Un modelo jerárquico para la predicción de insolvencia empresarial. Aplicación de análisis discriminante y árboles de clasificación
A hierarchical model for enterprise insolvency prediction. Application of discriminant analysis, and classification trees
DOI:
https://doi.org/10.15446/cuad.econ.v43n91.105115Palabras clave:
Insolvencia, Economía argentina, Ratio de capacidad de pago, Aprendizaje automático (es)Insolvency, Argentine economy, Capability to pay ratio, Machine learning (en)
Descargas
El estudio plantea la utilización de un modelo jerárquico basado en la ratio de capacidad de pago, definido como la relación de los resultados operativos con las deudas, para la predicción de insolvencia en un contexto turbulento como la economía argentina. Las técnicas aplicadas para la construcción de los modelos son el análisis discriminante y árboles de clasificación. La evidencia indica que el modelo de capacidad de pago en dos momentos en el tiempo supera al modelo Z-score calibrado, aplicando el método de análisis discriminante lineal como el de árboles de clasificación, si bien este último mostró ser superior.
The purpose of this study is the utilization of a hierarchical model based on the capability to pay ratio, definite for the relation operative earnings with liability, for insolvency prediction, in the turbulent environment how Argentine`s economy, in the decade last. The applicate techniques for building the models are discriminant analysis and classification trees. In general, the evidence shows that the capability to pay at two moments in the time model is higher than the calibrate Z-score model, so much applicating discriminant analysis as classification trees, but the last method it showed to be better.
Referencias
Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, 23(4), 589-609. https://doi.org/10.2307/2978933
Altman, E. I. (2002). Corporate distress prediction models in a turbulent economic and Basel II environment. NYU Working Paper No. FIN- 02-052. Social Science Research Network. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1295810
Altman, E. I. (2013). Predicting financial distress of companies: revisiting the Z-score and ZETA® models. En A. R. Bell, C. Brooks & M. Prokopczuk (Eds.), Handbook of Research Methods and Applications in Empirical Finance (pp. 428-456). Edward Elgar Publishing. https://doi.org/10.4337/9780857936097
Altman, E. I., Baidya, T. K., & Dias, L. M. R. (1979). Previsão de problemas financeiros em empresas. Revista de Administração de Empresas, 19(1), 17-28. https://doi.org/10.1590/S0034-75901979000100002
Altman, E. I., Haldeman, R. G., & Narayanan, P. (1977). ZETATM analysis: a new model to identify bankruptcy risk of corporations. Journal of Banking & Finance, 1(1), 29-54. https://doi.org/10.1016/0378-4266(77)90017-6
Altman, E. I., Hartzell, J., & Peck, M. (1998). Emerging market corporate bonds — a scoring system. En R. Levich (Ed.), Emerging Market Capital Flows (pp. 391-400). Springer. DOI: https://doi.org/10.1007/978-1-4615-6197-2_25
Athey, S. (2018). The impact of machine learning on economics. En A. Agrawal, J. Gans & A. Goldfarb (Eds.), The Economics of Artificial Intelligence: An Agenda (pp. 507-552). University of Chicago Press. DOI: https://doi.org/10.7208/chicago/9780226613475.003.0021
Banca Personal Nación (2020). Cotizaciones históricas. https://www.bna.com.ar/Personas
Barboza, F., Kimura, H., & Altman, E. (2017). Machine learning models and bankruptcy prediction. Expert Systems with Applications, 83, 405-417. https://doi.org/10.1016/j.eswa.2017.04.006
Bazarbash, M. (2019). Fintech in financial inclusion: machine learning applications in assessing credit risk. IMF Working Paper No. 19/109. Social Science Research Network. https://ssrn.com/abstract=3404066 DOI: https://doi.org/10.5089/9781498314428.001
Beaver, W. H. (1966). Financial ratios as predictors of failure. Journal of Accounting Research, 4, 71-111. https://doi.org/10.2307/2490171
Bharath, S. T., & Shumway, T. (2008). Forecasting default with the Merton distance to default model. The Review of Financial Studies, 21(3), 1339-1369. https://doi.org/10.1093/rfs/hhn044
Breiman, L., Friedman, J., Stone, C. J., & Olshen, R. A. (1984). Classification and Regression Trees. CRC Press.
Caro, N. P., Díaz, M., & Porporato, M. (2013). Predicción de quiebras empresariales en economías emergentes: uso de un modelo logístico mixto. Revista de Métodos Cuantitativos para la Economía y la Empresa, 16, 200-215. DOI: https://doi.org/10.46661/revmetodoscuanteconempresa.2187
Caro, N. P., Guardiola, M., & Ortiz, P. (2018). Árboles de clasificación como herramienta para predecir dificultades financieras en empresas latinoamericanas a través de sus razones contables. Contaduría y Administración, 63(1), 1-14. http://dx.doi.org/10.22201/fca.24488410e.2018.1148
Dirección Provincial de Estadística y Censos (2020). Índices de Precios al Consumidor http://www.estadistica.sanluis.gov.ar/indice-de-precios-alconsumidor-san-luis/
Esplin, A., Hewitt, M., Plumlee, M., & Yohn, T. L. (2014). Disaggregating operating and financial activities: implications for forecasts of profitability. Review of Accounting Studies, 19(1), 328-362. https://doi.org/10.1007/s11142-013-9256-5
Frugoli, E., & Pascual. J. P. (2020). La situación fiscal y financiera de las dos últimas administraciones en Argentina. http://fcece.org.ar/wp-content/uploads/informes/situacion-fiscal-financiera.pdf
Frydman, H., Altman, E. I., & Kao, D. L. (1985). Introducing recursive partitioning for financial classification: the case of financial distress. The Journal of Finance, 40(1), 269-291. https://doi.org/10.1111/j.1540-6261.1985.tb04949.x
Hair, J. F., Anderson, R. E., Tatham, R. L., & Black, W. C. (1999). Análisis multivariante. Prentice Hall.
Instituto Nacional de Estadística y Censos (INDEC). (2020). Estadísticas económicas: índice de precios al consumidor. https://www.indec.gob.ar/indec/web/Nivel3-Tema-3-5
Jones, S., & Hensher, D. A. (2004). Predicting firm financial distress: a mixed logit model. The Accounting Review, 79(4), 1011-1038. https://doi.org/10.2308/accr.2004.79.4.1011
Merton, R. C. (1974). On the pricing of corporate debt: the risk structure of interest rates. The Journal of Finance, 29(2), 449-470. https://doi.org/10.2307/2978814
Missim, D., & Penman, S. H. (2001). Ratio analysis and equity valuation: from research to practice. Review of Accounting Studies, 6, 109-154. https://doi.org/10.1023/A:1011338221623
Montalván, S. M., Delgado, F. I. A., O’Shee, D. F., & Yamashiro, M. A. (2011). Determinantes de la insolvencia empresarial en el Perú. Academia. Revista Latinoamericana de Administración, 47, 126-139.
Mullainathan, S., & Spiess, J. (2017). Machine learning: an applied econometric approach. Journal of Economic Perspectives, 31(2), 87-106. https://doi.org/10.1257/jep.31.2.87
Myers, S. C. (1984). The capital structure puzzle. The Journal of Finance, 39, 575-592. DOI: https://doi.org/10.2307/2327916
Nanni, L., & Lumini, A. (2009). An experimental comparison of ensemble of classifiers for bankruptcy prediction and credit scoring. Expert Systems with Applications, 36(2), 3028-3033. https://doi.org/10.1016/j.eswa.2008.01.018
Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research, 18(1), 109-131. https://doi.org/10.2307/2490395
Sandin, A. R., & Porporato, M. (2007). Corporate bankruptcy prediction models applied to emerging economies: evidence from Argentina in the years 1991-1998. International Journal of Commerce and Management, 17(4), 295-311. https://doi.org/10.1108/10569210710844372
Tan, P. N., Steinbach, M., & Kumar, V. (2016). Introduction to Data Mining. Pearson Education India.
Tascón, M., & Castaño, F. (2012). Variables y modelos para la identificación y predicción del fracaso empresarial: revisión de la investigación empírica reciente. Revista de Contabilidad, 15(1), 7-58. https://doi.org/10.1016/S1138-4891(12)70037-7
Wahlen, J. M., Baginski, S. P., & Bradshaw, M. (2014). Financial Reporting, Financial Statement Analysis and Valuation. Cengage Learning.
Zmijewski, M. E. (1984). Methodological issues related to the estimation of financial distress prediction models. Journal of Accounting Research, 22, 59-82. https://doi.org/10.2307/2490859
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
Derechos de autor 2024 Cuadernos de Economía

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Cuadernos de Economía a través de la División de Bibliotecas de la Universidad Nacional de Colombia promueve y garantiza el acceso abierto de todos sus contenidos. Los artículos publicados por la revista se encuentran disponibles globalmente con acceso abierto y licenciados bajo los términos de Creative Commons Atribución-No_Comercial-Sin_Derivadas 4.0 Internacional (CC BY-NC-ND 4.0), lo que implica lo siguiente:




