Publicado

2024-04-27

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.v43n91.105115

Palabras clave:

Insolvencia, Economía argentina, Ratio de capacidad de pago, Aprendizaje automático (es)
Insolvency, Argentine economy, Capability to pay ratio, Machine learning (en)

Descargas

Autores/as

  • Dante Domingo Terreno Universidad Nacional de Córdoba e Universidad Católica de Córdoba https://orcid.org/0000-0003-4400-8058
  • Jorge Orlando Pérez Universidad Católica de Córdoba
  • Silvana Andrea Sattler Universidad Nacional de Córdoba

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

Terreno, D. D., Pérez, J. O. & Sattler, S. A. (2024). Un modelo jerárquico para la predicción de insolvencia empresarial. Aplicación de análisis discriminante y árboles de clasificación. Cuadernos de Economía, 43(91), 51–76. https://doi.org/10.15446/cuad.econ.v43n91.105115

ACM

[1]
Terreno, D.D., Pérez, J.O. y Sattler, S.A. 2024. Un modelo jerárquico para la predicción de insolvencia empresarial. Aplicación de análisis discriminante y árboles de clasificación. Cuadernos de Economía. 43, 91 (may 2024), 51–76. DOI:https://doi.org/10.15446/cuad.econ.v43n91.105115.

ACS

(1)
Terreno, D. D.; Pérez, J. O.; Sattler, S. A. Un modelo jerárquico para la predicción de insolvencia empresarial. Aplicación de análisis discriminante y árboles de clasificación. Cuad. econ 2024, 43, 51-76.

ABNT

TERRENO, D. D.; PÉREZ, J. O.; SATTLER, S. A. Un modelo jerárquico para la predicción de insolvencia empresarial. Aplicación de análisis discriminante y árboles de clasificación. Cuadernos de Economía, [S. l.], v. 43, n. 91, p. 51–76, 2024. DOI: 10.15446/cuad.econ.v43n91.105115. Disponível em: https://revistas.unal.edu.co/index.php/ceconomia/article/view/105115. Acesso em: 28 dic. 2025.

Chicago

Terreno, Dante Domingo, Jorge Orlando Pérez, y Silvana Andrea Sattler. 2024. «Un modelo jerárquico para la predicción de insolvencia empresarial. Aplicación de análisis discriminante y árboles de clasificación». Cuadernos De Economía 43 (91):51-76. https://doi.org/10.15446/cuad.econ.v43n91.105115.

Harvard

Terreno, D. D., Pérez, J. O. y Sattler, S. A. (2024) «Un modelo jerárquico para la predicción de insolvencia empresarial. Aplicación de análisis discriminante y árboles de clasificación», Cuadernos de Economía, 43(91), pp. 51–76. doi: 10.15446/cuad.econ.v43n91.105115.

IEEE

[1]
D. D. Terreno, J. O. Pérez, y S. A. Sattler, «Un modelo jerárquico para la predicción de insolvencia empresarial. Aplicación de análisis discriminante y árboles de clasificación», Cuad. econ, vol. 43, n.º 91, pp. 51–76, may 2024.

MLA

Terreno, D. D., J. O. Pérez, y S. A. Sattler. «Un modelo jerárquico para la predicción de insolvencia empresarial. Aplicación de análisis discriminante y árboles de clasificación». Cuadernos de Economía, vol. 43, n.º 91, mayo de 2024, pp. 51-76, doi:10.15446/cuad.econ.v43n91.105115.

Turabian

Terreno, Dante Domingo, Jorge Orlando Pérez, y Silvana Andrea Sattler. «Un modelo jerárquico para la predicción de insolvencia empresarial. Aplicación de análisis discriminante y árboles de clasificación». Cuadernos de Economía 43, no. 91 (mayo 15, 2024): 51–76. Accedido diciembre 28, 2025. https://revistas.unal.edu.co/index.php/ceconomia/article/view/105115.

Vancouver

1.
Terreno DD, Pérez JO, Sattler SA. Un modelo jerárquico para la predicción de insolvencia empresarial. Aplicación de análisis discriminante y árboles de clasificación. Cuad. econ [Internet]. 15 de mayo de 2024 [citado 28 de diciembre de 2025];43(91):51-76. Disponible en: https://revistas.unal.edu.co/index.php/ceconomia/article/view/105115

Descargar cita

CrossRef Cited-by

CrossRef citations0

Dimensions

PlumX

Visitas a la página del resumen del artículo

294

Descargas

Los datos de descargas todavía no están disponibles.