.
Tabla 1. Resultados de KMO y Bartlett
MSA (KMO
individual)
0.84
0.82
0.74
0.74
0.63
0.77
0.76
0.99
0.79
0.78
1847866
< 0.001
Fuente: elaboración propia
La tabla 2 presenta un índice general de
adecuación muestral (MSA, Measure of
Sampling Adequacy) de 0,78, sugiriendo una
fuerte correlación entre las variables y
confirmando así la pertinencia del análisis
factorial exploratorio mediante ACP. Destaca
especialmente el índice MSA individual
obtenido por la variable "IRCausado",
señalando una conexión particularmente
robusta con otras dimensiones financieras
evaluadas. Por otra parte, las demás variables
mostraron valores individuales del índice dentro
de un rango satisfactorio, comprendido entre
0,63 y 0,84. Esto proporciona una sólida
evidencia sobre la varianza compartida
necesaria para una adecuada realización del
ACP. Respecto a la prueba de esfericidad de
Bartlett, se obtuvo un valor p claramente
significativo, igual a 0 (p < 0,0001). Esto
constituye una fuerte evidencia estadística para
rechazar la hipótesis nula, confirmando que la
matriz de correlaciones difiere notablemente de
la matriz identidad (χ² = 1847866, gl = 36).
Estos resultados demuestran, por tanto, la
existencia de correlaciones importantes entre
las variables estudiadas, sustentando la validez
del análisis de componentes principales en este
contexto específico. Los resultados
preliminares obtenidos confirmaron la
idoneidad del Análisis de Componentes
Principales para simplificar la complejidad del
conjunto original de datos.
Tabla 2. Varianza explicada y autovalores de
las componentes principales
Componente
Autovalor
Porcentaje
de
varianza
Porcentaje
de
varianza
acumulada
Dim 1
4.886
54.28 %
54.28 %
Dim 2
1.000
11.11 %
65.40 %
Dim 3
0.999
11.11 %
76.51 %
Dim 4
0.999
11.11 %
87.62 %
Dim 5
0.739
8.21 %
95.83 %
Dim 6
0.309
3.43 %
99.26 %
Dim 7
0.047
0.52 %
99.79 %
Dim 8
0.019
0.21 %
99.99 %
Dim 9
0.000
0.002 %
100 %
Fuente: elaboración propia
La tabla 3 muestra los Eigenvalue y cómo se
distribuye la varianza explicada individual y
acumulada de los componentes principales, se
encontró que el primer componente tiene un
valor propio (eigenvalue) de 4.886 y explica el
54,28% de la varianza total, lo que indica que
concentra más de la mitad de la información
contenida en las variables originales. Por su
parte, el segundo componente mostró un valor
propio igual a 1, aportando así un 11,11%
adicional de varianza explicada, lo que lleva la
varianza acumulada hasta el 65,39%.
Asimismo, el tercer componente presentó un
eigenvalue cercano a 1, contribuyendo con otro
11,11% y alcanzando una varianza total
acumulada del 76,51%. A partir del cuarto
componente en adelante, sin embargo, la
proporción de varianza explicada se reduce
notablemente (por debajo del 11%), indicando
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 217
que estos últimos componentes aportan
información menos significativa.
Figura 3. Gráfico (Scree Plot) del análisis de
componentes principales
La figura 3 presenta el gráfico de sedimentación
que acompaña este análisis se observa
claramente un punto notable de inflexión en la
curva, específicamente entre el segundo y tercer
componente. Este cambio sugiere que la mayor
parte de la información relevante está contenida
en los primeros dos componentes; no obstante,
al incluir también el tercer componente, se logra
captar una considerable proporción (76,51%) de
la variabilidad total, reafirmando la utilidad del
ACP como método para representar en menos
variables la estructura original del conjunto de
datos analizado.
Figura 4. Contribución de las variables a la
primera componente principal (Dim 1)
La figura 4 muestra el porcentaje de
contribución de cada variable a la primera
componente, al realizar un examen más
profundo del primer componente, destacan
especialmente por su contribución las siguientes
variables: Activo (0,952;18,54%), Patrimonio
(0,907;16,85%), UtilidadEjercicio
(0,897;16,49%), UtilidadNeta (0,892;16,22%),
IngresoVentas (0,883;15,95%) e IngresoTotal
(0,883;15,95%)). Este patrón refleja que el
primer componente capta esencialmente
aspectos relacionados con la dimensión
económica y financiera de las empresas,
específicamente su tamaño, volumen de
ingresos y nivel de rentabilidad general. Por
tanto, resulta pertinente interpretar este primer
factor como la dimensión que describe
"Tamaño y Desempeño Financiero".
Figura 5. Contribución de las variables a la
segunda componente principal (Dim 2)
La figura 5 muestra el porcentaje de
contribución de cada variable a la segunda
componente, la variable UtilidadAntesImpuesto
adquiere especial relevancia al presentar una
contribución elevada (0,859;73,8%). Este
resultado señala que este segundo componente
captura principalmente la dinámica entre la
utilidad obtenida antes de impuestos. De este
modo, las empresas que presentan valores altos
en esta dimensión son aquellas con mayores
utilidades previas al pago de impuestos. En
consecuencia, este segundo componente puede
definirse claramente como "Rentabilidad
operativa".
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 218
Figura 6. Contribución de las variables a la
tercera componente principal (Dim 3)
La figura 6 muestra el porcentaje de
contribución de cada variable a la tercera
componente, se distingue principalmente por el
aporte significativo de la variable
Cant.Empleados (0.871;76,04%) y la variable
IrCausado contribuye negativamente con menor
intensidad (-0.352;12,41%). Esta dimensión
permite diferenciar a las empresas según su
tamaño estructural y la intensidad relativa de su
carga tributaria. Así, empresas con valores
negativos en este factor enfrentan una carga
impositiva considerable en proporción a sus
ingresos o su tamaño, mientras que aquellas con
valores positivos probablemente estén
empleando estrategias efectivas para optimizar
y minimizar su pago de impuestos. En este
sentido, este tercer factor es definido
acertadamente como "Carga Fiscal y Recursos
Humanos".
Figura 7. Biplot del ACP
En la figura 7 presenta del Biplot del ACP, en
el que se muestra la representación de las
variables originales sobre el plano de la primera
y segunda componente, se puede observar que
las variables Patrimonio, IngresoTotal, Activo,
IngresoVentas, UtilidadNeta y Utilidad de
ejercicio se encuentran agrupados en la parte
derecha, dirigiéndose a la DIM 1 con esto se
puede observar que estas variables tienen una
gran contribución en la primera componente,
asociada al desempeño económico global.
También se puede observar que la variable
UtilidadAntesdelmpuesto se encuentra
proyectada sobre la DIM2, se observa que tiene
influencia sobre la segunda componente que
corresponde a la rentabilidad operativa.
Finalmente, las variables IRCausado y
Cant.Empleados se encuentran alejados
ubicándose en la parte inferior del gráfico, por
lo cual contribuyen a la definición de la tercera
componente que corresponde a la carga fiscal y
la estructura laboral. De esta manera estos
hallazgos sirven para validar la selección de las
componentes para la reducción de la
dimensionalidad, facilitando el análisis de
segmentación mediante Clustering. A partir de
las tres componentes principales obtenidas
mediante el ACP, se llevó a cabo un análisis de
agrupamiento jerárquico. El número ideal de
clústeres fue seleccionado mediante la
aplicación combinada de dos técnicas
complementarias: el método del codo (Elbow
Method) y el índice Silhouette. En la figura 8,
correspondiente al método del codo, se
evidenció una reducción gradual del valor del
TWSS al aumentar el número de grupos desde
k = 1 hasta k = 2, con un notable punto de
cambio al considerar k = 3. Al seleccionar este
número específico de clústeres, se consigue
minimizar considerablemente la dispersión
interna del conjunto.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 219
Figura 8. Método del Codo
Por otra parte, en la figura 9 se observa que el
índice Silhouette alcanza un valor máximo
cercano a 1 en k = 2, manteniéndose alto en k =
3. En consecuencia, ambos criterios indican que
k = 3 es un valor óptimo para el número de
clústeres, logrando así una adecuada validez
interna del modelo de conglomerados.
Figura 9. Índice de Silueta
Se aplicó la técnica de agrupamiento K-Means
sobre las tres componentes principales
seleccionadas mediante el Análisis de
Componentes Principales. A partir de esto, se
obtuvo la segmentación descrita a continuación.
Figura 10. Visualización de clústeres en el
espacio bidimensional reducido
La figura 10 ilustra claramente cómo se
distribuyen las empresas según las dos primeras
componentes principales obtenidas. La primera
componente (DIM 1), que refleja aspectos
relacionados con el "Tamaño y desempeño
financiero", explica el 54,3 % de la varianza,
mientras que la segunda componente (DIM 2),
vinculada a la "Rentabilidad operativa", explica
el 11,11 %. El primer clúster (color rojo) exhibe
una notable dispersión en ambas dimensiones
principales, cubriendo un amplio rango que va
desde valores negativos hasta positivos. Debido
a esta gran variabilidad interna, se clasifica
como el clúster más heterogéneo, agrupando
empresas con recursos financieros limitados y
baja rentabilidad. El segundo clúster (color
azul) se ubica en una posición intermedia en
relación con los otros dos clústeres. Sus valores
en ambas componentes son moderados y
presenta una menor dispersión en la dimensión
DIM 1, formando un grupo relativamente
equilibrado en términos financieros. Este
clúster representa empresas con un desempeño
financiero estable y con posibilidad de mejorar
significativamente su posición en el mercado.
El tercer clúster (color verde) está ubicado hacia
los valores positivos extremos de la primera
componente, manteniendo valores próximos a
cero en la segunda componente. Este grupo está
compuesto por empresas que destacan por un
elevado volumen económico, con altos recursos
financieros y estabilidad operativa. A
continuación, se detalló cómo quedaron
distribuidas las empresas en cada uno de los
grupos identificados, información que se
visualiza claramente en la siguiente tabla.
Tabla 3. Distribución del número de empresas
por clúster
Clúster 1
Clúster 2
Clúster 3
19377
115
9
Fuente: elaboración propia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 220
La tabla 4 especifica el número exacto de
empresas agrupadas en cada clúster. Del total de
19.501 empresas analizadas, la distribución
resultante fue: el clúster 1, con la mayor
concentración, agrupó a 19.377 empresas
(99,36 %); el clúster 2 reunió a 117 empresas
(0,60 %), y el clúster 3 incluyó a 9 empresas
(0,05 %). Posteriormente, se calcularon los
valores promedio correspondientes a cada
indicador financiero y operativo dentro de cada
clúster. Estos resultados aparecen sintetizados
en la tabla siguiente.
Tabla 4.Promedios de las variables financieras por clúster
Clúster
Activo
Patrimonio
Ingreso
Ventas
Ingreso
Total
Utilidad
Antes
Impuesto
Utilidad
Ejercicio
Utilidad
Neta
Ir
Causado
Cant.
Empleados
1
-0.02
-0.02
-0.02
-0.02
0.000
-0.02
-0.02
-0.0001
0.000
2
15.65
12.18
16.81
16.89
-0.003
10.16
9.73
0.065
-0.002
3
80.87
82.09
68.27
68.12
-0.004
88.29
89.09
0.70
-0.001
Fuente: elaboración propia
En la tabla se observa que los indicadores
financieros presentan valores negativos o
cercanos a cero. Esto refleja un desempeño
financiero limitado y poca representatividad en
el ranking empresarial. En contraste, en el
segundo clúster, indicadores como Activo
(15,65), IngresoVentas (16,81) e IngresoTotal
(16,89) muestran valores considerablemente
más altos, caracterizando así a empresas con un
desempeño financiero moderado y
posibilidades de crecimiento. Finalmente, el
tercer clúster corresponde a un número reducido
de empresas con un desempeño financiero
destacado, presentando valores elevados en la
mayoría de los indicadores considerados. Para
validar las agrupaciones generadas mediante el
análisis clúster, se implementó un análisis
discriminante lineal, tomando como variables
predictivas las componentes principales
obtenidas previamente del Análisis de
Componentes Principales.
Tabla 5. Matriz de confusión
Clúster Real
Clúster 1
Clúster 2
Clúster 3
1
19377
0
0
2
3
112
0
3
0
0
9
Fuente: Elaboración propia
La tabla 6 resume la precisión del análisis
discriminante mediante una matriz de
clasificación. Se observa que el primer clúster
logró una clasificación perfecta, con 119,377
empresas correctamente asignadas, obteniendo
así una precisión del 100 %. En cuanto al
segundo clúster, de las 115 empresas que lo
conforman, 112 fueron correctamente
clasificadas, lo que corresponde a una precisión
del 97,4 %. Finalmente, en el tercer clúster, las
nueve empresas fueron clasificadas sin error,
mostrando también una precisión del 100 %. En
general, la tasa global de clasificación correcta
ascendió al 99,9 %, lo cual indica un
rendimiento excepcional del modelo
discriminante.
Figura 11. Gráfico LDA
La figura 11 ofrece una representación gráfica
clara y eficaz de la discriminación entre los tres
clústeres identificados: clúster 1 (rojo), clúster
2 (azul) y clúster 3 (verde). En esta
visualización, se aprecia una separación
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 221
evidente y progresiva entre los grupos a lo largo
de la primera función discriminante (LD1). Esta
separación confirma visualmente la capacidad
del modelo discriminante para distinguir con
precisión los grupos establecidos. En síntesis, el
análisis discriminante alcanzó una exactitud de
clasificación global del 99,9 %, lo que ratifica
de forma concluyente la coherencia de los
clústeres previamente determinados mediante
K-Means. Este resultado, complementado con
la representación gráfica obtenida, valida el
modelo de segmentación propuesto y refuerza
su robustez metodológica, ofreciendo así un
sustento estadístico sólido para la interpretación
de los perfiles financieros identificados. Este
estudio utilizó técnicas multivariantes,
específicamente el Análisis de Componentes
Principales (ACP) y el agrupamiento K-Means,
para determinar los factores financieros clave
que influyen en el posicionamiento competitivo
de las empresas ecuatorianas dentro del ranking
empresarial del año 2023.
El ACP permitió condensar nueve variables
cuantitativas en tres componentes principales,
los cuales explicaron conjuntamente el 76,51 %
de la varianza total. La primera dimensión,
asociada a activos, patrimonio, utilidades e
ingresos, fue interpretada como "Tamaño y
Desempeño Financiero". La segunda
dimensión, destacada por la utilidad antes de
impuestos, reflejó la "Rentabilidad Operativa".
Finalmente, la tercera dimensión, influenciada
principalmente por el impuesto a la renta y el
número de empleados, se identificó como
"Carga Fiscal y Recursos Humanos". Esta
estructura factorial permite entender de manera
precisa y sintética la diversidad existente en el
tejido empresarial ecuatoriano. Utilizando estas
dimensiones obtenidas mediante ACP, se
procedió con la técnica de agrupamiento K-
Means, lo que facilitó la identificación de tres
grupos claramente definidos, revelando
patrones empresariales que habitualmente no
son visibles con enfoques analíticos
convencionales. Esta segmentación refuerza no
solo la validez estadística del método
multivariante empleado, sino que también
ofrece una interpretación estratégica relevante
del posicionamiento competitivo en el ámbito
nacional. Al comparar estos resultados con
investigaciones anteriores, se observa
claramente la flexibilidad y utilidad del enfoque
metodológico aplicado. Por ejemplo, Matute y
Muñoz (2024) en un estudio centrado
específicamente en PYMEs ecuatorianas,
identificaron factores como "Oportunidades y
Capacidades" y "Satisfacción Laboral". La
divergencia en estas dimensiones respecto al
presente estudio refleja cómo el tamaño
organizacional y las particularidades sectoriales
determinan significativamente la configuración
de los factores derivados del ACP. En contraste
con la investigación realizada por (De la Rosa
Flores et al., 2021) quienes analizaron
únicamente 21 empresas mexicanas cotizadas
en bolsa, este estudio ofrece un análisis más
amplio al abarcar 19.501 empresas de distintos
sectores y tamaños. Esta mayor cobertura
permitió detectar patrones estructurales con
mayor robustez estadística, especialmente la
alta concentración de empresas en el clúster de
bajo desempeño, un fenómeno hasta ahora no
documentado que podría estar vinculado a
condiciones fiscales y regulatorias específicas
del entorno económico ecuatoriano.
La segmentación resultante definió tres perfiles
empresariales diferenciados: un primer grupo
caracterizado por un rendimiento financiero
bajo, un segundo grupo con desempeño
intermedio y potencial de crecimiento, y un
tercer grupo reducido pero relevante, formado
por empresas con alto desempeño económico
que lideran claramente el ranking. Esta
clasificación corrobora la relevancia del tamaño
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 222
financiero y la rentabilidad como pilares del
posicionamiento competitivo. Desde una óptica
práctica, estos resultados sugieren acciones
estratégicas específicas. Por una parte, las
empresas que buscan mejorar su posición en el
mercado deberían fortalecer su base patrimonial
e incrementar su eficiencia operativa. Por otra
parte, la relevancia identificada para factores
como la carga tributaria y el tamaño de la fuerza
laboral implica que tanto las estrategias
empresariales internas como las políticas
públicas regulatorias juegan un papel decisivo
en la competitividad empresarial. Sin embargo,
es necesario considerar algunas limitaciones
metodológicas. Primero, el análisis se restringió
exclusivamente a variables financieras
cuantitativas, excluyendo dimensiones
cualitativas como la innovación, la cultura
organizacional o la calidad de liderazgo, que
podrían aportar una perspectiva más completa.
Además, el enfoque transversal del estudio
limita la posibilidad de analizar la evolución
temporal de los factores de desempeño.
Finalmente, la falta de ponderación sectorial
puede haber generado sesgos en la
representatividad, debido a la posible sobre
presencia de ciertos sectores en la muestra
analizada.
Considerando estas limitaciones, futuras
investigaciones podrían beneficiarse del uso de
diseños longitudinales que permitan evaluar
cambios en el posicionamiento competitivo
empresarial a lo largo del tiempo. Asimismo,
incluir variables cualitativas que reflejen
aspectos organizacionales y culturales
enriquecería considerablemente el análisis.
Además, realizar segmentaciones específicas
por sector o región podría revelar patrones
diferenciados de desempeño empresarial. La
combinación del ACP y el análisis de
agrupamiento ha demostrado ser una
herramienta analítica efectiva y robusta para
caracterizar y comprender la estructura del
entorno empresarial ecuatoriano. Estos
resultados no solo enfatizan la relevancia de
indicadores financieros clásicos, sino que
también destacan la importancia crítica de
aspectos operativos y fiscales. La evidencia
obtenida proporciona un sólido fundamento
para el diseño de políticas públicas focalizadas
y estrategias empresariales orientadas a
fortalecer la competitividad del sector
productivo nacional.
Conclusiones
Este estudio permitió establecer con claridad los
factores financieros clave que inciden en el
posicionamiento competitivo de las empresas
ecuatorianas en el ranking empresarial del año
2023. Mediante un enfoque multivariante
sólido, basado en la combinación del Análisis
de Componentes Principales y la segmentación
por clústeres mediante K-Means, se logró
simplificar eficientemente la complejidad de los
datos iniciales, revelando patrones estructurales
relevantes en el desempeño corporativo. Entre
los hallazgos más relevantes se encuentra la
identificación de una concentración
considerable de empresas en un clúster
caracterizado por desempeño financiero
limitado, reflejando barreras estructurales
profundas que restringen la competitividad del
tejido empresarial nacional. Tales restricciones
se relacionan con la escala organizacional, la
eficiencia operativa, la carga tributaria efectiva
y la gestión estratégica del talento humano. En
contraste, se identificó un grupo reducido de
empresas con desempeño significativamente
superior, que ocupa consistentemente los
primeros puestos del ranking, evidenciando
ventajas estratégicas y estructurales
significativas en este segmento.
Aunque la escala financiera y la rentabilidad
operativa tradicionalmente constituyen los
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 223
principales determinantes del éxito empresarial,
esta investigación destacó también la relevancia
de aspectos generalmente subestimados en
estudios convencionales, como la estructura
tributaria y la configuración interna del capital
humano. Considerar estas variables ofrece una
visión más completa y precisa del desempeño
empresarial, facilitando la construcción de
modelos evaluativos más integradores y
sensibles al contexto económico. Un aporte
relevante del presente trabajo es la validación
empírica del modelo de agrupamiento a través
del análisis discriminante. Utilizando las
componentes principales como variables
predictoras, el modelo logró una clasificación
correcta del 99,9 % de las observaciones. Este
resultado confirma no solo la coherencia interna
de los grupos obtenidos previamente, sino
también la confiabilidad estadística del método
aplicado, reforzando su utilidad para identificar
con precisión perfiles diferenciados de
desempeño empresarial. Desde una perspectiva
práctica, la metodología aplicada demostró
robustez analítica y versatilidad suficiente para
adaptarse y replicarse en diferentes contextos
sectoriales o regionales. En particular, los
resultados proporcionan fundamentos sólidos
para el diseño de políticas públicas orientadas a
reducir las inequidades estructurales observadas
en el sector empresarial, mediante incentivos
fiscales dirigidos a empresas en etapas de
expansión o reformas laborales que fomenten la
productividad sin afectar negativamente la
formalización del empleo.
Para las empresas, especialmente aquellas
ubicadas en segmentos de desempeño limitado,
se recomienda reforzar la solidez patrimonial,
optimizar la gestión financiera de ingresos y
costos, y mejorar la eficiencia en aspectos
laborales y tributarios. La implementación de
sistemas integrales de control financiero y la
adopción de prácticas gerenciales innovadoras
pueden representar estrategias decisivas para
alcanzar un desarrollo sostenido y competitivo.
Asimismo, se recomienda a las autoridades
regulatorias considerar la formulación de
políticas diferenciadas, reconociendo la
heterogeneidad del tejido empresarial
ecuatoriano. La creación de regímenes fiscales
progresivos específicos para empresas en
proceso de escalamiento, junto con ajustes
regulatorios laborales orientados a aumentar la
productividad, podrían reducir las disparidades
competitivas actuales. Una articulación más
efectiva entre políticas fiscales y estrategias de
desarrollo económico nacional también podría
contribuir significativamente a este propósito.
Finalmente, este estudio abre nuevas
oportunidades para la investigación académica,
sugiriendo profundizar en enfoques
metodológicos mixtos que incorporen variables
cualitativas relevantes, tales como innovación
organizacional, liderazgo efectivo y gestión
estratégica del talento humano.
Adicionalmente, la aplicación de estudios
longitudinales permitiría comprender mejor la
evolución del desempeño empresarial en el
tiempo y desarrollar modelos predictivos
ajustados específicamente al contexto
latinoamericano.
El modelo analítico aquí propuesto presenta un
considerable potencial para ser escalado a nivel
regional, facilitando comparaciones entre
países latinoamericanos que podrían revelar
patrones estructurales compartidos o
específicos. Su aplicación sectorial permitiría
realizar análisis detallados adaptados a distintas
industrias, generando recomendaciones
estratégicas más precisas y ajustadas a cada
contexto. Además, integrando este modelo en
herramientas avanzadas de predicción, se
facilitaría la anticipación de tendencias
empresariales futuras, optimizando la toma de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 224
decisiones estratégicas y regulatorias, con un
impacto positivo en la sostenibilidad y
competitividad del sector empresarial regional.
Agradecimientos
Agradezco a la Universidad Nacional de
Chimborazo por el respaldo brindado durante el
desarrollo de esta investigación. De manera
especial, expreso mi gratitud a mi familia, cuyo
apoyo incondicional, comprensión y aliento
fueron fundamentales para la culminación de
este trabajo.
Referencias Bibliográficas
Bazarán, J., Pardo, F., & Campuzano, J. (2023).
Evaluación de la gestión competitiva de la
mediana empresa de la provincia de El Oro
mediante la NTE INEN 2537. INNOVA
Research Journal, 8(3.1), 264–282.
https://doi.org/10.33890/innova.v8.n3.1.202
3.2374
Boloș, M.., Rusu, Ș., Leordeanu, M., Sabău-
Popa, C., Perțicaș, D., & Crișan, M. (2025).
K-Means Clustering for Portfolio
Optimization: Symmetry in Risk–Return
Tradeoff, Liquidity, Profitability, and
Solvency. Symmetry, 17(6), 847.
https://doi.org/10.3390/sym17060847
Ciencias Jurídicas. (2019). Análisis de las
empresas familiares en Ecuador desde una
óptica multivariante. Revista de Ciencias
Sociales (RCS), XXV(4), 161–174.
Cortés, M. (2025). La convergencia económica
financiera en América Latina La
convergencia de los mercados cotizados de
América Latina.
https://doi.org/10.56241/asf.v13n25.293
Daquilema, D., & Herrera, E. (2025). Detección
de Desnutrición Crónica en Niños Menores a
Cinco Años Aplicando Técnicas
Multivariantes. Innovation & Development
in Engineering and Applied Sciences, 7(1),
25. https://doi.org/10.53358/ideas.v7i1.1072
De la Rosa, C., Ordóñez, A., Cabrera, C., &
Berroterán, V. (2021). Multivariate statistics
applied to the classification of companies
listed on the Mexican Stock Exchange.
Revista Mexicana de Economía y Finanzas
Nueva Época, 16(1).
https://doi.org/10.21919/remef.v16i1.452
Dzuba, S., & Krylov, D. (2021). Cluster
analysis of financial strategies of companies.
Mathematics, 9(24).
https://doi.org/10.3390/math9243192
Hair, J. F., Black, W. C., Babin, B. J., &
Anderson, R. E. (2019). Multivariate data
analysis eighth edition.
www.cengage.com/highered
Jollife, I., & Cadima, J. (2016). Principal
component analysis: A review and recent
developments. In Philosophical Transactions
of the Royal Society A: Mathematical,
Physical and Engineering Sciences 374,
(2065). Royal Society of London.
https://doi.org/10.1098/rsta.2015.0202
Kountur, R., & Aprilia, Lady. (2020). A factor
analysis of corporate financial performance:
Prospect for new dimension. In ACRN
Journal of Finance and Risk Perspectives 9,
(1) 113–119.
https://doi.org/10.35944/JOFRP.2020.9.1.0
09
López M., & Gutiérrez, L. (2019). Cómo
realizar e interpretar un análisis factorial
exploratorio utilizando SPSS. REIRE.
Revista d’Innovació i Recerca En Educació,
12 (2).
https://doi.org/10.1344/reire2019.12.227057
Matute, K., & Muñoz, E. (2024). Multivariate
analysis of socioeconomic factors in SMEs:
regression models machine learning.
Universidad Ciencia y Tecnología, 28(125),
142–152.
https://doi.org/10.47460/uct.v28i125.864
Mbona, R., & Yusheng, K. (2019). Financial
statement analysis: Principal component
analysis (PCA) approach case study on
China telecoms industry. Asian Journal of
Accounting Research, 4(2), 233–245.
https://doi.org/10.1108/AJAR-05-2019-
0037
Niftiyev, I., David, D., Iordan, M., & Horga, P.
(2024). A Multivariate Performance
Analysis of the Plastics Manufacturers:
Comparative Analysis of European Regions.
Studies in Business and Economics, 19(1),
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6
Junio 2025
Página 225
167–188. https://doi.org/10.2478/sbe-2024-
0009
Ordóñez, B., López, I., Urbano, E., & Esparrell,
J. A. F. (2021). Application of exploratory
factor analysis in the construction of a self-
perception model of informational
competences in higher education.
Mathematics, 9(18).
https://doi.org/10.3390/math9182332
Quintero, J., & Navarro, G. (2020). Perfiles de
rentabilidad financiera de las pequeñas y
medianas empresas (PyMEs) en Colombia:
Un análisis discriminante multivariado
(AMD) y de conglomerados.
https://www.revistaespacios.com
Shi, C., Wei, B., Wei, S., Wang, W., Liu, H., &
Liu, J. (2021). A quantitative discriminant
method of elbow point for the optimal
number of clusters in clustering algorithm.
Eurasip Journal on Wireless
Communications and Networking, 2021(1).
https://doi.org/10.1186/s13638-021-01910-
w
Shutaywi, M., & Kachouie, N. N. (2021).
Silhouette analysis for performance
evaluation in machine learning with
applications to clustering. Entropy, 23(6).
https://doi.org/10.3390/e23060759
Superintendencia de Compañías. (2024).
Ranking Empresarial Ecuador –
Superintendencia de Compañías.
Superintendencia de Compañías, Valores y
Seguros Del Ecuador.
https://www.supercias.gob.ec/portalscvs/ind
ex.htm
Tobar, L. (2024). Ranking de las empresas con
mayores rendimientos financieros en
ecuador. AÑO 2023. 323;
https://www.investigacion.ups.edu.ec/grupo
/igomsoh-ups/
Torres, R., García, M., Hurtado, K.., & Reyes
Armas, R. (2024). Rentabilidad del sector
comercial del Ecuador: un análisis del efecto
financiero de la gestión empresarial.
Religación, 9(39), e2401160.
https://doi.org/10.46652/rgn.v9i39.1160
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Alicia del Rocío
Sani Centeno y José Omar Cabrera Escobar.